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

133,036 views ・ 2016-01-27

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Paul Vrancken Nagekeken door: Peter van de Ven
00:12
Roy Price is a man that most of you have probably never heard about,
0
12820
4276
Van Roy Price hebben de meesten van jullie waarschijnlijk nog nooit gehoord,
00:17
even though he may have been responsible
1
17120
2496
hoewel hij verantwoordelijk kan zijn geweest
00:19
for 22 somewhat mediocre minutes of your life on April 19, 2013.
2
19640
6896
voor 22 middelmatige minuten van je leven, op 19 april 2013.
00:26
He may have also been responsible for 22 very entertaining minutes,
3
26560
3176
Hij kan ook verantwoordelijk zijn geweest voor 22 amusante minuten,
00:29
but not very many of you.
4
29760
2256
maar niet voor velen van jullie.
00:32
And all of that goes back to a decision
5
32040
1896
Dat had alles te maken met een beslissing
00:33
that Roy had to make about three years ago.
6
33960
2000
die Roy zo'n drie jaar geleden moest maken.
00:35
So you see, Roy Price is a senior executive with Amazon Studios.
7
35984
4832
Roy Price is senior manager bij de Amazon Studios,
00:40
That's the TV production company of Amazon.
8
40840
3016
het televisieproductiebedrijf van Amazon.
00:43
He's 47 years old, slim, spiky hair,
9
43880
3256
Hij is 47 jaar, slank, heeft stekelhaar
00:47
describes himself on Twitter as "movies, TV, technology, tacos."
10
47160
4816
en omschrijft zichzelf op Twitter als "film, tv, technologie, taco's".
00:52
And Roy Price has a very responsible job, because it's his responsibility
11
52000
5176
Roy Price heeft een hele verantwoordelijke baan,
want hij moet ervoor zorgen de goede shows te kiezen,
00:57
to pick the shows, the original content that Amazon is going to make.
12
57200
4056
de originele producties die Amazon gaat uitbrengen.
01:01
And of course that's a highly competitive space.
13
61280
2336
Dat is natuurlijk een zeer concurrerend terrein.
01:03
I mean, there are so many TV shows already out there,
14
63640
2736
Er zijn al zoveel televisie-shows
01:06
that Roy can't just choose any show.
15
66400
2176
dat Roy niet zomaar een show kan kiezen.
01:08
He has to find shows that are really, really great.
16
68600
4096
Hij moet shows vinden die echt heel goed zijn.
01:12
So in other words, he has to find shows
17
72720
2816
Met andere woorden, hij moet shows vinden
01:15
that are on the very right end of this curve here.
18
75560
2376
die aan de goede kant van deze curve zitten.
01:17
So this curve here is the rating distribution
19
77960
2656
Deze curve toont de waarderingsverdeling
01:20
of about 2,500 TV shows on the website IMDB,
20
80640
4376
van zo'n 2500 tv-shows op de IMDb-website
01:25
and the rating goes from one to 10,
21
85040
2896
en de waardering loopt van 1 tot 10.
01:27
and the height here shows you how many shows get that rating.
22
87960
2976
De hoogte hier toont hoeveel shows die waardering krijgen.
01:30
So if your show gets a rating of nine points or higher, that's a winner.
23
90960
4696
Als je show dus een waardering krijgt van 9 punten of meer, dat is een topper.
01:35
Then you have a top two percent show.
24
95680
1816
Dan hoort je show tot de top 2 procent.
01:37
That's shows like "Breaking Bad," "Game of Thrones," "The Wire,"
25
97520
3896
Dat zijn shows als 'Breaking Bad', 'Game of Thrones' en 'The Wire',
01:41
so all of these shows that are addictive,
26
101440
2296
dus al die shows die verslavend zijn,
01:43
whereafter you've watched a season, your brain is basically like,
27
103760
3056
shows waarvan je hersenen aan het einde van het seizoen zeggen:
01:46
"Where can I get more of these episodes?"
