TEDGlobal 2010
David McCandless: The beauty of data visualization
David McCandless: Az adatvizualizáció szépsége
Filmed:
Readability: 4.3
3,250,094 views
David McCandless összetett adathalmazokat, mint a világ katonai kiadásai, média hírek, Facebook állapotváltozások szép, mégis egyszerű diagramokká alakít. Az információ ábrázolást tartja a mai adatáradatban az eligazodás eszközének, ami által egyéni mintázatokat és kapcsolatokat fedezhetünk fel, így talán a világot is másként látnánk.
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
Úgy tűnik mindannyian szenvedünk
00:17
from information overload or data glut.
1
2000
3000
az információ vagy adat túláradattól.
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
És a jó hír az, hogy létezik erre egy egyszerű megoldás,
00:22
and that's using our eyes more.
3
7000
2000
ami a szemünket jobban kihasználja.
00:24
So, visualizing information, so that we can see
4
9000
2000
Tehát információ vizualizálás, hogy láthassuk
00:26
the patterns and connections that matter
5
11000
3000
a fontos mintázatokat és kapcsolatokat
00:29
and then designing that information so it makes more sense,
6
14000
3000
és aztán a megjelenítés során érthetőbb lesz
00:32
or it tells a story,
7
17000
2000
vagy egy egész történetet mond el,
00:34
or allows us to focus only on the information that's important.
8
19000
3000
vagy lehetővé teszi, hogy csak a fontos adatokra összpontosítsunk.
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
Ha más nem, legalább jól néz ki.
00:41
So, let's see.
10
26000
2000
Tehát nézzük.
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
Ez a Milliárd-Dollár-Diagram,
00:47
and this image arose
12
32000
2000
ami azért született
00:49
out of frustration I had
13
34000
2000
mert nagyon idegesített
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
a sajtóban megjelenő sok milliárdot említő hír.
00:53
That is, they're meaningless without context:
15
38000
3000
Önmagukban értelmetlenek.
00:56
500 billion for this pipeline,
16
41000
2000
500 milliárd erre a csővezetékre.
00:58
20 billion for this war.
17
43000
2000
20 milliárd erre a háborúra.
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
Ennek így semmi értelme, ahhoz hogy megértsük
01:02
is visually and relatively.
19
47000
2000
vizuálisan és relatívan kell ábrázolnunk.
01:04
So I scraped a load of reported figures
20
49000
2000
Összeszedtem jópár ilyen jelentést
01:06
from various news outlets
21
51000
2000
különböző hírforrásokból
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
és a bennük szereplő összeggel arányos méretű dobozzal ábrázoltam őket.
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
A színek pedig a mögöttük rejlő motivációt jelentik.
01:14
So purple is "fighting,"
24
59000
3000
A lila a harc,
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
a piros a jótékonyság, a zöld pedig a befektetés.
01:20
And what you can see straight away
26
65000
2000
És ami azonnal látszik,
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
hogy máris máshogyan látjuk ezeket a számokat.
01:24
You can literally see them.
28
69000
2000
Szó szerint látjuk őket.
01:26
But more importantly, you start to see
29
71000
2000
De még fontosabb, hogy mindenféle
01:28
patterns and connections between numbers
30
73000
2000
rendszert és kapcsolatot fedezhetünk fel a számok között,
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
ami a szétszóródott hírek alapján nem ismerhető fel.
01:33
Let me point out some that I really like.
32
78000
3000
Hadd mutassak néhányat, amik nekem nagyon tetszenek.
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
Ez a zöld doboz az OPEC bevétele -
01:38
780 billion a year.
34
83000
2000
780 milliárd évente.
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
És ez a kis pont a sarokban - 3 milliárd -
01:43
that's their climate change fund.
36
88000
3000
ez a klímaváltozás alapjuk.
01:46
Americans, incredibly generous people --
37
91000
2000
Az amerikaiak, nagyon bőkezű emberek -
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
évente több mint 300 milliárdot szánnak jótékonysági célokra,
01:51
compared with the amount of foreign aid
39
96000
2000
összehasonlítva a külföldi segítséggel
01:53
given by the top 17 industrialized nations
40
98000
2000
amit a 17 legfejlettebb nemzet ad
01:55
at 120 billion.
41
100000
2000
120 milliárd.
01:57
Then of course,
42
102000
2000
És természetesen
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
az iraki háború, csak 60 milliárdra becsülték a költségét
02:01
back in 2003.
44
106000
3000
2003-ban.
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
Kissé megnőtt. Afganisztán most
02:07
to 3,000 billion.
46
112000
3000
3000 milliárdnál tart.
02:10
So now it's great
47
115000
2000
Ez így nagyszerű,
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
mert megvan ez a minta és hozzá is adhatunk további számokat.
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
Tehát amikor egy újabb jelentés kerül elő... legyen az afrikai adósság,
02:17
How much of this diagram do you think might be taken up
50
122000
2000
Ennek a diagramnak mekkora részét fedheti le az
02:19
by the debt that Africa owes to the West?
51
124000
2000
afrikai adósság, amivel a nyugati országoknak tartozik?
02:21
Let's take a look.
52
126000
2000
Nézzük meg.
02:23
So there it is:
53
128000
2000
Hát itt van.
