The human insights missing from big data | Tricia Wang

246,282 views ・ 2017-08-02

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Hélène Vernet Relecteur: TED Translators admin
00:12
In ancient Greece,
0
12705
1545
Dans la Grèce antique,
00:15
when anyone from slaves to soldiers, poets and politicians,
1
15256
3943
quand un esclave, un soldat, un poète ou un politicien
00:19
needed to make a big decision on life's most important questions,
2
19223
4004
avait besoin de répondre aux questions importantes de leur vie
00:23
like, "Should I get married?"
3
23251
1391
telles que : « Devrais-je me marier ? Entreprendre ce voyage ? »
00:24
or "Should we embark on this voyage?"
4
24666
1857
00:26
or "Should our army advance into this territory?"
5
26547
2928
ou « Est-ce que notre armée devrait avancer sur ce territoire ? »,
00:29
they all consulted the oracle.
6
29499
2579
tous consultaient l'oracle.
00:32
So this is how it worked:
7
32840
1440
Voici comment ça fonctionnait.
00:34
you would bring her a question and you would get on your knees,
8
34304
3112
Vous lui posiez une question en vous mettant à genoux.
00:37
and then she would go into this trance.
9
37440
1871
Ensuite, elle entrait en une transe qui pouvait prendre un ou deux jours.
00:39
It would take a couple of days,
10
39335
1549
00:40
and then eventually she would come out of it,
11
40908
2163
Puis, finalement, elle en sortait
00:43
giving you her predictions as your answer.
12
43095
2536
pour vous donner ses prédictions comme réponse.
00:46
From the oracle bones of ancient China
13
46730
2566
Depuis les os divinatoires de la Chine ancienne
00:49
to ancient Greece to Mayan calendars,
14
49320
2345
à la Grèce antique et les calendriers mayas,
00:51
people have craved for prophecy
15
51689
2296
les gens ont cherché avec passion dans les prédictions
00:54
in order to find out what's going to happen next.
16
54009
3137
le moyen de savoir ce qui allait se passer dans le futur.
00:58
And that's because we all want to make the right decision.
17
58336
3239
Et c'est parce que nous voulons tous prendre la bonne décision.
01:01
We don't want to miss something.
18
61599
1545
Nous ne voulons pas manquer le coche.
01:03
The future is scary,
19
63712
1743
Le futur est effrayant
01:05
so it's much nicer knowing that we can make a decision
20
65479
2717
mais devient plus engageant quand nous savons
que nous pouvons prendre une décision avec une garantie du résultat.
01:08
with some assurance of the outcome.
21
68220
1982
01:10
Well, we have a new oracle,
22
70899
1611
Hé bien, nous avons un nouvel oracle, et son nom, c'est « Big Data »,
01:12
and it's name is big data,
23
72534
2145
01:14
or we call it "Watson" or "deep learning" or "neural net."
24
74703
3939
ou « Watson », « apprentissage profond » « réseau de neurones artificiel »...
01:19
And these are the kinds of questions we ask of our oracle now,
25
79160
4012
Voici le genre de questions posées aujourd'hui à notre oracle :
01:23
like, "What's the most efficient way to ship these phones
26
83196
3922
« Quel est le moyen le plus efficace
d'expédier ces téléphones de la Chine à la Suède ? »,
01:27
from China to Sweden?"
27
87142
1823
01:28
Or, "What are the odds
28
88989
1800
ou « Quels sont les risques
01:30
of my child being born with a genetic disorder?"
29
90813
3363
que mon enfant naisse avec une maladie génétique ? »
01:34
Or, "What are the sales volume we can predict for this product?"
30
94772
3244
ou « Quel volume de ventes pouvons-nous prévoir pour ce produit ? »
01:39
I have a dog. Her name is Elle, and she hates the rain.
31
99928
4047
J'ai un chien. Son nom est Elle et elle déteste la pluie.
01:43
And I have tried everything to untrain her.
32
103999
3306
J'ai tout essayé pour tenter de changer son attitude.
01:47
But because I have failed at this,
33
107329
2771
Mais vu que j'ai échoué,
01:50
I also have to consult an oracle, called Dark Sky,
34
110124
3286
je suis obligée de consulter, moi aussi, un oracle appelé Dark Sky,
01:53
every time before we go on a walk,
35
113434
1635
chaque fois que nous allons sortir pour la promenade,
01:55
for very accurate weather predictions in the next 10 minutes.
36
115093
3577
pour les prévisions météo précises des prochaines dix minutes.
02:01
She's so sweet.
37
121355
1303
Elle est si mignonne.
02:03
So because of all of this, our oracle is a $122 billion industry.