28
106840
2176
"Waar kan ik nog meer afleveringen zien?"
01:49
That kind of show.
29
109040
1200
Zo'n soort show.
01:50
On the left side, just for clarity, here on that end,
30
110920
2496
Links, voor de duidelijkheid, hier aan dit einde,
01:53
you have a show called "Toddlers and Tiaras" --
31
113440
3176
heb je een show getiteld 'Toddlers and Tiaras' --
01:56
(Laughter)
32
116640
2656
(Gelach)
01:59
-- which should tell you enough
33
119320
1536
-- dan weet je direct
02:00
about what's going on on that end of the curve.
34
120880
2191
wat er aan dat eind van de curve gebeurt.
02:03
Now, Roy Price is not worried about getting on the left end of the curve,
35
123095
4161
Roy Price maakt zich geen zorgen om links op de curve te komen,
02:07
because I think you would have to have some serious brainpower
36
127280
2936
omdat je volgens mij heel intelligent moet zijn
02:10
to undercut "Toddlers and Tiaras."
37
130240
1696
om onder 'Toddlers and Tiaras' te scoren.
02:11
So what he's worried about is this middle bulge here,
38
131960
3936
Waar hij zich dus zorgen om maakt, is deze bult in het midden,
02:15
the bulge of average TV,
39
135920
1816
de bult van gemiddelde tv,
02:17
you know, those shows that aren't really good or really bad,
40
137760
2856
de shows die niet echt goed of heel slecht zijn.
02:20
they don't really get you excited.
41
140639
1656
Je raakt er niet echt opgewonden van.
02:22
So he needs to make sure that he's really on the right end of this.
42
142320
4856
Hij moet er dus voor zorgen dat hij aan de rechterkant komt.
02:27
So the pressure is on,
43
147200
1576
De druk is dus hoog
02:28
and of course it's also the first time
44
148800
2176
en het is natuurlijk ook de eerste keer
02:31
that Amazon is even doing something like this,
45
151000
2176
dat Amazon iets dergelijks doet.
02:33
so Roy Price does not want to take any chances.
46
153200
3336
Roy Price wil dus geen risico lopen.
02:36
He wants to engineer success.
47
156560
2456
Hij wil succes creëren.
02:39
He needs a guaranteed success,
48
159040
1776
Hij wil gegarandeerd succes
02:40
and so what he does is, he holds a competition.
49
160840
2576
en wat hij dus doet, is een wedstrijd houden.
02:43
So he takes a bunch of ideas for TV shows,
50
163440
3136
Hij neemt een aantal ideeën voor tv-shows
02:46
and from those ideas, through an evaluation,
51
166600
2296
en door evaluatie
02:48
they select eight candidates for TV shows,
52
168920
4096
kiezen ze acht kandidaten voor tv-shows.
02:53
and then he just makes the first episode of each one of these shows
53
173040
3216
Dan maakt hij de eerste aflevering van elk van deze shows
02:56
and puts them online for free for everyone to watch.
54
176280
3136
en zet ze gratis online, zodat iedereen ze kan zien.
02:59
And so when Amazon is giving out free stuff,
55
179440
2256
Als Amazon dingen voor niks weggeeft,
03:01
you're going to take it, right?
56
181720
1536
dan wil je het hebben ook, toch?
03:03
So millions of viewers are watching those episodes.
57
183280
5136
Dus zien miljoenen kijkers die afleveringen.
03:08
What they don't realize is that, while they're watching their shows,
58
188440
3216
Maar wat ze niet beseffen is dat, terwijl ze zitten te kijken,
03:11
actually, they are being watched.
59
191680
2296
zij zelf ook bekeken worden.
03:14
They are being watched by Roy Price and his team,
60
194000
2336
Ze worden bekeken door Roy Price en zijn team,
03:16
who record everything.
61
196360
1376
die alles opslaan.
