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 est un homme que la plupart d'entre vous ne connaissent sûrement pas, même s'il est peut-être responsable de 22 minutes quelque peu médiocres que vous avez vécues le 19 avril 2013. Il a pu être responsable de 22 minutes divertissantes, mais pas pour beaucoup d'entre vous. Cela est lié à une décision que Roy a prise, il y a trois ans de ça.
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.
Vous voyez, Roy Price est cadre supérieur à Amazon Studios, la compagnie de production de télévision d'Amazon. C'est un homme mince de 47 ans avec des cheveux en bataille, qui a écrit sur Twitter pour se décrire « films, télé, technologie, tacos ». Et Roy Price joue un rôle important, parce que c'est à lui de choisir les séries, le contenu original créé par Amazon. Et, évidemment, c'est un domaine très compétitif. Vu qu'il existe déjà tellement de séries télés, Roy ne peut pas choisir n'importe quelle série. Il doit trouver des séries vraiment, vraiment exceptionnelles. Autrement dit, il doit trouver des séries sur l'extrême droite de cette courbe.
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" --
Cette courbe représente la distribution des notes attribuées à 2 500 séries télés sur le site IMDB, ces notes allant de 1 à 10, et l'ordonnée montre combien de séries obtiennent cette note. Donc, si votre série obtient une note de neuf points ou plus, ça cartonne. Elle est meilleure que 98 % des autres. Ce sont des séries comme « Breaking Bad », « Game of Thrones », « Sur écoute », des séries auxquelles on devient accro, où après avoir regardé une saison, votre cerveau vous dit : « Il me faut plus d'épisodes ! » Ce genre d'émission. Pour être clair, du côté gauche, on retrouve une émission appelé « Toddlers & Tiaras » ;
(Laughter)
(Rires)
-- which should tell you enough about what's going on on that end of the curve.
ce qui illustre bien ce à quoi on a affaire de ce côté de la courbe.
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.
Roy Price ne s'inquiète pas d'être placé du côté gauche de la courbe, parce que je pense qu'il faudrait être un génie pour faire pire que « Toddlers & Tiaras ». Il fait attention à cette partie au milieu, la partie moyenne de la télé, les séries qui ne sont ni bonnes ni mauvaises, mais ne vous font pas vibrer. Il doit s'assurer qu'il est vraiment du bon côté.
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.
Donc, on lui met la pression, et bien sûr c'est aussi la première fois qu'Amazon fait quelque chose comme ça, donc Roy Price ne veut pas prendre de risque. Il veut être à la tête d'un succès. Il lui faut un succès garanti, donc il décide d'organiser une compétition.
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.
Il prend plein d'idées de séries télés, les évalue et, parmi ces idées, il retient huit idées de séries. Ensuite, il se lance dans la création du premier épisode de chacune des séries et les met en ligne gratuitement pour tout le monde. Et quand Amazon offre quelque chose de gratuit, on le prend, n'est-ce pas ? Donc, des millions de gens regardent ces épisodes.
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.
Ils ne se rendent pas compte que, lorsqu'ils regardent leurs séries, ils sont en train d'être regardés eux-mêmes. Roy Price et son équipe les surveillent et enregistrent tout. Ils enregistrent quand quelqu'un appuie sur lecture ou sur pause, les parties sautées, les parties re-regardées. Ils rassemblent des millions de données, car ils veulent avoir ces données pour ensuite décider quelle série sera réalisée. Donc ils rassemblent ces données, ils traitent ces données, et une réponse en est déduite, la réponse est : « Amazon devrait réaliser un sitcom sur quatre sénateurs républicains américains. » (Rires) Et elle a été réalisée.
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?
