TEDNYC
Lux Narayan: What I learned from 2,000 obituaries
Λουξ Ναράγιαν: Τι έμαθα από 2.000 νεκρολογίες
Filmed:
Readability: 4.4
1,705,669 views
Ο Λουξ Ναράγιαν ξεκινάει τη μέρα του με ομελέτα και την εξής ερώτηση: «Ποιος πέθανε σήμερα;» Γιατί; Αναλύοντας 2.000 νεκρολογίες από τους Τάιμς της Νέας Υόρκης μέσα σε 20 μήνες, ο Ναράγιαν μας δείχνει πώς συνοψίζονται τα επιτεύγματα μιας ολόκληρης ζωής μέσα σε λίγες λέξεις. Μοιράζεται μαζί μας, τι μπορούν να μας διδάξουν για μια ζωή καλή, αυτοί που έχει αποθανατίσει ο τύπος.
Lux Narayan - Entrepreneur
Lux Narayan is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy. Full bio
Lux Narayan is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy. Full bio
Double-click the English transcript below to play the video.
00:12
Joseph Keller used to jog
around the Stanford campus,
around the Stanford campus,
0
879
4072
Ο Τζόζεφ Κέλερ συνήθιζε να κάνει τζόγκινγκ
στην πανεπιστημιούπολη του Στάνφορντ.
στην πανεπιστημιούπολη του Στάνφορντ.
00:16
and he was struck by all the women
jogging there as well.
jogging there as well.
1
4975
4717
Του έκαναν εντύπωση οι γυναίκες
που έτρεχαν κι αυτές εκεί.
που έτρεχαν κι αυτές εκεί.
00:21
Why did their ponytails swing
from side to side like that?
from side to side like that?
2
9716
3589
Γιατί κουνιόντουσαν
πέρα δώθε οι αλογοουρές τους;
πέρα δώθε οι αλογοουρές τους;
00:25
Being a mathematician,
he set out to understand why.
he set out to understand why.
3
13867
3138
Και όντας μαθηματικός,
έβαλε στόχο να καταλάβει το γιατί.
έβαλε στόχο να καταλάβει το γιατί.
00:29
(Laughter)
4
17029
1151
(Γέλια)
00:30
Professor Keller was curious
about many things:
about many things:
5
18204
2306
Ο καθηγητής Κέλερ ήταν περίεργος
για πολλά πράγματα:
για πολλά πράγματα:
00:32
why teapots dribble
6
20534
1967
Γιατί στάζουν οι τσαγιέρες;
00:34
or how earthworms wriggle.
7
22525
1830
Πώς κουνιούνται οι γαιοσκώληκες;
00:36
Until a few months ago,
I hadn't heard of Joseph Keller.
I hadn't heard of Joseph Keller.
8
24847
3048
Μέχρι πριν λίγους μήνες
δεν είχα ακουστά τον Τζόζεφ Κέλερ.
δεν είχα ακουστά τον Τζόζεφ Κέλερ.
00:40
I read about him in the New York Times,
9
28581
2852
Μέχρι που διάβασα γι' αυτόν
στους New York Times,
στους New York Times,
στις νεκρολογίες.
00:43
in the obituaries.
10
31457
1432
Οι Times του αφιέρωσαν μισή σελίδα
κανονικού συντακτικού περιεχομένου,
κανονικού συντακτικού περιεχομένου,
00:44
The Times had half a page
of editorial dedicated to him,
of editorial dedicated to him,
11
32913
3772
που όπως μπορείτε να φανταστείτε
έχει ιδιαίτερη αξία
έχει ιδιαίτερη αξία
00:48
which you can imagine is premium space
for a newspaper of their stature.
for a newspaper of their stature.
12
36709
3922
σε μια εφημερίδα τέτοιου κύρους.
00:53
I read the obituaries almost every day.
13
41368
2342
Διαβάζω τις νεκρολογίες σχεδόν κάθε μέρα.
