TEDxNewYork
Ben Wellington: How we found the worst place to park in New York City -- using big data
Ben Wellington: Jak znaleźliśmy najgorsze miejsce do parkowania w Nowym Jorku za pomocą danych statystycznych
Filmed:
Readability: 3.7
1,055,247 views
Miejskie agencje mają dostęp do wielu danych i statystyk obejmujących każdą część życia miasta. Ben Wellington, badacz danych pokazuje w tej prelekcji, że czasem po prostu nie wiedzą, co z nimi zrobić. Wellington demonstruje, jak połączenie niespodziewanych pytań i dobrze zorganizowanych danych może stworzyć bardzo użyteczne informacje oraz podpowiada, w jaki sposób udostępniać duże zbiory danych, aby każdy mógł ich użyć.
Ben Wellington - Data scientist
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Ben Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data. Full bio
Double-click the English transcript below to play the video.
00:12
Six thousand miles of road,
0
711
2820
Dziesięć tysięcy kilometrów dróg,
00:15
600 miles of subway track,
1
3531
2203
1000 kilometrów torów metra,
00:17
400 miles of bike lanes
2
5734
1644
650 kilometrów ścieżek rowerowych
00:19
and a half a mile of tram track,
3
7378
1821
oraz kilometr toru tramwajowego,
00:21
if you've ever been to Roosevelt Island.
4
9199
1953
jeśli ktoś był na Roosevelt Island.
00:23
These are the numbers that make up
the infrastructure of New York City.
the infrastructure of New York City.
5
11152
3334
Te liczby składają się
na infrastrukturę Nowego Jorku.
na infrastrukturę Nowego Jorku.
00:26
These are the statistics
of our infrastructure.
of our infrastructure.
6
14486
2619
Oto statystyki naszej infrastruktury.
00:29
They're the kind of numbers you can find
released in reports by city agencies.
released in reports by city agencies.
7
17105
3706
Można je znaleźć w raportach
agencji miejskich.
agencji miejskich.
Na przykład Departament Transportu
prawdopodobnie poinformuje,
prawdopodobnie poinformuje,
00:32
For example, the Department
of Transportation will probably tell you
of Transportation will probably tell you
8
20811
3199
00:36
how many miles of road they maintain.
9
24010
1781
iloma kilometrami dróg zarządza.
00:37
The MTA will boast how many miles
of subway track there are.
of subway track there are.
10
25791
2821
MTA będzie się przechwalać
długością torów metra.
długością torów metra.
00:40
Most city agencies give us statistics.
11
28612
1807
Miejskie agencje publikują statystyki.
00:42
This is from a report this year
12
30419
1483
Te są z tegorocznego raportu
00:43
from the Taxi and Limousine Commission,
13
31902
1892
Komisji Taksówek i Limuzyn.
00:45
where we learn that there's about
13,500 taxis here in New York City.
13,500 taxis here in New York City.
14
33794
3276
Można się z nich dowiedzieć,
że po mieście jeździ 13 500 taksówek.
że po mieście jeździ 13 500 taksówek.
00:49
Pretty interesting, right?
15
37070
1290
Całkiem ciekawe, prawda?
00:50
But did you ever think about
where these numbers came from?
where these numbers came from?
16
38360
2784
Ale czy zastanawialiście się,
skąd pochodzą te liczby?
skąd pochodzą te liczby?
00:53
Because for these numbers to exist,
someone at the city agency
someone at the city agency
17
41144
2903
Żeby powstały, ktoś w agencji
00:56
had to stop and say, hmm, here's a number
that somebody might want want to know.
that somebody might want want to know.
18
44047
3880
musiał uznać: "Oto liczba,
którą ktoś chciałby poznać.
którą ktoś chciałby poznać.
00:59
Here's a number
that our citizens want to know.
that our citizens want to know.
19
47927
2250
Oto liczba, którą obywatele chcą znać".
01:02
So they go back to their raw data,
20
50177
1830
Wracają więc do surowych danych,
01:04
they count, they add, they calculate,
21
52007
1797
liczą, dodają, obliczają
01:05
and then they put out reports,
22
53804
1467
i wydają raporty
01:07
and those reports
will have numbers like this.
will have numbers like this.
23
55271
2177
zawierające liczby takie, jak ta.
01:09
The problem is, how do they know
all of our questions?
all of our questions?
24
57448
2540
Skąd jednak znają wszystkie nasze pytania?
01:11
We have lots of questions.
25
59988
1243
Mamy ich mnóstwo.
01:13
In fact, in some ways there's literally
an infinite number of questions
an infinite number of questions
26
61231
3340
O naszym mieście można zadać
nieskończenie wiele pytań.
nieskończenie wiele pytań.
01:16
that we can ask about our city.
27
64571
1649
01:18
The agencies can never keep up.
28
66220
1475
Agencje nigdy by nie nadążyły.
01:19
So the paradigm isn't exactly working,
and I think our policymakers realize that,
and I think our policymakers realize that,
29
67695
4056
To nie za bardzo działa
i urzędnicy chyba o tym wiedzą.
i urzędnicy chyba o tym wiedzą.
01:23
because in 2012, Mayor Bloomberg
signed into law what he called
signed into law what he called
30
71751
3959
W 2012 roku burmistrz Bloomberg
podpisał ustawę, którą nazwał
podpisał ustawę, którą nazwał
01:27
the most ambitious and comprehensive
open data legislation in the country.
open data legislation in the country.
