TEDxCambridge
Tricia Wang: The human insights missing from big data
Tricia Wang: Une perspective humaine absente du big data
Filmed:
Readability: 4.5
1,688,539 views
Pourquoi tant d'entreprises prennent de mauvaises décisions même si elles ont accès à une quantité inédite d'informations ? Tricia Wang nous raconte les histoires de Nokia, Netflix et des oracles de la Grèce antique afin de démystifier l'univers du big data et d'identifier ses écueils. Elle nous propose d'y ajouter les données denses (ou « thick datas »), ces données précieuses et
non quantifiables qui a son origine dans les histoires humaines, dans le but de nous permettre de prendre les bonnes décisions et de ne pas « manquer le coche ».
Tricia Wang - Technology ethnographer
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
With astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers. Full bio
Double-click the English transcript below to play the video.
00:12
In ancient Greece,
0
885
1545
Dans la Grèce antique,
00:15
when anyone from slaves to soldiers,
poets and politicians,
poets and politicians,
1
3436
3943
quand un esclave, un soldat,
un poète ou un politicien
un poète ou un politicien
avait besoin de répondre
aux questions importantes de leur vie
aux questions importantes de leur vie
00:19
needed to make a big decision
on life's most important questions,
on life's most important questions,
2
7403
4004
00:23
like, "Should I get married?"
3
11431
1391
telles que : « Devrais-je me marier ?
Entreprendre ce voyage ? »
Entreprendre ce voyage ? »
00:24
or "Should we embark on this voyage?"
4
12846
1857
ou « Est-ce que notre armée devrait
avancer sur ce territoire ? »,
avancer sur ce territoire ? »,
00:26
or "Should our army
advance into this territory?"
advance into this territory?"
5
14727
2928
00:29
they all consulted the oracle.
6
17679
2579
tous consultaient l'oracle.
Voici comment ça fonctionnait.
00:33
So this is how it worked:
7
21020
1440
00:34
you would bring her a question
and you would get on your knees,
and you would get on your knees,
8
22484
3112
Vous lui posiez une question
en vous mettant à genoux.
en vous mettant à genoux.
Ensuite, elle entrait en une transe
qui pouvait prendre un ou deux jours.
qui pouvait prendre un ou deux jours.
00:37
and then she would go into this trance.
9
25620
1871
00:39
It would take a couple of days,
10
27515
1549
Puis, finalement, elle en sortait
00:41
and then eventually
she would come out of it,
she would come out of it,
11
29088
2163
pour vous donner
ses prédictions comme réponse.
ses prédictions comme réponse.
00:43
giving you her predictions as your answer.
12
31275
2536
Depuis les os divinatoires
de la Chine ancienne
de la Chine ancienne
00:46
From the oracle bones of ancient China
13
34910
2566
00:49
to ancient Greece to Mayan calendars,
14
37500
2345
à la Grèce antique
et les calendriers mayas,
et les calendriers mayas,
00:51
people have craved for prophecy
15
39869
2296
les gens ont cherché avec passion
dans les prédictions
dans les prédictions
00:54
in order to find out
what's going to happen next.
what's going to happen next.
16
42189
3137
le moyen de savoir ce qui allait
se passer dans le futur.
se passer dans le futur.
Et c'est parce que nous voulons tous
prendre la bonne décision.
prendre la bonne décision.
00:58
And that's because we all want
to make the right decision.
to make the right decision.
17
46516
3239
Nous ne voulons pas
manquer le coche.
manquer le coche.
01:01
We don't want to miss something.
18
49779
1545
01:03
The future is scary,
19
51892
1743
Le futur est effrayant
mais devient plus engageant
quand nous savons
quand nous savons
01:05
so it's much nicer
knowing that we can make a decision
knowing that we can make a decision
20
53659
2717
que nous pouvons prendre une décision
avec une garantie du résultat.
avec une garantie du résultat.
01:08
with some assurance of the outcome.
21
56400
1982
Hé bien, nous avons un nouvel oracle,
et son nom, c'est « Big Data »,
et son nom, c'est « Big Data »,
01:11
Well, we have a new oracle,
22
59079
1611
01:12
and it's name is big data,
23
60714
2145
01:14
or we call it "Watson"
or "deep learning" or "neural net."
or "deep learning" or "neural net."
24
62883
3939
ou « Watson », « apprentissage profond »
« réseau de neurones artificiel »...
« réseau de neurones artificiel »...