02:25
227 billion is what Africa owes.
54
130000
2000
227 milliárd, amivel Afrika tartozik.
02:27
And the recent financial crisis,
55
132000
2000
És a legújabb gazdasági válság -
02:29
how much of this diagram might that figure take up?
56
134000
2000
mekkora részét fedheti le a diagramnak?
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
Mennyibe került a világnak? Nézzük meg.
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
Dusss. Azt hiszem ez a megfelelő hanghatás
02:37
for that much money:
59
142000
2000
ennyi pénz láttán.
02:39
11,900 billion.
60
144000
4000
11.900 milliárd.
02:45
So, by visualizing this information,
61
150000
2000
Tehát az információ ilyen megjelenítésével,
02:47
we turned it into a landscape
62
152000
2000
egy tájképpé alakíthattuk,
02:49
that you can explore with your eyes,
63
154000
2000
amit a szemünkkel bejárhatunk,
02:51
a kind of map really, a sort of information map.
64
156000
2000
mint egy térkép, egy információ térkép.
02:53
And when you're lost in information,
65
158000
2000
És amikor eltévedünk a sok adat között,
02:55
an information map is kind of useful.
66
160000
3000
akkor jól jön egy ilyen térkép.
02:58
So I want to show you another landscape now.
67
163000
2000
Hadd mutassak egy másik tájképet.
03:00
We need to imagine what a landscape
68
165000
2000
Képzeljük el hogyan nézne ki
03:02
of the world's fears might look like.
69
167000
3000
a világ félelem tájképe.
03:05
Let's take a look.
70
170000
2000
Nézzük meg.
03:07
This is Mountains Out of Molehills,
71
172000
2000
Bolhából elefánt,
03:09
a timeline of global media panic.
72
174000
2000
a globális média keltette pánik idővonala.
03:11
(Laughter)
73
176000
2000
(Nevetés)
03:13
So, I'll label this for you in a second.
74
178000
2000
Egy pillanat és megmagyarázom mi micsoda.
03:15
But the height here, I want to point out,
75
180000
2000
De a csúcsok magassága
03:17
is the intensity of certain fears
76
182000
2000
az bizonyos félelmek intenzitása,
03:19
as reported in the media.
77
184000
2000
amikről a média beszámol.
03:21
Let me point them out.
78
186000
2000
Nézzük egyesével.
03:23
So this, swine flu -- pink.
79
188000
4000
Ez a sertés influenza - a rózsaszín.
03:27
Bird flu.
80
192000
2000
Madárinfluenza.
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
SARS - ez a barnás. Emlékszünk rá.
03:32
The millennium bug,
82
197000
3000
Az ezredforduló -
03:35
terrible disaster.
83
200000
2000
hatalmas katasztrófa.
03:37
These little green peaks
84
202000
2000
Ezek a kis zöld csúcsok
03:39
are asteroid collisions.
85
204000
2000
aszteroida ütközések.
03:41
(Laughter)
86
206000
2000
(Nevetés)
03:43
And in summer, here, killer wasps.
87
208000
2000
És nyáron, itt, gyilkos darazsak.
03:45
(Laughter)
88
210000
8000
(Nevetés)
03:53
So these are what our fears look like
89
218000
2000
Tehát így néznek ki a félelmeink
03:55
over time in our media.
90
220000
2000
ahogy a médiában megjelenik.
03:57
But what I love -- and I'm a journalist --
91
222000
2000
De ami nekem tetszik - és újságíró vagyok -
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
ami tetszik, az a rejtett minták felfedezése; szeretek adat nyomozó lenni.
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
És egy nagyon érdekes és furcsa dolog van ezekben az adatokban elrejtve
04:05
that you can only see when you visualize it.
94
230000
2000
amit csak akkor látunk, ha ábrázoljuk.
04:07
Let me highlight it for you.
95
232000
2000
Hadd mutassam meg.
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
Itt ez a vonal. Ez az erőszakos videó játékokat jelöli.
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
Ahogy az ábrán látszik, valamiféle rendszer fedezhető fel benne,
04:15
twin peaks every year.
98
240000
2000
minden évben két csúcs.
04:17
If we look closer, we see those peaks occur
99
242000
2000
Ha közelebbről megnézzük, látjuk, hogy hol vannak,
04:19
at the same month every year.
100
244000
3000
minden évben ugyanazok a hónapok.
04:22
Why?
101
247000
2000
Miért?
04:24
Well, November, Christmas video games come out,
102
249000
2000
Jó, november, a karácsonyi videó játékok megjelenése,
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
amikor lehet is egy kis aggodalom a tartalmuk miatt.
04:29
But April isn't a particularly massive month
104
254000
3000
De április nem egy erős hónap
04:32
for video games.
105
257000
2000
a videó játékok szempontjából.
04:34
Why April?
106
259000
2000
Miért április?
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
1999 áprilisában volt a Columbine iskolai mészárlás,
04:39
and since then, that fear
108
264000
2000
és azóta, arról a félelemről
04:41
has been remembered by the media
109
266000
2000
minden évben megemlékezik a média
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
és vissza-visszatér a gondolatokba egész évben.
