1
00:00:00,820 --> 00:00:05,096
Roy Price, 19 Nisan 2013 tarihinde
geçirdiğiniz 22 sıradan dakikanın

2
00:00:05,120 --> 00:00:07,616
sorumlusu olsa da, büyük olasılıkla

3
00:00:07,640 --> 00:00:14,536
çoğunuzun duymadığı bir isim.

4
00:00:14,560 --> 00:00:17,736
O, aynı zamanda en eğlenceli 22 dakikanın
da sorumlusu,

5
00:00:17,760 --> 00:00:20,016
tabii hepiniz için değil.

6
00:00:20,040 --> 00:00:21,936
Bunlar bizi Roy'un üç sene önce

7
00:00:21,960 --> 00:00:23,960
almak zorunda olduğu bir karara götürüyor.

8
00:00:23,984 --> 00:00:28,816
Roy Price, Amazon Stüdyoları'nda
bir üst düzey yönetici.

9
00:00:28,840 --> 00:00:31,856
Bu, Amazon'un TV yapım şirketi.

10
00:00:31,880 --> 00:00:35,136
47 yaşında, zayıf ve dik saçlı
biri olan Roy, kendini Twitter'da

11
00:00:35,160 --> 00:00:39,976
"filmler, televizyon, teknoloji ve tako" 
anahtar kelimelerini ile tanıtıyor.

12
00:00:40,000 --> 00:00:45,176
Roy Price sorumluluğu ağır bir işi
yürütüyor, çünkü onun işi

13
00:00:45,200 --> 00:00:49,256
Amazon'un yapacağı özgün içerikli 
programları seçmek.

14
00:00:49,280 --> 00:00:51,616
Ve bu alanda rekabet oldukça yüksek.

15
00:00:51,640 --> 00:00:54,376
Demek istediğim, şu anda o kadar çok
dizi var ki,

16
00:00:54,400 --> 00:00:56,576
Roy'un herhangi bir dizi 
seçmesi mümkün değil.

17
00:00:56,600 --> 00:01:00,696
Onun, çok ama çok iyi dizileri
bulması gerekiyor.

18
00:01:00,720 --> 00:01:03,536
Başka bir deyişle, onun, bu eğrinin
en sağında yer alacak

19
00:01:03,560 --> 00:01:05,936
bir dizi bulması gerekiyor.

20
00:01:05,960 --> 00:01:08,616
Bu eğri IMDB sitesinde bulunan 2500
dizinin,

21
00:01:08,640 --> 00:01:13,016
1-10 puan arasındaki puan dağılımının
eğrisi

22
00:01:13,040 --> 00:01:15,936
ve yükseklik, kaç dizinin

23
00:01:15,960 --> 00:01:18,936
bu reytinge ulaştığını 
gösteriyor.

24
00:01:18,960 --> 00:01:23,656
Yani eğer dizi 9'un üstünde bir reyting
puanı alırsa bu bir zafer demektir.

25
00:01:23,680 --> 00:01:25,496
Bir de en iyi %2'lik kesim var.

26
00:01:25,520 --> 00:01:29,416
Breaking Bad, Game of Thrones, The Wire
gibi diziler mesela.

27
00:01:29,440 --> 00:01:31,736
Bu dizilerin hepsi, bir sezon izledikten
sonra

28
00:01:31,760 --> 00:01:34,816
beyninize "Diğer bölümleri nasıl bulurum?"
sorusunu

29
00:01:34,840 --> 00:01:37,016
sorduracak kadar bağımlılık yapar.

30
00:01:37,040 --> 00:01:38,240
Bu tür diziler.

31
00:01:38,920 --> 00:01:41,416
Sol tarafta, biraz daha açık olmak
gerekirse en sonda,

32
00:01:41,440 --> 00:01:44,616
"Toddlers and Tiaras" adında

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

34
00:01:47,320 --> 00:01:48,856
eğrinin sonunda neler olduğunu

35
00:01:48,880 --> 00:01:51,071
yeterince iyi açıklayan bir dizi var.

