Roy Price je muž, o kterém většina z vás nikdy neslyšela, přestože jste možná díky němu strávili 19.dubna 2013 22 minut tak nějak podprůměrně. Možná někteří z vás díky němu strávili 22 minut života velmi zábavně, ale nejspíš už ne tolik z vás. A toto všechno díky rozhodnutí, které Roy musel udělat.
Roy Price is a man that most of you have probably never heard about, even though he may have been responsible for 22 somewhat mediocre minutes of your life on April 19, 2013. He may have also been responsible for 22 very entertaining minutes, but not very many of you. And all of that goes back to a decision that Roy had to make about three years ago.
Roy Price je vedoucí pracovník v Amazon Studios, což je firma Amazonu zaměřená na TV produkci. Je mu 47, je štíhlý, má zježené vlasy, popisuje se na Twitteru takto: "filmy, TV, technologie, tacos." A Roy Price má velmi zodpovědnou práci, protože jeho zodpovědností je vybrat pořady, které pak Amazon natočí. A to je samozřejmě vysoce konkurenční oblast. Vezměte si, kolik televizních seriálů již bylo natočeno. Roy proto nemůže vybrat jen tak nějaký seriál. Musí najít seriál, který je vážně, vážně skvělý. Jinými slovy, musí najít seriály, které by byly na úplném konci tady této křivky.
So you see, Roy Price is a senior executive with Amazon Studios. That's the TV production company of Amazon. He's 47 years old, slim, spiky hair, describes himself on Twitter as "movies, TV, technology, tacos." And Roy Price has a very responsible job, because it's his responsibility to pick the shows, the original content that Amazon is going to make. And of course that's a highly competitive space. I mean, there are so many TV shows already out there, that Roy can't just choose any show. He has to find shows that are really, really great. So in other words, he has to find shows that are on the very right end of this curve here.
Ta křivka značí rozmístění asi 2500 TV seriálů na IMDB podle jejich hodnocení, které je od 1 do 10, a výška tady ukazuje, kolik seriálů toho hodnocení dosáhlo. Takže váš seriál vyhrává, jestliže dostane 9 nebo více bodů. Pak máte show v horních 2 %. To jsou seriály jako "Perníkový táta", "Hra o trůny", "The Wire", všechny takové ty návykové seriály, u kterých vám mozek po zhlédnutí série v podstatě říká: "Kde seženu další epizody?" Takový typ seriálu. Jen pro ujasnění, na levé straně, tady na konci, se nachází show nazvaná Toddlers and Tiaras (Batolata a čelenky) -
So this curve here is the rating distribution of about 2,500 TV shows on the website IMDB, and the rating goes from one to 10, and the height here shows you how many shows get that rating. So if your show gets a rating of nine points or higher, that's a winner. Then you have a top two percent show. That's shows like "Breaking Bad," "Game of Thrones," "The Wire," so all of these shows that are addictive, whereafter you've watched a season, your brain is basically like, "Where can I get more of these episodes?" That kind of show. On the left side, just for clarity, here on that end, you have a show called "Toddlers and Tiaras" --
(smích)
(Laughter)
- což by mělo dost vypovídat o tom, co se děje na konci té křivky.
-- which should tell you enough about what's going on on that end of the curve.
Teď, Roy Price se nebojí toho, že by se mohl dostat na levý konec křivky, protože si myslím, že k trumfnutí "Batolat a čelenek" musíte mít opravdu ohromnou inteligenci. To, co jej znervózňuje je ta výduť tady uprostřed, výduť průměrné televize, takové ty seriály, které nejsou ani dobré ani špatné, které vás tak moc nenadchnou. On si potřebuje zajistit, aby se jeho show dostala úplně na pravý konec křivky.
Now, Roy Price is not worried about getting on the left end of the curve, because I think you would have to have some serious brainpower to undercut "Toddlers and Tiaras." So what he's worried about is this middle bulge here, the bulge of average TV, you know, those shows that aren't really good or really bad, they don't really get you excited. So he needs to make sure that he's really on the right end of this.
Takže je pod tlakem, a také je to samozřejmě poprvé, co Amazon zkouší něco takového, takže Roy Price nechce riskovat. Chce sestrojit úspěch. Potřebuje garantovaný úspěch, a tak uspořádá soutěž.
