TEDGlobal 2010
David McCandless: The beauty of data visualization
David McCandless: Veri Görselleştirmenin Güzelliği
Filmed:
Readability: 4.3
3,250,094 views
David McCandless bazı komplike bilgi setlerini; ordunun harcamaları, medyadaki hareketlilikler, Facebook durum güncellemeleri ve daha bir çoğunu, güzel ama basit diagramlara çeviriyor. Bilgi tasarımının bugünkü bilgi yoğunluğuna yön veren, eşsiz motifler ve dünyayı görme şeklimizi değiştrebilecek bağlantılar bulmamıza yarayan bir araç olarak ileri sürüyor.
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
Sanki hepimiz ızdırap içindeyiz
00:17
from information overload or data glut.
1
2000
3000
bilgi yüklenmesi ve veri yoğunluğundan.
00:20
And the good news is there might be an easy solution to that,
2
5000
2000
Ve iyi haber ise buna kolay bir çözümümüz olabilir,
00:22
and that's using our eyes more.
3
7000
2000
bu da gözlerimizi daha çok kullanmamız.
00:24
So, visualizing information, so that we can see
4
9000
2000
Öyleyse, bilgiyi görselleştirmek, gördüğümüz kadarıyla
00:26
the patterns and connections that matter
5
11000
3000
önemli motifler ve bağlantılar almak
00:29
and then designing that information so it makes more sense,
6
14000
3000
ve tasarlayarak onlara anlaşılabilirlik sağlamak,
00:32
or it tells a story,
7
17000
2000
yada bir hikaye okutmak,
00:34
or allows us to focus only on the information that's important.
8
19000
3000
yada sadece önemli olan bilgiye odaklanmamızı sağlama amacı taşır.
00:38
Failing that, visualized information can just look really cool.
9
23000
3000
Başarısız olan sonuç, görselleştirilmiş bilginin çok havalı görünebileceğidir.
00:41
So, let's see.
10
26000
2000
O zaman görelim,
00:45
This is the $Billion Dollar o-Gram,
11
30000
2000
Bu bir Milyar Dolar Gramıdır,
00:47
and this image arose
12
32000
2000
ve bu şekil çıkıyor
00:49
out of frustration I had
13
34000
2000
basına verdiğim milyar dolar miktarlarından
00:51
with the reporting of billion-dollar amounts in the press.
14
36000
2000
bunalıma girdikten sonra.
00:53
That is, they're meaningless without context:
15
38000
3000
Bu kadar, içerik olmadan anlamsızlar.
00:56
500 billion for this pipeline,
16
41000
2000
500 milyar dolar bu boru hattı için.
00:58
20 billion for this war.
17
43000
2000
20 milyar dolar bu savaş için.
01:00
It doesn't make any sense, so the only way to understand it
18
45000
2000
Hiç bir anlam ifade etmiyorlar, bu yüzden anlamanın tek yolu
01:02
is visually and relatively.
19
47000
2000
ilişkili ve görsel olarak.
01:04
So I scraped a load of reported figures
20
49000
2000
Bende bildirilen figürlerden bir sürü topladım
01:06
from various news outlets
21
51000
2000
çeşitli haber çıktılarından
01:08
and then scaled the boxes according to those amounts.
22
53000
3000
ve kutuları o boyutlara göre tekrar şekillendirdim.
01:11
And the colors here represent the motivation behind the money.
23
56000
3000
Ve renkler paranın motivasyonunu sağlamak için oradaydı.
01:14
So purple is "fighting,"
24
59000
3000
Mor kavga etmekti.
01:17
and red is "giving money away," and green is "profiteering."
25
62000
3000
kırmızı parayı karşılıksız vermek, ve yeşil ise istifçilikti.
01:20
And what you can see straight away
26
65000
2000
Ve hemen görebileceğiniz şey ise
01:22
is you start to have a different relationship to the numbers.
27
67000
2000
rakamlarla farklı bir ilişki görmeye başlıyor olmanız.
01:24
You can literally see them.
28
69000
2000
Onları tam anlamlarıyla görebiliyordunuz.
01:26
But more importantly, you start to see
29
71000
2000
Ama daha da önemlisi,
01:28
patterns and connections between numbers
30
73000
2000
başka türlü birden çok haber raporlarının içinde yayılacak olan,
01:30
that would otherwise be scattered across multiple news reports.
31
75000
3000
rakamların arasındaki motifleri ve bağlantıları görmeye başlıyorsunuz.
01:33
Let me point out some that I really like.
32
78000
3000
Gerçekten sevdiğim bir kaç taneyi gösteriyim.
01:36
This is OPEC's revenue, this green box here --
33
81000
2000
Bu OPEC'in mekanı, buradaki yeşik kutu --
01:38
780 billion a year.
34
83000
2000
yılda 780 milyar.
01:40
And this little pixel in the corner -- three billion --
35
85000
3000
Ve bu köşedeki küçük piksel -- üç milyar --
01:43
that's their climate change fund.
36
88000
3000
onların ilkim değişikliği fonu.
01:46
Americans, incredibly generous people --
37
91000
2000
Amerikalılar, inanılmaz cömert insanlar --
01:48
over 300 billion a year, donated to charity every year,
38
93000
3000
yılda 300 milyardan fazlasını her sene bağışlıyorlar,
01:51
compared with the amount of foreign aid
39
96000
2000
yabancı yardımlara kıyasla
01:53
given by the top 17 industrialized nations
40
98000
2000
17 endüstriyel ulus
01:55
at 120 billion.
41
100000
2000
120 milyarda.
01:57
Then of course,
42
102000
2000
Ve daha sonra tabiki
01:59
the Iraq War, predicted to cost just 60 billion
43
104000
2000
Irak Savaşı, sadece 60 milyara mal olması planlanmıştı
02:01
back in 2003.
44
106000
3000
2003 yılında.
02:04
And it mushroomed slightly. Afghanistan and Iraq mushroomed now
45
109000
3000
Ama yavaşça yayıldı. Afganistan bugün
02:07
to 3,000 billion.
46
112000
3000
3,000 milyar'a kadar çıktı.
02:10
So now it's great
47
115000
2000
Ama şimdi harika
02:12
because now we have this texture, and we can add numbers to it as well.
48
117000
2000
çünkü artık bu desen var ve ona rakamlarıda ekleyebiliyoruz.
02:14
So we could say, well, a new figure comes out ... let's see African debt.
