如何运用数据做出一个爆红的电视节目

收集更多的数据会导向更好的决策吗？有竞争力、擅长数据分析的公司，如亚马逊、谷歌和Netflix已经发现数据分析本身并不总能产生最佳的效果。在这次讲座中，数据科学家塞巴斯蒂安 • 韦尼克剖析了当我们纯粹使用数据做决策时会出现什么错误——并建议了一个更明智的方式来使用它。

Roy Price这个人，
在座的绝大多数可能都没听说过，

即使他曾经在2013年4月19日这一天

占用了你们生命中普通的22分钟。

他也许曾经带给了
各位非常欢乐的22分钟，

但对你们当中很多人来说
可能并不是这样。

而这一切全部要追溯到

Roy在三年前的一个决定。

实际上，Roy Price是
亚马逊广播公司的一位资深决策者。

这是亚马逊旗下的一家
电视节目制作公司。

他47岁，身材不错，
短发梳得很有型，

他在Twitter上形容自己是
"电影、电视、科技、墨西哥卷饼（爱好者）"。

Roy Price有一个
责任非常重大的工作，

因为他要负责帮亚马逊挑选
即将制作的原创节目。

当然，这个领域的竞争非常激烈。

我是说，其他公司已经有
那么多的电视节目，

Roy不能只是随便乱挑一个节目。

他必须找出真正会走紅的节目。

换句话说，他挑选的节目

必须落在这条曲线的右侧。

这条曲线是IMDB
（译注：网络电影资料库）里

2500个电视节目的
客户评分曲线图，

评分从1到10，

纵轴表明有多少节目达到这个评分。

所以如果你的节目达到9分或更高，
你就是赢家，

你就拥有那2%的顶尖节目。

例如像是“绝命毒师”、
“权力的游戏”、“火线重案组”，

全部都是会让人上瘾的节目，

看完一季之后，
你基本马上就会想，

“我要去哪里找到剩下的剧集？”