00:56
My wife understandably thinks
I'm rather morbid
I'm rather morbid
14
44690
3022
Η γυναίκα μου δικαιολογημένα
με θεωρεί κομματάκι μακάβριο,
με θεωρεί κομματάκι μακάβριο,
00:59
to begin my day with scrambled eggs
and a "Let's see who died today."
and a "Let's see who died today."
15
47736
4400
που ξεκινώ τη μέρα μου με ομελέτα και...
«Για να δούμε ποιος πέθανε σήμερα;»
«Για να δούμε ποιος πέθανε σήμερα;»
01:04
(Laughter)
16
52160
1150
(Γέλια)
01:06
But if you think about it,
17
54025
1292
Αλλά αν το καλοσκεφτείτε,
01:07
the front page of the newspaper
is usually bad news,
is usually bad news,
18
55341
3413
τα πρωτοσέλιδα έχουν συνήθως κακά νέα.
Επικεντρώνονται
στις αποτυχίες των ανθρώπων.
στις αποτυχίες των ανθρώπων.
01:10
and cues man's failures.
19
58778
1975
01:12
An instance where bad news
cues accomplishment
cues accomplishment
20
60777
2666
Στο οπισθόφυλλο πάλι έχουν κακά νέα,
τις νεκρολογίες,
τις νεκρολογίες,
01:15
is at the end of the paper,
in the obituaries.
in the obituaries.
21
63467
3235
που επικεντρώνονται όμως
στις επιτυχίες των ανθρώπων.
στις επιτυχίες των ανθρώπων.
01:19
In my day job,
22
67405
1364
Στην εταιρία μου,
01:20
I run a company that focuses
on future insights
on future insights
23
68793
2476
επικεντρωνόμαστε στη γνώση
01:23
that marketers can derive
from past data --
from past data --
24
71293
2420
που μπορούμε να συλλέξουμε για το μέλλον
01:25
a kind of rearview-mirror analysis.
25
73737
2944
αναλύοντας πληροφορίες από το παρελθόν.
01:29
And we began to think:
26
77092
1155
Και σκεφτήκαμε:
01:30
What if we held a rearview mirror
to obituaries from the New York Times?
to obituaries from the New York Times?
27
78271
5118
Τι θα γινόταν άμα κάναμε το ίδιο
στις νεκρολογίες των New York Times;
στις νεκρολογίες των New York Times;
01:36
Were there lessons on how you could get
your obituary featured --
your obituary featured --
28
84514
3468
Αξίζει να μάθουμε
πώς να έχουμε εκδόσιμη νεκρολογία,
πώς να έχουμε εκδόσιμη νεκρολογία,
ακόμα κι αν δεν θα είμαστε εκεί
για να τη χαρούμε;
για να τη χαρούμε;
01:40
even if you aren't around to enjoy it?
29
88006
1977
01:42
(Laughter)
30
90007
1484
(Γέλια)
01:43
Would this go better with scrambled eggs?
31
91515
2628
Θα ταίριαζε αυτό περισσότερο με ομελέτα;
01:46
(Laughter)
32
94167
1150
(Γέλια)
01:48
And so, we looked at the data.
33
96163
2998
Κι έτσι κοιτάξαμε τα δεδομένα.
01:51
2,000 editorial, non-paid obituaries
34
99869
4494
2.000 νεκρολογίες
-κανονικό συντακτικό περιεχόμενο,
όχι πληρωμένες καταχωρήσεις-
όχι πληρωμένες καταχωρήσεις-
01:56
over a 20-month period
between 2015 and 2016.
between 2015 and 2016.
35
104387
3642
σε μια περίοδο 20 μηνών
μεταξύ του 2015 και του 2016.
μεταξύ του 2015 και του 2016.
02:00
What did these 2,000 deaths --
rather, lives -- teach us?
rather, lives -- teach us?
36
108053
4824
Τι μπορούν να μας διδάξουν
αυτοί οι 2.000 θάνατοι για τη ζωή;
αυτοί οι 2.000 θάνατοι για τη ζωή;
Πρώτα κοιτάξαμε
τις λέξεις που εμφανίζονται.
