TEDGlobal 2010
David McCandless: The beauty of data visualization
เดวิด แมคแคนด์เลส: ความงามของการแปรข้อมูลเป็นแผนภูมิภาพ
Filmed:
Readability: 4.3
3,250,094 views
เดวิด แมคแคนด์เลส เปลี่ยนชุดข้อมูลที่ซับซ้อน เช่นการใช้จ่ายทางทหารทั่วโลก, รายงานข่าว, การอัพเดตสเตตัสเฟซบุ้ก, และอื่นๆ เป็นแผนภาพที่สวยงามแต่เรียบง่าย เขาแนะนำการดีไซน์แผนภาพในฐานะเครื่องมือที่เราใช้ทำความเข้าใจโลกปัจจุบันที่ท่วมท้นด้วยข้อมูลข่าวสาร เพื่อค้นหารูปการณ์ และความสัมพันธ์ที่อาจเปลี่ยนมุมมองของเราต่อโลกรอบตัวไปเลย
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
ตอนนี้ ปัญหาของเราทุกคน
00:17
from information overload or data glut.
1
2000
3000
มาจากข้อมูลข่าวสารที่มากเกินไป
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
ข่าวดีคือ เรื่องนี้มีทางแก้ง่าย ๆ อยู่
00:22
and that's using our eyes more.
3
7000
2000
นั่นคือ การใช้ดวงตาของเราให้มากขึ้น
00:24
So, visualizing information, so that we can see
4
9000
2000
โดยแปรข้อมูลเป็นแผนภาพ เราจะได้มองเห็น
00:26
the patterns and connections that matter
5
11000
3000
รูปแบบและความสัมพันธ์ที่สำคัญ
00:29
and then designing that information so it makes more sense,
6
14000
3000
ดีไซน์ข้อมูล เพื่อให้ใช้ตีความได้ดีขึ้น
00:32
or it tells a story,
7
17000
2000
ให้มันเล่าเรื่องราว
00:34
or allows us to focus only on the information that's important.
8
19000
3000
หรือช่วยให้เราพุ่งความสนใจแค่ส่วนที่สำคัญ
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
หรือไม่เช่นนั้น แค่แผนภาพสวย ๆ ก็ยังดูเจ๋งมาก ๆ อยู่ดี
00:41
So, let's see.
10
26000
2000
มาดูกันเลยครับ
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
นี่คือ "บิลเลี่ยน ดอลล่าร์ โอแกรม"
('แผนภาพพันล้านเหรียญ')
('แผนภาพพันล้านเหรียญ')
00:47
and this image arose
12
32000
2000
ภาพนี้เกิดขึ้น
00:49
out of frustration I had
13
34000
2000
จากความหงุดหงิด
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
เวลาอ่านข่าวที่รายงานตัวเลขระดับพันล้าน
00:53
That is, they're meaningless without context:
15
38000
3000
ตัวเลขพวกนี้ ไม่มีความหมายเลยถ้าไม่มีบริบท
00:56
500 billion for this pipeline,
16
41000
2000
5 แสนล้านสำหรับท่อขนส่งน้ำมัน
00:58
20 billion for this war.
17
43000
2000
2 หมื่นล้านสำหรับสงคราม
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
ตีความต่อไม่ได้เลย วิธีเดียวที่จะเข้าใจได้
01:02
is visually and relatively.
19
47000
2000
คือใช้ภาพ และการเปรียบเทียบ
01:04
So I scraped a load of reported figures
20
49000
2000
ดังนั้นผมจึงเก็บตัวเลขรายงานพวกนี้
01:06
from various news outlets
21
51000
2000
จากรายงานข่าวต่าง ๆ
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
มาทำเป็นรูปสี่เหลี่ยม มีขนาดตามมูลค่าเงิน
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
แล้วใช้สีแทนแรงจูงใจต่าง ๆ ของการใช้เงิน
01:14
So purple is "fighting,"
24
59000
3000
สีม่วงคือ "การสงคราม"
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
สีแดงคือ "การบริจาค" และสีเขียวคือ "ฉวยโอกาสค้ากำไร"
01:20
And what you can see straight away
26
65000
2000
สิ่งที่คุณเห็นได้ทันที
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
คือ มุมมองต่อจำนวนเงินของคุณจะเปลี่ยนไป
01:24
You can literally see them.
28
69000
2000
ตัวเลขกลายเป็นภาพที่จับต้องได้
01:26
But more importantly, you start to see
29
71000
2000
ที่สำคัญกว่าคือ คุณจะเห็น
01:28
patterns and connections between numbers
30
73000
2000
รูปแบบและความสัมพันธ์ระหว่างตัวเลขต่างๆ
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
ที่กระจัดกระจายอยู่ตามรายงานข่าว
01:33
Let me point out some that I really like.
32
78000
3000
ผมขอชี้บางอันที่ผมชอบมากนะครับ
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
นี่คือรายได้ของกลุ่มโอเป็คในกล่องสีเขียว
01:38
780 billion a year.
34
83000
2000
7.8 แสนล้านต่อปี
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
ส่วนช่องเล็ก ๆ ตรงหัวมุมนี้ -- 3 พันล้าน --
01:43
that's their climate change fund.
36
88000
3000
คือมูลค่ากองทุนภูมิอากาศแปนปรวนของโอเปค
01:46
Americans, incredibly generous people --
37
91000
2000
ชาวอเมริกัน ใจกว้างอย่างไม่น่าเชื่อ
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
เพราะบริจาคเงินให้การกุศล ทุก ๆ ปีกว่า 3 แสนล้านเหรียญ
01:51
compared with the amount of foreign aid
39
96000
2000
เมื่อเทียบกับมูลค่าเงินช่วยเหลือต่างประเทศ
01:53
given by the top 17 industrialized nations
40
98000
2000
ซึ่งบริจาคโดย 17 ประเทศอุตสาหกรรมชั้นนำ
01:55
at 120 billion.
41
100000
2000
ที่ 1.2 แสนล้าน
01:57
Then of course,
42
102000
2000
แล้วแน่นอน
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
สงครามอิรัก ซึ่งเคยคาดว่าจะใช้เงินเพียง 6 หมื่นล้าน
02:01
back in 2003.
44
106000
3000
ในปี 2003
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
แล้วก็ค่อย ๆ บานปลาย จนตอนนี้ อัฟกานิสถาน และอิรัก
ใช้เงินไปแล้ว
ใช้เงินไปแล้ว
02:07
to 3,000 billion.
46
112000
3000
3 ล้านล้าน
02:10
So now it's great
47
115000
2000
ทีนี้ก็เยี่ยมเลย
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
เพราะตอนนี้เรามีข้อมูลให้เปรียบเทียบ
แล้วเราจะเพิ่มข้อมูลเข้าไปอีกก็ได้
แล้วเราจะเพิ่มข้อมูลเข้าไปอีกก็ได้
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
อาจมีตัวเลขใหม่ออกมา เช่น หนี้ชาติแอฟริกัน
02:17
How much of this diagram do you think might be taken up
50
122000
2000
พื้นที่จะใหญ่แค่ไหนครับ ถ้าใช้มูลค่า
02:19
by the debt that Africa owes to the West?