03:17
They record when somebody presses play, when somebody presses pause,
62
197760
3376
Ze slaan op wanneer iemand op 'afspelen' of op 'pauze' drukt,
03:21
what parts they skip, what parts they watch again.
63
201160
2536
welke stukken ze overslaan, welke worden herhaald.
03:23
So they collect millions of data points,
64
203720
2256
Ze verzamelen miljoenen gegevens,
03:26
because they want to have those data points
65
206000
2096
omdat ze die data willen hebben
03:28
to then decide which show they should make.
66
208120
2696
om te kunnen beslissen welke show ze moeten maken.
03:30
And sure enough, so they collect all the data,
67
210840
2176
Dus verzamelen ze die data
en als die data zijn geanalyseerd rolt daar een antwoord uit,
03:33
they do all the data crunching, and an answer emerges,
68
213040
2576
03:35
and the answer is,
69
215640
1216
en dat antwoord is:
03:36
"Amazon should do a sitcom about four Republican US Senators."
70
216880
5536
"Amazon moet een serie maken over vier Republikeinse senatoren".
03:42
They did that show.
71
222440
1216
En dat deden ze.
03:43
So does anyone know the name of the show?
72
223680
2160
Weet iemand de naam van de show?
03:46
(Audience: "Alpha House.")
73
226720
1296
(Publiek) 'Alpha House'.
03:48
Yes, "Alpha House,"
74
228040
1456
Ja, 'Alpha House',
03:49
but it seems like not too many of you here remember that show, actually,
75
229520
4096
maar het lijkt erop dat niet veel mensen zich die show herinneren,
03:53
because it didn't turn out that great.
76
233640
1856
hij pakte dan ook niet erg goed uit.
03:55
It's actually just an average show,
77
235520
1856
Eigenlijk is het maar een doorsnee show,
03:57
actually -- literally, in fact, because the average of this curve here is at 7.4,
78
237400
4576
letterlijk, omdat het gemiddelde van deze curve hier 7,4 is
04:02
and "Alpha House" lands at 7.5,
79
242000
2416
en 'Alpha House' kwam op 7,5,
04:04
so a slightly above average show,
80
244440
2016
dus net boven het gemiddelde,
04:06
but certainly not what Roy Price and his team were aiming for.
81
246480
2920
zeker niet waar Roy Price en zijn team op mikten.
04:10
Meanwhile, however, at about the same time,
82
250320
2856
In de tussentijd echter, ongeveer tegelijkertijd,
04:13
at another company,
83
253200
1576
bij een ander bedrijf,
04:14
another executive did manage to land a top show using data analysis,
84
254800
4216
slaagde een andere manager erin een topproductie te maken met data-analyse
04:19
and his name is Ted,
85
259040
1576
en zijn naam is Ted.
04:20
Ted Sarandos, who is the Chief Content Officer of Netflix,
86
260640
3416
Ted Sarandos is bij Netflix hoofd 'eigen productie'
04:24
and just like Roy, he's on a constant mission
87
264080
2136
en net als Roy is hij op een constante missie
04:26
to find that great TV show,
88
266240
1496
die geweldige tv-show te vinden;
04:27
and he uses data as well to do that,
89
267760
2016
hij gebruikt daarbij ook data,
04:29
except he does it a little bit differently.
90
269800
2015
alleen doet hij het een beetje anders.
04:31
So instead of holding a competition, what he did -- and his team of course --
91
271839
3737
In plaats van een competitie te houden keken hij -- en zijn team natuurlijk --
04:35
was they looked at all the data they already had about Netflix viewers,
92
275600
3536
naar alle data die ze al hadden over Netflix-kijkers,
04:39
you know, the ratings they give their shows,
93
279160
2096
dus de waarderingscijfers die ze geven,
04:41
the viewing histories, what shows people like, and so on.
94
281280
2696
waar ze meestal naar kijken, wat ze leuk vinden, enz.
