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.
A legtöbben valószínűleg még nem hallottatok Roy Price-ről, pedig lehet, hogy neki köszönhettek az életetekből kb. 22 középszerű percet 2013. április 19-én. Szintén lehet, hogy ő volt a felelős 22 nagyon szórakoztató percért de nem sok ember számára. És mindez egy döntésből fakad, amit Roy-nak kb. 3 éve kellett meghoznia.
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.
Roy Price felsővezető az Amazon Studios-nál. Ez az Amazon tv-s produkciós cége. Roy 47 éves, vékony, tüskés hajú, Twitteren így jellemzi magát: "filmek, tv, technológia, taco." Roy Price-nak nagyon felelősségteljes munkája van, mert az ő felelőssége kiválasztani a sorozatokat, az eredeti tartalmat, amit az Amazon elkészít. Ez természetesen nagyon kompetitív. Hiszen már most nagyon sok tv show létezik, Roy pedig nem választhat bármit. Meg kell találnia a nagyon, nagyon jó show-kat. Más szóval, meg kell találnia azokat a show-kat, amelyek ennek a görbének a jó végén vannak.
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" --
Ez a görbe kb. 2500 tv show értékelési statisztikáját mutatja az IMDB weboldalán 1-10-es skálán. Itt pedig azt látjuk, mennyi show kapja az adott osztályzatot. Ha a műsorod 9 pontot, vagy többet kap, az nyerő. Az egy top 2%-ba tartozó show. Mint pl. a "Totál szívás", a "Trónok harca", vagy a "A drót". Olyan addiktív sorozatok, amik egy évad megnézése után felvetik a kérdést: "Hol találom az újabb részeket?" Ilyenek. A skála bal szélén van pl. az "Apró szépségek" --
(Laughter)
(Nevetés)
-- which should tell you enough about what's going on on that end of the curve.
-- ami sokat elmond arról, hogy mi zajlik a görbe rosszabbik végén.
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 nem amiatt aggódik, hogy a görbe bal felére kerül, mert komoly agymunka kellene hozzá, hogy rosszabbat csináljon mint az "Apró szépségek". Ami miatt aggódhat, az a középső rész, az átlagos sorozatok része. Azok a sorozatok, amik nem igazán jók vagy rosszak, nem hoznak izgalomba. Biztosra kell mennie, hogy ennek a jó oldalán legyen.
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.
Tehát nagy a nyomás, és ez az első alkalom, hogy az Amazon ilyesmit csinál, tehát Roy Price semmit sem akar kockáztatni. Sikert akar építeni. Garantált sikerre van szüksége. Ennek érdekében versenyhelyzetet teremt.
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.
Fog egy csomó sorozatötletet, az ötleteket értékelik, és kiválasztanak 8 sorozatjelölt show-t. Aztán csak a sorozatok első részeit készíti el, online elérhetővé teszik, ahol mindenki megnézheti. Amikor pedig az Amazon ingyen ad valamit, lecsapunk rá, igaz? Milliónyi néző tekinti meg ezeket az epizódokat.
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.
Amit nem realizálnak, hogy a show nézése közben igazából őket figyelik. Őket figyeli Roy Price és csapata, akik mindent rögzítenek. Rögzítik, ha valaki elindít, szünetel egy videót, melyik részeket ugorja át, mely részeket néznek újra. És így milliónyi adatpontokat gyűjtenek, mert szükségük van az adatpontokra, hogy eldönthessék, melyik show-t rendeljék be. És be is gyűjtik az adatokat, kielemzik őket, és előáll egy válasz. A válasz pedig: "Az Amazonnak csinálnia kell egy szitkomot 4 republikánus amerikai szenátorról." Meg is csinálták.
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?