49
119000
3000
O zaman diyebilirizki, yeni bir figür çıkıyor ortaya... Afrika'nın borcuna bir bakalım.
02:17
How much of this diagram do you think might be taken up
50
122000
2000
Bu diagram da Afrika'nın Batıya olan
02:19
by the debt that Africa owes to the West?
51
124000
2000
borcu için ne kadar ayrılmıştır sizce?
02:21
Let's take a look.
52
126000
2000
Bir göz atalım.
02:23
So there it is:
53
128000
2000
İşte burada.
02:25
227 billion is what Africa owes.
54
130000
2000
227 milyar, Afrika'nın borcudur.
02:27
And the recent financial crisis,
55
132000
2000
Ve en son ekonomik kriz --
02:29
how much of this diagram might that figure take up?
56
134000
2000
bu diagramın ne kadarını kapsar?
02:31
What has that cost the world? Let's take a look at that.
57
136000
3000
Dünyaya nekadara mal olduğuna bir bakalım?
02:34
Dooosh -- Which I think is the appropriate sound effect
58
139000
3000
Mangıııır. Sanırım doğru ses efekti bu
02:37
for that much money:
59
142000
2000
bu kadar para için
02:39
11,900 billion.
60
144000
4000
11,900 milyar.
02:45
So, by visualizing this information,
61
150000
2000
O zaman bu bilgiyi görselleştirirsek,
02:47
we turned it into a landscape
62
152000
2000
bunu bir görünüme çevirdik
02:49
that you can explore with your eyes,
63
154000
2000
böylece gözlerinizle inceliyebilirsiniz,
02:51
a kind of map really, a sort of information map.
64
156000
2000
bir harita gibi, daha çok bir bilgi haritası.
02:53
And when you're lost in information,
65
158000
2000
Ve bilginin içinde kaybolduğunuzda,
02:55
an information map is kind of useful.
66
160000
3000
bir bilgi haritası işinize yarayacaktır.
02:58
So I want to show you another landscape now.
67
163000
2000
O zaman şimdi size başka bir görünümü göstermek istiyorum.
03:00
We need to imagine what a landscape
68
165000
2000
Dünyanın korkularının gökdeleninin
03:02
of the world's fears might look like.
69
167000
3000
neye benzeyebileceğini hayal etmeliyiz.
03:05
Let's take a look.
70
170000
2000
Hadi göz atalım.
03:07
This is Mountains Out of Molehills,
71
172000
2000
Bu köstebek tepelerinden dağlar,
03:09
a timeline of global media panic.
72
174000
2000
evrensel medya paniğinin zaman çizelgesi.
03:11
(Laughter)
73
176000
2000
(Kahkaha)
03:13
So, I'll label this for you in a second.
74
178000
2000
Bunu sizin için hemen isimlendireceğim.
03:15
But the height here, I want to point out,
75
180000
2000
Ama burada üzerinde durmak istediğim, yükseklik,
03:17
is the intensity of certain fears
76
182000
2000
bazı belli korkuların şiddeti,
03:19
as reported in the media.
77
184000
2000
medyada verildiği gibi.
03:21
Let me point them out.
78
186000
2000
Onları göstereyim.
03:23
So this, swine flu -- pink.
79
188000
4000
İşte burada, domuz gribi -- pembe.
03:27
Bird flu.
80
192000
2000
Kuş gribi,
03:29
SARS -- brownish here. Remember that one?
81
194000
3000
SARS -- kahverengimsi. Bunu unutmayın.
03:32
The millennium bug,
82
197000
3000
Milenyum virüsü --
03:35
terrible disaster.
83
200000
2000
korkunç bir felaket.
03:37
These little green peaks
84
202000
2000
Bu küçük yeşil zirveler
03:39
are asteroid collisions.
85
204000
2000
meteor çarpışmaları.
03:41
(Laughter)
86
206000
2000
(Kahkaha)
03:43
And in summer, here, killer wasps.
87
208000
2000
Ve yazın, burada, ölümcül yaban ,arıları.
03:45
(Laughter)
88
210000
8000
(Kahkaha)
03:53
So these are what our fears look like
89
218000
2000
İşte bunlar zamanla medyada bizim korkularımızın
03:55
over time in our media.
90
220000
2000
nasıl göründükleri.
03:57
But what I love -- and I'm a journalist --
91
222000
2000
Ama benim -- bir gazeteci olarak en sevdiğim --
03:59
and what I love is finding hidden patterns; I love being a data detective.
92
224000
3000
ve en sevdiğim gizli motifleri bulmak; Veri dedektifi olmayı çok seviyorum.
04:02
And there's a very interesting and odd pattern hidden in this data
93
227000
3000
Ve bu veride çok farklı ve ilginç bir motif var
04:05
that you can only see when you visualize it.
94
230000
2000
sadece görselleştirdiğiniz zaman görebileceğiniz bir tane.
04:07
Let me highlight it for you.
95
232000
2000
Onu sizin için işaretliyim.
04:09
See this line, this is a landscape for violent video games.
96
234000
3000
Bu çizgiye bakın. Bu görünüm şiddet içerikli video oyunları için.
04:12
As you can see, there's a kind of odd, regular pattern in the data,
97
237000
3000
Gördüğünüz gibi, farklı, sıradan bir motif bu verideki,
04:15
twin peaks every year.
98
240000
2000
her sene çifte zirveler.
04:17
If we look closer, we see those peaks occur
99
242000
2000
Daha yakından bakacak olursak, bu zirvelerin oluştuğunu görebiliriz.
04:19
at the same month every year.
100
244000
3000
her sene aynı ay.
04:22
Why?
101
247000
2000
Neden?
04:24
Well, November, Christmas video games come out,
102
249000
2000
Çünkü Kasımda, Yıl başında video oyunları piyasaya çıkar,
04:26
and there may well be an upsurge in the concern about their content.
103
251000
3000
ve bu oyunlarının içerikleriyle ilgili endişelerde artış görülür.
04:29
But April isn't a particularly massive month
104
254000
3000
Ama Nisan özellikle çok yoğun bir ay değildir
04:32
for video games.
105
257000
2000
video oyunları için.
04:34
Why April?
106
259000
2000
Neden Nisan?