36
00:01:51,095 --> 00:01:55,256
Şu an Roy Price'ın eğrinin en solunda
kalmak gibi bir endişesi yok

37
00:01:55,280 --> 00:01:58,216
çünkü bence Toddlers and Tiaras'ın
gerisine düşmek için ciddi

38
00:01:58,240 --> 00:01:59,936
bir beyin gücünüzün olması lazım.

39
00:01:59,960 --> 00:02:03,896
Onun endişelendiği nokta ortadaki çıkıntı 
bölüm,

40
00:02:03,920 --> 00:02:05,736
yani ortalama bir dizi,

41
00:02:05,760 --> 00:02:08,616
bildiğiniz gibi çok iyi veya çok kötü 
olmayan diziler

42
00:02:08,639 --> 00:02:10,294
bizi pek heyecanlandırmaz.

43
00:02:10,320 --> 00:02:15,176
O yüzden onun hep eğrinin sağında
kaldığından emin olması lazım.

44
00:02:15,200 --> 00:02:16,776
Üzerinde hissettiği baskı bu şekilde

45
00:02:16,800 --> 00:02:18,976
ve Amazon ilk defa böyle şeyler

46
00:02:19,000 --> 00:02:21,176
yapmaya başladığında Roy Price,

47
00:02:21,200 --> 00:02:24,536
işini şansa bırakmak istemedi.

48
00:02:24,560 --> 00:02:27,016
Başarıyı elde etmek istedi.

49
00:02:27,040 --> 00:02:28,816
Başarıyı garantilemeye ihtiyacı vardı

50
00:02:28,840 --> 00:02:31,416
ve şuan yaptığı şey ise
bir yarışı sürdürmek.

51
00:02:31,440 --> 00:02:34,576
Bu yüzden diziler için bir dizi fikir
topluyor ve

52
00:02:34,600 --> 00:02:36,896
bu fikirleri değerlendirip

53
00:02:36,920 --> 00:02:41,016
aralarından sekiz aday seçiyor ve

54
00:02:41,040 --> 00:02:44,256
her birinin ilk bölümünü çekiyor.

55
00:02:44,280 --> 00:02:47,416
Bu bölümleri ücretsiz olarak
bir websitesinden yayınlıyor.

56
00:02:47,440 --> 00:02:49,696
Amazon ücretsiz olarak bir şey verirse

57
00:02:49,720 --> 00:02:51,256
bu şeyi alırsınız değil mi?

58
00:02:51,280 --> 00:02:56,416
Dolayısıyla milyonlarca kişi bu bölümleri
izliyor.

59
00:02:56,440 --> 00:02:59,656
Onlarında farketmedikeri şey şu ki
onlar bu bölümleri izlerken

60
00:02:59,680 --> 00:03:01,976
asıl izlenen onlar.

61
00:03:02,000 --> 00:03:04,336
Her şeyi kaydeden Roy Price 
ve takımı

62
00:03:04,360 --> 00:03:05,736
tarafından izleniyorlar.

63
00:03:05,760 --> 00:03:09,136
İzleyicinin oynat tuşuna basmasını,
durdurmasını,

64
00:03:09,160 --> 00:03:11,696
atladığı yerleri ve tekrar izlediği
yerleri kaydediyorlar.

65
00:03:11,720 --> 00:03:13,976
Böylece milyonlarca
veri parçacığı topluyorlar,

66
00:03:14,000 --> 00:03:16,096
çünkü hangi diziyi yapmak istediklerine

67
00:03:16,120 --> 00:03:18,816
karar verirken bu verilere sahip olmak 
istiyorlar.

68
00:03:18,840 --> 00:03:21,016
Pek tabii olarak bu verileri topluyorlar,

69
00:03:21,040 --> 00:03:23,616
hepsini işledikten sonra
cevap ortaya çıkıyor.

70
00:03:23,640 --> 00:03:24,856
Cevap şu ki:

71
00:03:24,880 --> 00:03:30,416
"Amazon Dört Cumhuriyetçi ABD senatörü
hakkında bir sit-com yapmalı."

72
00:03:30,440 --> 00:03:31,656
Diziyi yaptılar.