04:45
You have retrospectives, anniversaries,
111
270000
3000
Vannak megemlékezések, évfordulók,
04:48
court cases, even copy-cat shootings,
112
273000
3000
bírósági esetek, imitált gyilkosságok,
04:51
all pushing that fear into the agenda.
113
276000
3000
amik mind félelmet keltenek.
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
És van itt még egy rejtett minta is. Megtaláljuk?
04:56
See that gap there? There's a gap,
115
281000
2000
Látjuk ott azt a szakadékot? Van ott egy űr,
04:58
and it affects all the other stories.
116
283000
2000
ami az összes többi történetet befolyásolja.
05:00
Why is there a gap there?
117
285000
2000
Miért van ez itt?
05:02
You see where it starts? September 2001,
118
287000
3000
Látjuk mikor kezdődik? 2001. szeptember,
05:05
when we had something very real
119
290000
2000
amikor nagyon is valós okunk volt
05:07
to be scared about.
120
292000
2000
a félelemre.
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
Adat újságíróként dolgozom kb. egy éve,
05:12
and I keep hearing a phrase
122
297000
2000
és gyakran hallok egy kifejezést
05:14
all the time, which is this:
123
299000
3000
újra és újra, ami így hangzik:
05:17
"Data is the new oil."
124
302000
2000
"Az adat az új olaj"
05:19
Data is the kind of ubiquitous resource
125
304000
3000
Az adat olyan forrás, ami mindenütt jelen van
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
és úgy alakíthatjuk, hogy további felfedezésekre vezessen,
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
és mindenütt ott van körülöttünk, nagyon könnyen "kibányászható".
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
Ez nem egy túl jó hasonlat manapság,
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
különösen ha valaki a Mexikói öböl környékén él
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
de egy kicsit módosítanám a hasonlatot,
05:36
and I would say that data is the new soil.
131
321000
3000
és azt mondanám, hogy az adat az új talaj.
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
Mert én úgy látom, mint egy termékeny, kreatív közeget.
05:43
Over the years, online,
133
328000
2000
Az évek során az interneten
05:45
we've laid down
134
330000
3000
elhelyeztünk
05:48
a huge amount of information and data,
135
333000
2000
nagyon sok információt és adatot,
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
amiket hálózatokkal és kapcsolatokkal öntözünk,
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
és fizetetlen munkások és a kormány műveli.
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
Jó, egy kicsit kiforgatom a hasonlatot.
05:58
But it's a really fertile medium,
139
343000
3000
De ez valóban egy nagyon termékeny közeg
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
és a vizualizációk, információs ábrák, adat ábrázolások
06:04
they feel like flowers blooming from this medium.
141
349000
3000
ezek az ebből nyíló virágok.
06:07
But if you look at it directly,
142
352000
2000
De ha közvetlenül megnézzük,
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
ez csupán rengeteg szám és összefüggéstelen tény.
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
De ha egy bizonyos módon elkezdünk vele dolgozni és játszani,
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
akkor érdekes dolgok jelenhetnek meg és ábrázolódnak ki.
06:17
Let me show you this.
146
362000
2000
Hadd mutassam meg ezt.
06:19
Can you guess what this data set is?
147
364000
3000
Ki tudjuk találni mi látható ezen az ábrán?
06:22
What rises twice a year,
148
367000
2000
Mi az ami évente kétszer megnő,
06:24
once in Easter
149
369000
2000
egyszer húsvétkor
06:26
and then two weeks before Christmas,
150
371000
2000
és aztán két héttel karácsony előtt,
06:28
has a mini peak every Monday,
151
373000
2000
minden hétfőn egy kisebb csúcsot ér el
06:30
and then flattens out over the summer?
152
375000
2000
és aztán nyáron egészen ellaposodik.
06:32
I'll take answers.
153
377000
2000
Várom a válaszokat.
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(Közönség: csokoládé) David McCandless: csokoládé.
06:36
You might want to get some chocolate in.
155
381000
3000
Lehet, hogy csokira vágyik.
06:39
Any other guesses?
156
384000
2000
Más tipp?
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
(Közönség: bevásárlás) DM: bevásárlás.
06:43
Yeah, retail therapy might help.
158
388000
3000
Igen, vásárlási terápia segíthet.
06:46
(Audience: Sick leave.)
159
391000
2000
(Közönség: betegszabadság)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
DM: Betegszabadság. Egyértelműen szabadságra akar menni.
06:50
Shall we see?
161
395000
2000
Eláruljam?
06:53
(Laughter)
162
398000
8000
(Nevetés)
07:01
(Applause)
163
406000
3000
(Taps)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
Tehát az itt látható információt Lee Byron és én
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
szedtük össze 10.000 Facebook állapotfrissítés alapján
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
azokra a kifejezésekre keresve, hogy "szakítás", "szakított"
07:12
and this is the pattern we found --
167
417000
2000
és ezt a mintát találtuk -
07:14
people clearing out for Spring Break,
168
419000
2000
az emberek kitakarítanak a tavaszi szünetre,
07:16
(Laughter)
169
421000
5000
(Nevetés)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
nagyon rossz hétvégéknek vetnek véget hétfőnként,
07:23
being single over the summer,
171
428000
3000
egyedülállók a nyár folyamán.
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
Aztán persze az egész év során a legrosszabb nap: karácsony.
07:29
Who would do that?
