The human insights missing from big data | Tricia Wang

翻訳: Hiroko Kawano 校正: Masaki Yanagishita

In ancient Greece,

古代ギリシアでは

when anyone from slaves to soldiers, poets and politicians,

奴隷でも兵士でも詩人でも政治家でも

needed to make a big decision on life's most important questions,

人生で最高に重要な問いに対して 大きな決断をしなければならない時 —

like, "Should I get married?"

例えば 「結婚すべきか？」

or "Should we embark on this voyage?"

あるいは 「この航海を始めるべきか？」

or "Should our army advance into this territory?"

あるいは 「自軍はこの地域に進出すべきか？」

they all consulted the oracle.

「巫女（オラクル）」に伺いを立てました

So this is how it worked:

やり方はこうです

you would bring her a question and you would get on your knees,

巫女に質問してひざまずくと

and then she would go into this trance.

巫女はトランス状態となります

It would take a couple of days,

２、３日経つと

and then eventually she would come out of it,

最後に 巫女が正気に戻って

giving you her predictions as your answer.

答えとして予言をしました

From the oracle bones of ancient China

古代中国の 「占い（オラクル）」の骨から

to ancient Greece to Mayan calendars,

古代ギリシアやマヤ暦まで

people have craved for prophecy

人々は予言を切望してきました

in order to find out what's going to happen next.

次に何が起きるか 知るためでした

And that's because we all want to make the right decision.

私たちは皆 正しい決断を 下したいと願うからです

We don't want to miss something.

見落したくないのです

The future is scary,

未来は怖いので

so it's much nicer knowing that we can make a decision

結果に対して なんらかの保証があって 決断できると分れば

with some assurance of the outcome.

すごくありがたいことなのです

Well, we have a new oracle,

さて私たちには 新しい「オラクル」があります

and it's name is big data,

その名も「ビッグデータ」や

or we call it "Watson" or "deep learning" or "neural net."

「ワトソン」「ディープラーニング」 「ニューラルネット」呼び方は様々です

And these are the kinds of questions we ask of our oracle now,

私たちが「オラクル」に 尋ねる問いは 例えば

like, "What's the most efficient way to ship these phones

「中国からスウェーデンに スマホを発送するための

from China to Sweden?"

一番効率の良い方法は？」

Or, "What are the odds

あるいは「私の子が

of my child being born with a genetic disorder?"

遺伝性疾患を持って生まれてくる確率は？」

Or, "What are the sales volume we can predict for this product?"

あるいは 「この製品の 売り上げ予想は？」などです

I have a dog. Her name is Elle, and she hates the rain.

私の犬は エルという名前で 雨が大嫌いです

And I have tried everything to untrain her.

雨嫌いをなくそうと あらゆることをしました

But because I have failed at this,

でも 失敗に終わったので

I also have to consult an oracle, called Dark Sky,

私も「ダークスカイ」というアプリの 「予測（オラクル）」に頼らねばなりません

every time before we go on a walk,

散歩前にいつも

for very accurate weather predictions in the next 10 minutes.

今から10分間の正確な 天気予想を調べるのです

She's so sweet.

とても可愛い犬です

So because of all of this, our oracle is a $122 billion industry.

このような用向きのため 私たちの予測は1220億ドルの産業です

Now, despite the size of this industry,

巨大な産業にも関わらず

the returns are surprisingly low.

利益は驚くほど低いです

Investing in big data is easy,

ビッグデータへの投資は容易ですが

but using it is hard.

活用するのは困難です

Over 73 percent of big data projects aren't even profitable,

ビッグデータを使ったプロジェクトの 73%以上は 赤字で

and I have executives coming up to me saying,

重役が私の所にやってきて こう言います

"We're experiencing the same thing.

「私たちも同じ経験をしている

We invested in some big data system,

ビッグデータのシステムに投資したが

and our employees aren't making better decisions.

従業員たちは良い決定ができない

And they're certainly not coming up with more breakthrough ideas."

さらにブレークスルーになるような アイデアも出てこない」と

So this is all really interesting to me,

これは全て実に私にとって興味深いことです

because I'm a technology ethnographer.

私は テクノロジー・エスノグラファー （IT民族誌学者）だからです

I study and I advise companies

私は人がテクノロジーを 利用するパターンについて

on the patterns of how people use technology,

研究し 企業に助言していて

and one of my interest areas is data.

