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 è un uomo che gran parte di voi non ha mai sentito nominare, anche se è stato forse il responsabile di 22 minuti un po' mediocri della vostra vita nel 19 Aprile 2013. E forse è stato anche responsabile di 22 minuti molto interessanti, ma non per molti di voi. E tutto ciò dipende da una scelta che Roy dovette fare circa 3 anni fa.
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.
Vedete, Roy Price è un alto dirigente degli Amazon Studios, la società di produzione televisiva di Amazon. Ha 47 anni, magro, capelli a spazzola, si autodescrive su Twitter come "film, TV, tecnologia, taco." Roy Price ha un compito molto importante, perché ha la responsabilità di scegliere gli spettacoli, i contenuti che Amazon produrrà. Che di certo è un'area con molta competizione. Voglio dire, ci sono già così tanti show televisivi, che Roy non può sceglierne uno qualunque. Deve trovare degli spettacoli che siano davvero, davvero grandiosi. Dunque, in altre parole, deve trovare degli spettacoli che andranno all'estrema destra di questa curva.
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" --
Questa curva mostra la distribuzione della valutazione di circa 2.500 spettacoli televisivi sul sito web IMDB, e la valutazione va da 1 a 10, e l'altezza indica quanti show ottengono quella valutazione. Perciò se il vostro show ha un voto di nove punti o più, è uno vincente. Quindi avrete uno show nel 2% al top. Cioè show come "Breaking Bad", "Il Trono di Spade", "The Wire", tutti quegli spettacoli che danno dipendenza, che se ne guardate una stagione, il vostro cervello è tipo: "Dove posso guardare altri episodi?" Quel tipo di spettacoli. Sul lato sinistro, tanto per chiarire, lì in fondo, avete uno spettacolo chiamato "Toddlers and Tiaras"
(Laughter)
(Risate)
-- which should tell you enough about what's going on on that end of the curve.
che dovrebbe dirvi abbastanza di cosa succede su quel lato della curva.
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.
Ora, Roy Pice non è preoccupato di finire sul lato sinistro della curva, perché credo che vi servano delle capacità mentali notevoli per svendere "Toddlers and Tiaras". Perciò quel che lo preoccupa è la gobba qui nel mezzo, la gobba della tv mediocre, sapete, quegli show che non sono né eccezionali né pessimi, che non vi entusiasmano molto. Perciò dev'essere sicuro di stare davvero qui sul lato destro.
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.
Quindi la pressione è alta, e di certo è anche la prima volta che Amazon fa qualcosa di questo genere, dunque Roy Price non vuole correre rischi. Vuole progettare con cura il successo. Gli serve un successo garantito, e quindi quel che fa è organizzare un concorso.
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.
Raccoglie alcune idee per degli show televisivi, e da queste idee, dopo averle valutate, scelgono otto candidati a diventare spettacoli televisivi, poi semplicemente realizza il primo episodio di ciascuno show e li mette in rete gratuitamente per farli vedere a chiunque. E dunque, quando Amazon offre cose gratis, le prendete, giusto? Dunque milioni di spettatori stanno guardando quegli episodi.
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.
Ciò di cui non si accorgono è che, mentre guardano i loro show, sono loro a venire osservati. Vengono osservati da Roy Price e dal suo team, che registrano tutto. Registrano quando qualcuno preme play, quando qualcuno mette in pausa, quali parti saltano, quali parti guardano di nuovo. Quindi raccolgono moltissimi dati, perché vogliono avere questi dati per poi decidere quale show trasmettere. E sicuri di sè, raccolgono i dati, fanno tutti i calcoli, e una risposta emerge, e la risposta è: "Amazon dovrebbe fare una sitcom su quattro senatori repubblicani in USA". Hanno fatto quella serie.
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?
