How to use data to make a hit TV show | Sebastian Wernicke

번역: Ju Hye Lim 검토: Gichung Lee

Roy Price is a man that most of you have probably never heard about,

로이 프라이스라는 사람에 대해 아시는 분이 얼마 되지 않을 거예요.

even though he may have been responsible

그가 2013년 4월 19일에 여러분이

for 22 somewhat mediocre minutes of your life on April 19, 2013.

형편없는 22분을 보낸 이유일 수도 있지만 말입니다.

He may have also been responsible for 22 very entertaining minutes,

그는 일부에게는 아주 흥미로운 22분을 보내게 하기도 했지만

but not very many of you.

여러분 대부분은 아닐테죠.

And all of that goes back to a decision

그리고 이 모든건

that Roy had to make about three years ago.

삼년 전 로이가 만들어야 했던 결정으로 되돌아 갑니다.

So you see, Roy Price is a senior executive with Amazon Studios.

네, 로이는 아마존 스튜디오의 고위 간부입니다.

That's the TV production company of Amazon.

아마존의 TV 기획 부서죠.

He's 47 years old, slim, spiky hair,

로이는 47세로 마르고 뾰족한 머리를 했으며

describes himself on Twitter as "movies, TV, technology, tacos."

트위터에 스스로를 다음과 같이 묘사했습니다. "영화, TV, 기술, 타코"

And Roy Price has a very responsible job, because it's his responsibility

로이의 일은 책임감이 막중했는데

그가 하는 일은 아마존이 만들 시작 컨텐츠를 선택하는 것이니까요.

to pick the shows, the original content that Amazon is going to make.

And of course that's a highly competitive space.

물론 경쟁이 매우 심한 분야이죠.

I mean, there are so many TV shows already out there,

그러니까 이미 많은 TV 쇼가 있고

that Roy can't just choose any show.

로이는 아무 쇼나 선택할 수 없죠.

He has to find shows that are really, really great.

매우 훌륭한 쇼를 찾아야 해요.

So in other words, he has to find shows

즉, 다시 말해서

바로 이 곡선 오른쪽 끝에 있는 것들이어야 한다는 뜻이죠.

that are on the very right end of this curve here.

So this curve here is the rating distribution

이 곡선은 IMDB 웹사이트의 2,500 여개의 TV 쇼를

of about 2,500 TV shows on the website IMDB,

평가하여 분석한 내용을 담고 있습니다.

and the rating goes from one to 10,

평점은 1점부터 10점으로 매겨지며

and the height here shows you how many shows get that rating.

여기 이 높이는 그 평점을 받은 쇼의 개수를 보여주죠.

So if your show gets a rating of nine points or higher, that's a winner.

9점 이상을 받았다면 대박인 거예요.

Then you have a top two percent show.

상위 2%의 쇼라는 거죠.

That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"

"브레이킹 배드", "왕좌의 게임", "더 와이어" 처럼요.

so all of these shows that are addictive,

이 쇼들은 중독성이 강해요.

whereafter you've watched a season, your brain is basically like,

한 시즌을 보고나면 여러분의 뇌는

"Where can I get more of these episodes?"

"다른 시즌들은 어디서 구하지?" 라고 생각할 거예요.

That kind of show.

그런 쇼들이죠.

On the left side, just for clarity, here on that end,

명확히 보여드리기 위해 왼쪽 끝에는 뭐가 있는지 알려드리자면요.

you have a show called "Toddlers and Tiaras" --

"토들러 앤 티아라"가 있어요.

(Laughter)

(웃음)

-- which should tell you enough

여러분은 충분히 그 곡선 끝에서

about what's going on on that end of the curve.

어떤 일이 일어나고 있는지 예측할 수 있을 거예요.

Now, Roy Price is not worried about getting on the left end of the curve,

네, 로이 프라이스는 왼쪽 곡선에 머물게 되는 것에 신경쓰지 않아요.

because I think you would have to have some serious brainpower

왜냐하면 여러분이

"토들러 앤 티아라"를 제치시려면 뇌를 좀 많이 쓰셔야 할테니까요.

to undercut "Toddlers and Tiaras."

