The human insights missing from big data | Tricia Wang

Перекладач: Inna Fedorenko Утверджено: Khrystyna Romashko

In ancient Greece,

В стародавній Греції,

when anyone from slaves to soldiers, poets and politicians,

коли комусь: чи рабу чи солдату, поету чи політику

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

потрібно було прийняти найважливіше в житті рішення,

like, "Should I get married?"

типу: "Чи одружитися мені?",

or "Should we embark on this voyage?"

або "Чи повинні ми розпочати цю подорож?",

or "Should our army advance into this territory?"

або " Чи потрібно армії рушати на цю територію?",

they all consulted the oracle.

вони всі йшли за порадою до оракула.

So this is how it worked:

Як це працювало:

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

ви задаєте їй питання, стаєте на коліна

and then she would go into this trance.

і тоді вона впадає в транс.

It would take a couple of days,

Це займало кілька днів,

and then eventually she would come out of it,

і тоді, врешті, вона виходить з нього,

її передбачення і будуть вашою відповіддю.

giving you her predictions as your answer.

Від оракулів стародавнього Китаю

From the oracle bones of ancient China

to ancient Greece to Mayan calendars,

до стародавньої Греції та календарів майя,

people have craved for prophecy

люди чекали на пророцтва,

щоб дізнатися, що відбудеться в майбутньому.

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

Все це тому, що нам потрібно прийняти правильні рішення.

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

We don't want to miss something.

Ми не хочемо щось пропустити.

The future is scary,

Майбутнє є непевним,

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

тож набагато краще знати, що ми можемо прийняти рішення

with some assurance of the outcome.

з певною гарантією результату.

Well, we have a new oracle,

Що ж, у нас є новий оракул,

and it's name is big data,

його ім'я великі дані,

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

ми звемо його "Ватсон" чи "глибоке вивчення" або "нейронна мережа".

І ось найтиповіші з питань, які ми зараз питаємо нашого оракула,

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

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

"Який найефективніший спосіб переправити телефони

from China to Sweden?"

з Китаю до Швеції?"

Or, "What are the odds

Або "Які шанси,

of my child being born with a genetic disorder?"

що моя дитина народиться із вродженими вадами?"

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

Чи "Який обсяг продажів можна передбачити для цього товару?"

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

У мене є собака. Її звати Ель і вона ненавидить дощ.

And I have tried everything to untrain her.

Я спробувала все, щоб вона позбулась цього відчуття.

But because I have failed at this,

Але оскільки мені не вдалося,

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

я мала консультуватися з оракулом під назвою Темне Небо

every time before we go on a walk,

кожного разу, коли виходила з нею на прогулянку

for very accurate weather predictions in the next 10 minutes.

для точних прогнозів погоди кожні 10 хвилин.

She's so sweet.

Вона така мила.

Через все це наш оракул - це індустрія у 122 мільйони доларів.

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

Now, despite the size of this industry,

Та незважаючи на розмір цієї індустрії,

the returns are surprisingly low.

прибутки є надзвичайно низькими.

Дуже легко інвестувати в великі дані,

Investing in big data is easy,

but using it is hard.

але користуватися важко.

Більш ніж 73% проектів гігантських даних навіть не є прибутковими,

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

and I have executives coming up to me saying,

деякі керівники підходять до мене і кажуть,

"We're experiencing the same thing.

"Ми помічаємо те ж саме.

We invested in some big data system,

Ми інвестували в певну систему даних,

and our employees aren't making better decisions.

та наші співробітники не приймають кращі рішення.

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

І у них вже точно не з'являються проривні ідеї."

So this is all really interesting to me,

Це все дійсно мене цікавить,

because I'm a technology ethnographer.

оскільки я технологічний етнограф.

Я вивчаю та надаю компаніям

I study and I advise companies

зразки, як використовувати технології,

on the patterns of how people use technology,

and one of my interest areas is data.

і одним із моїх інтересів є дані.