So the pressure is on, and of course it's also the first time that Amazon is even doing something like this, so Roy Price does not want to take any chances. He wants to engineer success. He needs a guaranteed success, and so what he does is, he holds a competition.
Takže vezme pár nápadů na TV seriály, a po zvážení z nich vyberou osm kandidátů na TV seriály. Pak natočí jen první epizodu každého z těchto seriálů a dají je pro všechny zadarmo na internet. A když Amazon rozdává věci zadarmo, tak to vezmete, ne? A tak milióny diváku sledují tyto epizody.
So he takes a bunch of ideas for TV shows, and from those ideas, through an evaluation, they select eight candidates for TV shows, and then he just makes the first episode of each one of these shows and puts them online for free for everyone to watch. And so when Amazon is giving out free stuff, you're going to take it, right? So millions of viewers are watching those episodes.
To, co ale neví, je, že zatímco sledují tyto epizody, jsou sami sledováni. Sleduje je Roy Price a jeho tým, a vše zaznamenávají. Zaznamenávají, když někdo zmáčkne přehrát, když někdo video pozastaví, které části lidé přeskakují a které sledují znova. Takže shromažďují milióny dat, protože chtějí ta data, aby pak mohli rozhodnout, který seriál natočit. A tak jsou tedy data shromážděna, zanalyzována, a pak se objeví odpověď, a ta odpověď je: "Amazon by měl udělat sitcom o čtyřech republikánských senátorech." Oni to natočili.
What they don't realize is that, while they're watching their shows, actually, they are being watched. They are being watched by Roy Price and his team, who record everything. They record when somebody presses play, when somebody presses pause, what parts they skip, what parts they watch again. So they collect millions of data points, because they want to have those data points to then decide which show they should make. And sure enough, so they collect all the data, they do all the data crunching, and an answer emerges, and the answer is, "Amazon should do a sitcom about four Republican US Senators." They did that show.
Zná teda někdo jméno toho seriálu? (obecenstvo: "Alpha House.") Ano, "Alpha House." Ale nezdá se, že by si mnoho z vás pamatovalo ten seriál, protože to nakonec nebylo tak skvělé. Ve skutečnosti je to průměrný seriál, a to doslova, protože průměr na křivce je tady na 7,4 a "Alpha House" se umístil na 7,5, takže jen kousek nad průměrem, kam ale určitě Roy Price a jeho tým nemířili. Ale zhruba ve stejnou dobu, v jiné společnosti, dokázal jiný vedoucí provést skvělou ukázku použití analýzy dat, a jeho jméno je Ted, Ted Sarandos, což je vedoucí oddělení obsahu v Netflixu a ten je stejně jako Roy na neustálé misi, kterou je nalezení skvělé show, a také k tomu používá data, jen trochu jiným způsobem. Místo uspořádání soutěže, on a jeho tým prohlédli všechna ta data, co už měli o uživatelích Netflixu, třeba jak hodnotili různé filmy, historie zhlédnutých filmů, co mají lidé rádi atd. A pak ta data použili k zjištění všeho možného o svém publiku: jaké typy seriálů se jim líbí, jací producenti, jací herci. Když měli všechny kousky po hromadě, udělali skok do neznáma, a rozhodli se podpořit něco, co nebyl sitcom o čtyřech senátorech, nýbrž drama o jediném senátorovi. Znáte ten seriál?
So does anyone know the name of the show? (Audience: "Alpha House.") Yes, "Alpha House," but it seems like not too many of you here remember that show, actually, because it didn't turn out that great. It's actually just an average show, actually -- literally, in fact, because the average of this curve here is at 7.4, and "Alpha House" lands at 7.5, so a slightly above average show, but certainly not what Roy Price and his team were aiming for. Meanwhile, however, at about the same time, at another company, another executive did manage to land a top show using data analysis, and his name is Ted, Ted Sarandos, who is the Chief Content Officer of Netflix, and just like Roy, he's on a constant mission to find that great TV show, and he uses data as well to do that, except he does it a little bit differently. So instead of holding a competition, what he did -- and his team of course -- was they looked at all the data they already had about Netflix viewers, you know, the ratings they give their shows, the viewing histories, what shows people like, and so on. And then they use that data to discover all of these little bits and pieces about the audience: what kinds of shows they like, what kind of producers, what kind of actors. And once they had all of these pieces together, they took a leap of faith, and they decided to license not a sitcom about four Senators but a drama series about a single Senator. You guys know the show?
