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.
רוי פרייס הוא אדם שסביר להניח שרובכם כנראה לא שמעתם עליו מעולם, למרות שייתכן והוא היה אחראי לבערך 22 דקות בינוניות של חייכם ב19 לאפריל 2013. יכול להיות שהוא היה גם אחראי ל22 דקות מאוד משעשעות, אבל לא רבים מכם. וכל זה חוזר להחלטה שרוי היא צריך לקבל לפני 3 שנים.
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.
אז אתם מבינים, רוי פרייס הוא מנהל בכיר באולפני אמזון. זאת חברת הפקות הטלוויזיה של אמזון. הוא בן 47, רזה, שיער עם קוצים, הוא מתאר עצמו בטוויטר כ "סרטים, טלוויזיה, טכנולוגיה, טאקו." ולרוי פרייס יש יש אחריות רבה בעבודה כי האחריות שלו היא לבחור את התוכניות, את התוכן המקורי שאמזון תיצור. וכמובן שזה תחום תחרותי מאוד. אני מתכוון, יש כל כך הרבה תוכניות טלוויזיה שכבר קיימות, ורוי לא פשוט יכול לבחור כל אחת. הוא חייב למצוא תוכניות ממש ממש טובות. אז במילים אחרות, הוא חייב למצוא תוכניות שנמצאות ממש על הקצה הימני בעקומה הזאת.
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" --
העקומה הזאת מציגה את חלוקת הרייטינג של בערך 2500 תוכניות טלוויזיה באתר IMDB, והרייטינג נע בין 1 ל10, והגובה כאן, מראה לכם כמה תוכניות קבלו את הרייטינג הזה. אז אם התוכנית שלכם מקבלת רייטינג של 9 נקודות ומעלה, זאת הצלחה. ואז יש לכם את התוכניות שנמצאות ב2 אחוז העליונים. תוכניות כמו "שובר שורות", "משחקי הכס", "הסמויה", אז כל התוכניות האלה שממכרות, כשאחרי שאתם רואים עונה, המוח שלכם בעצם כמו, "איפה אני יכול למצוא עוד מהפרקים האלה?" סוג כזה של תוכניות. בצד השמאלי, רק לשם הבהרה, כאן בקצה הזה, נמצאת תוכניות שנקראת "פעוטות וכתרים"--
(Laughter)
(צחוק)
-- which should tell you enough about what's going on on that end of the curve.
--וזה אמור להגיד לכם מספיק בנוגע למה שקורה בקצה הזה של העקומה.
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.
עכשיו, רוי פרייס לא מודאג מלהגיע לקצה השמאלי של העקומה, בגלל שאני חושב שצריך יכולת חשיבה רצינית בשביל לגבור על "פעוטות וכתרים". אז מה שהוא מודאג ממנו הוא הבליטה האמצעית שנמצאת כאן, הבליטה של טלוויזיה ממוצעת, אתם יודעים, התוכניות האלה שלא כל כך טובות ולא כל כך רעות, לא באמת גורמות לך להתרגש. אז הוא צריך לוודא שהוא נמצא ממש בקצה הימני של זה.
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.
אז יש לחץ, וכמובן, זאת גם הפעם הראשונה שאמזון עושה משהו כזה, אז רוי פרייס לא רוצה לקחת סיכונים. הוא רוצה להנדס את ההצלחה. הוא צריך הצלחה מובטחת, אז מה שהוא עושה, הוא עורך תחרות.
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.
אז הוא לוקח מספר רעיונות לתוכניות טלוויזיה, ומהרעיונות האלה, באמצעות הערכה, הם בוחרים 8 מועמדים לתוכניות טלוויזיה, ואז הוא פשוט יוצר את הפרק הראשון בכל אחת מהתוכניות האלה ומעלה אותם לרשת בחינם שכל אחד יכול לצפות. אז כשאמזון מחלקת דברים בחינם, אתם תקחו אותם, נכון? אז מיליוני צופים רואים את הפרקים האלה.
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.