Vervolgens gebruikten ze die data
04:44
And then they use that data to discover
95
284000
1896
04:45
all of these little bits and pieces about the audience:
96
285920
2616
om elk detail over het publiek te ontdekken:
04:48
what kinds of shows they like,
97
288560
1456
welke shows ze leuk vinden,
04:50
what kind of producers, what kind of actors.
98
290040
2096
welke producers, welke acteurs.
04:52
And once they had all of these pieces together,
99
292160
2576
Zodra ze al die details bij elkaar hadden,
04:54
they took a leap of faith,
100
294760
1656
namen ze een sprong in het diepe
04:56
and they decided to license
101
296440
2096
en besloten niet te kiezen voor een programma over vier senatoren
04:58
not a sitcom about four Senators
102
298560
2456
05:01
but a drama series about a single Senator.
103
301040
2880
maar voor een dramaserie over één senator.
05:04
You guys know the show?
104
304760
1656
Kennen jullie die serie?
05:06
(Laughter)
105
306440
1296
(Gelach)
05:07
Yes, "House of Cards," and Netflix of course, nailed it with that show,
106
307760
3736
Ja, 'House of Cards', en Netflix had een voltreffer met die show,
05:11
at least for the first two seasons.
107
311520
2136
in ieder geval voor de eerste twee seizoenen.
05:13
(Laughter) (Applause)
108
313680
3976
(Gelach) (Applaus)
05:17
"House of Cards" gets a 9.1 rating on this curve,
109
317680
3176
'House of Cards' scoort 9.1 op deze curve,
05:20
so it's exactly where they wanted it to be.
110
320880
3176
precies waar ze wilden zitten.
05:24
Now, the question of course is, what happened here?
111
324080
2416
De vraag is nu natuurlijk: wat gebeurde hier?
05:26
So you have two very competitive, data-savvy companies.
112
326520
2656
Je hebt twee concurrerende data-bewuste bedrijven.
05:29
They connect all of these millions of data points,
113
329200
2856
Ze koppelen al deze miljoenen gegevens
05:32
and then it works beautifully for one of them,
114
332080
2376
en dan pakt dat heel goed uit voor de een,
05:34
and it doesn't work for the other one.
115
334480
1856
maar niet voor de ander.
05:36
So why?
116
336360
1216
Waarom eigenlijk?
05:37
Because logic kind of tells you that this should be working all the time.
117
337600
3456
Het lijkt zo vanzelfsprekend dat dit altijd zou moeten werken.
05:41
I mean, if you're collecting millions of data points
118
341080
2456
Ik bedoel, als je miljoenen gegevens verzamelt
05:43
on a decision you're going to make,
119
343560
1736
voor een beslissing die je gaat nemen,
05:45
then you should be able to make a pretty good decision.
120
345320
2616
dan zou je toch een goede beslissing moeten kunnen nemen.
05:47
You have 200 years of statistics to rely on.
121
347960
2216
Je kunt steunen op 200 jaar statistiek.
05:50
You're amplifying it with very powerful computers.
122
350200
3016
Je versterkt het nog met hele krachtige computers.
05:53
The least you could expect is good TV, right?
123
353240
3280
Dan mag je toch in ieder geval wel goede televisie verwachten, niet?
05:57
And if data analysis does not work that way,
124
357880
2720
Mocht data-analyse zo niet werken
06:01
then it actually gets a little scary,
125
361520
2056
dan wordt het een beetje griezelig,
06:03
because we live in a time where we're turning to data more and more
126
363600
3816
want we leven in een tijd waarin we steeds meer op data afgaan
06:07
to make very serious decisions that go far beyond TV.
127
367440
4480
om serieuze beslissingen te nemen die televisie ver te boven gaan.
06:12
Does anyone here know the company Multi-Health Systems?
128
372760
3240
Kent iemand hier het bedrijf Multi-Health Systems?
06:17
No one. OK, that's good actually.
