TEDxNewYork
Ben Wellington: How we found the worst place to park in New York City -- using big data
Ben Wellington: Cómo se encontró el peor lugar para estacionar en Nueva York con datos masivos
Filmed:
Readability: 3.7
1,055,247 views
Las agencias estatales tienen acceso a abundante información y estadísticas que reflejan todos los aspectos de la vida urbana. Pero el analista de datos Ben Wellington sugiere en esta entretenida charla, que algunas veces no sabemos qué hacer con ellos. Él presenta cómo combinar preguntas inesperadas y agrupar información inteligente puede producir extrañas respuestas útiles, comparte consejos de cómo liberar grandes grupos de información y cómo cualquier persona puede utilizarlos.
Ben Wellington - Data scientist
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Double-click the English transcript below to play the video.
00:12
Six thousand miles of road,
0
711
2820
Unos 10 000 km de calles,
00:15
600 miles of subway track,
1
3531
2203
cerca de 1000 km de metro
00:17
400 miles of bike lanes
2
5734
1644
650 km de ciclovías
00:19
and a half a mile of tram track,
3
7378
1821
y 800 m de tranvía
00:21
if you've ever been to Roosevelt Island.
4
9199
1953
si han estado en Roosevelth Island.
00:23
These are the numbers that make up
the infrastructure of New York City.
the infrastructure of New York City.
5
11152
3334
Son los números que forman la
infraestructura de New York.
infraestructura de New York.
Son estadísticas
de nuestra infraestructura.
de nuestra infraestructura.
00:26
These are the statistics
of our infrastructure.
of our infrastructure.
6
14486
2619
Son la clase de números de los informes
de las agencias estatales
de las agencias estatales
00:29
They're the kind of numbers you can find
released in reports by city agencies.
released in reports by city agencies.
7
17105
3706
Por ejemplo, el departamento de
transporte informará de
transporte informará de
00:32
For example, the Department
of Transportation will probably tell you
of Transportation will probably tell you
8
20811
3199
cuántos km hay de carretera.
00:36
how many miles of road they maintain.
9
24010
1781
El MTA cuántos km de metro.
00:37
The MTA will boast how many miles
of subway track there are.
of subway track there are.
10
25791
2821
La mayoría de agencias
estatales nos dan estadísticas.
estatales nos dan estadísticas.
00:40
Most city agencies give us statistics.
11
28612
1807
Este es un reporte de este año
00:42
This is from a report this year
12
30419
1483
de la comisión de taxis y limusinas
00:43
from the Taxi and Limousine Commission,
13
31902
1892
donde vemos que hay
uno 13 500 taxis aquí en Nueva York.
uno 13 500 taxis aquí en Nueva York.
00:45
where we learn that there's about
13,500 taxis here in New York City.
13,500 taxis here in New York City.
14
33794
3276
Interesante, ¿cierto?
00:49
Pretty interesting, right?
15
37070
1290
¿Se han puesto a pensar
de dónde vienen estos números?
de dónde vienen estos números?
00:50
But did you ever think about
where these numbers came from?
where these numbers came from?
16
38360
2784
00:53
Because for these numbers to exist,
someone at the city agency
someone at the city agency
17
41144
2903
Para que estos números existan,
alguien en la agencia municipal
alguien en la agencia municipal
00:56
had to stop and say, hmm, here's a number
that somebody might want want to know.
that somebody might want want to know.
18
44047
3880
tuvo que pensar: "Estas cifras
pueden interesarle a alguien.
pueden interesarle a alguien.
Nuestros ciudadanos
quieren conocer estas cifras".
quieren conocer estas cifras".
00:59
Here's a number
that our citizens want to know.
that our citizens want to know.
19
47927
2250
Ellos van a la información original,
01:02
So they go back to their raw data,
20
50177
1830
cuentan, agregan, calculan
01:04
they count, they add, they calculate,
21
52007
1797
y lo ponen en informes,
01:05
and then they put out reports,
22
53804
1467
01:07
and those reports
will have numbers like this.
will have numbers like this.
23
55271
2177
y los informes tienen números como estos.
01:09
The problem is, how do they know
all of our questions?
all of our questions?
24
57448
2540
El problema es, ¿cómo saben
nuestras preguntas?
nuestras preguntas?
Tenemos muchas...
01:11
We have lots of questions.
25
59988
1243
01:13
In fact, in some ways there's literally
an infinite number of questions
an infinite number of questions
26
61231
3340
De hecho, hay literalmente
un número infinito de preguntas
un número infinito de preguntas
que podemos hacer
sobre nuestra ciudad.
sobre nuestra ciudad.
01:16
that we can ask about our city.
27
64571
1649
Las agencias no pueden seguir el paso.
01:18
The agencies can never keep up.
28
66220
1475
01:19
So the paradigm isn't exactly working,
and I think our policymakers realize that,
and I think our policymakers realize that,
29
67695
4056
El paradigma no está trabajando
correctamente y creo que ellos lo saben
correctamente y creo que ellos lo saben
01:23
because in 2012, Mayor Bloomberg
signed into law what he called
signed into law what he called
30
71751
3959
porque en 2012 el alcalde Bloomberg
firmó una ley a la que llamó
firmó una ley a la que llamó
01:27
the most ambitious and comprehensive
open data legislation in the country.
open data legislation in the country.
31
75710
3837
"La más ambiciosa legislación
de datos abiertos en el país".
de datos abiertos en el país".
01:31
In a lot of ways, he's right.
