The human insights missing from big data | Tricia Wang

번역: Eunkyung Lee 검토: Jihyeon J. Kim

In ancient Greece,

고대 그리스에서는

when anyone from slaves to soldiers, poets and politicians,

노예부터 군인까지, 시인과 정치인 모두 다

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

인생의 가장 중요한 질문들에 대해 큰 결정을 내려야 했어요.

like, "Should I get married?"

예를 들어, "결혼을 해야 할까?"

or "Should we embark on this voyage?"

"항해를 떠나야 할까?"

or "Should our army advance into this territory?"

"이 지역까지 군대를 확장시켜야 할까?" 같은 질문들이죠.

they all consulted the oracle.

그들은 모두 오라클과 상의했어요.

So this is how it worked:

이것이 그 과정입니다.

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

당신은 그녀에게 질문을 가져와요. 그리고 무릎을 꿇습니다.

and then she would go into this trance.

그러면 그녀는 가수상태에 빠집니다.

It would take a couple of days,

이틀 정도 걸려요.

and then eventually she would come out of it,

그리고 마침내 그녀는 가수상태에서 깨어나고

giving you her predictions as your answer.

당신의 질문에 대한 예언을 합니다.

From the oracle bones of ancient China

고대 중국의 신탁 뼈부터

to ancient Greece to Mayan calendars,

고대 그리스, 마야 달력까지

people have craved for prophecy

사람들은 예언을 갈망해 왔어요.

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

후에 무슨 일이 일어날지 알아내기 위해서 였죠.

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

이것은 우리 모두가 옳은 선택을 하고 싶어하기 때문입니다.

We don't want to miss something.

우리는 어떤 것도 놓치고 싶어하지 않아요.

The future is scary,

미래는 무서워요.

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

그래서 결과에 대한 확신을 가지고

with some assurance of the outcome.

결정을 내릴 수 있다면 훨씬 좋겠지요.

Well, we have a new oracle,

우리에겐 새로운 오라클이 있어요.

and it's name is big data,

빅 데이터라고 불리죠.

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

"왓슨" "딥 러닝" 아니면 "뉴럴네트"라고 부르기도 해요.

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

그리고 우리는 이 오라클에게 이런 질문들을 합니다.

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

"이 핸드폰들을 중국에서 스웨덴까지 배송하기 위한 가장 효율적인 방법은

from China to Sweden?"

무엇일까?"

Or, "What are the odds

아니면, "내 아이가 유전질환을

of my child being born with a genetic disorder?"

가지고 태어날 확률은 얼마나 될까?"

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

아니면, "이 상품이 얼마나 많은 매상을 올릴 수 있을까?"

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

저는 강아지 한마리를 키워요. 이름은 엘이구요. 비를 싫어해요.

And I have tried everything to untrain her.

이것을 위해 모든 노력을 해보았어요.

But because I have failed at this,

그러나 저는 그것에 실패했기 때문에

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

산책을 나갈 때마다, 다크 스카이라고 불리우는

every time before we go on a walk,

오라클과 상의해야 합니다.

for very accurate weather predictions in the next 10 minutes.

앞으로 10분 간의 정확한 날씨예보를 얻기 위해서지요.

She's so sweet.

정말 귀여워요.

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

이런 점들 때문에,이 오라클은 1220억 달러 산업입니다.

Now, despite the size of this industry,

이런 규모의 산업에도 불구하고

the returns are surprisingly low.

수익은 놀랍게도 적어요.

Investing in big data is easy,

빅 데이터에 투자하는 것은 쉬워요.

but using it is hard.

그러나 이용하는 것은 어렵습니다.

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

73% 이상의 빅 데이터 프로젝트들이 이윤 조차도 못 남기고 있어요.

and I have executives coming up to me saying,

그리고 경영진들은 제게 이렇게 이야기 하죠.

"We're experiencing the same thing.

"우리도 같은 경험을 하고 있어요.

We invested in some big data system,

빅 데이터 시스템에 투자했는데

and our employees aren't making better decisions.

우리 직원들은 더 나은 결정들을 내리지 못하고 있어요.