τις λέξεις που εμφανίζονται.
02:04
Well, first we looked at words.
37
112901
2033
02:06
This here is an obituary headline.
38
114958
1761
Υπάρχει ο τίτλος της νεκρολογίας.
02:08
This one is of the amazing Lee Kuan Yew.
39
116743
2296
Αυτός είναι του καταπληκτικού
Λι Κουάν Γιου.
Λι Κουάν Γιου.
02:11
If you remove the beginning and the end,
40
119063
2522
Αν αφαιρέσετε το τέλος και την αρχή,
02:13
you're left with a beautifully
worded descriptor
worded descriptor
41
121609
3334
μένει αυτή η όμορφα διατυπωμένη περιγραφή,
02:16
that tries to, in just a few words,
capture an achievement or a lifetime.
capture an achievement or a lifetime.
42
124967
4675
που προσπαθεί σε λίγες μόνο λέξεις,
να καταγράψει τα επιτεύγματα μιας ζωής.
να καταγράψει τα επιτεύγματα μιας ζωής.
02:21
Just looking at these is fascinating.
43
129666
2161
Είναι συναρπαστικό και μόνο να τις κοιτάς.
Εδώ βλέπετε περιγραφές διάσημων,
που πέθαναν τα τελευταία δύο χρόνια.
που πέθαναν τα τελευταία δύο χρόνια.
02:24
Here are a few famous ones,
people who died in the last two years.
people who died in the last two years.
44
132301
3295
Προσπαθήστε να καταλάβετε ποιοι είναι.
02:27
Try and guess who they are.
45
135620
1319
[Αψήφισε τα μουσικά είδη]
Είναι ο Πρινς.
Είναι ο Πρινς.
02:28
[An Artist who Defied Genre]
46
136963
1440
02:30
That's Prince.
47
138427
1185
02:32
[Titan of Boxing and the 20th Century]
48
140497
1837
[Τιτάνας της πυγμαχίας
και του 20ου αιώνα]
και του 20ου αιώνα]
02:34
Oh, yes.
49
142358
1160
Ω, ναι!
02:35
[Muhammad Ali]
50
143542
1224
[Μοχάμεντ Άλι]
02:36
[Groundbreaking Architect]
51
144790
1546
[Ρηξικέλευθη αρχιτεκτόνισσα]
Η Ζάχα Χαντίντ.
02:38
Zaha Hadid.
52
146360
1251
02:40
So we took these descriptors
53
148843
1748
Πήραμε λοιπόν αυτές τις περιγραφές
02:42
and did what's called
natural language processing,
natural language processing,
54
150615
2524
και τις αναλύσαμε
σε επεξεργαστές φυσικής γλώσσας.
σε επεξεργαστές φυσικής γλώσσας.
Πρόκειται για υπολογιστικά προγράμματα,
02:45
where you feed these into a program,
55
153163
1771
02:46
it throws out the superfluous words --
56
154958
1865
που ξεσκαρτάρουν τις περιττές λέξεις
02:48
"the," "and," -- the kind of words
you can mime easily in "Charades," --
you can mime easily in "Charades," --
57
156847
4223
- λέξεις όπως «το», «και»,
τις εύκολες λέξεις στην «παντομίμα»-
τις εύκολες λέξεις στην «παντομίμα»-
02:53
and leaves you with the most
significant words.
significant words.
58
161094
2193
και αφήνουν μόνο τις πιο σημαντικές.
Δεν το κάναμε αυτό
μόνο για αυτές τις τέσσερις,
μόνο για αυτές τις τέσσερις,
02:55
And we did it not just for these four,
59
163311
1821
02:57
but for all 2,000 descriptors.
60
165156
2519
αλλά και για τις 2.000 περιγραφές.
02:59
And this is what it looks like.
61
167699
1743
Ιδού το αποτέλεσμα.
03:03
Film, theatre, music, dance
and of course, art, are huge.
and of course, art, are huge.
