TEDxNewYork
Ben Wellington: How we found the worst place to park in New York City -- using big data
Ben Wellington: Comment l'analyse de données générales m'a permis de trouver les pires endroits où se garer à New York
Filmed:
Readability: 3.7
1,055,247 views
Les organismes municipaux ont accès à de nombreuses données et statistiques sur tous les aspects de la vie urbaine. Mais comme le suggère l'analyste de données Ben Wellington dans sa conférence, ces organismes ne savent pas toujours quoi faire avec leurs données. Il fait la preuve qu'il est possible de répondre à des questions incongrues grâce à des mesures de traitement de données, et ainsi d'obtenir des renseignements étrangement utiles, et il partage avec nous ses conseils afin que les grands ensembles de données rendus publics puissent être utilisés par tous.
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
10 000 km de routes,
00:15
600 miles of subway track,
1
3531
2203
1000 km de rails de métro,
00:17
400 miles of bike lanes
2
5734
1644
640 km d'aménagements cyclables
00:19
and a half a mile of tram track,
3
7378
1821
et un tramway aérien de 945 m reliant
00:21
if you've ever been to Roosevelt Island.
4
9199
1953
Manhattan à 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
Ces quelques nombres décrivent
l'infrastructure routière
l'infrastructure routière
00:26
These are the statistics
of our infrastructure.
of our infrastructure.
6
14486
2619
de la ville de New York.
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
Les rapports des organismes
municipaux contiennent ces données.
municipaux contiennent ces données.
Le département des transports, vous dira
00:32
For example, the Department
of Transportation will probably tell you
of Transportation will probably tell you
8
20811
3199
le nombre de km de routes entretenus
00:36
how many miles of road they maintain.
9
24010
1781
Le MTA se vantera du nombre de km
de voies de métro.
de voies de métro.
00:37
The MTA will boast how many miles
of subway track there are.
of subway track there are.
10
25791
2821
La plupart des organismes établissent
des statistiques.
des statistiques.
00:40
Most city agencies give us statistics.
11
28612
1807
Voici des données
d'un rapport de cette année
d'un rapport de cette année
00:42
This is from a report this year
12
30419
1483
de la commission des taxis,
00:43
from the Taxi and Limousine Commission,
13
31902
1892
qui nous apprennent qu'il y a environ
13 500 taxis ici à New York.
13 500 taxis ici à New York.
00:45
where we learn that there's about
13,500 taxis here in New York City.
13,500 taxis here in New York City.
14
33794
3276
Intéressant, n'est-ce pas?
00:49
Pretty interesting, right?
15
37070
1290
Mais vous êtes-vous déjà demandé
d'où viennent ces nombres?
d'où viennent ces nombres?
00:50
But did you ever think about
where these numbers came from?
where these numbers came from?
16
38360
2784
Pour qu'ils existent,
des fonctionnaires ont dû
des fonctionnaires ont dû
00:53
Because for these numbers to exist,
someone at the city agency
someone at the city agency
17
41144
2903
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
s'arrêter et se dire, hum, voici une
donnée qui intéresse peut-être quelqu'un.
donnée qui intéresse peut-être quelqu'un.
Voilà un nombre dont
nos citoyens ont besoin.
nos citoyens ont besoin.
00:59
Here's a number
that our citizens want to know.
that our citizens want to know.
19
47927
2250
Ils sortent alors leurs
données brutes,
données brutes,
01:02
So they go back to their raw data,
20
50177
1830
comptent, ajoutent, calculent,
01:04
they count, they add, they calculate,
21
52007
1797
et rédigent des rapports
01:05
and then they put out reports,
22
53804
1467
contenant de nouveaux chiffres.
01:07
and those reports
will have numbers like this.
will have numbers like this.
23
55271
2177
Mais le problème : comment
devinent-ils nos questions?
devinent-ils nos questions?
01:09
The problem is, how do they know
all of our questions?
all of our questions?
24
57448
2540
Nous en avons beaucoup.
01:11
We have lots of questions.
25
59988
1243
01:13
In fact, in some ways there's literally
an infinite number of questions
an infinite number of questions
26
61231
3340
En fait, le nombre de questions
que nous nous posons sur notre ville
que nous nous posons sur notre ville
01:16
that we can ask about our city.
27
64571
1649
est infini et les organismes
01:18
The agencies can never keep up.
28
66220
1475
peinent à nous suivre.
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
Cette façon de faire n'est pas au point et
je crois que nos décideurs le réalisent,
je crois que nos décideurs le réalisent,
01:23
because in 2012, Mayor Bloomberg
signed into law what he called
signed into law what he called
30
71751
3959
car en 2012, le maire Bloomberg
a signé ce qu'il a appelé la mesure
a signé ce qu'il a appelé la mesure
01:27
the most ambitious and comprehensive
open data legislation in the country.
open data legislation in the country.