So what he's worried about is this middle bulge here,

중요한 건 이 가운데 지점이에요.

the bulge of average TV,

평균 TV의 중간 지점

you know, those shows that aren't really good or really bad,

아시다시피 그다지 좋지도 나쁘지도 않은 쇼들이죠.

they don't really get you excited.

그렇게 흥미롭지도 않아요.

So he needs to make sure that he's really on the right end of this.

로이는 반드시 이 오른쪽 끝에 있도록 해야 해요.

So the pressure is on,

부담이 있죠.

and of course it's also the first time

물론 아마존이 이런 일을 하는 것도

that Amazon is even doing something like this,

처음이기도 해요.

so Roy Price does not want to take any chances.

로이 프라이스는 위험을 피하고 싶어 할 거예요.

He wants to engineer success.

그는 성공을 만들어내길 꾀하죠.

He needs a guaranteed success,

그에겐 보장된 성공이 필요해요.

and so what he does is, he holds a competition.

그래서 그는 경쟁을 시킵니다.

So he takes a bunch of ideas for TV shows,

그는 텔레비젼 쇼의 여러 아이디어를 모은 다음에

and from those ideas, through an evaluation,

아이디어와 평가를 토대로

they select eight candidates for TV shows,

여덟 개의 TV 쇼를 선택합니다.

and then he just makes the first episode of each one of these shows

그리고 각 쇼들의 첫 번째 에피소드를

and puts them online for free for everyone to watch.

온라인에 누구나 시청할 수 있도록 무료로 제공해요.

And so when Amazon is giving out free stuff,

아마존이 무료로 제공하면

you're going to take it, right?

당연히 보게 되지 않겠어요?

So millions of viewers are watching those episodes.

수 백만 명의 시청자들이 첫 번째 에피소드를 볼 것입니다.

What they don't realize is that, while they're watching their shows,

쇼를 시청할 땐 알아채지 못하지만

actually, they are being watched.

사실 그들은 감시당하고 있어요.

They are being watched by Roy Price and his team,

로이 프라이스와 그의 팀으로부터요.

who record everything.

그들은 모든 것을 기록해요.

They record when somebody presses play, when somebody presses pause,

시청자들이 언제 재생하고 언제 정지하는지 기록하죠.

what parts they skip, what parts they watch again.

어느 장면을 건너 뛰고 어디를 다시 보는지를요.

So they collect millions of data points,

그들은 무수히 많은 데이터 포인트를 수집해요.

because they want to have those data points

그들에게 필요한건 데이터 포인트거든요.

to then decide which show they should make.

그리고 이를 통해 어떤 쇼를 만들어야 할지를 결정하죠.

And sure enough, so they collect all the data,

당연히 그들은 모든 정보를 수집하고

they do all the data crunching, and an answer emerges,

분석하면 정답은 나타납니다.

and the answer is,

정답은

"Amazon should do a sitcom about four Republican US Senators."

"아마존은 공화당 의원 네 명에 대한 시트콤을 만들어야 한다" 입니다.

They did that show.

그래서 정말 만들었어요.

So does anyone know the name of the show?

쇼의 제목을 아시는 분이 계신가요?

(Audience: "Alpha House.")

(청중: "알파 하우스")

Yes, "Alpha House,"

네, "알파 하우스"죠.

but it seems like not too many of you here remember that show, actually,

그런데 많은 분들이 기억하고 계시지는 않은 것 같아요.

because it didn't turn out that great.

그렇게 대박난 작품은 아니거든요.

It's actually just an average show,

중간 정도의 쇼였어요.

actually -- literally, in fact, because the average of this curve here is at 7.4,

사실 이 곡선의 중간은 7.4점이고

and "Alpha House" lands at 7.5,

"알파 하우스"는 7.5점이니깐요.

so a slightly above average show,

평균보다 아주 약간 위죠.

but certainly not what Roy Price and his team were aiming for.

하지만 분명 로이 프라이스와 그의 팀이 목표한 것은 아니었죠.

