1
00:00:00,820 --> 00:00:05,096
Roy Price är en man som de flesta av er
förmodligen aldrig hört talas om,

2
00:00:05,120 --> 00:00:07,616
även om han kan ha varit ansvarig

3
00:00:07,640 --> 00:00:14,400
för 22 ganska mediokra minuter
av ditt liv den 19 april 2013.

4
00:00:14,400 --> 00:00:17,846
Han kan också ha varit ansvarig
för 22 väldigt underhållande minuter,

5
00:00:17,846 --> 00:00:20,016
men inte för så många av er.

6
00:00:20,040 --> 00:00:21,680
Och allt beror på ett beslut

7
00:00:21,680 --> 00:00:24,020
som Roy var tvungen att ta
för ungefär tre år sen.

8
00:00:24,020 --> 00:00:28,816
Ni förstår, Roy Price är en hög chef
inom Amazon Studios.

9
00:00:28,840 --> 00:00:31,856
Det är Amazons produktionsbolag för tv.

10
00:00:31,880 --> 00:00:35,136
Han är 47 år gammal,
smal, med taggigt hår,

11
00:00:35,160 --> 00:00:39,976
beskriver sig på Twitter
som "film, tv, teknik, tacos".

12
00:00:40,000 --> 00:00:45,176
Roy Price har ett ansvarsfullt jobb,
för det är hans ansvar att välja

13
00:00:45,200 --> 00:00:49,256
vilka serier, vilket originalinnehåll
som Amazon ska ta fram.

14
00:00:49,280 --> 00:00:51,616
Självklart innebär det hög konkurrens.

15
00:00:51,640 --> 00:00:54,376
Det görs så många tv-serier,

16
00:00:54,400 --> 00:00:56,576
så Roy kan inte välja
vilken serie som helst.

17
00:00:56,600 --> 00:01:00,696
Han måste hitta
en riktigt, riktigt bra serie.

18
00:01:00,720 --> 00:01:03,536
Med andra ord måste han hitta serier

19
00:01:03,560 --> 00:01:05,936
som ligger längst ut till höger
på den här kurvan.

20
00:01:05,960 --> 00:01:08,616
Den här kurvan är betygsfördelningen

21
00:01:08,640 --> 00:01:13,016
för ungefär 2 500 tv-serier
i IMDBs databas,

22
00:01:13,040 --> 00:01:15,936
och betygssnittet
kan vara mellan 1 och 10,

23
00:01:15,960 --> 00:01:18,936
och höjden här visar
hur många serier som får det betyget.

24
00:01:18,960 --> 00:01:23,520
Så om en serie får ett snittbetyg
på 9 poäng eller högre är den en vinnare.

25
00:01:23,520 --> 00:01:25,496
Då har man en serie bland de 2 procenten.

26
00:01:25,520 --> 00:01:29,416
Det är serier som "Breaking Bad",
"Game of Thrones", "The Wire".

27
00:01:29,440 --> 00:01:31,736
De här serierna är beroendeframkallande,

28
00:01:31,760 --> 00:01:34,560
så när man har sett en säsong
säger ens hjärna liksom,

29
00:01:34,560 --> 00:01:37,016
"Var kan jag hitta fler
sådana här avsnitt?"

30
00:01:37,040 --> 00:01:38,650
Den sortens serie.

31
00:01:38,920 --> 00:01:41,416
Till vänster, här borta,
för att vara tydlig,

32
00:01:41,440 --> 00:01:44,616
finns en serie som heter
"Toddles and Tiaras" -

33
00:01:44,640 --> 00:01:47,296
(Skratt)

34
00:01:47,320 --> 00:01:48,856
- vilket borde säga nog om

35
00:01:48,880 --> 00:01:51,071
vad som händer på den sidan av kurvan.

36
00:01:51,465 --> 00:01:55,256
Roy Price är inte orolig för
att hamna på den sidan av kurvan,

37
00:01:55,280 --> 00:01:57,970
för jag tror att man behöver ha
en riktigt skarp hjärna

38
00:01:57,970 --> 00:01:59,996
för att bli sämre
än "Toddlers and Tiaras".

39
00:01:59,996 --> 00:02:03,896
Vad han oroar sig för är klumpen i mitten,

40
00:02:03,920 --> 00:02:05,736
klumpen av halvbra tv,

41
00:02:05,760 --> 00:02:08,616
ni vet, sådana där serier
som varken är bra eller dåliga,

42
00:02:08,639 --> 00:02:10,295
som inte gör någon exalterad.

