Pourquoi les Big Data ont-elles besoin des Thick Data ?

Ce billet est une traduction d’un article en ligne de Tricia Wang :

Tricia Wang, “Big Data Needs Thick Data”,

Big Data Needs Thick Data


13 mai 2013.

Cette proposition de traduction a pour objectif de faciliter l’accès à cette information sur le concept de “Thick Data” qui me parait intéressante. Mais, je vous conseille bien-sûr de revenir au texte original en cas de citation. Par ailleurs, le texte est présenté en italique pour souligner qu’il est un citation longue et non une rédaction originale. Les notes sont de l’auteur de la traduction.

 

 

Les big data sont très attrayantes. Qui voudrait être considéré comme un petit penseur quand il peut être pris pour un grand [BIG] ?

Le biais en faveur du big data (un terme souvent utilisé pour désigner les données quantitatives qui sont produites par l’analyse d’énormes bases de données) comme moyen objectif de comprendre le monde représente un défi pour les ethnologues. Que doivent faire les ethnologues lorsque nos recherches sont considérées comme insignifiantes ou sans valeur ? Peut-on simplement ignorer les Big Data car trop confuses pour être utiles ? Non. 

Les ethnologues doivent s’interroger sur les Big Data. Sinon notre travail pourrait être poussé trop facilement dans un autre département, ramené à quelques lignes sur un budget et relégué à un petit coin reculé. Mais comment notre type de recherche peut être vu comme aussi important que les algorithmes de données ? Quel est le pitch de l’ethnologue pour convaincre des scientifiques des données ?

Allons-y !

Les Big data produisent tant d’informations qu’elles ont besoin de quelque chose de plus pour combler et/ou révéler les lacunes dans les connaissances. C’est pourquoi le travail ethnologique  représente une valeur importante à l’aire des Big Data.

Faute de concept pour positionner le travail ethnologique dans le contexte des Big Data, j’ai commencé à utiliser depuis l’année dernière[1] le mot de Thick Data (en clin d’œil à Clifford Geertz ![2]) pour défendre une approche intégrative de la recherche. Les Thick Data dévoilent le sens au-delà de l’analyse et la visualisation des Big Data.

Les analyses de type Thick Data reposent principalement sur la puissance du cerveau humain pour traiter un petit « N » tandis que les analyses Big Data requièrent la puissance algorithmique (bien-sûr avec des êtres humains qui écrivent les programmes) pour comprendre un grand « N ». Les Big Data soulignent des problèmes avec de nombreuses données tandis que les Thick Data révèlent le contexte social et les relations entre les données. Les Big Data fournissent des nombres ; les Thick Data fournissent des histoires. Les Big Data s’appuient sur l’apprentissage des ordinateurs ; les Thick Data se fondent sur l’apprentissage humain.

Attention

Comme le concept de Big Data est devenu à la mode, beaucoup de chercheurs utilisant la méthode qualitative, de Geneviève Bell (le Big Data comme individu) à Kate Crawford (l’illusion algorithmique, le fondementalisme des données) ou dana boyd (problématique des données privées) ont écrit des essais sur les limites des Big Data. Les journalistes sont aussi entrés dans la discussion. Caribou Honig défend les ‘small data’, Gary Marcus  souligne les risques des corrélations, Samuel Arbesman nous incite à privilégier les ‘long data’.  Notre propre Jenna Burell a conçu un guide de compréhension des Big Data pour les ethnologues.

Pour les organisations, les Big Data peuvent être dangereuses. Steven Maxwall souligne que les gens sont plus préoccupés par les aspects quantitatifs de l’équation que par la qualité des problématiques d’affaire implicites. Plus de nombres ne produit pas forcement plus de perspicacité.

Un autre problème est que les Big Data tendent à donner une valeur énorme aux résultats quantitatifs tout en dévaluant l’importance des données qualitatives. Cela conduit à l’idée dangereuse que la standardisation et la normalisation statistique des données est plus utile et objective que les données qualitatives ce qui renforce l’idée que les données qualitatives sont des ’small data’, de petites données.