38
123647
5707
À cause de tout cela, notre oracle est une industrie de 122 milliards de dollars.
02:09
Now, despite the size of this industry,
39
129826
3376
Mais malgré la taille de cette industrie,
02:13
the returns are surprisingly low.
40
133226
2456
les retours sont étonnamment faibles.
02:16
Investing in big data is easy,
41
136162
2494
Il est facile d'investir dans big data, mais l'utiliser est difficile.
02:18
but using it is hard.
42
138680
1933
02:21
Over 73 percent of big data projects aren't even profitable,
43
141801
4040
Plus de 73 % des projets de big data ne sont pas rentables,
02:25
and I have executives coming up to me saying,
44
145865
2431
et certains dirigeants viennent me voir en disant :
02:28
"We're experiencing the same thing.
45
148320
1789
« Il nous est arrivé la même chose.
02:30
We invested in some big data system,
46
150133
1753
Nous avons investi dans le big data,
02:31
and our employees aren't making better decisions.
47
151910
2968
mais nos employés ne prennent pas de meilleures décisions,
02:34
And they're certainly not coming up with more breakthrough ideas."
48
154902
3162
et ils ne vont certainement pas trouver plus d'idées révolutionnaires. »
02:38
So this is all really interesting to me,
49
158734
3184
Pour moi, tout ceci est vraiment intéressant
02:41
because I'm a technology ethnographer.
50
161942
2010
parce que je suis un ethnographe de la technologie.
02:44
I study and I advise companies
51
164450
2564
J'étudie et je conseille les entreprises
02:47
on the patterns of how people use technology,
52
167038
2483
sur les modèles d'utilisation de la technologie,
02:49
and one of my interest areas is data.
53
169545
2678
et un de mes centres d'intérêt est la data.
02:52
So why is having more data not helping us make better decisions,
54
172247
5193
Pourquoi plus de données ne nous aide pas à prendre de meilleures décisions,
02:57
especially for companies who have all these resources
55
177464
2783
en particulier pour les sociétés qui ont les ressources
03:00
to invest in these big data systems?
56
180271
1736
pour investir dans ces systèmes de big data ?
03:02
Why isn't it getting any easier for them?
57
182031
2398
Pourquoi cela n'est-il pas plus facile pour eux?
03:05
So, I've witnessed the struggle firsthand.
58
185810
2634
J'a moi-même fait l'expérience de ce problème.
03:09
In 2009, I started a research position with Nokia.
59
189194
3484
En 2009, j'ai commencé un travail de recherche à Nokia.
03:13
And at the time,
60
193052
1158
À cette époque, Nokia était une des plus grandes compagnies
03:14
Nokia was one of the largest cell phone companies in the world,
61
194234
3158
de téléphones mobiles dans le monde,
03:17
dominating emerging markets like China, Mexico and India --
62
197416
3202
dominant les marchés naissants en Chine, au Mexique et en Inde,
03:20
all places where I had done a lot of research
63
200642
2502
pays dans lesquels j'avais déjà fait des recherches
03:23
on how low-income people use technology.
64
203168
2676
sur la façon dont les gens à faible revenu utilisent la technologie.
03:25
And I spent a lot of extra time in China
65
205868
2330
J'ai passé beaucoup de temps libre en Chine,
03:28
getting to know the informal economy.
66
208222
2592
ce qui m'a permis de découvrir l'économie parallèle.
03:30
So I did things like working as a street vendor
67
210838
2401
J'ai, par exemple, travaillé comme vendeuse de rue
03:33
selling dumplings to construction workers.
68
213263
2574
en vendant des raviolis chinois aux ouvriers du bâtiment.
03:35
Or I did fieldwork,
69
215861
1358
J'ai travaillé sur le terrain,
03:37
spending nights and days in internet cafés,
70
217243
2958
passant des jours et des nuits dans les cybercafés,
03:40
hanging out with Chinese youth, so I could understand
71
220225
2546
fréquentant la jeunesse chinoise pour comprendre
03:42
how they were using games and mobile phones
72
222795
2284
la façon dont ils utilisent les jeux et les portables
03:45
and using it between moving from the rural areas to the cities.
73
225103
3370
y compris dans leurs déplacements de la campagne à la ville.
03:50
Through all of this qualitative evidence that I was gathering,
74
230155
3927
En compilant toutes ces expériences qualitatives,
03:54
I was starting to see so clearly
75
234106
2824
j'ai commencé à voir très clairement
03:56
that a big change was about to happen among low-income Chinese people.
76
236954
4472
qu'un très grand changement allait se produire
parmi les chinois à faible revenu.
