sponsored links
TEDNYC

Lux Narayan: What I learned from 2,000 obituaries

Lux Narayan: Lo que aprendí de 2000 obituarios

January 26, 2017

Lux Narayan comienza su día con huevos revueltos y la pregunta: "¿Quién murió hoy?". ¿Por qué? Al analizar 2000 obituarios del New York Times durante un período de 20 meses, Narayan recogió, en pocas palabras, cómo se ven los logros a lo largo de toda una vida. Aquí comparte lo que los inmortalizados en prensa pueden enseñarnos sobre una vida bien vivida.

Lux Narayan - Entrepreneur
Lux Narayan is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy. Full bio

sponsored links
Double-click the English subtitles below to play the video.
Joseph Keller used to jog
around the Stanford campus,
Joseph Keller solía correr
por el campus de Stanford,
00:12
and he was struck by all the women
jogging there as well.
y era golpeado por todas las mujeres
que corrían allí también.
00:16
Why did their ponytails swing
from side to side like that?
¿Por qué sus colas de caballo
oscilaban de un lado a otro de esa manera?
00:21
Being a mathematician,
he set out to understand why.
Como era matemático,
se dispuso a entender por qué.
00:25
(Laughter)
(Risas)
00:28
Professor Keller was curious
about many things:
El profesor Keller tenía
curiosidad por muchas cosas:
00:30
why teapots dribble
por qué las teteras gotean
00:32
or how earthworms wriggle.
o cómo se retuercen
las lombrices de tierra.
00:34
Until a few months ago,
I hadn't heard of Joseph Keller.
Hasta hace unos meses,
yo no había oído hablar de Joseph Keller.
00:36
I read about him in the New York Times,
Leí sobre él en el New York Times,
00:40
in the obituaries.
en los obituarios.
00:43
The Times had half a page
of editorial dedicated to him,
The Times le había dedicado
la mitad de una página editorial a él,
00:44
which you can imagine is premium space
for a newspaper of their stature.
que es un espacio privilegiado
para un periódico de su nivel.
00:48
I read the obituaries almost every day.
He estado leyendo
obituarios casi todos los días.
00:53
My wife understandably thinks
I'm rather morbid
Mi esposa cree comprensiblemente
que soy algo morboso
00:56
to begin my day with scrambled eggs
and a "Let's see who died today."
por comenzar mi día con huevos revueltos
y un "vamos a ver quién ha muerto hoy".
00:59
(Laughter)
(Risas)
01:03
But if you think about it,
Pero si piensan en ello,
01:05
the front page of the newspaper
is usually bad news,
la primera página del periódico
suele ser una mala noticia,
01:07
and cues man's failures.
e indicios de errores del hombre.
01:10
An instance where bad news
cues accomplishment
Y las marcas de malas noticias
con logros
01:12
is at the end of the paper,
in the obituaries.
se encuentra al final del periódico,
en los obituarios.
01:15
In my day job,
En mi trabajo diario,
01:19
I run a company that focuses
on future insights
dirijo una empresa que se centra
en vislumbrar el futuro
01:20
that marketers can derive
from past data --
que los anunciantes
pueden derivar de datos del pasado,
01:23
a kind of rearview-mirror analysis.
una especie de análisis
de espejo retrovisor.
01:25
And we began to think:
Y empezamos a pensar:
01:28
What if we held a rearview mirror
to obituaries from the New York Times?
¿Y si tenemos un espejo retrovisor
para obituarios del New York Times?
01:30
Were there lessons on how you could get
your obituary featured --
¿Obtendríamos el secreto de cómo
conseguir un obituario destacado
01:36
even if you aren't around to enjoy it?
para disfrutarlo,
incluso si uno ya no está?
01:39
(Laughter)
(Risas)
01:41
Would this go better with scrambled eggs?
¿Funciona esto mejor
con huevos revueltos?
01:43
(Laughter)
(Risas)
01:45
And so, we looked at the data.
Así que miramos los datos.
01:47
2,000 editorial, non-paid obituaries
2000 obituarios no pagados del editorial,
01:51
over a 20-month period
between 2015 and 2016.
durante un período de
20 meses entre 2015 y 2016.
01:56
What did these 2,000 deaths --
rather, lives -- teach us?
¿Qué nos enseñaron esas 2000 muertes,
mejor dicho, vidas?
01:59
Well, first we looked at words.
En primer lugar
nos fijamos en las palabras.
02:04
This here is an obituary headline.
Este es un titular de un obituario.
02:06
This one is of the amazing Lee Kuan Yew.
Este es uno del increíble Lee Kuan Yew.
02:08
If you remove the beginning and the end,
Si se elimina el principio y el fin,
02:10
you're left with a beautifully
worded descriptor
