TEDGlobal 2010
David McCandless: The beauty of data visualization
David McCandless: Piękno wizualizacji danych
Filmed:
Readability: 4.3
3,250,094 views
David McCandless przetwarza złożone zestawy danych, jak wydatki na wojsko, media buzz, statusy na Facebook'u i wiele innych w piękne acz proste diagramy. Proponuje modelowanie informacji, jako narzędzie do nawigacji po zawiłościach dzisiejszych informacji, znajdowania niezwykłych prawidłowości i połączeń, które mogą zmienić to jak postrzegamy świat.
David McCandless - Data journalist
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
David McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world. Full bio
Double-click the English transcript below to play the video.
00:15
It feels like we're all suffering
0
0
2000
Wygląda to, jakbyśmy wszyscy cierpieli
00:17
from information overload or data glut.
1
2000
3000
na przesyt informacji lub chaos danych.
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
Dobra informacja jest taka, że można to łatwo rozwiązać
00:22
and that's using our eyes more.
3
7000
2000
poprzez zwiększenie użycia naszych oczu.
00:24
So, visualizing information, so that we can see
4
9000
2000
Wizualizujemy informacje by zobaczyć
00:26
the patterns and connections that matter
5
11000
3000
prawidłowości i połączenia, które mają znaczenie
00:29
and then designing that information so it makes more sense,
6
14000
3000
i potem tworzymy z informacji coś co ma większy sens
00:32
or it tells a story,
7
17000
2000
lub opowiada historię
00:34
or allows us to focus only on the information that's important.
8
19000
3000
lub pozwala skupić się tylko na ważnych informacjach.
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
W razie niepowodzenia, wizualizacje mogą wyglądać całkiem fajnie.
00:41
So, let's see.
10
26000
2000
Zobaczmy
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
To jest diagram miliardów dolarów
00:47
and this image arose
12
32000
2000
ten obraz powstał
00:49
out of frustration I had
13
34000
2000
z mojej frustracji związanej
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
z raportami o miliardowych kwotach w prasie.
00:53
That is, they're meaningless without context:
15
38000
3000
One są bez znaczenia bez kontekstu.
00:56
500 billion for this pipeline,
16
41000
2000
500 miliardów na rurociąg
00:58
20 billion for this war.
17
43000
2000
20 miliardów na wojnę
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
Nie ma to sensu, jedynym sposobem na zrozumienie tego
01:02
is visually and relatively.
19
47000
2000
jest wizualizacja i relatywizacja
01:04
So I scraped a load of reported figures
20
49000
2000
Zebrałem sporo wymienionych sum
01:06
from various news outlets
21
51000
2000
z różnych źródeł wiadomości
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
i wyskalowałem bloki odpowiednio do sum.
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
Kolory reprezentują motywację związaną z pieniędzmi.
01:14
So purple is "fighting,"
24
59000
3000
Purpurowy to walka
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
czerwony to oddawanie pieniędzy, zielony to spekulowanie.
01:20
And what you can see straight away
26
65000
2000
Od razu widać, że
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
pojawił się inny związek pomiędzy liczbami.
01:24
You can literally see them.
28
69000
2000
Można je zobaczyć.
01:26
But more importantly, you start to see
29
71000
2000
Co ważniejsze, dostrzegamy
01:28
patterns and connections between numbers
30
73000
2000
prawidłowości i połączenia pomiędzy liczbami
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
które w innym wypadku rozeszłyby się po wielu wiadomościach.
01:33
Let me point out some that I really like.
32
78000
3000
Wskażę kilka, które lubię.
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
To jest zysk OPEC'u, ten zielony blok -
01:38
780 billion a year.
34
83000
2000
780 miliardów na rok.
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
ten mały piksel w rogu - trzy miliardy -
01:43
that's their climate change fund.
36
88000
3000
to jest ich fundusz na zmiany klimatu.
01:46
Americans, incredibly generous people --
37
91000
2000
Amerykanie, niezwykle hojni ludzie -
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
ponad 300 miliardów na rok przeznaczają na cele charytatywne,
01:51
compared with the amount of foreign aid
39
96000
2000
porównując z wielkością zagranicznej pomocy
01:53
given by the top 17 industrialized nations
40
98000
2000
dawanej przez 17 najbardziej rozwiniętych krajów
01:55
at 120 billion.
41
100000
2000
na poziomie 120 miliardów.
01:57
Then of course,
42
102000
2000
Oczywiście
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
wojna w Iraku, przewidywany koszt wynosił 60 miliardów
02:01
back in 2003.
44
106000
3000
w 2003
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
Trochę się powiększył. Afganistan teraz powiększył się
02:07
to 3,000 billion.
46
112000
3000
do 3000 miliardów.
02:10
So now it's great
47
115000
2000
Jest wspaniale,
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
ponieważ teraz mamy teksturę, do której można dodawać kolejne liczby.
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
Nowa liczba się pojawia... Zadłużenie Afryki
02:17
How much of this diagram do you think might be taken up
50
122000
2000
Jak dużo tego diagramu zajmie dług,
02:19
by the debt that Africa owes to the West?
51
124000
2000
jaki Afryka ma wobec Zachodu?
02:21
Let's take a look.
