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

Översättare: Annika Bidner Granskare: Anders Björk

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

Roy Price är en man som de flesta av er förmodligen aldrig hört talas om,

even though he may have been responsible

även om han kan ha varit ansvarig

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

för 22 ganska mediokra minuter av ditt liv den 19 april 2013.

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

Han kan också ha varit ansvarig för 22 väldigt underhållande minuter,

but not very many of you.

men inte för så många av er.

And all of that goes back to a decision

Och allt beror på ett beslut

that Roy had to make about three years ago.

som Roy var tvungen att ta för ungefär tre år sen.

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

Ni förstår, Roy Price är en hög chef inom Amazon Studios.

That's the TV production company of Amazon.

Det är Amazons produktionsbolag för tv.

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

Han är 47 år gammal, smal, med taggigt hår,

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

beskriver sig på Twitter som "film, tv, teknik, tacos".

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

Roy Price har ett ansvarsfullt jobb, för det är hans ansvar att välja

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

vilka serier, vilket originalinnehåll som Amazon ska ta fram.

And of course that's a highly competitive space.

Självklart innebär det hög konkurrens.

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

Det görs så många tv-serier,

that Roy can't just choose any show.

så Roy kan inte välja vilken serie som helst.

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

Han måste hitta en riktigt, riktigt bra serie.

So in other words, he has to find shows

Med andra ord måste han hitta serier

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

som ligger längst ut till höger på den här kurvan.

So this curve here is the rating distribution

Den här kurvan är betygsfördelningen

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

för ungefär 2 500 tv-serier i IMDBs databas,

and the rating goes from one to 10,

och betygssnittet kan vara mellan 1 och 10,

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

och höjden här visar hur många serier som får det betyget.

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

Så om en serie får ett snittbetyg på 9 poäng eller högre är den en vinnare.

Then you have a top two percent show.

Då har man en serie bland de 2 procenten.

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

Det är serier som "Breaking Bad", "Game of Thrones", "The Wire".

so all of these shows that are addictive,

De här serierna är beroendeframkallande,

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

så när man har sett en säsong säger ens hjärna liksom,

"Where can I get more of these episodes?"

"Var kan jag hitta fler sådana här avsnitt?"

That kind of show.

Den sortens serie.

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

Till vänster, här borta, för att vara tydlig,

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

finns en serie som heter "Toddles and Tiaras" -

(Laughter)

(Skratt)

-- which should tell you enough

- vilket borde säga nog om

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

vad som händer på den sidan av kurvan.

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

Roy Price är inte orolig för att hamna på den sidan av kurvan,

because I think you would have to have some serious brainpower

för jag tror att man behöver ha en riktigt skarp hjärna

för att bli sämre än "Toddlers and Tiaras".

to undercut "Toddlers and Tiaras."

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

Vad han oroar sig för är klumpen i mitten,

the bulge of average TV,

klumpen av halvbra tv,

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

ni vet, sådana där serier som varken är bra eller dåliga,

they don't really get you excited.

som inte gör någon exalterad.

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

Så han behöver bli säker på att han verkligen hamnar rätt.

So the pressure is on,

Det finns ett tryck på att lyckas,

and of course it's also the first time

och det är förstås också första gången

that Amazon is even doing something like this,

som Amazon ens gör något sånt här,

so Roy Price does not want to take any chances.

så Roy Price vill inte ta några risker.

He wants to engineer success.

Han vill bygga framgång.

He needs a guaranteed success,

Han behöver en garanterad succé,

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

så han anordnar en tävling.

So he takes a bunch of ideas for TV shows,

Han tar ett antal tv-seriekoncept

and from those ideas, through an evaluation,

och genom att utvärdera dem

they select eight candidates for TV shows,

tar de ut åtta kandidater till tv-serier,

och sen gör han det första avsnittet av var och en av dessa tv-serier

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

and puts them online for free for everyone to watch.

och lägger ut dem gratis online så att alla kan se dem.

And so when Amazon is giving out free stuff,

Och när Amazon delar ut saker gratis

you're going to take it, right?

vill man ha dem, eller hur?

So millions of viewers are watching those episodes.

Så miljoner människor tittar på avsnitten.

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

Vad de inte inser är att när de tittar på sina serier

actually, they are being watched.

är det de som blir betraktade.

They are being watched by Roy Price and his team,

De betraktas av Roy Price och hans team,

who record everything.

som spelar in allt.

