Data Art – เล่าเรื่อง data ใกล้ตัวด้วยภาพ

17 กุมภาพันธ์ 2017

จรัล งามวิโรจน์เจริญ

รอบๆ ตัวเรามีอะไรหลายสิ่งที่มองไม่เห็น เช่น อากาศ เสียง พลังงานไฟฟ้า สัญญาณมือถือหรือแม้แต่ “ข้อมูล หรือ data” ข้อมูลมีอยู่รอบๆ ตัวเราแต่เรามักไม่เคยสังเกตและชอบคิดไปว่าเมื่อพูดถึงข้อมูลก็ต้องเป็นอะไรที่แสดงผลออกมาเป็นตัวเลขหรือกราฟรูปแบบต่างๆ เท่านั้น

วันนี้ผมจะเอาเรื่องที่คนคิดว่าไกลตัวอย่าง “ข้อมูล” มาทำให้เป็นเรื่องใกล้ตัวมากขึ้น โดยการวาดภาพวิเคราะห์ “ข้อมูล” ชีวิตส่วนตัวจากเฟซบุ๊กของผม (personal analytics visualization) เพื่อเป็นตัวอย่างให้ท่านผู้อ่านได้เห็นภาพตามกัน

ก่อนจะเริ่มวิเคราะห์ข้อมูลนั้น ผมขอเกริ่นก่อนว่าจริงๆ แล้วการเขียนเรื่องนี้ ผมได้แรงบันดาลใจมาจากการอ่านเจอเรื่องราวของนักออกแบบสารสนเทศ (information designer) 2 คน คือ Stefanie Posavec (London, UK) กับ Giorgia Lupi (Brooklyn, New York) ที่อยู่กันคนละทวีปแล้วบังเอิญได้เจอกันในงานประชุมหนึ่ง จากนั้นทั้งสองได้ตกลงใจที่จะทำโปรเจกต์ร่วมกัน ด้วยการเขียนโปสต์การ์ดเพื่อทำความรู้จักซึ่งกันและกัน โดยทั้งสองจะวาดภาพเกี่ยวกับข้อมูลในชีวิตประจำวันข้ามทวีปทุกสัปดาห์เป็นเวลา 1 ปี (52 สัปดาห์) และเป็นที่มาของหนังสือ “Dear Data” ซึ่งเป็นการผสมผสานระหว่างข้อมูลกับศิลปะ (data art) ได้อย่างสวยงามและเป็นตัวอย่างที่ทำให้เราเห็นกระบวนการและการเล่นกับข้อมูลที่มีประโยชน์

นอกจากนี้ โดยส่วนตัวผมอยากจะใช้การผสานระหว่างข้อมูลกับศิลปะ หรือ data art นี้เป็นกิจกรรมไว้สอนให้ลูกผมได้รู้ว่า ข้อมูลสามารถเชื่อมโยงกับศิลปะได้ ตอนแรกคิดว่าจะเก็บข้อมูลพฤติกรรมของตัวเองที่น่าศึกษา แต่นึกได้ว่า Facebook น่าจะมี activity log ที่บันทึกกิจกรรมต่างๆ และ สามารถ export ได้ แล้วผมก็ได้เจอวิธีการ Archive Facebook Information จากนั้นจึงเริ่มดู activity log ว่ามีระยะเวลานานแค่ไหน ก็เห็นว่ามีไปจนถึงปี 2550 แต่ผมอยากดูว่าปีที่ผ่านมาผมทำอะไรบ้าง ก็เลยเลือกปี 2559 มาทำ data art

หลังจากได้ปีที่สนใจ ผมก็เริ่มดูคร่าวๆ ว่าในปี 2559 มีกิจกรรมประเภทไหนเกิดขึ้นเพื่อที่จะมาออกแบบว่าควรจะใช้คำอธิบายประเภท (legend) ไหนใน data art ชิ้นนี้ ในกรณีนี้ ผมเลือกที่จะใช้สีกับเส้นตรงเป็นตัวแบ่งประเภท (คุณอาจจะใช้เส้นแบบอื่นได้) แล้วคิดคร่าวๆ ว่าจะใช้โครงหลักเป็นกิ่งไม้ที่มีเส้นกิ่งเล็กแสดงกิจกรรมของแต่ละเดือน ตอนแรกคิดว่าจะแสดงด้วยการนับรวมประเภทกิจกรรมในแต่ละเดือน แต่คิดว่าถ้าแสดงภาพด้วยการนับรวมอาจทำให้จับพฤติกรรมว่าเหตุการณ์อะไรเกิดก่อนไม่ได้ ผมก็เลยบันทึกกิจกรรมตามจังหวะที่เกิดแทน

ภาพที่ 1: กระดาษโน้ตของผมแสดงผลการนับรวมการทำกิจกรรมต่างๆ ออกมาเป็นตัวเลข

ภาพที่ 1: กระดาษโน้ตของผมแสดงผลการนับรวมการทำกิจกรรมต่างๆ ออกมาเป็นตัวเลข

ภาพที่ 2: data art อย่างง่ายๆ ที่เกิดจากการวิเคราะห์ “ข้อมูล” ชีวิตส่วนตัวจากเฟซบุ๊กของผมในปี 2559

ภาพที่ 2: data art อย่างง่ายๆ ที่เกิดจากการวิเคราะห์ “ข้อมูล” ชีวิตส่วนตัวจากเฟซบุ๊กของผมในปี 2559