32
79547
1573
En muchos sentidos,
estaba en lo correcto.
estaba en lo correcto.
01:33
In the last two years,
the city has released 1,000 datasets
the city has released 1,000 datasets
33
81120
2861
En los últimos dos años, la ciudad
publicó mil bases de datos
publicó mil bases de datos
01:35
on our open data portal,
34
83981
1610
en nuestro portal,
01:37
and it's pretty awesome.
35
85591
1764
y es muy impresionante.
01:39
So you go and look at data like this,
36
87355
1968
Verán información como ésta,
01:41
and instead of just counting
the number of cabs,
the number of cabs,
37
89323
2289
y en lugar de solo contar
los datos de los taxis,
los datos de los taxis,
01:43
we can start to ask different questions.
38
91612
1943
podemos hacer diferentes preguntas.
01:45
So I had a question.
39
93555
1200
Yo tenía una pregunta.
01:46
When's rush hour in New York City?
40
94755
1701
¿Cuándo es la hora punta en Nueva York?
01:48
It can be pretty bothersome.
When is rush hour exactly?
When is rush hour exactly?
41
96456
2581
Es algo muy molesto.
¿Cuándo es exactamente?
¿Cuándo es exactamente?
01:51
And I thought to myself,
these cabs aren't just numbers,
these cabs aren't just numbers,
42
99037
2625
Y pensé, estos taxis no son solo números,
son grabadores de GPS cuando
transitan por las calles
transitan por las calles
01:53
these are GPS recorders
driving around in our city streets
driving around in our city streets
43
101662
2711
en cada uno de los viajes que hacen.
Hay información ahí.
Hay información ahí.
01:56
recording each and every ride they take.
44
104373
1913
01:58
There's data there,
and I looked at that data,
and I looked at that data,
45
106286
2322
Y busqué esa información,
hice un estimado del promedio
hice un estimado del promedio
02:00
and I made a plot of the average speed of
taxis in New York City throughout the day.
taxis in New York City throughout the day.
46
108608
3961
de la velocidad de los taxis
durante todo el día.
durante todo el día.
Pueden verlo desde la media noche
hasta las 5:18 de la mañana,
hasta las 5:18 de la mañana,
02:04
You can see that from about midnight
to around 5:18 in the morning,
to around 5:18 in the morning,
47
112569
3412
02:07
speed increases, and at that point,
things turn around,
things turn around,
48
115981
3563
la velocidad aumenta,
y en ese punto, las cosas cambian,
y en ese punto, las cosas cambian,
02:11
and they get slower and slower and slower
until about 8:35 in the morning,
until about 8:35 in the morning,
49
119544
3962
y bajan la velocidad más
y más hasta las 8:35 am.
y más hasta las 8:35 am.
cuando terminan a 18 km hora,
el taxi promedio va a 18 km hora
el taxi promedio va a 18 km hora
02:15
when they end up at around
11 and a half miles per hour.
11 and a half miles per hour.
50
123506
2693
02:18
The average taxi is going 11 and a half
miles per hour on our city streets,
miles per hour on our city streets,
51
126199
3562
y se mantiene así
02:21
and it turns out it stays that way
52
129761
1987
el día completo.
02:23
for the entire day.
53
131748
3368
(Risas)
02:27
(Laughter)
54
135116
1373
02:28
So I said to myself, I guess
there's no rush hour in New York City.
there's no rush hour in New York City.
55
136489
3180
Entonces, me dije,
creo que no hay hora punta de tráfico,
hay día punta.
hay día punta.
02:31
There's just a rush day.
56
139669
1537
02:33
Makes sense. And this is important
for a couple of reasons.
for a couple of reasons.
57
141206
2850
Tiene sentido. Y esto es importante
por un par de razones.
por un par de razones.
02:36
If you're a transportation planner,
this might be pretty interesting to know.
this might be pretty interesting to know.
58
144056
3637
Si son planificadores de transporte,
esto podría ser interesante.
esto podría ser interesante.
02:39
But if you want to get somewhere quickly,
59
147693
1975
Pero si quieren algo rápido,
02:41
you now know to set your alarm for
4:45 in the morning and you're all set.
4:45 in the morning and you're all set.
60
149668
3468
ahora saben programar la alarma
a las 4:45 am.
a las 4:45 am.
Nueva York, ¿correcto?
02:45
New York, right?
61
153136
1044
Pero hay una historia detrás de esto
02:46
But there's a story behind this data.
62
154180
1762
02:47
This data wasn't
just available, it turns out.
just available, it turns out.
63
155942
2185
Esta información no estaba
allí disponible, se creó.
allí disponible, se creó.
02:50
It actually came from something called
a Freedom of Information Law Request,
a Freedom of Information Law Request,
64
158127
3619
Vino de algo llamado “Solicitud
legal de libertad de información“,
legal de libertad de información“,
o una “Solicitud FOIL“.
02:53
or a FOIL Request.
65
161746
1076
Este formulario lo encuentran
02:54
This is a form you can find on the
Taxi and Limousine Commission website.
Taxi and Limousine Commission website.
66
162822
3466
la Comisión de taxis y limusinas.
Para acceder a la información,
deben pedir este formulario,
deben pedir este formulario,
02:58
In order to access this data,
you need to go get this form,
you need to go get this form,
67
166288
2826
hay que llenarlo, ellos les notificarán.
Chris Whong hizo esto
Chris Whong hizo esto
03:01
fill it out, and they will notify you,
68
169114
1846
03:02
and a guy named Chris Whong
did exactly that.
did exactly that.