31
75710
3837
"najbardziej ambitnym i kompleksowym
prawodawstwem otwartych danych w kraju".
prawodawstwem otwartych danych w kraju".
01:31
In a lot of ways, he's right.
32
79547
1573
Pod wieloma względami ma rację.
01:33
In the last two years,
the city has released 1,000 datasets
the city has released 1,000 datasets
33
81120
2861
Przez dwa lata nasze miasto
umieściło 1000 zbiorów danych
umieściło 1000 zbiorów danych
01:35
on our open data portal,
34
83981
1610
na portalu otwartych danych.
01:37
and it's pretty awesome.
35
85591
1764
To jest naprawdę niesamowite.
01:39
So you go and look at data like this,
36
87355
1968
Kiedy je ściągasz i analizujesz
01:41
and instead of just counting
the number of cabs,
the number of cabs,
37
89323
2289
zamiast liczyć taksówki,
01:43
we can start to ask different questions.
38
91612
1943
można zadawać inne pytania.
01:45
So I had a question.
39
93555
1200
Zadałem pytanie.
01:46
When's rush hour in New York City?
40
94755
1701
Kiedy w NY są godziny szczytu?
01:48
It can be pretty bothersome.
When is rush hour exactly?
When is rush hour exactly?
41
96456
2581
Są trochę uciążliwe, ale kiedy dokładnie?
01:51
And I thought to myself,
these cabs aren't just numbers,
these cabs aren't just numbers,
42
99037
2625
Pomyślałem, że taksówki
nie są jedynie numerami,
nie są jedynie numerami,
01:53
these are GPS recorders
driving around in our city streets
driving around in our city streets
43
101662
2711
są rejestratorami GPS
jeżdżącymi po ulicach miasta,
jeżdżącymi po ulicach miasta,
01:56
recording each and every ride they take.
44
104373
1913
nagrywającymi każdy przebyty kurs.
01:58
There's data there,
and I looked at that data,
and I looked at that data,
45
106286
2322
Przyjrzałem się tym danym
02:00
and I made a plot of the average speed of
taxis in New York City throughout the day.
taxis in New York City throughout the day.
46
108608
3961
i stworzyłem dzienny wykres
średniej prędkości nowojorskich taksówek.
średniej prędkości nowojorskich taksówek.
02:04
You can see that from about midnight
to around 5:18 in the morning,
to around 5:18 in the morning,
47
112569
3412
Można zaobserwować,
że od północy do 5:18 rano
że od północy do 5:18 rano
02:07
speed increases, and at that point,
things turn around,
things turn around,
48
115981
3563
prędkość rośnie,
a następnie zaczyna spadać.
a następnie zaczyna spadać.
02:11
and they get slower and slower and slower
until about 8:35 in the morning,
until about 8:35 in the morning,
49
119544
3962
Maleje i maleje i maleje aż do około 8:35,
02:15
when they end up at around
11 and a half miles per hour.
11 and a half miles per hour.
50
123506
2693
kiedy to wynosi około 18,5 km/h.
02:18
The average taxi is going 11 and a half
miles per hour on our city streets,
miles per hour on our city streets,
51
126199
3562
Przeciętna taksówka przemierza miasto
z prędkością 18,5 km/h.
z prędkością 18,5 km/h.
02:21
and it turns out it stays that way
52
129761
1987
Okazuje się, że ta prędkość
02:23
for the entire day.
53
131748
3368
utrzymuje się już do końca dnia.
02:27
(Laughter)
54
135116
1373
(Śmiech)
02:28
So I said to myself, I guess
there's no rush hour in New York City.
there's no rush hour in New York City.
55
136489
3180
Stwierdziłem, że w Nowym Jorku
nie ma godzin szczytu.
nie ma godzin szczytu.
02:31
There's just a rush day.
56
139669
1537
Jest natomiast dzień szczytu.
02:33
Makes sense. And this is important
for a couple of reasons.
for a couple of reasons.
57
141206
2850
To ma sens. I jest ważne z paru powodów.
02:36
If you're a transportation planner,
this might be pretty interesting to know.
this might be pretty interesting to know.
58
144056
3637
To interesujące dla planisty transportu.
02:39
But if you want to get somewhere quickly,
59
147693
1975
Jeśli chcesz dokądś sprawnie dojechać,
02:41
you now know to set your alarm for
4:45 in the morning and you're all set.
4:45 in the morning and you're all set.
60
149668
3468
wystarczy ustawić budzik
na 4:45 rano i gotowe.
na 4:45 rano i gotowe.
02:45
New York, right?
61
153136
1044
W końcu to Nowy Jork.
02:46
But there's a story behind this data.
62
154180
1762
Z tymi danymi wiąże się opowieść.
02:47
This data wasn't
just available, it turns out.
just available, it turns out.
63
155942
2185
Nie były one dostępne wprost.
02:50
It actually came from something called
a Freedom of Information Law Request,
a Freedom of Information Law Request,
64
158127
3619
Pochodzą z "Zapytania na podstawie
Ustawy o Wolności Informacji"
Ustawy o Wolności Informacji"
02:53
or a FOIL Request.
65
161746
1076
lub Zapytania FOIL.
02:54
This is a form you can find on the
Taxi and Limousine Commission website.
Taxi and Limousine Commission website.