04:02
Even though they were surrounded by advertisements for luxury products
77
242840
4367
Bien que cernés par les publicités pour des produits de luxe
tels que les toilettes chics - qui n'en voudrait pas ? -
04:07
like fancy toilets -- who wouldn't want one? --
78
247231
3495
04:10
and apartments and cars,
79
250750
2890
pour des appartements et des voitures,
04:13
through my conversations with them,
80
253664
1820
à travers mes conversations avec eux,
04:15
I found out that the ads the actually enticed them the most
81
255508
3841
j'ai découvert que les pubs qui les affectaient le plus
04:19
were the ones for iPhones,
82
259373
1996
étaient celles concernant les IPhones
04:21
promising them this entry into this high-tech life.
83
261393
3052
qui leur promettaient l'accès à une vie à la pointe de la technologie.
04:25
And even when I was living with them in urban slums like this one,
84
265289
3163
Quand j'ai vécu avec eux dans des bidonvilles urbains comme celui-ci,
04:28
I saw people investing over half of their monthly income
85
268476
2996
j'ai vu des gens investir presque la moitié de leur revenu
04:31
into buying a phone,
86
271496
1623
dans l'achat d'un téléphone, lequel devenait de plus en plus « shanzhaï »,
04:33
and increasingly, they were "shanzhai,"
87
273143
2302
04:35
which are affordable knock-offs of iPhones and other brands.
88
275469
3388
une imitation bon marché d'iPhone et autres marques.
04:40
They're very usable.
89
280123
1625
Ils sont tout à fait utilisables.
04:42
Does the job.
90
282710
1322
Ils font l'affaire.
04:44
And after years of living with migrants and working with them
91
284570
5789
Après des années à vivre et travailler avec les ambulants,
à travailler et faire tout ce qu'ils faisaient,
04:50
and just really doing everything that they were doing,
92
290383
3434
04:53
I started piecing all these data points together --
93
293841
3597
j'ai commencé à joindre toutes ces données ensemble -
04:57
from the things that seem random, like me selling dumplings,
94
297462
3123
des choses à priori insignifiantes comme la vente de raviolis chinois
05:00
to the things that were more obvious,
95
300609
1804
aux choses plus consistantes comme le montant de leurs factures de téléphone.
05:02
like tracking how much they were spending on their cell phone bills.
96
302437
3232
05:05
And I was able to create this much more holistic picture
97
305693
2639
J'ai été capable de créer une image plus globale de ce qui se passait.
05:08
of what was happening.
98
308356
1156
05:09
And that's when I started to realize
99
309536
1722
Alors, je me suis rendue compte
05:11
that even the poorest in China would want a smartphone,
100
311282
3509
que même le plus pauvre, en Chine, souhaiterait avoir un smartphone
05:14
and that they would do almost anything to get their hands on one.
101
314815
4985
et qu'il serait prêt à tout faire pour en avoir un.
05:20
You have to keep in mind,
102
320893
2404
Rappelez-vous que les iPhone venaient juste de sortir.
05:23
iPhones had just come out, it was 2009,
103
323321
3084
C'était en 2009, il y a huit ans,
05:26
so this was, like, eight years ago,
104
326429
1885
05:28
and Androids had just started looking like iPhones.
105
328338
2437
et les Androïde ressemblaient à peine aux iPhone.
05:30
And a lot of very smart and realistic people said,
106
330799
2507
Beaucoup de gens intelligents et réalistes ont dit :
05:33
"Those smartphones -- that's just a fad.
107
333330
2207
« Ces smartphones sont juste une mode.
05:36
Who wants to carry around these heavy things
108
336063
2996
Qui veut porter ces trucs lourds
dont les batteries sont faciles à épuiser et qui se cassent en tombant ? »
05:39
where batteries drain quickly and they break every time you drop them?"
109
339083
3487
05:44
But I had a lot of data,
110
344613
1201
Mais j'avais beaucoup de données et confiance en mes intuitions.
05:45
and I was very confident about my insights,
111
345838
2260
05:48
so I was very excited to share them with Nokia.
112
348122
2829
J'étais donc très impatiente de les partager avec Nokia.
05:53
But Nokia was not convinced,
113
353152
2517
Mais Nokia n'a pas été convaincu parce que ce n'était pas du big data.
05:55
because it wasn't big data.
114
355693
2335
05:58
They said, "We have millions of data points,
115
358842
2404
Ils ont dit : « Nous avons des millions de points de données
06:01
and we don't see any indicators of anyone wanting to buy a smartphone,
116
361270
4247
et rien n'indique que quelqu'un veut acheter un smartphone.
06:05
and your data set of 100, as diverse as it is, is too weak
117
365541
4388
Vos données basées sur 100, bien que larges,
06:09
for us to even take seriously."