69
170960
2130
Chris fue allí y le dijeron,
03:05
Chris went down, and they told him,
70
173090
1890
“Traiga un disco externo
nuevo a nuestra oficina,
nuevo a nuestra oficina,
03:06
"Just bring a brand new hard drive
down to our office,
down to our office,
71
174980
2827
déjelo y en 5 horas le copiamos la
información y se lo devolvemos",
información y se lo devolvemos",
03:09
leave it here for five hours,
we'll copy the data and you take it back."
we'll copy the data and you take it back."
72
177807
3424
y de ahí vino esta información.
03:13
And that's where this data came from.
73
181231
2032
03:15
Now, Chris is the kind of guy
who wants to make the data public,
who wants to make the data public,
74
183263
3005
Ahora Chris quiere que
la información sea pública,
la información sea pública,
y así terminó en línea
para que todos la usen.
para que todos la usen.
03:18
and so it ended up online for all to use,
and that's where this graph came from.
and that's where this graph came from.
75
186268
3784
Y el hecho de que exista es maravilloso.
Estos grabadores de GPS son geniales.
Estos grabadores de GPS son geniales.
03:22
And the fact that it exists is amazing.
These GPS recorders -- really cool.
These GPS recorders -- really cool.
76
190052
3518
Pero el hecho de que tengamos
ciudadanos
ciudadanos
03:25
But the fact that we have citizens
walking around with hard drives
walking around with hard drives
77
193570
3118
recogiendo información de las
agencias estatales y haciéndola pública...
agencias estatales y haciéndola pública...
03:28
picking up data from city agencies
to make it public --
to make it public --
78
196688
2582
era algo más o menos público,
se podía conseguir,
se podía conseguir,
03:31
it was already kind of public,
you could get to it,
you could get to it,
79
199270
2390
pero siendo “público“ no era pública.
03:33
but it was "public," it wasn't public.
80
201660
1812
Y podemos hacerlo mejor
que solo como ciudad.
que solo como ciudad.
03:35
And we can do better than that as a city.
81
203472
1962
No necesitamos que nuestros ciudadanos
vayan por ahí con discos duros.
vayan por ahí con discos duros.
03:37
We don't need our citizens
walking around with hard drives.
walking around with hard drives.
82
205434
2756
03:40
Now, not every dataset
is behind a FOIL Request.
is behind a FOIL Request.
83
208190
2337
No todos los datos
tienen una solicitud FOIL.
tienen una solicitud FOIL.
03:42
Here is a map I made with the most
dangerous intersections in New York City
dangerous intersections in New York City
84
210527
3802
Este mapa que hice muestra los
cruces más peligrosos de Nueva York
cruces más peligrosos de Nueva York
03:46
based on cyclist accidents.
85
214329
1878
basado en los accidentes de ciclistas.
03:48
So the red areas are more dangerous.
86
216207
1939
Las áreas rojas son más peligrosas.
03:50
And what it shows is first
the East side of Manhattan,
the East side of Manhattan,
87
218146
2553
Lo primero que muestra
es que en el Este de Manhattan,
es que en el Este de Manhattan,
03:52
especially in the lower area of Manhattan,
has more cyclist accidents.
has more cyclist accidents.
88
220699
3611
especialmente al sur,
hay más accidentes de ciclistas.
hay más accidentes de ciclistas.
03:56
That might make sense
89
224310
1019
Esto tendría sentido
03:57
because there are more cyclists
coming off the bridges there.
coming off the bridges there.
90
225329
2896
porque hay más ciclistas
que vienen por los puentes.
que vienen por los puentes.
04:00
But there's other hotspots worth studying.
91
228225
2014
Pero hay otros puntos.
Está Williambsburg
Está Williambsburg
04:02
There's Williamsburg.
There's Roosevelt Avenue in Queens.
There's Roosevelt Avenue in Queens.
92
230239
2669
La Avenida Roosevelth y Queens.
Esta es la clase de información
que necesitamos para Visión Cero.
que necesitamos para Visión Cero.
04:04
And this is exactly the kind of data
we need for Vision Zero.
we need for Vision Zero.
93
232908
2852
04:07
This is exactly what we're looking for.
94
235760
1990
Esto es exactamente
lo que estamos buscando.
lo que estamos buscando.
04:09
But there's a story
behind this data as well.
behind this data as well.
95
237750
2135
Pero también hay una historia
detrás de esta información.
detrás de esta información.
04:11
This data didn't just appear.
96
239885
2067
No apareció de repente
04:13
How many of you guys know this logo?
97
241952
2391
¿Cuántos de Uds. conocen este logo?
Veo algunas manos levantadas
04:16
Yeah, I see some shakes.
98
244343
1352
04:17
Have you ever tried to copy
and paste data out of a PDF
and paste data out of a PDF
99
245695
2655
¿Han probado copiar y pegar
información de un PDF y darle sentido?
información de un PDF y darle sentido?
04:20
and make sense of it?
100
248350
1357
Veo más manos levantadas.
04:21
I see more shakes.
101
249707
1060
Más han tratado de copiar y pegar que las
que reconocen el logo. Me gusta eso.
que reconocen el logo. Me gusta eso.
04:22
More of you tried copying and pasting
than knew the logo. I like that.
than knew the logo. I like that.
102
250767
3345
04:26
So what happened is, the data
that you just saw was actually on a PDF.
that you just saw was actually on a PDF.
103
254112
3510
En este caso la información
estaba realmente en un PDF.
estaba realmente en un PDF.
