Von Roy Price haben die meisten noch nie gehört, obwohl er wahrscheinlich für 22 mittelmäßige Minuten Ihres Lebens am 19. April 2013 verantwortlich ist. Wahrscheinlich auch für 22 sehr unterhaltsame Minuten, aber nicht für sehr viele von Ihnen. Das geht auf die Entscheidung zurück, die Roy vor drei Jahren traf.
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 ist leitender Angestellter bei Amazon Studios, der TV-Produktionsfirma von Amazon. Er ist 47 Jahre alt, schlank, hat eine Igelfrisur und beschreibt sich auf Twitter als "Filme, TV, Technik, Tacos". Roy hat einen sehr wichtigen Job, weil er dafür verantwortlich ist, die Shows und den Inhalt auszusuchen, den Amazon produzieren wird. Natürlich ist das eine sehr hart umkämpfte Branche. Es gibt schon so viele TV-Serien, dass Roy nicht irgendeine auswählen kann. Er muss Shows finden, die sehr, sehr gut sind. In anderen Worten, er muss Shows finden, die sich ganz rechts auf dieser Kurve befinden.
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.
Diese Kurve ist die Bewertungsverteilung von über 2500 TV-Serien auf der Website IMDB. Die Bewertung geht von 1 bis 10 und die Höhe zeigt, wie viele Shows diese Bewertung erhalten. Wird Ihre Show mit neun und höher bewertet, ist diese ein Gewinner. Dann hat man eine erfolgreiche Show. Das sind Shows wie "Breaking Bad", "Game of Thrones", "The Wire" -- all die Shows, die süchtig machen, wo, nachdem man eine Staffel geschaut hat, Ihr Gehirn fragt: "Wo gibt es mehr von diesen Episoden?" Diese Art von Show. Auf der linken Seite, hier an diesem Ende, sind Shows wie "Toddlers and Tiaras" --
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" --
(Lachen)
(Laughter)
-- das sollte Ihnen genug sagen, was an diesem Ende der Kurve abgeht.
-- which should tell you enough about what's going on on that end of the curve.
Roy Price sorgt sich nicht darum, auf die linke Seite der Kurve zu geraten, denn ich glaube man braucht schon besondere Intelligenz, um "Toddlers and Tiaras" zu unterbieten. Er macht sich mehr Gedanken über die mittlere Ausbeulung, das durchschnittliche Fernsehen -- die Shows, die weder gut noch schlecht sind, sie begeistern einfach nicht. Also muss er sicherstellen, dass er wirklich auf der richtigen Seite ist.
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.
Der Druck ist vorhanden, und natürlich ist es auch das erste Mal, dass Amazon so etwas macht, deshalb will Roy Price nichts riskieren. Er will Erfolge kreieren. Er benötigt garantierten Erfolg, also hält er einen Wettbewerb ab.
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.
Er nimmt viele Ideen für TV-Shows und wählt durch eine Auswertung acht Kandidaten für TV-Shows aus, dann produziert er die erste Episode jeder dieser Shows und stellt sie online, wo sie jeder kostenlos anschauen kann. Und wenn Amazon umsonst Sachen herausgibt, greift man doch zu, richtig? Millionen von Zuschauern schauen sich diese Episoden an.
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.
Jedoch wissen sie nicht, dass sie beim Anschauen dieser Shows beobachtet werden. Sie werden von Roy und seinem Team beobachtet, die alles aufnehmen. Sie erfassen, wann man die Show startet, wann man pausiert, welche Teile man überspringt bzw. nochmal anschaut. Sie sammeln Millionen von Daten, um mit diesen Daten dann zu entscheiden, welche Show sie produzieren sollten. In der Tat sammeln sie die Daten, verarbeiten diese und daraus ergibt sich die Antwort, und diese lautet: "Amazon sollte eine Sitcom über vier republikanische US-Senatoren machen." Sie machten diese Show.
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.
Kennt jemand den Namen dieser Show? (Publikum: "Alpha House") Ja, "Alpha House", aber es scheint, dass sich nicht viele an diese Show erinnern können, weil sie nicht so gut war. Es ist nur eine Durchschnittsshow -- im wahrsten Sinne des Wortes -- da der Durchschnitt dieser Kurve 7,4 beträgt und Alpha House landet bei 7,5 -- also etwas über dem Durchschnitt, aber nicht gerade das, worauf Roy und sein Team hinarbeiteten. Etwa zur gleichen Zeit bei einer anderen Firma hat ein anderer Manager eine Top-Show durch Datenanalyse plaziert. Sein Name ist Ted, Ted Sarandos, der Manager für Programmgestaltung von Netflix. Genau wie Roy ist er immer auf der Suche, diese eine Super-Show zu finden und er benutzt auch Daten dafür, aber er macht es etwas anders. Anstatt einen Wettbewerb zu veranstalten, haben er und sein Team sich die vorhandenen Daten über die Netflix-Zuschauer angeschaut, also die Bewertungen, die sie den Shows geben, deren Verlauf, welche Shows sie mögen etc. Dann nutzen sie diese Daten, um diese kleinen Details über die Zuschauer herauszufinden: welche Shows sie mögen, welche Produzenten, welche Schauspieler. Als sie all die Teile zusammen hatten, gingen sie ein Wagnis ein und entschieden sich dazu, nicht eine Sitcom über vier Senatoren, sondern eine Drama-Serie über einen Senator zu machen. Kennen Sie diese Show?