Meanwhile, however, at about the same time,

한편 그와 동시에

at another company,

다른 회사에서도

another executive did manage to land a top show using data analysis,

회사 간부가 데이터 분석을 통해 탑 쇼 하나를 배출했습니다.

and his name is Ted,

그의 이름은 테드 사란도스로

Ted Sarandos, who is the Chief Content Officer of Netflix,

넷플릭스의 웹사이트 콘텐츠 부문 최고 경영자예요.

and just like Roy, he's on a constant mission

로이처럼 그는 끊임없이 좋은 TV쇼를

to find that great TV show,

찾아야 하는 일을 맡고 있어요.

and he uses data as well to do that,

테드 또한 이를 위해 데이터를 이용하는데

except he does it a little bit differently.

조금은 다른 방식을 사용합니다.

So instead of holding a competition, what he did -- and his team of course --

경쟁을 붙이는 대신에 테드와 그의 팀은

was they looked at all the data they already had about Netflix viewers,

넷플릭스 시청자들에 관한 기존의 데이터를 봅니다.

you know, the ratings they give their shows,

시청자들이 메긴 평점과

the viewing histories, what shows people like, and so on.

시청 기록과 사람들이 어떤 쇼를 좋아하는지 등을요.

And then they use that data to discover

그리고 그 데이터를 통해서

all of these little bits and pieces about the audience:

관객들에 대한 소소한 모든 것들을 발견해 나갑니다.

what kinds of shows they like,

어떤 종류의 쇼를 좋아하는지와

what kind of producers, what kind of actors.

어떤 제작자와 배우를 좋아하는지 말이에요.

And once they had all of these pieces together,

이런 정보들을 한데 모아서

they took a leap of faith,

상당한 신뢰를 가지고

and they decided to license

결정한 것은

not a sitcom about four Senators

네 명의 국회위원에 대한 시트콤이 아니라

but a drama series about a single Senator.

한 명의 국회위원에 대한 드라마였습니다.

You guys know the show?

그 쇼가 무엇인지 아세요?

(Laughter)

(웃음)

Yes, "House of Cards," and Netflix of course, nailed it with that show,

네, "하우스 오브 카드"죠. 최소 두 번째 시즌까진 성공적인

at least for the first two seasons.

넷플릭스의 쇼이죠.

(Laughter) (Applause)

(웃음) (박수)

"House of Cards" gets a 9.1 rating on this curve,

"하우스 오브 카드"는 이 곡선에서 9.1점을 받았어요.

so it's exactly where they wanted it to be.

그들이 원하던 수준이죠.

Now, the question of course is, what happened here?

질문을 해보죠. 무슨 일이 일어난 걸까요?

So you have two very competitive, data-savvy companies.

두 개의 매우 경쟁적인 데이터를 잘 다루는 회사들이 있다고 합시다.

They connect all of these millions of data points,

그들은 수 백만 개의 데이터 포인트들을 연결시켜요.

and then it works beautifully for one of them,

그들 중 한 쪽에게만 아주 잘 작동하고

and it doesn't work for the other one.

다른 쪽에서는 잘 작동하지 않아요.

So why?

왜 그럴까요?

Because logic kind of tells you that this should be working all the time.

왜냐하면 논리적으로 보면 이것이 항상 작동하는 것이 맞을 것이기 때문입니다.

I mean, if you're collecting millions of data points

결정을 하기 위해

on a decision you're going to make,

수 백 만의 데이터 포인트를 수집한다면

then you should be able to make a pretty good decision.

꽤 훌륭한 결정을 내릴 수 있어야 마땅할 것입니다.

You have 200 years of statistics to rely on.

여러분에게 200년동안의 믿을만한 통계 자료가 있어요.

You're amplifying it with very powerful computers.

강력한 컴퓨터를 이용하여 이를 증폭시킵니다.

The least you could expect is good TV, right?

최소한 좋은 TV프로는 기대하실테죠?

And if data analysis does not work that way,

만일 정보 분석이 그렇게 되지 않으면

then it actually gets a little scary,

조금 무서워 집니다.

because we live in a time where we're turning to data more and more

왜냐하면 우리가 사는 현 세대는 더 많은 정보 수집을 통하여

to make very serious decisions that go far beyond TV.

TV프로 이상으로 훨씬 더 중대한 결정을 내리는 사회거든요.

Does anyone here know the company Multi-Health Systems?

"멀티-헬스 시스템" 이라는 회사에 대해 들어 보신 분 계신가요?