Qualcuno sa come si intitola? (Pubblico: "Alpha House") Sì, "Alpha House", ma sembra che non molti di voi qui ricordino questo spettacolo, in realtà, perché non si è rivelato un granché. È in realtà uno show di medio livello, letteralmente, appunto, poiché la media di questa curva è a 7.4 e "Alpha House" si trova a 7.5, quindi di sopra a uno spettacolo medio, ma di certo non è quel che Roy Price e il suo team speravano. Nel frattempo tuttavia, più o meno nello stesso periodo, un'altra azienda, un altro dirigente è riuscito a piazzare una serie al top analizzando i dati e il suo nome è Ted, Ted Sarandos, che è il direttore dell'Ufficio Contenuti di Netflix e, come Roy, la sua missione è sempre di trovare quel grande show, e anche lui usa i dati per riuscirci, solo che lui lo fa un po' diversamente. Invece di indire una competizione, ciò che ha fatto insieme al suo team era guardare tutti i dati che avevano sugli utenti di Netflix, sapete, come votano i loro spettacoli, la cronologia delle visualizzazioni, quali show piacciono ecc. Poi hanno usato quei dati per trovare tutti questi piccoli dettagli sul pubblico: che tipi di show preferiscono, quali produttori, quali attori. E una volta messi insieme tutti questi pezzi, hanno fatto un salto nel vuoto, e hanno deciso di autorizzare non una sitcom su quattro senatori, ma una serie drammatica su un singolo senatore. Conoscete quella serie?
(Laughter)
(Risate)
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
Sì, "House of Cards", e ovviamente Netflix ha sbancato grazie ad esso. almeno per le prime due stagioni.
(Laughter) (Applause)
(Risate) (Applausi)
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
"House of Cards" ha una valutazione di 9.1 su questa curva, cioè esattamente dove volevano essere.
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?
Ora, l'ovvia domanda è "cosa è successo qui?" Avete due aziende molto forti, esperte di statistica, che incrociano questa montagna di dati, e funziona a meraviglia per una di loro, ma non per l'altra. Perché? Perché la logica vi dice che dovrebbe funzionare sempre. Cioè, raccogliere milioni di dati in vista di una decisione futura, dovreste permettervi di prendere una buona decisione. Avete 200 anni di dati in cui confidare. Le avete amplificate con computer molto potenti. Il minimo che vi aspettate è una buona TV, giusto?
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.
E se le informazioni non funzionano in quel modo, c'è da preoccuparsi, perché viviamo in un tempo dove ci affidiamo sempre di più ai dati per prendere decisioni molto più serie di quelle riguardanti la televisione. Qualcuno qui conosce l'azienda Multi-Health System? Nessuno. Ok, in realtà è un bene. Ok dunque, la Multi-Health System è un'azienda di software, e spero che nessuno in questa stanza abbia mai a che fare con quel software, perché vorrebbe dire che state in prigione.
(Laughter)
(Risate)
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.
Se qualcuno qui negli US è in galera e chiede la libertà condizionale, allora è molto probabile che il software per l'analisi dei dati di quella società sarà utilizzato per stabilire se concedere la libertà condizionale. Perciò è lo stesso principio per Amazon e Netflix, ma ora, invece di decidere se uno show sarà buono o no, state decidendo se una persona sarà buona o no. E una TV mediocre, 22 minuti, può essere abbastanza spiacevole, ma più anni in prigione, credo siano anche peggio.
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.
E sfortunatamente, ci sono delle prove che questa analisi dei dati, nonostante la grossa mole di dati, non porta sempre ottimi risultati. E questo non perché un'azienda come Multi-Health Systems non sa che fare coi dati. Anche le aziende più esperte sui dati sbagliano. Si, anche Google sbaglia qualche volta.
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.
Nel 2009 Google annunciò di essere capace, tramite l'analisi dei dati, di predire epidemie influenzali, quelle brutte forme d'influenza, facendo l'analisi dei dati provenienti dalle loro ricerche su Google. E ha funzionato magnificamente, e ha fatto grande scalpore nei notiziari, incluso il picco del successo scientifico: una pubblicazione sulla rivista "Nature". Ha funzionato magnificamente anno dopo anno dopo anno, finché un anno ha fallito. E nessuno ha saputo dire esattamente perché. Non ha funzionato in quell'anno e ovviamente ha fatto di nuovo scalpore, compreso il ritiro di una pubblicazione dal giornale "Nature". Per cui anche Amazon e Google, le aziende più esperte sui dati, possono sbagliare qualche volta. E nonostante tutti questi fallimenti, i dati si stanno affermando rapidamente nel processo decisionale della vita reale: sul posto di lavoro, sull'applicazione della legge, in medicina. Quindi dovremmo assicurarci meglio che i dati stiano aiutando.
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.