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

Чому накопичення більшої кількості даних не допомагає приймати кращі рішення,

especially for companies who have all these resources

особливо для тих компаній, котрі мають всі ці ресурси

to invest in these big data systems?

для інвестицій у великі системи даних?

Why isn't it getting any easier for them?

Чому їм не стає легше?

So, I've witnessed the struggle firsthand.

Тож я на власні очі бачила цю боротьбу.

В 2009 році я розпочала своє дослідження в Nokia.

In 2009, I started a research position with Nokia.

В той час

And at the time,

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

Nokia була однією з найбільших компаній мобільного зв'язку у світі,

dominating emerging markets like China, Mexico and India --

з основними ринками в Китаї, Мексиці та Індії --

all places where I had done a lot of research

це все місця, де я провела чимало досліджень про те,

on how low-income people use technology.

як люди із низьким доходом користуються технологіями.

And I spent a lot of extra time in China

І я провела чимало часу в Китаї,

getting to know the informal economy.

ознайомлюючись із неформальною економікою.

So I did things like working as a street vendor

Тож я працювала вуличним постачальником,

selling dumplings to construction workers.

продавала пельмені будівельникам.

Or I did fieldwork,

Або ж я працювала в полі,

spending nights and days in internet cafés,

проводила дні та ночі в інтернет-кафе,

hanging out with Chinese youth, so I could understand

проводила час з китайською молоддю, щоб зрозуміти,

how they were using games and mobile phones

як вони використовують ігри та мобільні телефони

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

та користуються ними між поїздками від сільських районів до міст.

Through all of this qualitative evidence that I was gathering,

Завдяки зібраним мною всім якісним доказам,

I was starting to see so clearly

я почала ясно бачити

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

ту велику зміну, яка мала відбутися серед китайців з низьким доходом.

Even though they were surrounded by advertisements for luxury products

Хоча їх оточувала реклама продуктів для високого класу,

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

як чудернацькі туалети -- хто б такий не хотів? --

and apartments and cars,

чи квартира, чи автомобіль,

through my conversations with them,

розмовляючи з ними

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

я побачила, що їх найбільше вабила реклама

were the ones for iPhones,

одного з айфонів,

promising them this entry into this high-tech life.

що обіцяло їм квиток до такого високотехнологічного життя.

Навіть, коли я жила з ними в таких міських нетрях, як ось це місце,

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

I saw people investing over half of their monthly income

то бачила людей, котрі інвестували більшу половину свого місячного доходу

into buying a phone,

в покупку телефона,

and increasingly, they were "shanzhai,"

і переважно це були "шанджай",

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

дешеві підробки айфонів та інших марок.

Ними можна було користуватися.

They're very usable.

Вони робили свою роботу.

Does the job.

Після кількох років спільного проживання з мігрантами та роботи з ними

And after years of living with migrants and working with them

and just really doing everything that they were doing,

і просто виконуючи все, що робили і вони,

I started piecing all these data points together --

я почала складати докупи всі ці дані --

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

від речей, що видаються випадковими, тоді, коли я продавала пельмені,

to the things that were more obvious,

до більш очевидних речей,

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

коли відслідковувала, скільки грошей вони витрачають на мобільні телефони.

And I was able to create this much more holistic picture

Я змогла створити більш цілісне зображення

of what was happening.

того, що відбувається.

And that's when I started to realize

Саме тоді я почала усвідомлювати,

that even the poorest in China would want a smartphone,

що навіть найбідніша людина в Китаї хотіла смартфон,

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

і що вони зроблять майже все, щоб отримати його.

Не забувайте,

You have to keep in mind,

iPhones had just come out, it was 2009,

що Айфон тільки щойно вийшов, це було в 2009,

so this was, like, eight years ago,

тож це було 8 років тому,

and Androids had just started looking like iPhones.

і андроїд тільки почав виглядати як айфон.

And a lot of very smart and realistic people said,

І чимало розумних та реалістичних людей говорили:

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

"Ці смартфони - це просто примха.