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

그리고 획기적인 아이디어도 확실히 못 떠올리고 있고요."

So this is all really interesting to me,

제게는 이 모든 것들이 정말 흥미로웠어요.

because I'm a technology ethnographer.

왜냐하면 저는 기술 민족지학자이기 때문입니다.

I study and I advise companies

저는 사람들이 기술을 어떻게 이용하는지에 대한

on the patterns of how people use technology,

패턴을 연구하고 기업들에게 조언합니다.

and one of my interest areas is data.

그리고 저의 관심분야 중 하나가 데이터입니다.

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

그러면 왜 더 많은 데이터가 더 나은 결정에 도움이 되지 않을까요?

especially for companies who have all these resources

특히, 빅 데이터 시스템에 투자할 수 있는

to invest in these big data systems?

모든 자료가 있는 기업들 까지도요.

Why isn't it getting any easier for them?

왜 그들의 결정이 쉬워지지 않는 것일까요?

So, I've witnessed the struggle firsthand.

저는 그 어려움을 직접 목격했습니다.

In 2009, I started a research position with Nokia.

2009년, 저는 노키아에서 연구원으로 일하기 시작했어요.

And at the time,

그리고 그 때

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

노키아는 세계에서 가장 큰 핸드폰 회사 중 하나였어요.

dominating emerging markets like China, Mexico and India --

중국, 멕시코, 인도 같이 신흥 시장을 장악하고 있었고

all places where I had done a lot of research

저는 그 곳들에서 저임금 사람들이 어떻게

on how low-income people use technology.

기술을 이용하는지에 대한 많은 연구를 해왔어요.

And I spent a lot of extra time in China

그리고 저는 많은 시간을

getting to know the informal economy.

비공식적인 경제에 대해 알기 위해 중국에서 보냈어요.

So I did things like working as a street vendor

그래서 저는 길거리 노점상인이 되어보기도 하고

selling dumplings to construction workers.

건설 노동자들에게 만두를 팔아보기도 했어요.

Or I did fieldwork,

아니면 현장조사를 했지요.

spending nights and days in internet cafés,

피씨방에서 하루종일

hanging out with Chinese youth, so I could understand

중국 청년들과 지내며

how they were using games and mobile phones

그들이 어떻게 게임과 핸드폰을 사용하는지

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

시골과 도시간이 어떻게 사용하는지도 이해할 수 있었습니다.

Through all of this qualitative evidence that I was gathering,

이렇게 제가 수집한 질적인 증거들을 통해서

I was starting to see so clearly

중국의 저임금 사람들 사이에서 큰 변화가 생겨날 것임이

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

아주 명확하게 보이기 시작했어요.

Even though they were surrounded by advertisements for luxury products

비록 그들은 고급 상품 광고물에 둘러싸여 있었지만

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

고급 화장지 같은 상품이요. 누가 싫어하나요?

and apartments and cars,

그리고 아파트, 차

through my conversations with them,

그들와 함께 한 대화를 통해서

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

저는 이러한 광고들 중에서 실제로 가장 많이 유혹한 상품은

were the ones for iPhones,

첨단 기술의 삶을 약속하는

promising them this entry into this high-tech life.

아이폰이라는 것을 알게 되었어요.

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

그리고 이런 도시 빈민가에서 그들과 함께 살고있을 때 조차도

I saw people investing over half of their monthly income

그들의 월급의 반 이상을 핸드폰 구매에 투자한다는 것도

into buying a phone,

목격했습니다.

and increasingly, they were "shanzhai,"

그리고 이것들은 "산자이" 인데요.

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

아이폰과 다른 브랜드들의 값 싼 모조품입니다.

They're very usable.

사용가능 합니다.

Does the job.

핸드폰의 기능을 합니다.

And after years of living with migrants and working with them

그리고 몇년 동안 이민자들과 함께 살고, 일하고

and just really doing everything that they were doing,

그들이 하는 모든 것을 함께 하면서

I started piecing all these data points together --

저는 조각 조각의 데이터를 하나로 모으기 시작했어요.