uno se queda con un descriptor
muy bien redactado
02:13
that tries to, in just a few words,
capture an achievement or a lifetime.
que trata, en pocas palabras,
de capturar un logro de toda la vida.
02:16
Just looking at these is fascinating.
La sola observación
de esto es fascinante.
02:21
Here are a few famous ones,
people who died in the last two years.
Estas son algunas personas famosas
que murieron en los últimos dos años.
02:24
Try and guess who they are.
Traten de adivinar quiénes son.
02:27
[An Artist who Defied Genre]
[Un artista que desafió el género]
02:28
That's Prince.
Este es Prince.
02:30
[Titan of Boxing and the 20th Century]
[Titán del boxeo y del siglo XX]
02:32
Oh, yes.
Oh sí.
02:34
[Muhammad Ali]
[Muhammad Ali]
02:35
[Groundbreaking Architect]
[Arquitecta pionera]
02:36
Zaha Hadid.
Zaha Hadid.
02:38
So we took these descriptors
Así que tomamos esos descriptores
02:40
and did what's called
natural language processing,
e hicimos lo que se llama
procesamiento del lenguaje natural,
02:42
where you feed these into a program,
que consiste en alimentar un programa,
02:44
it throws out the superfluous words --
que elimina palabras superfluas,
02:46
"the," "and," -- the kind of words
you can mime easily in "Charades," --
"la", "y", esas palabras que se pueden
imitar fácilmente en "Charades", -
02:48
and leaves you with the most
significant words.
y mantiene
las palabras más significativas.
02:52
And we did it not just for these four,
Y lo hicimos no solo para esos cuatro,
02:55
but for all 2,000 descriptors.
sino para todos los 2000 descriptores.
02:56
And this is what it looks like.
Y esto es lo que resultó.
02:59
Film, theatre, music, dance
and of course, art, are huge.
Cine, teatro, música, danza y,
por supuesto, el arte, son muy frecuentes.
03:02
Over 40 percent.
Más del 40 %.
03:08
You have to wonder
why in so many societies
Hay que preguntarse
por qué en tantas sociedades
03:10
we insist that our kids pursue
engineering or medicine or business or law
insistimos en que nuestros hijos
estudien ingeniería, medicina,
03:12
to be construed as successful.
empresariales o derecho,
para que logren el éxito.
03:17
And while we're talking profession,
Y ya que estamos hablando profesión,
03:19
let's look at age --
veamos la edad.
03:21
the average age at which
they achieved things.
La edad media en la que se logran cosas.
03:22
That number is 37.
Ese número es 37.
03:25
What that means is,
you've got to wait 37 years ...
Lo que significa que Uds.
deben esperar 37 años
03:28
before your first significant achievement
that you're remembered for --
antes de su primer logro relevante
por el que serán recordados,
03:31
on average --
en promedio,
03:35
44 years later, when you
die at the age of 81 --
44 años más tarde,
cuando mueran a la edad de 81,
03:36
on average.
de media.
03:38
(Laughter)
(Risas)
03:40
Talk about having to be patient.
Eso dice que hay que ser paciente.
03:41
(Laughter)
(Risas)
03:42
Of course, it varies by profession.
Por supuesto, varía según la profesión.
03:43
If you're a sports star,
Si uno es una estrella del deporte,
03:46
you'll probably hit
your stride in your 20s.
es probable que
el logro llegue a los 20 años.
03:47
And if you're in your 40s like me,
Y si Uds. están en sus 40 como yo,
03:49
you can join the fun world of politics.
pueden estar en el divertido
mundo de la política.
03:52
(Laughter)
(Risas)
03:54
Politicians do their first and sometimes
only commendable act in their mid-40s.
Los políticos hacen su primer y, a veces,
único acto encomiable a los 40 años.
03:55
(Laughter)
(Risas)
03:59
If you're wondering what "others" are,
Si se están preguntando
quienes son los otros,
04:00
here are some examples.
aquí hay unos ejemplos.
04:02
Isn't it fascinating, the things people do
¿No es fascinante,
las cosas que la gente hace
04:04
and the things they're remembered for?
y las cosas por las que se les recuerda?
04:06
(Laughter)
(Risas)
04:08
Our curiosity was in overdrive,
Nuestra curiosidad aumentó a toda marcha,
04:11
and we desired to analyze
more than just a descriptor.
y deseábamos analizar
algo más que un descriptor.
04:13
So, we ingested the entire
first paragraph of all 2,000 obituaries,
Por lo tanto, usamos todo
el primer párrafo de los 2000 obituarios,
04:18
but we did this separately
for two groups of people:
pero por separado
para dos grupos de personas:
04:23
people that are famous
and people that are not famous.
las personas famosas
y las personas que no lo son.