私が関心をもつ分野の一つが データなのです

So why is having more data not helping us make better decisions,

得られるデータが増えても より良い決定の助けにならないのはなぜか？

especially for companies who have all these resources

こういったビッグデータの システムに投資するための

to invest in these big data systems?

あらゆるリソースを持つ 企業にとっては特にそうです

Why isn't it getting any easier for them?

どうして彼らにとって 簡単にならないのか？

So, I've witnessed the struggle firsthand.

さて 私はこのような葛藤を 直接見てきました

In 2009, I started a research position with Nokia.

2009年に 私は ノキアで調査研究の仕事を始めました

And at the time,

そして当時

Nokia was one of the largest cell phone companies in the world,

ノキアは世界で最大手の 携帯電話会社であり

dominating emerging markets like China, Mexico and India --

中国、メキシコ、インドなどの 新興市場を支配し —

all places where I had done a lot of research

これら全ての国において 低所得層の人が

on how low-income people use technology.

どのようにテクノロジーを利用するか 調査研究をしました

And I spent a lot of extra time in China

また非正規経済を知るために

getting to know the informal economy.

特に中国には時間をかけました

So I did things like working as a street vendor

そこで 私は 建設労働者に 点心を売る

selling dumplings to construction workers.

露天商をしました

Or I did fieldwork,

また フィールドワークで

spending nights and days in internet cafés,

何日も夜も昼もネットカフェで過ごし 中国の若者と出歩いたりして

hanging out with Chinese youth, so I could understand

若者が ゲームや携帯電話を どう利用しているか

how they were using games and mobile phones

田舎から都市部への移動時に 携帯をどう使うかを

and using it between moving from the rural areas to the cities.

理解することもしました

Through all of this qualitative evidence that I was gathering,

こういった 自分が集めた 質的証拠の全てを通して

I was starting to see so clearly

私にはっきりと見え始めたのは

that a big change was about to happen among low-income Chinese people.

中国の低所得者層に まさに 大きな変化が起ころうとしていることでした

Even though they were surrounded by advertisements for luxury products

彼らは様々な贅沢品の広告に 囲まれていましたが

like fancy toilets -- who wouldn't want one? --

例えば 高機能トイレなどは 誰もが欲しいと思いますよね？

and apartments and cars,

それとアパートや車などなど

through my conversations with them,

でも 彼らと会話して気づいたのですが

I found out that the ads the actually enticed them the most

彼らが一番惹きつけられていた広告は

were the ones for iPhones,

iPhoneの広告で

promising them this entry into this high-tech life.

ハイテク生活へのデビューを 約束する広告でした

And even when I was living with them in urban slums like this one,

そして私がこんな 都会のスラムに 暮らしていた時でさえ

I saw people investing over half of their monthly income

人々が 月収の半分以上を投じて

into buying a phone,

電話を買うのを目にしました

and increasingly, they were "shanzhai,"

そうして増えたのが「シャンザイ」という

which are affordable knock-offs of iPhones and other brands.

iPhoneやその他のブランドの 安い模倣品でした

They're very usable.

かなり使い物になります

Does the job.

十分機能を果たします

And after years of living with migrants and working with them

数年間 移動労働者と生活や仕事を共にして

and just really doing everything that they were doing,

移動労働者がやることを ほぼ全てやった後で

I started piecing all these data points together --

私は 全てのデータポイントを まとめ始めて—

from the things that seem random, like me selling dumplings,

点心売りのような バラバラに見えるものから

to the things that were more obvious,

携帯電話料金の 支払額の推移のような

like tracking how much they were spending on their cell phone bills.

より明確なことまでをまとめ始めました

And I was able to create this much more holistic picture

そして 何が起ころうとしているかの

of what was happening.

全体像を作ることができました

And that's when I started to realize

そのときに分かり始めたことがあります

that even the poorest in China would want a smartphone,

それは 中国では 底辺所得者層の人々もが スマホを欲しいと考えていて

and that they would do almost anything to get their hands on one.

一台手に入れるためなら ほぼ何でもするということです

You have to keep in mind,

思い出してください

iPhones had just come out, it was 2009,

iPhoneが出たての2009年 つまり

so this was, like, eight years ago,

約８年前

and Androids had just started looking like iPhones.

iPhoneのような見た目の アンドロイド携帯も登場しました

And a lot of very smart and realistic people said,

賢くて 現実的な人たちの 多くがこう言っていました

"Those smartphones -- that's just a fad.