129
377080
1656
Niemand. OK, gelukkig maar.
06:18
OK, so Multi-Health Systems is a software company,
130
378760
3216
Multi-Health Systems is een software-bedrijf
06:22
and I hope that nobody here in this room
131
382000
2816
en ik hoop dat niemand hier in deze zaal
06:24
ever comes into contact with that software,
132
384840
3176
ooit in contact komt met die software,
06:28
because if you do, it means you're in prison.
133
388040
2096
want anders betekent het dat je in de gevangenis zit.
06:30
(Laughter)
134
390160
1176
(Gelach)
06:31
If someone here in the US is in prison, and they apply for parole,
135
391360
3536
Als iemand in de VS in de gevangenis zit en voorwaardelijk vrij wil komen,
06:34
then it's very likely that data analysis software from that company
136
394920
4296
dan is het hoogstwaarschijnlijk dat data-analysesoftware van dat bedrijf
06:39
will be used in determining whether to grant that parole.
137
399240
3616
gebruikt wordt om te bepalen of die aanvraag wordt gehonoreerd.
06:42
So it's the same principle as Amazon and Netflix,
138
402880
2576
Het is dus hetzelfde principe als bij Amazon en Netflix,
06:45
but now instead of deciding whether a TV show is going to be good or bad,
139
405480
4616
maar in plaats van te beslissen of een tv-show het goed zal doen,
06:50
you're deciding whether a person is going to be good or bad.
140
410120
2896
beslis je nu of een persoon het goed of slecht gaat doen.
06:53
And mediocre TV, 22 minutes, that can be pretty bad,
141
413040
5496
Middelmatige tv, 22 minuten lang, kan heel slecht zijn,
06:58
but more years in prison, I guess, even worse.
142
418560
2640
maar meer tijd in de gevangenis zelfs slechter, gok ik.
07:02
And unfortunately, there is actually some evidence that this data analysis,
143
422360
4136
Jammer genoeg zijn er zelfs bewijzen dat deze data-analyse,
07:06
despite having lots of data, does not always produce optimum results.
144
426520
4216
ondanks de beschikbaarheid van veel data, niet altijd de optimale resultaten geeft.
07:10
And that's not because a company like Multi-Health Systems
145
430760
2722
Dat komt niet omdat een bedrijf als Multi-Health Systems
07:13
doesn't know what to do with data.
146
433506
1627
niet met data om kan gaan.
07:15
Even the most data-savvy companies get it wrong.
147
435158
2298
Zelfs de slimste data-analisten kunnen fout zitten.
07:17
Yes, even Google gets it wrong sometimes.
148
437480
2400
Ja, zelfs Google zit soms fout.
07:20
In 2009, Google announced that they were able, with data analysis,
149
440680
4496
In 2009 berichtte Google dat ze met data-analyse
07:25
to predict outbreaks of influenza, the nasty kind of flu,
150
445200
4136
griep-epidemieën konden voorspellen, het vervelende soort griep,
07:29
by doing data analysis on their Google searches.
151
449360
3776
door data-analyse los te laten op wat mensen op Google opzochten.
07:33
And it worked beautifully, and it made a big splash in the news,
152
453160
3856
Het pakte wonderwel goed uit en het werd een hit in het nieuws,
07:37
including the pinnacle of scientific success:
153
457040
2136
tot en met het toppunt van wetenschappelijk succes:
07:39
a publication in the journal "Nature."
154
459200
2456
een publicatie in het tijdschrift Nature.
07:41
It worked beautifully for year after year after year,
155
461680
3616
Eerst werkte het goed, jaar na jaar na jaar,
07:45
until one year it failed.
156
465320
1656
tot het een bepaald jaar niet werkte.
07:47
And nobody could even tell exactly why.
157
467000
2256
Niemand kon precies zeggen waarom.