Quelqu'un connaît le nom de cette série ? (Public) : « Alpha House. » Exactement, « Alpha House », mais on dirait que presque personne ne se souvient de cette série car elle n'a pas eu un très grand succès. En réalité, c'est une série moyenne, littéralement en fait, car 7,4 représente la moyenne de la courbe et « Alpha House » tombe sur 7,5, elle est juste au-dessus de la moyenne, mais ce n'est certainement pas Roy Price et son équipe espéraient. Cependant, au même moment, dans une autre entreprise, un autre cadre a trouver une bonne série grâce à l'analyse des données, et il s'appelle Ted, Ted Sarandos, directeur de l'acquisition des programmes de Netflix. Et comme Roy, il est toujours à la recherche d'une excellente série, et il utilise aussi des données, sauf qu'il s'y prend un peu différemment. Au lieu d'organiser une compétition, lui et son équipe ont pris les données qu'ils avaient déjà sur les utilisateurs de Netflix, comme les notes attribuées aux séries, leur historique, leurs séries préférées et tout ça. Puis ils utilisent ces données pour découvrir pleins de petites infos sur le public : le genre de séries, de producteurs, d'acteurs ils apprécient. Et au moment où ils ont tous les éléments nécessaires, ils ont accompli un acte de foi et ont décidé de créer non pas un sitcom sur quatre sénateurs mais une série dramatique sur un seul sénateur. Vous connaissez cette série ?
(Laughter)
(Rires)
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
Oui ! « House of Cards » et, bien sûr, Netflix a eu un grand succès, au moins pour les deux premières saisons.
(Laughter) (Applause)
(Rires) (Applaudissements)
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
« House of Cards » a obtenu une note de 9,1 sur cette courbe, donc, exactement ce qu'ils voulaient.
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?
Évidemment, la question est : que s'est-il passé ? On a deux entreprises concurrentes maîtrisant les données. Elles lient ces millions de points de données et ça marche superbement pour une, mais pas pour l'autre. Alors, pourquoi ? La logique nous dit que ça devrait marcher à tous les coups. Si vous rassemblez des millions de données sur une décision à prendre, vous devriez être capable de prendre la bonne décision. On peut se fier à plus de 200 ans de statistiques. On l'amplifie à l'aide des meilleurs ordinateurs. La moindre des choses à laquelle on s'attend, c'est une bonne série, non ?
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.
Et si l'analyse des données ne fonctionne pas comme ça, on peut commencer à s'inquiéter, parce que nous vivons à une époque où on utilise de plus en plus ces données pour prendre des décisions sérieuses en dehors du monde de la télévision. Est-ce-que quelqu'un ici connaît l'entreprise Multi-Health Systems ? Personne, tant mieux. Multi-Health Systems est une entreprise de logiciels, et j'espère que personne du public n'aura à utiliser ce logiciel, car si c'est le cas, vous êtes en prison.
(Laughter)
(Rires)
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.
Si un prisonnier des États-Unis demande une libération conditionnelle, il est très probable que le logiciel d'analyse de données de cette compagnie sera utilisé pour savoir s'il devrait l'obtenir. C'est le même principe qu'Amazon et Netflix, sauf que au lieu de voir si une série télé devrait sortir, on décide si la personne devrait sortir. Si une série télé médiocre de 22 minutes peut être mauvaise, je suppose que passer plus longtemps en prison est pire.
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.
Et malheureusement, il existe des preuves que cette analyse de données, malgré leur abondance, ne donne pas toujours des résultats optimaux. Mais, ce n'est pas parce que Multi-Health Systems ignore que faire de ces données. Même en maîtrisant les données, on peut se tromper. Oui, parfois même Google se trompe.
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.
En 2009, Google a annoncé qu'ils étaient capables, à l'aide de l'analyse des données, de prédire les épidémies d'influenza, la mauvaise grippe, en analysant les données des recherches sur leur site. Ça a bien marché, et ça a fait le buzz aux infos y compris l'apogée des réussites scientifiques : un article dans le journal « Nature ». Ça marchait à tous les coups, année après année, jusqu'à l'année où ça a échoué. Et personne ne savait pourquoi. Cette année-là, ça n'a pas marché et, bien sûr, ça a refait le buzz, y compris la rétraction de la publication dans le journal « Nature ». Même les entreprises maîtrisant ces données, comme Amazon et Google, font parfois des erreurs. Et malgré tous ces échecs, les données arrivent de plus en plus dans nos décisions de tous les jours : dans le monde professionnel, le monde du droit, le monde de la médécine. Donc, il faut nous assurer que ces données nous aident.
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.