62
171004
4827
Ταινία, θέατρο, μουσική, χορός
και φυσικά τέχνη, είναι τεράστια.
και φυσικά τέχνη, είναι τεράστια.
03:08
Over 40 percent.
63
176485
1946
Πάνω από το 40%.
03:10
You have to wonder
why in so many societies
why in so many societies
64
178455
2528
Αναρωτιέμαι, γιατί
σε τόσες κοινωνίες επιμένουμε
σε τόσες κοινωνίες επιμένουμε
03:13
we insist that our kids pursue
engineering or medicine or business or law
engineering or medicine or business or law
65
181007
4435
τα παιδιά μας να γίνονται μηχανικοί,
γιατροί, στελέχη επιχειρήσεων ή δικηγόροι,
γιατροί, στελέχη επιχειρήσεων ή δικηγόροι,
03:17
to be construed as successful.
66
185466
1587
για να θεωρούνται επιτυχημένοι.
Και μιας και μιλάμε για επαγγέλματα,
03:19
And while we're talking profession,
67
187871
1693
03:21
let's look at age --
68
189588
1151
ας κοιτάξουμε τη μέση ηλικία,
03:22
the average age at which
they achieved things.
they achieved things.
69
190763
2510
στην οποία ήρθε η καταξίωση.
03:25
That number is 37.
70
193297
1846
Το νούμερο είναι 37.
03:28
What that means is,
you've got to wait 37 years ...
you've got to wait 37 years ...
71
196274
3656
Αυτό σημαίνει ότι πρέπει
να περιμένετε 37 χρόνια...
να περιμένετε 37 χρόνια...
03:31
before your first significant achievement
that you're remembered for --
that you're remembered for --
72
199954
3395
πριν το πρώτο σας σημαντικό επίτευγμα
για το οποίο θα σας θυμούνται,
για το οποίο θα σας θυμούνται,
03:35
on average --
73
203373
1151
-κατά μέσο όρο-
03:36
44 years later, when you
die at the age of 81 --
die at the age of 81 --
74
204548
2478
44 χρόνια αργότερα,
όταν πεθάνετε σε ηλικία 81 ετών,
όταν πεθάνετε σε ηλικία 81 ετών,
03:39
on average.
75
207050
1168
κατά μέσο όρο.
03:40
(Laughter)
76
208242
1001
(Γέλια)
03:41
Talk about having to be patient.
77
209267
1684
Αυτό θα πει υπομονή.
03:42
(Laughter)
78
210975
1057
(Γέλια)
03:44
Of course, it varies by profession.
79
212056
2089
Προφανώς ποικίλλει ανά επάγγελμα.
Εάν είστε διάσημος αθλητής,
03:46
If you're a sports star,
80
214566
1193
πιθανότατα θα έχετε «φθάσει»
κάπου στη δεκαετία των 20.
κάπου στη δεκαετία των 20.
03:47
you'll probably hit
your stride in your 20s.
your stride in your 20s.
81
215783
2127
03:49
And if you're in your 40s like me,
82
217934
2645
Και εάν είστε 40άρης σαν κι εμένα,
μπορείτε να μπείτε στον διασκεδαστικό
κόσμο της πολιτικής.
κόσμο της πολιτικής.
03:52
you can join the fun world of politics.
83
220603
1991
03:54
(Laughter)
84
222618
1056
(Γέλια)
03:55
Politicians do their first and sometimes
only commendable act in their mid-40s.
only commendable act in their mid-40s.
85
223698
3915
Οι πολιτικοί πραγματοποιούν το πρώτο τους,
και ίσως και μοναδικό, επίτευγμα στα 45.
και ίσως και μοναδικό, επίτευγμα στα 45.
03:59
(Laughter)
86
227637
1257
(Γέλια)
04:00
If you're wondering what "others" are,
87
228918
1937
Εάν αναρωτιέστε τι σημαίνει το «άλλα»,
να μερικά παραδείγματα.
να μερικά παραδείγματα.
04:02
here are some examples.