07:49
It just didn't work that year,
158
469280
1696
Het werkte dat jaar gewoon niet
07:51
and of course that again made big news,
159
471000
1936
en dat haalde weer het nieuws natuurlijk,
07:52
including now a retraction
160
472960
1616
inclusief het terugtrekken
07:54
of a publication from the journal "Nature."
161
474600
2840
van een publicatie in het tijdschrift Nature.
07:58
So even the most data-savvy companies, Amazon and Google,
162
478480
3336
Dus zelfs de grootste data-verzamelaars, Amazon en Google,
08:01
they sometimes get it wrong.
163
481840
2136
hebben het soms mis.
08:04
And despite all those failures,
164
484000
2936
Ondanks al die mislukkingen
08:06
data is moving rapidly into real-life decision-making --
165
486960
3856
neemt het gebruik van data snel toe bij beslissingen in het echte leven:
08:10
into the workplace,
166
490840
1816
op de werkvloer,
08:12
law enforcement,
167
492680
1816
bij wetshandhaving,
08:14
medicine.
168
494520
1200
de geneeskunde.
08:16
So we should better make sure that data is helping.
169
496400
3336
We kunnen er dus maar beter voor zorgen dat die data ook helpen.
08:19
Now, personally I've seen a lot of this struggle with data myself,
170
499760
3136
Zelf heb ik veel gesteggel gezien bij het gebruiken van data,
08:22
because I work in computational genetics,
171
502920
1976
omdat ik werk in de computer-genetica,
08:24
which is also a field where lots of very smart people
172
504920
2496
wat ook een terrein is waar veel slimme mensen
08:27
are using unimaginable amounts of data to make pretty serious decisions
173
507440
3656
ongelooflijke hoeveelheden data gebruiken om serieuze beslissingen te nemen,
08:31
like deciding on a cancer therapy or developing a drug.
174
511120
3560
zoals over een kankertherapie of het ontwikkelen van een medicijn.
08:35
And over the years, I've noticed a sort of pattern
175
515520
2376
Door de jaren heb ik een patroon zien ontstaan,
08:37
or kind of rule, if you will, about the difference
176
517920
2456
of een soort regel als je wilt, over wat het verschil maakt
08:40
between successful decision-making with data
177
520400
2696
tussen succesvolle beslissingen op basis van data
08:43
and unsuccessful decision-making,
178
523120
1616
en niet-succesvolle beslissingen.
08:44
and I find this a pattern worth sharing, and it goes something like this.
179
524760
3880
Ik vind dit een patroon dat ik wil delen en het gaat als volgt.
08:50
So whenever you're solving a complex problem,
180
530520
2135
Als je een complex probleem wilt oplossen,
08:52
you're doing essentially two things.
181
532679
1737
doe je in wezen twee dingen.
08:54
The first one is, you take that problem apart into its bits and pieces
182
534440
3296
Eerst deel je het probleem op in kleine stukjes,
08:57
so that you can deeply analyze those bits and pieces,
183
537760
2496
zodat je die onderdelen grondig kunt analyseren,
09:00
and then of course you do the second part.
184
540280
2016
en dan zet je natuurlijk de tweede stap:
09:02
You put all of these bits and pieces back together again
185
542320
2656
je doet al die stukjes weer bij elkaar
09:05
to come to your conclusion.
186
545000
1336
en je komt tot een conclusie.
09:06
And sometimes you have to do it over again,
187
546360
2336
Soms moet je het nog een keer doen,
09:08
but it's always those two things:
188
548720
1656
maar steeds draait het om twee dingen:
09:10
taking apart and putting back together again.
189
550400
2320
uit elkaar halen en terug zetten.
09:14
And now the crucial thing is
190
554280
1616
Het cruciale is
09:15
that data and data analysis
191
555920
2896
dat voor data en data-analyse
09:18
is only good for the first part.
192
558840
2496
alleen het eerste deel werkt.