31
75710
3837
législative sur les données ouvertes
la plus ambitieuse et exhaustive au pays.
la plus ambitieuse et exhaustive au pays.
01:31
In a lot of ways, he's right.
32
79547
1573
Il a raison à bien des égards.
01:33
In the last two years,
the city has released 1,000 datasets
the city has released 1,000 datasets
33
81120
2861
En deux ans, la ville a publié
1000 jeux de données sur notre
1000 jeux de données sur notre
01:35
on our open data portal,
34
83981
1610
portail des données ouvertes,
01:37
and it's pretty awesome.
35
85591
1764
ce qui n'est pas mal.
01:39
So you go and look at data like this,
36
87355
1968
Vous regardez des données comme celles-là
01:41
and instead of just counting
the number of cabs,
the number of cabs,
37
89323
2289
et vous commencez à vous
poser des questions qui
poser des questions qui
01:43
we can start to ask different questions.
38
91612
1943
vont au-delà du simple
nombre de taxis.
nombre de taxis.
01:45
So I had a question.
39
93555
1200
Moi, je me suis demandé,
01:46
When's rush hour in New York City?
40
94755
1701
quelle est l'heure de pointe à NY?
01:48
It can be pretty bothersome.
When is rush hour exactly?
When is rush hour exactly?
41
96456
2581
La réponse ne nous vient
pas naturellement.
pas naturellement.
01:51
And I thought to myself,
these cabs aren't just numbers,
these cabs aren't just numbers,
42
99037
2625
Et je me suis dit, ces taxis sont
plus que des nombres,
plus que des nombres,
01:53
these are GPS recorders
driving around in our city streets
driving around in our city streets
43
101662
2711
ils transportent des GPS qui enregistrent
01:56
recording each and every ride they take.
44
104373
1913
chaque course qu'ils font.
01:58
There's data there,
and I looked at that data,
and I looked at that data,
45
106286
2322
J'ai donc jeté un œil à ces données,
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
et j'ai tracé une courbe de la vitesse
moyenne des taxis durant la journée.
moyenne des taxis durant la journée.
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
Vous pouvez voir qu'à partir de minuit
jusqu'à environ 5 h 18,
jusqu'à environ 5 h 18,
02:07
speed increases, and at that point,
things turn around,
things turn around,
48
115981
3563
la vitesse augmente,
puis les choses se gâtent et
puis les choses se gâtent et
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
la vitesse décroît et décroît
et décroît jusqu'à 8 h 35,
et décroît jusqu'à 8 h 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
où elle se stabilise à environ
18,5 km par heure.
18,5 km par heure.
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
Les taxis roulent en moyenne à 18,5 km/h
dans les rues de notre ville,
dans les rues de notre ville,
02:21
and it turns out it stays that way
52
129761
1987
et leur vitesse demeure telle quelle
02:23
for the entire day.
53
131748
3368
toute la journée.
02:27
(Laughter)
54
135116
1373
(Rires)
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
J'en conclus donc qu'il n'y a pas
d'heure de pointe à New York,
d'heure de pointe à New York,
02:31
There's just a rush day.
56
139669
1537
mais des journées de pointe.
02:33
Makes sense. And this is important
for a couple of reasons.
for a couple of reasons.
57
141206
2850
Logique. Et c'est important
pour diverses raisons.
pour diverses raisons.
02:36
If you're a transportation planner,
this might be pretty interesting to know.
this might be pretty interesting to know.
58
144056
3637
Si vous travaillez dans le domaine du
transport, c'est intéressant pour vous.
transport, c'est intéressant pour vous.
02:39
But if you want to get somewhere quickly,
59
147693
1975
Et si vous êtes quelqu'un de pressé,
vous savez maintenant que vous
devez vous réveiller à 4 h 45.
devez vous réveiller à 4 h 45.
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
New York, non?
02:45
New York, right?
61
153136
1044
Mais ces données
ont elles aussi une
ont elles aussi une
02:46
But there's a story behind this data.
62
154180
1762
histoire : elles n'étaient
publiées nulle part
publiées nulle part
02:47
This data wasn't
just available, it turns out.
just available, it turns out.
63
155942
2185
et ont été obtenues par suite d'une
demande faite en vertu
demande faite en vertu
02:50
It actually came from something called
a Freedom of Information Law Request,
a Freedom of Information Law Request,
64
158127
3619
de la loi del’accès à l’information.
02:53
or a FOIL Request.
65
161746
1076
Le formulaire pour faire une telle
demande est sur le site de la TLC.
demande est sur le site de la TLC.