66
162822
3466
Ten formularz jest na stronie
Komisji ds. Taksówek i Limuzyn.
Komisji ds. Taksówek i Limuzyn.
Żeby uzyskać dostęp do tych danych,
należało go pobrać i wypełnić,
należało go pobrać i wypełnić,
02:58
In order to access this data,
you need to go get this form,
you need to go get this form,
67
166288
2826
a potem cię zawiadomią.
03:01
fill it out, and they will notify you,
68
169114
1846
Zrobił to facet o nazwisku Chris Whong.
03:02
and a guy named Chris Whong
did exactly that.
did exactly that.
69
170960
2130
03:05
Chris went down, and they told him,
70
173090
1890
Chris usłyszał:
03:06
"Just bring a brand new hard drive
down to our office,
down to our office,
71
174980
2827
"Przynieś nam fabrycznie nowy dysk twardy
i zostaw go na pięć godzin.
i zostaw go na pięć godzin.
03:09
leave it here for five hours,
we'll copy the data and you take it back."
we'll copy the data and you take it back."
72
177807
3424
Dostaniesz skopiowane dane".
03:13
And that's where this data came from.
73
181231
2032
Tak powstały te dane.
03:15
Now, Chris is the kind of guy
who wants to make the data public,
who wants to make the data public,
74
183263
3005
Chris chciał upubliczniać dane.
03:18
and so it ended up online for all to use,
and that's where this graph came from.
and that's where this graph came from.
75
186268
3784
Udostępnił je w internecie,
dzięki czemu powstały te wykresy.
dzięki czemu powstały te wykresy.
03:22
And the fact that it exists is amazing.
These GPS recorders -- really cool.
These GPS recorders -- really cool.
76
190052
3518
Fajnie, że istnieją takie dane.
Rejestratory GPS - fajna rzecz.
Rejestratory GPS - fajna rzecz.
Ale żeby to obywatele mieli
spacerować z twardymi dyskami
spacerować z twardymi dyskami
03:25
But the fact that we have citizens
walking around with hard drives
walking around with hard drives
77
193570
3118
kopiować dane w celu upublicznienia,
03:28
picking up data from city agencies
to make it public --
to make it public --
78
196688
2582
dane niby już "publiczne",
bo dało się je zdobyć,
bo dało się je zdobyć,
03:31
it was already kind of public,
you could get to it,
you could get to it,
79
199270
2390
ale nie naprawdę publiczne.
03:33
but it was "public," it wasn't public.
80
201660
1812
03:35
And we can do better than that as a city.
81
203472
1962
Miasto może zrobić to lepiej.
Nie potrzeba obywateli
krążących z dyskami twardymi.
krążących z dyskami twardymi.
03:37
We don't need our citizens
walking around with hard drives.
walking around with hard drives.
82
205434
2756
03:40
Now, not every dataset
is behind a FOIL Request.
is behind a FOIL Request.
83
208190
2337
Nie każdy pakiet danych
jest związany z FOIL.
jest związany z FOIL.
03:42
Here is a map I made with the most
dangerous intersections in New York City
dangerous intersections in New York City
84
210527
3802
Stworzyłem mapę najniebezpieczniejszych
skrzyżowań w Nowym Yorku
skrzyżowań w Nowym Yorku
03:46
based on cyclist accidents.
85
214329
1878
w oparciu o wypadki rowerzystów.
03:48
So the red areas are more dangerous.
86
216207
1939
Czerwone obszary są niebezpieczniejsze.
03:50
And what it shows is first
the East side of Manhattan,
the East side of Manhattan,
87
218146
2553
Od razu widać,
że we wschodniej części Manhattanu,
że we wschodniej części Manhattanu,
03:52
especially in the lower area of Manhattan,
has more cyclist accidents.
has more cyclist accidents.
88
220699
3611
jest więcej wypadków rowerowych.
03:56
That might make sense
89
224310
1019
03:57
because there are more cyclists
coming off the bridges there.
coming off the bridges there.
90
225329
2896
To ma sens.
W tym miejscu rowerzyści
zjeżdżają z mostów.
zjeżdżają z mostów.
04:00
But there's other hotspots worth studying.
91
228225
2014
Są też inne punkty zapalne.
To Williamsburg
i aleja Roosvelta w Queens.
i aleja Roosvelta w Queens.
04:02
There's Williamsburg.
There's Roosevelt Avenue in Queens.
There's Roosevelt Avenue in Queens.
92
230239
2669
Takich danych potrzeba do Vision Zero.
04:04
And this is exactly the kind of data
we need for Vision Zero.
we need for Vision Zero.
93
232908
2852
04:07
This is exactly what we're looking for.
94
235760
1990
Tego właśnie szukamy.
04:09
But there's a story
behind this data as well.
behind this data as well.
95
237750
2135
Za tymi danymi też kryje się historia.
04:11
This data didn't just appear.
96
239885
2067
Te dane nie wzięły się z powietrza.
04:13
How many of you guys know this logo?
97
241952
2391
Ile z was zna to logo?
04:16
Yeah, I see some shakes.
98
244343
1352
Kilka osób potakuje.
04:17
Have you ever tried to copy
and paste data out of a PDF
and paste data out of a PDF
99
245695
2655
Próbowaliście kiedyś
skopiować i wkleić dane z PDFa,
skopiować i wkleić dane z PDFa,
04:20
and make sense of it?
100
248350
1357
żeby miały jakiś sens?