สิ่งที่ผมได้เรียนรู้จากกระบวนการทำ data art ในครั้งนี้ อย่างแรก คือ การลองผิดลองถูกเพื่อให้เห็นหน้าตาของ data บนกิ่งไม้พร้อมกับการปรับแต่งไปด้วย ระหว่างทำก็นึกได้ว่าอาจจะแบ่งกิ่งเป็น 2 ซีก ซีกซ้ายเป็นเดือนคี่ ซีกขวาเป็นเดือนคู่ หลังจากนั้นอาจเพิ่มผลสรุปเชิงสถิติของการนับจำนวนกิจกรรมแต่ละประเภทในแต่ละเดือน อย่างที่สองที่ได้เรียนรู้ คือ เรียนรู้พฤติกรรมของตัวเองผ่านกระบวนการ personal analytics เช่น เป็นคนที่มักจะ share กับ like มากกว่า post หรือ update ข้อมูลต่างๆ อีกเรื่องที่ผมสังเกตเห็นคือ กิจกรรมของผมในเดือนกุมภาพันธ์นั้นมีลักษณะพิเศษกว่าเดือนอื่น เพราะมีคนอวยพรวันเกิดให้มากผมจึงใช้เส้นผสมน้ำตาลกับแดงลากยาวๆ (ความขี้เกียจส่วนตัว :)) เพื่อแสดงผลที่แตกต่าง ผมคิดว่าถ้ามีการเก็บ data จากแหล่งอื่นๆ เช่น การกิน อารมณ์ การใช้จ่าย แล้วเราลองนำมาวิเคราะห์หรือแสดงผลโดยการใช้ data art น่าจะทำให้เราเข้าใจตัวเองมากขึ้น อาจช่วยให้เราปรับปรุงนิสัยที่ไม่ดีให้ดีได้

การเขียนบทความของผมครั้งนี้ยังทำให้ผมนึกถึงบทความเกี่ยวกับ Stephen Wolfram (ผู้ก่อตั้ง Mahematica บริษัทซอฟต์แวร์เกี่ยวกับคณิตศาสตร์ชื่อดัง) ที่เก็บ data ละเอียดเกี่ยวกับการใช้โทรศัพท์ การตอบรับอีเมล และจำนวนการเคาะแป้นพิมพ์ (keystroke) ซึ่งในยุคนี้เป็นยุคที่มีเครื่องมือช่วยเก็บข้อมูลมากขึ้น เพียงแต่เราต้องรู้จักนำมาหาความเข้าใจอย่างลึกซึ้ง (insight) ก็หวังว่ากิจกรรมวันนี้คงจุดประกายให้ผู้อ่านได้ลองอะไรสนุกๆ อาจเป็นกิจกรรมที่ทำกันในครอบครัวก็ได้ ลองหาโจทย์แล้วมา share กันที่ Facebook page link: https://www.facebook.com/sertiscorp/ (คลิกที่ภาพเพื่อขยาย)

Data Art By Sertis 03

ควันหลงหลัง Valentine’s day: โอกาสเจอเนื้อคู่ของเราด้วยการเดาอย่างเป็นระบบ

ในปี 2010 Peter Backus นักวิจัยด้านคณิตศาสตร์ได้แรงบันดาลใจจาก Drake equation (สมการคำนวณความน่าจะเป็นของสิ่งมีชีวิตที่มีอารยธรรมในจักรวาล) เขาได้เขียนงานวิจัยเล่นๆ ที่มีชื่อว่า “Why I Don’t Have a Girlfriend” ที่พยายามจะคำนวณโอกาสที่เขาจะหาแฟนใน London ซึ่งไอเดียนี้คล้ายกับสิ่งที่เราพูดถึงในบทความที่แล้ว “การเดาอย่างมีระบบ” โดยเริ่มที่

    1. จำนวนเพศที่เราสนใจรอบๆ เรา? (กรุงเทพฯ ครึ่งหนึ่งของประชากรเป็นหญิง 4,000,000)
    2. จำนวนของคนในช่วงอายุที่สนใจ? (20% -> หญิง 800,000 คน)
    3. จำนวนคนที่น่าจะเป็นโสด? (50% -> 400,000 คน)
    4. จำนวนคนที่น่าจะจบการศึกษาปริญญาตรี? (30% -> 120,000 คน)
    5. จำนวนคนที่เป็นคนมีเสน่ห์ดึงดูดใจ? (20% -> 24,000 คน)
    6. จำนวนคนที่คิดว่าฉันมีเสน่ห์? (20% -> 4,800 คน)
    7. จำนวนคนที่จะเข้ากันได้? (20% -> 960 คน)

จะเห็นได้ว่า การตั้งเลขเป็นเปอร์เซ็นต์ข้างต้นเป็นการคิดเล่นๆ แบบสนุกๆ โดยการประมาณตัวเลขของจำนวนคนประเภทต่างๆ ขึ้นมา เช่น คนที่น่าจะจบการศึกษาปริญญาตรี คนที่มีเสน่ห์ดึงดูดใจ คนที่คิดว่าฉันมีเสน่ห์ เป็นต้น แล้วจะพบว่าโอกาสที่เราจะเจอคนที่เข้ากับเราได้นั้นมีประมาณ 960 คน

แต่ถ้าใครมีข้อมูลส่วนตัวที่จะบันทึกไว้จะสามารถทำ personal analytics เพื่อหาความน่าจะเป็น (probability) ของการประเมินแต่ละขั้นจากประสบการณ์ได้ ก็ต้องบอกกันก่อนว่าตัวเลขนี้เป็นแค่เพียงบรรทัดฐานที่เราสร้างขึ้นมาเพื่อประเมินอย่างคร่าวๆ การจะพบเจอคนที่เราสนใจจริงๆ ยังขึ้นกับการสร้างโอกาสที่ทำให้เราได้เจอประชากรที่เราสนใจด้วย ซึ่งอาจทำให้ตัวเลขสูงขึ้นหรือลดลงได้ การประเมินข้างต้นแค่เป็นการทดลองทางความคิดครับอย่าคร่ำเครียด