52
126000
2000
Zobaczmy
02:23
So there it is:
53
128000
2000
Oto on.
02:25
227 billion is what Africa owes.
54
130000
2000
Afryka jest dłużna 227 miliardów
02:27
And the recent financial crisis,
55
132000
2000
Ostatni kryzys finansowy -
02:29
how much of this diagram might that figure take up?
56
134000
2000
jak dużo zajmie diagramu?
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
Ile on kosztował świat? Zobaczmy.
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
Wow. To jest odpowiedni efekt dźwiękowy
02:37
for that much money:
59
142000
2000
na tak wielką sumę.
02:39
11,900 billion.
60
144000
4000
11900 miliardów.
02:45
So, by visualizing this information,
61
150000
2000
Poprzez wizualizowanie informacji
02:47
we turned it into a landscape
62
152000
2000
zamieniamy je w krajobraz
02:49
that you can explore with your eyes,
63
154000
2000
poznawany oczami
02:51
a kind of map really, a sort of information map.
64
156000
2000
rodzaj mapy, mapy informacji.
02:53
And when you're lost in information,
65
158000
2000
Jeżeli jesteśmy zagubieni w informacjach
02:55
an information map is kind of useful.
66
160000
3000
mapa informacji jest użyteczna.
02:58
So I want to show you another landscape now.
67
163000
2000
Pokażę Wam inny krajobraz.
03:00
We need to imagine what a landscape
68
165000
2000
Musimy wyobrazić sobie jak krajobraz
03:02
of the world's fears might look like.
69
167000
3000
światowych niepokojów by wyglądał.
03:05
Let's take a look.
70
170000
2000
Zobaczmy.
03:07
This is Mountains Out of Molehills,
71
172000
2000
Góry z kretowisk,
03:09
a timeline of global media panic.
72
174000
2000
linia czasu globalnej medialnej paniki.
03:11
(Laughter)
73
176000
2000
(Śmiech)
03:13
So, I'll label this for you in a second.
74
178000
2000
Oznaczę go za chwilę.
03:15
But the height here, I want to point out,
75
180000
2000
Wysokość, chciałbym to zaznaczyć,
03:17
is the intensity of certain fears
76
182000
2000
jest intensywnością pewnych lęków,
03:19
as reported in the media.
77
184000
2000
raportowanych w mediach.
03:21
Let me point them out.
78
186000
2000
Wskażę je wam.
03:23
So this, swine flu -- pink.
79
188000
4000
Świńska grypa - różowy.
03:27
Bird flu.
80
192000
2000
Ptasia grypa.
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
SARS - brązowawy tutaj. Zapamiętajcie ten.
03:32
The millennium bug,
82
197000
3000
Błąd tysiąclecia -
03:35
terrible disaster.
83
200000
2000
straszliwa katastrofa.
03:37
These little green peaks
84
202000
2000
Te małe zielone szczyty
03:39
are asteroid collisions.
85
204000
2000
to kolizje asteroid.
03:41
(Laughter)
86
206000
2000
(Śmiech)
03:43
And in summer, here, killer wasps.
87
208000
2000
W lecie, tutaj, zabójcze osy.
03:45
(Laughter)
88
210000
8000
(Śmiech)
03:53
So these are what our fears look like
89
218000
2000
Więc tak wyglądają nasze lęki
03:55
over time in our media.
90
220000
2000
na przestrzeni czasu w mediach.
03:57
But what I love -- and I'm a journalist --
91
222000
2000
Co kocham - jestem dziennikarzem -
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
kocham znajdowanie ukrytych prawideł; lubię być detektywem danych.
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
W tych danych ukryta jest bardzo interesująca i dziwna reguła
04:05
that you can only see when you visualize it.
94
230000
2000
widoczna tylko podczas wizualizacji.
04:07
Let me highlight it for you.
95
232000
2000
Podświetlę ją dla Was.
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
Ta linia. To jest krajobraz dla brutalnych gier wideo.
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
Widać dziwną, regułę w tych danych,
04:15
twin peaks every year.
98
240000
2000
dwa szczyty każdego roku.
04:17
If we look closer, we see those peaks occur
99
242000
2000
Patrząc bliżej, zauważamy, że te szczyty pojawiają się
04:19
at the same month every year.
100
244000
3000
w tych samych miesiącach każdego roku.
04:22
Why?
101
247000
2000
Dlaczego?
04:24
Well, November, Christmas video games come out,
102
249000
2000
Listopad, gry świąteczne są wydawane,
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
mogą wzbudzać obawy o ich zawartość.
04:29
But April isn't a particularly massive month
104
254000
3000
Kwiecień nie jest specjalnie masywnym miesiącem
04:32
for video games.
105
257000
2000
dla gier wideo.
04:34
Why April?
106
259000
2000
Dlaczego kwiecień?
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
W kwietniu 1999 była strzelanina w Columbine
04:39
and since then, that fear
108
264000
2000
od wtedy, ten lęk
04:41
has been remembered by the media
109
266000
2000
został zapamiętany w mediach
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
i echem stopniowo odbija się w umysłach przez cały rok.
04:45
You have retrospectives, anniversaries,
111
270000
3000
Są retrospekcje, rocznice,
04:48
court cases, even copy-cat shootings,
112
273000
3000
sprawy sądowe, nawet podobne strzelaniny,
04:51
all pushing that fear into the agenda.