04:21
I see more shakes.
101
249707
1060
Więcej próbowało funkcji kopiuj-wklej,
04:22
More of you tried copying and pasting
than knew the logo. I like that.
than knew the logo. I like that.
102
250767
3345
niż zna to logo. Nieźle.
04:26
So what happened is, the data
that you just saw was actually on a PDF.
that you just saw was actually on a PDF.
103
254112
3510
Dane, które właśnie widzieliśmy,
były w właśnie w pliku PDF,
były w właśnie w pliku PDF,
04:29
In fact, hundreds and hundreds
and hundreds of pages of PDF
and hundreds of pages of PDF
104
257622
3105
na setkach stron dokumentów,
04:32
put out by our very own NYPD,
105
260727
2159
tworzone przez naszą własną policję.
04:34
and in order to access it,
you would either have to copy and paste
you would either have to copy and paste
106
262886
3152
Aby je wykorzystać,
trzeba by robić kopuj-wklej
trzeba by robić kopuj-wklej
04:38
for hundreds and hundreds of hours,
107
266038
1726
przez setki godzin
albo być Janem Kraussem.
04:39
or you could be John Krauss.
108
267764
1344
04:41
John Krauss was like,
109
269108
1043
Jan Krauss uznał:
04:42
I'm not going to copy and paste this data.
I'm going to write a program.
I'm going to write a program.
110
270151
3413
"Nie zamierzam kopiować tych danych.
Stworzę program".
Stworzę program".
Nazywa się "Wsparcie Bazy
Danych o Wypadkach".
Danych o Wypadkach".
04:45
It's called the NYPD Crash Data Band-Aid,
111
273564
2288
04:47
and it goes to the NYPD's website
and it would download PDFs.
and it would download PDFs.
112
275852
3032
Wchodzi na stronę policji i ściąga PDFy.
04:50
Every day it would search;
if it found a PDF, it would download it
if it found a PDF, it would download it
113
278884
3126
Szuka ich codziennie.
Ściąga znaleziony PDF
i wyodrębnia informacje,
i wyodrębnia informacje,
04:54
and then it would run
some PDF-scraping program,
some PDF-scraping program,
114
282010
2250
04:56
and out would come the text,
115
284260
1336
tworząc tekst,
04:57
and it would go on the Internet,
and then people could make maps like that.
and then people could make maps like that.
116
285596
3565
za pomocą którego można
tworzyć mapy, jak ta.
tworzyć mapy, jak ta.
05:01
And the fact that the data's here,
the fact that we have access to it --
the fact that we have access to it --
117
289161
3429
To, że dane są tutaj
i że mamy do nich dostęp...
i że mamy do nich dostęp...
05:04
Every accident, by the way,
is a row in this table.
is a row in this table.
118
292590
2450
Każdy wypadek to wiersz tabeli.
05:07
You can imagine how many PDFs that is.
119
295040
1836
Wyobraźcie sobie, ile to PDF-ów.
05:08
The fact that we
have access to that is great,
have access to that is great,
120
296876
2207
To, że mamy do nich dostęp, jest super,
05:11
but let's not release it in PDF form,
121
299083
2110
ale nie publikujmy ich w formacie PDF,
05:13
because then we're having our citizens
write PDF scrapers.
write PDF scrapers.
122
301193
2739
zmuszając ludzi do pisania
programów dekodujących PDF-y.
programów dekodujących PDF-y.
05:15
It's not the best use
of our citizens' time,
of our citizens' time,
123
303932
2076
To marnowanie czasu mieszkańców.
Jako miasto możemy zrobić to lepiej.
05:18
and we as a city can do better than that.
124
306008
2004
05:20
Now, the good news is that
the de Blasio administration
the de Blasio administration
125
308012
2736
Dobrze, że administracja de Blasio
05:22
actually recently released this data
a few months ago,
a few months ago,
126
310748
2532
udostępniła te dane kilka miesięcy temu,
05:25
and so now we can
actually have access to it,
actually have access to it,
127
313280
2158
i teraz rzeczywiście jest do nich dostęp,
05:27
but there's a lot of data
still entombed in PDF.
still entombed in PDF.
128
315438
2536
ale wiele danych wciąż
jest zagrzebanych w PDF-ach.
jest zagrzebanych w PDF-ach.
05:29
For example, our crime data
is still only available in PDF.
is still only available in PDF.
129
317974
3197
Dane kryminalne są dostępne tylko w PDF.
05:33
And not just our crime data,
our own city budget.
our own city budget.
130
321171
3755
Również budżet miasta.
05:36
Our city budget is only readable
right now in PDF form.
right now in PDF form.
131
324926
3729
Budżet miasta dostępny jest
tylko w formacie PDF.
tylko w formacie PDF.
05:40
And it's not just us
that can't analyze it --
that can't analyze it --
132
328655
2141
Nie tylko nam trudno go przeanalizować.
05:42
our own legislators
who vote for the budget
who vote for the budget
133
330796
2955
Ustawodawcy, którzy głosują nad budżetem,
05:45
also only get it in PDF.
134
333751
1943
też dostają ten PDF.
05:47
So our legislators cannot analyze
the budget that they are voting for.
the budget that they are voting for.
135
335694
3844
Prawodawcy nie mogą
przeanalizować budżetu, za którym głosują.
przeanalizować budżetu, za którym głosują.