02:54
This is a form you can find on the
Taxi and Limousine Commission website.
Taxi and Limousine Commission website.
66
162822
3466
Pour obtenir les données, vous
devez le remplir, l'envoyer, puis
devez le remplir, l'envoyer, puis
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
attendre qu'on communique avec nous.
03:01
fill it out, and they will notify you,
68
169114
1846
C'est ce qu'a fait Chris Whong.
03:02
and a guy named Chris Whong
did exactly that.
did exactly that.
69
170960
2130
Voici ce que le TLC lui a demandé :
03:05
Chris went down, and they told him,
70
173090
1890
03:06
"Just bring a brand new hard drive
down to our office,
down to our office,
71
174980
2827
« Apportez-nous un disque
dur neuf. Nous y copierons
dur neuf. Nous y copierons
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
les données et vous pourrez venir le
chercher cinq heures plus tard. »
chercher cinq heures plus tard. »
03:13
And that's where this data came from.
73
181231
2032
Voilà d'où les données proviennent.
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 est de ceux qui veulent
que de telles données soient
que de telles données soient
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
publiques, et il les a mis en ligne,
ce qui m'a permis de faire la carte.
ce qui m'a permis de faire la carte.
03:22
And the fact that it exists is amazing.
These GPS recorders -- really cool.
These GPS recorders -- really cool.
76
190052
3518
Le fait que ces enregistrements GPS
existent -- vraiment cool.
existent -- vraiment cool.
03:25
But the fact that we have citizens
walking around with hard drives
walking around with hard drives
77
193570
3118
Mais le fait que des citoyens
se promènent avec des disques durs
se promènent avec des disques durs
03:28
picking up data from city agencies
to make it public --
to make it public --
78
196688
2582
pour aller chercher des données,
03:31
it was already kind of public,
you could get to it,
you could get to it,
79
199270
2390
qui en soi sont « publiques », mais
03:33
but it was "public," it wasn't public.
80
201660
1812
qui ne sont pas rendues publiques,
03:35
And we can do better than that as a city.
81
203472
1962
nous pouvons faire mieux comme ville.
03:37
We don't need our citizens
walking around with hard drives.
walking around with hard drives.
82
205434
2756
Nul besoin que nos citoyens
trimbalent des disques durs.
trimbalent des disques durs.
03:40
Now, not every dataset
is behind a FOIL Request.
is behind a FOIL Request.
83
208190
2337
Mais certaines données
sont déjà à disposition.
sont déjà à disposition.
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
Voici une carte que j'ai créée des
intersections de NY enregistrant le plus
intersections de NY enregistrant le plus
03:46
based on cyclist accidents.
85
214329
1878
d'accidents impliquant des cyclistes.
Les zones rouges sont
les plus dangereuses.
les plus dangereuses.
03:48
So the red areas are more dangerous.
86
216207
1939
03:50
And what it shows is first
the East side of Manhattan,
the East side of Manhattan,
87
218146
2553
Ce que l'on observe, c'est
que la portion est de l'île,
que la portion est de l'île,
03:52
especially in the lower area of Manhattan,
has more cyclist accidents.
has more cyclist accidents.
88
220699
3611
particulièrement dans le sud de la
ville, enregistre le plus d'accidents.
ville, enregistre le plus d'accidents.
03:56
That might make sense
89
224310
1019
Ce n'est pas illogique,
03:57
because there are more cyclists
coming off the bridges there.
coming off the bridges there.
90
225329
2896
car beaucoup de cyclistes
sortent du pont à cet endroit.
sortent du pont à cet endroit.
04:00
But there's other hotspots worth studying.
91
228225
2014
Mais d'autres zones,
comme Williamsburg,
comme Williamsburg,
04:02
There's Williamsburg.
There's Roosevelt Avenue in Queens.
There's Roosevelt Avenue in Queens.
92
230239
2669
Roosevelt Avenue dans Queens,
méritent notre attention.
méritent notre attention.
04:04
And this is exactly the kind of data
we need for Vision Zero.
we need for Vision Zero.
93
232908
2852
C'est le genre de données
dont Vision Zero a besoin.
dont Vision Zero a besoin.
C'est ce qui fait notre bonheur.
04:07
This is exactly what we're looking for.
94
235760
1990
04:09
But there's a story
behind this data as well.
behind this data as well.
95
237750
2135
Mais encore une fois,
il y a une histoire
il y a une histoire
04:11
This data didn't just appear.
96
239885
2067
à raconter au sujet de ces données.
04:13
How many of you guys know this logo?
97
241952
2391
Combien d'entre vous connaissent ce logo?
Je vois des hochements de tête.
04:16
Yeah, I see some shakes.
