TEDGlobal 2010
David McCandless: The beauty of data visualization
David McCandless: La beauté de la visualisation des données
Filmed:
Readability: 4.3
3,250,094 views
David McCandless transforme des ensembles de données complexes comme les dépenses militaires mondiales, les buzz média, les mises à jour de statuts Facebook et bien plus en diagrammes beaux et pourtant simples. Il propose le design d'information comme un outil pour nous permettre de naviguer dans la surabondance d'information d'aujourd'hui, et il trouve des modèles et des connections uniques qui pourraient bien changer notre façon de voir le monde.
David McCandless - Data journalist
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
Double-click the English transcript below to play the video.
00:15
It feels like we're all suffering
0
0
2000
J'ai l'impression que nous souffrons tous
00:17
from information overload or data glut.
1
2000
3000
d'un excès d'information ou d'une surabondance de données.
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
Et la bonne nouvelle est qu'il se pourrait qu'il y ait une solution facile à cela,
00:22
and that's using our eyes more.
3
7000
2000
et c'est d'utiliser plus nos yeux.
00:24
So, visualizing information, so that we can see
4
9000
2000
Et donc, en visualisant les informations, afin de pouvoir voir
00:26
the patterns and connections that matter
5
11000
3000
les modèles et les connexions qui ont de l'importance
00:29
and then designing that information so it makes more sense,
6
14000
3000
et en designant ces informations pour qu'elles aient plus de sens,
00:32
or it tells a story,
7
17000
2000
ou qu'elles racontent une histoire,
00:34
or allows us to focus only on the information that's important.
8
19000
3000
ou nous permettre de nous concentrer seulement sur les informations qui sont importantes.
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
Sinon, les informations visualisées peuvent juste avoir l'air vraiment cool.
00:41
So, let's see.
10
26000
2000
Donc, voyons ça.
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
C'est le diagramme des milliards de dollars,
00:47
and this image arose
12
32000
2000
et cette image est née
00:49
out of frustration I had
13
34000
2000
de ma frustration
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
avec les rapports de montants de milliards de dollars dans la presse.
00:53
That is, they're meaningless without context:
15
38000
3000
C'est-à-dire, ils n'ont aucun sens hors contexte.
00:56
500 billion for this pipeline,
16
41000
2000
500 milliards pour cet oléoduc.
00:58
20 billion for this war.
17
43000
2000
20 milliards pour cette guerre.
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
Ca n'a aucun sens, donc le seul moyen de comprendre ça
01:02
is visually and relatively.
19
47000
2000
c'est visuellement et relativement.
01:04
So I scraped a load of reported figures
20
49000
2000
Donc j'ai rassemblé un tas de chiffres rapportés
01:06
from various news outlets
21
51000
2000
par différents services d'information
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
et j'ai mis les carrés à l'échelle en fonction de ces montants.
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
Et les couleurs représentent la motivation derrière l'argent.
01:14
So purple is "fighting,"
24
59000
3000
Donc le violet c'est le combat.
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
et le rouge c'est les dons d'argent, et le vert c'est les profits excessifs.
01:20
And what you can see straight away
26
65000
2000
Et ce qu'on voit tout de suite
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
c'est qu'on commence à avoir une relation différente aux chiffres.
01:24
You can literally see them.
28
69000
2000
On peut littéralement les voir.
01:26
But more importantly, you start to see
29
71000
2000
Mais ce qui est plus important, on commence à voir
01:28
patterns and connections between numbers
30
73000
2000
des modèles et des connexions entre les chiffres
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
qui autrement seraient éparpillés dans de multiples articles.
01:33
Let me point out some that I really like.
32
78000
3000
Permettez-moi de vous faire remarquer certains chiffres que j'aime vraiment.
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
C'est le revenu de l'OPEP, ce carré vert ici --
01:38
780 billion a year.
34
83000
2000
780 milliards par an.
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
Et ce petit pixel dans le coin -- trois milliards --
01:43
that's their climate change fund.
36
88000
3000
c'est leur fonds pour le changement climatique.
01:46
Americans, incredibly generous people --
37
91000
2000
Les américains, des gens incroyablement généreux --
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
plus de 300 milliards par an, donnés aux organismes caritatifs chaque année,
01:51
compared with the amount of foreign aid
39
96000
2000
comparé au montant de l'aide étrangère
01:53
given by the top 17 industrialized nations
40
98000
2000
donné par les 17 plus grands pays industrialisés
01:55
at 120 billion.
41
100000
2000
qui s'élève à 120 milliards.
01:57
Then of course,
42
102000
2000
Et puis bien sûr,
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
la guerre en Iraq, dont le coût était prévu à 60 milliards
02:01
back in 2003.
44
106000
3000
en 2003.
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
Et il a légèrement gonflé. L'Afghanistan a gonflé à présent
02:07
to 3,000 billion.
46
112000
3000
à 3 000 milliards.
02:10
So now it's great
47
115000
2000
Donc maintenant c'est génial
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
parce que maintenant nous avons cette texture, et nous pouvons y ajouter des chiffres aussi.
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
Alors nous pourrions dire, et bien, un nouveau chiffre sort .. voyons la dette africaine.
02:17
How much of this diagram do you think might be taken up
50
122000
2000
Quelle proportion pensez-vous que la dette que l'Afrique doit
02:19
by the debt that Africa owes to the West?