173
434000
3000
Ki tenne akkor ilyet?
07:32
So there's a titanic amount of data out there now,
174
437000
2000
Tehát rengeteg adat terjed,
07:34
unprecedented.
175
439000
2000
egyedül álló módon.
07:37
But if you ask the right kind of question,
176
442000
2000
De ha a jó kérdést tesszük fel,
07:39
or you work it in the right kind of way,
177
444000
2000
vagy jól dolgozzuk fel,
07:41
interesting things can emerge.
178
446000
3000
érdekes dolgok jöhetnek ki belőle.
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
Az információ gyönyörű. Az adat gyönyörű.
07:47
I wonder if I could make my life beautiful.
180
452000
3000
Kíváncsi vagyok rá, hogy én magamat elő tudom-e adni ilyen szépen.
07:50
And here's my visual C.V.
181
455000
2000
Itt van az én vizuális önéletrajzom.
07:52
I'm not quite sure I've succeeded.
182
457000
2000
Nem vagyok benne biztos, hogy jól sikerült.
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
Elég szögletes. A színek sem túl jók.
07:56
But I wanted to convey something to you.
184
461000
3000
De valamit megmutatnék.
07:59
I started as a programmer,
185
464000
2000
Programozóként kezdtem,
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
aztán sokáig íróként dolgoztam, kb. 20 évig,
08:03
in print, online and then in advertising,
187
468000
2000
nyomtatásban, online, aztán reklámokban,
08:05
and only recently have I started designing.
188
470000
3000
és csak az utóbbi időben fordultam a design felé.
08:08
And I've never been to design school.
189
473000
2000
Soha nem jártam tervező iskolába.
08:10
I've never studied art or anything.
190
475000
3000
Sosem tanultam művészetet vagy bármi ilyesmit.
08:13
I just kind of learned through doing.
191
478000
2000
Csak a gyakorlat során tanultam bele.
08:15
And when I started designing,
192
480000
2000
És amikor elkezdtem tervezni,
08:17
I discovered an odd thing about myself.
193
482000
2000
egy érdekes dolgot fedeztem fel magamban.
08:19
I already knew how to design,
194
484000
2000
Tudtam hogyan kell csinálni,
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
de nem voltam benne túl jó,
08:24
but more like I was sensitive
196
489000
2000
hanem sokkal inkább érzékeny voltam
08:26
to the ideas of grids and space
197
491000
2000
a táblázatok és terek kihasználására
08:28
and alignment and typography.
198
493000
2000
az összehangolásra és a typográfiára.
08:30
It's almost like being exposed
199
495000
2000
Ez olyan, mintha a sok média anyag,
08:32
to all this media over the years
200
497000
2000
aminek az évek során ki voltam téve
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
belémnevelt egy rejtett tervezési érzéket.
08:37
And I don't feel like I'm unique.
202
502000
2000
És nem gondolom, hogy egyedül vagyok ezzel.
08:39
I feel that everyday, all of us now
203
504000
2000
Szerintem minden nap, mindannyian
08:41
are being blasted by information design.
204
506000
3000
ki vagyunk téve az információ megjelenésnek.
08:44
It's being poured into our eyes through the Web,
205
509000
2000
A szemünk elé ömlik a weben keresztül
08:46
and we're all visualizers now;
206
511000
2000
és ma már mindannyian vizuálisan gondolkozunk;
08:48
we're all demanding a visual aspect
207
513000
2000
mindannyian igényeljük a látható megjelenítését
08:50
to our information.
208
515000
3000
az információnak.
08:53
There's something almost quite magical about visual information.
209
518000
3000
És van valami varázslatos a látható információval kapcsolatban.
08:56
It's effortless, it literally pours in.
210
521000
3000
Nem igényel erőforrást, egyszerűen csak áramlik.
08:59
And if you're navigating a dense information jungle,
211
524000
3000
És ha az információ sűrű dzsungelében próbálunk áthaladni
09:02
coming across a beautiful graphic
212
527000
2000
szembetalálkozunk egy szép ábrával
09:04
or a lovely data visualization,
213
529000
2000
vagy egy jó adat vizualizációval,
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
megkönnyebbülünk és olyan mintha a dzsungelben egy tisztásra érnénk.
09:09
I was curious about this, so it led me
215
534000
2000
És ez engem nagyon kíváncsivá tett, és elvezetett
09:11
to the work of a Danish physicist
216
536000
2000
egy dán fizikus,
09:13
called Tor Norretranders,
217
538000
2000
Tor Norretranders munkájához,
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
aki az érzékelés különböző fajtáit számítástechnikai kifejezéseknek feleltette meg.
09:19
So here we go. This is your senses,
219
544000
2000
Itt van. Ezek az érzékeink,
09:21
pouring into your senses every second.
220
546000
2000
minden másodpercben ennyi árad a különböző érzékeink felé.
09:23
Your sense of sight is the fastest.
221
548000
3000
A látásunk a leggyorsabb.
09:26
It has the same bandwidth as a computer network.
222
551000
3000
Olyan a sávszélessége, mint egy számítógépes hálózatnak.
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
Aztán a tapintás, aminek sebessége olyan, mint egy USB meghajtó.
