Hur data används för att skapa en tv-succé

Leder mer data till bättre beslutsfattande? Tävlingsinriktade, datakunniga företag som Amazon, Google och Netflix har lärt sig att dataanalys inte på egen hand behöver ge optimala resultat. I det här föredraget förklarar dataanalytikern Sebastian Wernicke vad som går fel när vi fattar beslut som är baserade enbart på data - och föreslår ett smartare sätt att använda den.

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.

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.

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" -

(Skratt)

- vilket borde säga nog om

vad som händer på den sidan av kurvan.

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.

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.

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.

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.

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?

(Skratt)

Ja, "House of Cards", och Netflix
slog förstås huvudet på spiken med den,

iallafall de första två säsongerna.

(Skratt) (Applåder)

"House of Cards" får 9,1
i snittbetyg på kurvan,

så det är precis där de ville vara.

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?

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.

(Skratt)

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.

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.

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.

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.

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.

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.

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.

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 ...

(Skratt)

Innan det fanns data, var det här

beslutsstödet som användes.

(Skratt)

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.

(Skratt)

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.

Tack.

(Applåder)