43
00:02:10,320 --> 00:02:15,110
Så han behöver bli säker på
att han verkligen hamnar rätt.

44
00:02:15,110 --> 00:02:16,826
Det finns ett tryck på att lyckas,

45
00:02:16,826 --> 00:02:18,976
och det är förstås också första gången

46
00:02:19,000 --> 00:02:21,176
som Amazon ens gör något sånt här,

47
00:02:21,200 --> 00:02:24,536
så Roy Price vill inte ta några risker.

48
00:02:24,560 --> 00:02:27,016
Han vill bygga framgång.

49
00:02:27,040 --> 00:02:28,816
Han behöver en garanterad succé,

50
00:02:28,840 --> 00:02:31,416
så han anordnar en tävling.

51
00:02:31,440 --> 00:02:34,576
Han tar ett antal tv-seriekoncept

52
00:02:34,600 --> 00:02:36,896
och genom att utvärdera dem

53
00:02:36,920 --> 00:02:40,800
tar de ut åtta kandidater till tv-serier,

54
00:02:40,800 --> 00:02:44,256
och sen gör han det första avsnittet
av var och en av dessa tv-serier

55
00:02:44,280 --> 00:02:47,416
och lägger ut dem gratis online
så att alla kan se dem.

56
00:02:47,440 --> 00:02:49,696
Och när Amazon delar ut saker gratis

57
00:02:49,720 --> 00:02:51,256
vill man ha dem, eller hur?

58
00:02:51,280 --> 00:02:56,416
Så miljoner människor tittar på avsnitten.

59
00:02:56,440 --> 00:02:59,656
Vad de inte inser är
att när de tittar på sina serier

60
00:02:59,680 --> 00:03:01,976
är det de som blir betraktade.

61
00:03:02,000 --> 00:03:04,336
De betraktas av Roy Price och hans team,

62
00:03:04,360 --> 00:03:05,736
som spelar in allt.

63
00:03:05,760 --> 00:03:09,136
De spelar in när någon trycker play,
när någon pausar,

64
00:03:09,160 --> 00:03:11,696
vilka delar de hoppar över,
vilka delar de ser igen.

65
00:03:11,720 --> 00:03:13,976
De samlar in miljontals datapunkter,

66
00:03:14,000 --> 00:03:16,096
för de vill ha dem

67
00:03:16,120 --> 00:03:18,816
när de bestämmer
vilken tv-serie de ska göra.

68
00:03:18,840 --> 00:03:21,016
Så de samlar in datan,

69
00:03:21,040 --> 00:03:23,616
de bearbetar informationen,
och ett svar träder fram,

70
00:03:23,640 --> 00:03:24,856
och svaret är,

71
00:03:24,880 --> 00:03:30,416
"Amazon borde göra en komedi
om fyra republikanska senatorer i USA."

72
00:03:30,440 --> 00:03:31,656
De gjorde den serien.

73
00:03:31,680 --> 00:03:33,840
Vet någon vad serien heter?

74
00:03:34,720 --> 00:03:36,016
(Publiken: "Alpha House")

75
00:03:36,040 --> 00:03:37,496
Ja, "Alpha House",

76
00:03:37,520 --> 00:03:41,616
men det verkar faktiskt inte vara
så många av er som minns den serien,

77
00:03:41,640 --> 00:03:43,496
för den blev inte så bra.

78
00:03:43,520 --> 00:03:45,376
Det blev bara en medioker serie,

79
00:03:45,400 --> 00:03:49,976
rent bokstavligen,
för mitten på kurvan är 7,4,

80
00:03:50,000 --> 00:03:52,416
och "Alpha House" landade på 7,5,

81
00:03:52,440 --> 00:03:54,456
en serie strax över genomsnittet,

82
00:03:54,480 --> 00:03:57,700
men det var verkligen inte
vad Roy Price och hans team siktade på.

