As percepções humanas que faltam no big data
-
0:01 - 0:02Na Grécia antiga,
-
0:03 - 0:07quando alguém, de escravos
a soldados, poetas e políticos -
0:07 - 0:11precisava tomar uma grande decisão
nas questões mais importantes da vida, -
0:11 - 0:13como: "Eu deveria me casar?"
-
0:13 - 0:15ou: "Devemos embarcar nesta viagem?"
-
0:15 - 0:18ou: "Nosso exército deve
avançar para este território?", -
0:18 - 0:20todos consultavam o oráculo.
-
0:21 - 0:22É assim que funcionava:
-
0:22 - 0:25as pessoas levavam uma pergunta
a ela e ficavam de joelhos, -
0:25 - 0:27e então ela caía em transe.
-
0:27 - 0:28Levava alguns dias,
-
0:29 - 0:31e então, finalmente, ela saía dele,
-
0:31 - 0:34dando às pessoas as previsões
dela como resposta. -
0:35 - 0:40Dos ossos do oráculo da antiga China
à Grécia antiga e aos calendários maias, -
0:40 - 0:45as pessoas têm buscado a profecia
para descobrir o que acontecerá a seguir. -
0:47 - 0:50O motivo é que todos queremos
tomar a decisão certa. -
0:50 - 0:51Não queremos perder nada.
-
0:52 - 0:54O futuro é assustador,
-
0:54 - 0:56então é muito melhor saber
que podemos tomar uma decisão -
0:56 - 0:58com alguma garantia do resultado.
-
0:59 - 1:01Bem, temos um novo oráculo,
-
1:01 - 1:03e o nome dele é "big data",
-
1:03 - 1:07ou o chamamos de "Watson",
"aprendizagem profunda" ou "rede neural". -
1:07 - 1:11Esses são os tipos de perguntas
que pedimos agora ao nosso oráculo, -
1:11 - 1:15como: "Qual é o modo mais eficiente
de enviar esses telefones -
1:15 - 1:17da China à Suécia?"
-
1:17 - 1:19ou: "Quais são as chances
-
1:19 - 1:22de meu filho nascer
com uma doença genética?" -
1:23 - 1:26ou: "Qual é o volume de vendas
que podemos prever para este produto?" -
1:28 - 1:32Tenho um cão. O nome dela é Elle,
e ela odeia a chuva. -
1:32 - 1:35Tenho tentado de tudo
para destreiná-la. -
1:36 - 1:38Mas, como tenho fracassado nisso,
-
1:38 - 1:42também tenho que consultar
um "oráculo" chamado "Dark Sky", -
1:42 - 1:43toda vez antes de ir passear,
-
1:43 - 1:47para previsões meteorológicas
muito precisas dos dez minutos seguintes. -
1:50 - 1:51Ela é uma graça.
-
1:52 - 1:58Por causa de tudo isso, nosso oráculo
é uma indústria de US$ 122 bilhões. -
1:58 - 2:01Apesar do tamanho dessa indústria,
-
2:01 - 2:04os retornos são surpreendentemente baixos.
-
2:04 - 2:07Investir em big data é fácil,
-
2:07 - 2:09difícil é usá-lo.
-
2:10 - 2:14Mais de 73% dos projetos de big data
não são nem mesmo rentáveis, -
2:14 - 2:16e tenho executivos
chegando até mim e dizendo: -
2:16 - 2:18"Estamos passando pela mesma experiência.
-
2:18 - 2:20Investimos em sistemas de big data,
-
2:20 - 2:23e nossos funcionários não estão
tomando as melhores decisões. -
2:23 - 2:26E, certamente, não estão apresentando
mais ideias inovadoras". -
2:27 - 2:30Tudo isso é muito interessante para mim,
-
2:30 - 2:32porque sou etnógrafa de tecnologia.
-
2:33 - 2:35Estudo e aconselho empresas
-
2:35 - 2:38sobre os padrões de como
as pessoas usam tecnologia, -
2:38 - 2:40e uma de minhas áreas
de interesse são dados. -
2:40 - 2:45Então por que ter mais dados não está
nos ajudando a tomar as melhores decisões, -
2:45 - 2:48especialmente para as empresas
que têm todos esses recursos -
2:48 - 2:50para investir em sistemas de big data?