51
124000
2000
à l'Occident occupe sur ce diagramme?
02:21
Let's take a look.
52
126000
2000
Jetons un coup d'oeil.
02:23
So there it is:
53
128000
2000
Voilà.
02:25
227 billion is what Africa owes.
54
130000
2000
227 milliards, c'est ce que l'Afrique doit.
02:27
And the recent financial crisis,
55
132000
2000
Et la récente crise financière --
02:29
how much of this diagram might that figure take up?
56
134000
2000
quelle proportion de ce diagramme cela pourrait occuper?
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
Qu'est-ce que ça a coûté au monde? Regardons ça.
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
Vlan! Je pense que c'est l'effet sonore adéquat
02:37
for that much money:
59
142000
2000
pour autant d'argent.
02:39
11,900 billion.
60
144000
4000
11 900 milliards.
02:45
So, by visualizing this information,
61
150000
2000
Donc, en visualisant ces informations,
02:47
we turned it into a landscape
62
152000
2000
nous l'avons transformé en un paysage
02:49
that you can explore with your eyes,
63
154000
2000
que vous pouvez explorer avec vos yeux,
02:51
a kind of map really, a sort of information map.
64
156000
2000
un genre de carte vraiment, une sorte de cartes d'informations.
02:53
And when you're lost in information,
65
158000
2000
Et quand vous êtes perdu dans les informations,
02:55
an information map is kind of useful.
66
160000
3000
une carte des informations est plutôt utile.
02:58
So I want to show you another landscape now.
67
163000
2000
Alors je veux vous montrer un autre paysage maintenant.
03:00
We need to imagine what a landscape
68
165000
2000
Il nous faut imaginer ce à quoi un paysage
03:02
of the world's fears might look like.
69
167000
3000
des peurs du monde pourrait ressembler.
03:05
Let's take a look.
70
170000
2000
Regardons ça.
03:07
This is Mountains Out of Molehills,
71
172000
2000
Voici des montagnes faites à partir de taupinières,
03:09
a timeline of global media panic.
72
174000
2000
une chronologie de la panique des média mondiaux.
03:11
(Laughter)
73
176000
2000
(Rires)
03:13
So, I'll label this for you in a second.
74
178000
2000
Donc je vous donnerai la légende dans une seconde.
03:15
But the height here, I want to point out,
75
180000
2000
Mais la hauteur ici, que je veux vous faire remarquer,
03:17
is the intensity of certain fears
76
182000
2000
c'est l'intensité de certaines peurs,
03:19
as reported in the media.
77
184000
2000
telles qu'elles ont été rapportées dans les média.
03:21
Let me point them out.
78
186000
2000
Permettez moi de vous les montrer.
03:23
So this, swine flu -- pink.
79
188000
4000
Alors voici la grippe H1N1 -- rose.
03:27
Bird flu.
80
192000
2000
La grippe aviaire.
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
Le SRAS -- en marron ici. Vouos vous rappelez de celui-là.
03:32
The millennium bug,
82
197000
3000
Le bug de l'an 2000 --
03:35
terrible disaster.
83
200000
2000
une terrible catastrophe.
03:37
These little green peaks
84
202000
2000
Ces petits pics verts
03:39
are asteroid collisions.
85
204000
2000
sont les collisions d'astéroïdes.
03:41
(Laughter)
86
206000
2000
(Rires)
03:43
And in summer, here, killer wasps.
87
208000
2000
Et en été, ici, les guêpes tueuses.
03:45
(Laughter)
88
210000
8000
(Rires)
03:53
So these are what our fears look like
89
218000
2000
Voilà donc à quoi ressemblent nos peurs
03:55
over time in our media.
90
220000
2000
au fil du temps dans nos média.
03:57
But what I love -- and I'm a journalist --
91
222000
2000
Mais ce que j'adore -- et je suis journaliste --
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
et ce que j'adore c'est de trouver les modèles cachés: j'adore être un détective de données.
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
Et il y a un modèle très intéressant et très bizarre caché dans ces données
04:05
that you can only see when you visualize it.
94
230000
2000
que vous ne pouvez voir que quand vous le visualisez.
04:07
Let me highlight it for you.
95
232000
2000
Permettez-moi de le mettre en évidence pour vous.
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
Vous voyez cette ligne. C'est un paysage pour les jeux vidéo violents.
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
Comme vous pouvez le voir, il y a un modèle bizarre, régulier dans les données,
04:15
twin peaks every year.
98
240000
2000
deux sommets identiques chaque année.
04:17
If we look closer, we see those peaks occur
99
242000
2000
Si vous regardez de plus près, nous voyons que ces pics se passent
04:19
at the same month every year.
100
244000
3000
le même mois de chaque année.
04:22
Why?
101
247000
2000
Pourquoi?
04:24
Well, November, Christmas video games come out,
102
249000
2000
Et bien, novembre, les jeux vidéo de Noël sortent.
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
et il se peut bien qu'il y ait une recrudescence d'inquiétude quant à leur contenu.
04:29
But April isn't a particularly massive month
104
254000
3000
Mais avril n'est pas particulièrement un mois de
04:32
for video games.
105
257000
2000
sorties massives de jeux vidéos.
04:34
Why April?
106
259000
2000
Pourquoi avril?
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
Et bien, en avril 1999 a eu lieu la fusillade de Columbine.