83
00:03:58,320 --> 00:04:01,176
Men ungefär samtidigt

84
00:04:01,200 --> 00:04:02,776
på ett annat företag


85
00:04:02,800 --> 00:04:07,016
lyckades en annan hög chef ro i land
en toppserie med hjälp av dataanalys,

86
00:04:07,040 --> 00:04:08,616
och han heter Ted,

87
00:04:08,640 --> 00:04:12,056
Ted Sarandos, som är
innehållschef på Netflix,

88
00:04:12,080 --> 00:04:14,216
och precis som Roy letar han ständigt

89
00:04:14,240 --> 00:04:15,736
efter den stora tv-serien,

90
00:04:15,760 --> 00:04:17,730
och han använder data för att göra det,

91
00:04:17,730 --> 00:04:19,815
men han gör det
på ett lite annorlunda sätt.

92
00:04:19,839 --> 00:04:23,576
Så istället för att hålla en tävling,

93
00:04:23,600 --> 00:04:27,136
tittade han och hans team på den data
som de redan hade om Netflixtittare,

94
00:04:27,160 --> 00:04:29,090
som de betyg de gett till deras serier,

95
00:04:29,090 --> 00:04:31,976
tittarhistoriken, vilka serier
de gillade, och så vidare.

96
00:04:32,000 --> 00:04:33,896
De använde datan för att upptäcka

97
00:04:33,920 --> 00:04:36,420
alla små detaljer om sin publik:

98
00:04:36,420 --> 00:04:37,900
vilka slags serier de gillade,

99
00:04:37,900 --> 00:04:40,266
vilka slags producenter,
vilka slags skådespelare.

100
00:04:40,266 --> 00:04:42,736
Och när de väl hade satt ihop alla delar

101
00:04:42,760 --> 00:04:44,416
gjorde de en chansning

102
00:04:44,440 --> 00:04:46,536
och bestämde sig för att skapa

103
00:04:46,560 --> 00:04:49,016
inte en komedi om fyra senatorer,

104
00:04:49,040 --> 00:04:51,920
utan en dramaserie om en enda senator.

105
00:04:52,760 --> 00:04:54,416
Vet ni vilken serie?

106
00:04:54,440 --> 00:04:55,736
(Skratt)

107
00:04:55,760 --> 00:04:59,496
Ja, "House of Cards", och Netflix
slog förstås huvudet på spiken med den,

108
00:04:59,520 --> 00:05:01,656
iallafall de första två säsongerna.

109
00:05:01,680 --> 00:05:05,656
(Skratt) (Applåder)

110
00:05:05,680 --> 00:05:08,856
"House of Cards" får 9,1
i snittbetyg på kurvan,

111
00:05:08,880 --> 00:05:12,056
så det är precis där de ville vara.

112
00:05:12,080 --> 00:05:14,440
Nu är frågan, vad hände här?

113
00:05:14,440 --> 00:05:17,176
Vi har två väldigt tävlingsinriktade,
datakunniga företag.

114
00:05:17,200 --> 00:05:20,056
De kombinerar miljontals datapunkter,

115
00:05:20,080 --> 00:05:22,456
och sen går det utmärkt för en av dem,

116
00:05:22,480 --> 00:05:24,336
och det fungerar inte för den andra.

117
00:05:24,360 --> 00:05:25,576
Varför?

118
00:05:25,600 --> 00:05:29,056
För logiken säger
att det borde fungera varje gång.

119
00:05:29,080 --> 00:05:31,536
Om man samlar ihop miljontals datapunkter

120
00:05:31,560 --> 00:05:33,296
om ett beslut man ska fatta

121
00:05:33,320 --> 00:05:35,936
så borde det bli ett ganska bra beslut.

122
00:05:35,960 --> 00:05:38,176
Det finns 200 år av statistik
att luta sig mot.

123
00:05:38,200 --> 00:05:41,216
Den förstärks med kraftfulla datorer.

124
00:05:41,240 --> 00:05:44,520
Det minsta man kan begära
är bra tv, eller hur?

125
00:05:45,880 --> 00:05:48,780
Om dataanalys inte fungerar på det sättet

126
00:05:49,520 --> 00:05:51,576
så blir det lite skrämmande,

127
00:05:51,600 --> 00:05:55,416
för vi lever i en tid
där vi allt oftare lutar oss mot data

128
00:05:55,440 --> 00:05:59,920
för att fatta allvarliga beslut
som går långt bortom tv.

129
00:06:00,760 --> 00:06:04,000
Känner någon här till
företaget Multi-Health Systems?

130
00:06:05,080 --> 00:06:06,736
Ingen. OK, det är faktiskt bra.