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

제가 만두를 팔게 되는 랜덤적인 일부터

to the things that were more obvious,

그들이 핸드폰 요금으로 얼마나 지출하는지와 같은

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

명확한 일까지요.

And I was able to create this much more holistic picture

저는 일어나고 있는 일의 전체적인 그림을

of what was happening.

만들어 낼 수 있었습니다.

And that's when I started to realize

그리고 이때 저는 깨달았죠.

that even the poorest in China would want a smartphone,

중국의 제일 가난한 사람조차도 스마트 폰을 원한다는 것을요.

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

그들은 스마트 폰을 손에 넣기 위해 무슨 일이든 할 것임을요.

You have to keep in mind,

여러분들이 명심하셔야 할 것이

iPhones had just come out, it was 2009,

아이폰이 막 출시가 되었을 때가 2009년이었습니다.

so this was, like, eight years ago,

그러니까 한 8년 전의 일이네요.

and Androids had just started looking like iPhones.

안드로이드가 막 아이폰과 같은 형태로 출시되기 시작했습니다.

And a lot of very smart and realistic people said,

많은 영리하고 현실적인 사람들이 말했어요.

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

"이런 스마트 폰들은 그냥 일시적인 유행일 뿐입니다.

Who wants to carry around these heavy things

이렇게 무거운 것을 누가 들고 다니고 싶어할까요?

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

배터리도 금방 닳고, 떨어뜨리면 부서지는데요."

But I had a lot of data,

그러나 저에게는 많은 데이터가 있었습니다.

and I was very confident about my insights,

그리고 저는 통찰력에 굉장히 자신감이 있었습니다.

so I was very excited to share them with Nokia.

그래서 이 데이터를 노키아와 공유하는 것이 정말 흥분되는 일이었죠.

But Nokia was not convinced,

그러나 노키아는 확신하지 않았어요.

because it wasn't big data.

왜냐하면 이것은 빅 데이터가 아니였기 때문이지요.

They said, "We have millions of data points,

그들이 말하길, "우리에게는 수백만개의 데이터가 있는데

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

사람들이 스마트 폰을 원한다는 지표는 어디서든 찾아 볼 수가 없습니다.

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

그리고 당신의 100개의 데이터 셋이 다양하긴 하지만, 우리가 받아들이기엔

for us to even take seriously."

너무 약합니다."

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

저는 말했죠. "노키아, 당신 말이 맞아요.

Of course you wouldn't see this,

물론 당신은 이것을 볼 수 없겠죠.

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

왜냐하면 당신은 사람들이 스마트 폰에 대해 모른다는 가정하에

what a smartphone is,

설문조사를 하고 있으니까요.

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

그러니까 당연히 당신들은 사람들이 2년 내로 스마트 폰을

about people wanting to buy a smartphone in two years.

사고 싶어한다는 데이터를 얻을 수가 없는 거예요.

Your surveys, your methods have been designed

당신의 설문조사와 방법은

to optimize an existing business model,

현재의 비지니스 모델을 확장시키기 위해 디자인되어 있어요.

and I'm looking at these emergent human dynamics

그리고 저는 아직 일어나지 않은

that haven't happened yet.

새로운 인간 역학을 보고 있고요.

We're looking outside of market dynamics

저희는 시장을 앞서나가기 위해

so that we can get ahead of it."

시장 밖을 내다보고 있습니다."

Well, you know what happened to Nokia?

여러분은 노키아가 어떻게 되었는지 잘 아시죠?

Their business fell off a cliff.

그들의 사업은 절벽으로 떨어졌습니다.

This -- this is the cost of missing something.

이것이 무언가를 놓친 것의 대가입니다.

It was unfathomable.

불가해한 일입니다.

But Nokia's not alone.

그러나 노키아 뿐만이 아닙니다.

I see organizations throwing out data all the time

기관들은 항상 데이터를 버려요.

because it didn't come from a quant model

왜냐하면 그 데이터들은 정량적인 모델로 수집되지 않았기 때문이지요.

or it doesn't fit in one.

아니면 그 모델에 들어맞지 않든가요.

But it's not big data's fault.