04:39
and since then, that fear
108
264000
2000
et depuis, cette peur
04:41
has been remembered by the media
109
266000
2000
a été rappelée dans les média
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
et trouve un écho dans l'esprit collectif petit à petit au fil de l'année.
04:45
You have retrospectives, anniversaries,
111
270000
3000
Vous avez des rétrospectives, des anniversaires,
04:48
court cases, even copy-cat shootings,
112
273000
3000
des procès, et même des fusillades similaires,
04:51
all pushing that fear into the agenda.
113
276000
3000
le tout ramenant cette peur au premier plan.
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
Et il y a un autre modèle ici aussi. Est-ce que vous le repérez?
04:56
See that gap there? There's a gap,
115
281000
2000
Vous voyez ce fossé ici? il y a un fossé,
04:58
and it affects all the other stories.
116
283000
2000
et il affecte toutes les autres histoires.
05:00
Why is there a gap there?
117
285000
2000
Pourquoi y a-til un fossé ici?
05:02
You see where it starts? September 2001,
118
287000
3000
Vous voyez où il commence? Septembre 2001,
05:05
when we had something very real
119
290000
2000
quand nous avons vécu quelque chose
05:07
to be scared about.
120
292000
2000
dont on peut avoir vraiment peur.
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
Donc j'ai été journaliste travaillant sur les données pendant environ un an,
05:12
and I keep hearing a phrase
122
297000
2000
et j'entend une expression qui revient
05:14
all the time, which is this:
123
299000
3000
tout le temps, et c'est:
05:17
"Data is the new oil."
124
302000
2000
"les données sont le nouveau pétrole."
05:19
Data is the kind of ubiquitous resource
125
304000
3000
Et les données sont une sorte de ressource omniprésente
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
que nous pouvons façonner pour fournir de nouvelles innovations et de nouveaux aperçus,
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
et elles sont tout autour de nous, et nous pouvons les exploiter très facilement.
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
et ce n'est pas particulièrement une super métaphore en ce moment
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
surtout si vous vivez près du Golfe du Mexique,
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
mais je voudrais peut-être adapter légèrement cette métaphone,
05:36
and I would say that data is the new soil.
131
321000
3000
et je dirais que les données sont le nouveau terreau.
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
Parce que pour moi, c'est comme un média fertile et créatif
05:43
Over the years, online,
133
328000
2000
Vous savez, au fil des ans, en ligne,
05:45
we've laid down
134
330000
3000
nous avons déposé
05:48
a huge amount of information and data,
135
333000
2000
une quantité énorme d'informations et de données,
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
et nous les irriguons avec des réseaux et de la connectivité,
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
et des travailleurs non rémunérés et les gouvernements les ont travaillées et labourées.
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
Et d'accord, je tire un peu sur la métaphore.
05:58
But it's a really fertile medium,
139
343000
3000
Mais c'est vraiment un média fertile,
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
et j'ai l'impression que les visualisations, l'infographie, les visualisations de données,
06:04
they feel like flowers blooming from this medium.
141
349000
3000
sont comme des fleurs qui s'épanouissent à partir de ce média.
06:07
But if you look at it directly,
142
352000
2000
Mais si vous les regardez directement,
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
ce ne sont que des chiffres et des faits décousus.
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
Mais si vous commencez à travailler avec et à jouer avec d'une certaine façon,
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
des choses intéressantes peuvent apparaître et différents modèles peuvent être révélés.
06:17
Let me show you this.
146
362000
2000
Permettez-moi de vous montrer ceci.
06:19
Can you guess what this data set is?
147
364000
3000
Pouvez-vous deviner ce que disent ces données?
06:22
What rises twice a year,
148
367000
2000
Qu'est-ce qui s'élève deux fois par an,
06:24
once in Easter
149
369000
2000
une fois à Pâques
06:26
and then two weeks before Christmas,
150
371000
2000
et ensuite deux semaines avant Noël,
06:28
has a mini peak every Monday,
151
373000
2000
a un tout petit pic tous les lundis
06:30
and then flattens out over the summer?
152
375000
2000
et retombe pendant l'été.
06:32
I'll take answers.
153
377000
2000
J'attends vos réponses.
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(Public: Le chocolat.) David McCandless: Le chocolat.
06:36
You might want to get some chocolate in.
155
381000
3000
Il faudrait peut-être amener du chocolat.
06:39
Any other guesses?
156
384000
2000
D'autres réponses?
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
Public: le shopping) DM: Le shopping.
06:43
Yeah, retail therapy might help.
158
388000
3000
Oui, la thérapie par le commerce de détail, ça aide.
06:46
(Audience: Sick leave.)
159
391000
2000
(Public: Les arrêts maladie)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
DM: Les arrêts maladie. Oui, vous voulez définitivement vous reposer.
06:50
Shall we see?
161
395000
2000
Voulez-vous que nous voyons ça?
06:53
(Laughter)
162
398000
8000
(Rires)
07:01
(Applause)
163
406000
3000
(Applaudissements)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
Donc, les informations ici, Lee Baron et moi-même,
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
nous avons récolté 10 000 mises à jour de statuts facebook
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
pour l'expression "rupture" et "rompu"
07:12
and this is the pattern we found --
167
417000
2000
et voilà le modèle que nous avons trouvé --
07:14
people clearing out for Spring Break,
168
419000
2000
les gens font le ménage aux vacances de printemps,
07:16
(Laughter)
169
421000
5000
(Rires)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
reviennent de très mauvais weekends le lundi,
07:23
being single over the summer,
171
428000
3000
qu'ils sont célibataires en été.