05:51
And I think as a city we can do
a little better than that as well.
a little better than that as well.
136
339538
3608
Jako miasto stać nas na więcej.
05:55
Now, there's a lot of data
that's not hidden in PDFs.
that's not hidden in PDFs.
137
343146
2488
Jest wiele danych,
które nie są ukryte w plikach PDF.
które nie są ukryte w plikach PDF.
05:57
This is an example of a map I made,
138
345634
1700
To przykład stworzonej przeze mnie
05:59
and this is the dirtiest waterways
in New York City.
in New York City.
139
347334
2926
mapy najbrudniejszych
cieków wodnych w Nowym Jorku.
cieków wodnych w Nowym Jorku.
06:02
Now, how do I measure dirty?
140
350260
1509
Jak mierzę poziom brudu?
06:03
Well, it's kind of a little weird,
141
351769
1857
To trochę dziwaczne.
06:05
but I looked at the level
of fecal coliform,
of fecal coliform,
142
353626
2113
Zmierzyłem poziom pałeczek z grupy coli,
06:07
which is a measurement of fecal matter
in each of our waterways.
in each of our waterways.
143
355739
3506
który jest miarą masy kałowej w wodzie.
06:11
The larger the circle,
the dirtier the water,
the dirtier the water,
144
359245
3274
Im większe kółko, tym brudniejsza woda,
06:14
so the large circles are dirty water,
the small circles are cleaner.
the small circles are cleaner.
145
362519
3357
duże kółka - brudniejsza,
małe - czystsza.
małe - czystsza.
06:17
What you see is inland waterways.
146
365876
1644
Na mapie widać cieki powierzchniowe.
06:19
This is all data that was sampled
by the city over the last five years.
by the city over the last five years.
147
367520
3404
To dane miejskie za ostatnie pięć lat.
06:22
And inland waterways are,
in general, dirtier.
in general, dirtier.
148
370924
2694
Cieki powierzchniowe są brudniejsze.
06:25
That makes sense, right?
149
373618
1218
To ma sens, prawda?
06:26
And the bigger circles are dirty.
And I learned a few things from this.
And I learned a few things from this.
150
374836
3374
Dowiedziałem się dzięki temu paru rzeczy.
Po pierwsze: nie pływaj w niczym,
co ma w nazwie "potok" lub "kanał".
co ma w nazwie "potok" lub "kanał".
06:30
Number one: Never swim in anything
that ends in "creek" or "canal."
that ends in "creek" or "canal."
151
378210
3164
06:33
But number two: I also found
the dirtiest waterway in New York City,
the dirtiest waterway in New York City,
152
381374
4318
Po drugie: znalazłem najbrudniejsze
cieki w Nowym Jorku
cieki w Nowym Jorku
06:37
by this measure, one measure.
153
385692
1834
dzięki jednemu pomiarowi.
06:39
In Coney Island Creek, which is not
the Coney Island you swim in, luckily.
the Coney Island you swim in, luckily.
154
387526
3648
Potok Coney Island,
nie kąpielisko Coney Island.
nie kąpielisko Coney Island.
06:43
It's on the other side.
155
391174
1158
To po drugiej stronie.
06:44
But Coney Island Creek, 94 percent
of samples taken over the last five years
of samples taken over the last five years
156
392332
3878
W potoku Coney Island 94% próbek
pobranych przez ostatnie 5 lat
pobranych przez ostatnie 5 lat
06:48
have had fecal levels so high
157
396210
2157
miała tak wysoki poziom kału,
06:50
that it would be against state law
to swim in the water.
to swim in the water.
158
398367
3093
że pływanie tam byłoby
niezgodne z prawem stanowym.
niezgodne z prawem stanowym.
06:53
And this is not the kind of fact
that you're going to see
that you're going to see
159
401460
2729
Nie ma się czym chwalić
06:56
boasted in a city report, right?
160
404189
1537
w miejskim raporcie.
06:57
It's not going to be
the front page on nyc.gov.
the front page on nyc.gov.
161
405726
2250
Nie znajdziecie tego
na głównej stronie nyc.gov.
na głównej stronie nyc.gov.
06:59
You're not going to see it there,
162
407976
1580
ale mimo to fajnie,
07:01
but the fact that we can get
to that data is awesome.
to that data is awesome.
163
409556
2518
że dotarliśmy do tych danych.
07:04
But once again, it wasn't super easy,
164
412074
1773
Ale znowu, nie było to łatwe,
07:05
because this data was not
on the open data portal.
on the open data portal.
165
413847
2358
bo dane nie były na otwartym portalu.
07:08
If you were to go to the open data portal,
166
416205
2013
Na otwartym portalu można zobaczyć
07:10
you'd see just a snippet of it,
a year or a few months.
a year or a few months.
167
418218
2613
tylko fragment, rok lub parę miesięcy.
Znajdowały się na stronie
Departamentu Ochrony Środowiska.
Departamentu Ochrony Środowiska.
07:12
It was actually on the Department
of Environmental Protection's website.
of Environmental Protection's website.
168
420831
3390
Każdy z tych linków to arkusz Excel
i każdy jest inaczej zbudowany.
i każdy jest inaczej zbudowany.
07:16
And each one of these links is an Excel
sheet, and each Excel sheet is different.
sheet, and each Excel sheet is different.
169
424221
3878
Każdy jest inny:
trzeba je kopiować, organizować.
trzeba je kopiować, organizować.
