WEBVTT

00:00:00.885 --> 00:00:02.430
Na Grécia antiga,

00:00:03.436 --> 00:00:07.379
quando alguém, de escravos
a soldados, poetas e políticos

00:00:07.403 --> 00:00:11.407
precisava tomar uma grande decisão
nas questões mais importantes da vida,

00:00:11.431 --> 00:00:12.762
como: "Eu deveria me casar?"

00:00:12.776 --> 00:00:14.593
ou: "Devemos embarcar nesta viagem?"

00:00:14.607 --> 00:00:17.655
ou: "Nosso exército deve
avançar para este território?",

00:00:17.679 --> 00:00:20.258
todos consultavam o oráculo.

NOTE Paragraph

00:00:21.020 --> 00:00:22.460
É assim que funcionava:

00:00:22.484 --> 00:00:25.256
as pessoas levavam uma pergunta
a ela e ficavam de joelhos,

00:00:25.280 --> 00:00:26.741
e então ela caía em transe.

00:00:26.755 --> 00:00:28.498
Levava alguns dias,

00:00:28.518 --> 00:00:31.251
e então, finalmente, ela saía dele,

00:00:31.275 --> 00:00:33.811
dando às pessoas as previsões
dela como resposta.

NOTE Paragraph

00:00:34.910 --> 00:00:39.836
Dos ossos do oráculo da antiga China
à Grécia antiga e aos calendários maias,

00:00:39.869 --> 00:00:45.235
as pessoas têm buscado a profecia
para descobrir o que acontecerá a seguir.

00:00:46.516 --> 00:00:49.755
O motivo é que todos queremos
tomar a decisão certa.

00:00:49.779 --> 00:00:51.324
Não queremos perder nada.

00:00:51.892 --> 00:00:53.635
O futuro é assustador,

00:00:53.659 --> 00:00:56.276
então é muito melhor saber
que podemos tomar uma decisão

00:00:56.300 --> 00:00:58.382
com alguma garantia do resultado.

NOTE Paragraph

00:00:59.079 --> 00:01:00.690
Bem, temos um novo oráculo,

00:01:00.714 --> 00:01:02.859
e o nome dele é "big data",

00:01:02.883 --> 00:01:06.822
ou o chamamos de "Watson",
"aprendizagem profunda" ou "rede neural".

00:01:07.340 --> 00:01:11.352
Esses são os tipos de perguntas
que pedimos agora ao nosso oráculo,

00:01:11.376 --> 00:01:15.298
como: "Qual é o modo mais eficiente
de enviar esses telefones

00:01:15.322 --> 00:01:17.145
da China à Suécia?"

00:01:17.169 --> 00:01:18.969
ou: "Quais são as chances

00:01:18.993 --> 00:01:22.356
de meu filho nascer
com uma doença genética?"

00:01:22.952 --> 00:01:26.196
ou: "Qual é o volume de vendas
que podemos prever para este produto?"

NOTE Paragraph

00:01:28.108 --> 00:01:32.155
Tenho um cão. O nome dela é Elle,
e ela odeia a chuva.

00:01:32.179 --> 00:01:35.485
Tenho tentado de tudo
para destreiná-la.

00:01:35.509 --> 00:01:38.280
Mas, como tenho fracassado nisso,

00:01:38.304 --> 00:01:41.590
também tenho que consultar
um "oráculo" chamado "Dark Sky",

00:01:41.614 --> 00:01:43.249
toda vez antes de ir passear,

00:01:43.273 --> 00:01:46.850
para previsões meteorológicas
muito precisas dos dez minutos seguintes.

00:01:49.535 --> 00:01:50.838
Ela é uma graça.

00:01:51.827 --> 00:01:57.534
Por causa de tudo isso, nosso oráculo
é uma indústria de US$ 122 bilhões.

NOTE Paragraph

00:01:58.006 --> 00:02:01.382
Apesar do tamanho dessa indústria,

00:02:01.406 --> 00:02:03.862
os retornos são surpreendentemente baixos.