113
276000
3000
wszystko to pcha ten lęk do agendy.
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
Jest tutaj też inna prawidłowość. Zauważacie ją?
04:56
See that gap there? There's a gap,
115
281000
2000
Widzicie tą lukę? Jest przerwa
04:58
and it affects all the other stories.
116
283000
2000
wpływająca na wszystkie inne historie.
05:00
Why is there a gap there?
117
285000
2000
Dlaczego tam jest luka?
05:02
You see where it starts? September 2001,
118
287000
3000
Widzicie kiedy się zaczyna? Wrzesień 2001,
05:05
when we had something very real
119
290000
2000
kiedy mieliśmy coś bardzo realnego,
05:07
to be scared about.
120
292000
2000
aby się bać.
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
Pracuję jako dziennikarz danych przez rok,
05:12
and I keep hearing a phrase
122
297000
2000
ciągle słyszę frazę
05:14
all the time, which is this:
123
299000
3000
cały czas, że:
05:17
"Data is the new oil."
124
302000
2000
"Dane to nowa ropa naftowa."
05:19
Data is the kind of ubiquitous resource
125
304000
3000
Dane to nowy rodzaj wszechobecnego zasobu,
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
który można kształtować by dostarczać innowacje i nowe spojrzenia
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
i jest wokół nas, może być wydobywany bardzo łatwo.
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
Nie jest to dobra metafora w dzisiejszych czasach,
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
specjalnie jeżeli żyjesz w okolicy Zatoki Meksykańskiej
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
zmienię trochę tą metaforę
05:36
and I would say that data is the new soil.
131
321000
3000
i powiem, że dane to nowa gleba.
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
Dla mnie jest to żyzne i kreatywne medium.
05:43
Over the years, online,
133
328000
2000
Poprzez lata, online,
05:45
we've laid down
134
330000
3000
pozostawiliśmy
05:48
a huge amount of information and data,
135
333000
2000
pokaźną ilość informacji i danych
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
nawadnialiśmy je przez sieci i łączność,
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
pracowali nad nimi i uprawiali je nieopłacani pracownicy i rządy.
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
Trochę rozpływam się nad tą metaforą.
05:58
But it's a really fertile medium,
139
343000
3000
Jest to bardzo żyzne medium.
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
wygląda na to, że wizualizacje, infografiki, wizualizacje danych,
06:04
they feel like flowers blooming from this medium.
141
349000
3000
są kwiatami powstającymi z owego medium.
06:07
But if you look at it directly,
142
352000
2000
Spoglądając na nie bezpośrednio
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
jest to tylko masa liczb i niepołączonych faktów.
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
Jeżeli zacznie się pracować z nimi, bawić nimi w odpowiedni sposób,
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
pojawiają się interesujące rzeczy i odkrywają się różne reguły.
06:17
Let me show you this.
146
362000
2000
Pokażę Wam to.
06:19
Can you guess what this data set is?
147
364000
3000
Zgadnijcie, co pokazują te dane?
06:22
What rises twice a year,
148
367000
2000
Co wzrasta dwukrotnie w roku,
06:24
once in Easter
149
369000
2000
raz na Wielkanoc
06:26
and then two weeks before Christmas,
150
371000
2000
i potem dwa tygodnie przed Bożym Narodzeniem,
06:28
has a mini peak every Monday,
151
373000
2000
ma mały szczyt w każdy poniedziałek
06:30
and then flattens out over the summer?
152
375000
2000
i wyrównuje się podczas lata.
06:32
I'll take answers.
153
377000
2000
Przyjmuję odpowiedzi.
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(Widownia: Czekolada.) David McCandless: Chekolada.
06:36
You might want to get some chocolate in.
155
381000
3000
Czasami warto mieć trochę czekolady.
06:39
Any other guesses?
156
384000
2000
Inne sugestie?
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
(Widownia: Zakupy.) DM: Zakupy.
06:43
Yeah, retail therapy might help.
158
388000
3000
Jasne, terapia zakupowa może pomóc.
06:46
(Audience: Sick leave.)
159
391000
2000
(Widownia: Chorobowe.)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
DM: Chorobowe. Warto wziąć trochę czasu wolnego.
06:50
Shall we see?
161
395000
2000
Zobaczymy?
06:53
(Laughter)
162
398000
8000
(Śmiech)
07:01
(Applause)
163
406000
3000
(Aplauz)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
Informacje tutaj, Lee Byron i ja
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
zebraliśmy 10000 zmian statusów z Facebook'a
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
dla frazy "rozstanie" i "zerwać"
07:12
and this is the pattern we found --
167
417000
2000
odnaleźliśmy tą regułę -
07:14
people clearing out for Spring Break,
168
419000
2000
ludzie rozstają się na przerwę wiosenną
07:16
(Laughter)
169
421000
5000
(Śmiech)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
wychodzą z bardzo złych weekendów w poniedziałek,
07:23
being single over the summer,
171
428000
3000
są samotni przez lato.
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
W najgorszy dzień w roku, oczywiście: Boże Narodzenie.
07:29
Who would do that?
173
434000
3000
Kto by to zrobił?