51
124000
2000
หนี้ที่แอฟริกาค้างชาติตะวันตก?
02:21
Let's take a look.
52
126000
2000
มาดูกันเลย
02:23
So there it is:
53
128000
2000
ตามนี้ครับ
02:25
227 billion is what Africa owes.
54
130000
2000
2.27 แสนล้าน คือมูลค่าหนี้ของแอฟริกา
02:27
And the recent financial crisis,
55
132000
2000
และวิกฤตการเงินที่ผ่านมาล่ะ
02:29
how much of this diagram might that figure take up?
56
134000
2000
ตัวเลขที่ได้ จะกินพื้นที่ขนาดไหน?
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
วิกฤตินั้นสร้างความเสียหายให้โลกขนาดไหน?
ลองมาดู
ลองมาดู
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
วูบบบบ - เสียงแบบนี้ ผมว่าเหมาะเลย
02:37
for that much money:
59
142000
2000
สำหรับเงินมากขนาดนี้
02:39
11,900 billion.
60
144000
4000
11.9 ล้านล้าน
02:45
So, by visualizing this information,
61
150000
2000
เมื่อแปรข้อมูลเหล่านี้เป็นแผนภาพ
02:47
we turned it into a landscape
62
152000
2000
เราก็จะได้ภาพภูมิทัศน์
02:49
that you can explore with your eyes,
63
154000
2000
ที่คุณสำรวจได้เพียงแค่กวาดสายตา
02:51
a kind of map really, a sort of information map.
64
156000
2000
เป็นเหมือนแผนที่, เป็นแผนที่ของข้อมูล
02:53
And when you're lost in information,
65
158000
2000
พอข้อมูลเยอะมาก จนคุณหลงทาง
02:55
an information map is kind of useful.
66
160000
3000
แผนที่ข้อมูลนี้ ก็จะช่วยคุณได้
02:58
So I want to show you another landscape now.
67
163000
2000
ผมอยากแสดงภาพภูมิทัศน์อีกอันให้ดูกัน
03:00
We need to imagine what a landscape
68
165000
2000
เราจะมาจินตนาการกันว่าภูมิทัศน์
03:02
of the world's fears might look like.
69
167000
3000
ความกลัวของชาวโลก มันเป็นอย่างไร
03:05
Let's take a look.
70
170000
2000
มาดูกันเลย
03:07
This is Mountains Out of Molehills,
71
172000
2000
นีคือ เทือกเขาเนินตัวตุ่น
03:09
a timeline of global media panic.
72
174000
2000
แสดงลำดับเวลาความหวาดกลัวของสื่อทั่วโลก
03:11
(Laughter)
73
176000
2000
(เสียงหัวเราะ)
03:13
So, I'll label this for you in a second.
74
178000
2000
อีกเดี๋ยวผมจะอธิบายให้ฟัง
03:15
But the height here, I want to point out,
75
180000
2000
แต่ผมอยากบอกก่อนว่า ยอดกราฟพวกนี้
03:17
is the intensity of certain fears
76
182000
2000
คือระดับความรุนแรงของความหวาดกลัว
03:19
as reported in the media.
77
184000
2000
จากรายงานข่าวต่าง ๆ
03:21
Let me point them out.
78
186000
2000
ผมจะอธิบายให้ฟังนะครับ
03:23
So this, swine flu -- pink.
79
188000
4000
อันนี้ไข้หวัดหมู -- สีชมพู
03:27
Bird flu.
80
192000
2000
ไข้หวัดนก
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
โรคซาร์ส สีน้ำตาล ยังจำได้มั้ยครับ?
03:32
The millennium bug,
82
197000
3000
เรื่องกลัวคอมพิวเตอร์ล่มปี 2000
03:35
terrible disaster.
83
200000
2000
น่ากลัวมาก ๆ เลย
03:37
These little green peaks
84
202000
2000
ยอดสีเขียวเล็ก ๆ พวกนี้
03:39
are asteroid collisions.
85
204000
2000
คือกลัวอุกกาบาตชนโลก
03:41
(Laughter)
86
206000
2000
(เสียงหัวเราะ)
03:43
And in summer, here, killer wasps.
87
208000
2000
ในช่วงฤดูร้อน ก็กลัวตัวต่อเพชรฆาต
03:45
(Laughter)
88
210000
8000
(เสียงหัวเราะ)
03:53
So these are what our fears look like
89
218000
2000
เหล่านี้ คือสิ่งที่เราหวาดกลัว
03:55
over time in our media.
90
220000
2000
ซึ่งเห็นได้จากสื่อในระยะเวลาต่าง ๆ
03:57
But what I love -- and I'm a journalist --
91
222000
2000
สิ่งที่ผมชอบมาก -- ผมเป็นนักข่าวนะครับ --
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
คือการหารูปแบบเกิดซ้ำที่ซ่อนอยู่
ผมชอบเป็นนักสืบข้อมูล
ผมชอบเป็นนักสืบข้อมูล
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
ข้อมูลเหล่านี้ มีรูปแบบเกิดซ้ำที่แปลก
และน่าสนใจมาก ๆ ซ่อนอยู่
และน่าสนใจมาก ๆ ซ่อนอยู่
04:05
that you can only see when you visualize it.
94
230000
2000
และจะเห็นได้ เมื่อแปรเป็นภาพก่อนเท่านั้น
04:07
Let me highlight it for you.
95
232000
2000
อย่างที่ผมจะชี้ให้ดูนี้นะครับ
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
เส้น ๆ นี้ เป็นภูมิทัศน์วิดีโอเกมรุนแรง
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
จะเห็นว่า ข้อมูลนี้มีรูปแบบแปลก ๆ เกิดขึ้นซ้ำ ๆ
04:15
twin peaks every year.
98
240000
2000
เป็นยอดคู่ อยู่ทุก ๆ ปี
04:17
If we look closer, we see those peaks occur
99
242000
2000
ดูให้ละเอียด ก็จะเห็นว่ายอดคู่พวกนั้น
04:19
at the same month every year.
100
244000
3000
เกิดขึ้นในเดือนเดียวกัน ทุก ๆ ปี
04:22
Why?
101
247000
2000
ทำไม?
04:24
Well, November, Christmas video games come out,
102
249000
2000
พฤศจิกายน วีดีโอเกมใหม่วางตลาดรับคริสต์มาส
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
ความกังวลเกี่ยวกับเนื้อหาของเกม
จึงเพิ่มสูงขึ้น
จึงเพิ่มสูงขึ้น
04:29
But April isn't a particularly massive month
104
254000
3000
แต่เมษายนก็ไม่ใช่เดือนที่คึกคักเท่าไหร่
04:32
for video games.