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?
(Lachen)
(Laughter)
Ja, "House of Cards". Netflix hat damit einen Hit gelandet, zumindest für die ersten zwei Staffeln.
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
(Lachen) (Applaus)
(Laughter) (Applause)
"House of Cards" bekommt eine 9,1-Bewertung auf dieser Kurve. Also genau dort, wo sie hin wollten.
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
Natürlich ist nun die Frage: Was ist hier passiert? Man hat zwei sehr kompetitive, Daten versierte Firmen. Sie verbinden diese vielen Daten miteinander und es funktioniert super für eine von ihnen, aber nicht für die andere Firma. Woran liegt das? Weil die Logik irgendwie besagt, dass das bei allem funktionieren sollte. Wenn man Millionen Daten sammelt, für eine Entscheidung, die man trifft, dann sollte man eine gute Entscheidung treffen können. Man hat 200 Jahre an Statistik als Back-Up. Man optimiert es durch sehr leistungsfähige Computer. Das Mindeste, was man erwarten kann, ist gutes Fernsehen, oder?
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?
Wenn Datenanalyse so nicht funktioniert, dann ist dies etwas erschreckend, weil wir in einer Zeit leben, in der wir mehr und mehr zu Statistiken greifen, um ernsthafte Entscheidungen zu treffen, weit über das Fernsehen hinaus. Kennt jemand hier die Firma Multi-Health Systems? Niemand. Ok, das ist sogar gut. Multi-Health Systems ist eine Software-Firma und ich hoffe, dass niemand in diesem Raum jemals in Berührung mit dieser Software kommt. Kommen Sie damit in Berührung, sind Sie im Gefängnis.
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.
(Lachen)
(Laughter)
Wenn jemand hier in den USA im Gefängnis ist und um Entlassung bittet, ist es wahrscheinlich, dass die Datenanalyse dieser Firma benutzt wird, um zu bestimmen, ob eine Entlassung erfolgt oder nicht. Genau wie bei Amazon und Netflix. Aber anstatt zu entscheiden, ob eine Show gut oder schlecht sein wird, wird entschieden, ob eine Person gut oder schlecht sein wird. Mittelmäßiges Fernsehen, 22 Minuten, das kann echt schlecht sein, aber noch mehr Jahre im Gefängnis sind schlimmer.
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.
Leider gibt es Beweise dafür, dass diese Datenanalyse, trotz der vielen Daten, nicht immer die besten Resultate erzeugt. Das liegt nicht daran, dass eine Firma wie Multi-Health Systems nicht weiß, wie man Daten nutzt. Auch die Daten versiertesten Firmen liegen mal falsch. Ja, selbst Google macht manchmal Fehler.
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.
2009 gab Google bekannt, dass sie durch Datenanalyse Ausbrüche von Grippe, der schlimmen Art, voraussagen können -- durch Datenanalyse der Google-Recherchen. Es funktionierte wunderbar und war eine große Nachrichtensensation. Der Erfolg gipfelte in einer Veröffentlichung im Magazin "Nature". Es funktionierte einwandfrei, Jahr um Jahr um Jahr, bis es plötzlich nicht mehr funktionierte, und niemand konnte sagen warum. Es funktionierte einfach nicht, dies war erneut eine Sensation, einschließlich des Widerrufs der Veröffentlichung im Magazin "Nature". Selbst die Daten versiertesten Firmen wie Amazon und Google missverstehen manchmal etwas. Trotz all dieser Fehler strömen Daten zusehends in Entscheidungen des Lebens ein -- am Arbeitsplatz, bei der Rechtsdurchsetzung, in der Medizin. Also sollten wir lieber sicherstellen, dass Daten hilfreich sind.
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.