07:32
So there's a titanic amount of data out there now,
174
437000
2000
Jest tam ogromna ilość danych
07:34
unprecedented.
175
439000
2000
bezprecedensowo.
07:37
But if you ask the right kind of question,
176
442000
2000
Jeżeli zadamy odpowiednie pytanie,
07:39
or you work it in the right kind of way,
177
444000
2000
lub jeżeli wypracujemy odpowiedni sposób,
07:41
interesting things can emerge.
178
446000
3000
ciekawe rzeczy mogą się pojawić.
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
Informacja jest piękna. Dane są piękne.
07:47
I wonder if I could make my life beautiful.
180
452000
3000
Zastanawiam się, czy mógłbym zrobić własne tak pięknie.
07:50
And here's my visual C.V.
181
455000
2000
To jest moje wizualne C.V.
07:52
I'm not quite sure I've succeeded.
182
457000
2000
Nie wiem, czy mi się udało.
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
Całkiem blokowe. Kolory nie są wspaniałe.
07:56
But I wanted to convey something to you.
184
461000
3000
Chciałem Wam coś przekazać.
07:59
I started as a programmer,
185
464000
2000
Zaczynałem jako programista,
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
i pracowałem jako pisarz przez wiele lat, około 20 lat,
08:03
in print, online and then in advertising,
187
468000
2000
w prasie, online i potem w reklamie
08:05
and only recently have I started designing.
188
470000
3000
ostatnio zająłem się projektowaniem.
08:08
And I've never been to design school.
189
473000
2000
Nigdy nie uczęszczałem do szkoły projektowania.
08:10
I've never studied art or anything.
190
475000
3000
Nie studiowałem sztuki.
08:13
I just kind of learned through doing.
191
478000
2000
Nauczyłem się poprzez wykonywanie.
08:15
And when I started designing,
192
480000
2000
Kiedy zacząłem projektować,
08:17
I discovered an odd thing about myself.
193
482000
2000
odkryłem dziwną rzecz o sobie.
08:19
I already knew how to design,
194
484000
2000
Już wiedziałem jak projektować,
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
nie byłem niesamowicie błyskotliwy w tym
08:24
but more like I was sensitive
196
489000
2000
bardziej byłem czuły
08:26
to the ideas of grids and space
197
491000
2000
na idee sieci i przestrzeni
08:28
and alignment and typography.
198
493000
2000
dostosowywania i typografii.
08:30
It's almost like being exposed
199
495000
2000
Prawie, jak bycie wyeksponowanym
08:32
to all this media over the years
200
497000
2000
na te wszystkie media przez lata
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
zaszczepiło we mnie uśpione umiejętności projetowania.
08:37
And I don't feel like I'm unique.
202
502000
2000
Nie czuję, że jestem wyjątkowy.
08:39
I feel that everyday, all of us now
203
504000
2000
Czuję to codziennie, każdy z nas
08:41
are being blasted by information design.
204
506000
3000
jest torpedowany projektowaniem informacji.
08:44
It's being poured into our eyes through the Web,
205
509000
2000
Za pośrednictwem Internetu dostaje się to nam do oczu
08:46
and we're all visualizers now;
206
511000
2000
i teraz wszyscy jesteśmy wzrokowcami;
08:48
we're all demanding a visual aspect
207
513000
2000
domagamy się wizualnego aspektu
08:50
to our information.
208
515000
3000
naszych informacji.
08:53
There's something almost quite magical about visual information.
209
518000
3000
Jest coś magicznego o informacji wizualnej.
08:56
It's effortless, it literally pours in.
210
521000
3000
Jest bez wysiłkowa, dosłownie wlewa się.
08:59
And if you're navigating a dense information jungle,
211
524000
3000
Nawigując przez gęstą dżunglę informacji,
09:02
coming across a beautiful graphic
212
527000
2000
natrafienie na piękną grafikę
09:04
or a lovely data visualization,
213
529000
2000
lub czarowną wizualizację danych
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
jest ulgą, przejściem przez polanę w dżungli.
09:09
I was curious about this, so it led me
215
534000
2000
Byłem tego ciekaw, więc zaprowadziło mnie to
09:11
to the work of a Danish physicist
216
536000
2000
do pracy duńskiego fizyka
09:13
called Tor Norretranders,
217
538000
2000
Tora Norretrandersa,
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
który skonwertował przepustowość zmysłów na terminy komputerowe.
09:19
So here we go. This is your senses,
219
544000
2000
Zaczynamy. To są odczucia,
09:21
pouring into your senses every second.
220
546000
2000
docierające do zmysłów każdej sekundy.
09:23
Your sense of sight is the fastest.
221
548000
3000
Zmysł wzroku jest najszybszy.
09:26
It has the same bandwidth as a computer network.
222
551000
3000
Ma taką samą przepustowość jak sieć komputerowa.
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
Potem dotyk, który ma prędkość zbliżoną do USB.
09:32
And then you have hearing and smell,
224
557000
2000
Następnie słuch i zapach,
09:34
which has the throughput of a hard disk.
225
559000
2000
o przepustowości dysku twardego.
09:36
And then you have poor old taste,
226
561000
2000
Potem stary dobry smak,
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
o przepustowości zaledwie kalkulatora.