De hecho, en cientos y cientos
y cientos de páginas de PDF
y cientos de páginas de PDF
04:29
In fact, hundreds and hundreds
and hundreds of pages of PDF
and hundreds of pages of PDF
104
257622
3105
publicadas por el NYPD,
04:32
put out by our very own NYPD,
105
260727
2159
y para acceder a ella,
tenías que copiar y pegar
tenías que copiar y pegar
04:34
and in order to access it,
you would either have to copy and paste
you would either have to copy and paste
106
262886
3152
por cientos y cientos de horas
04:38
for hundreds and hundreds of hours,
107
266038
1726
04:39
or you could be John Krauss.
108
267764
1344
o podrías ser John Krauss.
04:41
John Krauss was like,
109
269108
1043
Johk Krauss decía
"No voy a copiar y pegar
esta información. Escribiré un programa".
esta información. Escribiré un programa".
04:42
I'm not going to copy and paste this data.
I'm going to write a program.
I'm going to write a program.
110
270151
3413
Se llama Información de
primeros auxilios NYPD,
primeros auxilios NYPD,
04:45
It's called the NYPD Crash Data Band-Aid,
111
273564
2288
04:47
and it goes to the NYPD's website
and it would download PDFs.
and it would download PDFs.
112
275852
3032
y va a la website de NPYD
para descargar PDFs.
para descargar PDFs.
04:50
Every day it would search;
if it found a PDF, it would download it
if it found a PDF, it would download it
113
278884
3126
Todo los días busca,
y si encuentra un PDF, lo descarga
y si encuentra un PDF, lo descarga
04:54
and then it would run
some PDF-scraping program,
some PDF-scraping program,
114
282010
2250
y entonces activa un programa
04:56
and out would come the text,
115
284260
1336
para extraer el texto del PDF,
y hacer mapas en internet como este.
y hacer mapas en internet como este.
04:57
and it would go on the Internet,
and then people could make maps like that.
and then people could make maps like that.
116
285596
3565
05:01
And the fact that the data's here,
the fact that we have access to it --
the fact that we have access to it --
117
289161
3429
El hecho de que la información
esté ahí, que podamos tener acceso...
esté ahí, que podamos tener acceso...
05:04
Every accident, by the way,
is a row in this table.
is a row in this table.
118
292590
2450
Todo accidente,
es una fila en esta tabla,
es una fila en esta tabla,
05:07
You can imagine how many PDFs that is.
119
295040
1836
pueden imaginar
cuántos PDFs son todo esto.
cuántos PDFs son todo esto.
05:08
The fact that we
have access to that is great,
have access to that is great,
120
296876
2207
Que podamos tener acceso
a eso es genial,
a eso es genial,
05:11
but let's not release it in PDF form,
121
299083
2110
pero no publiquemos
en formato PDF,
en formato PDF,
05:13
because then we're having our citizens
write PDF scrapers.
write PDF scrapers.
122
301193
2739
porque obligamos a los ciudadanos,
a extraer el texto de PDFs.
a extraer el texto de PDFs.
05:15
It's not the best use
of our citizens' time,
of our citizens' time,
123
303932
2076
Este no es el mejor uso del
tiempo de nuestros ciudadanos,
tiempo de nuestros ciudadanos,
05:18
and we as a city can do better than that.
124
306008
2004
como ciudad podemos
hacerlo mejor.
hacerlo mejor.
05:20
Now, the good news is that
the de Blasio administration
the de Blasio administration
125
308012
2736
La buena noticia es que
en la administración de Blasio
en la administración de Blasio
05:22
actually recently released this data
a few months ago,
a few months ago,
126
310748
2532
liberó la información
hace unos meses,
hace unos meses,
05:25
and so now we can
actually have access to it,
actually have access to it,
127
313280
2158
y ahora podemos tener
acceso a esto,
acceso a esto,
05:27
but there's a lot of data
still entombed in PDF.
still entombed in PDF.
128
315438
2536
pero hay demasiada información
que sigue en PDF.
que sigue en PDF.
05:29
For example, our crime data
is still only available in PDF.
is still only available in PDF.
129
317974
3197
Por ejemplo la información de
delitos está solo en PDF.
delitos está solo en PDF.
05:33
And not just our crime data,
our own city budget.
our own city budget.
130
321171
3755
Y no solo esta información,
sino también la del presupuesto
sino también la del presupuesto
05:36
Our city budget is only readable
right now in PDF form.
right now in PDF form.
131
324926
3729
de nuestra ciudad está
solo en formato PDF.
solo en formato PDF.
05:40
And it's not just us
that can't analyze it --
that can't analyze it --
132
328655
2141
Y no solo nosotros
no podemos analizarla,
no podemos analizarla,
05:42
our own legislators
who vote for the budget
who vote for the budget
133
330796
2955
nuestros propios legisladores
que votaron por el presupuesto
que votaron por el presupuesto
05:45
also only get it in PDF.
134
333751
1943
también lo obtienen en PDF.
05:47
So our legislators cannot analyze
the budget that they are voting for.
the budget that they are voting for.
135
335694
3844
Nuestros legisladores
no pueden analizar
no pueden analizar
el presupuesto que votaron.
05:51
And I think as a city we can do
a little better than that as well.
a little better than that as well.
136
339538
3608
Y creo que como ciudad,
podemos hacer algo mejor.
podemos hacer algo mejor.
Hay mucha información
que no está escondida en PDF.
que no está escondida en PDF.