Ces deux problèmes combinés renforcent des décennies de prises de décisions managériales basées sur les données quantitatives seulement. Les consultants travaillent depuis longtemps sur les données quantitatives pour créer des entreprises plus efficientes et rentables.

Avec des analyses statistiquement solides, les consultants conseillent aux entreprises de réduire leur taille, de louer, de développer, de fusionner, de vendre, d’acquérir, de fermer et de déplacer et tout ça sur la base des nombres (exemple : Mckinsey, Bain & Company, BCG, and Deloitte).

Sans contrepoids, le risque dans un monde de Big Data est que les organisations et les individus commencent à prendre des décisions et optimiser leur performance pour accroitre leurs métriques, ces métriques qui sont dérivées d’algorithmes… Et dans ce processus d’optimisation, les gens, leurs histoires, leurs expériences actuelles sont tout sauf oubliés. Le danger, écrit Clive Thompson, est que “en plaçant la prise de décision humaine hors de l’équation, nous nous sommes lentement débarrassés de ces moments de délibération où nous réfléchissions sur la moralité de nos actions. »

Inspiration et émotion

Les Thick Data sont la meilleure méthode pour cartographier un nouveau territoire. Quand les organisations veulent savoir ce qu’elles ne savent pas déjà, elles ont besoin des Thick Data parce qu’elles donnent quelque chose que les Big Data n’ont pas, l’inspiration. Le fait de collecter et analyser des histoires produit des idées.

Les histoires peuvent inspirer les organisations pour concevoir différents moyens d’atteindre un objectif, l’idée. Si vous alliez conduire, les Thick Data vont vous inspirer pour vous téléporter. Les Thick Data révèlent souvent l’inattendu. Elles vous frustreront. Elles vous surprendront. Mais au-delà, elles vous inspireront. L’innovation doit s’accompagner d’imagination.

Quand les organisations veulent renforcer les liens avec les parties prenantes, elles ont besoin d’histoires. Les histoires sont faites d’émotions, quelque chose qu’aucun jeu de données nettoyé et normalisé ne peut fournir. Les nombres seuls ne peuvent pas répondre aux émotions de la vie de tous les jours : confiance, vulnérabilité, peur, avidité, luxure, sécurité, amour et intimité. Il est difficile de représenter par un algorithme la force de l’appartenance à un service ou produit et comment cette appartenance change dans le temps. L’approche Thick Data atteint le cœur des gens. Dans le fond, la relation entre une partie prenante et l’organisation est émotionnelle, pas rationnelle.

Certaines personnes sont gênées par l’utilisation du mot « histoire » pour décrire le travail ethnographique. Il y beaucoup de confusions entre histoires et anecdotes. Les chercheurs se demandent si c’est une mode. Même dans le monde  universitaire, beaucoup de sociologues évitent l’utilisation du mot « histoire » parce qu’il fait apparaitre leur recherche qualitative comme moins scientifique. On m’a souvent dit d’utiliser « cas » à la place d’histoire.

Cependant, il y a une grande différence entre anecdotes et histoires. Les anecdotes sont habituellement des histoires assemblées qui sont habituellement partagées. Dans un contexte de recherche, les histoires sont intentionnellement rassemblées et systématiquement échantillonnées, partagées, analysées avec des procédures adaptées (analyses universitaires).

NPR[3] a une émission[4] qui illustre la puissance des Thick Data avec Frans de Waal, un primatologue et biologiste qui vient de publier « Les bonobos et les athées : à la recherche d’humanisme chez les primates ».  A travers ses expériences, de Waal fournit des preuves de sa théorie que le sens de l’équité, le fondement de la morale, n’est pas uniquement humain. Dans la vidéo présentée[5],  de Waal montre deux singes recevant des récompenses pour avoir fait une même action. Le singe qui a reçu un concombre devient très en colère quand elle s’aperçoit que l’autre singe a reçu des raisins pour la même action qu’elle.  Dans le monde des singes, les raisins sont supers et les concombres sont du pain rassis.

Dans son rapport de recherche, de Waal propose une partie captivante sur les Thick Data : «je montre souvent les vidéos, parce que si je montre les données qui sont des graphiques et des choses de ce genre, les gens ne sont pas vraiment convaincus, mais si vous montrez la réaction émotionnelle qui est impliquée, alors les gens sont convaincus ».