Хто захоче носитися із цими тяжкими речами,

Who wants to carry around these heavy things

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

коли батареї швидко розряджаються і розбиваються, коли падають?"

But I had a lot of data,

Та у мене було чимало даних,

and I was very confident about my insights,

я була впевнена у своїх поглядах,

so I was very excited to share them with Nokia.

тому я поспішила поділитися ними з Nokia.

But Nokia was not convinced,

Але Nokia було не переконати,

because it wasn't big data.

бо це не були великі дані.

Вони сказали: " У нас мільйони точок даних

They said, "We have millions of data points,

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

і ми не бачимо жодних ознак, що хтось хоче купити смартфон,

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

а ваші дані базовані лише на ста точках, при такому різноманітті це занадто мало,

for us to even take seriously."

щоб ми сприйняли це серйозно."

Я сказала, "Nokia, ви праві.

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

Of course you wouldn't see this,

Звичайно, ви цього не побачите,

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

бо ви проводите ваші дослідження на базі того, що люди не знають,

what a smartphone is,

що таке смартфони,

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

і тому ви не отримаєте жодної інформації,

about people wanting to buy a smartphone in two years.

про людей, які захочуть купити смартфони через два роки.

Your surveys, your methods have been designed

Ваші дослідженя, методи створені,

to optimize an existing business model,

щоб оптимізувати вже існуючу бізнес-модель,

and I'm looking at these emergent human dynamics

а я шукаю серед цієї людської динаміки,

that haven't happened yet.

яка навіть ще не почала діяти.

We're looking outside of market dynamics

Ми шукаємо поза ринковою динамікою,

so that we can get ahead of it."

щоб йти попереду неї."

Ви знаєте, що трапилось із Nokia?

Well, you know what happened to Nokia?

Their business fell off a cliff.

Їх бізнес розвалився.

Це ціна того, на що вони не звернули увагу.

This -- this is the cost of missing something.

It was unfathomable.

Цього не можна було передбачити.

Та Nokia не єдині.

But Nokia's not alone.

Я бачила організації, які весь час зневажали дані,

I see organizations throwing out data all the time

because it didn't come from a quant model

бо вони брались не від статистичної моделі,

or it doesn't fit in one.

або не узгоджувались із нею.

Але це не вина великих даних.

But it's not big data's fault.

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

Це спосіб, у який ми користуємось великими даними; це наша відповідальність.

Успішна репутація великих даних

Big data's reputation for success

comes from quantifying very specific environments,

береться зі статистичної оцінки дуже специфічних середовищ,

like electricity power grids or delivery logistics or genetic code,

таких як електромережі, логістика доставок чи генетичний код,

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

коли ми оцінюємо більш-менш локалізовані системи.

But not all systems are as neatly contained.

Та не всі системи є струнко організованими.

When you're quantifying and systems are more dynamic,

Коли ви робите перелік, а системи є більш динамічними,

especially systems that involve human beings,

особливо системи, які залучають людський фактор,

forces are complex and unpredictable,

складні та непередбачувані сили,

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

і всі інші речі, які ми не знаємо, як саме внести до плану.

Коли ти передбачиш щось у людській поведінці,

Once you predict something about human behavior,

new factors emerge,

то виникне новий фактор,

because conditions are constantly changing.

бо умови постійно змінюються.

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

Саме тому це нескінченний цикл.

You think you know something,

Ви думаєте, що щось знаєте,

and then something unknown enters the picture.

а тоді на картинці з'являється щось невідоме.

And that's why just relying on big data alone

Саме тому залежність лише від великих даних

збільшує шанси, на те що щось пройде повз нашу увагу,

increases the chance that we'll miss something,

while giving us this illusion that we already know everything.

але в той же час дає нам ілюзію того, що ми вже все знаємо.