118
369953
1714
sont trop faibles pour que nous les prenions réellement au sérieux. »
06:12
And I said, "Nokia, you're right.
119
372728
1605
J'ai dit : « Vous avez raison.
06:14
Of course you wouldn't see this,
120
374357
1560
Vous n'êtes pas capable de le voir car vos enquêtes assument
06:15
because you're sending out surveys assuming that people don't know
121
375941
3371
que les gens ne connaissent pas les smartphones.
06:19
what a smartphone is,
122
379336
1159
06:20
so of course you're not going to get any data back
123
380519
2366
Vous ne pouvez donc pas obtenir les données
06:22
about people wanting to buy a smartphone in two years.
124
382909
2572
concernant le désir des gens d'acheter un smartphone dans deux ans.
06:25
Your surveys, your methods have been designed
125
385505
2118
Vos méthodes ont été conçues pour optimiser un modèle commercial existant.
06:27
to optimize an existing business model,
126
387647
2022
06:29
and I'm looking at these emergent human dynamics
127
389693
2608
Pour ma part, j’observe les nouvelles dynamiques humaines
06:32
that haven't happened yet.
128
392325
1354
qui ne sont pas encore apparues.
06:33
We're looking outside of market dynamics
129
393703
2438
Nous explorons en dehors de la dynamique des marchés afin de la prédire. »
06:36
so that we can get ahead of it."
130
396165
1631
06:39
Well, you know what happened to Nokia?
131
399193
2244
Savez-vous ce qui est arrivé à Nokia ?
06:41
Their business fell off a cliff.
132
401461
2365
Leur compagnie a subit un revers.
06:44
This -- this is the cost of missing something.
133
404611
3727
Ceci est le prix à payer pour avoir raté le coche.
06:48
It was unfathomable.
134
408983
1999
C'était inconcevable!
06:51
But Nokia's not alone.
135
411823
1651
Mais Nokia n’est pas la seule.
06:54
I see organizations throwing out data all the time
136
414078
2581
Je vois sans arrêt des organisations rejeter des données
06:56
because it didn't come from a quant model
137
416683
2561
quand elles ne viennent pas d'une analyse quantitative
06:59
or it doesn't fit in one.
138
419268
1768
ou ne s'accordent pas avec une.
07:02
But it's not big data's fault.
139
422039
2048
Ce n'est pas la faute du big data.
07:04
It's the way we use big data; it's our responsibility.
140
424762
3907
C'est la façon dont nous utilisons big data ; c'est notre responsabilité.
07:09
Big data's reputation for success
141
429550
1911
La réputation de succès de big data
07:11
comes from quantifying very specific environments,
142
431485
3759
vient de la quantification d'environnements bien spécifiques
07:15
like electricity power grids or delivery logistics or genetic code,
143
435268
4913
tels que les réseaux de distribution d’électricité,
la logistique de livraison ou le code génétique,
07:20
when we're quantifying in systems that are more or less contained.
144
440205
4318
où nous quantifions en systèmes plus ou moins indépendants.
07:24
But not all systems are as neatly contained.
145
444547
2969
Mais tous les systèmes ne sont pas aussi indépendants.
07:27
When you're quantifying and systems are more dynamic,
146
447540
3258
Lorsque les systèmes sont plus dynamiques,
07:30
especially systems that involve human beings,
147
450822
3799
en particulier ceux impliquant des êtres humains,
07:34
forces are complex and unpredictable,
148
454645
2426
les forces sont complexes et imprévisibles,
07:37
and these are things that we don't know how to model so well.
149
457095
3486
et nous ne savons pas bien les modéliser.
07:41
Once you predict something about human behavior,
150
461024
2813
Quand vous prédisez un comportement humain,
07:43
new factors emerge,
151
463861
1855
de nouveaux facteurs entrent en jeu car les conditions changent constamment.
07:45
because conditions are constantly changing.
152
465740
2365
07:48
That's why it's a never-ending cycle.
153
468129
1803
Donc, ce cycle est infini.
07:49
You think you know something,
154
469956
1464
Quand vous pensez savoir, quelque chose d'inconnu apparaît.
07:51
and then something unknown enters the picture.
155
471444
2242
07:53
And that's why just relying on big data alone
156
473710
3322
C'est pourquoi compter uniquement sur big data
07:57
increases the chance that we'll miss something,
157
477056
2849
augmente nos risques de rater le coche
07:59
while giving us this illusion that we already know everything.
158
479929
3777
tout en nous donnant l'illusion que nous savons déjà tout.