105
257000
2000
สำหรับวิดีโอเกม
04:34
Why April?
106
259000
2000
แล้วทำไมเมษายนด้วยล่ะ?
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
ในเดือนเมษายน 1999
เกิดเหตุสังหารหมู่โคลัมไบน์ขึ้น
เกิดเหตุสังหารหมู่โคลัมไบน์ขึ้น
04:39
and since then, that fear
108
264000
2000
แต่นั้นมา สื่อจึงจดจำความกลัวนี้
04:41
has been remembered by the media
109
266000
2000
มาโดยตลอด
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
แล้วสะท้อนผ่านความนึกคิดของสื่อ
มานานหลายปี
มานานหลายปี
04:45
You have retrospectives, anniversaries,
111
270000
3000
เป็นทั้งข่าวรำลึก วันครบรอบ
04:48
court cases, even copy-cat shootings,
112
273000
3000
คดีในศาล หรือกระทั่งกรณีสังหารเลียนแบบ
04:51
all pushing that fear into the agenda.
113
276000
3000
ทั้งหลายแหล่ เพื่อตอกย้ำความกลัวนี้
ลงในเนื้อหา
ลงในเนื้อหา
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
ยังมีรูปแบบเกิดซ้ำอีกอันนึงครับ
04:56
See that gap there? There's a gap,
115
281000
2000
ช่องว่างตรงนั้นครับ
04:58
and it affects all the other stories.
116
283000
2000
มันมีผลกระทบต่อเรื่องอื่น ๆ ทุกเรื่องเลย
05:00
Why is there a gap there?
117
285000
2000
ทำไมมีช่องว่างอยู่ตรงนั้นล่ะ?
05:02
You see where it starts? September 2001,
118
287000
3000
ดูที่จุดเริ่มต้นของช่องครับ
กันยายน 2001
กันยายน 2001
05:05
when we had something very real
119
290000
2000
ช่วงเวลาที่เรามีภัยคุกคามซึ่งจับต้องได้
05:07
to be scared about.
120
292000
2000
ให้หวาดกลัวกัน
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
ผมทำงานเป็นนักข่าวสายงานดาต้าประมาณหนึ่งปี
05:12
and I keep hearing a phrase
122
297000
2000
ผมจะได้ยินวลีนี้
05:14
all the time, which is this:
123
299000
3000
ตลอดเวลาเลย
05:17
"Data is the new oil."
124
302000
2000
"ดาต้าคือน้ำมันยุคใหม่"
05:19
Data is the kind of ubiquitous resource
125
304000
3000
ดาต้าเป็นเหมือนทรัพยากรที่มีอยู่แพร่หลาย
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
ให้เรานำมาใช้สร้างนวัตกรรม หรือหาข้อมูลเชิงลึกใหม่ ๆ ได้
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
มันอยู่ทุกที่รอบตัวเรา และค้นหาได้ง่ายมาก ๆ
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
เป็นคำอุปมาที่ไม่ค่อยดีนักสำหรับเวลานี้
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
โดยเฉพาะ ถ้าคุณอยู่แถว ๆ อ่าวเม็กซิโก
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
ผมจะขอปรับคำอุปมานี้นิดหน่อย
05:36
and I would say that data is the new soil.
131
321000
3000
ว่า ดาต้าคือดินยุคใหม่
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
เพราะผมคิดว่า มันเป็นสื่อสร้างสรรค์
ที่อุดมสมบูรณ์มาก
ที่อุดมสมบูรณ์มาก
05:43
Over the years, online,
133
328000
2000
หลายปีมานี้ บนโลกออนไลน์
05:45
we've laid down
134
330000
3000
เราได้โปรยหว่าน
05:48
a huge amount of information and data,
135
333000
2000
เมล็ดพันธ์ข่าวสารและดาต้าจำนวนมหาศาล
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
วางเน็ตเวิร์กและการเชื่อมต่อ เสมือนระบบรดน้ำ
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
โดยมีรัฐบาลและพนักงานที่ไม่ได้ค่าจ้าง
ช่วยไถพรวน และเตรียมพื้นที่
ช่วยไถพรวน และเตรียมพื้นที่
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
ผมอาจจะอุปมาหนักมือไปหน่อย
05:58
But it's a really fertile medium,
139
343000
3000
แต่มันเป็นสื่อที่อุดมสมบูรณ์จริง ๆ
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
แผนภูมิภาพจากดาต้า และอินโฟกราฟฟิกต่าง ๆ
06:04
they feel like flowers blooming from this medium.
141
349000
3000
ก็เป็นเหมือนดอกไม้ที่เบ่งบานขึ้นจากสื่อนี้
06:07
But if you look at it directly,
142
352000
2000
ถ้าคุณแค่กวาดตาดูเฉย ๆ
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
ก็จะเห็นแค่ตัวเลข
กับข้อมูลที่สะเปะสะปะ
กับข้อมูลที่สะเปะสะปะ
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
แต่ถ้าคุณลองใคร่ครวญ แล้วดัดแปลงข้อมูล
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
เรื่องน่าสนใจจะปรากฏ
และรูปแบบที่แปลกใหม่จะเผยโฉม
และรูปแบบที่แปลกใหม่จะเผยโฉม
06:17
Let me show you this.
146
362000
2000
ผมขอแสดงตัวอย่างนี้
06:19
Can you guess what this data set is?
147
364000
3000
เดาออกมั้ยครับ ว่านี่เป็นข้อมูลอะไร
06:22
What rises twice a year,
148
367000
2000
อะไรเอ่ย ที่เพิ่มขึ้นสูง 2 ครั้งต่อปี
06:24
once in Easter
149
369000
2000
ครั้งแรกในวันอีสเตอร์
06:26
and then two weeks before Christmas,
150
371000
2000
อีกครั้ง ช่วง 2 สัปดาห์ก่อนวันคริสต์มาส
06:28
has a mini peak every Monday,
151
373000
2000
มียอดเล็ก ๆ ทุกวันจันทร์
06:30
and then flattens out over the summer?
152
375000
2000
แล้วแบนเรียบลงในช่วงฤดูร้อน
06:32
I'll take answers.
153
377000
2000
ใครตอบหน่อยครับ
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(ผู้ชม: ช็อคโกแลต)
เดวิด: ช็อคโกแลต
เดวิด: ช็อคโกแลต
06:36
You might want to get some chocolate in.
155
381000
3000
อาจจะเป็นช็อกโกแลตมั้ย
06:39
Any other guesses?
156
384000
2000
มีใครตอบอีกมั้ย
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
(ผู้ชม: ช้อปปิ้ง) เดวิด:ช็อปปิ้ง
06:43
Yeah, retail therapy might help.
158
388000
3000
เป็นไปได้ คนเราต้องช็อปคลายเครียดกันบ้าง
06:46
(Audience: Sick leave.)