Ismeri valaki a sorozatot? (Közönség: "Alpha House") Igen, "Alpha House," de úgy tűnik, igazából nem sokan emlékeztek rá, mert nem volt jó. Csak egy átlagos sorozat volt. Tényleg átlagos, mert a görbe átlaga 7,4 körül van, Az "Alpha House"-t pedig 7,5-re értékelték, picit jobbra, mint egy átlagos show-t. De Roy Price és csapata célja egyáltalán nem ez volt. Eközben nagyjából ugyanekkor, egy másik cégnél egy másik vezető top sorozatot gyártott adatelemzés segítségével, az ő neve Ted, Ted Sarandos, a Netflix tartalmakért felelős nagyfőnöke. Akinek állandó feladata Roy-hoz hasonlóan rátalálni a sikersorozatokra. Ő is adatokat elemez ennek érdekében, viszont egy kicsit másképp csinálja. Ahelyett, hogy versenyeztetné a sorozatokat, csapatával megvizsgálta a Netflix már létező adatait a nézőkről. Olyanokat, mint az értékelések, a korábban nézett sorozatok, mely show-kat kedvelik stb. És ezeket az adatokat arra használják, hogy minden apró részletet megtudjanak a közönségről: milyen sorozatokat kedvelnek, milyen producereket, milyen színészeket. És amikor összerakták a kirakót, hittek benne, és úgy döntöttek, hogy nem egy 4 szenátorról szóló szitkomot készítenek, hanem egy drámasorozatot egy szenátorról. Ismeritek a sorozatot?
(Laughter)
(Nevetés)
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
Igen, a "Kártyavár", ami nagyon bejött a Netflixnek, legalábbis az első két évadban.
(Laughter) (Applause)
(Nevetés) (Taps)
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
A "Kártyavár" 9,1-es értékelést kapott ezen a görbén, ezzel pontosan ott van, ahova tervezték.
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 kérdés a következő: mi történt? Adott két nagyon kompetitív, adatmániás cég. Milliónyi adatpontokat gyűjtenek, aztán az egyiküknek összejön, míg a másiknak nem. Miért? A logika szerint mindig működnie kellene. Úgy értem, ha egy meghozandó döntésről milliónyi adatpontot összegyűjtesz, abból elég jó döntésre lehetne következtetni. 200 évnyi statisztikára alapozhatod, nagyon erős számítógépek segítségével. A minimum, amit elvársz, az a jó tv, nem igaz?
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.
Amikor pedig az adatelemzés nem így működik, egy kissé ijesztővé válik a helyzet, mert olyan korban élünk, amikor egyre többször fordulunk az adatokhoz, hogy a tv-nél sokkal komolyabb döntéseket hozzunk. Ismeri valaki a Multi-Health Systems céget? Senki. Oké, az a jó. A Multi-Health Systems egy szoftvercég, és remélem, a jelenlévők közül soha, senkinek nem kell használnia a szoftverüket. Mert aki használja, börtönben van.
(Laughter)
(Nevetés)
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.
Ha valaki az USA-ban börtönben van, és feltételest kérvényez, nagy eséllyel a cég adatelemző szoftverét fogják használni a döntésnél. Az elv ugyanaz, mint az Amazonnál és a Netflixnél, de nem egy tv show-ról döntik el, hogy jó, vagy rossz-e, hanem arról, hogy egy ember jó, vagy rossz-e. Egy középszerű, 22 perces sorozat is elég rossz lehet, de több év börtönben szerintem még rosszabb.
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.
Sajnos van rá bizonyíték, hogy ez az adatelemzés a sok adat ellenére, nem mindig zárul optimális eredményekkel. De nem azért, mert a Multi-Health Systems és hasonló cégek nem tudják az adatokat kezelni. Még a legprofibb adatelemző cégek is elrontják. Igen, néha még a Google is.
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.
2009-ben a Google bejelentette, hogy adatelemzéssel előre tudják jelezni az influenzajárvány kitöréseit, a Google keresések adatelemzésével. Nagyszerűen működött, nagy visszhangja volt a hírekben, többek között a tudományos siker tetőpontján, a "Nature" folyóiratban is publikálták. Gyönyörűen működött évről évre, amíg egyszer csak mégsem. Senki sem tudta, hogy pontosan miért. Egyszerűen nem működött akkor, persze megint nagy visszhangot keltett, visszavonták a "Nature"-ben megjelent publikációt is. Tehát még a legjobb adatelemző cégek, az Amazon és a Google is elrontja néha. Mindezen kudarcok ellenére az adatok villámgyorsan épülnek be az igazi döntéshozatalba a munkahelyen, a jogalkalmazásban, a gyógyászatban. Ezért biztosra kell mennünk, hogy az adatok segítenek.