Comme de Waal l’explique clairement, parfois, les données quantitatives seules ne sont pas un argument convaincant. Même les scientifiques ont besoin d’histoires pour présenter leurs résultats.

Opportunités

Roger Magoulas qui a inventé le terme de Big Data, insiste sur le besoin d’histoires : « les histoires se répandent vite, aident à diffuser les leçons de l’analyse à travers une organisation »

Alors que l’usage isolé des Big Data peut être problématique,  il est absolument essentiel de continuer à explorer comment les Big Data et les Thick Data peuvent être complémentaires. C’est une grande opportunité pour les chercheurs qualitativistes de positionner leur travail dans le contexte des résultats des Big Data. Des entreprises comme Claro Partners redéfinissent même leur façon de poser des questions sur le Big Data. Dans leur recherche sur l’économie des données personnelles, au lieu de questionner ce que les Big Data disent de nos comportements, ils se sont demandé ce que le comportement humain nous dit sur le rôle des Big Data dans la vie de tous les jours. Ils ont crée un boite à outil pour leurs clients qui les aide à passer d’une perspective centrée sur les données à une orientation centrée sur l’homme.

Voici quelques secteurs où je vois des collaborations entre les deux méthodes dans les organisations (ce n’est pas une liste exhaustive ou définitive) :

  • La santé : comme les individus ont plus de capacité à surveiller leur propre santé, le phénomène du ‘quantified self’ est à la mode. Les fournisseurs de services de santé auront un accès accru aux données recueillies collectivement et anonymisées. Les projets comme le fichier Asthme fournissent un aperçu du partenariat possible entre Thick Data et Big Data pour résoudre des problèmes de santé.
  • Reprises des données anonymes des opérateurs téléphoniques : les opérateurs de téléphonie du monde entier commencent à reconditionner et vendre leur données clients. Les services marketing ne sont les seuls acheteurs. Les urbanistes qui veulent des données mieux localisées pour comprendre les transports utilisent les données mobiles d’Air Sage[6]. Pour protéger les données personnelles, les données sont anonymées ou délibérément nettoyées des communications personnelles. Et en l’absence de détails personnels, les données perdent leurs informations contextuelles. Sans Thick Data, il sera difficile pour les organisationsde comprendre le contexte personnel et social des données dont les informations personnelles ont été nettoyées.
  • Analyse des réseaux sociaux : les médias sociaux produisent beaucoup de données qui peuvent enrichir l’analyse des réseaux sociaux. Des chercheurs universitaires comme Hilary Mason, Gilad Lotan, Duncan Watts, et Ethan Zuckerman (et son laboratoire au MIT), explorent comment les informations se diffusent sur les réseaux sociaux et en même temps, créent des questions auxquelles  seules les Thick Data peuvent répondre. Alors que beaucoup d’entreprises utilisent les métriques des médias sociaux, les organisations doivent faire attention à ne pas croire par erreur que les données, seules, vont révéler les ‘influenceurs’. Un exemple de mauvaise interprétation d’un signal venant de l’analyse des Big Data est la médiatisation du travail de  César Hidalgo[7] qui suggérait que Wikipedia pouvait servir de proxy pour la culture.
  • Stratégie de marque et génération d’idées : les entreprises se sont longtemps basées sur les analyses de marché pour élaborer les stratégies et générer des idées. Ils se tournent maintenant davantage vers une approche utilisateur qui se base sur les Thick Data. Le récent article de Fast Compagny[8] sur J Crew[9] met en évidence que là où les consultants Big Data ont échoué, les héros qui ont mené le revirement d’une marque étaient des employés qui comprenaient ce que les consommateurs voulaient.  Une employée Jenna Lyons[10] a pu mettre en place une méthode de test client itérative, expérimentale et en temps réel. Son approche a plu aux consommateurs transformant J Crew en marque culte et triplant ses revenus.
  • Design de produit et de service : les algorithmes seuls ne résolvent pas les problèmes et pourtant beaucoup d’organisations leur font confiance pour le design des services et des produits. Xerox utilise les Big Data pour résoudre les problèmes pour le gouvernement, mais ils utilisent aussi des méthodes ethnologiques longitudinales. Ellen Issacs, un ethnologue de Xerox explique l’importance du Thick Data dans le design : « même quand vous avez un concept clair pour une technologie, vous avez encore à le designer de sorte qu’il soit cohérent avec  la façon dont les gens pensent leur activité… vous devez les regarder faire ce qu’ils font »
  • Mettre en œuvre une stratégie organisationnelle : les Thick Data peuvent être utilisées comme un contre poids aux Big Data pour atténuer les perturbations liés au changement prévu. Les données quantitatives peuvent suggérer qu’un changement est nécessaire mais les perturbations dans l’organisation peuvent couter cher. Quand les organigrammes sont modifiés, les descriptions de poste sont réécrites, les fonctions évoluent, les évaluations des réussites sont revues, les changements peuvent provoquer alors des perturbations couteuses qui ne seront pas mises en évidence par le plan établi avec les Big Data.