159
391000
2000
(ผู้ชม: ลาป่วย)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
เดวิด: ลาป่วย
ใคร ๆก็ชอบวันเบา ๆกันทั้งนั้น
ใคร ๆก็ชอบวันเบา ๆกันทั้งนั้น
06:50
Shall we see?
161
395000
2000
ดูกันดีกว่า
('ยอดการบอกเลิก สรุปจากการอัพเดตสเตตัสเฟซบุ้ก')
('ยอดการบอกเลิก สรุปจากการอัพเดตสเตตัสเฟซบุ้ก')
06:53
(Laughter)
162
398000
8000
(เสียงหัวเราะ)
07:01
(Applause)
163
406000
3000
(เสียงปรบมือ)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
กูรูด้านข้อมูล ลี ไบรอน (Lee Byron) และตัวผมเอง
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
เรารวบรวมสเตตัสเฟสบุ้กมา 10,000 อัน
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
แล้วหาคำว่า "เลิกกัน" และ "แยกทางกัน"
07:12
and this is the pattern we found --
167
417000
2000
และนี่คือรูปแบบที่เราพบ --
07:14
people clearing out for Spring Break,
168
419000
2000
เลิกกัน จะได้อิสระรับปิดเทอมฤดูใบไม้ผลิ
07:16
(Laughter)
169
421000
5000
(หัวเราะ)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
เลิกกันวันจันทร์ เพราะสุดสัปดาห์ไม่ได้ดังใจ
07:23
being single over the summer,
171
428000
3000
โสดสนิท ตลอดฤดูร้อน
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
และวันที่บอกเลิกกันน้อยที่สุดของปี วันคริสต์มาส
07:29
Who would do that?
173
434000
3000
ใครเขาจะเลิกกันลง
07:32
So there's a titanic amount of data out there now,
174
437000
2000
ตอนนี้ ข้อมูลมีจำนวนมโหฬารมหาศาล
07:34
unprecedented.
175
439000
2000
เป็นประวัติการณ์
07:37
But if you ask the right kind of question,
176
442000
2000
แต่ถ้าคุณถามคำถามที่ถูกต้อง
07:39
or you work it in the right kind of way,
177
444000
2000
หรือดัดแปลงข้อมูลด้วยวิธีดี ๆได้
07:41
interesting things can emerge.
178
446000
3000
คุณจะได้เห็นสิ่งที่น่าสนใจ
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
ข้อมูลก็มีความสวยงาม ดาต้าก็มีความสวยงาม
07:47
I wonder if I could make my life beautiful.
180
452000
3000
ถ้างั้น ชีวิตตัวผมเอง จะสวยงามได้ด้วยมั้ย
07:50
And here's my visual C.V.
181
455000
2000
นี่คือภาพประวัติทำงานของผมครับ
07:52
I'm not quite sure I've succeeded.
182
457000
2000
ผมว่า ยังดูไม่ค่อยสวยเท่าไหร่
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
ดูเป็นแท่ง ๆ สีก็ยังไม่ค่อยโดน
07:56
But I wanted to convey something to you.
184
461000
3000
แต่ผมอยากจะสื่อบางอย่างกับคุณ
07:59
I started as a programmer,
185
464000
2000
เริ่มต้น ผมเป็นโปรแกรมเมอร์
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
แล้วมาเป็นนักเขียนอยู่นาน ประมาณ 20 ปี
08:03
in print, online and then in advertising,
187
468000
2000
ทั้งในสิ่งพิมพ์ ออนไลน์ และในโฆษณา
08:05
and only recently have I started designing.
188
470000
3000
แล้วก็เพิ่งได้เริ่มทำงานออกแบบ
08:08
And I've never been to design school.
189
473000
2000
ผมไม่เคยไปเรียนที่โรงเรียนการออกแบบ
08:10
I've never studied art or anything.
190
475000
3000
ศิลปะอะไร ก็ไม่เคยเรียน
08:13
I just kind of learned through doing.
191
478000
2000
แต่เรียนเอาจากลองทำดูเอง
08:15
And when I started designing,
192
480000
2000
พอผมเริ่มทำงานออกแบบ
08:17
I discovered an odd thing about myself.
193
482000
2000
ผมค้นพบสิ่งที่แปลกเกี่ยวกับตัวเอง
08:19
I already knew how to design,
194
484000
2000
ผมรู้วิธีการออกแบบอยู่แล้ว
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
ไม่ใช่ว่า ผมเก่งกาจมหัศจรรย์อะไรนะครับ
08:24
but more like I was sensitive
196
489000
2000
แต่เหมือนผมจะจับจุดได้ไว
08:26
to the ideas of grids and space
197
491000
2000
กับเรื่องจำพวกตารางและพื้นที่
08:28
and alignment and typography.
198
493000
2000
การจัดตำแหน่งและตัวอักษร
08:30
It's almost like being exposed
199
495000
2000
ราวกับว่า การได้คลุกคลี
08:32
to all this media over the years
200
497000
2000
กับสื่อแบบต่าง ๆ ที่ผ่านมานั้น
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
ทำให้ผมได้เรียนงานออกแบบโดยไม่รู้ตัว
08:37
And I don't feel like I'm unique.
202
502000
2000
และผมคิดว่า ผมไม่ได้เป็นอยู่คนเดียว
08:39
I feel that everyday, all of us now
203
504000
2000
ผมเชื่อว่า ตอนนี้พวกเราทุกคน
08:41
are being blasted by information design.
204
506000
3000
เห็นการออกแบบข้อมูลเต็มไปหมด
08:44
It's being poured into our eyes through the Web,
205
509000
2000
มันถูกถ่ายทอดสู่สายตาของเราผ่านเว็บไซต์
08:46
and we're all visualizers now;
206
511000
2000
ตอนนี้ เราทุกคนเป็นนักแปลงข้อมูลเป็นภาพ
08:48
we're all demanding a visual aspect
207
513000
2000
เราทุกคน ต่างร้องหามุมมองด้านภาพ
08:50
to our information.
208
515000
3000
ประกอบข้อมูลของเรา
08:53
There's something almost quite magical about visual information.
209
518000
3000
ข้อมูลแบบรูปภาพนี่
จะมีความมหัศจรรย์บางอย่าง
จะมีความมหัศจรรย์บางอย่าง
08:56
It's effortless, it literally pours in.
210
521000
3000
มันง่ายดาย กวาดตาเห็นหมด
08:59
And if you're navigating a dense information jungle,
211
524000
3000
การหาข้อมูลมากมายจนเหมือนเดินฝ่าป่าหนาทึบ
09:02
coming across a beautiful graphic
212
527000
2000
แล้วไปเจอกราฟฟิกสวย ๆ
09:04
or a lovely data visualization,
213
529000
2000
หรือแผนภูมิภาพดูง่าย ๆ สบายตา
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
จะรู้สึกสดชื่น เหมือนเจอลานโล่งกลางป่าทึบ
09:09
I was curious about this, so it led me
215
534000
2000
ผมสงสัยว่าเพราะอะไร เลยได้ไปเจอ
09:11
to the work of a Danish physicist
216
536000
2000
ผลงานของนักฟิสิกส์ชาวเดนมาร์ก
09:13
called Tor Norretranders,
217
538000
2000
ทอร์ นอร์ทรานเดอร์ส (Tor Norretranders)
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
เขาแปลงความสามารถในการส่งข้อมูลทางประสาทสัมผัสต่าง ๆ
เป็นศัพท์ทางคอมพิวเตอร์
เป็นศัพท์ทางคอมพิวเตอร์
09:19
So here we go. This is your senses,
219
544000
2000
และนี่คือ ประสาทสัมผัสต่าง ๆ ของคุณ
09:21
pouring into your senses every second.