00:02:04.342 --> 00:02:06.836
Investir em big data é fácil,

00:02:06.860 --> 00:02:08.793
difícil é usá-lo.

00:02:09.981 --> 00:02:14.021
Mais de 73% dos projetos de big data
não são nem mesmo rentáveis,

00:02:14.045 --> 00:02:16.280
e tenho executivos
chegando até mim e dizendo:

00:02:16.300 --> 00:02:18.249
"Estamos passando pela mesma experiência.

00:02:18.273 --> 00:02:19.936
Investimos em sistemas de big data,

00:02:19.960 --> 00:02:23.058
e nossos funcionários não estão
tomando as melhores decisões.

00:02:23.082 --> 00:02:26.244
E, certamente, não estão apresentando
mais ideias inovadoras".

NOTE Paragraph

00:02:26.914 --> 00:02:30.098
Tudo isso é muito interessante para mim,

00:02:30.122 --> 00:02:32.132
porque sou etnógrafa de tecnologia.

00:02:32.630 --> 00:02:35.068
Estudo e aconselho empresas

00:02:35.088 --> 00:02:37.555
sobre os padrões de como
as pessoas usam tecnologia,

00:02:37.575 --> 00:02:40.267
e uma de minhas áreas
de interesse são dados.

00:02:40.287 --> 00:02:45.470
Então por que ter mais dados não está
nos ajudando a tomar as melhores decisões,

00:02:45.494 --> 00:02:48.251
especialmente para as empresas
que têm todos esses recursos

00:02:48.271 --> 00:02:50.077
para investir em sistemas de big data?

00:02:50.097 --> 00:02:52.609
Por que não está ficando
mais fácil para eles?

NOTE Paragraph

00:02:53.990 --> 00:02:56.624
Então testemunhei a luta em primeira mão.

00:02:57.374 --> 00:03:00.858
Em 2009, assumi um cargo
de pesquisa na Nokia.

00:03:01.092 --> 00:03:02.074
Na época,

00:03:02.094 --> 00:03:05.396
a Nokia era uma das maiores empresas
de telefonia celular do mundo,

00:03:05.416 --> 00:03:08.798
dominando mercados emergentes
como China, México e Índia,

00:03:08.822 --> 00:03:11.224
todos os lugares onde eu
havia feito muita pesquisa

00:03:11.238 --> 00:03:14.024
sobre como as pessoas
de baixa renda usam a tecnologia.

00:03:14.048 --> 00:03:18.988
Gastei muito tempo extra na China
conhecendo a economia informal.

00:03:19.018 --> 00:03:21.399
Fiz coisas como trabalhar
como vendedora ambulante,

00:03:21.423 --> 00:03:24.097
vendendo bolinhos para trabalhadores
da construção civil.

00:03:24.117 --> 00:03:28.389
Fiz trabalho de campo,
passando dias e noites em "cybercafés",

00:03:28.409 --> 00:03:29.835
saindo com os jovens chineses,

00:03:29.855 --> 00:03:32.633
para entender como usavam
os jogos e telefones celulares

00:03:32.653 --> 00:03:36.653
entre o movimento
das áreas rurais para as cidades.

NOTE Paragraph

00:03:38.335 --> 00:03:42.262
Ao longo de toda essa evidência
qualitativa que eu estava reunindo,

00:03:42.286 --> 00:03:45.110
começava a ver tão claramente

00:03:45.134 --> 00:03:49.606
que aconteceria uma grande mudança
entre os chineses de baixa renda.