98
244343
1352
04:17
Have you ever tried to copy
and paste data out of a PDF
and paste data out of a PDF
99
245695
2655
Avez-vous déjà copié et
collé des données d'un PDF,
collé des données d'un PDF,
04:20
and make sense of it?
100
248350
1357
puis essayé d'y voir clair?
04:21
I see more shakes.
101
249707
1060
Vous l'êtes apparemment.
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
Plus à avoir fait du copier-coller
qu'à reconnaître le logo. Intéressant.
qu'à reconnaître le logo. Intéressant.
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
Les données que vous avez vues
se trouvaient à l'origine dans un PDF.
se trouvaient à l'origine dans un PDF.
En fait, dans un PDF de
plusieurs centaines de pages
plusieurs centaines de pages
04:29
In fact, hundreds and hundreds
and hundreds of pages of PDF
and hundreds of pages of PDF
104
257622
3105
04:32
put out by our very own NYPD,
105
260727
2159
créé par notre service de police,
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
et pour pouvoir les utiliser, vous
deviez faire du copier-coller,
deviez faire du copier-coller,
04:38
for hundreds and hundreds of hours,
107
266038
1726
pendant des heures,
04:39
or you could be John Krauss.
108
267764
1344
ou vous appelez John Krauss.
04:41
John Krauss was like,
109
269108
1043
John Krauss s'est dit,
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
je ne vais pas copier ces données,
mais plutôt créer un programme,
mais plutôt créer un programme,
04:45
It's called the NYPD Crash Data Band-Aid,
111
273564
2288
le NYPD Crash Data Band-Aid,
04:47
and it goes to the NYPD's website
and it would download PDFs.
and it would download PDFs.
112
275852
3032
qui se promène sur le site Web du NYPD
pour y dénicher des PDF.
pour y dénicher des PDF.
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
Chaque jour, il cherche,
trouve et télécharge des PDF,
trouve et télécharge des PDF,
04:54
and then it would run
some PDF-scraping program,
some PDF-scraping program,
114
282010
2250
puis en extrait le contenu qu'il
04:56
and out would come the text,
115
284260
1336
transforme en texte et
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
qu'il publie sur le Web, pour que
l'on puisse faire des cartes.
l'on puisse faire des cartes.
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
Et le fait que nous ayons ces données --
en passant, chaque ligne
du tableau est un accident.
du tableau est un accident.
05:04
Every accident, by the way,
is a row in this table.
is a row in this table.
118
292590
2450
05:07
You can imagine how many PDFs that is.
119
295040
1836
Vous pouvez imaginer le nombre de PDF.
05:08
The fact that we
have access to that is great,
have access to that is great,
120
296876
2207
Le fait que nous y ayons
accès est formidable,
accès est formidable,
05:11
but let's not release it in PDF form,
121
299083
2110
mais ne les publions pas dans des PDF,
05:13
because then we're having our citizens
write PDF scrapers.
write PDF scrapers.
122
301193
2739
car nos citoyens chercheront
le moyen de les en extraire.
le moyen de les en extraire.
05:15
It's not the best use
of our citizens' time,
of our citizens' time,
123
303932
2076
Nos citoyens n'ont pas de temps à perdre,
05:18
and we as a city can do better than that.
124
306008
2004
et comme ville nous pouvons offrir mieux.
05:20
Now, the good news is that
the de Blasio administration
the de Blasio administration
125
308012
2736
La bonne nouvelle, c'est
que l'administration Blasio
que l'administration Blasio
05:22
actually recently released this data
a few months ago,
a few months ago,
126
310748
2532
a publié ces données il y a quelques mois,
05:25
and so now we can
actually have access to it,
actually have access to it,
127
313280
2158
Mais beaucoup de données restent enfermées
05:27
but there's a lot of data
still entombed in PDF.
still entombed in PDF.
128
315438
2536
dans des PDF, ce qui est notamment le cas
05:29
For example, our crime data
is still only available in PDF.
is still only available in PDF.
129
317974
3197
des données sur les crimes.
05:33
And not just our crime data,
our own city budget.
our own city budget.
130
321171
3755
Tout comme du budget
de notre propre ville.
de notre propre ville.
05:36
Our city budget is only readable
right now in PDF form.
right now in PDF form.
131
324926
3729
Le budget de NY n'est actuellement
disponible qu'en format PDF.
disponible qu'en format PDF.
05:40
And it's not just us
that can't analyze it --
that can't analyze it --
132
328655
2141
Nous ne sommes pas les
seuls que cela embête.
seuls que cela embête.
05:42
our own legislators
who vote for the budget
who vote for the budget
133
330796
2955
Nos propres législateurs, ceux
qui votent le budget,
qui votent le budget,
05:45
also only get it in PDF.