220
546000
2000
ที่เรารับรู้อยู่ทุกวินาที
09:23
Your sense of sight is the fastest.
221
548000
3000
การรับรู้ผ่านสายตาจะรวดเร็วที่สุด
09:26
It has the same bandwidth as a computer network.
222
551000
3000
ส่งถ่ายข้อมูลได้มาก เหมือนเครือข่ายคอมพิวเตอร์เลย
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
ผิวสัมผัสจะรองลงมา เร็วเท่ากับแท่งยูเอสบี
09:32
And then you have hearing and smell,
224
557000
2000
จากนั้นก็เป็น เสียงกับกลิ่น
09:34
which has the throughput of a hard disk.
225
559000
2000
ซึ่งส่งข้อมูลได้เท่าแผ่นฮาร์ดดิสก์
09:36
And then you have poor old taste,
226
561000
2000
อันดับแย่สุด คือรสชาติ
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
ให้ข้อมูลได้แค่เครื่องคิดเลขพกพาเท่านั้น
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
และที่ตารางเล็กๆ ตรงมุมนั้น คือ 0.7 %
09:44
that's the amount we're actually aware of.
229
569000
3000
คือปริมาณข้อมูลที่เรารับรู้ได้อย่างแท้จริง
09:47
So a lot of your vision --
230
572000
2000
ฉะนั้น สิ่งที่ตาคุณมองเห็นนั้น
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
ส่วนใหญ่คือข้อมูลภาพ ซึ่งหลั่งไหลเข้ามา
09:51
It's unconscious.
232
576000
2000
โดยไม่รู้ตัวด้วยซ้ำ
09:53
The eye is exquisitely sensitive
233
578000
3000
ดวงตามีสัมผัสฉับไวมาก
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
ต่อแบบแผนเกิดซ้ำ ทั้งสี รูปทรง และลวดลาย
09:59
It loves them, and it calls them beautiful.
235
584000
2000
ดวงตาชอบสิ่งเหล่านี้ เพราะเห็นแล้วงามตา
10:01
It's the language of the eye.
236
586000
2000
สิ่งนี้เป็นภาษาของดวงตา
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
ถ้าคุณรวมภาษาของดวงตา
เข้ากับภาษาของสมอง
เข้ากับภาษาของสมอง
10:05
which is about words and numbers and concepts,
238
590000
3000
ซึ่งเป็นคำศัพท์ ตัวเลข และแนวคิด
10:08
you start speaking two languages simultaneously,
239
593000
3000
เท่ากับว่าคุณกำลังพูดสองภาษาพร้อม ๆ กัน
10:11
each enhancing the other.
240
596000
3000
แต่ละอันเสริมความหมายกันและกัน
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
คุณใช้ตารับภาพ แล้วสมองก็รับแนวคิด
10:17
And that whole thing -- it's two languages
242
602000
2000
รวมกันเข้า เป็นสองภาษา
10:19
both working at the same time.
243
604000
2000
ทำงานไปพร้อม ๆ กัน
10:21
So we can use this new kind of language, if you like,
244
606000
2000
แล้วเราก็จะใช้ภาษาใหม่นี้
10:23
to alter our perspective or change our views.
245
608000
3000
เพื่อปรับทัศนคติ หรือมุมมองของเราได้
10:26
Let me ask you a simple question
246
611000
2000
ผมขอถามคำถามพื้น ๆ
10:28
with a really simple answer:
247
613000
2000
ที่มีคำตอบง่าย ๆ นะครับ
10:30
Who has the biggest military budget?
248
615000
2000
ใครมีงบประมาณทางทหารที่มากที่สุดครับ
10:32
It's got to be America, right?
249
617000
2000
ต้องอเมริกาสิ ใช่มั้ย
10:34
Massive. 609 billion in 2008 --
250
619000
2000
เยอะมาก 6.09 แสนล้านใน ค.ศ. 2008
10:36
607, rather.
251
621000
2000
โทษที 6.07
10:38
So massive, in fact, that it can contain
252
623000
2000
เยอะมาก จนเอางบการทหารที่เหลือทั้งโลก
10:40
all the other military budgets in the world inside itself.
253
625000
3000
ไปใส่รวมกันในกล่องของสหรัฐฯ ได้เลย
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
ง่ำ ง่ำ ง่ำ ง่ำ ง่ำ
10:45
Now, you can see Africa's total debt there
255
630000
2000
ข้าง ๆ นั่น คือหนี้มวลรวมของแอฟริกา
10:47
and the U.K. budget deficit for reference.
256
632000
2000
และการขาดดุลงบประมาณของอังกฤษ
เอาไว้เปรียบเทียบ
เอาไว้เปรียบเทียบ
10:49
So that might well chime
257
634000
2000
ซึ่งคงจะพ้องกันดี
10:51
with your view that America
258
636000
2000
กับมุมมองของคุณว่าอเมริกา
10:53
is a sort of warmongering military machine,
259
638000
3000
เป็นเครื่องจักรทางทหารบ้าสงคราม
10:56
out to overpower the world
260
641000
2000
วางอำนาจคุมโลก
10:58
with its huge industrial-military complex.
261
643000
3000
ด้วยขุมกำลังการทหารขนาดอุตสาหกรรมใหญ่โต
11:01
But is it true that America has the biggest military budget?
262
646000
3000
แต่จริงหรือ ที่อเมริกามีงบกองทัพใหญ่ที่สุด
11:04
Because America is an incredibly rich country.
263
649000
2000
เพราะอเมริกานั้น ร่ำรวยอย่างไม่น่าเชื่อ
11:06
In fact, it's so massively rich
264
651000
2000
ร่ำรวยล้นฟ้า ขนาดที่ว่า
11:08
that it can contain the four other
265
653000
2000
จุเอาเศรษฐกิจประเทศอุตสาหกรรม
11:10
top industrialized nations' economies
266
655000
2000
ชั้นนำอีก 4 ประเทศ
11:12
inside itself, it's so vastly rich.
267
657000
3000
มารวมกันไว้ได้เลย ร่ำรวยมาก ๆ
11:15
So its military budget is bound to be enormous.