00:03:51.020 --> 00:03:54.701
Mesmo cercados por anúncios
de produtos de luxo

00:03:54.721 --> 00:03:56.960
como banheiros extravagantes,

00:03:56.980 --> 00:03:58.780
"Quem não quer um?",

00:03:58.800 --> 00:04:01.820
apartamentos e carros,

00:04:01.844 --> 00:04:03.664
pelas conversas que tive com eles,

00:04:03.688 --> 00:04:07.529
descobri que os anúncios
que realmente os atraíam mais

00:04:07.553 --> 00:04:09.549
eram os de "iPhones",

00:04:09.573 --> 00:04:12.625
prometendo-lhes a entrada
nesta vida de alta tecnologia.

00:04:13.469 --> 00:04:16.632
Mesmo quando estava vivendo com eles
em favelas urbanas como essa,

00:04:16.656 --> 00:04:19.652
via pessoas investindo mais
da metade de sua renda mensal

00:04:19.676 --> 00:04:21.299
na compra de um telefone

00:04:21.323 --> 00:04:23.625
e, cada vez mais, em "shanzhai",

00:04:23.649 --> 00:04:27.037
que eram imitações baratas
de iPhones e outras marcas.

00:04:28.303 --> 00:04:29.928
São muito úteis.

00:04:30.890 --> 00:04:32.212
Fazem o trabalho.

NOTE Paragraph

00:04:32.750 --> 00:04:38.539
Após anos vivendo com migrantes,
trabalhando com eles

00:04:38.563 --> 00:04:41.997
e fazendo realmente tudo
o que estavam fazendo,

00:04:42.021 --> 00:04:45.618
comecei a juntar todas
essas unidades de informação,

00:04:45.642 --> 00:04:48.765
das coisas que pareciam aleatórias,
como eu, vendendo bolinhos,

00:04:48.789 --> 00:04:50.073
para as coisas mais óbvias,

00:04:50.087 --> 00:04:53.443
como rastrear quanto gastavam
em suas contas de telefone celular.

00:04:53.463 --> 00:04:56.072
Consegui criar essa imagem
muito mais completa

00:04:56.086 --> 00:04:57.382
do que estava acontecendo.

00:04:57.396 --> 00:04:59.438
Comecei, então, a perceber

00:04:59.462 --> 00:05:02.971
que até mesmo os mais pobres
da China queriam um smartphone,

00:05:02.995 --> 00:05:07.980
e fariam de tudo para colocar
as mãos em um aparelho.

NOTE Paragraph

00:05:09.073 --> 00:05:11.477
Vocês precisam ter em mente

00:05:11.501 --> 00:05:14.585
que os iPhones tinham acabado
de ser lançados, era 2009,

00:05:14.609 --> 00:05:16.408
oito anos atrás,

00:05:16.428 --> 00:05:18.955
e os "Androids" começavam
a se parecer com os iPhones.

00:05:18.979 --> 00:05:21.352
Muitas pessoas inteligentes
e realistas disseram:

00:05:21.372 --> 00:05:23.717
"Esses smartphones, é apenas uma moda.

00:05:24.243 --> 00:05:27.239
Quem vai querer levar
essas coisas pesadas,

00:05:27.263 --> 00:05:30.970
com baterias que se esgotam rapidamente,
e que quebram quando deixamos cair?"

00:05:32.473 --> 00:05:33.994
Mas eu tinha muitos dados,

00:05:34.018 --> 00:05:36.278
e estava tão confiante de minhas ideias

00:05:36.302 --> 00:05:39.131
que fiquei muito animada
em compartilhá-las com a Nokia.

NOTE Paragraph

00:05:41.332 --> 00:05:43.849
Mas a Nokia não estava convencida,

00:05:43.873 --> 00:05:46.208
porque não eram informações importantes.

00:05:47.022 --> 00:05:49.426
Disseram: "Temos milhões
de unidades de informação,

00:05:49.450 --> 00:05:53.697
e não vemos nenhum indicador
de quem quer comprar um smartphone,

00:05:53.721 --> 00:05:58.109
e seu conjunto de dados de 100,
tão heterogêneo, é muito fraco

00:05:58.133 --> 00:05:59.847
para até mesmo levarmos a sério".