134
333751
1943
le reçoivent en PDF.
05:47
So our legislators cannot analyze
the budget that they are voting for.
the budget that they are voting for.
135
335694
3844
Nos législateurs ne peuvent pas
analyser le budget qu'ils votent.
analyser le budget qu'ils votent.
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
Et je crois que comme ville nous
pouvons faire un peu mieux que cela.
pouvons faire un peu mieux que cela.
05:55
Now, there's a lot of data
that's not hidden in PDFs.
that's not hidden in PDFs.
137
343146
2488
Toutes les données ne sont
pas cachées dans des PDF.
pas cachées dans des PDF.
05:57
This is an example of a map I made,
138
345634
1700
Voici une carte que j'ai faite
05:59
and this is the dirtiest waterways
in New York City.
in New York City.
139
347334
2926
des voies de navigation
les plus sales de New York.
les plus sales de New York.
06:02
Now, how do I measure dirty?
140
350260
1509
Que veux-je dire par sale?
06:03
Well, it's kind of a little weird,
141
351769
1857
C'est quelque peu étrange,
06:05
but I looked at the level
of fecal coliform,
of fecal coliform,
142
353626
2113
mais j'ai pris le nombre
de coliformes fécaux,
de coliformes fécaux,
06:07
which is a measurement of fecal matter
in each of our waterways.
in each of our waterways.
143
355739
3506
soit la quantité de matière fécale,
dans chacune de nos voies d'eau.
dans chacune de nos voies d'eau.
06:11
The larger the circle,
the dirtier the water,
the dirtier the water,
144
359245
3274
Plus le cercle est grand,
plus l'eau est sale,
plus l'eau est sale,
06:14
so the large circles are dirty water,
the small circles are cleaner.
the small circles are cleaner.
145
362519
3357
et vice versa.
Ce que vous voyez ce sont
Ce que vous voyez ce sont
06:17
What you see is inland waterways.
146
365876
1644
les voies navigables intérieures.
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
Il s'agit de données que la ville
recueille depuis cinq ans.
recueille depuis cinq ans.
06:22
And inland waterways are,
in general, dirtier.
in general, dirtier.
148
370924
2694
Les voies intérieures sont
généralement plus sales,
généralement plus sales,
06:25
That makes sense, right?
149
373618
1218
C'est assez évident, non?
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
Voici ce que j'ai découvert
grâce à cette carte.
grâce à cette carte.
06:30
Number one: Never swim in anything
that ends in "creek" or "canal."
that ends in "creek" or "canal."
151
378210
3164
Premièrement, il ne faut jamais nager
dans un « creek » ou un « canal ».
dans un « creek » ou un « canal ».
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
Deuxièmement, la voie la plus sale
de New York est Coney Island Creek,
de New York est Coney Island Creek,
06:37
by this measure, one measure.
153
385692
1834
d'après cette mesure.
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
Ce n'est heureusement pas le Coney
Island où vous vous baignez.
Island où vous vous baignez.
06:43
It's on the other side.
155
391174
1158
C'est de l'autre côté.
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
Mais à Coney Island Creek, 94 % des
échantillons prélevés depuis cinq ans
échantillons prélevés depuis cinq ans
06:48
have had fecal levels so high
157
396210
2157
contenaient tellement de coliformes fécaux
06:50
that it would be against state law
to swim in the water.
to swim in the water.
158
398367
3093
que les lois de l'État le rendent
impropre à la baignade.
impropre à la baignade.
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
Et ce n'est pas le genre
de faits que les rapports
de faits que les rapports
06:56
boasted in a city report, right?
160
404189
1537
de la ville contiennent ou qui
06:57
It's not going to be
the front page on nyc.gov.
the front page on nyc.gov.
161
405726
2250
figure sur la page d'accueil
du nyc.gov, non?
du nyc.gov, non?
06:59
You're not going to see it there,
162
407976
1580
Vous ne les y verrez pas, mais
07:01
but the fact that we can get
to that data is awesome.
to that data is awesome.
163
409556
2518
le fait qu'on puisse trouver
ces données est génial.
ces données est génial.
07:04
But once again, it wasn't super easy,
164
412074
1773
Ici encore, ce ne fut pas facile, car
07:05
because this data was not
on the open data portal.
on the open data portal.
165
413847
2358
elles ne figuraient pas
dans le portail des
dans le portail des
07:08
If you were to go to the open data portal,
166
416205
2013
données ouvertes, où vous trouverez
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
seulement des chiffres pour
un an ou quelques mois.
un an ou quelques mois.
07:12
It was actually on the Department
of Environmental Protection's website.
of Environmental Protection's website.