Auch ich kenne viele Schwierigkeiten mit Daten. Ich arbeite in der computergestützten Genetik -- ein Gebiet, bei dem einige sehr kluge Menschen unvorstellbar viele Daten nutzen, um ernsthafte Entscheidungen zu treffen, wie die Entscheidung für eine Krebstherapie oder die Entwicklung eines Medikamentes. Über die Jahre habe ich einige Muster erkannt über den Unterschied zwischen erfolgreichen Entscheidungen anhand von Daten und nicht erfolgreichen Entscheidungen. Dieses Muster sollte verbreitet werden.
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.
Müssen Sie je ein komplexes Problem lösen, tun Sie hauptsächlich zwei Dinge: Als Erstes zerlegen Sie dieses Problem in seine Einzelteile, sodass Sie die Einzelteile analysieren können; als Zweites setzen Sie die Einzelteile wieder zusammen, um einen Entschluss zu fassen. Manchmal müssen Sie dies mehrmals tun, aber es sind immer zwei Dinge: auseinander nehmen und wieder zusammensetzen.
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.
Und nun das Wichtigste: Daten und Datenanalyse sind nur gut für den ersten Teil. Daten und Datenanalyse, egal wie machtvoll, können nur dabei helfen, ein Problem zu zerlegen und seine Teile zu verstehen. Sie sind nicht dazu geeignet, die Teile wieder zusammenzusetzen und dann zu einem Entschluss zu kommen. Dafür gibt es ein anderes Werkzeug und wir besitzen es alle: unser Gehirn. Wenn es etwas gibt, bei dem das Gehirn gut ist, ist es Teile und Stücke wieder zusammenzusetzen, auch wenn die Informationen unvollständig sind, um dann einen guten Entschluss zu fassen -- besonders wenn es das Gehirn eines Experten ist.
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.
Darum, glaube ich, war Netflix so erfolgreich, weil sie Daten und Verstand genutzt haben, wo sie auch im Prozess hingehören. Sie nutzen Daten, um ihr Publikum besser zu verstehen, wozu sie sonst nicht fähig gewesen wären. Aber die Entscheidung, wie man all diese Teile nehmen, wieder zusammensetzen und daraus eine Show wie "House of Cards" macht, das stand nicht in den Daten. Ted Sarandos und sein Team trafen diese Entscheidung für diese Show, was bedeutete, dass sie ein großes persönliches Risiko mit dieser Entscheidung eingingen. Amazon hingegen tat dies auf die falsche Weise. Sie nutzten Daten, um all ihre Entscheidungen zu steuern, zuerst als sie um TV-Ideen wetteiferten, dann als sie "Alpha House" als Show auswählten. Es war eine sichere Entscheidung, weil sie immer sagen konnten: "Das sagen uns die Daten." Es führte nicht zum gewünschten Ergebnis.
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.
Daten sind hilfreich für bessere Entscheidungen, aber ich glaube, dass Dinge schief laufen, wenn Daten anfangen unsere Entscheidungen zu steuern. Egal wie machtvoll sie sind, Daten sind nur ein Werkzeug, und um das nicht zu vergessen, ist dieses Gerät ziemlich nützlich. Vielen von Ihnen werden ...
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 ...
(Lachen)
(Laughter)
Bevor es Daten gab, war dies das Gerät für Entscheidungen.
Before there was data, this was the decision-making device to use.
(Lachen)
(Laughter)
Viele kennen es. Es wird auch "Magic 8 Ball" genannt. Es ist erstaunlich. Für Entscheidungen mithilfe einer Ja- oder Nein-Frage müssen Sie nur den Ball schütteln, um eine Antwort zu bekommen. "Höchst wahrscheinlich" -- genau hier in diesem Moment. Ich werde es später mit einer Technikdemo ausfechten.
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.
(Lachen)
(Laughter)
Ich habe bisher einige Entscheidungen in meinem Leben getroffen, wobei ich im Nachhinein auf den Ball hätte hören sollen. Aber, wie Sie natürlich wissen, wenn Sie die Daten verfügbar haben, möchten Sie diese durch etwas viel Ausgeklügelteres ersetzen, wie Datenanalyse, um bessere Entscheidungen zu treffen. Aber dies verändert nicht den Grundaufbau. So wird vielleicht der Ball klüger und klüger und klüger. Letztendlich liegt es an uns, Entscheidungen zu treffen, wenn wir etwas außergewöhnliches am Ende der rechten Kurve erreichen wollen. Und ich empfinde dies als sehr ermutigende Nachricht, dass es sich trotz der großen Menge an Daten immer noch auszahlt, Entscheidungen zu treffen, ein Experte in dem zu sein, was man tut, und Risiken einzugehen. Denn am Ende sind es nicht die Daten, sondern die Risiken, mit denen Sie am rechten Ende der Kurve landen.
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.
Danke schön.
Thank you.
(Applaus)
(Applause)