09:32
And then you have hearing and smell,
224
557000
2000
Aztán a hallás és szaglás,
09:34
which has the throughput of a hard disk.
225
559000
2000
ami a merevlemeznek feleltethető meg.
09:36
And then you have poor old taste,
226
561000
2000
És aztán a jó öreg ízlelés,
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
aminek átviteli sebessége kb. egy zsebszámológépnek felel meg.
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
És az a kis négyzet a sarokban, 0.7 százalék,
09:44
that's the amount we're actually aware of.
229
569000
3000
aminek ebből tudatában vagyunk.
09:47
So a lot of your vision --
230
572000
2000
Tehát a látásunk nagy része -
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
a legtöbb vizuális inger csak beáramlik.
09:51
It's unconscious.
232
576000
2000
Akaratlanul.
09:53
The eye is exquisitely sensitive
233
578000
3000
A szem ráadásul nagyon érzékeny
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
különböző mintákra, színekre, alakokra.
09:59
It loves them, and it calls them beautiful.
235
584000
2000
Szereti ezeket és szépnek nevezi.
10:01
It's the language of the eye.
236
586000
2000
Ez a szem nyelve.
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
És ha a szem nyelvét az értelem nyelvével kombináljuk,
10:05
which is about words and numbers and concepts,
238
590000
3000
ami szavakról, számokról és fogalmakról szól,
10:08
you start speaking two languages simultaneously,
239
593000
3000
akkor két nyelvet beszélünk párhuzamosan,
10:11
each enhancing the other.
240
596000
3000
egyikkel erősítve a másikat.
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
Tehát van a szemünk, és bedobjuk a fogalmakat.
10:17
And that whole thing -- it's two languages
242
602000
2000
És ez az egész - két nyelv,
10:19
both working at the same time.
243
604000
2000
amik egyszerre működnek.
10:21
So we can use this new kind of language, if you like,
244
606000
2000
Tehát használhatnánk ezt az új nyelvet, ha szeretnénk,
10:23
to alter our perspective or change our views.
245
608000
3000
hogy a látásmódunkat megváltoztassuk.
10:26
Let me ask you a simple question
246
611000
2000
Hadd tegyek fel egy egyszerű kérdést,
10:28
with a really simple answer:
247
613000
2000
amire egyszerű a válasz.
10:30
Who has the biggest military budget?
248
615000
2000
Kinek van a legmagasabb katonai költségvetése?
10:32
It's got to be America, right?
249
617000
2000
Amerika lesz az, ugye?
10:34
Massive. 609 billion in 2008 --
250
619000
2000
Egyértelmű. 609 milliárd 2008-ban -
10:36
607, rather.
251
621000
2000
inkább 607.
10:38
So massive, in fact, that it can contain
252
623000
2000
Annyira erős, hogy belefér
10:40
all the other military budgets in the world inside itself.
253
625000
3000
a világ összes többi részének katonai költségvetése.
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
Hamm, hamm, hamm.
10:45
Now, you can see Africa's total debt there
255
630000
2000
Itt van Afrika teljes adóssága
10:47
and the U.K. budget deficit for reference.
256
632000
2000
és az UK költségvetési hiánya összehasonlításként.
10:49
So that might well chime
257
634000
2000
Ez összhangban lehet azzal,
10:51
with your view that America
258
636000
2000
hogy Amerikáról azt gondoljuk,
10:53
is a sort of warmongering military machine,
259
638000
3000
hogy egy háborúra uszító, katonai gép,
10:56
out to overpower the world
260
641000
2000
ami át akarja venni a világuralmat
10:58
with its huge industrial-military complex.
261
643000
3000
a hatalmas, ipari-katonai fejlettségével.
11:01
But is it true that America has the biggest military budget?
262
646000
3000
De igaz ez, hogy Amerikának van a legmagasabb katonai költségvetése?
11:04
Because America is an incredibly rich country.
263
649000
2000
Mert ez egy nagyon gazdag ország.
11:06
In fact, it's so massively rich
264
651000
2000
Valójában annyira gazdag,
11:08
that it can contain the four other
265
653000
2000
hogy magában tudná foglalni az őt követő négy
11:10
top industrialized nations' economies
266
655000
2000
legfejlettebb nemzet gazdaságát,
11:12
inside itself, it's so vastly rich.
267
657000
3000
ennyire gazdag.
11:15
So its military budget is bound to be enormous.
268
660000
3000
Tehát a katonai költségvetésének is nagynak kell lennie.
11:18
So, to be fair and to alter our perspective,
269
663000
2000
Ahhoz, hogy igazságos legyen és a látásmódunk megváltozzon,
11:20
we have to bring in another data set,
270
665000
2000
egy másik adathalmazt is be kell vonnunk,
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
ami a GDP, azaz egy ország bevétele.
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
Kinek van a GDP-hez képest arányosan a legmagasabb költségvetése?
11:26
Let's have a look.
273
671000
2000
Nézzük meg.
11:28
That changes the picture considerably.
274
673000
3000
Ez egészen átalakítja a képet.
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
Olyan országok is bejönnek a képbe, amire nem is gondoltunk volna,
11:34
and American drops into eighth.
276
679000
2000
és Amerika csak a nyolcadik helyre esik vissza.
11:36
Now you can also do this with soldiers.