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
Et puis le jours le plus bas de l'année, bien sûr : le jour de Noël.
07:29
Who would do that?
173
434000
3000
Qui ferait ça?
07:32
So there's a titanic amount of data out there now,
174
437000
2000
Il y a donc une quantité titanesque de données là-dehors en ce moment,
07:34
unprecedented.
175
439000
2000
comme il n'y a jamais eu.
07:37
But if you ask the right kind of question,
176
442000
2000
Mais si vous posez les bonnes questions,
07:39
or you work it in the right kind of way,
177
444000
2000
ou si vous y travaillez de la bonne façon,
07:41
interesting things can emerge.
178
446000
3000
des choses intéressantes peuvent émerger.
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
Donc les informations sont belles. Les données sont belles.
07:47
I wonder if I could make my life beautiful.
180
452000
3000
Je me demande si je pourrais rendre ma vie belle.
07:50
And here's my visual C.V.
181
455000
2000
Et voici mon CV visuel.
07:52
I'm not quite sure I've succeeded.
182
457000
2000
Je ne suis pas sûr d'avoir réussi.
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
Un peu trop monobloc, les couleurs ne sont pas super.
07:56
But I wanted to convey something to you.
184
461000
3000
Mais je voulais vous communiquer quelque chose.
07:59
I started as a programmer,
185
464000
2000
J'ai débuté comme programmeur,
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
et puis j'ai travaillé comme écrivain pendant de nombreuses années, environ 20 ans,
08:03
in print, online and then in advertising,
187
468000
2000
dans l'édition, en ligne puis dans la publicité.
08:05
and only recently have I started designing.
188
470000
3000
et c'est seulement récemment que je me suis lancé dans le design.
08:08
And I've never been to design school.
189
473000
2000
Et je n'ai jamais étudié le design,
08:10
I've never studied art or anything.
190
475000
3000
je n'ai jamais étudié l'art ou quoi que ce soit.
08:13
I just kind of learned through doing.
191
478000
2000
J'ai dans un sens appris en faisant.
08:15
And when I started designing,
192
480000
2000
Et quand je me suis lancé dans le design,
08:17
I discovered an odd thing about myself.
193
482000
2000
j'ai découvert une chose étrange à propos de moi-même.
08:19
I already knew how to design,
194
484000
2000
Je savais déjà faire du design,
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
mais ce n'était pas comme si j'étais étonnamment excellent
08:24
but more like I was sensitive
196
489000
2000
mais plus comme si j'étais sensible
08:26
to the ideas of grids and space
197
491000
2000
aux notions de grilles et d'espace
08:28
and alignment and typography.
198
493000
2000
d'alignement et de typographie.
08:30
It's almost like being exposed
199
495000
2000
C'est presque comme si d'être exposé
08:32
to all this media over the years
200
497000
2000
à tous ces médias au fil des ans
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
avait instillé en moi une sorte de connaissance dormante du design.
08:37
And I don't feel like I'm unique.
202
502000
2000
Et je n'ai pas l'impression d'être unique.
08:39
I feel that everyday, all of us now
203
504000
2000
j'ai l'impression que chaque jour, nous tous à présent
08:41
are being blasted by information design.
204
506000
3000
sommes bombardés de design d'information.
08:44
It's being poured into our eyes through the Web,
205
509000
2000
On le déverse dans nos yeux par le Web,
08:46
and we're all visualizers now;
206
511000
2000
et nous sommes tous des visualiseurs à présent ;
08:48
we're all demanding a visual aspect
207
513000
2000
nous exigeons tous un aspect visuel
08:50
to our information.
208
515000
3000
pour nos informations.
08:53
There's something almost quite magical about visual information.
209
518000
3000
Et il y a quelque chose de presque magique dans les informations visuelles.
08:56
It's effortless, it literally pours in.
210
521000
3000
Elles ne demandent pas d'effort; elles se déversent littéralement en nous.
08:59
And if you're navigating a dense information jungle,
211
524000
3000
Et si vous naviguez dans une jungle dense d'informations,
09:02
coming across a beautiful graphic
212
527000
2000
tomber sur un beau graphique
09:04
or a lovely data visualization,
213
529000
2000
ou sur une jolie visualisation de données,
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
c'est un soulagement, c'est comme tomber sur une clairière dans la jungle.
09:09
I was curious about this, so it led me
215
534000
2000
Et j'étais curieux de cela, et ça m'a conduit
09:11
to the work of a Danish physicist
216
536000
2000
au travail d'un physicien danois
09:13
called Tor Norretranders,
217
538000
2000
qui s'appelle Tor Norretranders,
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
et il a convertit la bande passante des sens en termes informatiques.
09:19
So here we go. This is your senses,
219
544000
2000
Donc allons-y. Voici vos sens,
09:21
pouring into your senses every second.
220
546000
2000
qui se déversent dans vos sens à chaque seconde.
09:23
Your sense of sight is the fastest.
221
548000
3000
Votre vue est le plus rapide de vos sens.
09:26
It has the same bandwidth as a computer network.
222
551000
3000
Il a la même bande passante qu'un réseau d'ordinateurs.
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
Puis vous avez le toucher, qui a environ la vitesse d'une clé USB.