268
660000
3000
งบกองทัพของสหรัฐฯ ย่อมใหญ่ตามเป็นธรรมดา
11:18
So, to be fair and to alter our perspective,
269
663000
2000
ดังนั้น เพื่อให้ยุติธรรม และปรับมุมมองเราใหม่
11:20
we have to bring in another data set,
270
665000
2000
เราต้องนำข้อมูลอีกชุดมาดูประกอบ
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
นั่นคือ จีดีพี หรือรายได้รวมของประเทศ
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
ใครมีงบใหญ่ที่สุดเมื่อเทียบโดยสัดส่วนกับจีดีพี
11:26
Let's have a look.
273
671000
2000
ลองไปดู
11:28
That changes the picture considerably.
274
673000
3000
รูปการณ์เปลี่ยนไปพอสมควรเลย
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
มีหลายประเทศโผล่มา โดยที่คุณคงคาดไม่ถึง
11:34
and American drops into eighth.
276
679000
2000
และอเมริกาตกมาเป็นที่แปด
11:36
Now you can also do this with soldiers.
277
681000
2000
คุณทำแบบเดียวกันนี้กับกำลังทหารแทนก็ได้
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
ใครมีทหารมากที่สุด จีนแน่เลย
11:40
Of course, 2.1 million.
279
685000
2000
2.1 ล้านคน
11:42
Again, chiming with your view
280
687000
2000
พ้องกันกับความคิดคุณอีกแล้ว
11:44
that China has a militarized regime
281
689000
2000
ที่จีนมีระบอบการปกครองแบบทหาร
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
พร้อมระดมกำลังพลมหาศาลทุกเมื่อ
11:48
But of course, China has an enormous population.
283
693000
3000
แต่แน่นอนว่า จีนมีประชากรมหาศาลด้วย
11:51
So if we do the same,
284
696000
2000
ดังนั้น หากเราใช้แนวคิดเดียวกัน
11:53
we see a radically different picture.
285
698000
2000
เราจะเห็นภาพที่แตกต่างไปอย่างสิ้นเชิง
11:55
China drops to 124th.
286
700000
2000
จีนตกมาเป็นลำดับที่ 124
11:57
It actually has a tiny army
287
702000
2000
ที่จริงแล้ว กองทัพจีนเล็กมาก
11:59
when you take other data into consideration.
288
704000
3000
เมื่อพิจารณาประกอบกับข้อมูลอื่น
12:02
So, absolute figures, like the military budget,
289
707000
2000
ดังนั้น ตัวเลขโดด ๆ อย่างงบกองทัพ
12:04
in a connected world,
290
709000
2000
ในโลกที่เชื่อมต่อกัน
12:06
don't give you the whole picture.
291
711000
2000
จึงไม่ให้ภาพรวมทั้งหมด
12:08
They're not as true as they could be.
292
713000
2000
มันยังไม่เป็นความจริงขั้นลึกที่สุด
12:10
We need relative figures that are connected to other data
293
715000
3000
เราต้องมีตัวเลขโดยเปรียบเทียบ ซึ่งเชื่อมโยงกับข้อมูลอื่น ๆ
12:13
so that we can see a fuller picture,
294
718000
2000
เพื่อให้เราเห็นภาพที่สมบูรณ์
12:15
and then that can lead to us changing our perspective.
295
720000
2000
ซึ่งจะทำให้มุมมองของของเราเปลี่ยนไปด้วยได้
12:17
As Hans Rosling, the master,
296
722000
2000
อย่างที่ฮันส์ รอสลิ่ง ปรมาจารย์
12:19
my master, said,
297
724000
3000
ครูของผม กล่าวว่า
12:22
"Let the dataset change your mindset."
298
727000
3000
"ให้ชุดข้อมูลเปลี่ยนความคิดของคุณ."
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
หากมันทำเช่นนั้นได้แล้ว มันอาจเปลี่ยนพฤติกรรมคุณด้วยก็ได้
12:29
Take a look at this one.
300
734000
2000
ลองดูภาพนี้
12:31
I'm a bit of a health nut.
301
736000
2000
ผมเป็นพวกบ้าสุขภาพ
12:33
I love taking supplements and being fit,
302
738000
3000
ชอบกินอาหารเสริมและออกกำลัง
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
แต่ผมไม่เคยเข้าใจเลยพอพูดถึงหลักฐานอ้างอิง
12:39
There's always conflicting evidence.
304
744000
2000
มันจะมีอะไรขัดแย้งกันเสมอ
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
กินวิตามินซีดีมั้ย กินต้นอ่อนข้าวสาลีดีหรือเปล่า
12:43
This is a visualization of all the evidence
306
748000
2000
นี่คือแผนภูมิภาพของหลักฐานทั้งหมด
12:45
for nutritional supplements.
307
750000
2000
สำหรับอาหารเสริม
12:47
This kind of diagram is called a balloon race.
308
752000
3000
แผนภาพแบบนี้ เรียกว่าการแข่งบอลลูน
12:50
So the higher up the image,
309
755000
2000
รูปไหนยิ่งอยู่สูง
12:52
the more evidence there is for each supplement.
310
757000
3000
ก็ยิ่งมีหลักฐานของอาหารเสริมนั้น ๆ เยอะตาม
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
ขนาดวงกลมจะใหญ่ตามจำนวนที่ค้นเจอในกูเกิ้ล
12:58
So you can immediately apprehend
312
763000
3000
คุณจะเห็นภาพแล้วเข้าใจได้ในทันที
13:01
the relationship between efficacy and popularity,
313
766000
3000
ถึงความสัมพันธ์ระหว่างประสิทธิผล และความนิยม
13:04
but you can also, if you grade the evidence,
314
769000
3000
แล้วถ้าคุณเอาหลักฐานมาให้คะแนน
13:07
do a "worth it" line.
315
772000
2000
คุณก็ลากเส้น 'น่าลอง' ขึ้นได้ด้วย
13:09
So supplements above this line are worth investigating,
316
774000
3000
อาหารเสริมอันไหนอยู่เหนือเส้น ก็น่าลองใช้ดู
13:12
but only for the conditions listed below,
317
777000
3000
แต่ต้องดูเงื่อนไขข้างใต้ประกอบด้วย
13:15
and then the supplements below the line
318
780000
3000
แล้วอันไหนที่อยู่ต่ำกว่าเส้น
13:18
are perhaps not worth investigating.
319
783000
2000
ก็คงไม่คุ้มค่าไปหาใช้เท่าไหร่
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
ภาพนี้ เราต้องหาข้อมูลเยอะมาก ๆ
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
ใช้งานวิจัยกว่า 1,000 ชิ้นจากพับเมด (PubMed)
13:26
the biomedical database,
322
791000
2000
ซึ่งเป็นฐานข้อมูลด้านชีวเวชศาสตร์
13:28
and we compiled them and graded them all.