그러나 이것은 빅 데이터의 잘못이 아니예요.

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

빅 데이터 사용 방법이 문제입니다. 우리의 책임이지요.

Big data's reputation for success

빅 데이터의 성공은

comes from quantifying very specific environments,

아주 세분화된 영역을 수량화 시키는 데에서 옵니다.

like electricity power grids or delivery logistics or genetic code,

예를 들어 전력망이나, 배달물류, 유전암호 같이

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

변화가 별로없는 체계를 수량화 시킬 때이지요.

But not all systems are as neatly contained.

그러나 모든 체계가 안정적이지는 않아요.

When you're quantifying and systems are more dynamic,

더욱 유동적인 체계를 수량화시킬 때

especially systems that involve human beings,

특히 인간과 관련한 체계를 수량화시킬 때

forces are complex and unpredictable,

값은 복잡하고, 예측하기 어렵죠.

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

그리고 이것들이 우리가 어떻게 모델화 시켜야 할지 잘 모르는 부분입니다.

Once you predict something about human behavior,

인간 행동에 대해 예측을 하면

new factors emerge,

다른 요소들이 생겨나요.

because conditions are constantly changing.

왜냐하면 상황이 계속 변화하기 때문이죠.

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

그래서 이것은 끝나지 않는 순환이에요.

You think you know something,

당신은 무언가를 알고 있다고 생각합니다.

and then something unknown enters the picture.

그리고, 알려지지 않은 무언가가 등장합니다.

And that's why just relying on big data alone

그렇기 때문에 빅 데이터에만 의존하는 것은

increases the chance that we'll miss something,

우리가 모든 것을 다 알고 있다는 망상에 빠져있을 동안

while giving us this illusion that we already know everything.

무언가를 놓칠 확률을 높여줍니다.

And what makes it really hard to see this paradox

이런 역설을 보기 힘들게 하고

and even wrap our brains around it

이해하기 조차도 어렵게 하는 이유는

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

우리는 수량화의 편견이라고 불리우는

which is the unconscious belief of valuing the measurable

수량화 할 수 있는 것이 수량화 할 수 없는 것보다

더 귀중하다는 무의식적인 믿음을 가지고 있기 때문이에요.

over the immeasurable.

And we often experience this at our work.

그리고 이것을 우리는 종종 일터에서 경험합니다.

Maybe we work alongside colleagues who are like this,

우리는 이런 믿음을 가진 동료와 일하고 있을 수도 있어요.

or even our whole entire company may be like this,

아니면 회사 전체가 이런 믿음을 가지고 있어서

where people become so fixated on that number,

사람들이 숫자에 집착하게 되고

that they can't see anything outside of it,

심지어 증거물들을 코 앞에 제시해 주어도

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

숫자 이외의 것은 볼 수 없게 되죠.

And this is a very appealing message,

이것은 정말 흥미로운 메세지입니다.

because there's nothing wrong with quantifying;

왜냐하면 수량화하는 것이 옳지 않은 것은 아니예요.

it's actually very satisfying.

사실 굉장히 뿌듯하죠.

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

저도 엑셀 스프레드 시트를 보면, 심지어 아주 간단한 것들만 보아도

even very simple ones.

굉장히 뿌듯해요.

(Laughter)

(웃음)

It's just kind of like,

이런 종류의 뿌듯함이죠.

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

"와! 공식이 잘 세워졌다. 다 괜찮아. 모든 것이 잘 관리되고 있어."

But the problem is

그러나 문제는

that quantifying is addictive.

수량화하는 것은 중독성이 있어요.

And when we forget that

그리고 우리가 그것을 잊어버리고

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

계속 체크할 거리가 없어지면

it's very easy to just throw out data

그 데이터들을 그냥 버려지기 쉬워요.

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

왜냐하면 숫자로 표현될 수가 없으니까요.

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

마치 아주 간단한 해결책이 존재했던것 처럼

as if some simple solution existed.

이것이 묘책이라고 생각하기 쉬워요.

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

왜냐하면 이것이 기관에게는 아주 위험한 순간이기 때문이고

because oftentimes, the future we need to predict --

종종 우리가 예언해야 할 미래는

it isn't in that haystack,

건초더미에 있지 않기 때문이죠.