09:32
And then you have hearing and smell,
224
557000
2000
Et ensuite vous avez l'ouïe et l'odorat,
09:34
which has the throughput of a hard disk.
225
559000
2000
qui ont un débit de disque dur.
09:36
And then you have poor old taste,
226
561000
2000
Et vous avez le pauvre vieux goût
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
qui a le débit d'une calculette de poche.
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
Et ce petit carré dans le coin, 0,7 %,
09:44
that's the amount we're actually aware of.
229
569000
3000
c'est la quantité dont nous sommes réellement conscient.
09:47
So a lot of your vision --
230
572000
2000
Donc une grande partie de notre vision --
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
le gros des informations sont visuelles et elles se déversent en nous.
09:51
It's unconscious.
232
576000
2000
C'est inconscient.
09:53
The eye is exquisitely sensitive
233
578000
3000
Et l'oeil est délicieusement sensible
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
aux modèles dans les variations de couleur, de forme et de motifs.
09:59
It loves them, and it calls them beautiful.
235
584000
2000
Il les adore, et il les trouve belles.
10:01
It's the language of the eye.
236
586000
2000
C'est le langage de l'oeil.
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
Et si vous combinez ce langage de l'oeil avec le langage de l'esprit,
10:05
which is about words and numbers and concepts,
238
590000
3000
qui est fait de mots, de chiffres et de concepts,
10:08
you start speaking two languages simultaneously,
239
593000
3000
vous commencez à parler deux langues en même temps,
10:11
each enhancing the other.
240
596000
3000
qui s'améliorent l'une l'autre.
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
Donc vous avez l'oeil, et puis vous tombez dans les concepts.
10:17
And that whole thing -- it's two languages
242
602000
2000
Et tout ça -- ce sont deux langages qui
10:19
both working at the same time.
243
604000
2000
travaillent en même temps.
10:21
So we can use this new kind of language, if you like,
244
606000
2000
Donc nous pouvons utiliser ce nouveau genre de langage, si vous voulez,
10:23
to alter our perspective or change our views.
245
608000
3000
pour altérer nos perspectives ou changer nos points de vue.
10:26
Let me ask you a simple question
246
611000
2000
Permettez-moi de vous poser une question simple
10:28
with a really simple answer:
247
613000
2000
dont la réponse est simple.
10:30
Who has the biggest military budget?
248
615000
2000
Qui a le plus gros budget militaire?
10:32
It's got to be America, right?
249
617000
2000
Ce doit être l'Amérique, pas vrai?
10:34
Massive. 609 billion in 2008 --
250
619000
2000
Enorme, 609 milliards en 2008 --
10:36
607, rather.
251
621000
2000
607, plutôt.
10:38
So massive, in fact, that it can contain
252
623000
2000
Si énorme en fait, qu'il peut contenir
10:40
all the other military budgets in the world inside itself.
253
625000
3000
tous les autres budgets militaires du monde.
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
Miam, miam, miam, miam, miam.
10:45
Now, you can see Africa's total debt there
255
630000
2000
Maintenant, vous pouvez voir la totalité de la dette de l'Afrique ici
10:47
and the U.K. budget deficit for reference.
256
632000
2000
et le déficit budgétaire du Royaume-Uni au titre de référence.
10:49
So that might well chime
257
634000
2000
Donc cela pourrait bien intervenir
10:51
with your view that America
258
636000
2000
avec votre notion de l'Amérique
10:53
is a sort of warmongering military machine,
259
638000
3000
comme un genre de machine militaire va-t-en-guerre,
10:56
out to overpower the world
260
641000
2000
partie pour dominer le monde
10:58
with its huge industrial-military complex.
261
643000
3000
avec son énorme complexe industriel et militaire.
11:01
But is it true that America has the biggest military budget?
262
646000
3000
Mais est-ce vrai que l'Amérique a le plus gros budget militaire?
11:04
Because America is an incredibly rich country.
263
649000
2000
Parce que c'est un pays incroyablement riche.
11:06
In fact, it's so massively rich
264
651000
2000
En fait, il est si énormément riche
11:08
that it can contain the four other
265
653000
2000
qu'il peut contenir les quatre autres
11:10
top industrialized nations' economies
266
655000
2000
économies des nations les plus industrialisés
11:12
inside itself, it's so vastly rich.
267
657000
3000
il est si immensément riche.
11:15
So its military budget is bound to be enormous.
268
660000
3000
Donc son budget militaire doit être énorme.
11:18
So, to be fair and to alter our perspective,
269
663000
2000
Alors pour être juste et pour altérer notre perspective,
11:20
we have to bring in another data set,
270
665000
2000
nous devons amener un autre ensemble de données,
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
et cet ensemble de données est le PIB, ou les revenus d'un pays.
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
Qui a le plus gros budget par rapport au PIB?
11:26
Let's have a look.
273
671000
2000
Regardons ça.
11:28
That changes the picture considerably.
274
673000
3000
Voilà qui change l'image considérablement.
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
D'autres pays apparaissent auxquels vous ne pensiez peut-être pas,
11:34
and American drops into eighth.
276
679000
2000
et l'Amérique tombe à la huitième place.
11:36
Now you can also do this with soldiers.
277
681000
2000
Maintenant, on peut aussi faire ça avec les soldats.
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
Qui a le plus de soldats? C'est forcément la Chine.