131
00:06:06,760 --> 00:06:09,976
Multi-Health Systems
är ett mjukvaruföretag,

132
00:06:10,000 --> 00:06:12,816
och jag hoppas att ingen i det här rummet

133
00:06:12,840 --> 00:06:16,016
någonsin kommer i kontakt
med deras mjukvara,

134
00:06:16,040 --> 00:06:18,136
för det betyder att du sitter i fängelse.

135
00:06:18,160 --> 00:06:19,320
(Skratt)

136
00:06:19,320 --> 00:06:22,896
Om någon här i USA sitter i fängelse
och de ansöker om villkorlig frigivning

137
00:06:22,920 --> 00:06:25,960
är det väldigt sannolikt
att dataanalysprogram

138
00:06:25,960 --> 00:06:30,856
från det företaget kommer att användas
för att pröva frigivningen.

139
00:06:30,880 --> 00:06:33,456
Så det är samma princip
som för Amazon och Netflix,

140
00:06:33,480 --> 00:06:38,096
men istället för att bestämma
om en tv-serie ska bli bra eller dålig

141
00:06:38,120 --> 00:06:41,016
bestämmer man om en person
ska bli bra eller dålig.


142
00:06:41,040 --> 00:06:46,536
Och 22 minuter av medioker tv
kan vara ganska dåligt,

143
00:06:46,560 --> 00:06:49,200
men jag antar att fler år
i fängelse är ännu värre.

144
00:06:50,360 --> 00:06:54,496
Oturligt nog finns det faktiskt
en del bevis för att den här dataanalysen,

145
00:06:54,520 --> 00:06:58,400
även om den har massor av data,
inte alltid producerar optimala resultat.

146
00:06:58,400 --> 00:07:01,296
Det beror inte på att ett företag
som Multi-Health Systems

147
00:07:01,296 --> 00:07:03,293
inte vet vad de ska göra
med informationen.

148
00:07:03,293 --> 00:07:05,456
Även datakunniga företag gör fel.

149
00:07:05,480 --> 00:07:08,050
Ja, till och med Google har fel ibland.

150
00:07:08,680 --> 00:07:13,176
2009 sa Google att de
med hjälp av dataanalys

151
00:07:13,200 --> 00:07:17,336
kunde förutsäga utbrott av influensa,
den elaka sortens förkylning,

152
00:07:17,360 --> 00:07:21,136
genom att genomföra dataanalys
av sina Google-sökningar.

153
00:07:21,160 --> 00:07:24,710
Och det fungerade fint,
vilket gav stor uppmärksamhet i medierna,

154
00:07:24,710 --> 00:07:27,356
inklusive det yttersta beviset
på vetenskaplig framgång:

155
00:07:27,356 --> 00:07:29,656
en artikel i tidskriften "Nature".

156
00:07:29,680 --> 00:07:33,190
Det fungerade fint i flera år,

157
00:07:33,190 --> 00:07:35,096
tills det ett år inte fungerade längre.

158
00:07:35,096 --> 00:07:37,256
Och ingen kunde ens säga riktigt varför.

159
00:07:37,280 --> 00:07:38,910
Det fungerade bara inte det året,

160
00:07:38,910 --> 00:07:41,046
och det fick förstås
också mycket publicitet,

161
00:07:41,046 --> 00:07:42,576
inklusive ett tillbakadragande

162
00:07:42,600 --> 00:07:45,440
av artikeln i "Nature".

163
00:07:46,480 --> 00:07:48,960
Så till och med de med
de datakunniga företagen

164
00:07:48,960 --> 00:07:51,976
som Amazon och Google har ibland fel.

165
00:07:52,000 --> 00:07:54,936
Och trots alla dessa misslyckanden

166
00:07:54,960 --> 00:07:58,816
får data snabbt ett större inflytande
över beslut i verkliga livet -

167
00:07:58,840 --> 00:08:00,656
på arbetsplatsen,

168
00:08:00,680 --> 00:08:02,496
inom rättsväsendet,

169
00:08:02,520 --> 00:08:03,720
inom medicin.

170
00:08:04,400 --> 00:08:07,736
Så vi borde verkligen ta reda på
ifall data verkligen hjälper oss.