「スマホなんて 一時の流行にすぎない

Who wants to carry around these heavy things

誰がこんな重いものを 持ち歩きたいと思うか？

where batteries drain quickly and they break every time you drop them?"

バッテリだってすぐに切れるし 一度落としたら故障するのに」

But I had a lot of data,

でも 私は多くのデータを元に

and I was very confident about my insights,

すごく自信を持って予見できました

so I was very excited to share them with Nokia.

ワクワクしながら その予見をノキアに知らせました

But Nokia was not convinced,

でも ノキアは懐疑的でした

because it wasn't big data.

それがビッグデータでは なかったからです

They said, "We have millions of data points,

「我々は何百万もの データポイントを持っている

and we don't see any indicators of anyone wanting to buy a smartphone,

けれど スマホを購入したいと 思う人の指標は見えないし

and your data set of 100, as diverse as it is, is too weak

たった100件の バラバラのデータでは弱すぎる

for us to even take seriously."

まともに取り上げるに値しない」と

And I said, "Nokia, you're right.

私は言いました 「御社のいう通りです

Of course you wouldn't see this,

スマートフォンがどういうものかを

because you're sending out surveys assuming that people don't know

人が知らないという前提で 調査していれば

what a smartphone is,

当然 見えないでしょうね

so of course you're not going to get any data back

だから当然 これから２年間で スマホの購入を希望する人についての

about people wanting to buy a smartphone in two years.

データを手にすることはありません

Your surveys, your methods have been designed

御社の調査と手法は 既存のビジネスモデルを

to optimize an existing business model,

最適化するためのデザインですが

and I'm looking at these emergent human dynamics

私が見ている人間の動態は これから出てくるもので

that haven't happened yet.

まだ起きていない事象なんです

We're looking outside of market dynamics

私たちは市場力学の外側を見て

so that we can get ahead of it."

その先を行けるよう 努めています」と

Well, you know what happened to Nokia?

そして ノキアの結末は ご存知の通りです

Their business fell off a cliff.

業績は崖から落ちるように下がりました

This -- this is the cost of missing something.

これは 大切なものを 見落としたことの代償です

It was unfathomable.

それは計り知れないものでした

But Nokia's not alone.

でもノキアだけではありませんでした

I see organizations throwing out data all the time

様々な組織が いつもデータを 廃棄するのを見て来ました

because it didn't come from a quant model

理由は 定量モデルから 出たものではないとか

or it doesn't fit in one.

合致するモデルが ないというものでした

But it's not big data's fault.

でもそれはビッグデータのせいではありません

It's the way we use big data; it's our responsibility.

ビッグデータを 私たちがどう扱うかであり 私たちの責任です

Big data's reputation for success

ビッグデータを使用した成功例は

comes from quantifying very specific environments,

ごく限定された環境の定量化に 基づいたものであり

like electricity power grids or delivery logistics or genetic code,

送電網や物流システムや 遺伝子コードなど

when we're quantifying in systems that are more or less contained.

ほぼ閉じたシステムを 定量化した場合です

But not all systems are as neatly contained.

でも 全てのシステムが きちんと閉じている訳ではありません

When you're quantifying and systems are more dynamic,

より動的なシステムで 定量化を行う場合

especially systems that involve human beings,

特にシステムに 人間が関与している場合は

forces are complex and unpredictable,

影響を与える要素は複雑で 予想不可能になり

and these are things that we don't know how to model so well.

これらに関して うまくモデル化する術がありません

Once you predict something about human behavior,

人間の行動について 一旦何かを予想すると

new factors emerge,

新たなファクターが出現します

because conditions are constantly changing.

なぜなら 常に条件は変化するからです

That's why it's a never-ending cycle.

そのため 終わりのない循環となります

You think you know something,

何かを理解したと思ったら

and then something unknown enters the picture.

未知のものが 関与してきます

And that's why just relying on big data alone

だから ビッグデータに頼るだけでは

increases the chance that we'll miss something,

何かを見落とす可能性が高まる一方で

while giving us this illusion that we already know everything.

全てが分かっているかのような 幻想が生まれるのです

And what makes it really hard to see this paradox

このパラドックスに気付き 理解することが 非常に困難なのは

and even wrap our brains around it

is that we have this thing that I call the quantification bias,

私が 「定量化バイアス」と呼ぶ 状況があるからです

which is the unconscious belief of valuing the measurable

それは 測定可能なものを 測定不可能なものよりも重視するという

over the immeasurable.