No one. OK, that's good actually.

아무도 없군요. 좋습니다.

OK, so Multi-Health Systems is a software company,

좋아요, 멀티 헬스 시스템은 소프트웨어 회사입니다.

and I hope that nobody here in this room

여기 계신 여러분 중 아무도

ever comes into contact with that software,

그 소프트웨어와 만나지 않으시길 바래요.

because if you do, it means you're in prison.

만일 그런다면 바로 감옥에 있다는 뜻이니까요.

(Laughter)

(웃음)

If someone here in the US is in prison, and they apply for parole,

미국에서 수감중인 누군가가 가석방을 요청하면

then it's very likely that data analysis software from that company

그 회사의 정보 분석 소프트 웨어를 통해

will be used in determining whether to grant that parole.

가석방 여부를 결정할 가능성이 높습니다.

So it's the same principle as Amazon and Netflix,

아마존과 넷플릭스와 같은 원칙이죠.

but now instead of deciding whether a TV show is going to be good or bad,

하지만 지금은 TV쇼가 좋은지 나쁜지를 판단하는 대신에

you're deciding whether a person is going to be good or bad.

여러분은 어떤 사람이 좋은지 나쁜지를 결정하게 될 거예요.

And mediocre TV, 22 minutes, that can be pretty bad,

평범한 TV를 22분동안 보는 것은 별로죠.

but more years in prison, I guess, even worse.

하지만 감옥에서 몇 년 더 사는 것은 훨씬 나쁜 일일 것입니다.

And unfortunately, there is actually some evidence that this data analysis,

애석하게도 분석된 정보가

despite having lots of data, does not always produce optimum results.

그 방대한 양에도 불구하고 항상 최상의 결과를 얻는 것은 아니라는 증거가 있습니다.

And that's not because a company like Multi-Health Systems

멀티 헬스 시스템과 같은 회사가

doesn't know what to do with data.

데이터를 어떻게 이용해야 할지 몰라서 그러는게 아니에요.

Even the most data-savvy companies get it wrong.

가장 데이터를 잘 다루는 회사들도 틀리는 걸요.

Yes, even Google gets it wrong sometimes.

구글마저도 가끔은 틀립니다.

In 2009, Google announced that they were able, with data analysis,

2009년 구글은 데이터 분석을 통해

to predict outbreaks of influenza, the nasty kind of flu,

고약한 독감인 인플루엔자 발발을 예측할 수 있다고 주장했었어요.

by doing data analysis on their Google searches.

구글 검색의 정보 분석을 토대로요.

And it worked beautifully, and it made a big splash in the news,

아주 잘 흘러 갔고 뉴스에 크게 보도 됐어요.

including the pinnacle of scientific success:

과학적 성공의 정점과 함께 말입니다.

a publication in the journal "Nature."

"네이쳐"에 개제된 것이죠.

It worked beautifully for year after year after year,

해마다 성공적이었죠.

until one year it failed.

한 해 실패하기 전까진요.

And nobody could even tell exactly why.

그리고 아무도 왜 실패했는지 확실한 이유를 규명하지 못해요.

It just didn't work that year,

그 해는 그냥 실패였죠.

and of course that again made big news,

물론 그것 또한 빅뉴스였고

including now a retraction

"네이쳐" 학술지에

of a publication from the journal "Nature."

개제되는 것은 철회되었습니다.

So even the most data-savvy companies, Amazon and Google,

아마존과 구글같은 데이터를 잘 다루는 회사들도

they sometimes get it wrong.

가끔은 틀린다는 거예요.

And despite all those failures,

이러한 실패 속에서도

data is moving rapidly into real-life decision-making --

데이터는 아주 급속하게 실제 의사결정에 이용되고 있습니다.

into the workplace,

직장에서도

law enforcement,

법률 실행 시에도

medicine.

의료 분야에서도요.

So we should better make sure that data is helping.

그러니까 실질적으로 데이터가 도움이 되도록 해야겠죠.