00:06:00.888 --> 00:06:02.513
Eu disse: "Nokia, vocês têm razão.

00:06:02.537 --> 00:06:03.631
Claro, não veem isso,

00:06:03.651 --> 00:06:05.706
porque estão enviando pesquisas

00:06:05.726 --> 00:06:08.389
supondo que as pessoas
não sabem o que é um smartphone.

00:06:08.409 --> 00:06:10.419
Então é claro que não terão de volta

00:06:10.439 --> 00:06:13.245
os dados sobre quem quer comprar
um smartphone em dois anos.

00:06:13.267 --> 00:06:15.643
As pesquisas e os métodos
de vocês foram projetados

00:06:15.657 --> 00:06:17.799
para otimizar um modelo
de negócios existente,

00:06:17.819 --> 00:06:20.481
e estou analisando
essas dinâmicas humanas emergentes

00:06:20.505 --> 00:06:21.859
que ainda não aconteceram.

00:06:21.883 --> 00:06:24.321
Estamos olhando fora
da dinâmica do mercado

00:06:24.345 --> 00:06:26.246
para que possamos ficar à frente disso".

00:06:27.373 --> 00:06:29.617
Bem, sabem o que aconteceu com a Nokia?

00:06:29.641 --> 00:06:32.006
O negócio deles caiu de um penhasco.

00:06:32.791 --> 00:06:36.518
Este é o custo de deixar
escapar alguma coisa.

00:06:37.163 --> 00:06:39.162
Era impossível de entender.

NOTE Paragraph

00:06:40.003 --> 00:06:41.654
Mas a Nokia não está sozinha.

00:06:42.258 --> 00:06:44.683
Vejo organizações jogando
os dados fora o tempo todo

00:06:44.703 --> 00:06:47.424
porque não vieram
de um modelo quantitativo

00:06:47.448 --> 00:06:49.216
ou não se encaixam em um.

00:06:50.219 --> 00:06:52.267
Mas não é culpa do big data.

00:06:52.942 --> 00:06:56.849
É o modo como o usamos;
é nossa responsabilidade.

00:06:57.730 --> 00:06:59.641
A reputação para o sucesso do big data

00:06:59.665 --> 00:07:03.424
vem da quantificação
de ambientes muito específicos,

00:07:03.448 --> 00:07:08.361
como redes de energia elétrica,
logística de entrega ou código genético,

00:07:08.385 --> 00:07:12.703
quando quantificamos em sistemas
mais ou menos controlados.

NOTE Paragraph

00:07:12.727 --> 00:07:15.696
Mas nem todos os sistemas
estão tão bem controlados.

00:07:15.720 --> 00:07:18.978
Quando estamos quantificando
e os sistemas são mais dinâmicos,

00:07:19.002 --> 00:07:22.801
especialmente sistemas
que envolvem seres humanos,

00:07:22.825 --> 00:07:25.251
as forças são complexas e imprevisíveis,

00:07:25.275 --> 00:07:28.761
e são coisas que não sabemos
tão bem como modelar.

00:07:29.204 --> 00:07:32.017
Depois de prever algo
sobre o comportamento humano,

00:07:32.041 --> 00:07:33.896
surgem novos fatores,

00:07:33.920 --> 00:07:36.119
porque as condições
estão em constante mudança.

00:07:36.139 --> 00:07:37.702
Por isso é um ciclo sem fim.

00:07:37.716 --> 00:07:41.870
Achamos que conhecemos algo,
e então surge algo desconhecido.

00:07:41.890 --> 00:07:45.212
É por isso que confiar apenas no big data

00:07:45.236 --> 00:07:48.085
aumenta a chance de deixar
escapar alguma coisa,

00:07:48.109 --> 00:07:51.886
ao nos dar essa ilusão
de que já sabemos tudo.