88
230879
1476
[Ιερέας βουντού, ράφτης εννέα προέδρων,
πρωτοπόρος της τόπλες ψυχαγωγίας]
πρωτοπόρος της τόπλες ψυχαγωγίας]
04:04
Isn't it fascinating, the things people do
89
232821
2116
04:06
and the things they're remembered for?
90
234961
1882
Είναι απίστευτο γιατί μας θυμούνται.
04:08
(Laughter)
91
236867
1752
(Γέλια)
Η περιέργειά μας είχε φθάσει στο ζενίθ,
04:12
Our curiosity was in overdrive,
92
240136
1844
04:14
and we desired to analyze
more than just a descriptor.
more than just a descriptor.
93
242004
3788
και θέλαμε να αναλύσουμε πιο πολλά
από απλώς μερικές λέξεις.
από απλώς μερικές λέξεις.
04:18
So, we ingested the entire
first paragraph of all 2,000 obituaries,
first paragraph of all 2,000 obituaries,
94
246998
4946
Έτσι χρησιμοποιήσαμε ολόκληρη την πρώτη
παράγραφο από τις 2.000 νεκρολογίες,
παράγραφο από τις 2.000 νεκρολογίες,
και το κάναμε αυτό για δύο ομάδες
ανθρώπων ξεχωριστά.
ανθρώπων ξεχωριστά.
04:23
but we did this separately
for two groups of people:
for two groups of people:
95
251968
2774
04:26
people that are famous
and people that are not famous.
and people that are not famous.
96
254766
2777
Διάσημους και άσημους.
04:29
Famous people -- Prince,
Ali, Zaha Hadid --
Ali, Zaha Hadid --
97
257567
2689
Διάσημοι όπως ο Πρινς,
ο Άλι, η Ζάχα Χαντίντ...
ο Άλι, η Ζάχα Χαντίντ...
04:32
people who are not famous
are people like Jocelyn Cooper,
are people like Jocelyn Cooper,
98
260280
4235
Και άσημους όπως η Τζόσελυν Κούπερ,
04:36
Reverend Curry
99
264539
1154
ο αιδεσιμότατος Κέρυ,
04:37
or Lorna Kelly.
100
265717
1169
ή η Λόρνα Κέλυ.
04:38
I'm willing to bet you haven't heard
of most of their names.
of most of their names.
101
266910
3188
Βάζω στοίχημα ότι δεν έχετε
ξανακούσει αυτά τα ονόματα.
ξανακούσει αυτά τα ονόματα.
04:42
Amazing people, fantastic achievements,
but they're not famous.
but they're not famous.
102
270122
3812
Τρομεροί άνθρωποι, φανταστικά επιτεύγματα,
μα δεν είναι διάσημοι.
μα δεν είναι διάσημοι.
04:46
So what if we analyze
these two groups separately --
these two groups separately --
103
274720
2788
Αναλύσαμε τις δύο ομάδες ξεχωριστά,
04:49
the famous and the non-famous?
104
277532
1525
τους διάσημους και τους άσημους,
04:51
What might that tell us?
105
279081
1419
και τι βρήκαμε;
04:52
Take a look.
106
280524
1240
Για να δούμε.
Δύο πράγματα ξεχωρίζουν για εμένα.
04:56
Two things leap out at me.
107
284556
1469
04:58
First:
108
286569
1170
Πρώτον:
05:00
"John."
109
288106
1198
«Τζον»
05:01
(Laughter)
110
289328
1300
(Γέλια)
05:03
Anyone here named John
should thank your parents --
should thank your parents --
111
291914
3388
Όποιος από εσάς εδώ λέγεται Τζον
να ευχαριστήσει τους γονείς του.
να ευχαριστήσει τους γονείς του.
05:07
(Laughter)
112
295326
1329
(Γέλια)
05:08
and remind your kids to cut out
your obituary when you're gone.
your obituary when you're gone.
113
296679
3082
και να πει στα παιδιά του να κρατήσουν
τη νεκρολογία του όταν θα «φύγει».
τη νεκρολογία του όταν θα «φύγει».