01:19
And these are the kinds of questions
we ask of our oracle now,
we ask of our oracle now,
25
67340
4012
Voici le genre de questions
posées aujourd'hui à notre oracle :
posées aujourd'hui à notre oracle :
01:23
like, "What's the most efficient way
to ship these phones
to ship these phones
26
71376
3922
« Quel est le moyen le plus efficace
d'expédier ces téléphones
de la Chine à la Suède ? »,
de la Chine à la Suède ? »,
01:27
from China to Sweden?"
27
75322
1823
01:29
Or, "What are the odds
28
77169
1800
ou « Quels sont les risques
01:30
of my child being born
with a genetic disorder?"
with a genetic disorder?"
29
78993
3363
que mon enfant naisse
avec une maladie génétique ? »
avec une maladie génétique ? »
01:34
Or, "What are the sales volume
we can predict for this product?"
we can predict for this product?"
30
82952
3244
ou « Quel volume de ventes
pouvons-nous prévoir pour ce produit ? »
pouvons-nous prévoir pour ce produit ? »
01:40
I have a dog. Her name is Elle,
and she hates the rain.
and she hates the rain.
31
88108
4047
J'ai un chien. Son nom est Elle
et elle déteste la pluie.
et elle déteste la pluie.
J'ai tout essayé pour tenter
de changer son attitude.
de changer son attitude.
01:44
And I have tried everything
to untrain her.
to untrain her.
32
92179
3306
01:47
But because I have failed at this,
33
95509
2771
Mais vu que j'ai échoué,
01:50
I also have to consult
an oracle, called Dark Sky,
an oracle, called Dark Sky,
34
98304
3286
je suis obligée de consulter,
moi aussi, un oracle appelé Dark Sky,
moi aussi, un oracle appelé Dark Sky,
chaque fois que nous allons
sortir pour la promenade,
sortir pour la promenade,
01:53
every time before we go on a walk,
35
101614
1635
01:55
for very accurate weather predictions
in the next 10 minutes.
in the next 10 minutes.
36
103273
3577
pour les prévisions météo précises
des prochaines dix minutes.
des prochaines dix minutes.
Elle est si mignonne.
02:01
She's so sweet.
37
109535
1303
02:03
So because of all of this,
our oracle is a $122 billion industry.
our oracle is a $122 billion industry.
38
111827
5707
À cause de tout cela, notre oracle est
une industrie de 122 milliards de dollars.
une industrie de 122 milliards de dollars.
02:10
Now, despite the size of this industry,
39
118006
3376
Mais malgré la taille de cette industrie,
02:13
the returns are surprisingly low.
40
121406
2456
les retours sont étonnamment faibles.
02:16
Investing in big data is easy,
41
124342
2494
Il est facile d'investir dans big data,
mais l'utiliser est difficile.
mais l'utiliser est difficile.
02:18
but using it is hard.
42
126860
1933
02:21
Over 73 percent of big data projects
aren't even profitable,
aren't even profitable,
43
129981
4040
Plus de 73 % des projets de big data
ne sont pas rentables,
ne sont pas rentables,
02:26
and I have executives
coming up to me saying,
coming up to me saying,
44
134045
2431
et certains dirigeants viennent
me voir en disant :
me voir en disant :
« Il nous est arrivé la même chose.
02:28
"We're experiencing the same thing.
45
136500
1789
Nous avons investi dans le big data,
02:30
We invested in some big data system,
46
138313
1753
mais nos employés ne prennent pas
de meilleures décisions,
de meilleures décisions,
02:32
and our employees aren't making
better decisions.
better decisions.
47
140090
2968
02:35
And they're certainly not coming up
with more breakthrough ideas."
with more breakthrough ideas."
48
143082
3162
et ils ne vont certainement pas
trouver plus d'idées révolutionnaires. »
trouver plus d'idées révolutionnaires. »
Pour moi, tout ceci
est vraiment intéressant
est vraiment intéressant
02:38
So this is all really interesting to me,
49
146914
3184
02:42
because I'm a technology ethnographer.
50
150122
2010
parce que je suis un ethnographe
de la technologie.
de la technologie.
02:44
I study and I advise companies
51
152630
2564
J'étudie et je conseille les entreprises
02:47
on the patterns
of how people use technology,
of how people use technology,
52
155218
2483
sur les modèles d'utilisation
de la technologie,
de la technologie,
02:49
and one of my interest areas is data.
53
157725
2678
et un de mes centres
d'intérêt est la data.
d'intérêt est la data.