NOTE Paragraph

00:07:52.406 --> 00:07:56.126
O que torna muito difícil
ver esse paradoxo

00:07:56.146 --> 00:07:58.945
e até mesmo envolver
nossos cérebros em torno disso

00:07:58.969 --> 00:08:02.660
é que temos o que chamo
de viés de quantificação,

00:08:02.684 --> 00:08:08.216
que é a crença inconsciente de valorizar
o mensurável sobre o imensurável.

00:08:09.222 --> 00:08:12.506
Muitas vezes passamos
por isso em nosso trabalho.

00:08:12.530 --> 00:08:15.044
Talvez trabalhemos
ao lado de colegas assim,

00:08:15.064 --> 00:08:17.486
ou até mesmo toda a nossa
empresa pode ser assim,

00:08:17.506 --> 00:08:20.216
onde as pessoas ficam tão obcecadas
com aquela quantidade,

00:08:20.236 --> 00:08:21.953
que não podem ver nada fora dela,

00:08:21.967 --> 00:08:26.265
mesmo quando apresentamos
evidências bem diante dos olhos delas.

00:08:27.123 --> 00:08:30.494
Esta é uma mensagem muito interessante,

00:08:30.508 --> 00:08:32.685
porque não há nada errado em quantificar;

00:08:32.705 --> 00:08:34.315
é realmente muito gratificante.

00:08:34.339 --> 00:08:38.701
Tenho uma grande sensação de conforto
ao olhar para uma planilha do Excel,

00:08:38.725 --> 00:08:40.126
mesmo as mais simples.

NOTE Paragraph

00:08:40.150 --> 00:08:41.164
(Risos)

NOTE Paragraph

00:08:41.188 --> 00:08:45.870
É meio como: "Sim! A fórmula funcionou.
Está tudo bem. Está tudo sob controle".

NOTE Paragraph

00:08:46.792 --> 00:08:49.182
Mas o problema é

00:08:49.206 --> 00:08:51.867
que quantificar é viciante.

00:08:51.891 --> 00:08:53.273
Quando nos esquecemos disso

00:08:53.293 --> 00:08:55.999
e não temos algo
para manter esse controle,

00:08:56.019 --> 00:08:58.477
é muito fácil simplesmente
jogar os dados fora

00:08:58.501 --> 00:09:01.219
porque não podem ser expressos
como um valor numérico.

00:09:01.243 --> 00:09:03.918
É muito fácil ter apenas
um pensamento imediatista,

00:09:03.938 --> 00:09:06.767
como se houvesse alguma solução simples.

00:09:07.600 --> 00:09:11.662
Este é um grande momento
de perigo para qualquer organização,

00:09:11.686 --> 00:09:14.320
porque, muitas vezes,
o futuro que precisamos prever

00:09:14.344 --> 00:09:16.510
não está nesse palheiro,

00:09:16.534 --> 00:09:19.072
mas é aquele tornado
que está vindo em nossa direção

00:09:19.096 --> 00:09:20.584
do lado de fora do celeiro.

00:09:22.960 --> 00:09:26.980
Não há risco maior do que ficar
cego para o desconhecido.

00:09:27.000 --> 00:09:29.003
Isso pode nos fazer
tomar decisões erradas.

00:09:29.023 --> 00:09:31.147
Pode nos fazer perder algo grande.

NOTE Paragraph

00:09:31.734 --> 00:09:34.835
Mas não precisamos seguir esse caminho.

00:09:35.453 --> 00:09:38.512
Acontece que o oráculo da Grécia antiga

00:09:38.532 --> 00:09:42.638
guarda a chave secreta
que nos mostra o caminho adiante.

00:09:43.654 --> 00:09:46.109
Pesquisas geológicas recentes mostraram

00:09:46.133 --> 00:09:49.837
que o Templo de Apolo,
onde estava o oráculo mais famoso,

00:09:49.861 --> 00:09:52.945
foi, na verdade, construído
sobre duas falhas de terremoto.