171
00:08:07,760 --> 00:08:10,730
Jag har personligen sett
en stor del av de här problemen,

172
00:08:10,730 --> 00:08:12,896
för jag arbetar inom databeräknad genetik,

173
00:08:12,920 --> 00:08:15,416
vilken också är ett fält
där många smarta människor

174
00:08:15,440 --> 00:08:19,096
använder oerhörda mängder data
för att fatta ganska allvarliga beslut,

175
00:08:19,120 --> 00:08:22,820
som att välja cancerbehandling
eller utveckla en ny medicin.

176
00:08:23,520 --> 00:08:25,896
Över åren har jag noterat
ett slags mönster,

177
00:08:25,920 --> 00:08:28,290
eller en slags regel,
kan man säga, om skillnaden

178
00:08:28,290 --> 00:08:31,096
mellan framgångsrikt
och icke framgångsrikt

179
00:08:31,120 --> 00:08:32,736
beslutsfattande med data

180
00:08:32,760 --> 00:08:36,640
och jag har hittat ett mönster
som är värt att dela med sig av.

181
00:08:38,520 --> 00:08:40,655
När man löser ett komplext problem

182
00:08:40,679 --> 00:08:42,290
gör man i grunden två saker.

183
00:08:42,290 --> 00:08:43,360
Den första är

184
00:08:43,360 --> 00:08:48,256
att plocka isär problemet i små bitar
så att man kan analysera bitarna

185
00:08:48,280 --> 00:08:50,180
och sen gör man det andra steget.

186
00:08:50,180 --> 00:08:52,900
Men sätter ihop bitarna igen

187
00:08:52,900 --> 00:08:54,336
för att komma till slutsatsen.

188
00:08:54,360 --> 00:08:56,560
Ibland måste man göra om det,

189
00:08:56,560 --> 00:08:58,376
men det handlar alltid de två sakerna:

190
00:08:58,400 --> 00:09:01,240
plocka isär och sätta ihop saker igen.

191
00:09:02,280 --> 00:09:03,896
Det viktiga är

192
00:09:03,920 --> 00:09:06,816
att data och dataanalys

193
00:09:06,840 --> 00:09:09,170
bara är bra för det första steget.

194
00:09:09,170 --> 00:09:12,296
Hur kraftfulla data och dataanalys än är,
kan bara hjälpa till med

195
00:09:12,296 --> 00:09:16,056
att plocka isär ett problem
och förstå dess delar.

196
00:09:16,080 --> 00:09:19,576
Den passar inte för
att sätta ihop delarna igen

197
00:09:19,600 --> 00:09:21,340
för att komma till en slutsats.

198
00:09:21,340 --> 00:09:23,460
Det finns ett annat verktyg
som kan göra det,

199
00:09:23,460 --> 00:09:25,716
vi har det allihop, och det är hjärnan.

200
00:09:25,716 --> 00:09:27,470
Om det finns något hjärnan är bra på

201
00:09:27,470 --> 00:09:29,610
så är att det att sätta ihop
små delar igen,

202
00:09:29,610 --> 00:09:31,896
även när den inte har all information,

203
00:09:31,896 --> 00:09:33,456
och kan nå en bra slutsats,

204
00:09:33,480 --> 00:09:36,290
speciellt om det är en experts hjärna.

205
00:09:36,290 --> 00:09:39,156
Jag tror att det är därför
Netflix blev så framgångsrika,

206
00:09:39,156 --> 00:09:42,696
för att de använde data och hjärnor
där de passade i processen.

207
00:09:42,720 --> 00:09:46,256
De använder data för att först förstå
många små detaljer om sin publik

208
00:09:46,280 --> 00:09:49,696
som de annars inte skulle
ha kunnat förstå på samma djup,

209
00:09:49,720 --> 00:09:52,336
men beslutet om hur de olika detaljerna

210
00:09:52,360 --> 00:09:55,560
skulle sättas ihop igen
för att bli en serie som "House of Cards"

211
00:09:55,560 --> 00:09:57,136
fanns ingenstans i deras data.

212
00:09:57,160 --> 00:10:01,136
Ted Sarandos och hans team
tog beslutet att godkänna tv-serien,

213
00:10:01,160 --> 00:10:03,415
vilket förresten också betydde

214
00:10:03,415 --> 00:10:06,486
att de tog en ganska stor personlig risk
när de tog det beslutet.

215
00:10:06,486 --> 00:10:09,110
Och Amazon, å andra sidan,
de gjorde saken på fel sätt.