08:04
And what makes it really hard to see this paradox
159
484226
3856
Ce qui rend ce paradoxe si difficile à voir
08:08
and even wrap our brains around it
160
488106
2659
ou même à l'appréhender avec notre intellect,
08:10
is that we have this thing that I call the quantification bias,
161
490789
3691
c'est ce que j'appelle « le préjugé de la quantification »,
08:14
which is the unconscious belief of valuing the measurable
162
494504
3922
l'habitude inconsciente de privilégier le mesurable sur le non-mesurable -
08:18
over the immeasurable.
163
498450
1594
08:21
And we often experience this at our work.
164
501042
3284
nous en faisons souvent l'expérience au travail ;
08:24
Maybe we work alongside colleagues who are like this,
165
504350
2650
certains de nos collèges peuvent être comme ça
08:27
or even our whole entire company may be like this,
166
507024
2428
voir notre compagnie toute entière -
08:29
where people become so fixated on that number,
167
509476
2546
où les gens deviennent si focalisés sur ce chiffre
08:32
that they can't see anything outside of it,
168
512046
2067
qu'ils ne peuvent rien voir en dehors,
même si vous leur présentez les preuves sous les yeux.
08:34
even when you present them evidence right in front of their face.
169
514137
3948
08:38
And this is a very appealing message,
170
518943
3371
C'est un message intéressant
08:42
because there's nothing wrong with quantifying;
171
522338
2343
parce qu'il n'y a rien de mal à quantifier.
08:44
it's actually very satisfying.
172
524705
1430
En fait, c'est très gratifiant.
08:46
I get a great sense of comfort from looking at an Excel spreadsheet,
173
526159
4362
Regarder une feuille de calcul Excel me réconforte beaucoup,
08:50
even very simple ones.
174
530545
1401
même les plus simples.
08:51
(Laughter)
175
531970
1014
(Rires)
08:53
It's just kind of like,
176
533008
1152
C'est un peu comme si oui, la formule marche,
08:54
"Yes! The formula worked. It's all OK. Everything is under control."
177
534184
3504
tout va bien, la situation est sous contrôle.
08:58
But the problem is
178
538612
2390
Mais le problème, c'est que quantifier devient une addiction,
09:01
that quantifying is addictive.
179
541026
2661
09:03
And when we forget that
180
543711
1382
et quand nous oublions cela et n'avons rien pour nous le rappeler,
09:05
and when we don't have something to kind of keep that in check,
181
545117
3038
il est facile de rejeter les données
09:08
it's very easy to just throw out data
182
548179
2118
09:10
because it can't be expressed as a numerical value.
183
550321
2718
qui ne peuvent être exprimées en valeurs numériques ;
il est facile de déraper vers le raisonnement miracle
09:13
It's very easy just to slip into silver-bullet thinking,
184
553063
2921
09:16
as if some simple solution existed.
185
556008
2579
comme s'il existait une solution simple.
09:19
Because this is a great moment of danger for any organization,
186
559420
4062
C'est un dangereux moment pour toute organisation
09:23
because oftentimes, the future we need to predict --
187
563506
2634
car souvent, le futur que nous avons besoin de prédire
09:26
it isn't in that haystack,
188
566164
2166
n'est pas dans cette botte de foin, là,
09:28
but it's that tornado that's bearing down on us
189
568354
2538
mais plutôt dans cette tornade qui se dirige sur nous,
09:30
outside of the barn.
190
570916
1488
en dehors de la grange.
09:34
There is no greater risk
191
574780
2326
Il n'y a pas de plus grand danger que d'être incapable de voir l'inconnu.
09:37
than being blind to the unknown.
192
577130
1666
09:38
It can cause you to make the wrong decisions.
193
578820
2149
Cela vous conduit à prendre de mauvaises décisions
09:40
It can cause you to miss something big.
194
580993
1974
et à manquer quelque chose d'important.
09:43
But we don't have to go down this path.
195
583554
3101
Néanmoins cette voie n'est pas une fatalité.
09:47
It turns out that the oracle of ancient Greece
196
587273
3195
Il s'avère que l'oracle de la Grèce antique
09:50
holds the secret key that shows us the path forward.
197
590492
3966
contient la clé secrète qui montre la voie à suivre.
09:55
Now, recent geological research has shown
198
595474
2595
Des recherches géologiques récentes ont montré
09:58
that the Temple of Apollo, where the most famous oracle sat,
199
598093
3564
que le Temple d'Apollon dans lequel était situé le fameux oracle
10:01
was actually built over two earthquake faults.
200
601681
3084
a été construit entre deux failles sismiques.