Через що ми дійсно не помічаємо цей парадокс,

And what makes it really hard to see this paradox

and even wrap our brains around it

та навіть озброюємо себе цим,

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

це річ, яку я називаю кількісним зміщенням,

which is the unconscious belief of valuing the measurable

кількісна несвідома віра у перевагу вимірюваного

over the immeasurable.

над невимірним.

Ми часто спостерігаємо це на роботі.

And we often experience this at our work.

Maybe we work alongside colleagues who are like this,

Можливо, ми працюємо поруч із такими колегами

чи, можливо, з цілою компанією,

or even our whole entire company may be like this,

where people become so fixated on that number,

де люди стають такими націленими на числа,

що не помічають нічого поза ними,

that they can't see anything outside of it,

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

навіть, коли ви показуєте їм очевидні речі прямо перед їх носом.

And this is a very appealing message,

Це повідомлення із закликом,

because there's nothing wrong with quantifying;

бо в кількісній оцінці немає нічого поганого,

it's actually very satisfying.

власне, це дуже добре.

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

Я відчуваю такий комфорт при перегляді таблиці Excel,

even very simple ones.

навіть дуже простої.

(Laughter)

(Сміх)

Хочеться сказати:

It's just kind of like,

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

"Так! Формула працює. Все чудово. Все під контролем.

Але проблема в тому,

But the problem is

що кількісна оцінка викликає звикання.

that quantifying is addictive.

And when we forget that

І коли ми це забуваємо,

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

у нас немає нічого, що можна нанести на чек,

it's very easy to just throw out data

тож викинути дані дуже легко,

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

бо їх не можна показати кількісно.

Дуже легко просто шукати парочку-виручалочку,

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

ніби існує якесь просте рішення.

as if some simple solution existed.

Це небезпечний момент для будь-якої організації,

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

because oftentimes, the future we need to predict --

бо часто майбутнє, яке нам потрібно передбачити --

it isn't in that haystack,

не в тому стозі сіна,

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

а в торнадо, яке викидає нас

outside of the barn.

із амбару.

There is no greater risk

Небає більшого ризику,

than being blind to the unknown.

ніж не бачити невідоме.

It can cause you to make the wrong decisions.

Ви можете прийняти неправильне рішення.

It can cause you to miss something big.

Ви можете пропустити щось велике.

Але ми не маємо йти цією стежкою.

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

Виявляється, що оракул стародавньої Греції,

It turns out that the oracle of ancient Greece

holds the secret key that shows us the path forward.

має таємний ключ, який направляє нас по стежці.

Сучасні геологічні дослідження показали,

Now, recent geological research has shown

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

що храм Аполлона, одне з найбільших місць розташування оракулів,

was actually built over two earthquake faults.

був побудований на двох геологічних розломах.

And these faults would release these petrochemical fumes

І ці розломи вивільняли нафтохімічні випаровування

from underneath the Earth's crust,

з-під земної кори,

and the oracle literally sat right above these faults,

тож оракули буквально сиділи на цих розломах

inhaling enormous amounts of ethylene gas, these fissures.

і вдихали неймовірну кількість етиленового газу з цих тріщин.

(Laughter)

(Сміх)

It's true.

Це правда.

(Laughter)

(Сміх)

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

Це все правда, саме це змушувало її бубніти та бачити галюцинації

and go into this trance-like state.

і поринати в стан трансу.

She was high as a kite!

Вона літала в височині!

(Laughter)

(Сміх)

So how did anyone --

Як комусь...

How did anyone get any useful advice out of her

Як комусь вдавалось отримати від неї корисну пораду

in this state?

в такому стані?

Ви бачите людей поруч з оракулом?

Well, you see those people surrounding the oracle?

You see those people holding her up,

Ви бачите, що вони піднімають її,

because she's, like, a little woozy?

бо вона наче сп'яніла?

And you see that guy on your left-hand side

І бачите того хлопця зліва,

holding the orange notebook?

котрий тримає оранжеву книгу?