無意識の信念です

And we often experience this at our work.

そして これは 私たちの仕事において ありがちな経験です

Maybe we work alongside colleagues who are like this,

多分 私たちは このような同僚の傍で働いているか

or even our whole entire company may be like this,

会社全体がこのような状態 なのかもしれません

where people become so fixated on that number,

そこでは人が数字に固執していて

that they can't see anything outside of it,

目の前に証拠を突きつけられても

even when you present them evidence right in front of their face.

それ以外のものを見ることができないのです

And this is a very appealing message,

定量化が とても訴えかけるメッセージなのは

because there's nothing wrong with quantifying;

なぜなら そこに何ら間違いはなく

it's actually very satisfying.

実際 とても満足のいくことだからです

I get a great sense of comfort from looking at an Excel spreadsheet,

ごく単純なエクセルの スプレッドシートを見ても

even very simple ones.

私はとても心地よさを感じます

(Laughter)

（笑）

It's just kind of like,

ちょうどこんな感じです

"Yes! The formula worked. It's all OK. Everything is under control."

「そう！数式がうまく働いたから大丈夫 全てうまくいっている」

But the problem is

でも問題なのは

that quantifying is addictive.

定量化には依存性があることです

And when we forget that

そのことを忘れて

and when we don't have something to kind of keep that in check,

その確認を常に促す 何かを備えていなければ

it's very easy to just throw out data

数値で示せないからという理由で

because it can't be expressed as a numerical value.

データを棄ててしまいがちです

It's very easy just to slip into silver-bullet thinking,

あたかも 簡単な解決策が存在するかのような

as if some simple solution existed.

特効薬的な思考に陥るのは 非常に簡単なことです

Because this is a great moment of danger for any organization,

これはどんな組織にとっても 危険な瞬間です

because oftentimes, the future we need to predict --

しばしば 私たちが 予測しなければならない未来は

it isn't in that haystack,

干し草の山の中ではなく

but it's that tornado that's bearing down on us

納屋の外で迫ってくる

outside of the barn.

竜巻そのものなのです

There is no greater risk

未知のものが見えないことほど

than being blind to the unknown.

大きなリスクはありません

It can cause you to make the wrong decisions.

間違った結論に至りかねません

It can cause you to miss something big.

大きなものを見落とす結果になりかねません

But we don't have to go down this path.

でも この道を進まなくても良いのです

It turns out that the oracle of ancient Greece

古代ギリシアの神託が 行く末を私たちに示す

holds the secret key that shows us the path forward.

秘密の鍵を握っていることが分かりました

Now, recent geological research has shown

さて 最近の地質調査によると

that the Temple of Apollo, where the most famous oracle sat,

もっとも有名な巫女が神託をもたらした アポロの神殿は

was actually built over two earthquake faults.

なんと ２つの地震断層の上に 建造されているのです

And these faults would release these petrochemical fumes

そして これらの断層は地殻の下から

from underneath the Earth's crust,

原油由来の蒸気を放出し

and the oracle literally sat right above these faults,

巫女は文字通り この断層の真上に座して

inhaling enormous amounts of ethylene gas, these fissures.

亀裂から放出された 大量のエチレンガスを吸い込んでいました

(Laughter)

It's true.

（笑）

実話ですよ

(Laughter)

（笑）

It's all true, and that's what made her babble and hallucinate

実話であり このため巫女は 大声でわめきながら 幻覚を見て

and go into this trance-like state.

トランス状態になったのです

She was high as a kite!

彼女は凧のように舞い上がりました

(Laughter)

（笑）

So how did anyone --

どうしたら —

How did anyone get any useful advice out of her

このような状態にある彼女から 有益な助言を

in this state?

受けることができたでしょうか？

Well, you see those people surrounding the oracle?

巫女を取り囲む人たちを見てください

You see those people holding her up,

人々が彼女を抱え上げています

because she's, like, a little woozy?

彼女は少しふらついていますよね？

And you see that guy on your left-hand side

そして左手の男性が 見えますが

holding the orange notebook?

彼はオレンジ色の手帳を持っていますよね？

Well, those were the temple guides,

彼らは 介添え人であり

and they worked hand in hand with the oracle.