11:40
Of course, 2.1 million.
279
685000
2000
Bien sûr, 2,1 millions.
11:42
Again, chiming with your view
280
687000
2000
Là encore, ça intervient avec votre idée
11:44
that China has a militarized regime
281
689000
2000
que la Chine est un régime militarisé
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
prêt à mobiliser ses énormes forces.
11:48
But of course, China has an enormous population.
283
693000
3000
Mais bien sûr, la Chine a une population énorme.
11:51
So if we do the same,
284
696000
2000
Donc si nous faisons la même chose,
11:53
we see a radically different picture.
285
698000
2000
nous voyons une image radicalement différente.
11:55
China drops to 124th.
286
700000
2000
La Chine tombe à la 124ème place.
11:57
It actually has a tiny army
287
702000
2000
Elle a en fait une toute petite armée
11:59
when you take other data into consideration.
288
704000
3000
quand vous prenez les données en considération.
12:02
So, absolute figures, like the military budget,
289
707000
2000
Donc, les chiffres absolus, comme le budget de l'armée,
12:04
in a connected world,
290
709000
2000
dans un monde connecté,
12:06
don't give you the whole picture.
291
711000
2000
ne vous donnent pas toute l'image.
12:08
They're not as true as they could be.
292
713000
2000
Ils ne sont pas aussi vrais qu'ils pourraient l'être.
12:10
We need relative figures that are connected to other data
293
715000
3000
Il nous faut des chiffres relatifs qui soient connectés à d'autres données
12:13
so that we can see a fuller picture,
294
718000
2000
pour que nous puissions voir une image plus complète,
12:15
and then that can lead to us changing our perspective.
295
720000
2000
et ensuite cela peut conduire à changer notre point de vue.
12:17
As Hans Rosling, the master,
296
722000
2000
Comme Hans Rosling, le maître,
12:19
my master, said,
297
724000
3000
mon maître, a dit,
12:22
"Let the dataset change your mindset."
298
727000
3000
"Laissez l'ensemble des données changer votre façon de voir les choses."
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
Et si ça marche, peut-être que ça peut aussi changer votre comportement.
12:29
Take a look at this one.
300
734000
2000
Regardez celle-là.
12:31
I'm a bit of a health nut.
301
736000
2000
Je suis un peu un fana de la santé.
12:33
I love taking supplements and being fit,
302
738000
3000
J'adore prendre des compléments alimentaires et rester en forme,
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
mais je ne comprend jamais ce qui se passe en termes de preuves.
12:39
There's always conflicting evidence.
304
744000
2000
Il ya toujours des preuves contradictoires.
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
Devrais-je prendre de la vitamine C? Devrais-je prendre du jus d'herbe de blé?
12:43
This is a visualization of all the evidence
306
748000
2000
Voici une visualisation de toutes les preuves
12:45
for nutritional supplements.
307
750000
2000
qui concernent les compléments alimentaires.
12:47
This kind of diagram is called a balloon race.
308
752000
3000
Ce genre de diagramme s'appelle une course de ballons
12:50
So the higher up the image,
309
755000
2000
Donc plus on monte dans l'image,
12:52
the more evidence there is for each supplement.
310
757000
3000
plus il y a de preuve pour chaque complément.
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
Et les bulles correspondent à la popularité telle qu'elle ressort des résultats Google.
12:58
So you can immediately apprehend
312
763000
3000
Donc vous voyez immédiatement
13:01
the relationship between efficacy and popularity,
313
766000
3000
la relation entre l'efficacité et la popularité,
13:04
but you can also, if you grade the evidence,
314
769000
3000
mais vous pouvez aussi, si vous classez les preuves,
13:07
do a "worth it" line.
315
772000
2000
établir une sorte de ligne de ce qui vaut le coup.
13:09
So supplements above this line are worth investigating,
316
774000
3000
Et donc les compléments au dessus de cette ligne valent la peine qu'on s'y intéresse,
13:12
but only for the conditions listed below,
317
777000
3000
mais seulement dans les conditions listées en dessous.
13:15
and then the supplements below the line
318
780000
3000
Et ensuite les compléments en dessous de la ligne
13:18
are perhaps not worth investigating.
319
783000
2000
ne valent peut-être pas la peine qu'on s'y intéresse.
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
Maintenant, cette image constitue un travail énorme.
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
Nous avons collect 1000 études de PubMed,
13:26
the biomedical database,
322
791000
2000
la base de données biomédicale,
13:28
and we compiled them and graded them all.
323
793000
3000
et nous les avons compilées et classées.
13:31
And it was incredibly frustrating for me
324
796000
2000
Et c'était incroyablement frustrant pour moi
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
parce que j'avais un livre de 250 visualisations à faire,
13:36
and I spent a month doing this,
326
801000
2000
et j'ai passé un mois là-dessus,
13:38
and I only filled two pages.
327
803000
2000
et je n'ai rempli que deux pages.
13:40
But what it points to
328
805000
2000
Mais ce que ça met en évidence
13:42
is that visualizing information like this
329
807000
2000
c'est que visualiser les informations de cette façon
13:44
is a form of knowledge compression.
330
809000
2000
est une forme de compression de connaissance.
13:46
It's a way of squeezing an enormous amount
331
811000
2000
C'est une façon de tasser une énorme quantité
13:48
of information and understanding
332
813000
2000
d'informations et de compréhension
13:50
into a small space.