基本就是这类的节目。

曲线左边，不妨选个最靠边，
比较明显的点，

这儿有个叫“选美小天后"
（译注：儿童选秀类）的节目——

（笑声）

——足够让你明白

曲线最左端代表了什么。

现在，Roy Price并不担心
会选个落在曲线最左边的节目，

因为我认为你们都具备
严肃的判断力

来给 "选美小天后" 打个低分 。

他担心的是
中间多数的这些节目，

多到爆的这些一般的电视节目，

这些节目不算好，但也不是很烂，

它们不会真正地让你感兴趣。

所以他要确保他看好的节目
是落在最右端这里。

那么压力就来了，

当然，这也是亚马逊第一次

想要做这类事情，

所以Roy Price不想只是碰运气。

他想要打造成功。

他要一个万无一失的成功，

于是，他举办了一个竞赛。

他带来了很多关于电视节目的想法，

通过一个评估，

他们挑了八个候选的电视节目，

然后他为每一个节目制作了第一集，

再把它们放到网上，
让每个人免费观看。

当亚马逊要给你免费的东西时，

你就会拿，对吧？

所以几百万人在看这些剧集，

而这些人不知道的是，
当他们在观看节目的时候，

实际上他们也正被观察着。

他们被Roy Price及他的团队观察，

他们纪录了所有的一切。

他们纪录了哪些人按了拨放，
哪些人按了暂停，

哪些部分他们跳过了，
哪些部分他们又重看了一遍。

他们收集了几百万个数据，

因为他们想要用这些数据来决定

要做什么样的节目。

理所当然，他们收集了所有的数据，

处理过后得到了一个答案，

而答案就是，

“亚马逊需要制作一个有关
四个美国共和党参议员的喜剧”。

他们真的做了。

有人知道这个节目吗？

（观众：" 阿尔法屋。"）

是的，就是"阿尔法屋"。

但看起来你们大部人都
不记得有这部片子，

因为这部片子收视率并不太好。

它其实只是个一般的节目，

实际上，一般的节目差不多
对应曲线上大概7.4分的位置，

而 “阿尔法屋” 落在7.5分，

所以比一般的节目高一点点，

但绝对不是Roy Price和
他的团队想要达到的目标。

但在差不多同一时间，

另一家公司的另一个决策者，

同样用数据分析
却做出了一个顶尖的节目，

他的名字是 Ted，

Ted Sarandos是Netflix的
首席内容官，

就跟 Roy一样，他也要不停地寻找

最棒的节目，

而他也使用了数据分析，

但他的做法有点不太一样。

不是举办竞赛，他和他的团队

观察了Netflix已有的所有观众数据，

比如观众对节目的评分、

观看纪录、
哪些节目最受欢迎等等。

他们用这些数据去挖掘

观众的所有小细节：

他们喜欢什么类型的节目、

什么类型的制作人、
什么类型的演员。

就在他们收集到全部的细节后，

他们信心满满地

决定要制作一部，

不是四个参议员的喜剧，

而是一系列有关一位
单身参议员的电视剧。

各位知道那个节目吗？

（笑声）

是的，“纸牌屋”，
当然，Netflix至少在头两季

在这个节目上赚到了极高的收视率。

（笑声）（掌声）

“纸牌屋” 在这个曲线上拿到了 9.1分，

他们绝对实现了最初的目标。

很显然，问题来了，
这到底是怎么回事？

有两个非常有竞争力、
精通数据分析的公司。

他们整合了所有的数据，

然后，其中一个干的很漂亮，

而另一个却没有，

这是为什么呢？

毕竟逻辑分析会告诉你，
这种方法应该每次都有效啊，

我是说，
如果你收集了所有的数据

来制定一个决策，

那你应该可以得到一个
相当不错的决策。

你有200年的统计方法做后盾。

你用高性能的计算机
去增强它的效果。

至少你可以期待得到一个
还不错的电视节目，对吧？

但如果数据分析
并没有想像中的有效，

这就有点吓人了，

因为我们生活在一个
越来越依赖数据的时代，

我们要用数据做出远比电视节目
还要严肃重要的决策。

你们当中有人知道 "MHS" 这家公司吗？

没人？好，这就好。

好的，MHS是一家软件公司，

而我希望在座的各位

没人与他们的软件有任何关系，

因为如果你有，
就表示你犯了罪被判刑了。

（笑声）

如果有人在美国被判入狱，
要申请假释，

很有可能那家公司的数据分析软件

就会被用来判定你是否能获得假释。

它也是采用跟
亚马逊和Netflix公司相同的原则，

但并不是要决定
某个电视节目收视率的好坏，

而是用来决定
一个人将来的行为是好是坏。

一个22分钟的普通电视节目
可以很糟糕，

但我觉得要坐很多年的牢，更糟糕。

但不幸的是，实际上已经有证据显示，