277
681000
2000
Ezt a katonákkal is meg lehet tenni.
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
Kinek van a legnagyobb hadserege? Természetesen Kínának.
11:40
Of course, 2.1 million.
279
685000
2000
Persze, 2.1 millió katona.
11:42
Again, chiming with your view
280
687000
2000
És ez megint egybecseng az elképzelésünkkel arról,
11:44
that China has a militarized regime
281
689000
2000
hogy Kína egy katonai ország,
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
aki készen áll arra, hogy mozgósítsa hatalmas katonai erőforrásait.
11:48
But of course, China has an enormous population.
283
693000
3000
De természetesen, Kínának hatalmas a népessége is.
11:51
So if we do the same,
284
696000
2000
Tehát ha ugyanúgy megnézzük,
11:53
we see a radically different picture.
285
698000
2000
egészen más képet kapunk.
11:55
China drops to 124th.
286
700000
2000
Kína a 124. helyre esik vissza.
11:57
It actually has a tiny army
287
702000
2000
Tulajdonképpen egészen kicsi hadserege van
11:59
when you take other data into consideration.
288
704000
3000
ha más adatokat is figyelembe veszünk.
12:02
So, absolute figures, like the military budget,
289
707000
2000
Tehát az abszolút ábrázolások, mint a katonai költségvetés,
12:04
in a connected world,
290
709000
2000
egy összekapcsolt világban,
12:06
don't give you the whole picture.
291
711000
2000
nem a teljes képet mutatják.
12:08
They're not as true as they could be.
292
713000
2000
Nem azt az igazságot ábrázolják, amit lehetne.
12:10
We need relative figures that are connected to other data
293
715000
3000
Relatív ábrázolások kellenek, más adatokkal összefüggésben
12:13
so that we can see a fuller picture,
294
718000
2000
hogy teljesebb képet kaphassunk,
12:15
and then that can lead to us changing our perspective.
295
720000
2000
ami aztán megváltoztathatja a nézőpontunkat.
12:17
As Hans Rosling, the master,
296
722000
2000
Ahogy Hans Rosling mester,
12:19
my master, said,
297
724000
3000
az én mesterem mondta
12:22
"Let the dataset change your mindset."
298
727000
3000
"Az adathalmaz változtassa meg a gondolkodásmódodat"
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
És ha ez sikerül, akkor talán a viselkedésedet is megváltoztathatja.
12:29
Take a look at this one.
300
734000
2000
Nézzük ezt.
12:31
I'm a bit of a health nut.
301
736000
2000
Kicsit egészség őrült vagyok.
12:33
I love taking supplements and being fit,
302
738000
3000
Szeretek odafigyelni arra, hogy fitt legyek és táplálékkiegészítőket szedjek,
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
de sosem értem, hogy mit milyen bizonyíték támaszt alá.
12:39
There's always conflicting evidence.
304
744000
2000
Mindig vannak egymásnak ellentmondó tények.
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
Szedjek C vitamint? Egyek búzafüvet?
12:43
This is a visualization of all the evidence
306
748000
2000
Ez az összes érv ábrázolása
12:45
for nutritional supplements.
307
750000
2000
a táplálékkiegészítőkre vonatkozóan.
12:47
This kind of diagram is called a balloon race.
308
752000
3000
Ezt a fajta diagramot léggömb versenynek hívjuk.
12:50
So the higher up the image,
309
755000
2000
Minél magasabban van egy gömb,
12:52
the more evidence there is for each supplement.
310
757000
3000
annál több érv szól az egyes kiegészítők mellett.
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
A gömbök a Google találatok alapján a népszerűségüknek felelnek meg.
12:58
So you can immediately apprehend
312
763000
3000
Azonnal láthatjuk
13:01
the relationship between efficacy and popularity,
313
766000
3000
a hatásosság és a népszerűség közötti kapcsolatot,
13:04
but you can also, if you grade the evidence,
314
769000
3000
de azt is, hogy ha osztályozzuk az érveket,
13:07
do a "worth it" line.
315
772000
2000
akkor húzhatunk egy "megéri" vonalat.
13:09
So supplements above this line are worth investigating,
316
774000
3000
És a vonal fölé eső kiegészítőket érdemes megvizsgálni,
13:12
but only for the conditions listed below,
317
777000
3000
de csak a lent felsorolt feltételek szerint.
13:15
and then the supplements below the line
318
780000
3000
A vonal alá eső anyagok
13:18
are perhaps not worth investigating.
319
783000
2000
valószínűleg nem érdemelnek további vizsgálódást.
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
Ez az ábra rengeteg munkát tartalmaz.
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
Kb. 1000 tanulmányt szedtünk össze a PubMed-ből
13:26
the biomedical database,
322
791000
2000
az orvosbiológiai adatbázisból,
13:28
and we compiled them and graded them all.
323
793000
3000
amiket lefordítottunk és osztályoztunk.
13:31
And it was incredibly frustrating for me
324
796000
2000
És ez nagyon fárasztó volt,
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
mert 250 ábrát kellett volna elkészítenem a könyvemhez
13:36
and I spent a month doing this,
326
801000
2000
és egy hónapig ezen dolgoztam,
13:38
and I only filled two pages.