Ora, ho visto di persona molti di questi problemi coi dati, lavorando nella genetica computazionale, un campo dove moltissime persone intelligenti usano quantità inimmaginabili di dati per prendere decisioni alquanto serie come decidere su una terapia per il cancro o sviluppare un farmaco. E negli anni ho notato una sorta di modello o regola, se preferite, riguardante la differenza tra un processo decisionale di successo ,grazie ai dati, e uno fallimentare, e ritengo utile condividere questo modello che funziona più o meno così:
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.
quando state risolvendo problemi complessi, state facendo due cose: La prima è suddividere il problema in piccole parti così da poterle analizzare a fondo, e poi la seconda fase, Rimettere tutte queste parti insieme per arrivare alla conclusione. E qualche volta dovete rifarlo di nuovo, ma sono sempre due fasi: smembrare e rimettere insieme.
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.
Ora il punto cruciale è che i dati e l'analisi dei dati vanno bene solo per la prima fase. I dati e l'analisi, non importa quanto potenti, possono solo aiutarvi a smontare un problema e comprenderne le parti. Non sono adatti a rimettere le parti assieme per poi arrivare ad una conclusione. C'è un altro strumento che può farlo, e lo abbiamo tutti, il cervello. Una cosa che il cervello fa bene è rimettere insieme i pezzi, anche quando abbiamo informazioni incomplete, e trarne una buona conclusione, specialmente se è il cervello è quello di un esperto.
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.
Per questo credo che Netflix abbia avuto successo, perché hanno usato dati e cervelli quando servivano durante il processo. Hanno utilizzato prima i dati per capire molti aspetti dei loro spettatori, non avrebbero potuto capirli così a fondo altrimenti, ma poi la decisione di prendere tutti questi pezzi, rimetterli insieme e fare una serie come "House of Cards", non ha dipeso affatto dai dati. Ted Sarandos e la sua squadra hanno preso la decisione di autorizzare quella serie, il che ha significato anche prendersi un bel rischio personale con tale scelta. Quelli di Amazon invece, l'hanno fatto al contrario sbagliando. Hanno utilizzato solo i dati per il processo decisionale, prima con il loro concorso sulle idee per la TV, poi quando hanno selezionato "Alpha House" per farne una serie, Il che certamente era una scelta sicura per loro, potendo sempre indicare i dati dicendo "Questo dicono i dati." Ma ciò non li ha condotti ai risultati eccezionali che speravano.
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 ...
Perciò i dati sono di certo uno strumento estremamente utile per decisioni migliori, ma credo che le cose vadano a finire male se i dati iniziano a guidare quelle decisioni. Non importa quanto efficienti, i dati sono solo uno strumento e trovo questo apparecchio molto utile per tenerlo a mente. Molti di voi...
(Laughter)
(Risate)
Before there was data, this was the decision-making device to use.
Prima che ci fossero i dati, questo era lo strumento per il processo decisionale.
(Laughter)
(Risate)
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.
Molti di voi sapranno co'è, Questo giocattolo è la Magica Palla 8, ed è incredibile, perché se c'è da fare una scelta o rispondere si o no, tutto quello che dovete fare è agitare la palla e avrete la risposta - "Quasi certo" - proprio ora su questa finestrella, dal vivo. Lo farò aprire per delle demo di tecnologia.
(Laughter)
(Risate)
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.
Ora, ovviamente il fatto è che ho preso alcune decisioni nella mia vita dove, a ragion veduta, avrei dovuto solo ascoltare la palla. Ma sapete, di certo, se avete i dati a disposizione, vorrete sostituire questa con qualcosa di molto più sofisticato, come l'analisi dei dati, per arrivare ad una decisione migliore. Ma ciò non cambia l'impostazione di base. Perciò la palla può diventare sempre più intelligente, ma credo che stia ancora a noi prendere le decisioni, se vogliamo raggiungere qualcosa di straordinario, sul lato destro della curva. E trovo che questo sia un messaggio molto incoraggiante, appunto, che anche davanti ad una quantità di dati enorme, ripaga ancora il prendere decisioni, l'essere un esperto in ciò che state facendo e il prendere rischi. Perché, alla fine,non sono i dati, ma i rischi che ti faranno raggiungere il lato destro della curva.
Thank you.
Grazie.
(Applause)
(Applausi)