-
2:50 - 2:53Por que não está ficando
mais fácil para eles? -
2:54 - 2:57Então testemunhei a luta em primeira mão.
-
2:57 - 3:01Em 2009, assumi um cargo
de pesquisa na Nokia. -
3:01 - 3:02Na época,
-
3:02 - 3:05a Nokia era uma das maiores empresas
de telefonia celular do mundo, -
3:05 - 3:09dominando mercados emergentes
como China, México e Índia, -
3:09 - 3:11todos os lugares onde eu
havia feito muita pesquisa -
3:11 - 3:14sobre como as pessoas
de baixa renda usam a tecnologia. -
3:14 - 3:19Gastei muito tempo extra na China
conhecendo a economia informal. -
3:19 - 3:21Fiz coisas como trabalhar
como vendedora ambulante, -
3:21 - 3:24vendendo bolinhos para trabalhadores
da construção civil. -
3:24 - 3:28Fiz trabalho de campo,
passando dias e noites em "cybercafés", -
3:28 - 3:30saindo com os jovens chineses,
-
3:30 - 3:33para entender como usavam
os jogos e telefones celulares -
3:33 - 3:37entre o movimento
das áreas rurais para as cidades. -
3:38 - 3:42Ao longo de toda essa evidência
qualitativa que eu estava reunindo, -
3:42 - 3:45começava a ver tão claramente
-
3:45 - 3:50que aconteceria uma grande mudança
entre os chineses de baixa renda. -
3:51 - 3:55Mesmo cercados por anúncios
de produtos de luxo -
3:55 - 3:57como banheiros extravagantes,
-
3:57 - 3:59"Quem não quer um?",
-
3:59 - 4:02apartamentos e carros,
-
4:02 - 4:04pelas conversas que tive com eles,
-
4:04 - 4:08descobri que os anúncios
que realmente os atraíam mais -
4:08 - 4:10eram os de "iPhones",
-
4:10 - 4:13prometendo-lhes a entrada
nesta vida de alta tecnologia. -
4:13 - 4:17Mesmo quando estava vivendo com eles
em favelas urbanas como essa, -
4:17 - 4:20via pessoas investindo mais
da metade de sua renda mensal -
4:20 - 4:21na compra de um telefone
-
4:21 - 4:24e, cada vez mais, em "shanzhai",
-
4:24 - 4:27que eram imitações baratas
de iPhones e outras marcas. -
4:28 - 4:30São muito úteis.
-
4:31 - 4:32Fazem o trabalho.
-
4:33 - 4:39Após anos vivendo com migrantes,
trabalhando com eles -
4:39 - 4:42e fazendo realmente tudo
o que estavam fazendo, -
4:42 - 4:46comecei a juntar todas
essas unidades de informação, -
4:46 - 4:49das coisas que pareciam aleatórias,
como eu, vendendo bolinhos, -
4:49 - 4:50para as coisas mais óbvias,
-
4:50 - 4:53como rastrear quanto gastavam
em suas contas de telefone celular. -
4:53 - 4:56Consegui criar essa imagem
muito mais completa -
4:56 - 4:57do que estava acontecendo.
-
4:57 - 4:59Comecei, então, a perceber
-
4:59 - 5:03que até mesmo os mais pobres
da China queriam um smartphone, -
5:03 - 5:08e fariam de tudo para colocar
as mãos em um aparelho. -
5:09 - 5:11Vocês precisam ter em mente
-
5:12 - 5:15que os iPhones tinham acabado
de ser lançados, era 2009, -
5:15 - 5:16oito anos atrás,
-
5:16 - 5:19e os "Androids" começavam
a se parecer com os iPhones. -
5:19 - 5:21Muitas pessoas inteligentes
e realistas disseram: -
5:21 - 5:24"Esses smartphones, é apenas uma moda.