73
00:03:31,680 --> 00:03:33,840
Bu dizinin ismini hatırlayan var mı?

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

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

76
00:03:37,520 --> 00:03:41,616
aslında bir çoğunuz bu diziyi hatırlamıyor
gibi gözüküyor,

77
00:03:41,640 --> 00:03:43,496
çünkü çok büyük bir patlama yapmadı.

78
00:03:43,520 --> 00:03:45,376
Yalnızca ortalama bir diziydi,

79
00:03:45,400 --> 00:03:49,976
çünkü aslında bu eğrinin ortalaması 
tam olarak 7.4 ve

80
00:03:50,000 --> 00:03:52,416
"Alpha House" 7.5 puanda.

81
00:03:52,440 --> 00:03:54,456
Yani ortalamanın biraz üstünde ama

82
00:03:54,480 --> 00:03:57,400
bu Roy Price ve takımının amaçladığı şey
kesinlikle bu değil.

83
00:03:58,320 --> 00:04:01,176
Bu arada, her nasılsa, aynı zamanda

84
00:04:01,200 --> 00:04:02,776
başka bir şirkette,

85
00:04:02,800 --> 00:04:07,016
Netflix'te İçerik Yönetim Şefi olan Ted,
Ted Sarandos, veri analizini kullanarak

86
00:04:07,040 --> 00:04:08,616
en üst reytinge yerleşen bir dizi

87
00:04:08,640 --> 00:04:12,056
yapmayı başardı.

88
00:04:12,080 --> 00:04:14,216
Onun da işi, aynı Roy'unki gibi

89
00:04:14,240 --> 00:04:15,736
sürekli olarak çok iyi diziler bulmak.

90
00:04:15,760 --> 00:04:17,776
O da bunu yapmak için verileri kullanıyor

91
00:04:17,800 --> 00:04:19,815
ama biraz daha farklı yapıyor.

92
00:04:19,839 --> 00:04:23,576
O ve takımı bir yarışma düzenlemek yerine

93
00:04:23,600 --> 00:04:27,136
halihazırda Netflix izleyicileri ile ilgili
toplanmış, dizilere verilen

94
00:04:27,160 --> 00:04:29,256
puanlar, izlenme geçmişleri,
sevilen diziler

95
00:04:29,280 --> 00:04:31,976
ve bunun gibi verilere bakıyorlar.

96
00:04:32,000 --> 00:04:33,896
Bu verileri kullanarak,

97
00:04:33,920 --> 00:04:36,536
seyirciler hakkında hangi tür dizileri,

98
00:04:36,560 --> 00:04:38,016
hangi tür yapımcıları,

99
00:04:38,040 --> 00:04:40,136
hangi tür aktörleri sevdikleri gibi
veri kırıntılarına ulaşıyorlar.

100
00:04:40,160 --> 00:04:42,736
Bu kırıntıları bir araya getiriyorlar,

101
00:04:42,760 --> 00:04:44,416
bu verilerle bir sıçrama yapıyorlar

102
00:04:44,440 --> 00:04:46,536
ve 4 senatör hakkında bir sitcom 
yapmaktansa

103
00:04:46,560 --> 00:04:49,016
yalnızca bir senatör hakkında

104
00:04:49,040 --> 00:04:51,920
drama dizisi yapmaya karar veriyorlar.

105
00:04:52,760 --> 00:04:54,416
Bu dizinin adını biliyor musunuz?

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

107
00:04:55,760 --> 00:04:59,496
Evet, "House of Cards" ve Netflix elbette
bu diziyle kasıp kavurdu,

108
00:04:59,520 --> 00:05:01,656
en azından ilk iki sezon.

109
00:05:01,680 --> 00:05:05,656
(Kahkahalar)(Alkışlar)

110
00:05:05,680 --> 00:05:08,856
"House of Cards" bu eğride
9.1 puanda,

111
00:05:08,880 --> 00:05:12,056
yani tam olarak istedikleri yerde.

112
00:05:12,080 --> 00:05:14,496
Şimdi soru şu, 
bu iki durumda ne oldu?