10:04
And these faults would release these petrochemical fumes
201
604789
2886
Ces failles libéraient des vapeurs pétrochimiques
10:07
from underneath the Earth's crust,
202
607699
1685
du dessous de l'écorce terrestre,
10:09
and the oracle literally sat right above these faults,
203
609408
3866
et l'oracle était littéralement assise au-dessus de ces deux failles
10:13
inhaling enormous amounts of ethylene gas, these fissures.
204
613298
3588
et inhalait des quantités énormes d'éthylène...
10:16
(Laughter)
205
616910
1008
(Rires)
10:17
It's true.
206
617942
1173
C'est vrai !
10:19
(Laughter)
207
619139
1017
(Rires)
10:20
It's all true, and that's what made her babble and hallucinate
208
620180
3509
C'est vrai et c'est ce qui lui permettait de pérorer et halluciner
10:23
and go into this trance-like state.
209
623713
1724
et d'entrer dans un état similaire à la transe.
10:25
She was high as a kite!
210
625461
1770
Elle planait complètement !
10:27
(Laughter)
211
627255
4461
(Rires)
10:31
So how did anyone --
212
631740
2779
Donc, comment se fait-il que les gens
10:34
How did anyone get any useful advice out of her
213
634543
3030
obtenaient des conseils utiles dans son état ?
10:37
in this state?
214
637597
1190
10:39
Well, you see those people surrounding the oracle?
215
639317
2381
Eh bien, voyez-vous ces gens autour de l'oracle ?
10:41
You see those people holding her up,
216
641722
1879
Ils la soutiennent car elle est un peu dans les vapes.
10:43
because she's, like, a little woozy?
217
643625
1717
10:45
And you see that guy on your left-hand side
218
645366
2308
Remarquez cet homme sur la gauche qui tient le carnet orange.
10:47
holding the orange notebook?
219
647698
1598
10:49
Well, those were the temple guides,
220
649925
1730
Ce sont les guides du temple
10:51
and they worked hand in hand with the oracle.
221
651679
3016
qui travaillent main dans la main avec l'oracle.
10:55
When inquisitors would come and get on their knees,
222
655904
2516
Quand les questionneurs venaient et s'agenouillaient,
10:58
that's when the temple guides would get to work,
223
658444
2340
les guides du temple se mettaient au travail,
11:00
because after they asked her questions,
224
660808
1864
car une fois les questions posées, ils observaient les états émotionnels
11:02
they would observe their emotional state,
225
662696
2001
11:04
and then they would ask them follow-up questions,
226
664721
2324
et demandaient des infos complémentaires :
« Pourquoi voulez-vous cette prédiction ? Qui êtes-vous ?
11:07
like, "Why do you want to know this prophecy? Who are you?
227
667069
2834
11:09
What are you going to do with this information?"
228
669927
2264
Qu'allez-vous faire de cette information ? »
11:12
And then the temple guides would take this more ethnographic,
229
672215
3182
Ensuite, les guides du temple,
avec cette information plus ethnographique et qualitative,
11:15
this more qualitative information,
230
675421
2156
11:17
and interpret the oracle's babblings.
231
677601
2075
interprétaient les paroles de l'oracle.
11:21
So the oracle didn't stand alone,
232
681248
2292
Donc, l'oracle n'était pas seule,
11:23
and neither should our big data systems.
233
683564
2148
de même, nos systèmes de big data ne devraient pas l'être.
11:26
Now to be clear,
234
686450
1161
Pour clarifier, je ne dis pas
11:27
I'm not saying that big data systems are huffing ethylene gas,
235
687635
3459
que les systèmes de big data exhalent de l'éthylène
11:31
or that they're even giving invalid predictions.
236
691118
2353
ou qu'ils font des prévisions caduques.
11:33
The total opposite.
237
693495
1161
Exactement le contraire, ce que je veux dire
11:34
But what I am saying
238
694680
2068
c'est que tout comme l'oracle avait besoin des guides du temple,
11:36
is that in the same way that the oracle needed her temple guides,
239
696772
3832
11:40
our big data systems need them, too.
240
700628
2288
nos systèmes de big data ont aussi besoin d'eux.
11:42
They need people like ethnographers and user researchers
241
702940
4109
Ils ont besoin des ethnographes et des chercheurs sur les utilisateurs
11:47
who can gather what I call thick data.
242
707073
2506
pour rassembler ce que j'appelle « les données denses ».
11:50
This is precious data from humans,
243
710322
2991
Ce sont des données précieuses fournies par les hommes,
11:53
like stories, emotions and interactions that cannot be quantified.
244
713337
4102
les histoires, émotions et interactions non quantifiables.
11:57
It's the kind of data that I collected for Nokia
245
717463
2322
C'est le genre de données que j'ai recueillies pour Nokia
11:59
that comes in in the form of a very small sample size,
246
719809
2669
sous la forme d'un échantillon très petit
12:02
but delivers incredible depth of meaning.