-
5:24 - 5:27Quem vai querer levar
essas coisas pesadas, -
5:27 - 5:31com baterias que se esgotam rapidamente,
e que quebram quando deixamos cair?" -
5:32 - 5:34Mas eu tinha muitos dados,
-
5:34 - 5:36e estava tão confiante de minhas ideias
-
5:36 - 5:39que fiquei muito animada
em compartilhá-las com a Nokia. -
5:41 - 5:44Mas a Nokia não estava convencida,
-
5:44 - 5:46porque não eram informações importantes.
-
5:47 - 5:49Disseram: "Temos milhões
de unidades de informação, -
5:49 - 5:54e não vemos nenhum indicador
de quem quer comprar um smartphone, -
5:54 - 5:58e seu conjunto de dados de 100,
tão heterogêneo, é muito fraco -
5:58 - 6:00para até mesmo levarmos a sério".
-
6:01 - 6:03Eu disse: "Nokia, vocês têm razão.
-
6:03 - 6:04Claro, não veem isso,
-
6:04 - 6:06porque estão enviando pesquisas
-
6:06 - 6:08supondo que as pessoas
não sabem o que é um smartphone. -
6:08 - 6:10Então é claro que não terão de volta
-
6:10 - 6:13os dados sobre quem quer comprar
um smartphone em dois anos. -
6:13 - 6:16As pesquisas e os métodos
de vocês foram projetados -
6:16 - 6:18para otimizar um modelo
de negócios existente, -
6:18 - 6:20e estou analisando
essas dinâmicas humanas emergentes -
6:21 - 6:22que ainda não aconteceram.
-
6:22 - 6:24Estamos olhando fora
da dinâmica do mercado -
6:24 - 6:26para que possamos ficar à frente disso".
-
6:27 - 6:30Bem, sabem o que aconteceu com a Nokia?
-
6:30 - 6:32O negócio deles caiu de um penhasco.
-
6:33 - 6:37Este é o custo de deixar
escapar alguma coisa. -
6:37 - 6:39Era impossível de entender.
-
6:40 - 6:42Mas a Nokia não está sozinha.
-
6:42 - 6:45Vejo organizações jogando
os dados fora o tempo todo -
6:45 - 6:47porque não vieram
de um modelo quantitativo -
6:47 - 6:49ou não se encaixam em um.
-
6:50 - 6:52Mas não é culpa do big data.
-
6:53 - 6:57É o modo como o usamos;
é nossa responsabilidade. -
6:58 - 7:00A reputação para o sucesso do big data
-
7:00 - 7:03vem da quantificação
de ambientes muito específicos, -
7:03 - 7:08como redes de energia elétrica,
logística de entrega ou código genético, -
7:08 - 7:13quando quantificamos em sistemas
mais ou menos controlados. -
7:13 - 7:16Mas nem todos os sistemas
estão tão bem controlados. -
7:16 - 7:19Quando estamos quantificando
e os sistemas são mais dinâmicos, -
7:19 - 7:23especialmente sistemas
que envolvem seres humanos, -
7:23 - 7:25as forças são complexas e imprevisíveis,
-
7:25 - 7:29e são coisas que não sabemos
tão bem como modelar. -
7:29 - 7:32Depois de prever algo
sobre o comportamento humano, -
7:32 - 7:34surgem novos fatores,
-
7:34 - 7:36porque as condições
estão em constante mudança. -
7:36 - 7:38Por isso é um ciclo sem fim.
-
7:38 - 7:42Achamos que conhecemos algo,
e então surge algo desconhecido. -
7:42 - 7:45É por isso que confiar apenas no big data
-
7:45 - 7:48aumenta a chance de deixar
escapar alguma coisa, -
7:48 - 7:52ao nos dar essa ilusão
de que já sabemos tudo. -
7:52 - 7:56O que torna muito difícil
ver esse paradoxo -
7:56 - 7:59e até mesmo envolver
nossos cérebros em torno disso -
7:59 - 8:03é que temos o que chamo
de viés de quantificação, -
8:03 - 8:08que é a crença inconsciente de valorizar
o mensurável sobre o imensurável. -
8:09 - 8:13Muitas vezes passamos
por isso em nosso trabalho. -
8:13 - 8:15Talvez trabalhemos
ao lado de colegas assim, -
8:15 - 8:17ou até mesmo toda a nossa
empresa pode ser assim, -
8:18 - 8:20onde as pessoas ficam tão obcecadas
com aquela quantidade, -
8:20 - 8:22que não podem ver nada fora dela,
-
8:22 - 8:26mesmo quando apresentamos
evidências bem diante dos olhos delas. -
8:27 - 8:30Esta é uma mensagem muito interessante,
-
8:31 - 8:33porque não há nada errado em quantificar;
-
8:33 - 8:34é realmente muito gratificante.