09:21
Data and data analysis, no matter how powerful,
193
561360
2216
Data en data-analyse, hoe indrukwekkend ook,
09:23
can only help you taking a problem apart and understanding its pieces.
194
563600
4456
helpen je alleen een probleem te ontrafelen en details te begrijpen.
09:28
It's not suited to put those pieces back together again
195
568080
3496
Het is niet geschikt om die stukjes weer bij elkaar te brengen
09:31
and then to come to a conclusion.
196
571600
1896
en dan tot een conclusie te komen.
09:33
There's another tool that can do that, and we all have it,
197
573520
2736
Een ander hulpmiddel kan dat wel, en we hebben het allemaal:
09:36
and that tool is the brain.
198
576280
1296
het brein.
09:37
If there's one thing a brain is good at,
199
577600
1936
Waar het brein echt goed in is,
09:39
it's taking bits and pieces back together again,
200
579560
2256
is stukjes weer bij elkaar brengen,
09:41
even when you have incomplete information,
201
581840
2016
zelfs als je onvolledige informatie hebt,
09:43
and coming to a good conclusion,
202
583880
1576
en tot een goede conclusie komen,
09:45
especially if it's the brain of an expert.
203
585480
2936
zeker als het het brein van een expert is.
09:48
And that's why I believe that Netflix was so successful,
204
588440
2656
Daarom geloof ik dat Netflix zo'n succes had,
09:51
because they used data and brains where they belong in the process.
205
591120
3576
omdat ze de data en het brein gebruikten waar ze in het proces thuishoren.
09:54
They use data to first understand lots of pieces about their audience
206
594720
3536
Ze gebruiken data om eerst veel details van hun publiek te begrijpen,
09:58
that they otherwise wouldn't have been able to understand at that depth,
207
598280
3416
details die ze anders nooit zo grondig hadden kunnen begrijpen.
10:01
but then the decision to take all these bits and pieces
208
601720
2616
Maar de beslissing om al deze losse stukjes
10:04
and put them back together again and make a show like "House of Cards,"
209
604360
3336
weer bijeen te brengen en een show als House of Cards te maken,
10:07
that was nowhere in the data.
210
607720
1416
dat stond nergens in de data.
10:09
Ted Sarandos and his team made that decision to license that show,
211
609160
3976
Ted Sarandos en zijn team namen de beslissing om die serie goed te keuren,
10:13
which also meant, by the way, that they were taking
212
613160
2381
waarmee ze trouwens ook een groot persoonlijk risico namen.
10:15
a pretty big personal risk with that decision.
213
615565
2851
10:18
And Amazon, on the other hand, they did it the wrong way around.
214
618440
3016
Bij Amazon deden ze het echter omgekeerd, dus fout.
10:21
They used data all the way to drive their decision-making,
215
621480
2736
Ze gebruikten steeds data om hun beslissing te sturen,
10:24
first when they held their competition of TV ideas,
216
624240
2416
eerst toen ze hun wedstrijd van tv-ideeën hielden,
10:26
then when they selected "Alpha House" to make as a show.
217
626680
3696
en later toen ze besloten 'Alpha House' te maken.
10:30
Which of course was a very safe decision for them,
218
630400
2496
Dat was voor hen een hele veilige beslissing,
10:32
because they could always point at the data, saying,
219
632920
2456
omdat ze altijd konden wijzen naar de data en zeggen:
10:35
"This is what the data tells us."
220
635400
1696
"Dit zeggen de data ons."
10:37
But it didn't lead to the exceptional results that they were hoping for.
221
637120
4240
Maar het leidde niet
tot de uitzonderlijke resultaten die ze hadden gehoopt.
10:42
So data is of course a massively useful tool to make better decisions,
222
642120
4976
Data zijn dus een enorm nuttig middel om betere beslissingen te nemen,
10:47
but I believe that things go wrong
223
647120
2376
maar ik denk dat dingen fout gaan
10:49
when data is starting to drive those decisions.
224
649520
2576
zodra data die beslissingen beginnen te sturen.