07:20
Every heading is different:
you copy, paste, reorganize.
you copy, paste, reorganize.
170
428099
2630
07:22
When you do you can make maps
and that's great, but once again,
and that's great, but once again,
171
430729
2952
Potem można stworzyć mapy.
Miasto powinno to standaryzować.
07:25
we can do better than that
as a city, we can normalize things.
as a city, we can normalize things.
172
433681
2969
Do tego celu zbliża się Socrata ze stroną
07:28
And we're getting there, because
there's this website that Socrata makes
there's this website that Socrata makes
173
436650
3384
Otwarty Portal Danych NYC.
07:32
called the Open Data Portal NYC.
174
440034
1541
Znajduje się tam 1100 zestawów danych,
07:33
This is where 1,100 data sets
that don't suffer
that don't suffer
175
441575
2257
bez wad, o których mówiłem.
07:35
from the things I just told you live,
176
443832
1781
Ich liczba rośnie.
07:37
and that number is growing,
and that's great.
and that's great.
177
445613
2148
Można ściągnąć dane
w dowolnym formacie, CSV, PDF lub Excel.
w dowolnym formacie, CSV, PDF lub Excel.
07:39
You can download data in any format,
be it CSV or PDF or Excel document.
be it CSV or PDF or Excel document.
178
447761
3412
07:43
Whatever you want,
you can download the data that way.
you can download the data that way.
179
451173
2547
Można je ściągnąć w dowolnej chwili,
ale problem w tym,
07:45
The problem is, once you do,
180
453720
1352
że każda agencja inaczej koduje adresy.
07:47
you will find that each agency
codes their addresses differently.
codes their addresses differently.
181
455072
3686
07:50
So one is street name,
intersection street,
intersection street,
182
458758
2141
Tu mamy nazwę ulicy, skrzyżowania,,
07:52
street, borough, address, building,
building address.
building address.
183
460899
2491
ulicę, dzielnicę, adres,
budynek, adres budynku.
budynek, adres budynku.
07:55
So once again, you're spending time,
even when we have this portal,
even when we have this portal,
184
463390
3180
Nawet mając ten portal,
07:58
you're spending time
normalizing our address fields.
normalizing our address fields.
185
466570
2606
znów tracisz czas,
ujednolicając pola adresowe.
ujednolicając pola adresowe.
08:01
And that's not the best use
of our citizens' time.
of our citizens' time.
186
469176
2423
To nie najlepsze wykorzystanie
czasu obywateli.
czasu obywateli.
08:03
We can do better than that as a city.
187
471599
1796
Możemy zrobić to lepiej.
08:05
We can standardize our addresses,
188
473395
1645
Możemy standaryzować adresy,
08:07
and if we do,
we can get more maps like this.
we can get more maps like this.
189
475040
2185
stworzyć więcej map takich, jak ta.
08:09
This is a map of fire hydrants
in New York City,
in New York City,
190
477225
2285
To jest mapa hydrantów w Nowym Jorku,
08:11
but not just any fire hydrants.
191
479510
1531
ale nie byle jakich hydrantów.
08:13
These are the top 250 grossing fire
hydrants in terms of parking tickets.
hydrants in terms of parking tickets.
192
481041
4726
250 hydrantów o największych przychodach
z mandatów za złe parkowanie.
z mandatów za złe parkowanie.
08:17
(Laughter)
193
485767
1986
(Śmiech)
08:19
So I learned a few things from this map,
and I really like this map.
and I really like this map.
194
487753
3358
Sporo mnie ta mapa nauczyła.
Naprawdę ją lubię.
Naprawdę ją lubię.
08:23
Number one, just don't park
on the Upper East Side.
on the Upper East Side.
195
491111
2402
Pierwsze - nie parkuj na Upper East Side.
08:25
Just don't. It doesn't matter where
you park, you will get a hydrant ticket.
you park, you will get a hydrant ticket.
196
493513
3587
Po prostu nie. Wszędzie dostaniesz mandat.
08:29
Number two, I found the two highest
grossing hydrants in all of New York City,
grossing hydrants in all of New York City,
197
497100
4153
Znalazłem też dwa najbardziej dochodowe
hydranty w całym Nowym Yorku,
hydranty w całym Nowym Yorku,
08:33
and they're on the Lower East Side,
198
501253
1886
oba na Lower East Side,
08:35
and they were bringing in over
55,000 dollars a year in parking tickets.
55,000 dollars a year in parking tickets.
199
503139
5098
przynoszące ponad 55 000 dolarów rocznie
z mandatów za parkowanie.
z mandatów za parkowanie.
08:40
And that seemed a little strange
to me when I noticed it,
to me when I noticed it,
200
508237
2738
Trochę mnie to zdziwiło,
więc trochę poszperałem.
więc trochę poszperałem.
08:42
so I did a little digging and it turns out
what you had is a hydrant
what you had is a hydrant
201
510975
3269
Okazuje się, że stoi hydrant,
następnie "przedłużenie krawężnika",
08:46
and then something called
a curb extension,
a curb extension,
202
514244
1996
08:48
which is like a seven-foot
space to walk on,
space to walk on,
203
516240
2059
2 metry chodnika
i dopiero miejsce parkingowe.
i dopiero miejsce parkingowe.
08:50
and then a parking spot.
