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 är en man som de flesta av er förmodligen aldrig hört talas om, även om han kan ha varit ansvarig för 22 ganska mediokra minuter av ditt liv den 19 april 2013. Han kan också ha varit ansvarig för 22 väldigt underhållande minuter, men inte för så många av er. Och allt beror på ett beslut som Roy var tvungen att ta för ungefär tre år sen.
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.
Ni förstår, Roy Price är en hög chef inom Amazon Studios. Det är Amazons produktionsbolag för tv. Han är 47 år gammal, smal, med taggigt hår, beskriver sig på Twitter som "film, tv, teknik, tacos". Roy Price har ett ansvarsfullt jobb, för det är hans ansvar att välja vilka serier, vilket originalinnehåll som Amazon ska ta fram. Självklart innebär det hög konkurrens. Det görs så många tv-serier, så Roy kan inte välja vilken serie som helst. Han måste hitta en riktigt, riktigt bra serie. Med andra ord måste han hitta serier som ligger längst ut till höger på den här kurvan.
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" --
Den här kurvan är betygsfördelningen för ungefär 2 500 tv-serier i IMDBs databas, och betygssnittet kan vara mellan 1 och 10, och höjden här visar hur många serier som får det betyget. Så om en serie får ett snittbetyg på 9 poäng eller högre är den en vinnare. Då har man en serie bland de 2 procenten. Det är serier som "Breaking Bad", "Game of Thrones", "The Wire". De här serierna är beroendeframkallande, så när man har sett en säsong säger ens hjärna liksom, "Var kan jag hitta fler sådana här avsnitt?" Den sortens serie. Till vänster, här borta, för att vara tydlig, finns en serie som heter "Toddles and Tiaras" -
(Laughter)
(Skratt)
-- which should tell you enough about what's going on on that end of the curve.
- vilket borde säga nog om vad som händer på den sidan av kurvan.
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 är inte orolig för att hamna på den sidan av kurvan, för jag tror att man behöver ha en riktigt skarp hjärna för att bli sämre än "Toddlers and Tiaras". Vad han oroar sig för är klumpen i mitten, klumpen av halvbra tv, ni vet, sådana där serier som varken är bra eller dåliga, som inte gör någon exalterad. Så han behöver bli säker på att han verkligen hamnar rätt.
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.
Det finns ett tryck på att lyckas, och det är förstås också första gången som Amazon ens gör något sånt här, så Roy Price vill inte ta några risker. Han vill bygga framgång. Han behöver en garanterad succé, så han anordnar en tävling.
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.
Han tar ett antal tv-seriekoncept och genom att utvärdera dem tar de ut åtta kandidater till tv-serier, och sen gör han det första avsnittet av var och en av dessa tv-serier och lägger ut dem gratis online så att alla kan se dem. Och när Amazon delar ut saker gratis vill man ha dem, eller hur? Så miljoner människor tittar på avsnitten.
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.
Vad de inte inser är att när de tittar på sina serier är det de som blir betraktade. De betraktas av Roy Price och hans team, som spelar in allt. De spelar in när någon trycker play, när någon pausar, vilka delar de hoppar över, vilka delar de ser igen. De samlar in miljontals datapunkter, för de vill ha dem när de bestämmer vilken tv-serie de ska göra. Så de samlar in datan, de bearbetar informationen, och ett svar träder fram, och svaret är, "Amazon borde göra en komedi om fyra republikanska senatorer i USA." De gjorde den serien.
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?