333
815000
2000
dans un petit espace.
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
Et une fois que vous avez organisé ces données, et une fois que vous avez nettoyé ces donénes,
13:54
and once it's there,
335
819000
2000
et une fois que c'est là,
13:56
you can do cool stuff like this.
336
821000
2000
vous pouvez faire des trucs sympas comme ça.
13:58
So I converted this into an interactive app,
337
823000
2000
Donc j'ai converti ça en une application interactive,
14:00
so I can now generate this application online --
338
825000
2000
et je peux générer cette application en ligne --
14:02
this is the visualization online --
339
827000
2000
voici la visualisation en ligne --
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
et je peux dire, "Oui, génial."
14:06
So it spawns itself.
341
831000
2000
Et donc il s'auto-génère.
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
Et ensuite je peux dire, "Et bien, montre moi
14:10
that affects heart health."
343
835000
2000
ce qui affecte la santé du coeur."
14:12
So let's filter that out.
344
837000
2000
Alors, filtrons ça.
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
Donc on filtre ce qui a trait au coeur, et si je veux savoir ça.
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
Je pense, "Non, non, je ne veux pas prendre de produits de synthèse.
14:19
I just want to see plants and --
347
844000
3000
je veux juste voir les plantes et --
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
montre moi seulement les herbes et les plantes. J'ai tous les ingrédients naturels."
14:25
Now this app is spawning itself
349
850000
2000
Et cette application s'autogénère
14:27
from the data.
350
852000
2000
à partir des données.
14:29
The data is all stored in a Google Doc,
351
854000
2000
Les données sont toutes stockées dans un document Google.
14:31
and it's literally generating itself from that data.
352
856000
3000
et elle s'autogénère à partir de ces données.
14:34
So the data is now alive; this is a living image,
353
859000
2000
Donc ces données sont vivantes; c'est une image vivante,
14:36
and I can update it in a second.
354
861000
2000
et je peux la mettre à jour en une seconde.
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
De nouvelles preuves apparaissent -- je change simplement une ligne dans le tableau.
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
Vlan! A nouveau, l'image se recrée toute seule.
14:44
So it's cool.
357
869000
2000
Donc c'est sympa.
14:46
It's kind of living.
358
871000
3000
Elle est vivante.
14:49
But it can go beyond data,
359
874000
2000
Mais ça peut aller au delà des données,
14:51
and it can go beyond numbers.
360
876000
2000
et ça peut aller au delà des chiffres.
14:53
I like to apply information visualization
361
878000
2000
Et j'aime appliquer la visualisation d'informations
14:55
to ideas and concepts.
362
880000
3000
à des idées et des concepts.
14:58
This is a visualization
363
883000
2000
Voici une visualisation
15:00
of the political spectrum,
364
885000
2000
du spectre politique,
15:02
an attempt for me to try
365
887000
2000
pour tenter de comprendre
15:04
and understand how it works
366
889000
2000
comment ça fonctionne
15:06
and how the ideas percolate down
367
891000
2000
et comment les idées passent
15:08
from government into society and culture,
368
893000
2000
du gouvernement à la société et la culture,
15:10
into families, into individuals, into their beliefs
369
895000
3000
aux familles, aux individus, à leurs croyances
15:13
and back around again in a cycle.
370
898000
3000
et reviennent au gouvernement dans un cycle.
15:16
What I love about this image
371
901000
2000
Ce que j'aime dans cette image
15:18
is it's made up of concepts,
372
903000
2000
c'est quelle est faite de concepts,
15:20
it explores our worldviews
373
905000
2000
elle explore nos visions du monde
15:22
and it helps us -- it helps me anyway --
374
907000
2000
et elle nous aide -- elle m'aide de toute façon --
15:24
to see what others think,
375
909000
2000
à voir ce que les autres pensent,
15:26
to see where they're coming from.
376
911000
2000
pour voir d'où ils viennent.
15:28
And it feels just incredibly cool to do that.
377
913000
3000
Et c'est super de faire ça.
15:31
What was most exciting for me
378
916000
3000
Et le plus excitant pour moi
15:34
designing this
379
919000
2000
en concevant cette visualisation,
15:36
was that, when I was designing this image,
380
921000
2000
c'était que pendant que je concevais cette image,
15:38
I desperately wanted this side, the left side,
381
923000
3000
je voulais désespérément que ce côté, le côté gauche,
15:41
to be better than the right side --
382
926000
2000
soit meilleur que le côté droit --
15:43
being a journalist, a Left-leaning person --
383
928000
3000
car je suis un genre de journaliste, une personne avec une sensibilité de gauche --
15:46
but I couldn't, because I would have created
384
931000
2000
mais je ne pouvais pas, parce que j'aurais créé
15:48
a lopsided, biased diagram.
385
933000
3000
un diagramme faussé et bancal.
15:51
So, in order to really create a full image,
386
936000
3000
Donc pour créer vraiment une image complète,
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
j'ai dû honorer les perspectives du côté droit
15:57
and at the same time, uncomfortably recognize
388
942000
3000
et en même temps, j'ai reconnu avec un certain malaise
16:00
how many of those qualities were actually in me,
389
945000
3000
combien de ces qualités étaient en fait en moi,
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
ce qui était très, très ennuyeux et inconfortable.