113
00:05:14,520 --> 00:05:17,326
Şimdi, veri depolayan, 
rekabet içinde olan iki şirket var.

114
00:05:17,326 --> 00:05:20,056
Milyonlarca veri parçalarını
birleştiriyorlar

115
00:05:20,080 --> 00:05:22,456
ve bu veriler biri için 
çok işe yarıyor ama

116
00:05:22,480 --> 00:05:24,336
diğeri için iyi bir sonuç
vermiyor?

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

118
00:05:25,600 --> 00:05:29,056
Çünkü mantığınız size bunun her zaman
işe yaraması gerektiğini söylüyor.

119
00:05:29,080 --> 00:05:31,536
Demem o ki, milyonlarca 
veri parçası topluyorsanız,

120
00:05:31,560 --> 00:05:33,296
bir karar vereceğiniz zaman

121
00:05:33,320 --> 00:05:35,936
iyi bir karar vermiş olmanız lazım.

122
00:05:35,960 --> 00:05:38,176
Güvenebileceğiniz 200 yıllık
istatistikler var.

123
00:05:38,200 --> 00:05:41,216
Bu verileri güçlü bilgisayarlarla
büyütüyorsunuz.

124
00:05:41,240 --> 00:05:44,520
En azından iyi bir dizi bekliyorsunuz,
değil mi?

125
00:05:45,880 --> 00:05:48,600
Eğer veri analizi bu şekilde
çalışmıyorsa,

126
00:05:49,520 --> 00:05:51,576
durum biraz daha korkutucu
bir hâl alıyor.

127
00:05:51,600 --> 00:05:55,416
Çünkü günümüzde televizyonun da ötesinde
daha ciddi kararlar almak için

128
00:05:55,440 --> 00:05:59,920
verilere başvuruyoruz.

129
00:06:00,760 --> 00:06:04,000
Aranızda Multi-Health Systems adlı 
şirketi bilen var mı?

130
00:06:05,080 --> 00:06:06,736
Hiç kimse. Tamam, çok iyi.

131
00:06:06,760 --> 00:06:09,976
Evet, Multi-Health Systems 
bir yazılım şirketi ve

132
00:06:10,000 --> 00:06:12,816
ve umarım bu odadaki hiç kimse

133
00:06:12,840 --> 00:06:16,016
bu programla karşılaşmamıştır çünkü

134
00:06:16,040 --> 00:06:18,136
eğer karşılaştıysanız
hapistesiniz demektir.

135
00:06:18,160 --> 00:06:19,336
(Kahkahalar)

136
00:06:19,360 --> 00:06:22,896
Eğer buradaki herhangi biri ABD'de
hapse girerse ve

137
00:06:22,920 --> 00:06:27,216
şartlı tahliye başvurusu yaparsa büyük
olasılıkla başvuruyu onaylamak veya

138
00:06:27,240 --> 00:06:30,856
reddetmek için bu şirketin 
veri analiz yazılımı kullanılacak.

139
00:06:30,880 --> 00:06:33,456
Amazon ve Netflix ile aynı esaslarla ama

140
00:06:33,480 --> 00:06:38,096
şimdi bir dizinin iyi veya kötü olacağı
değil, bir insanın

141
00:06:38,120 --> 00:06:41,016
iyi veya kötü olacağı hakkında
karar veriyorsunuz.

142
00:06:41,040 --> 00:06:46,536
Vasat bir dizi, 22 dakika,
biraz kötü olabilir,

143
00:06:46,560 --> 00:06:49,200
hapiste uzun yıllar, sanırım
çok daha kötü.

144
00:06:50,360 --> 00:06:54,496
Ve maalesef veri analizi ile ilgili 
bazı bulgular bize şunu gösteriyor ki,

145
00:06:54,520 --> 00:06:58,736
ne kadar çok veri olursa olsun, her zaman
optimum sonuçlar elde edemiyorsunuz.

146
00:06:58,760 --> 00:07:01,482
Bu, Multi-Health Systems
gibi bir şirketin elindeki verilerle

147
00:07:01,506 --> 00:07:03,133
ne yapacağını bilmediğinden değil.