00:09:52.969 --> 00:09:57.378
Essas falhas liberavam gases petroquímicos
debaixo da crosta terrestre.

00:09:57.398 --> 00:10:01.454
O oráculo literalmente se sentava
bem acima dessas falhas,

00:10:01.478 --> 00:10:04.880
inalando enormes quantidades
de gás etileno, essas fissuras.

NOTE Paragraph

00:10:04.900 --> 00:10:05.728
(Risos)

NOTE Paragraph

00:10:05.728 --> 00:10:06.719
É verdade.

NOTE Paragraph

00:10:06.739 --> 00:10:08.336
(Risos)

00:10:08.360 --> 00:10:11.663
Tudo isso é verdade,
e era o que a fazia murmurar e alucinar

00:10:11.683 --> 00:10:13.431
e entrar nesse estado de transe.

00:10:13.451 --> 00:10:15.411
Ela ficava alta como uma pipa!

NOTE Paragraph

00:10:15.435 --> 00:10:17.436
(Risos)

NOTE Paragraph

00:10:20.413 --> 00:10:26.973
Como alguém conseguiria
algum conselho útil dela naquele estado?

00:10:27.497 --> 00:10:29.778
Estão vendo aquelas pessoas
que cercam o oráculo?

00:10:29.802 --> 00:10:33.236
Veem aquelas pessoas que a apoiam,
porque ela está um pouco zonza?

00:10:33.256 --> 00:10:37.484
E aquele cara do lado esquerdo
dela segurando o caderno laranja?

00:10:38.105 --> 00:10:42.875
Aqueles eram os guias do templo,
e trabalhavam de mãos dadas com o oráculo.

00:10:44.084 --> 00:10:46.600
Quando os interrogadores
vinham e ficavam de joelhos,

00:10:46.624 --> 00:10:48.638
os guias do templo chegavam ao trabalho.

00:10:48.658 --> 00:10:52.271
Depois de fazerem perguntas a ela,
observavam o estado emocional deles.

00:10:52.291 --> 00:10:54.295
Então lhes faziam perguntas como:

00:10:54.319 --> 00:10:57.623
"Por que querem conhecer
esta profecia? Quem são vocês?

00:10:57.637 --> 00:11:00.115
O que irão fazer com esta informação?"

00:11:00.135 --> 00:11:05.657
Então os guias do templo levavam
esta informação etnográfica e qualitativa

00:11:05.677 --> 00:11:07.856
e interpretavam os murmúrios do oráculo.

00:11:09.428 --> 00:11:11.484
O oráculo não ficava sozinho,

00:11:11.504 --> 00:11:14.122
e nossos sistemas de big data
também não deveriam ficar.

NOTE Paragraph

00:11:14.300 --> 00:11:15.345
Para ser clara,

00:11:15.365 --> 00:11:19.274
não estou dizendo que os sistemas
de big data estão inalando gás de etileno,

00:11:19.298 --> 00:11:21.585
ou que estão até mesmo
dando previsões inválidas.

00:11:21.605 --> 00:11:23.886
Muito pelo contrário, o que estou dizendo

00:11:23.912 --> 00:11:28.658
é que, da mesma forma que o oráculo
precisava dos guias de templo dela,

00:11:28.678 --> 00:11:31.030
nossos sistemas de big data
precisam deles também.

00:11:31.050 --> 00:11:35.133
Precisam de pessoas como etnógrafos
e pesquisadores de usuários

00:11:35.153 --> 00:11:37.759
que podem reunir o que chamo
de "thick data".

00:11:38.502 --> 00:11:40.787
São dados valiosos de pessoas,

00:11:40.807 --> 00:11:45.443
como histórias, emoções e interações
que não podem ser quantificadas.

00:11:45.463 --> 00:11:47.459
É o tipo de dados
que coletei para a Nokia,

00:11:47.479 --> 00:11:50.658
que chega na forma de um tamanho
de amostra muito pequeno,

00:11:50.682 --> 00:11:53.637
mas oferece uma profundidade
de significado incrível.

