How to use data to make a hit TV show

Fører indsamlingen af mere data til bedre beslutningstagen? Kokurrencedygtige, data-kyndige firmaer såsom Amazon, Google og Netflix har lært at analysering af data ikke alene er garanti for at producere optimale resultater. I dette foredrag forklarer data forsker Sebastian Wernicke hvad der går galt når vi basere beslutninger på data alene - og foreslår en smartere måde at bruge det på.

Roy Price er en mand som de fleste af jer
nok aldrig har hørt om,

selvom han måske er ansvarlig

for 22 mere eller mindre middelmådige
minutter af jeres liv den 19. april 2013.

Han kan også have været ansvarlig for 22
meget underholdende minutter,

men ikke for særligt mange af jer.

Og alt det stammer fra en beslutning

som Roy var nød til at tage
omkring tre år siden.

Ser i, Roy Price
er en overordnet leder hos Amazon Studios.

Det er Amazons TV produktionsselskab.

Han er 47 år gammel, slank, strithår,

beskriver sig selv på Twitter
som "film, TV, teknologi, taco."

Og Roy Price har et meget ansvarsfuldt job,
fordi det er hans ansvar

at vælge de serier, det originale indhold
som Amazon skal producere.

Og det er selvfølgelig
et meget konkurrerende miljø.

Det er jo allerede
så mange TV-serier,

så Roy kan ikke bare vælge en hvilket som helst serie.

Han bliver nød til at finde serier
som er rigtig, rigtig gode.

Med andre ord, skal han finde serier

som er helt til højre på denne kurve her.

Denne kurve her er
fordeling af bedømmelser

af omkring 2.500 TV serier
på hjemmesiden IMDB,

og bedømmelserne går fra et til 10,

og højden her viser hvor mange serier
der får den bedømmelse.

Så hvis din serie får en bedømmelse på
ni point eller højere er det en vinder.

Så har du en top to procent serie.

Det er serier som "Breaking Bad,"
"Game of Thrones," "The Wire,"

Altså alle de her serier
som er vanedannende,

hvor når du har set en sæson,
siger din hjerne bare,

"Hvor kan jeg få flere af de her afsnit?"

Den slags serier.

På venstre side, for at gøre det klart,
i den her side,

er der serier som hedder
"Toddlers and Tiaras" -

(Latter)

- hvilket burde sige det hele

omkring hvad der sker i den ende
af kurven.

Roy Price er ikke bekymret for at ende
på den venstre side af kurven,

fordi jeg tror at du virkelig
skal have noget tankevirksomhed

for at komme under
"Toddlers and Tiaras."

Så det han er bekymret omkring
er bulen her i midten,

bulen med gennemsnitlig TV,

I ved, den slags serier som ikke er
rigtig gode eller rigtig dårlige

- de begejstrer ikke rigtig.

Så han bliver nød til at sikre sig,
at han er på den rigtige side af denne.

Så der er pres på,

og det er selvfølgelig også første gang,

at Amazon overhovedet laver sådan noget,

så Roy Price vil ikke tage nogle chancer.

Han vil skabe succes.

Han har brug for en garanteret succes,

og derfor afholder han en konkurrence.

Han tager en bunke idéer til TV-serier

og gennem en evaluering af de idéer

bliver otte kandidater til TV-serier valgt

og så laver han kun den
første episode til hver serie

og lægger dem online
så alle kan se dem gratis.

Og når Amazon giver dig noget gratis

så tager du imod det, ikke?

Så millioner af seere ser disse episoder.

Hvad de ikke indser er
at mens de ser deres serie

bliver de faktisk selv iagttaget.

De bliver iagttaget af Roy Price
og hans hold

som optager alting,

De optager når nogen trykker play.
når nogen trykker pause,

hvilke dele de springer over,
hvilke dele de ser igen.

Så de samler millioner af data point,

fordi de vil have de data point

til når de skal beslutte hvilken serie de vil lave.

Som sagt så gjort,
de samlede al data,

de analyserede denne
og et svar dukkede op,

og det svar er,

"Amazon bør lave en komedieserie
om fire republikanske senatorer."

De lavede den serie.

Er der nogen der kender navnet på den serie?

(Publikum: "Alpha House.")

Ja, "Alpha House,"

men det virker som om der ikke er så
mange af jer som faktisk husker den serie,

fordi den endte med ikke
at blive så god.