148
00:07:03,158 --> 00:07:05,456
Veri depolamaya en meraklı şirketler
bile hatalar yapıyor.

149
00:07:05,480 --> 00:07:07,880
Evet, Google bile bazen hatalar yapıyor.

150
00:07:08,680 --> 00:07:13,176
2009 yılında, Google, grip salgınını
tahmin etmek için,

151
00:07:13,200 --> 00:07:17,336
daha doğrusu kötü bir grip türünü,

152
00:07:17,360 --> 00:07:21,136
veri analizi yapabileceğini duyurdu.

153
00:07:21,160 --> 00:07:25,016
Veri analizi bu konuda çok iyi çalıştı ve
haberlerde de büyük sükse yaptı,

154
00:07:25,040 --> 00:07:27,176
hatta bilimsel başarının zirvesini
yakaladı,

155
00:07:27,200 --> 00:07:29,656
"Nature" dergisinde yayınlandı.

156
00:07:29,680 --> 00:07:33,296
Çalışma başarısız olduğu o yıla kadar

157
00:07:33,320 --> 00:07:34,976
her yıl çok iyi sonuç verdi.

158
00:07:35,000 --> 00:07:37,256
Ve kimse tam olarak nedenini bile
söyleyemedi.

159
00:07:37,280 --> 00:07:38,976
Sadece o yıl çalışmadı ve

160
00:07:39,000 --> 00:07:40,936
tabii olarak haberlerde çok duyuldu ve

161
00:07:40,960 --> 00:07:42,576
"Nature" dergisi

162
00:07:42,600 --> 00:07:45,440
yayını geri çekti.

163
00:07:46,480 --> 00:07:49,816
Evet, veri uzmanı en büyük firmalar,
Amazon ve Google bile

164
00:07:49,840 --> 00:07:51,976
zaman zaman hatalar yapıyor.

165
00:07:52,000 --> 00:07:54,936
Tüm bu başarısızlıklara rağmen
veri analizi,

166
00:07:54,960 --> 00:07:58,816
kanun hükümleri, tıp gibi 
birçok hayati alanda

167
00:07:58,840 --> 00:08:00,656
kararı etkileyen

168
00:08:00,680 --> 00:08:02,496
bir unsur olarak

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

170
00:08:04,400 --> 00:08:07,736
Bu yüzden veri analizinin işe yaradığına
emin olmalıyız.

171
00:08:07,760 --> 00:08:10,896
Ben, kişisel olarak verilerle ilgili 
çok fazla zorluk gördüm

172
00:08:10,920 --> 00:08:12,896
çünkü kanser tedavisi veya

173
00:08:12,920 --> 00:08:15,416
ilaç geliştirmek gibi alanlarda,

174
00:08:15,440 --> 00:08:19,096
hayal edemeyeceğiniz kadar çok
verilerle uğraşan zeki insanların olduğu

175
00:08:19,120 --> 00:08:22,680
bir dal olan bilişimsel genetik
üzerinde çalışıyorum.

176
00:08:23,520 --> 00:08:25,896
Ve yıllar içinde verilerle karar verme
konusunda

177
00:08:25,920 --> 00:08:28,376
başarılı olmak 
veya olmamak arasında

178
00:08:28,400 --> 00:08:31,096
niyet ettiğimizde paylaşmaya değer 
bir kural veya kalıp

179
00:08:31,120 --> 00:08:32,736
farkettim. Bu kalıp ise

180
00:08:32,760 --> 00:08:36,640
şöyle bir şey:

181
00:08:38,520 --> 00:08:40,655
Karışık bir problemi çözerken

182
00:08:40,679 --> 00:08:42,416
temel olarak iki şey yapıyorsunuz.

183
00:08:42,440 --> 00:08:45,736
İlki, problemi küçük parçalara
ayırıyorsunuz, böylece bu parçaları

184
00:08:45,760 --> 00:08:48,256
derinlenemesine analiz edebilirsiniz ve

185
00:08:48,280 --> 00:08:50,296
sonra ikinci bölüme geçiyorsunuz.