这项数据分析尽管可以依靠

庞大的数据资料，
它并不总能得出最优的结果。

但并不只有像MHS这样的软件公司

不确定到底怎么分析数据，

就连最顶尖的数据公司也会出错。

是的，甚至谷歌有时也会出错。

2009年，谷歌宣布
他们可以用数据分析来

预测流行性感冒何时爆发，
就是那种讨人厌的流感，

他们用自己的搜寻引擎
来做数据分析。

结果证明它准确无比，
引得各路新闻报道铺天盖地，

甚至还达到了一个科学界的顶峰：

在 “自然” 期刊上发表了文章。

之后的每一年，它都预测得准确无误，

直到有一年，它失败了。

没有人知道到底是什么原因。

那一年它就是不准了，

当然，这又成了一个大新闻，

包括现在

被 "自然” 期刊撤稿。

所以，即使是最顶尖的数据分析公司，
亚马逊和谷歌，

他们有时也会出错。

但尽管出现了这些失败，

数据仍然在马不停蹄地渗透进我们
实际生活中的决策——

进入工作场所、

执法过程、

医药领域。

所以，我们应该确保数据是
能够帮助我们解决问题的。

我个人也曾经多次
被数据分析搞的焦头烂额，

因为我在计算遗传学领域工作，

这个领域有很多非常聪明的人

在用多到难以想像的数据
来制定相当严肃的决策，

比如癌症治疗，或者药物开发。

经过这几年，我已经注意到一种模式

或者规则，你们也可以这么理解，

就是有关于用数据做出

成功决策和不成功决策，

我觉得这个模式值得分享，
大概是这样的。

当你要解决一个复杂问题时，

你通常必然会做两件事。

首先，你会把问题拆分得非常细，

这样你就可以深度地分析这些细节，

当然你要做的第二件事就是，

再把这些细节重新整合在一起，

来得出你要的结论。

有时候你必须重复几次，

但基本都是围绕这两件事：

拆分、再整合。

那么关键的问题在于，

数据和数据分析

只适用于第一步，

无论数据和数据分析多么强大，

它都只能帮助你拆分问题和了解细节，

它不适用于把细节重新整合在一起

来得出一个结论。

有一个工具可以实现第二步，
我们每个人都有，

那就是大脑。

如果要说大脑很擅长某一件事，

那就是，它很会把琐碎的细节
重新整合在一起，

即使你拥有的信息并不完整，

也能得到一个好的结论，

特别是专家的大脑。

而这也是我相信
Netflix会这么成功的原因，

因为他们在分析过程中同时
使用了数据和大脑。

他们利用数据，
首先去了解观众的若干细节，

没有这些数据，
他们不可能进行这么透彻的分析，

但在之后，要做出重新整合，

制作像"纸牌屋"这样的节目的决策，

就无法依赖数据了。

是Ted Sarandos和他的团队（通过思考）
做出了批准该节目的这个决策，

这也就意味着，

他们在做出决策的当下，
也正在承担很大的个人风险。

而另一方面，亚马逊把事情搞砸了。

他们全程依赖数据来制定决策，

首先，举办了关于节目创意的竞赛，

然后他们决定选择制作 "阿尔法屋"。

当然，对他们而言，
这是一个非常安全的决策，

因为他们总是可以指着数据说，

“这是数据告诉我们的。”

但数据并没有带给他们
满意的结果。

当然，数据依然是做决策时的
一个强大的工具，

但我相信，当数据开始
主导这些决策时，

并不能保证万无一失。

不管它有多么的强大，
数据都仅仅是一个工具，

记住这句话之后，
我发现这个装置相当有用。

你们很多人就会......

（笑声）

在有数据之前，

这就是用来做决策的工具。

（笑声）

你们很多人应该知道这个玩意儿。

这个玩具称做“魔术8号球”，

它真的很奇妙，

因为如果你要做一个
“是” 或 “不是” 的决策时，

你只要摇一摇这颗球，
就可以得到答案了——

“很有可能是”——
在这个视窗里，马上就可以看到。

我回头会带它去做技术示范。

（笑声）

事实上，当然——
我已经在我人生中做出了一些决定，

虽然事后证明，
我当初应该直接用这颗球。

但，当然，如果你手里有数据，

你就会想用更尖端的方式
来取代这颗球，

比方说，用数据分析来得到更好的决策。

但这无法改变基本的设定。

这球可能会变得越来越智能，

但我相信，如果我们想达成某些
像曲线最右端那样

出色的成就，最后的决定权

还是应该落在我们身上。

事实上，我还发现了
一件非常鼓舞人心的事，

即使面对庞大的数据，

当你要做出决定，

想要变成一位该领域的专家
并承担风险时，

你仍然会有很大的收获。

因为到最后，不是数据，

而是风险，会把你引到曲线的最右端。

谢谢各位。

（掌声）