247
722502
2955
mais incroyablement profond quant au sens.
12:05
And what makes it so thick and meaty
248
725481
3680
Ce qui le rend si dense et consistant,
12:10
is the experience of understanding the human narrative.
249
730265
4029
c'est l'expérience et la compréhension du récit humain.
12:14
And that's what helps to see what's missing in our models.
250
734318
3639
C'est ce qui aide à percevoir ce qui manque dans nos modèles.
12:18
Thick data grounds our business questions in human questions,
251
738671
4045
Les données denses ancrent les questions commerciales
dans les questions humaines.
12:22
and that's why integrating big and thick data
252
742740
3562
C'est pourquoi fusionner big data et données denses
12:26
forms a more complete picture.
253
746326
1689
permet d'obtenir une image plus complète.
12:28
Big data is able to offer insights at scale
254
748592
2881
Le big data peut offrir des aperçus à échelle
12:31
and leverage the best of machine intelligence,
255
751497
2647
et tirer le meilleur profit de l'intelligence artificielle,
12:34
whereas thick data can help us rescue the context loss
256
754168
3572
tandis que les données denses aident à minimiser
la perte de contexte générée en rendant big data utilisable,
12:37
that comes from making big data usable,
257
757764
2098
12:39
and leverage the best of human intelligence.
258
759886
2181
et à tirer le meilleur de l'intelligence humaine.
12:42
And when you actually integrate the two, that's when things get really fun,
259
762091
3552
En fait, quand vous intégrez les deux, ça devient vraiment intéressant,
12:45
because then you're no longer just working with data
260
765667
2436
car vous ne travaillez plus uniquement avec les données recueillies,
12:48
you've already collected.
261
768127
1196
vous travaillez avec des données non recueillies.
12:49
You get to also work with data that hasn't been collected.
262
769347
2737
Vous commencez à demander « pourquoi? » :
12:52
You get to ask questions about why:
263
772108
1719
12:53
Why is this happening?
264
773851
1317
Pourquoi cela se passe-t-il ?
12:55
Now, when Netflix did this,
265
775598
1379
Quand Netflix a fait ça,
12:57
they unlocked a whole new way to transform their business.
266
777001
3035
ils ont ouvert une nouvelle voie de transformation pour leur entreprise.
13:01
Netflix is known for their really great recommendation algorithm,
267
781226
3956
Netflix est connue pour ses algorithmes de recommandation.
13:05
and they had this $1 million prize for anyone who could improve it.
268
785206
4797
Ils ont offert un million de dollars à quiconque pouvait les améliorer
13:10
And there were winners.
269
790027
1314
et il y a eu des gagnants.
13:12
But Netflix discovered the improvements were only incremental.
270
792075
4323
Mais Netflix a découvert que ces améliorations
étaient seulement incrémentielles.
13:17
So to really find out what was going on,
271
797224
1964
Pour comprendre la situation,
ils ont embauché un ethnographe, Grant McCracken,
13:19
they hired an ethnographer, Grant McCracken,
272
799212
3741
13:22
to gather thick data insights.
273
802977
1546
afin d'obtenir des données denses,
13:24
And what he discovered was something that they hadn't seen initially
274
804547
3924
et il a trouvé une chose qu'ils n'avaient pas vue à l'origine
13:28
in the quantitative data.
275
808495
1355
dans les données quantitatives.
13:30
He discovered that people loved to binge-watch.
276
810892
2728
Il a découvert que les gens aimaient le « binge-watching ».
13:33
In fact, people didn't even feel guilty about it.
277
813644
2353
En fait, ils ne s'en culpabilisaient pas mais en jouissaient.
13:36
They enjoyed it.
278
816021
1255
13:37
(Laughter)
279
817300
1026
13:38
So Netflix was like, "Oh. This is a new insight."
280
818350
2356
Netflix a réalisé : « Oh, c'est une nouvelle donnée ».
13:40
So they went to their data science team,
281
820730
1938
Ils se sont tournés vers leur équipe de science des données
13:42
and they were able to scale this big data insight
282
822692
2318
qui a su comparer cette donnée avec leurs données quantitatives.
13:45
in with their quantitative data.
283
825034
2587
13:47
And once they verified it and validated it,
284
827645
3170
Après l'avoir vérifiée et validée,
13:50
Netflix decided to do something very simple but impactful.
285
830839
4761
Netflix a décidé d'agir de façon simple mais efficace.
13:56
They said, instead of offering the same show from different genres
286
836654
6492
Au lieu d'offrir une même émission dans différents genres
14:03
or more of the different shows from similar users,
287
843170
3888
ou plus d'émissions différentes d'utilisateurs similaires,
14:07
we'll just offer more of the same show.