186
00:08:50,320 --> 00:08:52,976
Sonuca ulaşmak için bu küçük parçaları
tekrar

187
00:08:53,000 --> 00:08:54,336
bir araya getiriyorsunuz.

188
00:08:54,360 --> 00:08:56,996
Bazen bu işi tekrar yapmanız
gerekebilir ama yaptığınız

189
00:08:56,996 --> 00:08:58,376
her zaman iki şeydir:

190
00:08:58,400 --> 00:09:00,720
parçalara ayırmak ve
parçaları birleştirmek.

191
00:09:02,280 --> 00:09:03,896
Burada kritik olan nokta şu ki,

192
00:09:03,920 --> 00:09:06,816
veri ve veri analizi yalnızca

193
00:09:06,840 --> 00:09:09,336
ilk bölüm için önemli.

194
00:09:09,360 --> 00:09:11,716
Veri ve veri analizi ne kadar
güçlü olursa olsun,

195
00:09:11,716 --> 00:09:16,056
yalnızca problemi parçalara ayırmanıza ve
parçaları anlamanıza yardımcı olur.

196
00:09:16,080 --> 00:09:19,576
Parçaları tekrar birleştirip

197
00:09:19,600 --> 00:09:21,496
bir sonuca ulaşmak için uygun değildir.

198
00:09:21,520 --> 00:09:24,256
Bunu yapabilecek olan araç 
herkeste mevcut

199
00:09:24,280 --> 00:09:25,576
ve bu araç beyin.

200
00:09:25,600 --> 00:09:27,536
Eğer beynin iyi olduğu
bir şey varsa,

201
00:09:27,560 --> 00:09:29,816
sahip olduğunuz bilgiler 
tam olmasa bile

202
00:09:29,840 --> 00:09:31,856
parçaları alıp tekrar
araya getirmek ve

203
00:09:31,880 --> 00:09:33,456
iyi bir sonuca ulaşmak,

204
00:09:33,480 --> 00:09:36,416
özellikle bu beyin bir uzmanın beyniyse.

205
00:09:36,440 --> 00:09:39,096
Bence Netflix'in bu kadar başarılı
olmasının sebebi,

206
00:09:39,120 --> 00:09:42,696
veriyi ve beyni süreçte olması gerektiği
yerde kullanmaları.

207
00:09:42,720 --> 00:09:46,256
Onlar önce seyircilerle alakalı bir şeyler
öğrenmek için verileri kullanıyor,

208
00:09:46,280 --> 00:09:49,696
yoksa seyirciler hakkında bu derinlikte
bilgilere sahip olamazlardı.

209
00:09:49,720 --> 00:09:52,336
Sonra karar vermek için bütün
bu parçaları birleştiriyor

210
00:09:52,360 --> 00:09:55,696
ve ortaya hiçbir veride adı geçmeyen 
"House of Cards" gibi

211
00:09:55,720 --> 00:09:57,136
bir dizi çıkıyor.

212
00:09:57,160 --> 00:10:01,136
Ted Sarantos ve takımı büyük bir kişisel
risk alarak

213
00:10:01,160 --> 00:10:03,541
bu diziyi yapmak için

214
00:10:03,565 --> 00:10:06,416
bir karar verdi.

215
00:10:06,440 --> 00:10:09,456
Ama diğer yandan Amazon bu işi yanlış
bir şekilde yaptı.

216
00:10:09,480 --> 00:10:12,216
İlk olarak dizi önerilerini bir yarışa
soktuklarında ve

217
00:10:12,240 --> 00:10:14,656
"Alpha House" dizisinde karar
kıldıklarında

218
00:10:14,680 --> 00:10:18,376
karar alma mekanizmasını harekete
geçirmek için verileri kullandılar.

219
00:10:18,400 --> 00:10:20,896
Bu onlar için güvenli bir karardı çünkü 
verilere

220
00:10:20,920 --> 00:10:23,376
baktıklarında şunu söyleyebiliyorlardı:

221
00:10:23,400 --> 00:10:25,096
"Bize verilerin söylediği şey bu."