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
Ten mały prostokąt w rogu, 0.7 procenta,
09:44
that's the amount we're actually aware of.
229
569000
3000
jest ilością, której jesteśmy świadomi.
09:47
So a lot of your vision --
230
572000
2000
Wiele jest wzrokiem -
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
większość jest wizualna, wlewa się do niego.
09:51
It's unconscious.
232
576000
2000
Nieświadomie.
09:53
The eye is exquisitely sensitive
233
578000
3000
Oko jest znakomicie wrażliwe
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
na prawidłowości w zmianach kolorów, kształtów i wzorów.
09:59
It loves them, and it calls them beautiful.
235
584000
2000
Kocha je i nazywa je pięknymi.
10:01
It's the language of the eye.
236
586000
2000
To jest język oka.
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
Łącząc język oka z językiem umysłu,
10:05
which is about words and numbers and concepts,
238
590000
3000
który opiera się na słowach, liczbach i konceptach,
10:08
you start speaking two languages simultaneously,
239
593000
3000
zaczynasz mówić dwoma językami naraz,
10:11
each enhancing the other.
240
596000
3000
jeden wzmacnia drugi.
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
Mając oko następnie giniemy w konceptach.
10:17
And that whole thing -- it's two languages
242
602000
2000
Cała rzecz - te dwa języki
10:19
both working at the same time.
243
604000
2000
oba pracujące w tym samym czasie.
10:21
So we can use this new kind of language, if you like,
244
606000
2000
Możemy używać nowego języka, jeśli chcemy,
10:23
to alter our perspective or change our views.
245
608000
3000
do zmiany punktu widzenia lub zmiany poglądów.
10:26
Let me ask you a simple question
246
611000
2000
Zadam proste pytanie
10:28
with a really simple answer:
247
613000
2000
z prostą odpowiedzią.
10:30
Who has the biggest military budget?
248
615000
2000
Kto ma największy budżet wojskowy?
10:32
It's got to be America, right?
249
617000
2000
Musi to być Ameryka.
10:34
Massive. 609 billion in 2008 --
250
619000
2000
Masywne, 609 miliardów w 2008 -
10:36
607, rather.
251
621000
2000
raczej 607.
10:38
So massive, in fact, that it can contain
252
623000
2000
Tak wielkie, że mogłoby zawierać
10:40
all the other military budgets in the world inside itself.
253
625000
3000
wszystkie inne wojskowe budżety świata w nim.
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
Gulgot, gulgot, gulgot.
10:45
Now, you can see Africa's total debt there
255
630000
2000
Tutaj jest całkowite zadłużenie Afryki
10:47
and the U.K. budget deficit for reference.
256
632000
2000
i deficyt budżetowy Wielkiej Brytanii dla odniesienia.
10:49
So that might well chime
257
634000
2000
To może wtórować
10:51
with your view that America
258
636000
2000
naszemu poglądowi, że Ameryka
10:53
is a sort of warmongering military machine,
259
638000
3000
jest nawołującą do wojny, maszyną militarną
10:56
out to overpower the world
260
641000
2000
chcącą zawładnąć światem
10:58
with its huge industrial-military complex.
261
643000
3000
z ogromnym kompleksem przemysłowo-wojskowym.
11:01
But is it true that America has the biggest military budget?
262
646000
3000
Czy jest prawdą, że Ameryka ma największy budżet militarny?
11:04
Because America is an incredibly rich country.
263
649000
2000
Jest to niesamowicie bogaty kraj.
11:06
In fact, it's so massively rich
264
651000
2000
Tak ogromnie bogaty,
11:08
that it can contain the four other
265
653000
2000
że mógłby zawierać cztery inne
11:10
top industrialized nations' economies
266
655000
2000
najbardziej uprzemysłowione narodowe ekonomie
11:12
inside itself, it's so vastly rich.
267
657000
3000
w sobie, tak szeroko jest bogata.
11:15
So its military budget is bound to be enormous.
268
660000
3000
Budżet militarny musi być ogromny.
11:18
So, to be fair and to alter our perspective,
269
663000
2000
By być sprawiedliwym i by zmienić perspektywę
11:20
we have to bring in another data set,
270
665000
2000
należy wziąć inny zestaw danych,
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
jest nim PKB lub dochód kraju.
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
Kto ma największy budżet w proporcji do PKB?
11:26
Let's have a look.
273
671000
2000
Zobaczmy.
11:28
That changes the picture considerably.
274
673000
3000
To znacznie zmienia obraz.
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
Inne kraje pojawiają się, a nie były rozważane
11:34
and American drops into eighth.
276
679000
2000
Ameryka spada na ósme miejsce.
11:36
Now you can also do this with soldiers.
277
681000
2000
Tak samo można zrobić z żołnierzami.
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
Kto ma ich najwięcej? Muszą to być Chiny.
11:40
Of course, 2.1 million.
279
685000
2000
Oczywiście, 2.1 miliona.
11:42
Again, chiming with your view
280
687000
2000
Znów, wtóruje to poglądowi, że
11:44
that China has a militarized regime
281
689000
2000
Chiny są zmilitaryzowanym reżimem
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
gotowym zmobilizować ogromne jego siły.