16:05
(Laughter)
391
950000
4000
(Rires)
16:09
But not too uncomfortable,
392
954000
2000
Mais pas trop inconfortable,
16:11
because there's something unthreatening
393
956000
3000
parce qu'il y a quelque chose qui n'est pas menaçant
16:14
about seeing a political perspective,
394
959000
2000
dans le fait de voir une perspective politique.
16:16
versus being told or forced to listen to one.
395
961000
3000
versus être obligé d'en écouter une.
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
C'est en fait -- vous êtes capable de tenir des points de vue divergeants
16:22
joyously when you can see them.
397
967000
2000
joyeusement, quand vous les voyez.
16:24
It's even fun to engage with them
398
969000
2000
C'est même amusant de s'y confronter
16:26
because it's visual.
399
971000
2000
parce que c'est visuel.
16:28
So that's what's exciting to me,
400
973000
2000
Alors voilà ce qui est excitant pour moi,
16:30
seeing how data can change my perspective
401
975000
2000
de voir comment les données changent ma perpective
16:32
and change my mind midstream --
402
977000
2000
et changent le centre de mes pensées
16:34
beautiful, lovely data.
403
979000
3000
de belles et jolies données.
16:38
So, just to wrap up,
404
983000
2000
Donc pour finir,
16:40
I wanted to say
405
985000
2000
je voulais dire
16:42
that it feels to me that design is about solving problems
406
987000
2000
que j'ai l'impression que le design est sur le point de résoudre des problèmes
16:44
and providing elegant solutions,
407
989000
3000
et de fournir des solutions élégantes.
16:47
and information design is about
408
992000
2000
Et le design des informations
16:49
solving information problems.
409
994000
2000
est là pour résoudre les problèmes d'information.
16:51
It feels like we have a lot of information problems
410
996000
2000
Et il semble que nous ayons beaucoup de problèmes d'information,
16:53
in our society at the moment,
411
998000
2000
dans notre société en ce moment,
16:55
from the overload and the saturation
412
1000000
2000
depuis la surcharge et la saturation
16:57
to the breakdown of trust and reliability
413
1002000
2000
jusqu'à l'effondrement de la confiance et de la fiabilité
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
et le scepticisme effréné et le manque de transparence,
17:01
or even just interestingness.
415
1006000
2000
ou même simplement l'intérêt.
17:03
I mean, I find information just too interesting.
416
1008000
2000
Je veux dire, je trouve les informations trop intéresantes.
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
Elles ont une qualité magnétique qui m'attire.
17:09
So, visualizing information
418
1014000
2000
Alors, visualiser les informations
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
peut nous donner une solution très rapide à ce genre de problèmes.
17:14
Even when the information is terrible,
420
1019000
2000
Et même quand les informations sont terribles,
17:16
the visual can be quite beautiful.
421
1021000
3000
le visuel peut être beau.
17:19
Often we can get clarity
422
1024000
3000
Et souvent on peut obtenir de la clarté
17:22
or the answer to a simple question very quickly,
423
1027000
2000
ou la réponse à une question simple très rapidement.
17:24
like this one,
424
1029000
2000
comme celle-ci,
17:26
the recent Icelandic volcano.
425
1031000
3000
le récent volcan islandais.
17:29
Which was emitting the most CO2?
426
1034000
2000
Qui émettait le plus de CO2?
17:31
Was it the planes or the volcano,
427
1036000
2000
Est-ce que c'était les avions ou le volcan,
17:33
the grounded planes or the volcano?
428
1038000
2000
les avions cloués au sol ou le volcan?
17:35
So we can have a look.
429
1040000
2000
Alors nous pouvons voir ça.
17:37
We look at the data and we see:
430
1042000
2000
Nous regardons les données et nous voyons,
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
oui, le volcan a émis 150 000 tonnes;
17:41
the grounded planes would have emitted
432
1046000
2000
les avions au sol auraient émis
17:43
345,000 if they were in the sky.
433
1048000
3000
345 000 tonnes si ils avaient été dans le ciel.
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
Doc essentiellement, nous avons eu notre premier volcan à empreinte carbone neutre.
17:49
(Laughter)
435
1054000
2000
(Rires)
17:51
(Applause)
436
1056000
9000
(Applaudissements)
18:00
And that is beautiful. Thank you.
437
1065000
3000
Et c'est beau. Merci.
18:03
(Applause)
438
1068000
8000
(Applaudissements)
ABOUT THE SPEAKER
David McCandless - Data journalistDavid McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world.
Why you should listen
David McCandless makes infographics -- simple, elegant ways to see information that might be too complex or too big, small, abstract or scattered to otherwise be grasped. In his new book, Information Is Beautiful (in the US, it's being called The Visual Miscellaneum), McCandless and his cadre of info designers take a spin through the world of visualized data, from hard stats on politics and climate to daffy but no less important trends in pop music.
McCandless' genius is not so much in finding jazzy new ways to show data -- the actual graphics aren't the real innovation here -- as in finding fresh ways to combine datasets to let them ping and prod each other. Reporting the number of drug deaths in the UK every year is interesting; but mapping that data onto the number of drug deaths reported by the UK press, broken down by drug, is utterly fascinating (more deaths by marijuana were reported than in fact occurred, by a factor of 484%). McCandless contributes a monthly big-think graphic to the Guardian's Data Blog, and makes viral graphics for his blog Information Is Beautiful.
David McCandless | Speaker | TED.com