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

이것은 우리를 향해 외양간 밖에서 돌진하는

outside of the barn.

토네이도입니다.

There is no greater risk

알려지지 않은 것들이 있음을 깨닫지 못하는 것보다

than being blind to the unknown.

더 큰 위험은 없어요.

It can cause you to make the wrong decisions.

잘못된 결정을 하게 만들죠.

It can cause you to miss something big.

아주 큰 무언가를 놓치게 만들죠.

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

그러나 우리가 똑같이 하지 않아도 돼요.

It turns out that the oracle of ancient Greece

고대 그리스의 오라클에게

holds the secret key that shows us the path forward.

미래를 보여주는 비밀 열쇠가 있습니다.

Now, recent geological research has shown

최근 지리연구에 의하면

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

가장 유명한 오라클이 있는 아폴로 신전이

was actually built over two earthquake faults.

사실 두번의 지진단층을 겪으며 세워졌다고 합니다.

And these faults would release these petrochemical fumes

그리고 이런 단층은 지각 밑에서 부터

from underneath the Earth's crust,

석유화학 가스를 방출합니다.

and the oracle literally sat right above these faults,

그리고 오라클은 말그대로 이 단층 바로 위에 모셔져 있었어요.

inhaling enormous amounts of ethylene gas, these fissures.

아주 많은 양의 에틸렌 가스를 흡입하면서요.

(Laughter)

(웃음)

It's true.

사실이예요.

(Laughter)

(웃음)

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

다 사실이에요. 그래서 그녀는 횡설수설하며, 환각을 느낄 수 있었고

and go into this trance-like state.

가수상태와 비슷한 상태에 빠질 수 있었습니다.

She was high as a kite!

그녀는 완전히 취해있었어요!

(Laughter)

(웃음)

So how did anyone --

그려면 어떻게

How did anyone get any useful advice out of her

어떻게 이런 상태에서 유용한 조언을

in this state?

받을 수가 있었을까요?

Well, you see those people surrounding the oracle?

오라클 주변을 둘러싼 이 사람들 보이시나요?

You see those people holding her up,

이 사람들이 그녀를 붙잡고 있어요.

because she's, like, a little woozy?

그녀의 머리가 조금 띵해서 일까요?

And you see that guy on your left-hand side

그리고 왼쪽의 남자가 보이죠.

holding the orange notebook?

오렌지 색의 공책을 들고 있어요.

Well, those were the temple guides,

이것은 신전 가이드 입니다.

and they worked hand in hand with the oracle.

그리고 이들은 오라클과 손 잡고 일했어요.

When inquisitors would come and get on their knees,

질문자들이 와서 무릎을 꿇으면

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

그때가 신전 가이드가 필요한 떄 입니다.

because after they asked her questions,

왜냐하면 그녀에게 질문을 한 후

they would observe their emotional state,

그들은 이 질문자의 감정상태를 관찰합니다.

and then they would ask them follow-up questions,

그리고 이런 후속 질문을 합니다.

"왜 이 예언을 알고싶어 하십니까? 당신은 누구십니까?

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

What are you going to do with this information?"

이 정보로 무엇을 할 것입니까?"

And then the temple guides would take this more ethnographic,

그리고 신전 가이드는 이런 민족지적인

this more qualitative information,

더 질적인 정보를 담게 되고

and interpret the oracle's babblings.

오라클의 횡설수설한 대답을 해석해 줍니다.

So the oracle didn't stand alone,

그래서 오라클은 혼자 하지 않았어요.

and neither should our big data systems.

그리고 우리의 빅 데이터 시스템도 홀로 있으면 안돼요.

Now to be clear,

분명하게 이야기 하자면

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

저는 빅 데이터 시스템이 에틸렌 가스를 흡입하고 있다고 말하는 것이 아닙니다.

or that they're even giving invalid predictions.

무효한 예견을 한다고 말하는 것도 아니고요.

The total opposite.

아주 반대예요.