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

De spelar in när någon trycker play, när någon pausar,

what parts they skip, what parts they watch again.

vilka delar de hoppar över, vilka delar de ser igen.

So they collect millions of data points,

De samlar in miljontals datapunkter,

because they want to have those data points

för de vill ha dem

to then decide which show they should make.

när de bestämmer vilken tv-serie de ska göra.

And sure enough, so they collect all the data,

Så de samlar in datan,

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

de bearbetar informationen, och ett svar träder fram,

and the answer is,

och svaret är,

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

"Amazon borde göra en komedi om fyra republikanska senatorer i USA."

They did that show.

De gjorde den serien.

So does anyone know the name of the show?

Vet någon vad serien heter?

(Audience: "Alpha House.")

(Publiken: "Alpha House")

Yes, "Alpha House,"

Ja, "Alpha House",

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

men det verkar faktiskt inte vara så många av er som minns den serien,

because it didn't turn out that great.

för den blev inte så bra.

It's actually just an average show,

Det blev bara en medioker serie,

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

rent bokstavligen, för mitten på kurvan är 7,4,

and "Alpha House" lands at 7.5,

och "Alpha House" landade på 7,5,

so a slightly above average show,

en serie strax över genomsnittet,

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

men det var verkligen inte vad Roy Price och hans team siktade på.

Meanwhile, however, at about the same time,

Men ungefär samtidigt

at another company,

på ett annat företag

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

lyckades en annan hög chef ro i land en toppserie med hjälp av dataanalys,

and his name is Ted,

och han heter Ted,

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

Ted Sarandos, som är innehållschef på Netflix,

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

och precis som Roy letar han ständigt

to find that great TV show,

efter den stora tv-serien,

and he uses data as well to do that,

och han använder data för att göra det,

except he does it a little bit differently.

men han gör det på ett lite annorlunda sätt.

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

Så istället för att hålla en tävling,

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

tittade han och hans team på den data som de redan hade om Netflixtittare,

you know, the ratings they give their shows,

som de betyg de gett till deras serier,

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

tittarhistoriken, vilka serier de gillade, och så vidare.

And then they use that data to discover

De använde datan för att upptäcka

all of these little bits and pieces about the audience:

alla små detaljer om sin publik:

what kinds of shows they like,

vilka slags serier de gillade,

vilka slags producenter, vilka slags skådespelare.

what kind of producers, what kind of actors.

And once they had all of these pieces together,

Och när de väl hade satt ihop alla delar

they took a leap of faith,

gjorde de en chansning

and they decided to license

och bestämde sig för att skapa

not a sitcom about four Senators

inte en komedi om fyra senatorer,

but a drama series about a single Senator.

utan en dramaserie om en enda senator.

You guys know the show?

Vet ni vilken serie?

(Laughter)

(Skratt)

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

Ja, "House of Cards", och Netflix slog förstås huvudet på spiken med den,

at least for the first two seasons.

iallafall de första två säsongerna.

(Laughter) (Applause)

(Skratt) (Applåder)

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

"House of Cards" får 9,1 i snittbetyg på kurvan,

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

så det är precis där de ville vara.

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

Nu är frågan, vad hände här?

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

Vi har två väldigt tävlingsinriktade, datakunniga företag.

They connect all of these millions of data points,

De kombinerar miljontals datapunkter,

and then it works beautifully for one of them,

och sen går det utmärkt för en av dem,

and it doesn't work for the other one.

och det fungerar inte för den andra.

So why?

Varför?

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

För logiken säger att det borde fungera varje gång.

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

Om man samlar ihop miljontals datapunkter

on a decision you're going to make,

om ett beslut man ska fatta

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

så borde det bli ett ganska bra beslut.

You have 200 years of statistics to rely on.

Det finns 200 år av statistik att luta sig mot.

You're amplifying it with very powerful computers.

Den förstärks med kraftfulla datorer.

The least you could expect is good TV, right?

Det minsta man kan begära är bra tv, eller hur?

And if data analysis does not work that way,

Om dataanalys inte fungerar på det sättet

then it actually gets a little scary,

så blir det lite skrämmande,

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

för vi lever i en tid där vi allt oftare lutar oss mot data

to make very serious decisions that go far beyond TV.

för att fatta allvarliga beslut som går långt bortom tv.

Does anyone here know the company Multi-Health Systems?

Känner någon här till företaget Multi-Health Systems?

No one. OK, that's good actually.