11:48
But of course, China has an enormous population.
283
693000
3000
Chiny mają olbrzymią populację.
11:51
So if we do the same,
284
696000
2000
Robiąc to samo,
11:53
we see a radically different picture.
285
698000
2000
zobaczmy radykalnie zmieniony obraz.
11:55
China drops to 124th.
286
700000
2000
Chiny spadają na 124 miejsce.
11:57
It actually has a tiny army
287
702000
2000
Właściwie mają małą armię
11:59
when you take other data into consideration.
288
704000
3000
biorąc pod uwagę inne dane.
12:02
So, absolute figures, like the military budget,
289
707000
2000
Liczby absolutne, jak budżet na wojsko,
12:04
in a connected world,
290
709000
2000
w świecie z połączeniami,
12:06
don't give you the whole picture.
291
711000
2000
nie dają pełnego obrazu.
12:08
They're not as true as they could be.
292
713000
2000
Nie są tak prawdziwe, jak mogłyby być.
12:10
We need relative figures that are connected to other data
293
715000
3000
Potrzebujemy relatywnych liczb połączonych z innymi danymy
12:13
so that we can see a fuller picture,
294
718000
2000
by zobaczyć pełniejszy obraz
12:15
and then that can lead to us changing our perspective.
295
720000
2000
prowadzący nas do zmiany perspektywy.
12:17
As Hans Rosling, the master,
296
722000
2000
Hans Rosling, mój mistrz,
12:19
my master, said,
297
724000
3000
powiedział
12:22
"Let the dataset change your mindset."
298
727000
3000
"Pozwólmy danym zmienić nasze myślenie."
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
Jeżeli to się uda, może uda się także zmienić zachowania.
12:29
Take a look at this one.
300
734000
2000
Spójrzmy na ten.
12:31
I'm a bit of a health nut.
301
736000
2000
Mam bzika na punkcie zdrowia.
12:33
I love taking supplements and being fit,
302
738000
3000
Kocham brać suplementy i być w dobrej formie,
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
ale nigdy nie rozumiem, o co chodzi z ich zawartością.
12:39
There's always conflicting evidence.
304
744000
2000
Zawsze są konflikty dotyczące ich składu.
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
Powinienem brać witaminę C? Czy może pędy przenicy?
12:43
This is a visualization of all the evidence
306
748000
2000
To jest wizualizacja wszystkich składników
12:45
for nutritional supplements.
307
750000
2000
suplementów żywieniowych.
12:47
This kind of diagram is called a balloon race.
308
752000
3000
Ten rodzaj diagramu nazywany jest wyścigiem balonów.
12:50
So the higher up the image,
309
755000
2000
Im wyżej na obrazku,
12:52
the more evidence there is for each supplement.
310
757000
3000
tym wyższa zawartość danego składnika w suplemencie.
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
Bańki związane są z popularnością wyszukiwań w Google.
12:58
So you can immediately apprehend
312
763000
3000
Od razu widać
13:01
the relationship between efficacy and popularity,
313
766000
3000
związek pomiędzy wydajnością i popularnością,
13:04
but you can also, if you grade the evidence,
314
769000
3000
można również, stopniując zawartości
13:07
do a "worth it" line.
315
772000
2000
wykonać jakby linię "wartych zachodu".
13:09
So supplements above this line are worth investigating,
316
774000
3000
Suplementy powyżej tej linii są warte zbadania,
13:12
but only for the conditions listed below,
317
777000
3000
jednak tylko dla warunków wymienionych poniżej.
13:15
and then the supplements below the line
318
780000
3000
Suplementy poniżej tej linii
13:18
are perhaps not worth investigating.
319
783000
2000
nie są warte badania.
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
Ten obraz pochłonął wiele pracy.
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
Zebraliśmy 1000 badań z PubMed,
13:26
the biomedical database,
322
791000
2000
biomedycznej bazy danych
13:28
and we compiled them and graded them all.
323
793000
3000
skompilowaliśmy je i oceniliśmy je wszystkie.
13:31
And it was incredibly frustrating for me
324
796000
2000
Było to bardzo frustrujące dla mnie
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
ponieważ miałem do wykonania 250 wizualizacji do mojej książki,
13:36
and I spent a month doing this,
326
801000
2000
a spędziłem miesiąc robiąc ten,
13:38
and I only filled two pages.
327
803000
2000
wypełniając tylko dwie strony.
13:40
But what it points to
328
805000
2000
Wskazuje to na to, że
13:42
is that visualizing information like this
329
807000
2000
taka wizualizacja informacji
13:44
is a form of knowledge compression.
330
809000
2000
jest formą kompresji wiedzy.
13:46
It's a way of squeezing an enormous amount
331
811000
2000
Metodą ściśnięcia ogromnych ilości
13:48
of information and understanding
332
813000
2000
informacji i zrozumienia
13:50
into a small space.
333
815000
2000
na małej przestrzeni.
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
Kiedy raz zdobędziesz, oczyścisz dane,
13:54
and once it's there,
335
819000
2000
raz umieścisz
13:56
you can do cool stuff like this.
336
821000
2000
możesz robić fajnie rzeczy, jak to.