02:52
So why is having more data
not helping us make better decisions,
not helping us make better decisions,
54
160427
5193
Pourquoi plus de données ne nous aide pas
à prendre de meilleures décisions,
à prendre de meilleures décisions,
02:57
especially for companies
who have all these resources
who have all these resources
55
165644
2783
en particulier pour les sociétés
qui ont les ressources
qui ont les ressources
pour investir dans
ces systèmes de big data ?
ces systèmes de big data ?
03:00
to invest in these big data systems?
56
168451
1736
03:02
Why isn't it getting any easier for them?
57
170211
2398
Pourquoi cela n'est-il pas
plus facile pour eux?
plus facile pour eux?
J'a moi-même fait l'expérience
de ce problème.
de ce problème.
03:05
So, I've witnessed the struggle firsthand.
58
173990
2634
03:09
In 2009, I started
a research position with Nokia.
a research position with Nokia.
59
177374
3484
En 2009, j'ai commencé
un travail de recherche à Nokia.
un travail de recherche à Nokia.
03:13
And at the time,
60
181232
1158
À cette époque, Nokia était une
des plus grandes compagnies
des plus grandes compagnies
03:14
Nokia was one of the largest
cell phone companies in the world,
cell phone companies in the world,
61
182414
3158
de téléphones mobiles dans le monde,
03:17
dominating emerging markets
like China, Mexico and India --
like China, Mexico and India --
62
185596
3202
dominant les marchés naissants en Chine,
au Mexique et en Inde,
au Mexique et en Inde,
03:20
all places where I had done
a lot of research
a lot of research
63
188822
2502
pays dans lesquels j'avais
déjà fait des recherches
déjà fait des recherches
sur la façon dont les gens
à faible revenu utilisent la technologie.
à faible revenu utilisent la technologie.
03:23
on how low-income people use technology.
64
191348
2676
03:26
And I spent a lot of extra time in China
65
194048
2330
J'ai passé beaucoup
de temps libre en Chine,
de temps libre en Chine,
03:28
getting to know the informal economy.
66
196402
2592
ce qui m'a permis de découvrir
l'économie parallèle.
l'économie parallèle.
03:31
So I did things like working
as a street vendor
as a street vendor
67
199018
2401
J'ai, par exemple, travaillé
comme vendeuse de rue
comme vendeuse de rue
03:33
selling dumplings to construction workers.
68
201443
2574
en vendant des raviolis chinois
aux ouvriers du bâtiment.
aux ouvriers du bâtiment.
03:36
Or I did fieldwork,
69
204041
1358
J'ai travaillé sur le terrain,
03:37
spending nights and days
in internet cafés,
in internet cafés,
70
205423
2958
passant des jours et des nuits
dans les cybercafés,
dans les cybercafés,
03:40
hanging out with Chinese youth,
so I could understand
so I could understand
71
208405
2546
fréquentant la jeunesse chinoise
pour comprendre
pour comprendre
la façon dont ils utilisent les jeux
et les portables
et les portables
03:42
how they were using
games and mobile phones
games and mobile phones
72
210975
2284
03:45
and using it between moving
from the rural areas to the cities.
from the rural areas to the cities.
73
213283
3370
y compris dans leurs déplacements
de la campagne à la ville.
de la campagne à la ville.
03:50
Through all of this qualitative evidence
that I was gathering,
that I was gathering,
74
218335
3927
En compilant toutes
ces expériences qualitatives,
ces expériences qualitatives,
03:54
I was starting to see so clearly
75
222286
2824
j'ai commencé à voir très clairement
03:57
that a big change was about to happen
among low-income Chinese people.
among low-income Chinese people.
76
225134
4472
qu'un très grand changement
allait se produire
allait se produire
parmi les chinois à faible revenu.
04:03
Even though they were surrounded
by advertisements for luxury products
by advertisements for luxury products
77
231020
4367
Bien que cernés par les publicités
pour des produits de luxe
pour des produits de luxe
tels que les toilettes chics -
qui n'en voudrait pas ? -
qui n'en voudrait pas ? -
04:07
like fancy toilets --
who wouldn't want one? --
who wouldn't want one? --
78
235411
3495
04:10
and apartments and cars,
79
238930
2890
pour des appartements et des voitures,
04:13
through my conversations with them,
80
241844
1820
à travers mes conversations avec eux,
04:15
I found out that the ads
the actually enticed them the most
the actually enticed them the most
81
243688
3841
j'ai découvert que les pubs
qui les affectaient le plus
qui les affectaient le plus
04:19
were the ones for iPhones,
82
247553
1996
étaient celles concernant les IPhones
04:21
promising them this entry
into this high-tech life.
into this high-tech life.