Moi-même, j'ai beaucoup vu ce problème avec les données car je travaille dans l'informatique génomique, un secteur rempli de personnes très intelligentes qui utilisent un grand nombre de données pour prendre des décisions sérieuses comme choisir un traitement pour cancer, développer un médicament. Au cours des années, j'ai remarqué un modèle, ou même une règle, sur la différence entre des bonnes décisions à l'aide des données et des mauvaises décisions, et je trouve que ce modèle vaut la peine d'être partagé, ça se présente comme ceci.
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.
Quand il faut résoudre un problème compliqué, il y a deux étapes essentielles. Un : il faut diviser le problème en plusieurs parties pour pouvoir les analyser de manière profonde, et puis deux : bien sûr, il s'agit de remettre ces pièces ensemble pour conclure. Et parfois il faut réessayer, mais c'est toujours ces deux choses : déconstruire le problème et le remonter.
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.
Et la partie clé est que l'analyse de ces données n'est valable que pour la première partie. Les données et l'analyse, peu importe leur puissance, n'aideront qu'à déconstruire le problème pour comprendre les éléments qui le composent. Ça n'aidera pas à remettre les pièces ensemble pour en arriver à une conclusion. Il existe un outil qui fait ça, que nous possédons tous : le cerveau. Si notre cerveau est bon pour une chose, c'est assembler divers éléments ensemble, même avec des pièces manquantes, et arriver à une bonne conclusion, surtout si c'est le cerveau d'un expert.
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.
Et c'est grâce à ça que Netflix a eu un tel succès : ils ont utilisé les données et les cerveaux au moment où il fallait. Ils ont d'abord utilisé les données pour comprendre leur public, ce qu'ils n'auraient pas été capables de comprendre sans ça, mais la décision de prendre toutes ces informations et les remettre ensemble pour créer une série comme « House of Cards », n'était pas dans les données. Ted Sarandos et son équipe ont décidé d'autoriser la création de cette série, ce qui voulait aussi dire qu'ils prenaient un grand risque personnel avec cette décision. À l'inverse, Amazon a fait cela dans le mauvais ordre. Ils ont utilisé beaucoup de données pour faire leur choix, en organisant une compétition d'idées de séries, puis en choisissant de produire « Alpha House ». C'était bien sûr prudent comme décision de leur part, car ils pouvaient accuser les donnés et dire : « C'est ce que disaient les données. » Mais ça ne leur a pas donné les résultats exceptionnels qu'ils espéraient.
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 ...
Les données sont extrêmement utiles pour prendre de meilleures décisions mais je pense qu'il y a un problème quand les données nous mènent à ces décisions. Peu importe leur puissance, les données ne sont qu'un outil, et pour toujours garder ça en tête, j'ai trouvé un outil très utile. La plupart d'entre vous...
(Laughter)
(Rires)
Before there was data, this was the decision-making device to use.
Avant les données, on utilisait cet outil pour prendre des décisions.
(Laughter)
(Rires)
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.
Vous le connaissez, ce jouet s'appelle la Magic 8 Ball et il est génial, car si vous avez un choix à faire, une question fermée, il suffit de secouer la boule pour obtenir une réponse -- « Très Probable » -- juste ici, une réponse en temps réel. J'en ferai la démonstration plus tard.
(Laughter)
(Rires)
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.
Le truc c'est que, évidemment -- j'ai pris des décisions dans la vie où, en rétrospective, j'aurais dû écouter la boule. Mais, évidemment, si les données sont disponibles, on veut remplacer ça avec quelque chose de plus sophistiqué, comme l'analyse des données, pour en arriver à une meilleure décision. Mais cela ne change pas le concept de base. La boule peut devenir de plus en plus intelligente, mais je pense que c'est toujours à nous de décider si on veut faire quelque chose d'extraordinaire, du côté droit de la courbe. Et je trouve ça très encourageant comme message en fait, que même quand on a toutes ces données devant nous, ça nous rapporte quelque chose de prendre ces décisions, d'être expert dans notre domaine et de prendre des risques. Car à la fin, ce ne sont pas les données, ce sont les risques qui vous amènent du côté droit de la courbe.
Thank you.
Merci.
(Applause)
(Applaudissements)