323
793000
3000
เอาทุกชิ้นมารวบรวม แล้วให้คะแนน
13:31
And it was incredibly frustrating for me
324
796000
2000
ซึ่งทำให้ผมอารมณ์เสียมาก ๆ
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
เพราะผมจะทำหนังสือ ซึ่งต้องใช้แผนภูมิภาพ 250 ชิ้น
13:36
and I spent a month doing this,
326
801000
2000
และผมใช้เวลา 1 เดือน ทำแค่อันนี้
13:38
and I only filled two pages.
327
803000
2000
แต่ใส่หนังสือได้แค่ 2 หน้าเอง
13:40
But what it points to
328
805000
2000
แต่ประเด็นคือ
13:42
is that visualizing information like this
329
807000
2000
แผนภูมิข้อมูลภาพแบบนี้
13:44
is a form of knowledge compression.
330
809000
2000
เป็นการบีบอัดความรู้รูปแบบหนึ่ง
13:46
It's a way of squeezing an enormous amount
331
811000
2000
เป็นวิธีการบับอัดข้อมูลและความเข้าใจ
13:48
of information and understanding
332
813000
2000
จำนวนมหาศาล
13:50
into a small space.
333
815000
2000
ให้เป็นพื้นที่เล็ก ๆ
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
พอคุณจัดระเบียบและขัดเกลาข้อมูล
13:54
and once it's there,
335
819000
2000
จนเสร็จเรียบร้อยแล้ว
13:56
you can do cool stuff like this.
336
821000
2000
คุณก็จะทำอะไรเจ๋ง ๆ แบบนี้ได้ครับ
13:58
So I converted this into an interactive app,
337
823000
2000
ผมแปลงแผนภาพนี้ เป็นแอพแบบโต้ตอบได้
14:00
so I can now generate this application online --
338
825000
2000
แล้วก็สร้างแอพพลิเคชั่นออนไลน์นี้ขึ้นมา
14:02
this is the visualization online --
339
827000
2000
นี่ครับ แผนภาพออนไลน์
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
เห็นแล้วก็อุทาน "เยี่ยมแท้"
14:06
So it spawns itself.
341
831000
2000
มันก็จะโผล่กันขึ้นมาเอง
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
แล้วถ้าผมว่า "ไหนขอแค่อันที่
14:10
that affects heart health."
343
835000
2000
มีผลต่อสุขภาพของหัวใจซิ"
14:12
So let's filter that out.
344
837000
2000
ผมก็ใช้ตัวกรองเสีย
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
ก็จะเหลือแต่พวกกลุ่มหัวใจ ดูได้สะดวก
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
ผมคิดว่า "ไม่ ไม่ ไม่อยากทานสารสังเคราะห์น่ะ
14:19
I just want to see plants and --
347
844000
3000
ขอแค่พืชกับ --
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
เอาแค่สมุนไพรกับพืชพอ
ขอดูพวกส่วนผสมจากธรรมชาติทุกตัว"
ขอดูพวกส่วนผสมจากธรรมชาติทุกตัว"
14:25
Now this app is spawning itself
349
850000
2000
แอพนี้ มันสร้างภาพขึ้นได้เอง
14:27
from the data.
350
852000
2000
จากดาต้า
14:29
The data is all stored in a Google Doc,
351
854000
2000
ซึ่งถูกเก็บไว้ในกูเกิ้ลด็อค (Google Doc)
14:31
and it's literally generating itself from that data.
352
856000
3000
แล้วภาพนี้ก็สร้างตัวเองขึ้นจากดาต้านั้นแหละ
14:34
So the data is now alive; this is a living image,
353
859000
2000
ดาต้าตอนนี้ จึงมีชีวิตขึ้นมา แปลงกายเปลี่ยนร่างได้
14:36
and I can update it in a second.
354
861000
2000
ผมอัพเดทข้อมูลได้แบบทันทีเลย
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
หลักฐานใหม่ออกมา ผมแค่เปลี่ยนแถวในสเปรดชีต
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
แว้บ! ภาพก็สร้างตัวมันเองใหม่อีกครั้ง
14:44
So it's cool.
357
869000
2000
ซึ่งเจ๋งเลย
14:46
It's kind of living.
358
871000
3000
เหมือนมันมีชีวิตแน่ะ
14:49
But it can go beyond data,
359
874000
2000
แล้วเรายังใช้กับอย่างอื่น
14:51
and it can go beyond numbers.
360
876000
2000
นอกเหนือจากดาต้าหรือตัวเลขได้อีก
14:53
I like to apply information visualization
361
878000
2000
ผมชอบเอาการแปลงข้อมูลเป็นแผนภาพ
14:55
to ideas and concepts.
362
880000
3000
มาใช้กับแนวคิดหรือมุมมองต่าง ๆ
14:58
This is a visualization
363
883000
2000
นี่คือแผนภูมิภาพ
15:00
of the political spectrum,
364
885000
2000
ของขั้วความเชื่อทางการเมือง
15:02
an attempt for me to try
365
887000
2000
ผมพยายามทำความเข้าใจ
15:04
and understand how it works
366
889000
2000
ว่ามันมีกลไกอย่างไร
15:06
and how the ideas percolate down
367
891000
2000
และแนวคิดต่าง ๆ มันไหลเวียน
15:08
from government into society and culture,
368
893000
2000
จากรัฐบาล มาสู่สังคมและวัฒนธรรม
15:10
into families, into individuals, into their beliefs
369
895000
3000
จนถึงครอบครัว ตัวบุคคล และความเชื่อของพวกเขา
15:13
and back around again in a cycle.
370
898000
3000
แล้ววนกลับเป็นวัฏจักรอีกอย่างไร
15:16
What I love about this image
371
901000
2000
สิ่งที่ผมชอบเกี่ยวกับภาพนี้
15:18
is it's made up of concepts,
372
903000
2000
คือมันสร้างขึ้นจากแนวความคิด
15:20
it explores our worldviews
373
905000
2000
มันสำรวจโลกทัศน์ของเรา
15:22
and it helps us -- it helps me anyway --
374
907000
2000
และช่วยให้เรา - อย่างน้อยผมคนนึงล่ะ
15:24
to see what others think,
375
909000
2000
ได้เห็นสิ่งที่คนอื่นคิด
15:26
to see where they're coming from.
376
911000
2000
ได้เห็นว่าพวกเขามีที่มาอย่างไร
15:28
And it feels just incredibly cool to do that.
377
913000
3000
ซึ่งเป็นสิ่งที่เจ๋งมาก ๆ
15:31
What was most exciting for me
378
916000
3000
เรื่องน่าตื่นเต้นที่สุดสำหรับผม
15:34
designing this
379
919000
2000
ในการออกแบบสิ่งนี้
15:36
was that, when I was designing this image,
380
921000
2000
ก็คือ ตอนที่ผมออกแบบแผนภาพนี้
15:38
I desperately wanted this side, the left side,
381
923000
3000
ผมอยากจะไปอยู่ฝั่งซ้ายมาก ๆเลย
15:41
to be better than the right side --
382
926000
2000
จะได้ดูดีกว่าฝั่งขวา --
15:43
being a journalist, a Left-leaning person --
383
928000
3000
เพราะเป็นทั้งนักข่าว และหัวเอียงซ้าย
15:46
but I couldn't, because I would have created
384
931000
2000
แต่ผมทำไม่ได้ ไม่เช่นนั้น แผนภาพที่ได้
15:48
a lopsided, biased diagram.