13:58
So I converted this into an interactive app,
337
823000
2000
Skonwertowałem to do interaktywnej aplikacji,
14:00
so I can now generate this application online --
338
825000
2000
którą można generować online -
14:02
this is the visualization online --
339
827000
2000
to jest wizualizacja online -
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
mogę powiedzieć, "Tak, świetnie."
14:06
So it spawns itself.
341
831000
2000
Mnoży się samo.
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
Mogę powiedzieć, "Pokaż mi tylko to,
14:10
that affects heart health."
343
835000
2000
co jest związane ze zdrowiem serca."
14:12
So let's filter that out.
344
837000
2000
Przefiltrujmy to.
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
Serce jest przefiltrowane, jeżeli jestem tym zaciekawiony.
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
Myślę, "Nie, nie chcę brać żadnych syntetyków.
14:19
I just want to see plants and --
347
844000
3000
Chcę zobaczyć rośliny -
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
pokaż mi tylko zioła i rośliny. Mam wszystkie naturalne składniki."
14:25
Now this app is spawning itself
349
850000
2000
Teraz aplikacja tworzy się sama
14:27
from the data.
350
852000
2000
z danych.
14:29
The data is all stored in a Google Doc,
351
854000
2000
Wszystkie dane są zapamiętane w dokumencie na Google,
14:31
and it's literally generating itself from that data.
352
856000
3000
a aplikacja generuje się sama z tych danych.
14:34
So the data is now alive; this is a living image,
353
859000
2000
Dane są teraz żywe, to jest żywy obraz,
14:36
and I can update it in a second.
354
861000
2000
mogę ją zaktualizować w sekundę.
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
Nowe składniki wychodzą - tylko zmieniam wiersz w arkuszu.
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
Ciach! Obraz tworzy się sam.
14:44
So it's cool.
357
869000
2000
To jest fajne.
14:46
It's kind of living.
358
871000
3000
Tak jakby żyło.
14:49
But it can go beyond data,
359
874000
2000
Może pójść ponad dane,
14:51
and it can go beyond numbers.
360
876000
2000
ponad liczby.
14:53
I like to apply information visualization
361
878000
2000
Lubię aplikować wizualizację informacji
14:55
to ideas and concepts.
362
880000
3000
do idei i konceptów.
14:58
This is a visualization
363
883000
2000
To jest wizualizacja
15:00
of the political spectrum,
364
885000
2000
spektrum politycznego,
15:02
an attempt for me to try
365
887000
2000
jako próba spróbowania
15:04
and understand how it works
366
889000
2000
i zrozumienia jak to działa
15:06
and how the ideas percolate down
367
891000
2000
i jak pomysły przenikają w dół
15:08
from government into society and culture,
368
893000
2000
od rządu do społeczeństwa i kultury,
15:10
into families, into individuals, into their beliefs
369
895000
3000
do rodzin, jednostek, do ich wierzeń
15:13
and back around again in a cycle.
370
898000
3000
i z powrotem w cykl.
15:16
What I love about this image
371
901000
2000
Kocham w tym obrazku
15:18
is it's made up of concepts,
372
903000
2000
jego wykonanie z konceptów,
15:20
it explores our worldviews
373
905000
2000
on eksploruje nasze poglądy na świat
15:22
and it helps us -- it helps me anyway --
374
907000
2000
i pomaga nam - pomaga mnie -
15:24
to see what others think,
375
909000
2000
zobaczyć, jak inni myślą,
15:26
to see where they're coming from.
376
911000
2000
by zobaczyć skąd się bierze ich myślenie.
15:28
And it feels just incredibly cool to do that.
377
913000
3000
Czujesz się niesamowicie fajnie wykonując to.
15:31
What was most exciting for me
378
916000
3000
Najbardziej ekscytujące dla mnie
15:34
designing this
379
919000
2000
projektując to
15:36
was that, when I was designing this image,
380
921000
2000
była chęć, kiedy projektowałem ten obrazek,
15:38
I desperately wanted this side, the left side,
381
923000
3000
aby ta strona, lewa strona,
15:41
to be better than the right side --
382
926000
2000
była lepsza od prawej -
15:43
being a journalist, a Left-leaning person --
383
928000
3000
będąc dziennikarzem, lewicującą osobą -
15:46
but I couldn't, because I would have created
384
931000
2000
jednak nie mogłem, ponieważ stworzyłbym
15:48
a lopsided, biased diagram.
385
933000
3000
koślawy, tendencyjny diagram.
15:51
So, in order to really create a full image,
386
936000
3000
By stworzyć pełen obraz,
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
musiałem uszanować perspektywę tego po prawej stronie
15:57
and at the same time, uncomfortably recognize
388
942000
3000
w tym samym czasie, niewygodnie przyznawać
16:00
how many of those qualities were actually in me,
389
945000
3000
jak wiele wartości było we mnie,
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
co było bardzo wkurzające i niewygodne.
16:05
(Laughter)
391
950000
4000
(Śmiech)
16:09
But not too uncomfortable,
392
954000
2000
Lecz nie za niewygodnie,
16:11
because there's something unthreatening
393
956000
3000
ponieważ jest coś niestrasznego
16:14
about seeing a political perspective,
394
959000
2000
w widzeniu politycznej perspektywy,
16:16
versus being told or forced to listen to one.