Well, those were the temple guides,

Вони були охоронцями храму

and they worked hand in hand with the oracle.

і працювали пліч-о-пліч з оракулом.

Коли приходили прохачі і ставали на коліна,

When inquisitors would come and get on their knees,

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

саме тоді починали працювати охоронці храму,

because after they asked her questions,

бо коли вони задавали їй питання,

they would observe their emotional state,

вони дивились на їх емоційний стан

and then they would ask them follow-up questions,

і запитували наступне:

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

"Чому ти хочеш це пророцтво? Хто ти?

What are you going to do with this information?"

Що ти хочеш зробити з цією інформацієїю?"

And then the temple guides would take this more ethnographic,

А потім охоронці храму візьмуть цю етнографічну,

this more qualitative information,

більш якісну інформацію,

and interpret the oracle's babblings.

і перекладуть бурмотіння оракула.

So the oracle didn't stand alone,

Тож оракул не працює один,

and neither should our big data systems.

так само має бути із нашою системою великих даних.

Пояснюю ще раз,

Now to be clear,

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

я не хочу сказати, що система великих даних вдихає етиленовий газ

or that they're even giving invalid predictions.

або видає неправильні передбачення.

The total opposite.

Ні, зовсім протилежне.

But what I am saying

Я хочу сказати,

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

що так само, як оракулові були потрібні охоронці храму,

our big data systems need them, too.

так само їх потребує і наша система.

They need people like ethnographers and user researchers

Їм потрібні такі люди, як етнографи, дослідники користувачів,

who can gather what I call thick data.

щоб зібрати те, що я називаю насиченими даними.

Це цінні дані від людей,

This is precious data from humans,

like stories, emotions and interactions that cannot be quantified.

як історії, емоції та спілкування, які не перевести в числа.

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

Це ті дані, які я зібрала для Nokia,

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

що мають форму дуже маленького зразка,

but delivers incredible depth of meaning.

але несуть в собі неймовірне значення.

And what makes it so thick and meaty

Такими насиченими та значними їх робить

досвід розуміння людської природи.

is the experience of understanding the human narrative.

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

Це допомагає побачити, чого не вистачає в наших моделях.

насичені дані приземляють питання бізнесу до питань людини,

Thick data grounds our business questions in human questions,

and that's why integrating big and thick data

і саме тому інтеграція великих та насичених даних

forms a more complete picture.

дає більш комплексну картину.

Великі дані можуть показати масштабне розуміння

Big data is able to offer insights at scale

and leverage the best of machine intelligence,

та використовують всі можливості машинного інтелекту,

whereas thick data can help us rescue the context loss

в той час, як насичені дані можуть допомогти врятувати контекст,

that comes from making big data usable,

що втрачається при використанні великих даних,

and leverage the best of human intelligence.

та зможуть використати всі можливості людського інтелекту.

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

І коли ви поєднаєте їх, то буде справді цікаво,

because then you're no longer just working with data

бо ви вже не працюватимете

you've already collected.

із зібраними даними.

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

Ви будете працювати із ще не зібраними даними.

You get to ask questions about why:

Ви ставитимете питання чому:

Why is this happening?

Чому це відбувається?

Now, when Netflix did this,

Коли в компанії Netflix зробили це,

вони відкрили абсолютно новий шлях для зміни бізнесу.

they unlocked a whole new way to transform their business.

Netflix стали відомими за свій справді чудовий алгоритм корисних дій,

Netflix is known for their really great recommendation algorithm,

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

і вони мали приз для кожного, хто зміг би поліпшити його.

І були переможці.

And there were winners.

Та Netflix помітили, що всі зміни підходили лише для першого етапу.

But Netflix discovered the improvements were only incremental.

Щоб зрозуміти, що відбувається насправді,

So to really find out what was going on,

they hired an ethnographer, Grant McCracken,

вони запросили етнографа Гранта МакКракена,

to gather thick data insights.

щоб він зібрав насичені дані.