168
420831
3390
Elles étaient plutôt sur le site
du DEP de la ville de NY.
du DEP de la ville de NY.
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
Chacun de ces liens ouvre un tableur Excel
différent, avec des titres différents.
différent, avec des titres différents.
07:20
Every heading is different:
you copy, paste, reorganize.
you copy, paste, reorganize.
170
428099
2630
Vous copiez, collez, réorganisez le tout,
puis faites des cartes et
c'est bien, mais encore une fois,
c'est bien, mais encore une fois,
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
nous pouvons faire mieux comme
ville et établir des normes.
ville et établir des normes.
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
Et nous y arrivons par des sites
Web comme celui de Socrata
Web comme celui de Socrata
07:28
And we're getting there, because
there's this website that Socrata makes
there's this website that Socrata makes
173
436650
3384
appelé l'Open Data Portal NYC,
où 1100 jeux de données,
qui ne souffrent pas
qui ne souffrent pas
07:32
called the Open Data Portal NYC.
174
440034
1541
07:33
This is where 1,100 data sets
that don't suffer
that don't suffer
175
441575
2257
des maux que j'ai décrits se trouvent,
07:35
from the things I just told you live,
176
443832
1781
et leur nombre ne
cesse de croître.
cesse de croître.
07:37
and that number is growing,
and that's great.
and that's great.
177
445613
2148
Vous pouvez y télécharger les données
que vous voulez dans une foule
que vous voulez dans une foule
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
de formats : CSV,
PDF, XLS ou autres.
PDF, XLS ou autres.
07:43
Whatever you want,
you can download the data that way.
you can download the data that way.
179
451173
2547
07:45
The problem is, once you do,
180
453720
1352
Vous découvrirez alors que
07:47
you will find that each agency
codes their addresses differently.
codes their addresses differently.
181
455072
3686
le format des adresses n'est pas
le même d'un organisme à l'autre.
le même d'un organisme à l'autre.
07:50
So one is street name,
intersection street,
intersection street,
182
458758
2141
L'un classe ses données par rue ou par
07:52
street, borough, address, building,
building address.
building address.
183
460899
2491
intersection, l'autre par quartier
ou adresse postale.
ou adresse postale.
07:55
So once again, you're spending time,
even when we have this portal,
even when we have this portal,
184
463390
3180
Même avec ce portail, vous perdez
du temps, car vous devez
du temps, car vous devez
07:58
you're spending time
normalizing our address fields.
normalizing our address fields.
185
466570
2606
uniformiser les champs des adresses.
08:01
And that's not the best use
of our citizens' time.
of our citizens' time.
186
469176
2423
Et nos citoyens ont d'autres
chats à fouetter.
chats à fouetter.
Nous pouvons faire mieux comme ville.
08:03
We can do better than that as a city.
187
471599
1796
Nous pourrions normaliser nos adresses,
08:05
We can standardize our addresses,
188
473395
1645
08:07
and if we do,
we can get more maps like this.
we can get more maps like this.
189
475040
2185
ce qui nous aiderait
à créer plus de cartes.
à créer plus de cartes.
08:09
This is a map of fire hydrants
in New York City,
in New York City,
190
477225
2285
En voici une des
bornes d'incendie de NY,
bornes d'incendie de NY,
08:11
but not just any fire hydrants.
191
479510
1531
mais pas de n'importe quelle borne.
08:13
These are the top 250 grossing fire
hydrants in terms of parking tickets.
hydrants in terms of parking tickets.
192
481041
4726
Il s'agit des 250 bornes ayant remis le
plus grand nombre de contraventions.
plus grand nombre de contraventions.
08:17
(Laughter)
193
485767
1986
(Rires)
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
J'ai fait des découvertes
grâce à cette carte.
grâce à cette carte.
08:23
Number one, just don't park
on the Upper East Side.
on the Upper East Side.
195
491111
2402
Primo, ne vous garez
pas dans l'Upper East Side.
pas dans l'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
Peu importe où vous vous
garerez, vous aurez un ticket.
garerez, vous aurez un ticket.
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
J'ai également trouvé les deux
bornes les plus lucratives pour la ville,
bornes les plus lucratives pour la ville,
08:33
and they're on the Lower East Side,
198
501253
1886
deux bornes dans le 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
qui rapportent plus de 55 000 $
par année en contraventions.
par année en contraventions.
08:40
And that seemed a little strange
to me when I noticed it,
to me when I noticed it,
200
508237
2738
Cela m'a surpris.
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
J'ai donc fait des recherches
et j'ai découvert
et j'ai découvert
08:46
and then something called
a curb extension,
a curb extension,
202
514244
1996
qu'une avancée de trottoir de sept pieds
08:48
which is like a seven-foot
space to walk on,
space to walk on,
203
516240
2059
sépare la place de parking
08:50
and then a parking spot.