מה שהם לא מבינים, בזמן שהם צופים בתוכניות שלהם, בעצם, עוקבים אחריהם. הם נצפים על ידי רוי פרייס והצוות שלו, שמתעדים הכל. הם מתעדים כשמישהו לוחץ נגן, וכשמישהו לוחץ השהה, על איזה חלקים הצופים מדלגים, ואיזה חלקים הם רואים שוב. אז הם אוספים מיליוני נקודות מידע, בגלל שהם רוצים להשתמש בנתונים האלה כדי להחליט איזה תוכנית הם ייצרו. וכמובן, כך הם אוספים את כל המידע, הם עושים את כל עיבוד המידע, ותשובה עולה, והתשובה היא, "אמזון צריכה ליצור סיטקום על ארבעה סנטורים רפובליקאים." הם עשו את התוכנית ההיא.
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?
אז האם כולם מכירים את השם של התוכנית? (קהל: "בית אלפא.") כן, "בית אלפא." אבל נראה כאילו לא הרבה מכם פה זוכרים את הסדרה ההיא, למעשה, מפני שהיא לא יצאה כזה טוב. היא למעשה רק תוכנית ממוצעת, למעשה -- מילולית, למעשה, בגלל שהממוצע של העקומה פה הוא 7.4, ו"בית אלפא" קיבלה 7.5, אז מעט מעל התוכנית הממוצעת, אבל בהחלט לא מה שרוי פרייס והצוות שלנו כיוונו אליו. בינתיים, עם זאת, בערך באותו הזמן, בחברה אחרת, מנהל אחר הצליח לפתח תוכנית מוצלחת בשימוש בניתוח מידע, והשם שלו הוא טד, טד סרנדוס, שהוא מנהל התוכן הראשי של נטפליקס, וממש כמו רוי, הוא במשימה קבועה למצוא תוכנית טלוויזיה מעולה, והוא גם השתמש במידע כדי לעשות זאת, אבל הוא עושה זאת מעט אחרת. אז במקום לערוך תחרות, מה שהוא עשה -- והצוות שלו כמובן -- היה שהם הביטו בכל המידע שכבר היה להם על צופי נטפליקס, אתם יודעים, הרייטינג שהם נותנים לתוכניות, הסטוריות הצפיה, איזה תוכניות אנשים אוהבים, וכך הלאה. ואז הם משתמשים במידע הזה כדי לגלות את כל פיסות המידע הקטנות האלו בנוגע לקהל: איזה סוגים של תוכניות הם אוהבים, איזה סוג של מפיקים, איזה סוג של שחקנים. וברגע שהיה להם את כל פיסות המידע ביחד, הם עשו קפיצה של אמונה, והם החליטו לאשר לא סיטקום על ארבעה סנטורים אלא סדרת דרמה על סנטור בודד. אתם מכירים את התוכנית?
(Laughter)
(צחוק)
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
כן, "בית הקלפים," ונטפליקס כמובן, הצליחו עם התוכנית הזו, לפחות בשתי העונות הראשונות.
(Laughter) (Applause)
(צחוק) (מחיאות כפיים)
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
"בית הקלפים" מקבל דרוג של 9.1 מהעקומה הזו, אז זה בדיוק במקום בו הם רצו שזה יהיה.
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?
עכשיו, השאלה היא כמובן, מה קרה פה? אז יש לכם שתי חברות תחרותיות ותאבות מידע. הן חיברו את כל מליוני נקודות המידע האלו, ואז זה עבד באופן יפיפה לאחת מהן, וזה לא עובד לאחרת. אז למה? מפני שהלוגיקה סוג של מספרת לכם שזה צריך לעבוד כל הזמן. אני מתכוון, אם אתם אוספים מליוני נקודות מידע על החלטה שאתם עומדים לעשות, אז אתם צריכים להיות מסוגלים לעשות החלטות די טובות. יש לכם 200 שנה של סטטיסטיקות להסתמך עליהן. אתם מגבירים אותן עם מחשבים ממש חזקים. הכי מעט שאתם יכולים לצפות לו זה טלויזיה טובה, נכון?
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.