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

Він відкрив те, що вони спочатку і не помічали

in the quantitative data.

в числових даних.

Він помітив, що люди обожнюють тупитися в телевізор.

He discovered that people loved to binge-watch.

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

Фактично, їх за це не мучить совість.

Їм це подобається.

They enjoyed it.

(Laughter)

(Сміх)

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

Тож Netflix сказали: "О. Це новий погляд."

So they went to their data science team,

Вони звернулися до своєї наукової команди з даних,

and they were able to scale this big data insight

і вже змогли виміряти нові дані

поруч із чисельними даними.

in with their quantitative data.

And once they verified it and validated it,

Як тільки вони засвідчили це,

Netflix decided to do something very simple but impactful.

Netflix вирішили зробити дещо просте, але значне.

Вони сказали, що замість того, щоб пропонувати те ж саме шоу в різних жанрах

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

or more of the different shows from similar users,

чи різні шоу від подібних ведучих,

we'll just offer more of the same show.

ми просто запропонуємо більше того самого шоу.

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

Ваше зависання з телевізором ми зробимо легшим.

And they didn't stop there.

Вони на зупинились на цьому.

They did all these things

Вони зробили все можливе,

to redesign their entire viewer experience,

щоб переробити весь глядацький досвід,

to really encourage binge-watching.

щоб справді заохотити споглядання телевізора.

Саме тому люди та їх знайомі зникають на цілі вихідні в один і той же час,

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

catching up on shows like "Master of None."

присівши на шоу типу "Майстер не на всі руки".

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

Поєднавши великі дані та грубі дані, вони не тільки покращили свій бізнес,

but they transformed how we consume media.

але і трансформували спосіб споживання телебачення.

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

А зараз їх акції у наступні кілька років за прогнозами збільшаться.

Це не просто означає більше дивитися більше відео

But this isn't just about watching more videos

or selling more smartphones.

чи продавати більше смартфонів.

For some, integrating thick data insights into the algorithm

Для деяких приєднання насичених даних до алгоритмів

буде питанням життя і смерті,

could mean life or death,

especially for the marginalized.

особливо для соціально відокремлених.

По всій країні поліцейські відділи використовують великі дані

All around the country, police departments are using big data

для прогнозу поліцейської діяльності,

for predictive policing,

щоб встановити сталі числа та рекомендації щодо винесення вироку,

to set bond amounts and sentencing recommendations

in ways that reinforce existing biases.

щоб змінити існуючі настрої.

Алгоритм НАСА навчання машин Skynet (Скайнет)

NSA's Skynet machine learning algorithm

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

можливо, посприяв смерті тисяч цивільних в Пакистані

від неправильного прочитання метаданих стільникового пристрою.

from misreading cellular device metadata.

As all of our lives become more automated,

Життя всіх стало більш автоматизованим,

from automobiles to health insurance or to employment,

від автомобілів до медичної страхівки чи до пошуку роботи,

it is likely that all of us

ймовірно, на всіх нас

will be impacted by the quantification bias.

впливають чисельні дані.

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

Тепер, гарні новини, до яких ми довго йшли

from huffing ethylene gas to make predictions.

від запаху етиленового газу до прогнозів.

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

У нас є кращі пристрої, тож давайте їх краще використовувати.

Давайте інтегрувати великі дані з насиченими даними.

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

Let's bring our temple guides with the oracles,

Давайте поєднаємо наших охоронців храму з оракулом,

and whether this work happens in companies or nonprofits

немає значення, чи це трапляється в компаніях, благодійних організаціях,

урядах чи навіть в програмах,

or government or even in the software,

all of it matters,

все це має значення,

because that means we're collectively committed

бо означає, що ми всі разом змогли

to making better data,

створити кращі дані,

better algorithms, better outputs

кращі алгоритми, кращі результати

and better decisions.

та кращі рішення.

This is how we'll avoid missing that something.

Саме так ми не пропустимо чогось важливого.

(Applause)

(Оплески)