204
518299
1156
08:51
And so these cars came along,
and the hydrant --
and the hydrant --
205
519455
2254
Kierowcy sądzili, że hydrant jest daleko,
08:53
"It's all the way over there, I'm fine,"
206
521709
1911
więc wszystko jest w porządku,
08:55
and there was actually a parking spot
painted there beautifully for them.
painted there beautifully for them.
207
523620
3474
było specjalnie namalowane
miejsce parkingowe.
miejsce parkingowe.
08:59
They would park there, and the NYPD
disagreed with this designation
disagreed with this designation
208
527094
3155
Tylko że policja nie zgadzała się
z wyborem miejsca
z wyborem miejsca
i dawała mandaty.
09:02
and would ticket them.
209
530249
1058
Nie tylko ja je znalazłem.
09:03
And it wasn't just me
who found a parking ticket.
who found a parking ticket.
210
531307
2344
Przejeżdżający samochód Google Street View
09:05
This is the Google
Street View car driving by
Street View car driving by
211
533651
2146
odnalazł te same mandaty.
09:07
finding the same parking ticket.
212
535797
1617
09:09
So I wrote about this on my blog,
on I Quant NY, and the DOT responded,
on I Quant NY, and the DOT responded,
213
537414
4504
Napisałem o tym na moim blogu, I Quant NY,
i DOT odpowiedział mi tak:
09:13
and they said,
214
541918
1020
"Chociaż DOT nie otrzymał żadnych skarg
w odniesieniu do tego miejsca,
w odniesieniu do tego miejsca,
09:14
"While the DOT has not received
any complaints about this location,
any complaints about this location,
215
542938
3410
09:18
we will review the roadway markings
and make any appropriate alterations."
and make any appropriate alterations."
216
546348
4542
sprawdzimy znaki drogowe
i dokonamy odpowiednich poprawek ".
i dokonamy odpowiednich poprawek ".
09:22
And I thought to myself,
typical government response,
typical government response,
217
550890
2959
Pomyślałem - typowa urzędnicza odpowiedź.
09:25
all right, moved on with my life.
218
553849
1881
Zapomniałem o sprawie.
09:27
But then, a few weeks later,
something incredible happened.
something incredible happened.
219
555730
3970
Kilka tygodni później,
stało się coś niesamowitego.
stało się coś niesamowitego.
09:31
They repainted the spot,
220
559700
2520
Przemalowali to miejsce.
09:34
and for a second I thought I saw
the future of open data,
the future of open data,
221
562220
2690
Pomyślałem,
że to przyszłość otwartych danych.
że to przyszłość otwartych danych.
09:36
because think about what happened here.
222
564910
2000
Pomyślcie, co tu zaszło.
09:38
For five years, this spot was being
ticketed, and it was confusing,
ticketed, and it was confusing,
223
566910
5100
Przez pięć lat w tym mylącym miejscu
wystawiano mandaty,
wystawiano mandaty,
09:44
and then a citizen found something,
they told the city, and within a few weeks
they told the city, and within a few weeks
224
572010
4306
obywatel to zauważył,
powiedział o tym miastu
powiedział o tym miastu
i w parę tygodni
problem został rozwiązany.
problem został rozwiązany.
09:48
the problem was fixed.
225
576316
1294
09:49
It's amazing. And a lot of people
see open data as being a watchdog.
see open data as being a watchdog.
226
577610
3200
Wiele osób uważa dostęp
do danych to nadzór.
do danych to nadzór.
09:52
It's not, it's about being a partner.
227
580810
1772
ale tu chodzi o partnerstwo.
09:54
We can empower our citizens
to be better partners for government,
to be better partners for government,
228
582582
3138
Obywatele mogą być
lepszymi partnerami dla władz
lepszymi partnerami dla władz
09:57
and it's not that hard.
229
585720
1881
i nie jest to takie trudne.
09:59
All we need are a few changes.
230
587601
1459
Potrzeba tylko paru zmian.
10:01
If you're FOILing data,
231
589060
1107
Jeżeli udostępniasz dane dla FOIL,
10:02
if you're seeing your data
being FOILed over and over again,
being FOILed over and over again,
232
590167
2867
widzisz, że ktoś wciąż o nie prosi,
10:05
let's release it to the public, that's
a sign that it should be made public.
a sign that it should be made public.
233
593034
3574
to jest znak, że trzeba je upublicznić.
Jeżeli jako agent rządowy
wypuszczasz dane w formacie PDF,
wypuszczasz dane w formacie PDF,
10:08
And if you're a government agency
releasing a PDF,
releasing a PDF,
234
596608
2482
10:11
let's pass legislation that requires you
to post it with the underlying data,
to post it with the underlying data,
235
599090
3649
niech prawo wymaga, żeby publikować je
wraz z danymi źródłowymi,
wraz z danymi źródłowymi,
10:14
because that data
is coming from somewhere.
is coming from somewhere.
236
602739
2028
bo te dane skądś się wzięły,
10:16
I don't know where, but it's
coming from somewhere,
coming from somewhere,
237
604767
2482
choć nie wiem skąd,
więc można je publikować wraz z PDF-em.
10:19
and you can release it with the PDF.
238
607249
1725
10:20
And let's adopt and share
some open data standards.
some open data standards.
239
608974
2411
Przyjmijmy standard otwartych danych.
10:23
Let's start with our addresses
here in New York City.
here in New York City.
240
611385
2481
Zacznijmy od ujednolicenia adresów,
10:25
Let's just start
normalizing our addresses.
normalizing our addresses.