(smích)
(Laughter)
Ano, "House of Cards" a Netflix s tou show pořádně zaválel, aspoň teda s prvními dvěma sériemi.
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
(smích) (potlesk)
(Laughter) (Applause)
"House of Cards" dostal na této křivce hodnocení 9,1, takže je přesně tam, kde jej chtěli mít.
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
A teď se tady skýtá otázka, co se to vlastně stalo? Máme dvě velmi soupeřivé, v datech zběhlé společnosti. Spojí dohromady všechny ty milióny dat, a pak to funguje hladce jenom pro jednu z nich, zatímco pro tu druhou to nefunguje. Takže proč? Logika říká, že by to mělo fungovat vždycky. Když sesbíráte taková kvanta dat, abyste udělali nějaké rozhodnutí, pak by vám to mělo přece celkem dobře vyjít, ne? Máte 200 let statistik na které se spoléháte. Vyhodnocujete všechno s pomocí vysoce výkonných počítačů. To byste mohli očekávat alespoň slušný seriál, že?
Now, the question of course is, what happened here? So you have two very competitive, data-savvy companies. They connect all of these millions of data points, and then it works beautifully for one of them, and it doesn't work for the other one. So why? Because logic kind of tells you that this should be working all the time. I mean, if you're collecting millions of data points on a decision you're going to make, then you should be able to make a pretty good decision. You have 200 years of statistics to rely on. You're amplifying it with very powerful computers. The least you could expect is good TV, right?
A pokud takhle datová analýza nefunguje, pak to začíná být celkem děsivé, protože žijeme v době, kdy se na data stále více a více obracíme, aby nám pomohla učinit velmi závažná rozhodnutí, daleko závažnější než v TV. Znáte někdo společnost Multi-Health Systems? Nikdo, OK, to je vlastně dobře. Dobře, takže Multi-Health System je softwarová společnost, a já doufám, že se s jejich softwarem nesetkal nikdo z této místnosti, protože kdyby ano, tak by byl ve vězení.
And if data analysis does not work that way, then it actually gets a little scary, because we live in a time where we're turning to data more and more to make very serious decisions that go far beyond TV. Does anyone here know the company Multi-Health Systems? No one. OK, that's good actually. OK, so Multi-Health Systems is a software company, and I hope that nobody here in this room ever comes into contact with that software, because if you do, it means you're in prison.
(smích)
(Laughter)
Protože když někdo v USA ve vězení požádá o propuštění na podmínku, pak je velmi pravděpodobné, že software pro datovou analýzu té společnosti bude použit k rozhodnutí, jestli jej pustí. Takže to je ten samý princip jako u Amazonu a Netflixu, Ale namísto určování, jestli bude seriál špatný nebo dobrý, teď rozhoduje, jestli bude člověk špatný nebo dobrý. A podprůměrný 22 minutový TV program, to může být celkem zlé, ale řekl bych, že další roky ve vězení by byly daleko horší.
If someone here in the US is in prison, and they apply for parole, then it's very likely that data analysis software from that company will be used in determining whether to grant that parole. So it's the same principle as Amazon and Netflix, but now instead of deciding whether a TV show is going to be good or bad, you're deciding whether a person is going to be good or bad. And mediocre TV, 22 minutes, that can be pretty bad, but more years in prison, I guess, even worse.
A naneštěstí existuje evidence, že tyto datové analýzy neprodukují vždycky optimální výsledky, přestože mají spousty dat. A to ne kvůli tomu, že by firmy jako Multi-Health Systems nevěděly, co dělat s daty. I ty nejchytřejší datové firmy se někdy zmýlí. Ano, dokonce i Google se občas splete.
And unfortunately, there is actually some evidence that this data analysis, despite having lots of data, does not always produce optimum results. And that's not because a company like Multi-Health Systems doesn't know what to do with data. Even the most data-savvy companies get it wrong. Yes, even Google gets it wrong sometimes.