Vet någon vad serien heter? (Publiken: "Alpha House") Ja, "Alpha House", men det verkar faktiskt inte vara så många av er som minns den serien, för den blev inte så bra. Det blev bara en medioker serie, rent bokstavligen, för mitten på kurvan är 7,4, och "Alpha House" landade på 7,5, en serie strax över genomsnittet, men det var verkligen inte vad Roy Price och hans team siktade på. Men ungefär samtidigt på ett annat företag lyckades en annan hög chef ro i land en toppserie med hjälp av dataanalys, och han heter Ted, Ted Sarandos, som är innehållschef på Netflix, och precis som Roy letar han ständigt efter den stora tv-serien, och han använder data för att göra det, men han gör det på ett lite annorlunda sätt. Så istället för att hålla en tävling, tittade han och hans team på den data som de redan hade om Netflixtittare, som de betyg de gett till deras serier, tittarhistoriken, vilka serier de gillade, och så vidare. De använde datan för att upptäcka alla små detaljer om sin publik: vilka slags serier de gillade, vilka slags producenter, vilka slags skådespelare. Och när de väl hade satt ihop alla delar gjorde de en chansning och bestämde sig för att skapa inte en komedi om fyra senatorer, utan en dramaserie om en enda senator. Vet ni vilken serie?
(Laughter)
(Skratt)
Yes, "House of Cards," and Netflix of course, nailed it with that show, at least for the first two seasons.
Ja, "House of Cards", och Netflix slog förstås huvudet på spiken med den, iallafall de första två säsongerna.
(Laughter) (Applause)
(Skratt) (Applåder)
"House of Cards" gets a 9.1 rating on this curve, so it's exactly where they wanted it to be.
"House of Cards" får 9,1 i snittbetyg på kurvan, så det är precis där de ville vara.
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?
Nu är frågan, vad hände här? Vi har två väldigt tävlingsinriktade, datakunniga företag. De kombinerar miljontals datapunkter, och sen går det utmärkt för en av dem, och det fungerar inte för den andra. Varför? För logiken säger att det borde fungera varje gång. Om man samlar ihop miljontals datapunkter om ett beslut man ska fatta så borde det bli ett ganska bra beslut. Det finns 200 år av statistik att luta sig mot. Den förstärks med kraftfulla datorer. Det minsta man kan begära är bra tv, eller hur?
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.
Om dataanalys inte fungerar på det sättet så blir det lite skrämmande, för vi lever i en tid där vi allt oftare lutar oss mot data för att fatta allvarliga beslut som går långt bortom tv. Känner någon här till företaget Multi-Health Systems? Ingen. OK, det är faktiskt bra. Multi-Health Systems är ett mjukvaruföretag, och jag hoppas att ingen i det här rummet någonsin kommer i kontakt med deras mjukvara, för det betyder att du sitter i fängelse.
(Laughter)
(Skratt)
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.
Om någon här i USA sitter i fängelse och de ansöker om villkorlig frigivning är det väldigt sannolikt att dataanalysprogram från det företaget kommer att användas för att pröva frigivningen. Så det är samma princip som för Amazon och Netflix, men istället för att bestämma om en tv-serie ska bli bra eller dålig bestämmer man om en person ska bli bra eller dålig. Och 22 minuter av medioker tv kan vara ganska dåligt, men jag antar att fler år i fängelse är ännu värre.
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.
Oturligt nog finns det faktiskt en del bevis för att den här dataanalysen, även om den har massor av data, inte alltid producerar optimala resultat. Det beror inte på att ett företag som Multi-Health Systems inte vet vad de ska göra med informationen. Även datakunniga företag gör fel. Ja, till och med Google har fel ibland.
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 sa Google att de med hjälp av dataanalys kunde förutsäga utbrott av influensa, den elaka sortens förkylning, genom att genomföra dataanalys av sina Google-sökningar. Och det fungerade fint, vilket gav stor uppmärksamhet i medierna, inklusive det yttersta beviset på vetenskaplig framgång: en artikel i tidskriften "Nature". Det fungerade fint i flera år, tills det ett år inte fungerade längre. Och ingen kunde ens säga riktigt varför. Det fungerade bara inte det året, och det fick förstås också mycket publicitet, inklusive ett tillbakadragande av artikeln i "Nature". Så till och med de med de datakunniga företagen som Amazon och Google har ibland fel. Och trots alla dessa misslyckanden får data snabbt ett större inflytande över beslut i verkliga livet - på arbetsplatsen, inom rättsväsendet, inom medicin. Så vi borde verkligen ta reda på ifall data verkligen hjälper oss.
