亚马逊用数据拍剧却翻车

Roy Price这个人，在座的绝大多数可能都没听说过。实际上，Roy Price是亚马逊广播公司的一位资深决策者，该公司是亚马逊旗下的一家电视节目制作公司。

Roy Price有一个责任非常重大的工作，他要负责帮亚马逊挑选即将制作的原创剧集。这个领域的竞争非常激烈，其他公司已经有非常多的电视剧集。Roy不能只是随便乱挑一个剧，他必须找出真正会火的剧集。

换句话说，他挑选的剧必须落在这条曲线的右侧。这条曲线是IMDB(网络电影资料库)上2500个电视节目的用户评分曲线图，评分从1到10。纵轴表明有多少剧达到这个评分。如果你的剧达到9分或以上，那就妥妥的赢了，也就是说你拥有那2%的顶尖剧。

例如像「绝命毒师」「权力的游戏」「火线重案组」这类全是令人欲罢不能的剧。看完一季之后，你马上就会想看下一季。

「绝命毒师」剧照

曲线左边，不妨选个最靠边比较明显的点，这里有个叫「选美小天后」(儿童选秀类)的节目。这足够让你明白曲线最左端代表了什么。

Roy Price并不担心会选个落在曲线最左边的节目，他担心的是中间多数的这些节目。这些节目不算好，但也不是很烂，但它们不会真正地让观众感兴趣。所以他要确保制作的剧落在曲线的右侧。

那么压力就来了。当然，这也是亚马逊第一次想做这类事情。所以Roy Price不想只是碰运气，他想要打造成功，他要万无一失的成功。

于是他举办了一个竞赛，他吸取了许多关于电视剧的想法。通过评估，挑了八个候选的电视剧。

然后他为每个剧制作了第一集，再把它们放到网上让观众免费观看。观众的响应度也很高，一时间有几百万人在看这些剧集。

而这些人不知道的是，当他们在观看节目时，他们也正被被Roy Price及他的团队观察。他们纪录了关注所有的行为，比如哪些人按了拨放;哪些人按了暂停;哪些部分被跳过了;哪些部分被重看了一遍，他们收集了几百万个数据。他们想要用这些数据来决定要做什么样的剧。

因此，在收集了所有的数据并处理过后，他们得到了一个答案——”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」。

「阿尔法屋」剧照

但看起来大部分人都不记得有这部剧，的确，这部剧收视率并不理想，它其实只是个一般的剧。

实际上，一般的剧差不多对应曲线上7.4分的位置，而 「阿尔法屋」 落在7.5分，比一般稍微好点。但绝对不是Roy Price和他的团队想要达到的目标。

网飞如何用数据捧火「纸牌屋」

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 Sarandos。

Ted是网飞的首席内容官，就跟Roy一样，他也要不停地寻找能火的剧集，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网飞所有的观众数据。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细节，关注喜欢什么类型的节目，什么类型的制作人，什么类型的演员…

在收集到全部的细节后，他们信心满满地决定要制作一部剧——不是四个参议员的喜剧，而是关于一位参议员的电视剧。

各位知道是哪部剧吗?没错，就是「纸牌屋」。

「纸牌屋」剧照

至少在头两季，网飞在这个节目上赚到了极高的收视率。「纸牌屋」在这个曲线上拿到了 9.1分，这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，他们都整合了所有的数据。结果其中一个干的很漂亮，而另一个却没有。这是为什么呢?

根据逻辑分析来说，这种方法应该每次都有效啊。如果你收集了所有的数据来制定一个决策，那你应该可以得到相当不错的决策。用大量的数据做支撑，还有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剧吧。

谷歌预测流感失败?数据分析并没有想像中有效

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。

MHS是一家软件公司，如果有人在美国被判入狱，要申请假释。很有可能MHS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。但并不是用于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的好坏。

一个半小时的电视节目可以很糟糕，但要坐很多年的牢显然要糟糕得多。

但不幸的是，实际上已经有证据显示，尽管可以依靠庞大的数据资料，这项数据分析并不总能得出最优的结果。

事实上，并不只有像MHS这样的软件公司在分析数据时无法得出最优解，就连谷歌之类最顶尖的数据公司也会出错。

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。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，这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，预测失败了。没有人知道到底是什么原因，但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。

数据拆分细节+大脑整合信息

我个人也曾经多次被数据分析搞的焦头烂额。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，或者药物开发等等。

经过这几年，我已经注意到一种模式或者规则，关于如何用数据做出成功以及不成功的决策。我觉得这个模式值得分享，内容大概是这样的：

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。

然后，你要做的就是，再把这些细节重新整合起来，从而得出你要的结论。

有时这必须重复几次。但基本都是围绕这两件事：拆分，再整合。

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。

然而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。

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，要重新整合信息，制作像「纸牌屋」这样剧的决策，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，他们在做出决策时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剧集「阿尔法屋」。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。

在有数据之前，这就是用来做决策的工具，很多人应该知道这个，就是”魔力8号球”(一个随机出答案的玩具)。

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。

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，我当初还不如直接用这颗球。

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，想成为该领域的专家，并承担风险时，这是非常值得的，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。