05:55
Now, there's a lot of data
that's not hidden in PDFs.
that's not hidden in PDFs.
137
343146
2488
05:57
This is an example of a map I made,
138
345634
1700
Este es un ejemplo
de un mapa que hice,
de un mapa que hice,
05:59
and this is the dirtiest waterways
in New York City.
in New York City.
139
347334
2926
estos son los canales más sucios
en la ciudad de New York.
en la ciudad de New York.
06:02
Now, how do I measure dirty?
140
350260
1509
¿Cómo mido el nivel de contaminación?
06:03
Well, it's kind of a little weird,
141
351769
1857
Bueno, es un poco raro,
06:05
but I looked at the level
of fecal coliform,
of fecal coliform,
142
353626
2113
pero busqué niveles
de coliformes fecales
de coliformes fecales
06:07
which is a measurement of fecal matter
in each of our waterways.
in each of our waterways.
143
355739
3506
que es la medida de materia fecal
en cada uno de nuestros canales
Cuanto mayor sea el círculo
más sucia el agua;
más sucia el agua;
06:11
The larger the circle,
the dirtier the water,
the dirtier the water,
144
359245
3274
los círculos grandes son agua sucia,
los pequeños, más limpia.
los pequeños, más limpia.
06:14
so the large circles are dirty water,
the small circles are cleaner.
the small circles are cleaner.
145
362519
3357
06:17
What you see is inland waterways.
146
365876
1644
Lo que se ve son canales subterráneos.
06:19
This is all data that was sampled
by the city over the last five years.
by the city over the last five years.
147
367520
3404
Esta es toda la información de muestras
de la ciudad de los últimos 5 años
de la ciudad de los últimos 5 años
06:22
And inland waterways are,
in general, dirtier.
in general, dirtier.
148
370924
2694
Los canales subterráneos son,
en general, más sucios
en general, más sucios
06:25
That makes sense, right?
149
373618
1218
06:26
And the bigger circles are dirty.
And I learned a few things from this.
And I learned a few things from this.
150
374836
3374
Algunas enseñanzas de esto.
Número uno: nunca nades en nada
que termine en "arroyo" o "canal".
que termine en "arroyo" o "canal".
06:30
Number one: Never swim in anything
that ends in "creek" or "canal."
that ends in "creek" or "canal."
151
378210
3164
06:33
But number two: I also found
the dirtiest waterway in New York City,
the dirtiest waterway in New York City,
152
381374
4318
Pero número dos:
también encontré el canal
también encontré el canal
más sucio de la ciudad
para esta medida, una medida
para esta medida, una medida
06:37
by this measure, one measure.
153
385692
1834
06:39
In Coney Island Creek, which is not
the Coney Island you swim in, luckily.
the Coney Island you swim in, luckily.
154
387526
3648
En el arroyo Coney Island
que no es Coney Island
donde nadas, por suerte.
donde nadas, por suerte.
06:43
It's on the other side.
155
391174
1158
Está en el otro lado
06:44
But Coney Island Creek, 94 percent
of samples taken over the last five years
of samples taken over the last five years
156
392332
3878
pero allí el 94 % de las muestras que
se tomaron los últimos 5 años,
se tomaron los últimos 5 años,
06:48
have had fecal levels so high
157
396210
2157
tenían niveles fecales muy altos
06:50
that it would be against state law
to swim in the water.
to swim in the water.
158
398367
3093
que sobrepasaban lo permitido por
la ley estatal para nadar.
la ley estatal para nadar.
06:53
And this is not the kind of fact
that you're going to see
that you're going to see
159
401460
2729
Y no es el tipo de dato que se ve
06:56
boasted in a city report, right?
160
404189
1537
publicado en un informe
de la ciudad, ¿verdad?
de la ciudad, ¿verdad?
06:57
It's not going to be
the front page on nyc.gov.
the front page on nyc.gov.
161
405726
2250
No aparecerá en la página
principal de nyc.gov.
principal de nyc.gov.
06:59
You're not going to see it there,
162
407976
1580
El hecho de que podamos acceder
a esa información, es asombroso
a esa información, es asombroso
07:01
but the fact that we can get
to that data is awesome.
to that data is awesome.
163
409556
2518
Pero una vez más,
no resultó muy fácil,
no resultó muy fácil,
07:04
But once again, it wasn't super easy,
164
412074
1773
07:05
because this data was not
on the open data portal.
on the open data portal.
165
413847
2358
porque esta información no estaba
en el portal de información abierta.
en el portal de información abierta.
07:08
If you were to go to the open data portal,
166
416205
2013
Uds. podrían ver solo
parte de eso,
parte de eso,
07:10
you'd see just a snippet of it,
a year or a few months.
a year or a few months.
167
418218
2613
un año o unos meses.
Estaba en el sitio web del
departamento de protección ambiental
departamento de protección ambiental
07:12
It was actually on the Department
of Environmental Protection's website.
of Environmental Protection's website.
168
420831
3390
Cada uno de esos enlaces es
una hoja de Excel diferente.
una hoja de Excel diferente.
07:16
And each one of these links is an Excel
sheet, and each Excel sheet is different.
sheet, and each Excel sheet is different.
169
424221
3878
Cada título es diferente:
uno copia, pega, reorganiza.
uno copia, pega, reorganiza.
07:20
Every heading is different:
you copy, paste, reorganize.
you copy, paste, reorganize.