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.
Személy szerint sok küzdelmet megéltem adatokkal, mert számítógépes genomikával foglalkozom és ezen a területen sok nagyon okos ember használ elképzelhetetlen mennyiségű adatot fontos döntések meghozatalára, pl. rákterápiát és új gyógyszereket érintő kérdésekben. Az évek során észrevettem egy mintát vagy egy szabályt az adatok segítségével történő sikeres és sikertelen döntéshozatal között. Úgy gondolom, érdemes megosztanom ezt a mintát.
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.
Amikor egy komplex problémával nézünk szembe, lényegében két dolgot csinálunk. Az első: darabokra szedjük a problémát, hogy azokat a darabokat behatóan elemezzük. Aztán jön a második rész, amikor újra összerakjuk a darabkákat, hogy konklúzióra jussunk. Néha újra és újra meg kell csinálnunk, de mindig ez a két rész a fontos: szétszedni és újra összerakni.
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 kritikus rész az, hogy az adatok és az adatelemzés csak az első részre jók. Az adatok és az adatelemzés, mindegy, milyen jó, csak a probléma szétszedésében és a darabok megértésében segíthet. Nem alkalmas a darabok újbóli összerakására, majd a konklúzió meghozatalára. Van erre egy másik eszközünk, amivel mindenki rendelkezik. Ez az eszköz az agyunk. Ha valamire jó az agyunk, az a darabkák újra összerakása, akkor is, ha az információ nem teljes, és a jó következtetés, különösképp, ha az agy egy szakértőé.
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.
Szerintem a Netflix azért olyan sikeres, mert ott használják az adatokat és az agyat, ahol szükséges. Először az adatokat használják, hogy megtudjanak sok mindent a közönségről, amit másképp nem tudnának olyan mélyen megérteni, de a döntés a darabkák összerakásáról egy olyan sorozat létrehozásánál, mint a "Kártyavár", az nem az adatoknak köszönhető. Ted Sarandos és csapata hozta a döntést a sorozat berendeléséről, ami azt is jelentette, hogy elég nagy személyes kockázatot vállaltak vele. Az Amazonnál pedig rosszul csinálták. Végig adatokat használtak a döntéshozatalban. Először amikor versenyeztették az ötleteket, majd amikor kiválasztották az "Alpha House"-t. Ami persze nagyon biztonságos döntés volt számukra, mert mindig mutogathattak az adatokra, mondván, hogy "Az adatokból ez következik." De mégsem hozta az elvárt kiugró eredményeket.
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 ...
Az adatelemzés persze nagyon hasznos eszköz a jobb döntéshozatalban, de szerintem az már rossz, ha adatok kezdik meghatározni a döntéseket. Mindegy, milyen erőteljes, az adat csak eszköz. Van egy nagyon hasznos eszköz arra, hogy ezt ne felejtsük el. Ez ismerős lesz...
(Laughter)
(Nevetés)
Before there was data, this was the decision-making device to use.
Az adatelemzés előtt ezt az eszközt használták döntéshozatalra.
(Laughter)
(Nevetés)
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.
Sokan ismeritek. Ez a játék a Varázslatos 8-as golyó, és valóban lenyűgöző. Ha van egy eldöntendő kérdésed, csak megrázod a labdát, és választ kapsz rá: "Nagyon valószínű" olvasható rajta máris. Később kipróbálhatjátok.
(Laughter)
(Nevetés)
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.
Hoztam pár olyan döntést az életben, amikor csak a golyóra kellett volna hallgatnom. De persze, ha van elérhető háttérinformáció, valami ennél kifinomultabbat is használnánk, mint például az adatelemzést, hogy jobb döntést hozzunk. De ez nem változtat az alapfelálláson. lehet, hogy a golyó egyre okosabb lesz, de még mindig nekünk kell döntenünk, ha valami rendkívülit akarunk elérni a görbe jó végén. Nagyon ösztönzőnek tartom, hogy még hatalmas adathalmazok mellett is kifizetődik a döntéshozatal, hogy szakértője legyél a témának, és hogy kockáztass. Mert végül is nem az adatok, hanem a kockázat segít át a görbe jó oldalára.
Thank you.
Köszönöm.
(Applause)
(Taps)