V roce 2009 Google prohlásil, že jsou schopni pomocí datové analýzy předvídat vypuknutí chřipky tím, že zanalyzují své vyhledávání. Fungovalo to krásně a byl z toho obří poprask v médiích, dokonce to dosáhlo vrcholu vědeckého úspěchu: zveřejnění v časopisu "Nature." Rok za rokem to vše krásně fungovalo, ale pak se to najednou pokazilo. Nikdo nemohl říct, proč přesně. Prostě to ten rok nefungovalo. Samozřejmě se to zase dostalo do zpráv a pak následovalo stažení publikace z časopisu "Nature." Takže i ty nejvyspělejší firmy v oblasti dat, Amazon a Google, to někdy spočítají špatně. A i přes všechna tato selhání se velká data rychle přesouvají do rozhodovacích procesů každodenního života: na pracoviště, vymáhání práva, do medicíny. Takže bychom si radši měli být jisti, že ta data opravdu pomáhají.
In 2009, Google announced that they were able, with data analysis, to predict outbreaks of influenza, the nasty kind of flu, by doing data analysis on their Google searches. And it worked beautifully, and it made a big splash in the news, including the pinnacle of scientific success: a publication in the journal "Nature." It worked beautifully for year after year after year, until one year it failed. And nobody could even tell exactly why. It just didn't work that year, and of course that again made big news, including now a retraction of a publication from the journal "Nature." So even the most data-savvy companies, Amazon and Google, they sometimes get it wrong. And despite all those failures, data is moving rapidly into real-life decision-making -- into the workplace, law enforcement, medicine. So we should better make sure that data is helping.
Nedávno jsem viděl spousty těchto potíží s daty, protože pracuji ve výpočetní genetice, což je obor, ve kterém hodně velmi chytrých lidí používá nepředstavitelná kvanta dat k rozhodování o tak vážných věcech, jako je rakovinová terapie nebo vývoj léků. A za ty roky jsem našel určitý vzor, či pravidlo, v rozdílu mezi úspěšným a neúspěšným rozhodnutím podle dat. A tento vzor pokládám za hodný sdílení, a pracuje to zhruba takhle:
Now, personally I've seen a lot of this struggle with data myself, because I work in computational genetics, which is also a field where lots of very smart people are using unimaginable amounts of data to make pretty serious decisions like deciding on a cancer therapy or developing a drug. And over the years, I've noticed a sort of pattern or kind of rule, if you will, about the difference between successful decision-making with data and unsuccessful decision-making, and I find this a pattern worth sharing, and it goes something like this.
Kdykoliv řešíte komplexní problém, děláte v podstatě dvě věci. Nejprve problém rozeberete na malé kousky a části, abyste poté mohli tyto kousky důkladně zanalyzovat, a pak uděláte, samozřejmě, tu druhou část. Dáte to všechno zase dohromady, abyste mohli dojít k závěru. A někdy to musíte udělat znova a znova, ale pořád děláte tyto dvě věci: rozkládáte a znova skládáte.
So whenever you're solving a complex problem, you're doing essentially two things. The first one is, you take that problem apart into its bits and pieces so that you can deeply analyze those bits and pieces, and then of course you do the second part. You put all of these bits and pieces back together again to come to your conclusion. And sometimes you have to do it over again, but it's always those two things: taking apart and putting back together again.
A je důležité vědět, že data a datová analýza jsou dobré jen pro tu první část. Data a datová analýza, jakkoliv silné, vám pomůžou pouze rozebrat problém a pochopit jeho kousky. Nejsou stvořeny pro skládání kousků zpět dohromady a k vytvoření nějakého závěru. Na to je jiný nástroj, který máme všichni, a tím nástrojem je mozek. Mozek vyniká v tom, že dokáže poskládat kousky zpět dohromady, i když nemá kompletní informace, a dojít správnému závěru, zvláště je-li to mozek experta.
And now the crucial thing is that data and data analysis is only good for the first part. Data and data analysis, no matter how powerful, can only help you taking a problem apart and understanding its pieces. It's not suited to put those pieces back together again and then to come to a conclusion. There's another tool that can do that, and we all have it, and that tool is the brain. If there's one thing a brain is good at, it's taking bits and pieces back together again, even when you have incomplete information, and coming to a good conclusion, especially if it's the brain of an expert.