327
803000
2000
ami csak két oldalt tölt be.
13:40
But what it points to
328
805000
2000
De amire ez rámutat
13:42
is that visualizing information like this
329
807000
2000
az az, hogy ha így ábrázoljuk az információt,
13:44
is a form of knowledge compression.
330
809000
2000
akkor ez egy tudás tömörítés.
13:46
It's a way of squeezing an enormous amount
331
811000
2000
Hatalmas mennyiségű információ
13:48
of information and understanding
332
813000
2000
kifacsarása és megértése
13:50
into a small space.
333
815000
2000
nagyon kis méretre.
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
És ha egyszer összeszedtük és megtisztítottuk az adatokat,
13:54
and once it's there,
335
819000
2000
ha ezek megvannak,
13:56
you can do cool stuff like this.
336
821000
2000
akkor ilyen nagyszerű dolgokat készíthetünk.
13:58
So I converted this into an interactive app,
337
823000
2000
Átalakítottam ezt egy interaktív alkalmazássá,
14:00
so I can now generate this application online --
338
825000
2000
úgyhogy mostmár online legenerálhatom -
14:02
this is the visualization online --
339
827000
2000
ez az online vizualizáció -
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
és azt mondhatom, "Hűha, ez igen"
14:06
So it spawns itself.
341
831000
2000
Létrehozza saját magát.
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
Nekem meg csak annyit kell mondanom, hogy "Mutasd meg
14:10
that affects heart health."
343
835000
2000
mi járul hozzá a szív egészségéhez."
14:12
So let's filter that out.
344
837000
2000
Szűrjük ki ezt.
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
Tehát a szívet kiszűrjük, ha arra vagyunk kíváncsiak.
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
Aztán azt mondom, "Nem szeretnék semmi mesterséges anyagot.
14:19
I just want to see plants and --
347
844000
3000
Csak növényi anyagot -
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
mutass csak gyógynövényeket és növényeket. Csak a természetes összetevőket."
14:25
Now this app is spawning itself
349
850000
2000
Létrehozza magát az alkalmazás
14:27
from the data.
350
852000
2000
az adatokból.
14:29
The data is all stored in a Google Doc,
351
854000
2000
Az összes adat egy Google dokumentumban van,
14:31
and it's literally generating itself from that data.
352
856000
3000
és szó szerint abból generálja magát.
14:34
So the data is now alive; this is a living image,
353
859000
2000
Az adat életre kelt, ez egy élő kép,
14:36
and I can update it in a second.
354
861000
2000
amit egy másodperc alatt frissíthetek.
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
Újabb érvek látnak napvilágot - Csak egy sort kell átírnom a táblázatban.
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
Dusss! Ismét, a kép létrehozza saját magát.
14:44
So it's cool.
357
869000
2000
Elég jó.
14:46
It's kind of living.
358
871000
3000
Mintha élne.
14:49
But it can go beyond data,
359
874000
2000
Felülmúlhatja az adatokat,
14:51
and it can go beyond numbers.
360
876000
2000
felülmúlhatja a számokat.
14:53
I like to apply information visualization
361
878000
2000
Szeretem az információ vizualizálást
14:55
to ideas and concepts.
362
880000
3000
gondolatokra és fogalmakra alkalmazni.
14:58
This is a visualization
363
883000
2000
Ez egy ábra
15:00
of the political spectrum,
364
885000
2000
a politikai palettáról,
15:02
an attempt for me to try
365
887000
2000
azért, hogy mepróbáljam
15:04
and understand how it works
366
889000
2000
megérteni hogyan működik
15:06
and how the ideas percolate down
367
891000
2000
és hogy az elméletek hogyan szivárognak le
15:08
from government into society and culture,
368
893000
2000
a kormányzattól a társadalomba, kultúrába,
15:10
into families, into individuals, into their beliefs
369
895000
3000
családokba, egyénekbe, az ő gondolkodásukba
15:13
and back around again in a cycle.
370
898000
3000
és újra vissza.
15:16
What I love about this image
371
901000
2000
Ami nekem tetszik ezen az ábrán,
15:18
is it's made up of concepts,
372
903000
2000
hogy fogalmakból épül fel,
15:20
it explores our worldviews
373
905000
2000
a világnézetünket fedezi fel
15:22
and it helps us -- it helps me anyway --
374
907000
2000
és segít - nekem legalábbis -
15:24
to see what others think,
375
909000
2000
látni, hogy mások mit gondolnak,
15:26
to see where they're coming from.
376
911000
2000
honnan jönnek.
15:28
And it feels just incredibly cool to do that.
377
913000
3000
És ez nagyon jó érzés.
15:31
What was most exciting for me
378
916000
3000
És ami nekem a legérdekesebb
15:34
designing this
379
919000
2000
ebben,
15:36
was that, when I was designing this image,
380
921000
2000
hogy amikor ezt az ábrát készítettem
15:38
I desperately wanted this side, the left side,
381
923000
3000
nagyon szerettem volna, ha ez az oldal, a bal oldal,
15:41
to be better than the right side --
382
926000
2000
jobb lesz mint a jobb oldal -
15:43
being a journalist, a Left-leaning person --
383
928000
3000
újságíróként, balra hajló ember vagyok -
15:46
but I couldn't, because I would have created
384
931000
2000
de nem sikerült, mert akkor egy
15:48
a lopsided, biased diagram.