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.
Jag har personligen sett en stor del av de här problemen, för jag arbetar inom databeräknad genetik, vilken också är ett fält där många smarta människor använder oerhörda mängder data för att fatta ganska allvarliga beslut, som att välja cancerbehandling eller utveckla en ny medicin. Över åren har jag noterat ett slags mönster, eller en slags regel, kan man säga, om skillnaden mellan framgångsrikt och icke framgångsrikt beslutsfattande med data och jag har hittat ett mönster som är värt att dela med sig av.
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.
När man löser ett komplext problem gör man i grunden två saker. Den första är att plocka isär problemet i små bitar så att man kan analysera bitarna och sen gör man det andra steget. Men sätter ihop bitarna igen för att komma till slutsatsen. Ibland måste man göra om det, men det handlar alltid de två sakerna: plocka isär och sätta ihop saker igen.
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.
Det viktiga är att data och dataanalys bara är bra för det första steget. Hur kraftfulla data och dataanalys än är, kan bara hjälpa till med att plocka isär ett problem och förstå dess delar. Den passar inte för att sätta ihop delarna igen för att komma till en slutsats. Det finns ett annat verktyg som kan göra det, vi har det allihop, och det är hjärnan. Om det finns något hjärnan är bra på så är att det att sätta ihop små delar igen, även när den inte har all information, och kan nå en bra slutsats, speciellt om det är en experts hjärna.
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.
Jag tror att det är därför Netflix blev så framgångsrika, för att de använde data och hjärnor där de passade i processen. De använder data för att först förstå många små detaljer om sin publik som de annars inte skulle ha kunnat förstå på samma djup, men beslutet om hur de olika detaljerna skulle sättas ihop igen för att bli en serie som "House of Cards" fanns ingenstans i deras data. Ted Sarandos och hans team tog beslutet att godkänna tv-serien, vilket förresten också betydde att de tog en ganska stor personlig risk när de tog det beslutet. Och Amazon, å andra sidan, de gjorde saken på fel sätt. De använde data för allt sitt beslutsfattande, först när de höll tävlingen för tv-koncept, och sen när de valde "Alpha House" till den serie de skulle göra. Vilket självklart var ett säkert val för dem, för de kunde alltid peka på data och säga "Vår data säger det här." Men det ledde inte till de enastående resultat som de hoppades på.
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 ...
Så data är förstås ett oerhört kraftfullt verktyg för att fatta bättre beslut, men jag tror att saker går fel när data börjar styra besluten. Hur kraftfull den än är, så är data bara ett verktyg, och för att hålla det i minnet tycker jag den här saken är användbar. Många av er kommer ...
(Laughter)
(Skratt)
Before there was data, this was the decision-making device to use.
Innan det fanns data, var det här beslutsstödet som användes.
(Laughter)
(Skratt)
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.
Många känner nog igen den. Den här leksaken heter Magic 8 Ball, och den är fantastisk, för om du har ett beslut att fatta, en ja- eller nejfråga, behöver du bara skaka bollen för att få ett svar - "Förmodligen" - just här i den här stunden i realtid. Jag kan dema den senare.
(Laughter)
(Skratt)
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.
Så här är det förstås, att jag har fattat några beslut i mitt liv där jag i efterhand har förstått att jag borde ha lyssnat på bollen. Men om man har data tillgängliga vill man såklart ersätta den här med något lite mer sofistikerat, till exempel dataanalys, för att fatta ett bättre beslut. Men det ändrar inte de grundläggande förutsättningarna. Så bollen kan bli allt smartare men jag tror att vi fortfarande måste fatta besluten om vi vill åstadkomma något utöver det vanliga, längst till höger på kurvan. Och jag tycker faktiskt att det är ett väldigt uppmuntrande budskap, att även när vi står inför enorma mängder data lönar det sig fortfarande att fatta beslut, att vara en expert på det man gör, och att ta risker. För i slutändan är det inte data utan risker som kommer att ta en längst ut till höger på kurvan.
Thank you.
Tack.
(Applause)
(Applåder)