A proto byl dle mého názoru Netflix tak úspěšný. Protože používají data i hlavu tam, kam v procesu patří. Používají data ke zjišťování drobností o jejich publiku, které by jinak nemohli pochopit do takové hloubky. Ale konečné rozhodnutí, že to všechno zase vezmou a seskládají a vydají seriál jako "House of Cards," to už nebylo na datech. Ted Sarantos s jeho týmem rozhodl, že ten seriál budou licencovat, což také mimochodem znamenalo, že s tím rozhodnutím na sebe vzali celkem velký risk. Na druhou stranu v Amazonu to vzali za špatný konec. Používali data v celém rozhodovacím procesu. Nejprve vyhlásili soutěž nápadů, z které si pak vybrali "Alpha House." To pro ně bylo samozřejmě velmi bezpečné rozhodnutí, protože vždy mohli poukázat na data a říct: "Toto nám tvrdila data." Ale nevedlo to k výjimečným výsledkům, ve které doufali.
And that's why I believe that Netflix was so successful, because they used data and brains where they belong in the process. They use data to first understand lots of pieces about their audience that they otherwise wouldn't have been able to understand at that depth, but then the decision to take all these bits and pieces and put them back together again and make a show like "House of Cards," that was nowhere in the data. Ted Sarandos and his team made that decision to license that show, which also meant, by the way, that they were taking a pretty big personal risk with that decision. And Amazon, on the other hand, they did it the wrong way around. They used data all the way to drive their decision-making, first when they held their competition of TV ideas, then when they selected "Alpha House" to make as a show. Which of course was a very safe decision for them, because they could always point at the data, saying, "This is what the data tells us." But it didn't lead to the exceptional results that they were hoping for.
Takže data jsou samozřejmě velmi mocným nástrojem pro zlepšení rozhodování, ale věřím, že věci začnou jít špatně, když necháme data udělat ta rozhodnutí celé. Ať jsou data jakkoliv mocná, stále jsou pouhým nástrojem, a k zapamatování si tohoto faktu je dobré toto malé zařízení. Mnoho z vás bude znát...
So data is of course a massively useful tool to make better decisions, but I believe that things go wrong when data is starting to drive those decisions. No matter how powerful, data is just a tool, and to keep that in mind, I find this device here quite useful. Many of you will ...
(smích)
(Laughter)
před vynalezením dat se rozhodovalo podle tohoto zařízení
Before there was data, this was the decision-making device to use.
(smích)
(Laughter)
Mnoho z vás to bude znát. Tato hračka se nazývá Magic 8 Ball, a je opravdu úžasná, protože když se musíte rozhodnout mezi ano a ne, všechno, co musíte udělat je zatřást tou koulí, a pak dostanete odpověď - "S největší pravděpodobností" - tady, takřka ihned. Budu to tu mít později na ukázku technologie.
Many of you will know this. This toy here is called the Magic 8 Ball, and it's really amazing, because if you have a decision to make, a yes or no question, all you have to do is you shake the ball, and then you get an answer -- "Most Likely" -- right here in this window in real time. I'll have it out later for tech demos.
(smích)
(Laughter)
No, a teď, samozřejmě - udělal jsem v životě rozhodnutí, kdy jsem měl prostě poslechnout tu kouli, když se tak teď dívám zpět. Ale to víte, kdybyste měli ta data, rádi byste toto vyměnili za něco mnohem sofistikovanějšího, třeba za datovou analýzu, pro lepší rozhodnutí. To ale nemění základní princip. Ta koule může být čím dál chytřejší, ale podle mě, se musíme rozhodnout my sami, pokud chceme dosáhnout něčeho skvělého na pravém konci křivky. A myslím si, že je velmi povzbudivou zprávou, že i tváří v tvář takovému množství dat, se stále vyplatí činit rozhodnutí, být expertem v tom, co děláte, a riskovat. Protože to nakonec nejsou data, co vás dostane na pravý konec křivky, jsou to risky.
Now, the thing is, of course -- so I've made some decisions in my life where, in hindsight, I should have just listened to the ball. But, you know, of course, if you have the data available, you want to replace this with something much more sophisticated, like data analysis to come to a better decision. But that does not change the basic setup. So the ball may get smarter and smarter and smarter, but I believe it's still on us to make the decisions if we want to achieve something extraordinary, on the right end of the curve. And I find that a very encouraging message, in fact, that even in the face of huge amounts of data, it still pays off to make decisions, to be an expert in what you're doing and take risks. Because in the end, it's not data, it's risks that will land you on the right end of the curve.
Děkuji vám.
Thank you.
(potlesk)
(Applause)