10:52
No matter how powerful, data is just a tool,
225
652120
3776
Hoe sterk ze ook zijn, data zijn slechts een hulpmiddel
10:55
and to keep that in mind, I find this device here quite useful.
226
655920
3336
en met dat in je achterhoofd vind ik dit ding hier heel nuttig.
10:59
Many of you will ...
227
659280
1216
Velen van jullie zullen .....
11:00
(Laughter)
228
660520
1216
(Gelach)
11:01
Before there was data,
229
661760
1216
Voordat er data waren,
11:03
this was the decision-making device to use.
230
663000
2856
was dit het hulpmiddel om beslissingen te nemen.
11:05
(Laughter)
231
665880
1256
(Gelach)
11:07
Many of you will know this.
232
667160
1336
Velen van jullie kennen het.
11:08
This toy here is called the Magic 8 Ball,
233
668520
1953
Dit speeltje hier heet de Magic 8 Ball,
11:10
and it's really amazing,
234
670497
1199
heel verbazingwekkend,
11:11
because if you have a decision to make, a yes or no question,
235
671720
2896
omdat als je een besluit moet nemen, een ja of nee vraag,
11:14
all you have to do is you shake the ball, and then you get an answer --
236
674640
3736
je alleen de bal maar hoeft te schudden en dan krijg je het antwoord
11:18
"Most Likely" -- right here in this window in real time.
237
678400
2816
-- "Hoogstwaarschijnlijk" -- hier in dit venster, hier en nu.
11:21
I'll have it out later for tech demos.
238
681240
2096
Ik laat hem straks rondgaan ter demonstratie.
11:23
(Laughter)
239
683360
1216
(Gelach)
11:24
Now, the thing is, of course -- so I've made some decisions in my life
240
684600
3576
Wat ik natuurlijk wil zeggen is dat ik besluiten heb genomen in mijn leven
11:28
where, in hindsight, I should have just listened to the ball.
241
688200
2896
waarbij ik achteraf toch naar de bal had moeten luisteren.
11:31
But, you know, of course, if you have the data available,
242
691120
3336
Maar als je de data tot je beschikking hebt,
11:34
you want to replace this with something much more sophisticated,
243
694480
3056
wil je zo'n bal door iets veel geavanceerders vervangen,
11:37
like data analysis to come to a better decision.
244
697560
3616
zoals data-analyse, om tot een besluit te komen.
11:41
But that does not change the basic setup.
245
701200
2616
Maar fundamenteel verandert er niets.
11:43
So the ball may get smarter and smarter and smarter,
246
703840
3176
De bal kan slimmer en slimmer en slimmer worden,
11:47
but I believe it's still on us to make the decisions
247
707040
2816
maar ik denk dat wij nog steeds de beslissingen moeten nemen
11:49
if we want to achieve something extraordinary,
248
709880
3016
als we iets buitengewoons willen bereiken
11:52
on the right end of the curve.
249
712920
1936
aan de rechterkant van de curve.
11:54
And I find that a very encouraging message, in fact,
250
714880
4496
Ik vind dat eigenlijk een hele bemoedigende boodschap,
11:59
that even in the face of huge amounts of data,
251
719400
3976
dat het zelfs onder het oog van grote hoeveelheden data
12:03
it still pays off to make decisions,
252
723400
4096
loont om besluiten te nemen,
12:07
to be an expert in what you're doing
253
727520
2656
om expert te zijn bij wat je doet
12:10
and take risks.
254
730200
2096
en om risico's te nemen.
12:12
Because in the end, it's not data,
255
732320
2776
Want uiteindelijk zijn het niet de data
maar de risico's die je doen belanden aan de rechterzijde van de curve.
12:15
it's risks that will land you on the right end of the curve.
256
735120
3960
12:19
Thank you.
257
739840
1216
Dank je wel.
12:21
(Applause)
258
741080
3680
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7