170
428099
2630
y pueden hacer mapas
y es genial, pero de nuevo,
y es genial, pero de nuevo,
07:22
When you do you can make maps
and that's great, but once again,
and that's great, but once again,
171
430729
2952
podemos hacerlo mejor;
podemos normalizar las cosas.
podemos normalizar las cosas.
07:25
we can do better than that
as a city, we can normalize things.
as a city, we can normalize things.
172
433681
2969
Estamos cerca, porque está
este sitio web de Socrata
este sitio web de Socrata
07:28
And we're getting there, because
there's this website that Socrata makes
there's this website that Socrata makes
173
436650
3384
llamado Portal de Información
abierta de Nueva York.
abierta de Nueva York.
07:32
called the Open Data Portal NYC.
174
440034
1541
Hay 1100 archivos
de información que no sufre
de información que no sufre
07:33
This is where 1,100 data sets
that don't suffer
that don't suffer
175
441575
2257
de lo que les he contado
y el número sigue creciendo, es genial.
07:35
from the things I just told you live,
176
443832
1781
07:37
and that number is growing,
and that's great.
and that's great.
177
445613
2148
Pueden descargar
información en cualquier formato,
información en cualquier formato,
07:39
You can download data in any format,
be it CSV or PDF or Excel document.
be it CSV or PDF or Excel document.
178
447761
3412
en CSV o PDF o Excel.
Pueden bajarla en cualquier formato
07:43
Whatever you want,
you can download the data that way.
you can download the data that way.
179
451173
2547
El problema es,
que una vez que lo hacen
que una vez que lo hacen
07:45
The problem is, once you do,
180
453720
1352
07:47
you will find that each agency
codes their addresses differently.
codes their addresses differently.
181
455072
3686
verán que cada agencia estatal
codifica las direcciones diferente.
codifica las direcciones diferente.
07:50
So one is street name,
intersection street,
intersection street,
182
458758
2141
Como un nombre
de una calle, un cruce,
de una calle, un cruce,
07:52
street, borough, address, building,
building address.
building address.
183
460899
2491
calle, barrio, dirección, edificio,
dirección de edificio.
dirección de edificio.
07:55
So once again, you're spending time,
even when we have this portal,
even when we have this portal,
184
463390
3180
Aún teniendo este portal,
uno pierde tiempo
normalizando los campos.
normalizando los campos.
07:58
you're spending time
normalizing our address fields.
normalizing our address fields.
185
466570
2606
Y ese no es el mejor uso
del tiempo de los ciudadanos.
del tiempo de los ciudadanos.
08:01
And that's not the best use
of our citizens' time.
of our citizens' time.
186
469176
2423
08:03
We can do better than that as a city.
187
471599
1796
Podemos hacerlo mejor como ciudad.
08:05
We can standardize our addresses,
188
473395
1645
Podemos estandarizar
nuestras direcciones,
nuestras direcciones,
08:07
and if we do,
we can get more maps like this.
we can get more maps like this.
189
475040
2185
y así hacer más mapas como este.
08:09
This is a map of fire hydrants
in New York City,
in New York City,
190
477225
2285
Este es un mapa de
los hidrantes de Nueva York
los hidrantes de Nueva York
08:11
but not just any fire hydrants.
191
479510
1531
pero solo de cada hidrante.
08:13
These are the top 250 grossing fire
hydrants in terms of parking tickets.
hydrants in terms of parking tickets.
192
481041
4726
Estos son los 250 más multados por
mal estacionamiento cerca de hidrante
mal estacionamiento cerca de hidrante
(Risas)
08:17
(Laughter)
193
485767
1986
08:19
So I learned a few things from this map,
and I really like this map.
and I really like this map.
194
487753
3358
Aprendí algunas cosas de este mapa
y me gusta este mapa.
y me gusta este mapa.
Número uno: no estacionen
en Upper East Side.
en Upper East Side.
08:23
Number one, just don't park
on the Upper East Side.
on the Upper East Side.
195
491111
2402
08:25
Just don't. It doesn't matter where
you park, you will get a hydrant ticket.
you park, you will get a hydrant ticket.
196
493513
3587
No importa dónde estacionen,
los multarán por estacionar
ante un hidrante.
ante un hidrante.
08:29
Number two, I found the two highest
grossing hydrants in all of New York City,
grossing hydrants in all of New York City,
197
497100
4153
Número dos: Los dos hidrantes
más populares en todo Nueva York
más populares en todo Nueva York
08:33
and they're on the Lower East Side,
198
501253
1886
están en Lower East Side
08:35
and they were bringing in over
55,000 dollars a year in parking tickets.
55,000 dollars a year in parking tickets.
199
503139
5098
y producen USD 55 000 anuales
en multas de estacionamiento.
en multas de estacionamiento.
Y como me pareció algo extraño
08:40
And that seemed a little strange
to me when I noticed it,
to me when I noticed it,
200
508237
2738
fui a investigar
y resultó que hay un hidrante
y resultó que hay un hidrante
08:42
so I did a little digging and it turns out
what you had is a hydrant
what you had is a hydrant
201
510975
3269
y una extensión de acera,
08:46
and then something called
a curb extension,
a curb extension,
202
514244
1996
de unos dos metros de espacio
para caminar
para caminar
08:48
which is like a seven-foot
space to walk on,
space to walk on,
203
516240
2059
08:50
and then a parking spot.
204
518299
1156
y un espacio para estacionar.
08:51
And so these cars came along,
and the hydrant --
and the hydrant --
205
519455
2254
Los autos vienen y el hidrante
--"Hay espacio no hay problema"--
08:53
"It's all the way over there, I'm fine,"
206
521709
1911
en realidad el espacio está marcado
para estacionar muy bonito.
para estacionar muy bonito.