04:36
Well, in April 1999 was the Columbine shooting,
107
261000
3000
Çünkü 1999 Nisanında Columbine çatışması yaşandı,
04:39
and since then, that fear
108
264000
2000
ve o zamandan beri, o korku
04:41
has been remembered by the media
109
266000
2000
medya tarafından hatırlandı
04:43
and echoes through the group mind gradually through the year.
110
268000
2000
ve grup zihninden yayılan yankılar sene boyunca hızla artıyor.
04:45
You have retrospectives, anniversaries,
111
270000
3000
Geçmişe yönelik işleriniz, yıldönümleriniz,
04:48
court cases, even copy-cat shootings,
112
273000
3000
mahkeme günleriniz, hatta taklitçi avlarınız,
04:51
all pushing that fear into the agenda.
113
276000
3000
hepsi korkularınızı ajendaya itiyor.
04:54
And there's another pattern here as well. Can you spot it?
114
279000
2000
Ve burada başka bir motif daha var. Görebiliyormusunuz?
04:56
See that gap there? There's a gap,
115
281000
2000
Buradaki boşluğu görüyormusunuz? Burada bir boşluk var,
04:58
and it affects all the other stories.
116
283000
2000
ve diğer bütün hikayeleri etkiliyor.
05:00
Why is there a gap there?
117
285000
2000
Neden orada bir boşluk var?
05:02
You see where it starts? September 2001,
118
287000
3000
Nerede başladğını görüyormusunuz? 2001 Eylül,
05:05
when we had something very real
119
290000
2000
gerçekten gerçek olan birşey olduğunda
05:07
to be scared about.
120
292000
2000
korkmamızı gerektiren.
05:09
So, I've been working as a data journalist for about a year,
121
294000
3000
İşte, yaklaşık bir senedir veri yazarlığı yapıyorum,
05:12
and I keep hearing a phrase
122
297000
2000
ve bir cümle var ki her zaman duyuyorum
05:14
all the time, which is this:
123
299000
3000
ama her zaman, ve o da:
05:17
"Data is the new oil."
124
302000
2000
''Veri yeni petroldür.''
05:19
Data is the kind of ubiquitous resource
125
304000
3000
Veri çok sık rastlanan bir kaynak
05:22
that we can shape to provide new innovations and new insights,
126
307000
3000
yeni görüşlere ve anlayışlara şekil verebiliriz,
05:25
and it's all around us, and it can be mined very easily.
127
310000
3000
her tarafta o var, ve kolaylıkla çıkarılabilir.
05:28
It's not a particularly great metaphor in these times,
128
313000
3000
Ve şu zamanlarda özellikle çok iyi bir metafor değil,
05:31
especially if you live around the Gulf of Mexico,
129
316000
3000
özellikle Meksika'nın körfez kısmında yaşıyorsanız,
05:34
but I would, perhaps, adapt this metaphor slightly,
130
319000
2000
ama ben büyük ihtimalle bu metafor'a uyum sağlayabilirim,
05:36
and I would say that data is the new soil.
131
321000
3000
ve şunu diyebilirim ki; veri yeni topraktır.
05:40
Because for me, it feels like a fertile, creative medium.
132
325000
3000
Çünkü benim için, çok verimli bir hissi var ve yaratıcı bir araç.
05:43
Over the years, online,
133
328000
2000
Seneler boyunca, internet üzerinde,
05:45
we've laid down
134
330000
3000
zaman geçirdik ve
05:48
a huge amount of information and data,
135
333000
2000
bir sürü kocaman bilgi ve veri yığdık,
05:50
and we irrigate it with networks and connectivity,
136
335000
2000
ve bunları ağ ve bağlantılarla besliyoruz,
05:52
and it's been worked and tilled by unpaid workers and governments.
137
337000
3000
ve ödeme yapılmayan çalışanlar ve devlet tarafından işlenmiş ve çalışılmış.
05:55
And, all right, I'm kind of milking the metaphor a little bit.
138
340000
3000
Ve tamam, bu metaphor'u biraz sağıyor olabilirim.
05:58
But it's a really fertile medium,
139
343000
3000
Ama gerçekten çok verimli bir araç bu,
06:01
and it feels like visualizations, infographics, data visualizations,
140
346000
3000
ve bu görselleştirmeler, bilgi grafikleri ve görseller,
06:04
they feel like flowers blooming from this medium.
141
349000
3000
bu araçtan açan çiçekler gibi.
06:07
But if you look at it directly,
142
352000
2000
Ama direk bakarsanız,
06:09
it's just a lot of numbers and disconnected facts.
143
354000
2000
sadece bir sürü rakam ve bağlantısız olaylar.
06:11
But if you start working with it and playing with it in a certain way,
144
356000
3000
Ama onunla çalışmaya ve oynamaya başlarsanız belli bir şekilde,
06:14
interesting things can appear and different patterns can be revealed.
145
359000
3000
ilginç şeyler ortaya çıkabilir ve farklı motifler doğabilir.
06:17
Let me show you this.
146
362000
2000
Bunu size göstereyim.
06:19
Can you guess what this data set is?
147
364000
3000
Bu verinin ne dediğini tahmin edebilir misiniz?
06:22
What rises twice a year,
148
367000
2000
Her sene çifter çifter artan şey,
06:24
once in Easter
149
369000
2000
Paskalya zamanı
06:26
and then two weeks before Christmas,
150
371000
2000
ve Yıl Başından iki hafta önce,
06:28
has a mini peak every Monday,
151
373000
2000
her Pazartesi küçük bir zirve yapıyor
06:30
and then flattens out over the summer?
152
375000
2000
daha sonra yazın düzleşiyor.
06:32
I'll take answers.
153
377000
2000
Cevap bekliyorum.
06:34
(Audience: Chocolate.) David McCandless: Chocolate.
154
379000
2000
(Seyirci: Çikolata.) David McCandless: Çikolata.
06:36
You might want to get some chocolate in.
155
381000
3000
Biraz çikolata almak isteyebilirsiniz.
06:39
Any other guesses?
156
384000
2000
Başka bir tahminde bulunmak isteyen?
06:41
(Audience: Shopping.) DM: Shopping.
157
386000
2000
(Seyirci: Alışveriş.) David McCandless: Alışveriş.
06:43
Yeah, retail therapy might help.
158
388000
3000
Evet, satış terapisi işe yarayabilir.
06:46
(Audience: Sick leave.)
159
391000
2000
(Seyirci: Hastalık izni.)
06:48
DM: Sick leave. Yeah, you'll definitely want to take some time off.