-
8:34 - 8:39Tenho uma grande sensação de conforto
ao olhar para uma planilha do Excel, -
8:39 - 8:40mesmo as mais simples.
-
8:40 - 8:41(Risos)
-
8:41 - 8:46É meio como: "Sim! A fórmula funcionou.
Está tudo bem. Está tudo sob controle". -
8:47 - 8:49Mas o problema é
-
8:49 - 8:52que quantificar é viciante.
-
8:52 - 8:53Quando nos esquecemos disso
-
8:53 - 8:56e não temos algo
para manter esse controle, -
8:56 - 8:58é muito fácil simplesmente
jogar os dados fora -
8:59 - 9:01porque não podem ser expressos
como um valor numérico. -
9:01 - 9:04É muito fácil ter apenas
um pensamento imediatista, -
9:04 - 9:07como se houvesse alguma solução simples.
-
9:08 - 9:12Este é um grande momento
de perigo para qualquer organização, -
9:12 - 9:14porque, muitas vezes,
o futuro que precisamos prever -
9:14 - 9:17não está nesse palheiro,
-
9:17 - 9:19mas é aquele tornado
que está vindo em nossa direção -
9:19 - 9:21do lado de fora do celeiro.
-
9:23 - 9:27Não há risco maior do que ficar
cego para o desconhecido. -
9:27 - 9:29Isso pode nos fazer
tomar decisões erradas. -
9:29 - 9:31Pode nos fazer perder algo grande.
-
9:32 - 9:35Mas não precisamos seguir esse caminho.
-
9:35 - 9:39Acontece que o oráculo da Grécia antiga
-
9:39 - 9:43guarda a chave secreta
que nos mostra o caminho adiante. -
9:44 - 9:46Pesquisas geológicas recentes mostraram
-
9:46 - 9:50que o Templo de Apolo,
onde estava o oráculo mais famoso, -
9:50 - 9:53foi, na verdade, construído
sobre duas falhas de terremoto. -
9:53 - 9:57Essas falhas liberavam gases petroquímicos
debaixo da crosta terrestre. -
9:57 - 10:01O oráculo literalmente se sentava
bem acima dessas falhas, -
10:01 - 10:05inalando enormes quantidades
de gás etileno, essas fissuras. -
10:05 - 10:06(Risos)
-
10:06 - 10:07É verdade.
-
10:07 - 10:08(Risos)
-
10:08 - 10:12Tudo isso é verdade,
e era o que a fazia murmurar e alucinar -
10:12 - 10:13e entrar nesse estado de transe.
-
10:13 - 10:15Ela ficava alta como uma pipa!
-
10:15 - 10:17(Risos)
-
10:20 - 10:27Como alguém conseguiria
algum conselho útil dela naquele estado? -
10:27 - 10:30Estão vendo aquelas pessoas
que cercam o oráculo? -
10:30 - 10:33Veem aquelas pessoas que a apoiam,
porque ela está um pouco zonza? -
10:33 - 10:37E aquele cara do lado esquerdo
dela segurando o caderno laranja? -
10:38 - 10:43Aqueles eram os guias do templo,
e trabalhavam de mãos dadas com o oráculo. -
10:44 - 10:47Quando os interrogadores
vinham e ficavam de joelhos, -
10:47 - 10:49os guias do templo chegavam ao trabalho.
-
10:49 - 10:52Depois de fazerem perguntas a ela,
observavam o estado emocional deles. -
10:52 - 10:54Então lhes faziam perguntas como:
-
10:54 - 10:58"Por que querem conhecer
esta profecia? Quem são vocês? -
10:58 - 11:00O que irão fazer com esta informação?"