08:55
and there was actually a parking spot
painted there beautifully for them.
painted there beautifully for them.
207
523620
3474
Estacionan, pero la Policía no está
de acuerdo con esta designación
de acuerdo con esta designación
08:59
They would park there, and the NYPD
disagreed with this designation
disagreed with this designation
208
527094
3155
y los multa.
09:02
and would ticket them.
209
530249
1058
Y no solo a mí me multaron.
09:03
And it wasn't just me
who found a parking ticket.
who found a parking ticket.
210
531307
2344
Este es el auto de
Google Street view
Google Street view
09:05
This is the Google
Street View car driving by
Street View car driving by
211
533651
2146
con la misma multa
por mal estacionamiento.
por mal estacionamiento.
09:07
finding the same parking ticket.
212
535797
1617
09:09
So I wrote about this on my blog,
on I Quant NY, and the DOT responded,
on I Quant NY, and the DOT responded,
213
537414
4504
Entonces escribí de esto en mi blog:
I Quant NY, y el DOT respondió,
I Quant NY, y el DOT respondió,
09:13
and they said,
214
541918
1020
"No habíamos recibido
ninguna queja sobre esta punto,
ninguna queja sobre esta punto,
09:14
"While the DOT has not received
any complaints about this location,
any complaints about this location,
215
542938
3410
09:18
we will review the roadway markings
and make any appropriate alterations."
and make any appropriate alterations."
216
546348
4542
revisaremos las marcas de la calle
y haremos los cambios apropiados".
y haremos los cambios apropiados".
09:22
And I thought to myself,
typical government response,
typical government response,
217
550890
2959
Y pensé para mí mismo,
típica respuesta del gobierno,
típica respuesta del gobierno,
09:25
all right, moved on with my life.
218
553849
1881
muy bien, de regreso a mi vida normal.
09:27
But then, a few weeks later,
something incredible happened.
something incredible happened.
219
555730
3970
Pero unas pocas semanas
después, algo increíble pasó.
después, algo increíble pasó.
Repintaron ese punto,
09:31
They repainted the spot,
220
559700
2520
y por un segundo pensé que había visto
el futuro de la información abierta.
el futuro de la información abierta.
09:34
and for a second I thought I saw
the future of open data,
the future of open data,
221
562220
2690
09:36
because think about what happened here.
222
564910
2000
Porque piensen en lo que pasó aquí.
09:38
For five years, this spot was being
ticketed, and it was confusing,
ticketed, and it was confusing,
223
566910
5100
Por 5 años, este punto
había sido multado y era confuso
había sido multado y era confuso
Y entonces un ciudadano encontró algo,
lo comunicó a la cuidad y en semanas
lo comunicó a la cuidad y en semanas
09:44
and then a citizen found something,
they told the city, and within a few weeks
they told the city, and within a few weeks
224
572010
4306
09:48
the problem was fixed.
225
576316
1294
el problema estaba resuelto.
09:49
It's amazing. And a lot of people
see open data as being a watchdog.
see open data as being a watchdog.
226
577610
3200
Asombroso.
Se ve la información abierta
como ser un perro guardián.
como ser un perro guardián.
09:52
It's not, it's about being a partner.
227
580810
1772
No es eso, sino de ser socios.
09:54
We can empower our citizens
to be better partners for government,
to be better partners for government,
228
582582
3138
Podemos empoderar a nuestros ciudadanos
para ser mejores socios del gobierno
para ser mejores socios del gobierno
09:57
and it's not that hard.
229
585720
1881
No es difícil.
Solo necesitamos pocos cambios.
09:59
All we need are a few changes.
230
587601
1459
10:01
If you're FOILing data,
231
589060
1107
Si ven que su información
10:02
if you're seeing your data
being FOILed over and over again,
being FOILed over and over again,
232
590167
2867
está siendo requerida legalmente
una y otra vez
una y otra vez
10:05
let's release it to the public, that's
a sign that it should be made public.
a sign that it should be made public.
233
593034
3574
libérenla al público,
esa es una señal
esa es una señal
de que debería hacerse pública.
10:08
And if you're a government agency
releasing a PDF,
releasing a PDF,
234
596608
2482
Si son de un estamento
gubernamental que publica PDFs,
gubernamental que publica PDFs,
10:11
let's pass legislation that requires you
to post it with the underlying data,
to post it with the underlying data,
235
599090
3649
aprueben una legislación que haga
que se publiquen los datos básicos
que se publiquen los datos básicos
10:14
because that data
is coming from somewhere.
is coming from somewhere.
236
602739
2028
ya que la información
proviene de algún lugar.
proviene de algún lugar.
10:16
I don't know where, but it's
coming from somewhere,
coming from somewhere,
237
604767
2482
y puede hacerse pública en PDFs.
10:19
and you can release it with the PDF.
238
607249
1725
Adoptemos y compartamos unos
estándares de información abierta
estándares de información abierta
10:20
And let's adopt and share
some open data standards.
some open data standards.
239
608974
2411
Empecemos con nuestras
direcciones de Nueva York,
direcciones de Nueva York,
10:23
Let's start with our addresses
here in New York City.
here in New York City.
240
611385
2481
normalizando
nuestras direcciones.
nuestras direcciones.
10:25
Let's just start
normalizing our addresses.
normalizing our addresses.