204
518299
1156
de la borne d'incendie.
08:51
And so these cars came along,
and the hydrant --
and the hydrant --
205
519455
2254
Un conducteur arrive et se dit :
08:53
"It's all the way over there, I'm fine,"
206
521709
1911
« La borne est là-bas, je suis ok. »
08:55
and there was actually a parking spot
painted there beautifully for them.
painted there beautifully for them.
207
523620
3474
Il regarde les lignes de parking
dessinées au sol et se gare.
dessinées au sol et se gare.
08:59
They would park there, and the NYPD
disagreed with this designation
disagreed with this designation
208
527094
3155
Les policiers, qui ne voient pas
les choses du même œil, lui
les choses du même œil, lui
09:02
and would ticket them.
209
530249
1058
collent une amende.
09:03
And it wasn't just me
who found a parking ticket.
who found a parking ticket.
210
531307
2344
Je ne suis pas le seul
à avoir remarqué cela.
à avoir remarqué cela.
09:05
This is the Google
Street View car driving by
Street View car driving by
211
533651
2146
La voiture de Google qui passait par là
09:07
finding the same parking ticket.
212
535797
1617
a photographié la scène.
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
J'en ai parlé dans mon blogue I Quant NY,
à la suite de quoi le DOT m'a répondu,
à la suite de quoi le DOT m'a répondu,
09:13
and they said,
214
541918
1020
et a déclaré :
09:14
"While the DOT has not received
any complaints about this location,
any complaints about this location,
215
542938
3410
« Bien que le DOT n'ait reçu
aucune plainte au sujet de
aucune plainte au sujet de
09:18
we will review the roadway markings
and make any appropriate alterations."
and make any appropriate alterations."
216
546348
4542
cet emplacement, nous allons
revoir le marquage au sol. »
revoir le marquage au sol. »
09:22
And I thought to myself,
typical government response,
typical government response,
217
550890
2959
Je me suis dit, voilà une
réponse typique,
réponse typique,
09:25
all right, moved on with my life.
218
553849
1881
merci, passons à autre chose.
09:27
But then, a few weeks later,
something incredible happened.
something incredible happened.
219
555730
3970
Mais, quelques semaines plus tard, une
chose extraordinaire s'est produite.
chose extraordinaire s'est produite.
09:31
They repainted the spot,
220
559700
2520
Ils ont refait les lignes, et pendant
09:34
and for a second I thought I saw
the future of open data,
the future of open data,
221
562220
2690
une seconde, j'ai vu l'avenir
de l'ouverture des données,
de l'ouverture des données,
09:36
because think about what happened here.
222
564910
2000
car pensez à ce qui est arrivé ici.
09:38
For five years, this spot was being
ticketed, and it was confusing,
ticketed, and it was confusing,
223
566910
5100
Durant cinq ans, ceux qui se garaient-là
recevaient un ticket sans comprendre,
recevaient un ticket sans comprendre,
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
puis un citoyen a fait une observation,
en a fait part à la ville et en quelques
en a fait part à la ville et en quelques
09:48
the problem was fixed.
225
576316
1294
semaines tout était réglé.
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
C'est formidable. Plusieurs personnes
voient là un rôle de cerbère.
voient là un rôle de cerbère.
09:52
It's not, it's about being a partner.
227
580810
1772
Les données sont plutôt un outil,
09:54
We can empower our citizens
to be better partners for government,
to be better partners for government,
228
582582
3138
qui nous permettent d'être de vrais
partenaires du gouvernement,
partenaires du gouvernement,
09:57
and it's not that hard.
229
585720
1881
et ce n'est pas si complexe.
09:59
All we need are a few changes.
230
587601
1459
Peu de changements sont requis.
10:01
If you're FOILing data,
231
589060
1107
Si vous vous faites
10:02
if you're seeing your data
being FOILed over and over again,
being FOILed over and over again,
232
590167
2867
régulièrement demander vos données,
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
rendez-les publiques, c'est un signe
qu'elles devraient l'être.
qu'elles devraient l'être.
10:08
And if you're a government agency
releasing a PDF,
releasing a PDF,
234
596608
2482
Votons aussi une loi qui
oblige les organismes
oblige les organismes
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
gouvernementaux qui mettent en
ligne des PDF à joindre à ceux-ci
ligne des PDF à joindre à ceux-ci
10:14
because that data
is coming from somewhere.
is coming from somewhere.
236
602739
2028
les données brutes, car
celles-ci proviennent
celles-ci proviennent
10:16
I don't know where, but it's
coming from somewhere,
coming from somewhere,
237
604767
2482
nécessairement de quelque part,
10:19
and you can release it with the PDF.