Det er faktisk kun
en gennemsnitlig serie

endda bogstavelig talt,
fordi gennemsnittet på denne kurve er 7,4

og "Alpha House" er på 7,5,

så en lige over gennemsnittet serie,

men helt sikkert ikke hvad Roy Price
og hans hold gik efter.

I mellemtiden,

i et andet firma,

lykkedes det en anden leder at skaffe en
top serie ved hjælp af data analysering,

og hans navn er Ted,

Ted Sarandos, som er
Chief Content Officer hos Netflix.

og ligesom Roy, er han på
en konstant mission

for at finde en god TV-serie,

og til det bruger han også data,

bortset fra,
at han gør det lidt anderledes.

I stedet for at afholde en konkurrence,
han - og hans hold selvfølgelig -

så på al den data
de allerede havde om Netflix seere.

I ved, de bedømmelser
de giver deres serier,

afspilningshistorik,
hvilke serier folk kan lide, osv.

Og så bruger de den data til at opdage

alle disse små dele
af informationer om seererne:

hvilken slags serier,

producere, skuespillere de kan lide.

Og når de havde samlet alle disse dele,

tog de en chance,

og de besluttede at lave

- ikke en komedieserie om fire senatorer -

men en drama serie om en enkelt senator.

Kender i denne serie?

(Latter)

Ja, "House of Cards," og Netflix
selvfølgelig ramte rigtig med den serie,

i hvert fald de første to sæsoner,

(Latter) (Klapsalver)

"House of Cards" får 9,1 på denne kurve,

så det er præcis der hvor
de gerne ville have den skulle være.

Så er spørgsmålet selvfølgelig
hvad skete der her?

Du har to konkurrencedygtige,
data-kløgtige firmaer.

De samler alle de her
millioner af data point,

Og det fungerer fantastisk for en af dem

og det virker ikke for den anden.

Hvorfor?

Fordi logisk set burde det
egentlig fungerer hver gang.

Hvis du samler millioner af data point

til en beslutning du skal tage,

så burde du kunne tage
en ret god beslutning.

Du har 200 års statistik
at falde tilbage på.

Det forstærker du
med kraftfulde computere.

Det mindste du kan forvente
er vel god TV, ikke?

Og hvis data analyse
ikke virker på den måde,

så er det faktisk lidt skræmmende,

fordi vi lever i en tid
hvor vi bruger data mere og mere

til at tage seriøse valg langt udover TV.

Er der nogen her der kender firmaet
Multi-Health Systems?

Ingen. Okay, det er faktisk godt.

Okay, så Multi-Health Systems
er et software firma,

og jeg håber ikke at nogen i dette lokale

nogensinde kommer i kontakt
med den software,

fordi så betyder det at I er i fængsel.

(Latter)

Hvis nogen her i USA er i fængsel og
ansøger om prøveløsladelse,

så er det meget sandsynligt,
at data analyse software fra det firma

vil blive brugt til at bestemme om
der skal gives prøveløsladelse.

Så det er det samme princip
som Amazon og Netflix,

men i stedet for at bestemme om
en TV-serie bliver god eller dårlig,

bestemmer man om en fange
bliver god eller dårlig.

Og middelmådig TV, 22 minutter,
det kan være ret dårligt,

men flere år i fængsel,
går jeg udfra, er endnu værre.

Og uheldigvis er der faktisk bevis for.
at denne data analyse,

på trods af masser af date,
ikke altid producerer optimale resultater.

Og det er ikke fordi et firma
som Multi-Health Systems

ikke bruger den data korrekt.

Selv de mest data-kyndige
firmaer fejler.

Ja, selv Google fejler noglegange.

I 2009 annoncerede Google,
at de var i stand til, med data analyse,

at forudse udbrud ad influenza,
den slemme slags,

ved at lave data analyse
på deres Google søgninger.

Og det virkede fantastisk, og det
blev en stor historie i nyhederne,

inklusiv højdepunktet
i videnskabelig succes:

en udgivelse i tidskriftet "Nature."

Det virkede fantastisk
år efter år efter år,

indtil det et år fejlede.

Og ingen kunne forklare præcis hvorfor.

Det virkede bare ikke det år,

og det blev selvfølgelig også en nyhed,

med efterfølgende tilbagetrækning

af udgivelsen i tidskriftet "Nature."

Så selv de mest data-kyndige firmaer,
Amazon og Google,

fejler sommetider.

Og på trods af disse fiaskoer,

rykker data hastigt ind det virkelig livs
beslutningstagen -

ind på arbejdspladsen,

retshåndhævelsen,

lægevidenskab.