巫女と連携して働いていました

When inquisitors would come and get on their knees,

質問者がきて 跪くと

that's when the temple guides would get to work,

寺院の介添え人たちが 仕事に就く時です

because after they asked her questions,

彼らが巫女に質問した後

they would observe their emotional state,

彼らの感情的な状態を見て

and then they would ask them follow-up questions,

補足的な質問をします

like, "Why do you want to know this prophecy? Who are you?

例えば 「なぜこの予言が知りたいのか？ あなたは何者か？

What are you going to do with this information?"

この情報で 何をするつもりか？」 などなど

And then the temple guides would take this more ethnographic,

介添え人たちは この答えを追加の民俗学的で

this more qualitative information,

定性的な情報として加味して

and interpret the oracle's babblings.

巫女のつぶやきを神託として 解釈しました

So the oracle didn't stand alone,

巫女が単独で神託を下したのではありません

and neither should our big data systems.

私たちのビッグデータもそうあるべきです

Now to be clear,

さて 誤解のないよう

I'm not saying that big data systems are huffing ethylene gas,

私は ビッグデータのシステムが エチレン酔いだなどとは言いません

or that they're even giving invalid predictions.

全てが根拠のない予想だと 言うつもりもありません

The total opposite.

その全く反対です

But what I am saying

でも私が言っているのは

is that in the same way that the oracle needed her temple guides,

神託を告げる巫女が 寺院の介添え人を必要とするのと同じく

our big data systems need them, too.

ビッグデータにも 介添え人が必要だということです

They need people like ethnographers and user researchers

私が「シックデータ（濃密データ）」と呼ぶ ものを収集できる ―

who can gather what I call thick data.

民俗学者やユーザーリサーチャーのような人が 必要です

This is precious data from humans,

これは 物語、感情、人間関係などの

like stories, emotions and interactions that cannot be quantified.

人間に由来し 定量化できない 貴重なデータです

It's the kind of data that I collected for Nokia

私がノキアのために収集した データの類であり

that comes in in the form of a very small sample size,

ごく小さなサンプルサイズという形で 手に入るデータですが

but delivers incredible depth of meaning.

信じられないくらい 深い意味を持っています

And what makes it so thick and meaty

濃密さと示唆に富んだデータを生むのは

is the experience of understanding the human narrative.

人間の語りを理解する経験です

And that's what helps to see what's missing in our models.

そしてそれこそが 現行モデルの中の 見落としを見つける助けとなります

Thick data grounds our business questions in human questions,

シックデータはビジネス上の問いを 人間の問いに基づいたものとなし

and that's why integrating big and thick data

だからこそ ビッグデータとシックデータを 統合することで

forms a more complete picture.

正しい全体像に近づきます

Big data is able to offer insights at scale

ビッグデータが大規模な洞察をもたらし

and leverage the best of machine intelligence,

機械知能を最大限活用できる一方で

whereas thick data can help us rescue the context loss

シックデータは ビッグデータを使えるようにした時に

that comes from making big data usable,

失われた文脈を取り戻して

and leverage the best of human intelligence.

人的知能を最大限に活用するのに 役立ちます

And when you actually integrate the two, that's when things get really fun,

この２つを実際に統合すると 本当に面白くなります

because then you're no longer just working with data

なぜなら 単に自分の収集した データを扱う以上のことが

you've already collected.

できるからです

You get to also work with data that hasn't been collected.

未収集のデータを扱うことも できるようになるのです

You get to ask questions about why:

なぜこんなことが起こるのかと

Why is this happening?

原因を問えるようになります

Now, when Netflix did this,

さて Netflixはこれを実現し

they unlocked a whole new way to transform their business.

ビジネスを変容させる 全く新しい道を開拓しました

Netflix is known for their really great recommendation algorithm,

Netflixは 非常に優れた 推薦アルゴリズムで知られていて

and they had this $1 million prize for anyone who could improve it.

そのアルゴリズムを改良した者に 百万ドルの賞金を出しました

And there were winners.

賞金を獲得した人もいました

But Netflix discovered the improvements were only incremental.

でも Netflixは 全ての改良は 漸増の過程であると気づきました

So to really find out what was going on,

そこで 何が起こっているかを見極めるため

they hired an ethnographer, Grant McCracken,

Netflixは 民俗学者の グラント・マクラッケンを雇って

to gather thick data insights.

シックデータによる洞察を まとめさせました

And what he discovered was something that they hadn't seen initially

彼が見つけたものは 最初は定量的なデータの中には

in the quantitative data.