222
00:10:25,120 --> 00:10:29,360
Ama bu veriler onları umut ettikleri gibi
istisnai bir sonuca götürmedi.

223
00:10:30,120 --> 00:10:35,096
Sonuç olarak veriler karar alırken 
çok yararlı araçlar fakat

224
00:10:35,120 --> 00:10:37,496
bence bizi karara götüren tek şey
veriler olduğunda

225
00:10:37,520 --> 00:10:40,096
işler sarpa sarıyor.

226
00:10:40,120 --> 00:10:43,896
Ne kadar güçlü olursa olsun, veriler
yalnızca birer araç ve

227
00:10:43,920 --> 00:10:47,256
şunu unutmayın bu araç burada benim çok
işime yaradı.

228
00:10:47,280 --> 00:10:48,496
Aranızdan bir çoğunuz...

229
00:10:48,520 --> 00:10:49,736
(Kahkahalar)

230
00:10:49,760 --> 00:10:50,976
Veriler yokken

231
00:10:51,000 --> 00:10:53,856
karar alma aracı buydu.

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

233
00:10:55,160 --> 00:10:56,496
Bir çoğunuz bunu biliyor.

234
00:10:56,520 --> 00:10:58,473
Bu oyuncağın ismi Sihirli 8 Topu,

235
00:10:58,497 --> 00:10:59,696
ve gerçekten inanılmaz.

236
00:10:59,720 --> 00:11:02,616
Çünkü eğer bir karar vermeniz gerekiyorsa,

237
00:11:02,640 --> 00:11:06,376
cevabı evet veya hayır olan bir soruysa, 
tüm yapmanız gereken topu sallamak

238
00:11:06,400 --> 00:11:09,646
ve cevabı almak. Şuanda şu küçük pencerede
"Büyük ihtimalle" yazıyor.

239
00:11:09,646 --> 00:11:11,336
Bunu daha sonra teknoloji
tanıtımlarında kullanacağım.

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

241
00:11:12,600 --> 00:11:16,176
Olay şu ki, hayatımda bir çok konuda
kararlar aldım ve şimdi geriye dönüp

242
00:11:16,200 --> 00:11:19,096
baktığımda şunu söyleyebilirim, keşke
topu dinleseydim.

243
00:11:19,120 --> 00:11:22,456
Ama bildiğiniz gibi, eğer elinizde
veriler varsa, daha iyi

244
00:11:22,480 --> 00:11:25,536
bir karar vermek için bunun yerine veri
analizi gibi daha

245
00:11:25,560 --> 00:11:29,176
gelişmiş şeyleri kullanmak
istersiniz.

246
00:11:29,200 --> 00:11:31,816
Ama bu kurguyu değiştirmiyor.

247
00:11:31,840 --> 00:11:35,016
Bu yüzden top, çok daha zeki olabiliyor,
ama şuna inanıyorum ki

248
00:11:35,040 --> 00:11:37,856
eğer eğrinin sağ tarafında,

249
00:11:37,880 --> 00:11:40,896
sıra dışı bir şey başarmak istiyorsak

250
00:11:40,920 --> 00:11:42,856
bu hala karar vermemiz
için hazır bekliyor ve

251
00:11:42,880 --> 00:11:47,376
aslında çok teşvik edici bir şey buldum,

252
00:11:47,400 --> 00:11:51,376
çok büyük sayıda verilere karşın

253
00:11:51,400 --> 00:11:55,496
yaptığınız şeyde uzman olmak için

254
00:11:55,520 --> 00:11:58,176
karar vermeye ve

255
00:11:58,200 --> 00:12:00,296
risk almaya değer.

256
00:12:00,320 --> 00:12:03,096
Çünkü en sonunda veriler yok, en sonunda
sizi eğrinin

257
00:12:03,000 --> 00:12:07,000
sağına veya soluna yerleştirecek şey
yalnızca aldığınız riskler.

258
00:12:08,000 --> 00:12:09,560
Teşekkür ederim.

259
00:12:09,600 --> 00:12:13,000
(Alkışlar)