But what I am saying

제가 이야기 하고자 하는 것은

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

오라클이 신전 가이드가 필요했던 것과 같이

our big data systems need them, too.

우리의 빅 데이터 시스템도 그런 가이드가 필요하다는 것입니다.

They need people like ethnographers and user researchers

빅 데이터 시스템은 민족지학자나 이용자 연구원과 같이

who can gather what I call thick data.

심층적 데이터를 수집할 수 있는 사람이 필요합니다.

This is precious data from humans,

이것은 사람에게서 나오는 소중한 데이터 인데요.

like stories, emotions and interactions that cannot be quantified.

이야기, 감정 그리고 의사소통과 같이 수량화 될 수 없는 것들이죠.

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

그것이 제가 노키아를 위해 수집했던 데이터입니다.

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

아주 작은 표본에서 수집 되었지만

but delivers incredible depth of meaning.

엄청난 깊이의 의미를 전달하죠.

And what makes it so thick and meaty

그리고 이 데이터를 아주 심층적이고 알차게 만드는 것은

is the experience of understanding the human narrative.

인간 이야기를 이해하는 경험입니다.

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

그것이 우리 모델에서 빠진 부분을 볼 수 있게 도와줍니다.

Thick data grounds our business questions in human questions,

심층적 데이터는 사업적인 질문에게 인간적인 질문을 부여합니다.

and that's why integrating big and thick data

그래서 빅 테이터와 심층적 데이터의 통합이

forms a more complete picture.

완벽한 그림을 그려냅니다.

Big data is able to offer insights at scale

빅 데이터는 통찰력을 척도로 제공할 수 있으며

and leverage the best of machine intelligence,

기계 지능을 최대로 이용할 수 있습니다.

whereas thick data can help us rescue the context loss

반면 심층적 데이터는 빅 데이터를 사용할 수 있게 함으로 생기는

that comes from making big data usable,

문맥적 손실을 줄이는데 도움을 줘서

and leverage the best of human intelligence.

인간 지능을 최대로 이용할 수 있게 해줍니다.

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

실제로 이 두 데이터를 통합할 때 굉장히 흥미로워집니다.

because then you're no longer just working with data

왜냐하면 그때는 수집한 데이터만 가지고

you've already collected.

일을 하는 것이 아니고

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

수집하지 않은 데이터까지 함께 가지고 일을 하게 되는 것이기 때문입니다.

You get to ask questions about why:

'왜' 라는 질문을 하게 되지요.

Why is this happening?

왜 이것이 일어나는 것일까?

Now, when Netflix did this,

넷플릭스가 이것을 했을 때

they unlocked a whole new way to transform their business.

그들은 그들의 사업을 변화시킬 새로운 길을 열었어요.

Netflix is known for their really great recommendation algorithm,

넷플릭스는 아주 훌륭한 추천 알고리즘이 있는 것으로 알려져 있는데요.

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

그들은 이 알고리즘을 향상시키는데에 백만 달러의 상금을 걸었습니다.

And there were winners.

그리고 우승자가 있었습니다.

But Netflix discovered the improvements were only incremental.

그러나 넥플릭스는 이런 향상이 오직 양적인 증가임을 발견했고

So to really find out what was going on,

정말 무엇이 일어나고 있는지 알아내기 위해

they hired an ethnographer, Grant McCracken,

민족지학자인 그랜트 맥크래켄을 고용하여

to gather thick data insights.

심층적 데이터를 수집했어요.

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

그리고 그는 그들이 수량화된 데이터에서 초기에 보지 못했던 점을

in the quantitative data.

발견하게 되었습니다.

He discovered that people loved to binge-watch.

그는 사람들이 몰아보기를 좋아한다는 것을 발견했어요.

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

사실, 사람들은 몰아보는 것에 죄책감을 느끼지도 않아요.

They enjoyed it.

그것을 즐깁니다.

(Laughter)

(웃음)

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

그래서 넷플릭스는 "오, 이것은 새로운 시각이다."

So they went to their data science team,

그래서 그들은 그들의 데이터 과학 팀에게 가서

and they were able to scale this big data insight

그들의 수량화된 데이터와 함께

in with their quantitative data.