Ingen. OK, det är faktiskt bra.

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

Multi-Health Systems är ett mjukvaruföretag,

and I hope that nobody here in this room

och jag hoppas att ingen i det här rummet

ever comes into contact with that software,

någonsin kommer i kontakt med deras mjukvara,

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

för det betyder att du sitter i fängelse.

(Laughter)

(Skratt)

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

Om någon här i USA sitter i fängelse och de ansöker om villkorlig frigivning

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

är det väldigt sannolikt att dataanalysprogram

från det företaget kommer att användas för att pröva frigivningen.

will be used in determining whether to grant that parole.

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

Så det är samma princip som för Amazon och Netflix,

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

men istället för att bestämma om en tv-serie ska bli bra eller dålig

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

bestämmer man om en person ska bli bra eller dålig.

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

Och 22 minuter av medioker tv kan vara ganska dåligt,

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

men jag antar att fler år i fängelse är ännu värre.

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

Oturligt nog finns det faktiskt en del bevis för att den här dataanalysen,

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

även om den har massor av data, inte alltid producerar optimala resultat.

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

Det beror inte på att ett företag som Multi-Health Systems

doesn't know what to do with data.

inte vet vad de ska göra med informationen.

Even the most data-savvy companies get it wrong.

Även datakunniga företag gör fel.

Yes, even Google gets it wrong sometimes.

Ja, till och med Google har fel ibland.

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

2009 sa Google att de med hjälp av dataanalys

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

kunde förutsäga utbrott av influensa, den elaka sortens förkylning,

by doing data analysis on their Google searches.

genom att genomföra dataanalys av sina Google-sökningar.

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

Och det fungerade fint, vilket gav stor uppmärksamhet i medierna,

inklusive det yttersta beviset på vetenskaplig framgång:

including the pinnacle of scientific success:

a publication in the journal "Nature."

en artikel i tidskriften "Nature".

It worked beautifully for year after year after year,

Det fungerade fint i flera år,

until one year it failed.

tills det ett år inte fungerade längre.

And nobody could even tell exactly why.

Och ingen kunde ens säga riktigt varför.

It just didn't work that year,

Det fungerade bara inte det året,

och det fick förstås också mycket publicitet,

and of course that again made big news,

including now a retraction

inklusive ett tillbakadragande

of a publication from the journal "Nature."

av artikeln i "Nature".

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

Så till och med de med de datakunniga företagen

som Amazon och Google har ibland fel.

they sometimes get it wrong.

And despite all those failures,

Och trots alla dessa misslyckanden

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

får data snabbt ett större inflytande över beslut i verkliga livet -

into the workplace,

på arbetsplatsen,

law enforcement,

inom rättsväsendet,

medicine.

inom medicin.

So we should better make sure that data is helping.

Så vi borde verkligen ta reda på ifall data verkligen hjälper oss.

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

Jag har personligen sett en stor del av de här problemen,

because I work in computational genetics,

för jag arbetar inom databeräknad genetik,

which is also a field where lots of very smart people

vilken också är ett fält där många smarta människor

are using unimaginable amounts of data to make pretty serious decisions

använder oerhörda mängder data för att fatta ganska allvarliga beslut,

like deciding on a cancer therapy or developing a drug.

som att välja cancerbehandling eller utveckla en ny medicin.

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

Över åren har jag noterat ett slags mönster,

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

eller en slags regel, kan man säga, om skillnaden

between successful decision-making with data

mellan framgångsrikt och icke framgångsrikt

and unsuccessful decision-making,

beslutsfattande med data

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

och jag har hittat ett mönster som är värt att dela med sig av.

So whenever you're solving a complex problem,

När man löser ett komplext problem

you're doing essentially two things.

gör man i grunden två saker.

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

Den första är

att plocka isär problemet i små bitar så att man kan analysera bitarna

so that you can deeply analyze those bits and pieces,

and then of course you do the second part.

och sen gör man det andra steget.

You put all of these bits and pieces back together again

Men sätter ihop bitarna igen

för att komma till slutsatsen.

to come to your conclusion.

And sometimes you have to do it over again,

Ibland måste man göra om det,

but it's always those two things:

men det handlar alltid de två sakerna:

taking apart and putting back together again.

plocka isär och sätta ihop saker igen.

And now the crucial thing is

Det viktiga är

that data and data analysis

att data och dataanalys

is only good for the first part.

bara är bra för det första steget.