238
607249
1725
et devraient être accessibles.
10:20
And let's adopt and share
some open data standards.
some open data standards.
239
608974
2411
Fixons des normes
sur les données ouvertes
sur les données ouvertes
10:23
Let's start with our addresses
here in New York City.
here in New York City.
240
611385
2481
et uniformisons le format
10:25
Let's just start
normalizing our addresses.
normalizing our addresses.
241
613866
2074
des adresses de New York.
10:27
Because New York is a leader in open data.
242
615940
2062
Malgré tout ce que j'ai dit, NY reste un
10:30
Despite all this, we are absolutely
a leader in open data,
a leader in open data,
243
618002
2789
leader dans le domaine
des données ouvertes
des données ouvertes
10:32
and if we start normalizing things,
and set an open data standard,
and set an open data standard,
244
620791
3121
et si nous choisissons d'établir
des normes en la matière
des normes en la matière
10:35
others will follow. The state will follow,
and maybe the federal government,
and maybe the federal government,
245
623912
3634
d'autres feront de même. L'État,
le gouvernement fédéral, voire d'autres
le gouvernement fédéral, voire d'autres
10:39
Other countries could follow,
246
627546
1445
pays pourraient nous suivre.
Nous approchons d'une ère où nous
aurons un programme qui pourra
aurons un programme qui pourra
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
créeons des cartes avec les
données de 100 pays.
données de 100 pays.
10:44
and map information from 100 countries.
248
632402
1890
Ce n'est pas de la science fiction,
nous y sommes presque.
nous y sommes presque.
10:46
It's not science fiction.
We're actually quite close.
We're actually quite close.
249
634292
2487
10:48
And by the way, who are we
empowering with this?
empowering with this?
250
636779
2240
Mais au fait, à qui donnons-nous
le pouvoir?
le pouvoir?
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
Car il ne s'agit pas seulement de
John Krauss et de Chris Whong,
John Krauss et de 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
Il y a actuellement des
centaines de Meetup actifs
centaines de Meetup actifs
10:57
active meetups.
253
645119
1025
à New York.
Ils sont des milliers
à participer à ces réunions.
à participer à ces réunions.
10:58
There are thousands of people
attending these meetups.
attending these meetups.
254
646144
2572
Ils y assistent après le
travail et les weekends,
travail et les weekends,
11:00
These people are going after work
and on weekends,
and on weekends,
255
648716
2368
pour passer en revue des
données et améliorer la
données et améliorer la
11:03
and they're attending these meetups
to look at open data
to look at open data
256
651084
2636
qualité de vie dans notre ville.
11:05
and make our city a better place.
257
653720
1640
Des groupes comme BetaNYC, qui la
semaine dernière a lancé citygram.nyc,
semaine dernière a lancé 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
où vous pouvez vous
abonner à un bulletin des
abonner à un bulletin des
11:13
around your own home,
or around your office.
or around your office.
260
661580
2068
plaintes que la ville
reçoit au 311 dans un
reçoit au 311 dans un
11:15
You put in your address,
you get local complaints.
you get local complaints.
261
663648
2427
rayon autour de chez vous
ou de votre travail.
ou de votre travail.
11:18
And it's not just the tech community
that are after these things.
that are after these things.
262
666075
3374
Et ce n'est pas que la communauté
techno que cela intéresse.
techno que cela intéresse.
11:21
It's urban planners like
the students I teach at Pratt.
the students I teach at Pratt.
263
669449
2622
Les urbanistes, mes
étudiants, les défenseurs
étudiants, les défenseurs
11:24
It's policy advocates, it's everyone,
264
672071
1919
du domaine public, des citoyens
11:25
it's citizens from a diverse
set of backgrounds.
set of backgrounds.
265
673990
2563
de tous les milieux.
Tout le monde s'y intéresse.
Tout le monde s'y intéresse.
11:28
And with some small, incremental changes,
266
676553
2786
Et tous ces petits changements progressifs
11:31
we can unlock the passion
and the ability of our citizens
and the ability of our citizens
267
679339
3225
attisent la passion de nos
citoyens et leur permettent
citoyens et leur permettent
11:34
to harness open data
and make our city even better,
and make our city even better,
268
682564
3156
d'utiliser des données pour
améliorer notre ville,
améliorer notre ville,
11:37
whether it's one dataset,
or one parking spot at a time.
or one parking spot at a time.
269
685720
3626
que ce soit une donnée ou
une place de stationnement à la fois.
une place de stationnement à la fois.
11:41
Thank you.
270
689346
2322
Merci.
11:43
(Applause)
271
691668
3305
(Applaudissements)
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