-
11:00 - 11:06Então os guias do templo levavam
esta informação etnográfica e qualitativa -
11:06 - 11:08e interpretavam os murmúrios do oráculo.
-
11:09 - 11:11O oráculo não ficava sozinho,
-
11:12 - 11:14e nossos sistemas de big data
também não deveriam ficar. -
11:14 - 11:15Para ser clara,
-
11:15 - 11:19não estou dizendo que os sistemas
de big data estão inalando gás de etileno, -
11:19 - 11:22ou que estão até mesmo
dando previsões inválidas. -
11:22 - 11:24Muito pelo contrário, o que estou dizendo
-
11:24 - 11:29é que, da mesma forma que o oráculo
precisava dos guias de templo dela, -
11:29 - 11:31nossos sistemas de big data
precisam deles também. -
11:31 - 11:35Precisam de pessoas como etnógrafos
e pesquisadores de usuários -
11:35 - 11:38que podem reunir o que chamo
de "thick data". -
11:39 - 11:41São dados valiosos de pessoas,
-
11:41 - 11:45como histórias, emoções e interações
que não podem ser quantificadas. -
11:45 - 11:47É o tipo de dados
que coletei para a Nokia, -
11:47 - 11:51que chega na forma de um tamanho
de amostra muito pequeno, -
11:51 - 11:54mas oferece uma profundidade
de significado incrível. -
11:54 - 11:57O que o torna tão denso e significante
-
11:58 - 12:02é a experiência de compreender
a narrativa humana. -
12:02 - 12:06Isso é o que ajuda a ver o que está
faltando em nossos modelos. -
12:07 - 12:11Thick data baseia nossas questões
de negócio em questões humanas, -
12:11 - 12:14e é por isso que integrar
big data e thick data -
12:14 - 12:16forma uma imagem mais completa.
-
12:17 - 12:20Big data é capaz de oferecer
compreensões sobre a escala -
12:20 - 12:22e alavancar o melhor
da inteligência da máquina, -
12:22 - 12:26enquanto thick data pode nos ajudar
a resgatar a perda de contexto, -
12:26 - 12:28que vem de tornar o big data utilizável,
-
12:28 - 12:30e a aproveitar o melhor
da inteligência humana. -
12:30 - 12:33Quando os dois são integrados,
as coisas ficam muito divertidas, -
12:33 - 12:37porque não estamos mais apenas
trabalhando com dados já coletados. -
12:37 - 12:40Também trabalhamos com dados
que não foram coletados. -
12:40 - 12:42Fazemos perguntas sobre o porquê:
-
12:42 - 12:43"Por que está acontecendo isso?"
-
12:44 - 12:45Quando a Netflix fez isso,
-
12:45 - 12:48foi revelada uma forma totalmente nova
de transformar os negócios. -
12:49 - 12:53A Netflix é conhecida por seu excelente
algoritmo de recomendação, -
12:53 - 12:58e ofereceu um prêmio de US$ 1 milhão
para quem pudesse melhorá-lo. -
12:58 - 13:00Houve ganhadores.
-
13:00 - 13:05Mas a Netflix descobriu que as melhorias
eram apenas incrementais. -
13:05 - 13:11Para descobrir o que estava acontecendo,
contratou um etnógrafo, Grant McCracken, -
13:11 - 13:13para reunir ideias de thick data.
-
13:13 - 13:18O que ele descobriu foi algo não visto
inicialmente nos dados quantitativos: -
13:19 - 13:22as pessoas adoravam assistir
às maratonas de séries na TV. -
13:22 - 13:25De fato, nem se sentiam
culpadas por isso; elas gostavam. -
13:25 - 13:26(Risos)
-
13:26 - 13:29Para a Netflix era como:
"Ah, esta é uma nova visão". -
13:29 - 13:31Levou para a equipe de ciência de dados,
-
13:31 - 13:36que conseguiu dimensionar esta visão
do big data com os dados quantitativos. -
13:36 - 13:39Uma vez verificados e validados,
-
13:39 - 13:44a Netflix decidiu fazer algo
muito simples, mas de grande impacto. -
13:45 - 13:51Disse que, em vez de oferecer
o mesmo programa de diferentes gêneros -
13:51 - 13:55ou mais dos diferentes programas
de usuários semelhantes, -
13:55 - 13:58iria apenas oferecer mais
do mesmo programa, -
13:58 - 14:00fazer com que seja mais fácil assistir.