Så vi må hellere være sikker på.
at data hjælper.

Personligt har jeg set megen af denne
kamp med data selv,

da jeg arbejder med databehandletgenetik,

hvilket også er et felt
hvor mange meget smart folk

bruger utrolige mængder data til
at træffe nogle ret seriøse beslutninger,

såsom valg vedrørende kræft terapi
eller udvikle et medikament.

Og i årenes løb
har jeg lagt mærke til et mønster

eller en slags regel, om du vil,
om forskellen

mellem succesfuld
beslutningstagen med data

og fejlende beslutningstagen,

og jeg fandt dette mønster værd at dele,
og det er sådan her.

Hver gang du løser
et kompleks problem,

gør du i virkeligheden to ting.

Den første er at du deler problemet
op i mindre stykker

så du kan analysere disse stykker i dybden

og så laver du selvfølgelig
den anden del.

Du samler alle disse stykker igen
for at komme

frem til din konklusion.

Og noglegange skal du begynde forfra,

men det er altid disse to ting:

skille det ad
og samle det igen.

Og den vigtige del er,

at data og data analyse

er kun brugbart til den første del.

Data og data analyse,
uanset hvor stærk,

kan kun hjælpe med at skille problemet ad
og forstå stykkerne.

Det er ikke lavet til at samle
stykkerne igen

og komme frem til en konklusion.

Der er et andet værktøj der kan gøre det
og alle har det,

og det værktøj er hjernen.

Hvis det er en ting hjernen er god til,

så er det at samle stykker sammen igen,

selv hvis du ikke har al informationen,

og nå en god konklusion,

især hvis det er en eksperts hjerne.

Og det er derfor jeg tror,
at Netflix var så succesfulde

fordi de brugte data og hjerne
der hvor de passede i processen.

De brugte først data til at forstå
en masse stykker af deres seere

som de ellers ikke kunne have
forstået på sådan et niveau,

men beslutningen om at tage
alle disse stykker

og samle dem igen
og lave en serie som "House of Cards,"

var ikke i nærheden af data.

Ted Sandaros og hans hold
tog beslutningen om at lave den serie,

hvilket i øvrigt også betød,
at de løb

en ret stor personlig risiko
med den beslutning.

Og Amazon, på den anden side,
de gjorde det på den forkerte led.

De brugte data hele vejen
i deres beslutningstagen,

først da de afholdte konkurrencen
med TV idéer

senere da de valgte at lave
"Alpha House" til en serie.

Hvilket selvfølgelig var
en sikker beslutning for dem

fordi de altid kunne
pege på dataen og sige:

"Dette er hvad dataen fortalte os."

Men det første ikke til det exceptionelle
resultat som de håbede på.

Data er selvfølgelig et enormt brugbart
værktøj til at tage bedre valg

men jeg tror, at det går galt

når data begynder at styre de valg.

Uanset hvor stærk data er,
er det kun et værktøj

og for at huske på dette,
finder jeg denne her meget brugbar.

Mange af jer vil ...

(Latter)

Før der var data,

var dette beslutningstager-enheden
man brugte.

(Latter)

Mange af kender denne.

Dette legetøj her hedder en magisk 8-ball

og den er helt utrolig,

fordi hvis du har et valg du skal tage.
et ja/nej spørgsmål,

det eneste du skal gøre er
at ryste kuglen og så får du et svar -

"Højst sandsynlig" - lige her
i dette vindue i realtid.

Jeg vil demonstrere derude senere.

(Latter)

Sagen er, at jeg har taget
nogle valg i mit liv

hvor jeg skulle have lyttet
til kuglen, set i bakspejlet.

Men, I ved, hvis man har data til rådighed

vil man erstatte den
med noget langt mere sofistikeret,

såsom data analyse
for at komme frem til en bedre beslutning.

Men det ændrer ikke den basale opsætning.

Kuglen bliver måske klogere
og klogere og klogere,

men jeg mener stadig,
at vi skal tage beslutningerne

hvis vi vil opnå noget ekstraordinært,

i den højre ende af kurven.

Og det mener jeg faktisk
er en meget opmuntrende besked,

at selv overfor masser af data

betaler det sig stadig
at tage beslutninger,

at være en ekspert til det du laver

og take chancer.

For når alt kommer til alt,
er det ikke data

det er chancer der vil føre dig
til den højre ende af kurven.

Tak.

(Klapsalver)