216
00:10:09,110 --> 00:10:11,360
De använde data
för allt sitt beslutsfattande,

217
00:10:11,360 --> 00:10:14,280
först när de höll tävlingen
för tv-koncept,

218
00:10:14,280 --> 00:10:18,376
och sen när de valde "Alpha House"
till den serie de skulle göra.

219
00:10:18,400 --> 00:10:20,896
Vilket självklart var
ett säkert val för dem,

220
00:10:20,920 --> 00:10:23,180
för de kunde alltid peka på data och säga

221
00:10:23,180 --> 00:10:25,156
"Vår data säger det här."

222
00:10:25,156 --> 00:10:29,360
Men det ledde inte till
de enastående resultat som de hoppades på.

223
00:10:29,820 --> 00:10:33,190
Så data är förstås
ett oerhört kraftfullt verktyg

224
00:10:33,190 --> 00:10:35,210
för att fatta bättre beslut,

225
00:10:35,210 --> 00:10:40,096
men jag tror att saker går fel
när data börjar styra besluten.

226
00:10:40,120 --> 00:10:43,820
Hur kraftfull den än är,
så är data bara ett verktyg,

227
00:10:43,820 --> 00:10:47,256
och för att hålla det i minnet tycker jag
den här saken är användbar.

228
00:10:47,280 --> 00:10:48,496
Många av er kommer ...

229
00:10:48,520 --> 00:10:49,570
(Skratt)

230
00:10:49,570 --> 00:10:51,526
Innan det fanns data, var det här

231
00:10:51,526 --> 00:10:53,856
beslutsstödet som användes.

232
00:10:53,880 --> 00:10:55,136
(Skratt)

233
00:10:55,160 --> 00:10:56,496
Många känner nog igen den.

234
00:10:56,520 --> 00:10:58,473
Den här leksaken heter Magic 8 Ball,

235
00:10:58,497 --> 00:10:59,650
och den är fantastisk,

236
00:10:59,650 --> 00:11:02,390
för om du har ett beslut att fatta,
en ja- eller nejfråga,

237
00:11:02,400 --> 00:11:06,376
behöver du bara skaka bollen
för att få ett svar -

238
00:11:06,400 --> 00:11:09,216
"Förmodligen" - just här
i den här stunden i realtid.

239
00:11:09,240 --> 00:11:11,336
Jag kan dema den senare.

240
00:11:11,360 --> 00:11:12,576
(Skratt)

241
00:11:12,600 --> 00:11:16,030
Så här är det förstås,
att jag har fattat några beslut i mitt liv

242
00:11:16,030 --> 00:11:19,266
där jag i efterhand har förstått
att jag borde ha lyssnat på bollen.

243
00:11:19,266 --> 00:11:22,456
Men om man har data tillgängliga

244
00:11:22,480 --> 00:11:25,536
vill man såklart ersätta den här
med något lite mer sofistikerat,

245
00:11:25,560 --> 00:11:29,176
till exempel dataanalys,
för att fatta ett bättre beslut.

246
00:11:29,200 --> 00:11:31,816
Men det ändrar inte
de grundläggande förutsättningarna.

247
00:11:31,840 --> 00:11:35,016
Så bollen kan bli allt smartare

248
00:11:35,040 --> 00:11:37,856
men jag tror att vi fortfarande
måste fatta besluten

249
00:11:37,880 --> 00:11:40,896
om vi vill åstadkomma
något utöver det vanliga,

250
00:11:40,920 --> 00:11:42,856
längst till höger på kurvan.

251
00:11:42,880 --> 00:11:47,376
Och jag tycker faktiskt att det är
ett väldigt uppmuntrande budskap,

252
00:11:47,400 --> 00:11:51,376
att även när vi står inför
enorma mängder data

253
00:11:51,400 --> 00:11:55,496
lönar det sig fortfarande
att fatta beslut,

254
00:11:55,520 --> 00:11:58,176
att vara en expert på det man gör,

255
00:11:58,200 --> 00:12:00,296
och att ta risker.

256
00:12:00,320 --> 00:12:03,096
För i slutändan är det inte data

257
00:12:03,120 --> 00:12:07,450
utan risker som kommer att ta en
längst ut till höger på kurvan.

258
00:12:07,690 --> 00:12:09,056
Tack.

259
00:12:09,080 --> 00:12:12,070
(Applåder)