Les organisations ont besoin d’experts en Thick Data pour travailler avec les dirigeants pour comprendre l’impact et le contexte des changements dans une perspective culturelle afin de déterminer quels changements sont pertinents et comment gérer leur mise en œuvre. Grant McCracken appelle cela le ‘chef culturel’, les yeux et les Oreilles de l’entreprise, lui permettant de détecter les changements avenirs même quand il existe seulement de faibles signaux.  Le directeur commercial est la personne toute désignée pour s’occuper des Thick Data, responsable pour collecter, raconter et faire circuler des histoires pour maintenir une organisation inspirée et agile.

Avenir

Nous avons encore beaucoup de questions sur les Thick Data dans les organisations : comment rendre compte des Thick Data ? Les histoires existent mais les histoires demander du temps, des ressources et des compétences en communication. Quels sont les indicateurs pour la réussite de la recherche des Thick Data ? Comment former les équipes à intégrer les approches Big Data et Thick Data ? Il y a une plus grande demande d’ethnologue comme fournisseurs de services que comme employés à l’intérieur de l’organisation. Il n’y a pas assez d’ethnologues travaillant à l’intérieur des organisations pour intégrer les recherches ethnographiques et pour explorer les différentes façons de diffuser les idées de Big Data et Thick Data. C’est le moment pour l’ethnologie de vraiment briller. Nous sommes dans une excellente position pour montrer la valeur ajoutée que nous apportons à un projet de méthode mixte. Produire des descriptions épaisses[11] (un terme utilisé par Clifford Geertz pour décrire la méthodologie ethnographique) d’un contexte social vient en complément des découvertes du Big Data. Les individus et les organisations qui ont innové par des projets de Big Data et de Thick Data comme Fabien Girardin du laboratoire Near Future ou Wendy Hsu, nous donnent des aperçus de ce monde possible.

 

Donc, la prochaine fois que quelqu’un vous parle des Big Data, essayez votre pitch pour les Thick Data. J’aimerais entendre vos expériences (est-ce-que ce terme vous plait ?). Comment pourriez-vous améliorer le pitch pour les Thick Data ? Ou avez-vous un pitch alternatif plus efficace à partager ? Quelles sont les autres opportunités de partenariat entre les Big Data et les Thick Data ?

[1] 2012

[2] Voir le concept de Thick Description : http://www.sociosite.net/topics/texts/Geertz_Thick_Description.php

[3] National Public Radio

[4] Science Friday

[5] Lien mort

[6] http://www.airsage.com/

[7] Chercheur au MIT Lab

[8] Magazine économique

[9] Marque de prêt à porter

[10] Maintenant directrice

[11] ‘Thicks descriptions’ en référence à Thick Data

 



Citer ce billet
Daniel Pélissier (2016, 10 décembre). Pourquoi les Big Data ont-elles besoin des Thick Data ? Présence numérique des organisations. Consulté le 28 mars 2024, à l’adresse https://doi.org/10.58079/t0hq

Vous aimerez aussi...

1 réponse

  1. 19/11/2018

    […] data n’est pas nécessaire, à commencer par les ethnologues qui démontrent jour après jour que le quantitatif sans qualitatif est une fumisterie sans nom. Coûteuse et socialement […]

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search