ואם ניתוח מידע לא עובד כך, אז זה למעשה נעשה מעט מפחיד, מפני שאנחנו חיים בזמן בו אנחנו פונים למידע יותר ויותר כדי לעשות החלטות ממש חשובות שעוברות מעבר לטלויזיה. האם מישהו פה מכיר את החברה "מערכות מולטי-הלט'"? אף אחד. אוקיי, זה טוב למעשה. אוקיי, אז "מערכות מולטי-הלט'" היא חברת תוכנה, ואני מקווה שאף אחד פה בחדר לעולם לא יגיע למגע עם התוכנה שלהם, מפני שאם כן, זה אומר שאתם בכלא.
(Laughter)
(צחוק)
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.
אם מישהו פה בארצות הברית בכלא, ואז הם מגישים בקשה לחנינה, אז זה מאוד סביר שתוכנת ניתוח המידע מהחברה ההיא תהיה בשימוש בלקבוע אם להעניק את החנינה. אז זה אותו עיקרון כמו אמזון ונטפליקס, אבל עכשיו במקום להחליט אם תוכנית טלוויזיה תהיה טובה או גרועה, אתם מחליטים אם אדם עומד להיות טוב או רע. וטלויזיה בינונית, 22 דקות, שיכולה להיות די גרועה, אבל יותר שנים בכלא, אני מתאר, אפילו גרועה יותר.
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.
ולמרבה הצער, יש למעשה כמה עדויות שניתוח המידע הזה, למרות שיש לנו הרבה מידע, לא תמיד מייצר תוצאות אופטימליות. וזה לא בגלל שחברה כמו "מערכות מולטי-הלט'" לא יודעת מה לעשות עם המידע. אפילו החברות הכי תאבות מידע טועות. כן, אפילו גוגל טועה לפעמים.
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.
ב 2009, גוגל הודיעה שהם מסוגלים, עם ניתוח מידע, לחזות התפרצויות של שפעת, הסוג הנבזי של שפעת, על ידי ניתוח של חיפושי גוגל. וזה עבד יפהפה, וזה עשה גל גדול בחדשות, כולל הפסגה של ההצלחה המדעית: פרסום בירחון "נייצ'ר." זה עבד מושלם במשך שנה אחרי שנה אחרי שנה, עד ששנה אחת זה נכשל. ואף אחד לא היה יכול אפילו להסביר למה בדיוק. זה פשוט לא עבד באותה שנה, וכמובן שזה היה שוב חדשות גדולות, כולל ביטול עכשיו של הפרסום במגזין "נייצ'ר." אז אפילו החברות שהכי תאבות מידע, אמזון וגוגל, לפעמים טועות. ולמרות הכשלונות האלו, מידע נע במהירות להחלטות בחיים האמיתיים -- לתוך מקום העבודה, לאכיפת החוק, לרפואה. אז אנחנו צריכים לדאוג יותר שהמידע עוזר.
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.
עכשיו, אישית, אני ראיתי הרבה מהמאבק הזה במידע בעצמי, מפני שאני עובד בגנטיקה חישובית, שהיא גם תחום בו הרבה אנשים מאוד חכמים משתמשים בכמויות שלא ניתן לתאר של מידע כדי לעשות החלטות די רציניות כמו להחליט על טיפול בסרטן או פיתוח תרופה. ובמהלך השנים, הבחנתי בסוג של תבנית או סוג של חוק, אם תרצו, בנוגע להבדל בין קבלת החלטות מוצלחת עם מידע וקבלת החלטות לא מוצלחת. ואני מוצא שזו תבנית ששווה לחלוק, והיא הולכת משהו כזה.
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.
אז כל פעם שאתם פותרים בעיה סבוכה, אתם עושים בעיקרון שני דברים. הראשון הוא, אתם מפרקים את הבעיה לחלקים הקטנים שלה כך שתוכלו לנתח את החלקים האלה, ואז כמובן אתם עושים את החלק השני. אתם מחברים חזרה את כל החלקים כדי להגיע למסקנה שלכם. ולפעמים אתם צריכים לעשות את זה שוב, אבל זה תמיד שני הדברים האלה: לפרק ולהרכיב בחזרה.
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.