05:13
And second:
114
301061
1356
Δεύτερον:
05:15
"help."
115
303849
1154
«βοήθεια».
05:18
We uncovered, many lessons
from lives well-led,
from lives well-led,
116
306524
3465
Ανακαλύψαμε πολλά μαθήματα
από αυτές τις ζωές, τις σωστά-βιωμένες,
από αυτές τις ζωές, τις σωστά-βιωμένες,
05:22
and what those people immortalized
in print could teach us.
in print could teach us.
117
310013
2836
έτσι όπως αυτές τυπώθηκαν με μελάνι.
05:24
The exercise was a fascinating testament
to the kaleidoscope that is life,
to the kaleidoscope that is life,
118
312873
4738
Η άσκηση αυτή ήταν μια συναρπαστική
διαθήκη για το καλειδοσκόπιο της ζωής,
διαθήκη για το καλειδοσκόπιο της ζωής,
05:29
and even more fascinating
119
317635
2715
και ακόμα πιο συναρπαστικό
05:32
was the fact that the overwhelming
majority of obituaries
majority of obituaries
120
320374
3068
είναι ότι η πλειοψηφία των νεκρολογιών
ήταν για ανθρώπους διάσημους ή μη,
05:35
featured people famous and non-famous,
121
323466
2998
που κατάφεραν εξαιρετικά πράγματα.
05:38
who did seemingly extraordinary things.
122
326488
2433
05:41
They made a positive dent
in the fabric of life.
in the fabric of life.
123
329574
3110
Που η παρουσία τους ήταν ευεργετική
για τον κύκλο της ζωής.
για τον κύκλο της ζωής.
05:44
They helped.
124
332708
1237
Που βοηθήσανε.
Αναρωτηθείτε λοιπόν καθώς θα επιστρέφετε
στην καθημερινότητα:
στην καθημερινότητα:
05:46
So ask yourselves as you go
back to your daily lives:
back to your daily lives:
125
334772
2591
05:49
How am I using my talents to help society?
126
337387
2920
Πώς χρησιμοποιώ τα ταλέντα μου
για να βοηθήσω την κοινωνία;
για να βοηθήσω την κοινωνία;
05:52
Because the most powerful lesson here is,
127
340331
2973
Γιατί το πιο σημαντικό μάθημα,
είναι ότι εάν περισσότεροι,
είναι ότι εάν περισσότεροι,
05:55
if more people lived their lives
trying to be famous in death,
trying to be famous in death,
128
343328
4336
πασχίσουν στις ζωές τους
να είναι διάσημοι στον θάνατό τους,
να είναι διάσημοι στον θάνατό τους,
05:59
the world would be a much better place.
129
347688
2605
ο κόσμος μας θα είναι πολύ καλύτερος.
06:03
Thank you.
130
351062
1169
Σας ευχαριστώ.
06:04
(Applause)
131
352255
2848
(Χειροκρότημα)
ABOUT THE SPEAKER
Lux Narayan - EntrepreneurLux Narayan is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy.
Why you should listen
Lakshmanan aka Lux Narayan mans the helm of Unmetric, a social media intelligence company that helps digital marketers, social media analysts, and content creators harness social signals to track and analyze competitive content and campaigns, and to create better content and campaigns of their own.
Prior to founding Unmetric, Narayan was a co-founder at Vembu Technologies, an online data backup company. He also helped found and volunteered at ShareMyCake, a non-profit started by his wife that focuses on encouraging children to use their birthdays to channel monetary support towards a cause of their choosing.
As Unmetric's CEO, he leads a team of 70 people distributed across the company's operations in Chennai and New York City.
Outside of work, he is a perpetual learner of various things -- from origami and molecular gastronomy to stand-up and improv comedy. He enjoys reading obituaries and other non-fiction and watching documentaries with bad ratings. Narayan makes time every year for trekking in the Himalayas or scuba diving in tropical waters, and once he learns to fly, he hopes to spend more time off land than on it.
Lux Narayan | Speaker | TED.com