241
613866
2074
Porque Nueva York es un líder
en información abierta, aún así
en información abierta, aún así
10:27
Because New York is a leader in open data.
242
615940
2062
10:30
Despite all this, we are absolutely
a leader in open data,
a leader in open data,
243
618002
2789
Y si normalizamos las cosas,
y establecemos
y establecemos
un estándar para información abierta,
10:32
and if we start normalizing things,
and set an open data standard,
and set an open data standard,
244
620791
3121
otros seguirán. El estado
y tal vez el gobierno federal,
y tal vez el gobierno federal,
10:35
others will follow. The state will follow,
and maybe the federal government,
and maybe the federal government,
245
623912
3634
Es loco, pero otros países
podrían seguir el ejemplo,
podrían seguir el ejemplo,
10:39
Other countries could follow,
246
627546
1445
y no está muy lejano el día en que
se escribirá un programa
se escribirá un programa
10:40
and we're not that far off from a time
where you could write one program
where you could write one program
247
628991
3411
para mapear la información
de 100 países.
de 100 países.
10:44
and map information from 100 countries.
248
632402
1890
No es ciencia ficción.
De hecho estamos cerca.
De hecho estamos cerca.
10:46
It's not science fiction.
We're actually quite close.
We're actually quite close.
249
634292
2487
Y por cierto, ¿a quién
empoderamos con esto?
empoderamos con esto?
10:48
And by the way, who are we
empowering with this?
empowering with this?
250
636779
2240
Porque no es solo John Krauss
o Chris Whong.
o Chris Whong.
10:51
Because it's not just John Krauss
and it's not just Chris Whong.
and it's not just Chris Whong.
251
639019
3005
Hay cientos de reuniones en Nueva York
actualmente, reuniones activas
actualmente, reuniones activas
10:54
There are hundreds of meetups
going on in New York City right now,
going on in New York City right now,
252
642024
3095
10:57
active meetups.
253
645119
1025
Hay miles de personas
que asisten a estas reuniones.
que asisten a estas reuniones.
10:58
There are thousands of people
attending these meetups.
attending these meetups.
254
646144
2572
11:00
These people are going after work
and on weekends,
and on weekends,
255
648716
2368
Van después del trabajo
o los fines de semana,
o los fines de semana,
11:03
and they're attending these meetups
to look at open data
to look at open data
256
651084
2636
y participan en estas reuniones
para buscar información abierta
para buscar información abierta
11:05
and make our city a better place.
257
653720
1640
y hacer de nuestra ciudad un mejor lugar.
11:07
Groups like BetaNYC, who just last week
released something called citygram.nyc
released something called citygram.nyc
258
655360
4073
Grupos como BETANYC, que la semana
pasada liberó algo llamado citygram.nyc
pasada liberó algo llamado citygram.nyc
11:11
that allows you to subscribe
to 311 complaints
to 311 complaints
259
659433
2147
que nos permite adherirnos a 311 quejas
11:13
around your own home,
or around your office.
or around your office.
260
661580
2068
cerca de sus casas u oficinas.
11:15
You put in your address,
you get local complaints.
you get local complaints.
261
663648
2427
Pones tu dirección y aparecen
las quejas del sector
las quejas del sector
11:18
And it's not just the tech community
that are after these things.
that are after these things.
262
666075
3374
Y no solo está la comunidad
tecnológica tras estas cosas.
tecnológica tras estas cosas.
Son planeadores urbanos
como mis estudiantes en Pratt.
como mis estudiantes en Pratt.
11:21
It's urban planners like
the students I teach at Pratt.
the students I teach at Pratt.
263
669449
2622
11:24
It's policy advocates, it's everyone,
264
672071
1919
Son defensores de políticas,
son todos,
son todos,
11:25
it's citizens from a diverse
set of backgrounds.
set of backgrounds.
265
673990
2563
son ciudadanos con
diferentes antecedentes.
diferentes antecedentes.
11:28
And with some small, incremental changes,
266
676553
2786
Y con algunos pequeños
cambios incrementales,
cambios incrementales,
podemos liberar la pasión y
las capacidades de nuestros ciudadanos
las capacidades de nuestros ciudadanos
11:31
we can unlock the passion
and the ability of our citizens
and the ability of our citizens
267
679339
3225
11:34
to harness open data
and make our city even better,
and make our city even better,
268
682564
3156
para apoyar la información abierta
y hacer nuestra ciudad aún mejor
y hacer nuestra ciudad aún mejor
11:37
whether it's one dataset,
or one parking spot at a time.
or one parking spot at a time.
269
685720
3626
ya bien mediante una información
o mediante un lugar para estacionar.
o mediante un lugar para estacionar.
11:41
Thank you.
270
689346
2322
Gracias.
11:43
(Applause)
271
691668
3305
(Aplausos)
ABOUT THE SPEAKER
Ben Wellington - Data scientistBen Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data.
Why you should listen
Ben Wellington runs the I Quant NY blog, in which he crunches city-released data to find out what's really going on in the Big Apple. To date he has tackled topics such as measles outbreaks in New York City schools, analyzed how companies like Airbnb are really doing in NYC, and asked questions such as "does gentrification cause a reduction in laundromats?" (Answer: inconclusive.)
Ben is a visiting assistant professor in the City & Regional Planning program at the Pratt Institute in Brooklyn; his day job involves working as a quantitative analyst at the investment management firm, Two Sigma. A budding comedian and performer, he also teaches team building workshops through Cherub Improv, a non-profit that uses improv comedy for social good.
Ben Wellington | Speaker | TED.com