Now, personally I've seen a lot of this struggle with data myself,

개인적으로 저는 데이터 때문에 고생한 경험이 많아요.

because I work in computational genetics,

왜냐하면 전 컴퓨터 유전학 분야에 종사하고 있거든요.

which is also a field where lots of very smart people

이 분야에서는 수많은 뛰어난 인재들이

are using unimaginable amounts of data to make pretty serious decisions

상상하지 못할만큼 많은 양의 정보를 이용하여 중대한 결정을 내립니다.

like deciding on a cancer therapy or developing a drug.

예를 들어 암 치료나 신약 개발 등의 결정에 말입니다.

And over the years, I've noticed a sort of pattern

최근 몇년 사이 새로운 패턴을 발견하였는데

or kind of rule, if you will, about the difference

차이에 관한 일종의 규칙이라고 해두죠.

between successful decision-making with data

데이터를 이용하여 성공적인 결정을

and unsuccessful decision-making,

이끌어 내는가 실패 하는가의 차이에 대한 규칙 말입니다.

and I find this a pattern worth sharing, and it goes something like this.

이 패턴은 공유될 가치가 있는데 그 내용은 다음과 같습니다.

So whenever you're solving a complex problem,

복잡한 문제에 직면했을 때

you're doing essentially two things.

여러분은 주로 두가지를 합니다.

The first one is, you take that problem apart into its bits and pieces

첫번째는 그 문제를 여러 조각으로 쪼개서

so that you can deeply analyze those bits and pieces,

그 조각들을 깊이 분석하는 것이고

and then of course you do the second part.

물론 여러분이 하는 두 번째 일은

You put all of these bits and pieces back together again

조각들을 다시 하나로 합쳐서

to come to your conclusion.

결론을 내는 것입니다.

And sometimes you have to do it over again,

종종 그 과정을 반복해야 할텐데요.

but it's always those two things:

그래도 역시 두 가지 뿐이죠.

taking apart and putting back together again.

쪼개고 다시 합치기.

And now the crucial thing is

그리고 중요한 것은

that data and data analysis

데이터와 데이터 분석은

is only good for the first part.

오직 첫 번째 파트에서만 중요한 것이라는 겁니다.

Data and data analysis, no matter how powerful,

데이터와 데이터 분석이 얼마나 영향력이 있던 간에

can only help you taking a problem apart and understanding its pieces.

문제를 쪼개고 그 조각들을 이해하는 것에만 도움을 줄 뿐

It's not suited to put those pieces back together again

그 조각들을 다시 하나로 합쳐서

and then to come to a conclusion.

결론을 내는데 도움을 주진 않아요.

There's another tool that can do that, and we all have it,

그것을 할수 있는 또다른 도구가 있는데 우리 모두는 그것을 가지고 있습니다.

and that tool is the brain.

그 도구는 바로 뇌에요.

If there's one thing a brain is good at,

뇌가 능통한 일들 중 하나는

it's taking bits and pieces back together again,

조각들을 합치는 것입니다.

even when you have incomplete information,

완전하지 않은 정보를 가지고 있을 때조차

and coming to a good conclusion,

좋은 결정을 내리죠.

especially if it's the brain of an expert.

전문가의 두뇌라면 말입니다.

And that's why I believe that Netflix was so successful,

그게 제가 생각하는 넷플릭스의 성공 비결이예요.

because they used data and brains where they belong in the process.

데이터와 뇌를 이용해서 일을 처리 했거든요.

They use data to first understand lots of pieces about their audience

첫 번째는 데이터를 이용해서 대중들에 관한 조각들을 이해했는데

that they otherwise wouldn't have been able to understand at that depth,

데이터가 없었다면 그렇게 깊이 이해하지 못했을 것입니다.

but then the decision to take all these bits and pieces

하지만 그 조각들을 다시 하나로 합쳐

and put them back together again and make a show like "House of Cards,"

"하우스 오브 카드" 같은 쇼를 만든 것은

that was nowhere in the data.

데이터로부터 나온 것이 아니었습니다.

Ted Sarandos and his team made that decision to license that show,

테드 세란도스와 그의 팀은 그 쇼에 특허를 내기로 결정했어요.

which also meant, by the way, that they were taking

즉, 다른 말로

a pretty big personal risk with that decision.

꽤 큰 개인적 위험을 감수한다는 뜻이죠.

And Amazon, on the other hand, they did it the wrong way around.

반면에 아마존은 실수를 했어요.