NOTE Paragraph

00:11:53.661 --> 00:11:57.341
O que o torna tão denso e significante

00:11:58.445 --> 00:12:02.474
é a experiência de compreender
a narrativa humana.

00:12:02.498 --> 00:12:06.137
Isso é o que ajuda a ver o que está
faltando em nossos modelos.

00:12:06.851 --> 00:12:10.896
Thick data baseia nossas questões
de negócio em questões humanas,

00:12:10.920 --> 00:12:14.366
e é por isso que integrar
big data e thick data

00:12:14.386 --> 00:12:16.195
forma uma imagem mais completa.

00:12:16.772 --> 00:12:19.653
Big data é capaz de oferecer
compreensões sobre a escala

00:12:19.677 --> 00:12:22.324
e alavancar o melhor
da inteligência da máquina,

00:12:22.348 --> 00:12:25.744
enquanto thick data pode nos ajudar
a resgatar a perda de contexto,

00:12:25.764 --> 00:12:27.696
que vem de tornar o big data utilizável,

00:12:27.716 --> 00:12:30.247
e a aproveitar o melhor
da inteligência humana.

00:12:30.271 --> 00:12:33.273
Quando os dois são integrados,
as coisas ficam muito divertidas,

00:12:33.287 --> 00:12:36.763
porque não estamos mais apenas
trabalhando com dados já coletados.

00:12:36.783 --> 00:12:39.564
Também trabalhamos com dados
que não foram coletados.

00:12:39.578 --> 00:12:41.941
Fazemos perguntas sobre o porquê:

00:12:41.961 --> 00:12:43.488
"Por que está acontecendo isso?"

NOTE Paragraph

00:12:43.778 --> 00:12:45.071
Quando a Netflix fez isso,

00:12:45.091 --> 00:12:48.466
foi revelada uma forma totalmente nova
de transformar os negócios.

00:12:49.406 --> 00:12:53.276
A Netflix é conhecida por seu excelente
algoritmo de recomendação,

00:12:53.296 --> 00:12:58.183
e ofereceu um prêmio de US$ 1 milhão
para quem pudesse melhorá-lo.

00:12:58.207 --> 00:12:59.521
Houve ganhadores.

00:13:00.255 --> 00:13:04.578
Mas a Netflix descobriu que as melhorias
eram apenas incrementais.

00:13:05.312 --> 00:13:11.087
Para descobrir o que estava acontecendo,
contratou um etnógrafo, Grant McCracken,

00:13:11.107 --> 00:13:12.683
para reunir ideias de thick data.

00:13:12.697 --> 00:13:18.031
O que ele descobriu foi algo não visto
inicialmente nos dados quantitativos:

00:13:18.922 --> 00:13:21.714
as pessoas adoravam assistir
às maratonas de séries na TV.

00:13:21.734 --> 00:13:25.457
De fato, nem se sentiam
culpadas por isso; elas gostavam.

NOTE Paragraph

00:13:25.480 --> 00:13:26.200
(Risos)

NOTE Paragraph

00:13:26.220 --> 00:13:28.700
Para a Netflix era como:
"Ah, esta é uma nova visão".

00:13:28.720 --> 00:13:30.622
Levou para a equipe de ciência de dados,

00:13:30.642 --> 00:13:35.710
que conseguiu dimensionar esta visão
do big data com os dados quantitativos.

00:13:35.730 --> 00:13:38.995
Uma vez verificados e validados,

00:13:39.019 --> 00:13:43.780
a Netflix decidiu fazer algo
muito simples, mas de grande impacto.

00:13:44.834 --> 00:13:51.220
Disse que, em vez de oferecer
o mesmo programa de diferentes gêneros

00:13:51.240 --> 00:13:55.238
ou mais dos diferentes programas
de usuários semelhantes,

00:13:55.262 --> 00:13:57.816
iria apenas oferecer mais
do mesmo programa,

00:13:57.840 --> 00:13:59.945
fazer com que seja mais fácil assistir.