241
613866
2074
Nowy Jork jest liderem w otwartych danych.
10:27
Because New York is a leader in open data.
242
615940
2062
10:30
Despite all this, we are absolutely
a leader in open data,
a leader in open data,
243
618002
2789
Mimo problemów
jesteśmy absolutnym liderem.
jesteśmy absolutnym liderem.
Jeżeli ustalimy standard
dla otwartych danych,
dla otwartych danych,
10:32
and if we start normalizing things,
and set an open data standard,
and set an open data standard,
244
620791
3121
10:35
others will follow. The state will follow,
and maybe the federal government,
and maybe the federal government,
245
623912
3634
inni za nami podążą.
Władze stanowe, rząd, inne kraje.
10:39
Other countries could follow,
246
627546
1445
10:40
and we're not that far off from a time
where you could write one program
where you could write one program
247
628991
3411
Niewiele brakuje,
żeby za pomocą jednego programu
żeby za pomocą jednego programu
10:44
and map information from 100 countries.
248
632402
1890
tworzyć mapy informacji ze 100 krajów.
10:46
It's not science fiction.
We're actually quite close.
We're actually quite close.
249
634292
2487
To nie science fiction.
Jesteśmy naprawdę blisko.
Jesteśmy naprawdę blisko.
10:48
And by the way, who are we
empowering with this?
empowering with this?
250
636779
2240
Kto na tym skorzysta?
10:51
Because it's not just John Krauss
and it's not just Chris Whong.
and it's not just Chris Whong.
251
639019
3005
Nie tylko John Krauss czy Chris Whong,
10:54
There are hundreds of meetups
going on in New York City right now,
going on in New York City right now,
252
642024
3095
lecz setki nowojorskich organizacji,
aktywnych grup.
10:57
active meetups.
253
645119
1025
10:58
There are thousands of people
attending these meetups.
attending these meetups.
254
646144
2572
Tysiące ludzi uczestniczy w spotkaniach,
11:00
These people are going after work
and on weekends,
and on weekends,
255
648716
2368
w weekendy, po pracy
przyglądają się danym
11:03
and they're attending these meetups
to look at open data
to look at open data
256
651084
2636
żeby ulepszyć nasze miasto.
11:05
and make our city a better place.
257
653720
1640
Na przykład grupa BetaNYC
założyła citygram.nyc,
założyła citygram.nyc,
11:07
Groups like BetaNYC, who just last week
released something called citygram.nyc
released something called citygram.nyc
258
655360
4073
11:11
that allows you to subscribe
to 311 complaints
to 311 complaints
259
659433
2147
gdzie można zasubskrybować
skargi komunalne
skargi komunalne
11:13
around your own home,
or around your office.
or around your office.
260
661580
2068
w okolicach domu lub biura.
11:15
You put in your address,
you get local complaints.
you get local complaints.
261
663648
2427
Wpisujesz adres
i dostajesz listę lokalnych zażaleń.
i dostajesz listę lokalnych zażaleń.
11:18
And it's not just the tech community
that are after these things.
that are after these things.
262
666075
3374
Dąży do tego nie tylko
techniczna społeczność,
techniczna społeczność,
ale też planiści miejscy,
jak studenci, których uczę w Pratt,
jak studenci, których uczę w Pratt,
11:21
It's urban planners like
the students I teach at Pratt.
the students I teach at Pratt.
263
669449
2622
11:24
It's policy advocates, it's everyone,
264
672071
1919
aktywiści polityczni, każdy,
11:25
it's citizens from a diverse
set of backgrounds.
set of backgrounds.
265
673990
2563
obywatele z różnych środowisk.
11:28
And with some small, incremental changes,
266
676553
2786
Małymi, stopniowymi zmianami
11:31
we can unlock the passion
and the ability of our citizens
and the ability of our citizens
267
679339
3225
możemy uwolnić pasję
i zdolności naszych obywateli,
i zdolności naszych obywateli,
11:34
to harness open data
and make our city even better,
and make our city even better,
268
682564
3156
żeby wykorzystać otwarte dane
i usprawniać nasze miasto,
i usprawniać nasze miasto,
11:37
whether it's one dataset,
or one parking spot at a time.
or one parking spot at a time.
269
685720
3626
czy to jednym zestawem danych,
czy jednym miejscem parkingowym.
czy jednym miejscem parkingowym.
11:41
Thank you.
270
689346
2322
Dziękuję.
11:43
(Applause)
271
691668
3305
(Brawa)
ABOUT THE SPEAKER
Ben Wellington - Data scientistBen Wellington blends his love of statistics, the city, and comedy in his entertaining analysis of the story of New York City, told through data.
Why you should listen
Ben Wellington runs the I Quant NY blog, in which he crunches city-released data to find out what's really going on in the Big Apple. To date he has tackled topics such as measles outbreaks in New York City schools, analyzed how companies like Airbnb are really doing in NYC, and asked questions such as "does gentrification cause a reduction in laundromats?" (Answer: inconclusive.)
Ben is a visiting assistant professor in the City & Regional Planning program at the Pratt Institute in Brooklyn; his day job involves working as a quantitative analyst at the investment management firm, Two Sigma. A budding comedian and performer, he also teaches team building workshops through Cherub Improv, a non-profit that uses improv comedy for social good.
Ben Wellington | Speaker | TED.com