160
393000
2000
DM: Hastalık evet. Gerçekten biraz istirhaat etmek isteyeceksiniz.
06:50
Shall we see?
161
395000
2000
Görelim mi?
06:53
(Laughter)
162
398000
8000
(Kahkaha)
07:01
(Applause)
163
406000
3000
(Alkış)
07:04
So, the information guru Lee Byron and myself,
164
409000
3000
O zaman buradaki bilgi , Lee Byron ve ben kendim,
07:07
we scraped 10,000 status Facebook updates
165
412000
3000
10,000 Facebook durum güncellemesi çıkardık
07:10
for the phrase "break-up" and "broken-up"
166
415000
2000
sadece ''ayrılık'' ve ''ayrılmak'' kelimelerinin içinde geçtiği
07:12
and this is the pattern we found --
167
417000
2000
ve ortaya çıkan motif bu --
07:14
people clearing out for Spring Break,
168
419000
2000
insanlar bahar temizliği yapıyor,
07:16
(Laughter)
169
421000
5000
(Kahkaha)
07:21
coming out of very bad weekends on a Monday,
170
426000
2000
çok kötü bir haftasonundan sonra Pazartesi,
07:23
being single over the summer,
171
428000
3000
yaz boyunca yalnız olmak,
07:26
and then the lowest day of the year, of course: Christmas Day.
172
431000
3000
Ve elbette yılın en düşük günü, tabi ki: Yılbaşı Günü.
07:29
Who would do that?
173
434000
3000
Bu ne yapar?
07:32
So there's a titanic amount of data out there now,
174
437000
2000
Burada bir Titanik dolusu veri var şu an,
07:34
unprecedented.
175
439000
2000
benzeri görülmemiş.
07:37
But if you ask the right kind of question,
176
442000
2000
Ama doğru soruyu sorarsanız,
07:39
or you work it in the right kind of way,
177
444000
2000
veya doğru tarafa oynarsanız,
07:41
interesting things can emerge.
178
446000
3000
ilginç şeyler meydana gelebilir.
07:44
So information is beautiful. Data is beautiful.
179
449000
3000
O zaman, bilgi güzeldir. Veri güzeldir.
07:47
I wonder if I could make my life beautiful.
180
452000
3000
Acaba kendi beğenilerimi güzel yapabilirmiyim.
07:50
And here's my visual C.V.
181
455000
2000
İşte burada özgeçmişimin görselleştirilmiş hali.
07:52
I'm not quite sure I've succeeded.
182
457000
2000
Başarılı olup olmadığımdan emin değilim.
07:54
Pretty blocky, the colors aren't that great.
183
459000
2000
Baya tıknaz bir görsel. Renklerde o kadar iyi değil.
07:56
But I wanted to convey something to you.
184
461000
3000
Ama size birşeyi göstermek istedim.
07:59
I started as a programmer,
185
464000
2000
Bir programcı olarak başladım işe,
08:01
and then I worked as a writer for many years, about 20 years,
186
466000
2000
daha sonra 20 sene kadar bir zaman yazar olarak devam ettim,
08:03
in print, online and then in advertising,
187
468000
2000
baskı, dijital ve reklam işlerinde.
08:05
and only recently have I started designing.
188
470000
3000
ve daha çok yeni tasarımcılığa başladım.
08:08
And I've never been to design school.
189
473000
2000
Ve hiç bir tasarım okuluna gitmedim.
08:10
I've never studied art or anything.
190
475000
3000
Sanat ile ilgili hiçbirşey öğrenmedim.
08:13
I just kind of learned through doing.
191
478000
2000
Kendim yapa yapa öğrendim diyebiliriz.
08:15
And when I started designing,
192
480000
2000
Ve tasarlamaya başladığımda,
08:17
I discovered an odd thing about myself.
193
482000
2000
Kendim ile ilgili ilginç bir şey farkettim.
08:19
I already knew how to design,
194
484000
2000
Tasarlamayı zaten biliyordum,
08:21
but it wasn't like I was amazingly brilliant at it,
195
486000
3000
ama bu işte çok iyi değildim,
08:24
but more like I was sensitive
196
489000
2000
daha çok hassastım
08:26
to the ideas of grids and space
197
491000
2000
kılavuz ve boşluk fikrine
08:28
and alignment and typography.
198
493000
2000
ve yerleştirme ve tipografi.
08:30
It's almost like being exposed
199
495000
2000
Ortaya çıkıvermek gibi birşey
08:32
to all this media over the years
200
497000
2000
senelerce bu medyada
08:34
had instilled a kind of dormant design literacy in me.
201
499000
3000
çok durgun bir tasarım kültürü aşıladı bana.
08:37
And I don't feel like I'm unique.
202
502000
2000
Ve kendimi eşsizmiş gibi hissetmiyorum.
08:39
I feel that everyday, all of us now
203
504000
2000
Her gün, artık hepimiz
08:41
are being blasted by information design.
204
506000
3000
bilgi tasarımına maruz kalıyoruz.
08:44
It's being poured into our eyes through the Web,
205
509000
2000
Web üzerinden gözlerimizin içine akıtılıyor
08:46
and we're all visualizers now;
206
511000
2000
ve hepimiz artık görselleştiriyoruz;
08:48
we're all demanding a visual aspect
207
513000
2000
hepimiz bilgimizi görsel
08:50
to our information.
208
515000
3000
bir bakış bekliyoruz.
08:53
There's something almost quite magical about visual information.
209
518000
3000
Ve görsel bilgi ile ilgili çok büyülü bir şey var.
08:56
It's effortless, it literally pours in.
210
521000
3000
Çaba gerektirmiyor; tam anlamıyla kendisi oluşuyor.
08:59
And if you're navigating a dense information jungle,
211
524000
3000
Ve eğer yoğun bir bilgi ormanına yön veriyorsanız,
09:02
coming across a beautiful graphic
212
527000
2000
güzel bir grafikten doğru gelen
09:04
or a lovely data visualization,
213
529000
2000
yada çok hoş bir veri görselinden,
09:06
it's a relief, it's like coming across a clearing in the jungle.
214
531000
3000
Bu bir rahatlama, bir ormandan kurtulmak gibi bir şey.
09:09
I was curious about this, so it led me
215
534000
2000
Bu konuda çok meraklıydım, o yüzden şu sonuca vardım
09:11
to the work of a Danish physicist
216
536000
2000
Danimarkalı bir fizikçiyle birlikte çalışmak
09:13
called Tor Norretranders,
217
538000
2000
Tor Norretranders adlı,
09:15
and he converted the bandwidth of the senses into computer terms.