빅 데이터를 측정 할 수 있었어요.

And once they verified it and validated it,

확인하고, 입증한 후에

Netflix decided to do something very simple but impactful.

넷플릭스는 아주 단순하면서도 영향력 있는 것을 하기로 결정했어요.

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

그들이 말하길, 다른 장르의 같은 쇼나

or more of the different shows from similar users,

비슷한 이용자에서의 다른 쇼들을 제공하는 것 대신에

we'll just offer more of the same show.

우리는 그냥 같은 쇼를 계속 제공할 것입니다.

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

우리는 당신이 더 쉽게 몰아보게 할 것입니다.

And they didn't stop there.

그리고 그들은 거기서 멈추지 않았어요.

They did all these things

그들은 모든 시청자들의 경험을 다시 디자인하기 위해,

to redesign their entire viewer experience,

몰아보기를 정말로 장려하기 위해

to really encourage binge-watching.

이 모든 것들을 하였습니다.

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

이것이 사람들과 친구들이 주말마다 가끔씩 사라지는 이유입니다.

catching up on shows like "Master of None."

"Master of None"과 같은 쇼를 몰아보기 때문이죠.

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

빅 데이터와 심층적 데이터를 통합함으로써, 사업을 개선시켰을 뿐만아니라

but they transformed how we consume media.

우리가 어떻게 미디어를 받아들이는지를 변화시켰어요.

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

지금 그 주식은 앞으로 몇년 안에 두 배가 뛸 것으로 예상하고 있어요.

But this isn't just about watching more videos

그러나 이것은 더 많은 비디오를 시청하고

or selling more smartphones.

더 많은 스마트 폰을 파는 것에 국한된 것이 아닙니다.

For some, integrating thick data insights into the algorithm

심층적 데이터를 알고리즘에 통합하는 것이

could mean life or death,

몇몇의 사람들에게는 삶이나 죽음을 의미할 수도 있어요.

especially for the marginalized.

특히 소외된 사람들에게 말이죠.

All around the country, police departments are using big data

모든 나라의 경찰서에서는 범죄예측을 위해

for predictive policing,

빅 데이터를 사용합니다.

to set bond amounts and sentencing recommendations

보석금과 판결 권고를

in ways that reinforce existing biases.

현존하는 편향을 보강하는 방향으로 설정합니다.

NSA's Skynet machine learning algorithm

NSA의 스카이넷 머신 러닝 알고리즘은

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

휴대폰 메타데이터를 잘못 읽어서

수천 명의 파키스탄 시민들을 죽게 했습니다

from misreading cellular device metadata.

As all of our lives become more automated,

우리 모든 삶이 자동차부터 의료보험, 직장까지

from automobiles to health insurance or to employment,

더욱 자동화가 되어가면서

it is likely that all of us

우리 모두

will be impacted by the quantification bias.

수량화의 편견으로부터 영향을 받게 될 것입니다.

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

좋은 소식은 우리는 에탈렌 가스흡입으로 예언을 하는 것에서 부터

from huffing ethylene gas to make predictions.

먼 길을 왔습니다.

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

우리에겐 더 좋은 도구들이 있어요. 그러니까 더 좋게 이용합시다.

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

빅 데이터를 심층적 데이터와 통합합시다.

Let's bring our temple guides with the oracles,

오라클과 함께 있던 신전 가이드를 가져옵시다.

and whether this work happens in companies or nonprofits

그리고 이런 일이 일어나는 곳이 기업이든, 비영리 기관이든,

or government or even in the software,

정부이든, 심지어 소프트웨어이든지

all of it matters,

모두 중요합니다.

because that means we're collectively committed

왜냐하면 이것은 우리가 다함께

to making better data,

더 나은 데이터

better algorithms, better outputs

더 나은 알고리즘, 더 나은 결과와

and better decisions.

더 나은 결정을 내리는 것에 전념하고 있음을 의미하기 때문이죠.

This is how we'll avoid missing that something.

이렇게 하면 중요한 것을 놓치지 않게 될 겁니다.

(Applause)

(박수)