395
961000
3000
w porównaniu do słuchania lub zmuszania do słuchania tylko jednej.
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
Właściwie - jesteśmy zdolni utrzymywać sprzeczne punkty widzenia
16:22
joyously when you can see them.
397
967000
2000
na wesoło, kiedy można je dostrzec.
16:24
It's even fun to engage with them
398
969000
2000
Nawet zabawnie jest przyjmować,
16:26
because it's visual.
399
971000
2000
ponieważ są widoczne.
16:28
So that's what's exciting to me,
400
973000
2000
To jest to, co mnie ekscytuje,
16:30
seeing how data can change my perspective
401
975000
2000
widzenie jak dane mogą zmieniać moja perspektywę
16:32
and change my mind midstream --
402
977000
2000
zmieniać nurt myślenia -
16:34
beautiful, lovely data.
403
979000
3000
piękne, kochane dane.
16:38
So, just to wrap up,
404
983000
2000
By podsumować
16:40
I wanted to say
405
985000
2000
chciałbym powiedzieć, że
16:42
that it feels to me that design is about solving problems
406
987000
2000
projektowanie to rozwiązywanie problemów i
16:44
and providing elegant solutions,
407
989000
3000
dostarczanie eleganckich rozwiązań.
16:47
and information design is about
408
992000
2000
Projektowanie informacji to
16:49
solving information problems.
409
994000
2000
rozwiązywanie problemów informacyjnych.
16:51
It feels like we have a lot of information problems
410
996000
2000
Wygląda na to, że mamy wiele problemów z informacjami
16:53
in our society at the moment,
411
998000
2000
w naszym społeczeństwie aktualnie
16:55
from the overload and the saturation
412
1000000
2000
od przeładowania i nasycenia
16:57
to the breakdown of trust and reliability
413
1002000
2000
do załamania zaufania i wiarygodności
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
i uciekającego sceptycyzmu i braku przejrzystości
17:01
or even just interestingness.
415
1006000
2000
lub nawet poziomu zainteresowania.
17:03
I mean, I find information just too interesting.
416
1008000
2000
To znaczy sądzić, że informacja jest zbyt interesująca.
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
To ma magnetyczną jakość, która mnie przyciąga.
17:09
So, visualizing information
418
1014000
2000
Wizualizowanie informacji
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
może dać szybkie rozwiązanie tego typu problemów.
17:14
Even when the information is terrible,
420
1019000
2000
Nawet kiedy informacja jest okropna,
17:16
the visual can be quite beautiful.
421
1021000
3000
wizualizacja może być całkiem piękna.
17:19
Often we can get clarity
422
1024000
3000
Często otrzymamy klarowność
17:22
or the answer to a simple question very quickly,
423
1027000
2000
lub odpowiedź na proste pytanie bardzo szybko,
17:24
like this one,
424
1029000
2000
jak to,
17:26
the recent Icelandic volcano.
425
1031000
3000
wulkan na Islandii.
17:29
Which was emitting the most CO2?
426
1034000
2000
Co emitowało najwięcej CO2?
17:31
Was it the planes or the volcano,
427
1036000
2000
Był to wulkan, czy samoloty,
17:33
the grounded planes or the volcano?
428
1038000
2000
uziemione samoloty, czy wulkan?
17:35
So we can have a look.
429
1040000
2000
Zobaczmy.
17:37
We look at the data and we see:
430
1042000
2000
Patrzymy na dane i widzimy,
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
tak, wulkan wyemitował 150000 ton;
17:41
the grounded planes would have emitted
432
1046000
2000
uziemione samoloty wyemitowałyby
17:43
345,000 if they were in the sky.
433
1048000
3000
345000 jeżeli byłyby w powietrzu.
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
W istocie, mieliśmy pierwszy neutralizujący dwutlenek węgla wulkan.
17:49
(Laughter)
435
1054000
2000
(Śmiech)
17:51
(Applause)
436
1056000
9000
(Aplauz)
18:00
And that is beautiful. Thank you.
437
1065000
3000
To jest piękne. Dziękuję.
18:03
(Applause)
438
1068000
8000
(Aplauz)
ABOUT THE SPEAKER
David McCandless - Data journalistDavid McCandless draws beautiful conclusions from complex datasets -- thus revealing unexpected insights into our world.
Why you should listen
David McCandless makes infographics -- simple, elegant ways to see information that might be too complex or too big, small, abstract or scattered to otherwise be grasped. In his new book, Information Is Beautiful (in the US, it's being called The Visual Miscellaneum), McCandless and his cadre of info designers take a spin through the world of visualized data, from hard stats on politics and climate to daffy but no less important trends in pop music.
McCandless' genius is not so much in finding jazzy new ways to show data -- the actual graphics aren't the real innovation here -- as in finding fresh ways to combine datasets to let them ping and prod each other. Reporting the number of drug deaths in the UK every year is interesting; but mapping that data onto the number of drug deaths reported by the UK press, broken down by drug, is utterly fascinating (more deaths by marijuana were reported than in fact occurred, by a factor of 484%). McCandless contributes a monthly big-think graphic to the Guardian's Data Blog, and makes viral graphics for his blog Information Is Beautiful.
David McCandless | Speaker | TED.com