218
540000
3000
ve duyuların bant genişliğini bilgisayar terimlerine çevirdi.
09:19
So here we go. This is your senses,
219
544000
2000
O zaman hadi bakalım. Bu sizin hisleriniz,
09:21
pouring into your senses every second.
220
546000
2000
her saniye duyularınıza akıtılıyor.
09:23
Your sense of sight is the fastest.
221
548000
3000
Görme duyunuz en hızlısı.
09:26
It has the same bandwidth as a computer network.
222
551000
3000
bir bilgisayar ağıyla eşit kapasiteye sahip.
09:29
Then you have touch, which is about the speed of a USB key.
223
554000
3000
Daha sonra dokunma duygunuz var, bir USB anahtarıyla eşit hızda.
09:32
And then you have hearing and smell,
224
557000
2000
Daha sonra ise duyma ve koklama duyularınız,
09:34
which has the throughput of a hard disk.
225
559000
2000
bir sabit diskin işlem hacmiyle aynı.
09:36
And then you have poor old taste,
226
561000
2000
Ve o kötü ve eski tat var,
09:38
which is like barely the throughput of a pocket calculator.
227
563000
3000
bir cep hesap makinesiyle aynı işlem hacmi neredeyse.
09:41
And that little square in the corner, a naught .7 percent,
228
566000
3000
Ve köşedeki o küçük kare ise, 0.7 oranda,
09:44
that's the amount we're actually aware of.
229
569000
3000
aslında farkında olduğumuz miktar.
09:47
So a lot of your vision --
230
572000
2000
O zaman gördüğünüzün büyük bir kısmı --
09:49
the bulk of it is visual, and it's pouring in.
231
574000
2000
önemli derece büyük bir kısmı görsel, ve içeri akıyor.
09:51
It's unconscious.
232
576000
2000
Bilinçsiz bir şekilde.
09:53
The eye is exquisitely sensitive
233
578000
3000
Ve göz zarif ve hassas
09:56
to patterns in variations in color, shape and pattern.
234
581000
3000
çeşitli motifler, çeşitli renk, şekillerde.
09:59
It loves them, and it calls them beautiful.
235
584000
2000
Onları çok seviyor ve güzel olduklarını söylüyor.
10:01
It's the language of the eye.
236
586000
2000
Gözün dili.
10:03
If you combine the language of the eye with the language of the mind,
237
588000
2000
Ve eğer gözün dilini, zihin diliyle birleştirirseniz,
10:05
which is about words and numbers and concepts,
238
590000
3000
rakamlar ve konseptler ile ilgili olan,
10:08
you start speaking two languages simultaneously,
239
593000
3000
simultane olarak iki dili konuşmaya başlarsınız,
10:11
each enhancing the other.
240
596000
3000
birbirlerini geliştirirler.
10:14
So, you have the eye, and then you drop in the concepts.
241
599000
3000
O zaman göz var, daha sonrada konseptler giriyor.
10:17
And that whole thing -- it's two languages
242
602000
2000
Ve tamamı bu şeyin -- iki dil
10:19
both working at the same time.
243
604000
2000
aynı anda çalışıyor.
10:21
So we can use this new kind of language, if you like,
244
606000
2000
Eğer isterseniz bu yeni dili kullanabiliriz,
10:23
to alter our perspective or change our views.
245
608000
3000
görüş biçimlerimizi değiştirmek yada bakış açılarımızı değiştirmek için.
10:26
Let me ask you a simple question
246
611000
2000
Size basit bir soru sorayım
10:28
with a really simple answer:
247
613000
2000
çok basit de bir cevabı var.
10:30
Who has the biggest military budget?
248
615000
2000
En yüksek
10:32
It's got to be America, right?
249
617000
2000
Amerika olmalı, değilmi?
10:34
Massive. 609 billion in 2008 --
250
619000
2000
Muazzam. 2008 de 609 milyar --
10:36
607, rather.
251
621000
2000
607, aslında.
10:38
So massive, in fact, that it can contain
252
623000
2000
Çok muazzam, hatta aslında
10:40
all the other military budgets in the world inside itself.
253
625000
3000
kendi içinde dünyadaki geri kalan bütün orduların bütçelerini kapsayabilir.
10:43
Gobble, gobble, gobble, gobble, gobble.
254
628000
2000
Gulu gulu, gulu gulu, gulu gulu.
10:45
Now, you can see Africa's total debt there
255
630000
2000
Şimdi, burada Afrikanın toplam borcunu görebilirsiniz
10:47
and the U.K. budget deficit for reference.
256
632000
2000
ve İngiltere, bütçede hesap açığı mesela.
10:49
So that might well chime
257
634000
2000
Böylece Amerikaya görüşünüzle
10:51
with your view that America
258
636000
2000
uyum sağlayabilir,
10:53
is a sort of warmongering military machine,
259
638000
3000
savaş kışkırtıcısı, ordu makineleri,
10:56
out to overpower the world
260
641000
2000
dışarda bütün dünyanın hakkından gelmek için
10:58
with its huge industrial-military complex.
261
643000
3000
kocaman, endüstriyel-ordu kompleksiyle.
11:01
But is it true that America has the biggest military budget?
262
646000
3000
Ama Amerikanın en yüksek ordu bütçesine sahip olduğu doğrumu?
11:04
Because America is an incredibly rich country.
263
649000
2000
Çünkü olağanüstü zengin bir ülke.
11:06
In fact, it's so massively rich
264
651000
2000
Hatta, öyle muazzam derecede zenginki
11:08
that it can contain the four other
265
653000
2000
kendisinden sonraki en iyi endüstriyelleşmiş
11:10
top industrialized nations' economies
266
655000
2000
dört ülkenin ekonomisini daha içinde barındırabilir
11:12
inside itself, it's so vastly rich.
267
657000
3000
uçsuz bucaksız bir zenginlik bu.
11:15
So its military budget is bound to be enormous.
268
660000
3000
Haliyle ordu bütçeside kocaman olmak zorunda.
11:18
So, to be fair and to alter our perspective,
269
663000
2000
Öyleyse adil olmak ve görüşümüzü genişletmek adına,
11:20
we have to bring in another data set,
270
665000
2000
başka bir veri setine bakmamız lazım,
11:22
and that data set is GDP, or the country's earnings.