They used data all the way to drive their decision-making,

그들은 결정을 내리기까지 계속 데이터를 사용했습니다.

first when they held their competition of TV ideas,

먼저 TV 아이디어 경쟁을 벌일 때 사용했고

then when they selected "Alpha House" to make as a show.

"알파 하우스" 쇼를 만들기로 선택했을 때도 사용했습니다.

Which of course was a very safe decision for them,

물론 그들에겐 아주 안정적인 결정이었습니다.

because they could always point at the data, saying,

왜냐면 그들은 항상 데이터를 가르키면서 말할 수 있었으니까요.

"This is what the data tells us."

"이것이 데이터가 말해준 것입니다".

But it didn't lead to the exceptional results that they were hoping for.

그렇지만 그들이 원하던 특별한 결과에 이르지는 못했어요.

So data is of course a massively useful tool to make better decisions,

당연히 데이터는 더 나은 선택을 위한 매우 유용한 도구이지만

but I believe that things go wrong

때로는 잘못될 수도 있다고 생각해요.

when data is starting to drive those decisions.

데이터가 그러한 결정을 이끌기 시작한다면 말이죠.

No matter how powerful, data is just a tool,

얼마나 강력하건 간에, 데이터는 도구일 뿐입니다.

and to keep that in mind, I find this device here quite useful.

이를 유념하기 위해서는 이 장치가 꽤 유용하다고 생각합니다.

Many of you will ...

여러분들 중 많은분들이

(Laughter)

(웃음)

Before there was data,

데이터가 있기 전에

this was the decision-making device to use.

이것을 의사결정 장치로 이용하셨을 것입니다.

(Laughter)

(웃음)

Many of you will know this.

대부분은 아실 거예요.

This toy here is called the Magic 8 Ball,

이 장난감의 이름이 매직 에잇 볼이고

and it's really amazing,

멋진 것이라는 것을요.

because if you have a decision to make, a yes or no question,

왜냐하면 어떠한 결정을 내려야 할 때 예 또는 아니오 식의 문제일때요.

all you have to do is you shake the ball, and then you get an answer --

이 공을 흔들기만 하면 답을 얻을 수 있습니다.

"Most Likely" -- right here in this window in real time.

지금 여기서의 실제 답은 "아주 그렇다"이네요.

I'll have it out later for tech demos.

이따가 기술 시현 때 보여드리죠.

(Laughter)

(웃음)

Now, the thing is, of course -- so I've made some decisions in my life

물론 중요한 것은- 제 인생에서 결정들을 종종 내렸는데

where, in hindsight, I should have just listened to the ball.

뒤늦게 그냥 그 공의 말을 들을걸 하고 깨달은 적이 있습니다.

But, you know, of course, if you have the data available,

그런데 당연히 데이터가 있는 상태라면

you want to replace this with something much more sophisticated,

좀 더 지적인 결정을 내리고 싶어지죠.

like data analysis to come to a better decision.

데이터 분석을 통해 더 나은 결정을 내리는 것 처럼 말이예요.

But that does not change the basic setup.

하지만 그렇더라도 기본 환경은 바뀌지 않아요.

So the ball may get smarter and smarter and smarter,

공이 더욱 지능적으로 계속 진화할지는 모르지만

but I believe it's still on us to make the decisions

여전히 결정을 내리는 것은 우리의 몫이 될꺼에요.

if we want to achieve something extraordinary,

무언가 특별한 일을 이루고 싶다면요.

on the right end of the curve.

즉 곡선의 오른쪽 끝에 도달하고 싶을때요.

And I find that a very encouraging message, in fact,

저는 사실 이것이 아주 희망적인 메세지라고 생각하는데

that even in the face of huge amounts of data,

엄청난 양의 데이터에도 불과하고

it still pays off to make decisions,

결정을 내리고

to be an expert in what you're doing

전문가가 되고

and take risks.

위험성을 감수하는 댓가가 주어지니까요.

Because in the end, it's not data,

왜냐하면 결국 데이터가 아니라

it's risks that will land you on the right end of the curve.

당신이 감수하는 위험이 곡선의 오른쪽 끝으로 데려다 줄테니까요.

Thank you.

감사합니다.

(Applause)

(박수)