385
933000
3000
aránytalan, ferde diagramot kellett volna készítenem.
15:51
So, in order to really create a full image,
386
936000
3000
Tehát azért, hogy tényleg teljes képet kapjunk,
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
tiszteletben kellett tartanom a jobb oldal nézőpontját
15:57
and at the same time, uncomfortably recognize
388
942000
3000
és ugyanakkor, kissé kényelmetlenül felismernem
16:00
how many of those qualities were actually in me,
389
945000
3000
hogy azoknak az értékeknek nagy része bennem van,
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
ami nagyon-nagyon idegesítő és kényelmetlen volt.
16:05
(Laughter)
391
950000
4000
(Nevetés)
16:09
But not too uncomfortable,
392
954000
2000
De nem túlságosan kényelmetlen,
16:11
because there's something unthreatening
393
956000
3000
mert van valami megnyugtató abban,
16:14
about seeing a political perspective,
394
959000
2000
hogy látjuk a politikai nézőpontokat
16:16
versus being told or forced to listen to one.
395
961000
3000
anélkül, hogy beszélnének róla, vagy meg kéne hallgatnunk.
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
Tulajdonképpen - képviselhetünk ellentétes nézőpontokat
16:22
joyously when you can see them.
397
967000
2000
örömmel, amikor látjuk őket.
16:24
It's even fun to engage with them
398
969000
2000
Még vicces is lehet,
16:26
because it's visual.
399
971000
2000
mert látványos.
16:28
So that's what's exciting to me,
400
973000
2000
Tehát ez az ami nekem nagyon érdekes,
16:30
seeing how data can change my perspective
401
975000
2000
látni hogy az adatok hogyan változtatják meg a nézőpontomat
16:32
and change my mind midstream --
402
977000
2000
és a gondolkodásomat -
16:34
beautiful, lovely data.
403
979000
3000
gyönyörű, szép adatok.
16:38
So, just to wrap up,
404
983000
2000
Összefoglalva,
16:40
I wanted to say
405
985000
2000
annyit akartam elmondani,
16:42
that it feels to me that design is about solving problems
406
987000
2000
hogy a design különböző feladatok megoldásáról szól
16:44
and providing elegant solutions,
407
989000
3000
és az elegáns megoldás biztosításáról.
16:47
and information design is about
408
992000
2000
Az információ design pedig
16:49
solving information problems.
409
994000
2000
az információ feladatok megoldásáról.
16:51
It feels like we have a lot of information problems
410
996000
2000
És úgy tűnik, hogy ebből nagyon sok van
16:53
in our society at the moment,
411
998000
2000
jelenleg a társadalmunkban,
16:55
from the overload and the saturation
412
1000000
2000
a túltelítettségtől kezdve
16:57
to the breakdown of trust and reliability
413
1002000
2000
a megbízhatóság hiányáig
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
és a túlzott szkeptikusság és átláthatóság hiányáig,
17:01
or even just interestingness.
415
1006000
2000
vagy egyszerűen csak az érdekesség miatt.
17:03
I mean, I find information just too interesting.
416
1008000
2000
Azaz, szerintem az információ nagyon érdekes.
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
Valami mágneses erővel vonz.
17:09
So, visualizing information
418
1014000
2000
Tehát az információ ábrázolása
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
gyors megoldást adhat minden ilyen problémára.
17:14
Even when the information is terrible,
420
1019000
2000
Még akkor is, ha az információ önmagában borzasztó,
17:16
the visual can be quite beautiful.
421
1021000
3000
az ábrázolás lehet szép.
17:19
Often we can get clarity
422
1024000
3000
És gyakran tisztázódhatnak a dolgok
17:22
or the answer to a simple question very quickly,
423
1027000
2000
vagy gyorsan választ kaphatunk egyszerű kérdésekre,
17:24
like this one,
424
1029000
2000
mint például
17:26
the recent Icelandic volcano.
425
1031000
3000
a mostani izlandi vulkánnal kapcsolatban.
17:29
Which was emitting the most CO2?
426
1034000
2000
Mi bocsát ki több szén-dioxidot?
17:31
Was it the planes or the volcano,
427
1036000
2000
A repülők vagy a vulkán,
17:33
the grounded planes or the volcano?
428
1038000
2000
a földön maradt repülők vagy a vulkán?
17:35
So we can have a look.
429
1040000
2000
Nézzük meg.
17:37
We look at the data and we see:
430
1042000
2000
Ránézünk az adatokra és látjuk,
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
igen, a vulkán 150.000 tonnát bocsátott ki;
17:41
the grounded planes would have emitted
432
1046000
2000
a repülők pedig 345.000 tonnát
17:43
345,000 if they were in the sky.
433
1048000
3000
bocsátottak volna ki, ha repültek volna.
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
Tehát, ez az első szén-semleges vulkánunk.
17:49
(Laughter)
435
1054000
2000
(Nevetés)
17:51
(Applause)
436
1056000
9000
(Taps)
18:00
And that is beautiful. Thank you.
437
1065000
3000
És ez gyönyörű. Köszönöm.
18:03
(Applause)
438
1068000
8000
(Taps)
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