見えていなかったものでした

He discovered that people loved to binge-watch.

彼は 一気（イッキ）見が好まれること を発見したのです

In fact, people didn't even feel guilty about it.

実際 何ら罪悪感を感じることもなく

They enjoyed it.

楽しまれていました

(Laughter)

（笑）

So Netflix was like, "Oh. This is a new insight."

Netflixは「おや これは新しい洞察だ」 みたいな感じでした

So they went to their data science team,

そこで データサイエンスの部署を使って

and they were able to scale this big data insight

このシックデータの洞察を スケールアップさせ

in with their quantitative data.

定量的なデータと突き合わせました

And once they verified it and validated it,

彼らが一旦それをテストし効果を確かめると

Netflix decided to do something very simple but impactful.

Netflixは とても単純ながらも インパクトのある決定をしました

They said, instead of offering the same show from different genres

ある番組を色々なジャンルから 提案するのをやめる

or more of the different shows from similar users,

また 似たユーザーの観た別の番組を 提案するのもやめて その代わり

we'll just offer more of the same show.

ただ同じ番組を どんどん見せて行こうというのです

We'll make it easier for you to binge-watch.

「一気見」をしやすくしようと 言ったのです

And they didn't stop there.

そこで 更に

They did all these things

視聴経験全体をデザインし直すため

to redesign their entire viewer experience,

あらゆる手段を尽くして

to really encourage binge-watching.

「一気見」を強く勧めたのです

It's why people and friends disappear for whole weekends at a time,

そのため『マスター・オブ・ゼロ』などの 見逃し配信があると

catching up on shows like "Master of None."

週末丸ごと 友人も人々も一斉に姿を消しました

By integrating big data and thick data, they not only improved their business,

ビッグデータとシックデータを統合して Netflixは自社の業績改善をしただけでなく

but they transformed how we consume media.

ユーザーのメディア消費方法をも 変貌させたのです

And now their stocks are projected to double in the next few years.

そして今や Netflixの株価は 数年以内に倍増が予想されています

But this isn't just about watching more videos

でもこれは 動画の視聴数やスマホ販売数が

or selling more smartphones.

増えるというだけではありません

For some, integrating thick data insights into the algorithm

濃いデータの洞察をアルゴリズムに組み込む ということは 人によっては

could mean life or death,

特に 社会の周縁に追いやられた者にとっては

especially for the marginalized.

生死を分ける結果になりかねません

All around the country, police departments are using big data

国中で 警察がビッグデータを

for predictive policing,

予測による取り締まりに利用し

to set bond amounts and sentencing recommendations

保釈金額や処罰勧告の設定を

in ways that reinforce existing biases.

既存のバイアスを増長するようなやり方で 行なっています

NSA's Skynet machine learning algorithm

NSAのSkynet機器の学習アルゴリズムは

has possibly aided in the deaths of thousands of civilians in Pakistan

モバイル端末のメタデータの読み誤りから

from misreading cellular device metadata.

何千人ものパキスタン市民の死を もたらした可能性があります

As all of our lives become more automated,

私たち生活全般が自動化するにつれ

from automobiles to health insurance or to employment,

自動車から健康保険や雇用まで

it is likely that all of us

私たちは皆 定量化バイアスに

will be impacted by the quantification bias.

影響を受ける可能性が大です

Now, the good news is that we've come a long way

さて 良い知らせは 予測をするのに

from huffing ethylene gas to make predictions.

エチレンガスの吸入から ずいぶん遠くまで来たことです

We have better tools, so let's just use them better.

ツールがより良くなったので より良く使いましょう

Let's integrate the big data with the thick data.

ビッグデータを シックデータと統合しましょう

Let's bring our temple guides with the oracles,

「オラクル」を補助する 介添え人を呼んで来ましょう

and whether this work happens in companies or nonprofits

企業であれ 非利益団体であれ 行政であれ ソフトウェアであれ

or government or even in the software,

このシステムがどこで作動するにせよ

all of it matters,

全てが重要です

because that means we're collectively committed

なぜなら こうすることの意味は 私たちが力を合わせて全力で

to making better data,

より良いデータ、より良いアルゴリズム より良い計算結果、より良い意思決定を

better algorithms, better outputs

and better decisions.

目指すことだからです

This is how we'll avoid missing that something.

こうすることで 私たちは大切なことを 見落とさずに済むでしょう

(Applause)

（拍手）