288
847082
2554
ils ont simplement offert plus de la même émission.
14:09
We'll make it easier for you to binge-watch.
289
849660
2105
« Nous vous rendons le Binge-watching plus facile! »
14:11
And they didn't stop there.
290
851789
1486
Ils ne se sont pas arrêtés là mais ont fait toutes sortes de choses
14:13
They did all these things
291
853299
1474
14:14
to redesign their entire viewer experience,
292
854797
2959
pour changer l’entière expérience de leur spectateur
14:17
to really encourage binge-watching.
293
857780
1758
pour l'encourager au binge-watching.
14:20
It's why people and friends disappear for whole weekends at a time,
294
860050
3241
Voilà pourquoi les gens et les amis disparaissent des weekends entiers
14:23
catching up on shows like "Master of None."
295
863315
2343
pour regarder les « Master of None » manqués.
14:25
By integrating big data and thick data, they not only improved their business,
296
865682
4173
En fusionnant big data et données denses, ils ont amélioré leurs services
14:29
but they transformed how we consume media.
297
869879
2812
et transformé la façon dont nous consommons les médias.
14:32
And now their stocks are projected to double in the next few years.
298
872715
4552
Maintenant, il est prévu que leurs stocks doublent dans les prochaines années.
14:38
But this isn't just about watching more videos
299
878100
3830
Mais il ne s'agit pas de regarder plus de vidéos,
14:41
or selling more smartphones.
300
881954
1620
ou de vendre plus de smartphones.
14:43
For some, integrating thick data insights into the algorithm
301
883963
4050
Pour certains, incorporer le résultat des données denses dans cet algorithme
14:48
could mean life or death,
302
888037
2263
peut être une question de vie ou de mort,
14:50
especially for the marginalized.
303
890324
2146
en particulier pour les marginalisés.
14:53
All around the country, police departments are using big data
304
893558
3434
Les services de Police, dans tout le pays,
utilisent le big data dans la prévision policière,
14:57
for predictive policing,
305
897016
1963
14:59
to set bond amounts and sentencing recommendations
306
899003
3084
afin de définir les cautions et recommandations de sentences
15:02
in ways that reinforce existing biases.
307
902111
3147
d'une manière qui renforce les préjugés existants.
15:06
NSA's Skynet machine learning algorithm
308
906116
2423
Skynet, l'algorithme d'apprentissage machine de la NASA
15:08
has possibly aided in the deaths of thousands of civilians in Pakistan
309
908563
5444
a probablement aidé à tuer des milliers de civils au Pakistan
15:14
from misreading cellular device metadata.
310
914031
2721
en mal interprétant les métadonnées des appareils cellulaires.
15:18
As all of our lives become more automated,
311
918951
3403
Quand nos vies deviennent de plus en plus automatisées,
15:22
from automobiles to health insurance or to employment,
312
922378
3080
des automobiles aux assurances maladie et à l'emploi,
15:25
it is likely that all of us
313
925482
2350
il est probable que nous tous
15:27
will be impacted by the quantification bias.
314
927856
2989
allons être affectés par les erreurs de quantification.
15:32
Now, the good news is that we've come a long way
315
932792
2621
Mais la bonne nouvelle, c'est que nous avons fait des progrès
15:35
from huffing ethylene gas to make predictions.
316
935437
2450
depuis les émanations d'éthylène de la prophétie.
15:37
We have better tools, so let's just use them better.
317
937911
3070
Nous avons de meilleurs outils, donc utilisons-les au mieux.
15:41
Let's integrate the big data with the thick data.
318
941005
2323
Intégrons big data aux données denses.
15:43
Let's bring our temple guides with the oracles,
319
943352
2261
Amenons nos guides du temple avec les oracles.
15:45
and whether this work happens in companies or nonprofits
320
945637
3376
Et que ce soit dans les entreprises, les sociétés à but non lucratif,
15:49
or government or even in the software,
321
949037
2469
les gouvernements ou même les logiciels,
15:51
all of it matters,
322
951530
1792
tout ce travail compte,
15:53
because that means we're collectively committed
323
953346
3023
car il implique que tous ensemble, nous nous engageons
15:56
to making better data,
324
956393
2191
à créer des données meilleures,
15:58
better algorithms, better outputs
325
958608
1836
de meilleurs algorithmes, résultats, et de meilleures décisions.
16:00
and better decisions.
326
960468
1643
16:02
This is how we'll avoid missing that something.
327
962135
3558
C'est de cette façon que nous éviterons de manquer le coche.
16:07
(Applause)
328
967042
3948
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7