271
667000
2000
ve bu veri seti GDP, yada diğer ülkelerin kazançları.
11:24
Who has the biggest budget as a proportion of GDP?
272
669000
2000
GDP oranına göre en yüksek bütçe kimde?
11:26
Let's have a look.
273
671000
2000
Bir göz atalım.
11:28
That changes the picture considerably.
274
673000
3000
Bu tabloyu oldukça değişebilir.
11:31
Other countries pop into view that you, perhaps, weren't considering,
275
676000
3000
İşin içine diğer ülkeler gelince, heralde tahmin etmediğiniz bir görüntü oluşuyor,
11:34
and American drops into eighth.
276
679000
2000
ve Amerika sekizinciliğe düşüyor.
11:36
Now you can also do this with soldiers.
277
681000
2000
Ve şimdi bunu askerlerle de yapabilirsiniz.
11:38
Who has the most soldiers? It's got to be China.
278
683000
2000
En fazla asker kimde var? Çin olmalı.
11:40
Of course, 2.1 million.
279
685000
2000
Tabiki, 2.1 milyon.
11:42
Again, chiming with your view
280
687000
2000
Tekrar, sizin aklınızdakiyle uyum halinde bir sonuç
11:44
that China has a militarized regime
281
689000
2000
çünkü Çin de askerleştirilmiş bir rejim var,
11:46
ready to, you know, mobilize its enormous forces.
282
691000
2000
hazır, bilirsiniz, büyük kuvvetleri harekete geçirmeye.
11:48
But of course, China has an enormous population.
283
693000
3000
Ama tabiki, Çin büyük bir nüfusa sahip.
11:51
So if we do the same,
284
696000
2000
O zaman aynısını yaparsak,
11:53
we see a radically different picture.
285
698000
2000
temelinde farklı bir durum olduğunu görürüz.
11:55
China drops to 124th.
286
700000
2000
Çin 124. sıraya düşer.
11:57
It actually has a tiny army
287
702000
2000
Aslında minicik bir ordusu var
11:59
when you take other data into consideration.
288
704000
3000
diğer verileride göz önünde bulundurduğunuzda.
12:02
So, absolute figures, like the military budget,
289
707000
2000
Öyleyse, askeri bütçeler gibi kesin figürler,
12:04
in a connected world,
290
709000
2000
birleşik bir dünyada,
12:06
don't give you the whole picture.
291
711000
2000
size doğru bir izlenim vermeyebilir.
12:08
They're not as true as they could be.
292
713000
2000
Olabilecekleri gibi doğru değiller.
12:10
We need relative figures that are connected to other data
293
715000
3000
Başka verilere bağlı başka benzeri verilere ihtiyacımz var
12:13
so that we can see a fuller picture,
294
718000
2000
böylece daha büyük olan asıl resmi görebiliriz,
12:15
and then that can lead to us changing our perspective.
295
720000
2000
ve daha sonra buda bizim görüşümüzü değiştirebilir.
12:17
As Hans Rosling, the master,
296
722000
2000
Benim hocamın, Hans Rosling'in
12:19
my master, said,
297
724000
3000
dediği gibi,
12:22
"Let the dataset change your mindset."
298
727000
3000
''Verilerin, aklınızdakileri değiştirmesine izin verin.''
12:26
And if it can do that, maybe it can also change your behavior.
299
731000
3000
Ve eğer bunu yapabilirse, belki davranışlarınız da değişebilir.
12:29
Take a look at this one.
300
734000
2000
Buna bir bakın.
12:31
I'm a bit of a health nut.
301
736000
2000
Ben sağlık konusunda biraz deliyim.
12:33
I love taking supplements and being fit,
302
738000
3000
Takviye ilaçlar alıp formda kalmayı severim,
12:36
but I can never understand what's going on in terms of evidence.
303
741000
3000
ama neler olduğunu kanıt yönünden hiç bir zaman anlayamam.
12:39
There's always conflicting evidence.
304
744000
2000
Elimizdeki kanıtlar her zaman çakışır.
12:41
Should I take vitamin C? Should I be taking wheatgrass?
305
746000
2000
Vitamin C mi almalıyım? yoksa Buğday Çimi mi?
12:43
This is a visualization of all the evidence
306
748000
2000
Bu bütün kanıtların görselleştirilmiş bir hali
12:45
for nutritional supplements.
307
750000
2000
besinsel takviyeler için.
12:47
This kind of diagram is called a balloon race.
308
752000
3000
Bu tür grafiklere balon yarışı adı verilir.
12:50
So the higher up the image,
309
755000
2000
Resimde ne kadar yukarı çıkarsanız,
12:52
the more evidence there is for each supplement.
310
757000
3000
her takviye madde için daha çok kanıt bulunur.
12:55
And the bubbles correspond to popularity as regards to Google hits.
311
760000
3000
Ve baloncuklar rağbete Google'ın hitine göre tepki veriyor.
12:58
So you can immediately apprehend
312
763000
3000
Böylece kolaylıkla kavrayabilirsiniz
13:01
the relationship between efficacy and popularity,
313
766000
3000
tesir ile popülerlik arasındaki ilişki,
13:04
but you can also, if you grade the evidence,
314
769000
3000
ama ayrıca, kanıt'a not verirseniz,
13:07
do a "worth it" line.
315
772000
2000
''zahmete değer'' gibi bir çizgi belirleyin.
13:09
So supplements above this line are worth investigating,
316
774000
3000
Ve bu çizginin üzerindeki takviyeler araştırmaya değerdir,
13:12
but only for the conditions listed below,
317
777000
3000
ama sadece aşağıda sıralanmış durumlar için.
13:15
and then the supplements below the line
318
780000
3000
Çizginin altındaki takviyeler ise
13:18
are perhaps not worth investigating.
319
783000
2000
heralde, araştırmaya değer olmayanlar olacak.
13:20
Now this image constitutes a huge amount of work.
320
785000
3000
Şimdi bu resim büyük iş çıkarmıştı bize.
13:23
We scraped like 1,000 studies from PubMed,
321
788000
3000
PubMed den 1,000 'e yakın çalışma topladık,
13:26
the biomedical database,
322
791000
2000
biomedikal veritabanından,
13:28
and we compiled them and graded them all.
323
793000
3000
ve hepsini toplayıp notlar verdik.