04:26
Famous people -- Prince,
Ali, Zaha Hadid --
La gente famosa como
Prince, Ali, Zaha Hadid;
04:29
people who are not famous
are people like Jocelyn Cooper,
las personas que no lo son,
son personas como Jocelyn Cooper,
04:32
Reverend Curry
el reverendo Curry
04:36
or Lorna Kelly.
o Lorna Kelly.
04:37
I'm willing to bet you haven't heard
of most of their names.
Apuesto que Uds. nunca han oído
hablar de la mayoría de estos nombres.
04:38
Amazing people, fantastic achievements,
but they're not famous.
gente increíble, con logros fantásticos,
pero que no son famosos.
04:41
So what if we analyze
these two groups separately --
Entonces, ¿y si analizamos
estos dos grupos por separado,
04:46
the famous and the non-famous?
los famosos y los no famosos?
04:49
What might that tell us?
¿Qué puede decirnos esto?
04:50
Take a look.
Echen un vistazo.
04:52
Two things leap out at me.
Dos cosas me llaman la atención.
04:56
First:
Primero:
04:58
"John."
"John."
04:59
(Laughter)
(Risas)
05:01
Anyone here named John
should thank your parents --
¿Hay alguien aquí que se llame John?
Debe agradecérselo a sus padres
05:03
(Laughter)
(Risas)
05:07
and remind your kids to cut out
your obituary when you're gone.
y recuerden a sus hijos que
recorten su obituario cuando ya no estén.
05:08
And second:
Y segundo:
05:12
"help."
"Ayuda".
05:15
We uncovered, many lessons
from lives well-led,
Hemos descubierto muchas
lecciones de vida bien dirigida
05:18
and what those people immortalized
in print could teach us.
y lo que esas personas inmortalizadas
en prensa pueden enseñarnos.
05:21
The exercise was a fascinating testament
to the kaleidoscope that is life,
El ejercicio fue un testimonio fascinante
y calidoscopio de lo que es la vida,
05:24
and even more fascinating
y aún más fascinante
05:29
was the fact that the overwhelming
majority of obituaries
fue el hecho de que
la inmensa mayoría de los obituarios
05:32
featured people famous and non-famous,
que aparecen de
personas famosas y no famosas,
05:35
who did seemingly extraordinary things.
hicieron cosas
aparentemente extraordinarias.
05:38
They made a positive dent
in the fabric of life.
Hicieron mella positiva
en el tejido de la vida.
05:41
They helped.
Ayudaron.
05:44
So ask yourselves as you go
back to your daily lives:
Así que pregúntense
al volver a sus vidas diarias:
05:46
How am I using my talents to help society?
¿Cómo uso mis talentos
para ayudar a la sociedad?
05:49
Because the most powerful lesson here is,
Pues la más poderosa lección aquí es,
05:52
if more people lived their lives
trying to be famous in death,
que si más personas vivieran sus vidas
tratando de ser famosos en la muerte,
05:55
the world would be a much better place.
el mundo sería un lugar mucho mejor.
05:59
Thank you.
Gracias.
06:02
(Applause)
(Aplausos)
06:04
Translator:Lidia Cámara de la Fuente
Reviewer:Ciro Gomez

sponsored links

Lux Narayan - Entrepreneur
Lux Narayan is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy.

Why you should listen

Lakshmanan aka Lux Narayan mans the helm of Unmetric, a social media intelligence company that helps digital marketers, social media analysts, and content creators harness social signals to track and analyze competitive content and campaigns, and to create better content and campaigns of their own.

Prior to founding Unmetric, Narayan was a co-founder at Vembu Technologies, an online data backup company. He also helped found and volunteered at ShareMyCake, a non-profit started by his wife that focuses on encouraging children to use their birthdays to channel monetary support towards a cause of their choosing.

As Unmetric's CEO, he leads a team of 70 people distributed across the company's operations in Chennai and New York City.

Outside of work, he is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy. He enjoys reading obituaries and other non-fiction and watching documentaries with bad ratings. Narayan makes time every year for trekking in the Himalayas or scuba diving in tropical waters, and once he learns to fly, he hopes to spend more time off land than on it.

The original video is available on TED.com
sponsored links

If you need translations, you can install "Google Translate" extension into your Chrome Browser.
Furthermore, you can change playback rate by installing "Video Speed Controller" extension.

Data provided by TED.

This website is owned and operated by Tokyo English Network.
The developer's blog is here.