-
14:00 - 14:01E não parou por aí.
-
14:01 - 14:03Ela fez tudo isso
-
14:03 - 14:06para replanejar toda a experiência
do telespectador, -
14:06 - 14:08e realmente incentivá-lo a assistir.
-
14:08 - 14:11É por isso que as pessoas e os amigos
somem em finais de semana inteiros, -
14:11 - 14:14colocando em dia as séries
como "Master of None". -
14:14 - 14:18Ao integrar big data e thick data,
ela não só melhorou os negócios, -
14:18 - 14:21mas transformou a forma
como consumimos a mídia. -
14:21 - 14:25Agora as ações dela estão projetadas
para duplicar nos próximos anos. -
14:26 - 14:30Mas não se trata apenas
de assistir a mais vídeos -
14:30 - 14:32ou de vender mais smartphones.
-
14:32 - 14:36Para alguns, integrar
thick data ao algoritmo -
14:36 - 14:38pode ser uma questão de vida ou morte,
-
14:39 - 14:41especialmente para os marginalizados.
-
14:42 - 14:45Em todo o país, os departamentos
de polícia estão usando o big data -
14:45 - 14:47para o policiamento preditivo,
-
14:47 - 14:50para estabelecer valores de títulos
e recomendações de sentença -
14:50 - 14:53de forma a reforçar
as prevenções existentes. -
14:54 - 14:57O algoritmo de aprendizagem
de máquina Skynet da NSA -
14:57 - 15:02ajudou possivelmente na morte
de milhares de civis no Paquistão -
15:02 - 15:05pela leitura errada de metadados
do dispositivo celular. -
15:07 - 15:10À medida que toda a nossa vida
se torna mais automatizada, -
15:10 - 15:14dos automóveis aos planos
de saúde ou ao emprego, -
15:14 - 15:16é provável que todos nós
-
15:16 - 15:19sejamos impactados
pelo viés da quantificação. -
15:21 - 15:24A boa notícia é que percorremos
um longo caminho, -
15:24 - 15:26de inalar gás de etileno
a fazer previsões. -
15:26 - 15:29Temos ferramentas melhores,
então vamos apenas usá-las melhor. -
15:29 - 15:31Vamos integrar o big data ao thick data,
-
15:31 - 15:33trazer nossos guias
do templo com os oráculos, -
15:34 - 15:37e se este trabalho acontecer em empresas
ou organizações sem fins lucrativos, -
15:37 - 15:40no governo ou mesmo no software,
-
15:40 - 15:42tudo isso importa.
-
15:42 - 15:45Significa que estamos
comprometidos coletivamente -
15:45 - 15:47a elaborar dados melhores,
-
15:47 - 15:50algoritmos melhores, resultados melhores
e decisões melhores. -
15:50 - 15:54É assim que evitaremos
deixar escapar esse algo. -
15:55 - 15:58(Aplausos)
- Title:
- As percepções humanas que faltam no big data
- Speaker:
- Tricia Wang
- Description:
-
Por que tantas empresas tomam decisões ruins, mesmo com acesso a quantidades de dados sem precedentes? Com histórias da Nokia à Netflix e aos oráculos da Grécia antiga, Tricia Wang desmistifica o big data e identifica suas armadilhas, sugerindo que nos concentremos em "thick data" - percepções preciosas e não quantificáveis de pessoas reais - para tomar as decisões de negócios corretas e prosperar no desconhecido.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 16:12
Leonardo Silva approved Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Leonardo Silva accepted Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Leonardo Silva edited Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Leonardo Silva edited Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Leonardo Silva edited Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Maurício Kakuei Tanaka edited Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Maurício Kakuei Tanaka edited Portuguese, Brazilian subtitles for The human insights missing from big data | ||
Maurício Kakuei Tanaka edited Portuguese, Brazilian subtitles for The human insights missing from big data |