13:31
And it was incredibly frustrating for me
324
796000
2000
Benim için oldukça yorucu bir işti
13:33
because I had a book of 250 visualizations to do for my book,
325
798000
3000
250 görselleştirmeden oluşan bir kitap yapmam gerekiyordu,
13:36
and I spent a month doing this,
326
801000
2000
bir ayımı buna ayırdım,
13:38
and I only filled two pages.
327
803000
2000
ve sadece iki sayfayı doldurabildim.
13:40
But what it points to
328
805000
2000
Ama işaret gösterdiği
13:42
is that visualizing information like this
329
807000
2000
bunun gibi bilgileri görselleştirmek
13:44
is a form of knowledge compression.
330
809000
2000
bilgiyi özetlemenin bir şeklidir.
13:46
It's a way of squeezing an enormous amount
331
811000
2000
İnanılmaz büyük çapta bilgi ve bilinmişleri
13:48
of information and understanding
332
813000
2000
küçük bir boşluğa
13:50
into a small space.
333
815000
2000
sıkmak gibi bir yoldur.
13:52
And once you've curated that data, and once you've cleaned that data,
334
817000
2000
O verinin icabına baktığınız zaman, ve temizlediğinizde,
13:54
and once it's there,
335
819000
2000
ve bir kere orada oldumu
13:56
you can do cool stuff like this.
336
821000
2000
bunun gibi havalı şeyler yapabilirsiniz.
13:58
So I converted this into an interactive app,
337
823000
2000
Bende bunu interaktif bir uygulamaya çevirdim,
14:00
so I can now generate this application online --
338
825000
2000
şimdi bu uygulamayı çevirim içi yapabilirim --
14:02
this is the visualization online --
339
827000
2000
bu çevirim içi görselleştirme --
14:04
and I can say, "Yeah, brilliant."
340
829000
2000
ve diyebilirimki, ''Evet, mükemmel.''
14:06
So it spawns itself.
341
831000
2000
Şimdi kendisini oluşturur.
14:08
And then I can say, "Well, just show me the stuff
342
833000
2000
Sonrada şunu söyleyebilirim, ''Evet, sadece malı gösterin bana
14:10
that affects heart health."
343
835000
2000
kalp sağlığını etkileyen.''
14:12
So let's filter that out.
344
837000
2000
O zaman hadi bunu filitreyelim.
14:14
So heart is filtered out, so I can see if I'm curious about that.
345
839000
3000
Kalp filitre edildi, eğer bu konuda meraklıysam.
14:17
I think, "No, no. I don't want to take any synthetics,
346
842000
2000
Düşünüyorum, ''Hayır, hayır. Sentetik birşey kullanmak istemem.
14:19
I just want to see plants and --
347
844000
3000
sadece bitkileri --
14:22
just show me herbs and plants. I've got all the natural ingredients."
348
847000
3000
sadece bitkileri ve otları göster bana. Bütün doğal içeriğe sahibim.''
14:25
Now this app is spawning itself
349
850000
2000
Şimdi bu uygulama kendini veriden
14:27
from the data.
350
852000
2000
üretiyor.
14:29
The data is all stored in a Google Doc,
351
854000
2000
Bütün veri bir Google Dökümanı içinde saklı,
14:31
and it's literally generating itself from that data.
352
856000
3000
ve gerçek anlamıyla kendisini bu veriden üretiyor.
14:34
So the data is now alive; this is a living image,
353
859000
2000
Veri artık canlı; bu canlı bir görüntü,
14:36
and I can update it in a second.
354
861000
2000
ve bir saniyede güncelleyebilirim.
14:38
New evidence comes out. I just change a row on a spreadsheet.
355
863000
2000
Yeni kanıtlar ortaya çıkıyor -- Hesap çizelgesi üzerindeki tek bir sırayı değiştiriyorum.
14:40
Doosh! Again, the image recreates itself.
356
865000
4000
Mangıır! Yine, görüntü kendini tekrar yaratıyor.
14:44
So it's cool.
357
869000
2000
Bu havalı bir şey.
14:46
It's kind of living.
358
871000
3000
Yaşamak gibi bir şey.
14:49
But it can go beyond data,
359
874000
2000
Ama verinin ötesine geçebiliyor gibi,
14:51
and it can go beyond numbers.
360
876000
2000
ve rakamlarında ötesine geçebiliyor.
14:53
I like to apply information visualization
361
878000
2000
Ve ben bilgiyi görselleştirmeyi
14:55
to ideas and concepts.
362
880000
3000
fikir ve konseptlere uygulamayı seviyorum.
14:58
This is a visualization
363
883000
2000
Bu bir görselleştirme
15:00
of the political spectrum,
364
885000
2000
politik görüntünün,
15:02
an attempt for me to try
365
887000
2000
benim nasıl çalıştığına dair
15:04
and understand how it works
366
889000
2000
fikir edinme çabam sırasında
15:06
and how the ideas percolate down
367
891000
2000
ve fikirin nasıl hükümetten, halka ve kültüre
15:08
from government into society and culture,
368
893000
2000
doğru süzüldüğünü,
15:10
into families, into individuals, into their beliefs
369
895000
3000
ailelere, bireylere ve onların inançlarına
15:13
and back around again in a cycle.
370
898000
3000
ve kısır bir döngü şeklinde dönmesini.
15:16
What I love about this image
371
901000
2000
Bu resim ile ilgili sevdiğim şey
15:18
is it's made up of concepts,
372
903000
2000
konseptlerden meydana gelmiş olmasıdır,
15:20
it explores our worldviews
373
905000
2000
dünya görüşlerimizi inceliyor
15:22
and it helps us -- it helps me anyway --
374
907000
2000
ve bize -- yada en azından bana --
15:24
to see what others think,
375
909000
2000
başkalarının nasıl düşündüklerini görme imkanı sağlıyor,
15:26
to see where they're coming from.
376
911000
2000
onların nerelerden geldiklerini görme imkanı.
15:28
And it feels just incredibly cool to do that.
377
913000
3000
Ve bunu yapmak inanılmaz havalı geliyor.