Data and data analysis, no matter how powerful,

Hur kraftfulla data och dataanalys än är, kan bara hjälpa till med

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

att plocka isär ett problem och förstå dess delar.

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

Den passar inte för att sätta ihop delarna igen

and then to come to a conclusion.

för att komma till en slutsats.

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

Det finns ett annat verktyg som kan göra det,

vi har det allihop, och det är hjärnan.

and that tool is the brain.

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

Om det finns något hjärnan är bra på

it's taking bits and pieces back together again,

så är att det att sätta ihop små delar igen,

even when you have incomplete information,

även när den inte har all information,

and coming to a good conclusion,

och kan nå en bra slutsats,

especially if it's the brain of an expert.

speciellt om det är en experts hjärna.

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

Jag tror att det är därför Netflix blev så framgångsrika,

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

för att de använde data och hjärnor där de passade i processen.

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

De använder data för att först förstå många små detaljer om sin publik

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

som de annars inte skulle ha kunnat förstå på samma djup,

but then the decision to take all these bits and pieces

men beslutet om hur de olika detaljerna

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

skulle sättas ihop igen för att bli en serie som "House of Cards"

that was nowhere in the data.

fanns ingenstans i deras data.

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

Ted Sarandos och hans team tog beslutet att godkänna tv-serien,

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

vilket förresten också betydde

a pretty big personal risk with that decision.

att de tog en ganska stor personlig risk när de tog det beslutet.

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

Och Amazon, å andra sidan, de gjorde saken på fel sätt.

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

De använde data för allt sitt beslutsfattande,

först när de höll tävlingen för tv-koncept,

first when they held their competition of TV ideas,

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

och sen när de valde "Alpha House" till den serie de skulle göra.

Which of course was a very safe decision for them,

Vilket självklart var ett säkert val för dem,

because they could always point at the data, saying,

för de kunde alltid peka på data och säga

"This is what the data tells us."

"Vår data säger det här."

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

Men det ledde inte till de enastående resultat som de hoppades på.

Så data är förstås ett oerhört kraftfullt verktyg

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

för att fatta bättre beslut,

but I believe that things go wrong

men jag tror att saker går fel när data börjar styra besluten.

when data is starting to drive those decisions.

No matter how powerful, data is just a tool,

Hur kraftfull den än är, så är data bara ett verktyg,

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

och för att hålla det i minnet tycker jag den här saken är användbar.

Many of you will ...

Många av er kommer ...

(Laughter)

(Skratt)

Before there was data,

Innan det fanns data, var det här

this was the decision-making device to use.

beslutsstödet som användes.

(Laughter)

(Skratt)

Many of you will know this.

Många känner nog igen den.

This toy here is called the Magic 8 Ball,

Den här leksaken heter Magic 8 Ball,

and it's really amazing,

och den är fantastisk,

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

för om du har ett beslut att fatta, en ja- eller nejfråga,

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

behöver du bara skaka bollen för att få ett svar -

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

"Förmodligen" - just här i den här stunden i realtid.

I'll have it out later for tech demos.

Jag kan dema den senare.

(Laughter)

(Skratt)

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

Så här är det förstås, att jag har fattat några beslut i mitt liv

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

där jag i efterhand har förstått att jag borde ha lyssnat på bollen.

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

Men om man har data tillgängliga

you want to replace this with something much more sophisticated,

vill man såklart ersätta den här med något lite mer sofistikerat,

like data analysis to come to a better decision.

till exempel dataanalys, för att fatta ett bättre beslut.

But that does not change the basic setup.

Men det ändrar inte de grundläggande förutsättningarna.

So the ball may get smarter and smarter and smarter,

Så bollen kan bli allt smartare

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

men jag tror att vi fortfarande måste fatta besluten

if we want to achieve something extraordinary,

om vi vill åstadkomma något utöver det vanliga,

on the right end of the curve.

längst till höger på kurvan.

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

Och jag tycker faktiskt att det är ett väldigt uppmuntrande budskap,

that even in the face of huge amounts of data,

att även när vi står inför enorma mängder data

it still pays off to make decisions,

lönar det sig fortfarande att fatta beslut,

to be an expert in what you're doing

att vara en expert på det man gör,

and take risks.

och att ta risker.

Because in the end, it's not data,

För i slutändan är det inte data

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

utan risker som kommer att ta en längst ut till höger på kurvan.

Thank you.

Tack.

(Applause)

(Applåder)