385
933000
3000
จะเอียงข้าง และมีอคติ
15:51
So, in order to really create a full image,
386
936000
3000
ฉะนั้น เพื่อสร้างภาพที่สมบูรณ์อย่างแท้จริง
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
ผมจึงต้องให้เกียรติมุมมองที่อยู่ฝั่งขวา
15:57
and at the same time, uncomfortably recognize
388
942000
3000
และในขณะเดียวกัน ก็ครั่นเนื้อครั่นตัว
16:00
how many of those qualities were actually in me,
389
945000
3000
ว่าตัวเองก็มีความเป็นฝั่งขวาอยู่ไม่น้อย
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
ซึ่งน่ารำคาญ และชวนอึดอัดใจมาก ๆ
16:05
(Laughter)
391
950000
4000
(เสียงหัวเราะ)
16:09
But not too uncomfortable,
392
954000
2000
แต่ก็ไม่อึดอัดใจเกินไปนัก
16:11
because there's something unthreatening
393
956000
3000
เพราะการมองดูความเชื่อทางการเมืองนั้น
16:14
about seeing a political perspective,
394
959000
2000
ไม่ได้สร้างความรู้สึกถูกคุกคาม
16:16
versus being told or forced to listen to one.
395
961000
3000
เมื่อเทียบกับการถูกบอกหรือบังคับให้ฟัง
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
คุณยังยึดถือมุมมองที่ขัดแย้งกันได้
16:22
joyously when you can see them.
397
967000
2000
อย่างสบายใจเมื่อมองดูความเชื่อ
16:24
It's even fun to engage with them
398
969000
2000
อาจสนุกเสียด้วยซ้ำ ถ้าเราลองคิดตาม
16:26
because it's visual.
399
971000
2000
เพราะคุณเห็นเป็นภาพ
16:28
So that's what's exciting to me,
400
973000
2000
นั่นเอง คือเรื่องน่าตื่นเต้นสำหรับผม
16:30
seeing how data can change my perspective
401
975000
2000
การได้เห็นว่า ข้อมูลสามารถเปลี่ยนมุมมอง
16:32
and change my mind midstream --
402
977000
2000
เปลี่ยนความคิดของผมได้กลางครรภ์
16:34
beautiful, lovely data.
403
979000
3000
ข้อมูลที่สวยงาม สบายตา
16:38
So, just to wrap up,
404
983000
2000
สรุปปิดท้าย
16:40
I wanted to say
405
985000
2000
ผมอยากจะบอกว่า
16:42
that it feels to me that design is about solving problems
406
987000
2000
สำหรับผม การออกแบบนั้น คือการแก้ปัญหา
16:44
and providing elegant solutions,
407
989000
3000
และหาทางแก้ด้วยวิธีเรียบง่ายลงตัว
16:47
and information design is about
408
992000
2000
และการออกแบบข้อมูลก็เกี่ยวข้อง
16:49
solving information problems.
409
994000
2000
กับการแก้ปัญหาด้านข้อมูล
16:51
It feels like we have a lot of information problems
410
996000
2000
เราดูจะมีปัญหาด้านข้อมูล
มากมายหลายอย่าง
มากมายหลายอย่าง
16:53
in our society at the moment,
411
998000
2000
ในสังคมของเรายุคนี้
16:55
from the overload and the saturation
412
1000000
2000
ทั้งเรื่องข้อมูลที่มากมายจนรับไม่ทัน
16:57
to the breakdown of trust and reliability
413
1002000
2000
จนถึงความน่าเชื่อถือและไว้ใจได้ที่ร่อยหรอลง
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
การตั้งป้อมค้านอย่างมีอคติและการขาดความโปร่งใส
17:01
or even just interestingness.
415
1006000
2000
หรือกระทั่งเพราะความน่าสนใจ
17:03
I mean, I find information just too interesting.
416
1008000
2000
สำหรับผม ข้อมูลมันน่าสนใจเหลือเกิน
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
เป็นเหมือนแม่เหล็กที่ดูดผมให้เข้าหา
17:09
So, visualizing information
418
1014000
2000
การแปรข้อมูลเป็นภาพ
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
จะช่วยแก้ปัญหาเหล่านี้ได้อย่างรวดเร็วมาก
17:14
Even when the information is terrible,
420
1019000
2000
แม้ว่าตัวข้อมูลจะคุณภาพแย่
17:16
the visual can be quite beautiful.
421
1021000
3000
แผนภาพที่ได้ก็ยังดูสวยงาม
17:19
Often we can get clarity
422
1024000
3000
แล้วเราก็มักจะได้ความกระจ่าง
17:22
or the answer to a simple question very quickly,
423
1027000
2000
หรือคำตอบสำหรับคำถามง่าย ๆ อย่างรวดเร็ว
17:24
like this one,
424
1029000
2000
เช่นอย่างนี้
17:26
the recent Icelandic volcano.
425
1031000
3000
เกี่ยวกับเหตุภูเขาไฟของไอซ์แลนด์ปะทุ
17:29
Which was emitting the most CO2?
426
1034000
2000
อะไรปล่อยก๊าซซีโอทู (CO2) มากที่สุด
17:31
Was it the planes or the volcano,
427
1036000
2000
เครื่องบินหรือภูเขาไฟ
17:33
the grounded planes or the volcano?
428
1038000
2000
เครื่องบินที่ขึ้นบินไม่ได้เพราะควัน หรือภูเขาไฟ
17:35
So we can have a look.
429
1040000
2000
ดูได้ตามนี้ครับ
17:37
We look at the data and we see:
430
1042000
2000
พอเราดูข้อมูล ก็จะเห็น
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
ภูเขาไฟปล่อยออกมา 150,000 ตัน
17:41
the grounded planes would have emitted
432
1046000
2000
เครื่องบินจะปล่อยก๊าซ
17:43
345,000 if they were in the sky.
433
1048000
3000
345,000 ตัน ถ้าหากขึ้นบินได้เพราะไม่ติดควันภูเขาไฟ
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
เป็นภูเขาไฟ ที่ปล่อยคาร์บอนรวมเป็นศูนย์
ลูกแรกเลยทีเดียว
ลูกแรกเลยทีเดียว
17:49
(Laughter)
435
1054000
2000
(เสียงหัวเราะ)
17:51
(Applause)
436
1056000
9000
(เสียงปรบมือ)
18:00
And that is beautiful. Thank you.
437
1065000
3000
สวยงามดีนะครับ ขอบคุณครับ
18:03
(Applause)
438
1068000
8000
(เสียงปรบมือ)
Reviewed by Teerachart Prasert
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