15:31
What was most exciting for me
378
916000
3000
Ve benim için en heyecanlı kısmı
15:34
designing this
379
919000
2000
bunu tasarlamaktı,
15:36
was that, when I was designing this image,
380
921000
2000
bu resmi tasarladığım zamandan bahsediyorum,
15:38
I desperately wanted this side, the left side,
381
923000
3000
Çaresizce bu tarafı istiyordum, sol taraf,
15:41
to be better than the right side --
382
926000
2000
sağ taraftan iyi olması için --
15:43
being a journalist, a Left-leaning person --
383
928000
3000
bir gazeteci olmak, sol'a yatkın bir insan olmak --
15:46
but I couldn't, because I would have created
384
931000
2000
ama yapamazdım, çünkü
15:48
a lopsided, biased diagram.
385
933000
3000
orantısız ve tek taraflı bir diagram oluşturmuş olurdum.
15:51
So, in order to really create a full image,
386
936000
3000
Böylece, tam bir görüntü elde edebilmek için,
15:54
I had to honor the perspectives on the right-hand side
387
939000
3000
Sağ tarafın görüşlerinide onore etmem gerekiyordu
15:57
and at the same time, uncomfortably recognize
388
942000
3000
o anda rahatsız edici bir şeyin farkına vardım
16:00
how many of those qualities were actually in me,
389
945000
3000
bu özelliklerden kaçının bende olduğuna dair,
16:03
which was very, very annoying and uncomfortable.
390
948000
2000
gerçekten çok ama çok rahatsız ediciydi.
16:05
(Laughter)
391
950000
4000
(Kahkaha)
16:09
But not too uncomfortable,
392
954000
2000
Ama o kadar da rahatsız edici değildi,
16:11
because there's something unthreatening
393
956000
3000
çünkü tehditkar olmayan bir yanı vardı
16:14
about seeing a political perspective,
394
959000
2000
politik görüşün bir kişiyi zorla dinlemek
16:16
versus being told or forced to listen to one.
395
961000
3000
zorunda bırakılmak ile karşılaştırılınca.
16:19
You're capable of holding conflicting viewpoints
396
964000
3000
Bu aslında -- siz çakışan görüş noktalarını elinizde tutma olanağına sahipsiniz
16:22
joyously when you can see them.
397
967000
2000
neşeli bir şekilde, onları görebildiğiniz zaman.
16:24
It's even fun to engage with them
398
969000
2000
Onlarla ilişki içinde olmak bile zevkli
16:26
because it's visual.
399
971000
2000
çünkü bu görsel.
16:28
So that's what's exciting to me,
400
973000
2000
İşte benim için ilginç olan da bu,
16:30
seeing how data can change my perspective
401
975000
2000
verilerin benim görüşlerimi nasıl değiştirebildiğini görmek
16:32
and change my mind midstream --
402
977000
2000
ve zihnimin en ana noktasını --
16:34
beautiful, lovely data.
403
979000
3000
güzel, sevimli veri.
16:38
So, just to wrap up,
404
983000
2000
Hadi toparlayalım,
16:40
I wanted to say
405
985000
2000
Söylemek istiyorumki
16:42
that it feels to me that design is about solving problems
406
987000
2000
tasarım yapmak problem çözmek gibi birşey
16:44
and providing elegant solutions,
407
989000
3000
ve zarif yöntemler bulmak.
16:47
and information design is about
408
992000
2000
Ve bilgi tasarımı
16:49
solving information problems.
409
994000
2000
bilgi soruları çözmek ile ilgili.
16:51
It feels like we have a lot of information problems
410
996000
2000
Ve görünüşe bakılırsa çok fazla bilgi sorusuna sahibiz
16:53
in our society at the moment,
411
998000
2000
bugün bulunduğumuz toplum içinde,
16:55
from the overload and the saturation
412
1000000
2000
aşırı yüklenme ve doygunluktan
16:57
to the breakdown of trust and reliability
413
1002000
2000
güven kırılmalarına ve itimata
16:59
and runaway skepticism and lack of transparency,
414
1004000
2000
kontrolden çıkmış şüphecilikten, ihtiyacımız olan şeffaflığa,
17:01
or even just interestingness.
415
1006000
2000
veya hatta sadece ilginç olmaya.
17:03
I mean, I find information just too interesting.
416
1008000
2000
Demek istediğin, bilgiyi fazlasıyla ilginç buluyorum.
17:05
It has a magnetic quality that draws me in.
417
1010000
3000
Beni kendine çeken manyetik bir özelliği var.
17:09
So, visualizing information
418
1014000
2000
Bilgiyi görselleştirmekte
17:11
can give us a very quick solution to those kinds of problems.
419
1016000
3000
bu tür problemlerde bize kısa sonuçlar verebilir.
17:14
Even when the information is terrible,
420
1019000
2000
Ve bilgi korkunç bir haldeyken bile,
17:16
the visual can be quite beautiful.
421
1021000
3000
görsel oldukça güzel olabilir.
17:19
Often we can get clarity
422
1024000
3000
Ve çoğunlukla netlik sağlanabilir
17:22
or the answer to a simple question very quickly,
423
1027000
2000
veya basit bir soruya bir cevap çok hızlı gelebilir,
17:24
like this one,
424
1029000
2000
burda olduğu gibi,
17:26
the recent Icelandic volcano.
425
1031000
3000
yakın zamanda izlandada ki yanardağ.
17:29
Which was emitting the most CO2?
426
1034000
2000
Çok sayıda CO2 yayan?
17:31
Was it the planes or the volcano,
427
1036000
2000
Uçaklarmıydı yoksa yanardağ mı?
17:33
the grounded planes or the volcano?
428
1038000
2000
havalanamayan uçaklar yada yanardağ?
17:35
So we can have a look.
429
1040000
2000
Bir göz atabiliriz.
17:37
We look at the data and we see:
430
1042000
2000
Veriye bakar ve öğreniriz,
17:39
Yep, the volcano emitted 150,000 tons;
431
1044000
2000
evet, yanardağ 150.000 ton yaymış;
17:41
the grounded planes would have emitted
432
1046000
2000
eğer uçaklar havalanabilmiş olsalardı
17:43
345,000 if they were in the sky.
433
1048000
3000
345.000 yayacaklardı.
17:46
So essentially, we had our first carbon-neutral volcano.
434
1051000
3000
Dolayısıyla, ilk sıfır-karbon yanardağımıza sahip olduk.
17:49
(Laughter)
435
1054000
2000
(Kahkaha)
17:51
(Applause)
436
1056000
9000
(Alkış)
18:00
And that is beautiful. Thank you.
437
1065000
3000
Ve bu çok güzel. Teşekkürler.
18:03
(Applause)
438
1068000
8000
(Alkış)
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