00:13:59.969 --> 00:14:00.969
E não parou por aí.

00:14:00.989 --> 00:14:02.953
Ela fez tudo isso

00:14:02.977 --> 00:14:05.750
para replanejar toda a experiência
do telespectador,

00:14:05.770 --> 00:14:07.818
e realmente incentivá-lo a assistir.

00:14:08.050 --> 00:14:11.471
É por isso que as pessoas e os amigos
somem em finais de semana inteiros,

00:14:11.495 --> 00:14:13.918
colocando em dia as séries
como "Master of None".

00:14:13.938 --> 00:14:18.035
Ao integrar big data e thick data,
ela não só melhorou os negócios,

00:14:18.059 --> 00:14:20.871
mas transformou a forma
como consumimos a mídia.

00:14:20.895 --> 00:14:25.447
Agora as ações dela estão projetadas
para duplicar nos próximos anos.

NOTE Paragraph

00:14:26.280 --> 00:14:30.110
Mas não se trata apenas
de assistir a mais vídeos

00:14:30.134 --> 00:14:31.754
ou de vender mais smartphones.

00:14:32.143 --> 00:14:36.193
Para alguns, integrar
thick data ao algoritmo

00:14:36.217 --> 00:14:38.480
pode ser uma questão de vida ou morte,

00:14:38.504 --> 00:14:40.650
especialmente para os marginalizados.

00:14:41.738 --> 00:14:44.976
Em todo o país, os departamentos
de polícia estão usando o big data

00:14:44.996 --> 00:14:47.159
para o policiamento preditivo,

00:14:47.183 --> 00:14:50.161
para estabelecer valores de títulos
e recomendações de sentença

00:14:50.181 --> 00:14:53.438
de forma a reforçar
as prevenções existentes.

00:14:54.296 --> 00:14:56.719
O algoritmo de aprendizagem
de máquina Skynet da NSA

00:14:56.743 --> 00:15:02.081
ajudou possivelmente na morte
de milhares de civis no Paquistão

00:15:02.101 --> 00:15:04.932
pela leitura errada de metadados
do dispositivo celular.

00:15:07.131 --> 00:15:10.338
À medida que toda a nossa vida
se torna mais automatizada,

00:15:10.358 --> 00:15:13.638
dos automóveis aos planos
de saúde ou ao emprego,

00:15:13.662 --> 00:15:16.012
é provável que todos nós

00:15:16.036 --> 00:15:19.025
sejamos impactados
pelo viés da quantificação.

NOTE Paragraph

00:15:20.972 --> 00:15:23.593
A boa notícia é que percorremos
um longo caminho,

00:15:23.617 --> 00:15:26.067
de inalar gás de etileno
a fazer previsões.

00:15:26.091 --> 00:15:29.161
Temos ferramentas melhores,
então vamos apenas usá-las melhor.

00:15:29.185 --> 00:15:31.332
Vamos integrar o big data ao thick data,

00:15:31.352 --> 00:15:33.493
trazer nossos guias
do templo com os oráculos,

00:15:33.513 --> 00:15:37.433
e se este trabalho acontecer em empresas
ou organizações sem fins lucrativos,

00:15:37.453 --> 00:15:39.686
no governo ou mesmo no software,

00:15:39.710 --> 00:15:41.502
tudo isso importa.

00:15:41.526 --> 00:15:44.549
Significa que estamos
comprometidos coletivamente

00:15:44.573 --> 00:15:46.764
a elaborar dados melhores,

00:15:46.788 --> 00:15:50.294
algoritmos melhores, resultados melhores
e decisões melhores.

00:15:50.315 --> 00:15:53.873
É assim que evitaremos
deixar escapar esse algo.

NOTE Paragraph

00:15:55.222 --> 00:15:58.220
(Aplausos)