ועכשיו הדבר הקריטי הוא שהמידע וניתוח המידע הוא טוב רק לחלק הראשון. מידע וניתוח מידע, לא משנה כמה חזקים, יכולם רק לעזור לכם לפרק את הבעיה ולהבין את הפיסות. זה לא מתאים לחיבור הפיסות האלו חזרה יחד ואז להגיע למסקנה. יש כלי נוסף שיכול לעשות את זה, ולכולנו יש אותו, והכלי הזה הוא המוח שלנו. אם יש משהו אחד שהמוח טוב בו, זה לקחת פיסות מידע ולחבר אותן יחד, אפילו כשיש לכם פיסות מידע לא שלמות, ולהגיע למסקנה, בעיקר אם זה המוח של מומחה.
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.
ולכן אני מאמין שנטפליקס היו כל כך מצליחים, בגלל שהם השתמשו במידע ובמוח במקום בו הם היו שייכים לתהליך. הם השתמשו במידע ראשית כדי להבין הרבה חלקים בנוגע לקהל שלהם שאחרת הם לא היו מסוגלים להבין בעומק הזה, אבל אז ההחלטה לקחת את כל הפיסות האלו ולחבר אותן יחד שוב ולעשות תוכנית כמו "בית הקלפים," זה לא היה בשום מקום במידע. טד סרנדוס והצוות שלו עשו את ההחלטה הזו כדי לפתח את התוכנית, מה שגם אמר, דרך אגב, שהם לקחו סיכון אישי די גדול עם ההחלטה הזו. ואמזון, מצד שני, הם עשו את זה בדרך ההפוכה. הם השתמשו במידע כל הדרך כדי להניע את תהליך ההלחטות שלהם, ראשית הם עשו את התחרות שלהם של רעיונות לתוכניות, אז כשהם בחרו את "בית אלפא" כדי ליצור כתוכנית. שכמובן היתה החלטה מאוד בטוחה בשבילם, מפני שהם תמיד יכלו להצביע על המידע, ולהגיד. "זה מה שהמידע אומר לנו." אבל זה לא הוביל לתוצאה יוצאת דופן שהם קיוו לה.
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 ...
אז מידע הוא כמובן כלי מאוד מועיל לעשות החלטות טובות יותר, אבל אני מאמין שדברים משתבשים כשמידע מתחיל להניע את ההחלטות האלו. לא משנה כמה חזק, מידע הוא רק כלי, וכדי לזכור את זה, אני מוצא את המכשיר הזה פה ממש מועיל. רבים מכם...
(Laughter)
(צחוק)
Before there was data, this was the decision-making device to use.
לפני שהיה מידע, זה היה מכשיר קבלת ההחלטות בו השתמשו.
(Laughter)
(צחוק)
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.
הרבה מכם ידעו את זה. המכשיר הזה נקרא כדור 8 קסום, והוא באמת מדהים, מפני שאם יש לכם החלטה לעשות, שאלה של כן ולא, כל מה שאתם צריכים לעשות זה לנער את הכדור, ואז אתם מקבלים תשובה -- "הסיכויים גדולים" -- ממש פה בחלון הזה בזמן אמת. אני אוציא אותו אחר כך להדגמות.
(Laughter)
(צחוק)
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.
עכשיו, העניין הוא, כמובן -- אז עשיתי כמה החלטות בחיי בהן, במחשבה אחורה, הייתי צריך פשוט להקשיב לכדור. אבל, אתם יודעים, כמובן, אם יש לכם את המידע זמין, אתם רוצים להחליף את זה עם משהו הרבה יותר מתוחכם, כמו ניתוח מידע להגיע להחלטה טובה יותר. אבל זה לא משנה את החלק הבסיסי. אז הכדור אולי יהיה חכם יותר ויותר ויותר, אבל אני מאמין שזה עדיין תלוי בנו לעשות את ההחלטות אם אנחנו רוצים להשיג משהו יוצא דופן, בצד הנכון של העקומה. ואני רואה את זה מאוד מעודד, למעשה, שאפילו מול כמויות עצומות של מידע, זה עדיין משתלם לעשות החלטות, להיות מומחים במה שאתם עושים ולקחת סיכונים. מפני שבסופו של דבר, זה לא מידע, זה סיכונים שיביאו אתכם לצד הנכון של העקומה.
Thank you.
תודה לכם.
(Applause)
(מחיאות כפיים)