83
249573
3052
qui leur promettaient l'accès
à une vie à la pointe de la technologie.
à une vie à la pointe de la technologie.
Quand j'ai vécu avec eux dans
des bidonvilles urbains comme celui-ci,
des bidonvilles urbains comme celui-ci,
04:25
And even when I was living with them
in urban slums like this one,
in urban slums like this one,
84
253469
3163
04:28
I saw people investing
over half of their monthly income
over half of their monthly income
85
256656
2996
j'ai vu des gens investir
presque la moitié de leur revenu
presque la moitié de leur revenu
04:31
into buying a phone,
86
259676
1623
dans l'achat d'un téléphone, lequel
devenait de plus en plus « shanzhaï »,
devenait de plus en plus « shanzhaï »,
04:33
and increasingly, they were "shanzhai,"
87
261323
2302
04:35
which are affordable knock-offs
of iPhones and other brands.
of iPhones and other brands.
88
263649
3388
une imitation bon marché d'iPhone
et autres marques.
et autres marques.
04:40
They're very usable.
89
268303
1625
Ils sont tout à fait utilisables.
04:42
Does the job.
90
270890
1322
Ils font l'affaire.
04:44
And after years of living
with migrants and working with them
with migrants and working with them
91
272750
5789
Après des années à vivre
et travailler avec les ambulants,
et travailler avec les ambulants,
à travailler et faire
tout ce qu'ils faisaient,
tout ce qu'ils faisaient,
04:50
and just really doing everything
that they were doing,
that they were doing,
92
278563
3434
04:54
I started piecing
all these data points together --
all these data points together --
93
282021
3597
j'ai commencé à joindre
toutes ces données ensemble -
toutes ces données ensemble -
04:57
from the things that seem random,
like me selling dumplings,
like me selling dumplings,
94
285642
3123
des choses à priori insignifiantes
comme la vente de raviolis chinois
comme la vente de raviolis chinois
05:00
to the things that were more obvious,
95
288789
1804
aux choses plus consistantes comme
le montant de leurs factures de téléphone.
le montant de leurs factures de téléphone.
05:02
like tracking how much they were spending
on their cell phone bills.
on their cell phone bills.
96
290617
3232
J'ai été capable de créer une image
plus globale de ce qui se passait.
plus globale de ce qui se passait.
05:05
And I was able to create
this much more holistic picture
this much more holistic picture
97
293873
2639
05:08
of what was happening.
98
296536
1156
Alors, je me suis rendue compte
05:09
And that's when I started to realize
99
297716
1722
05:11
that even the poorest in China
would want a smartphone,
would want a smartphone,
100
299462
3509
que même le plus pauvre, en Chine,
souhaiterait avoir un smartphone
souhaiterait avoir un smartphone
05:14
and that they would do almost anything
to get their hands on one.
to get their hands on one.
101
302995
4985
et qu'il serait prêt à tout faire
pour en avoir un.
pour en avoir un.
05:21
You have to keep in mind,
102
309073
2404
Rappelez-vous que les iPhone
venaient juste de sortir.
venaient juste de sortir.
05:23
iPhones had just come out, it was 2009,
103
311501
3084
C'était en 2009, il y a huit ans,
05:26
so this was, like, eight years ago,
104
314609
1885
et les Androïde ressemblaient
à peine aux iPhone.
à peine aux iPhone.
05:28
and Androids had just started
looking like iPhones.
looking like iPhones.
105
316518
2437
05:30
And a lot of very smart
and realistic people said,
and realistic people said,
106
318979
2507
Beaucoup de gens intelligents
et réalistes ont dit :
et réalistes ont dit :
« Ces smartphones sont juste une mode.
05:33
"Those smartphones -- that's just a fad.
107
321510
2207
05:36
Who wants to carry around
these heavy things
these heavy things
108
324243
2996
Qui veut porter ces trucs lourds
dont les batteries sont faciles à épuiser
et qui se cassent en tombant ? »
et qui se cassent en tombant ? »
05:39
where batteries drain quickly
and they break every time you drop them?"
and they break every time you drop them?"
109
327263
3487
Mais j'avais beaucoup de données
et confiance en mes intuitions.
et confiance en mes intuitions.
05:44
But I had a lot of data,
110
332793
1201
05:46
and I was very confident
about my insights,
about my insights,
111
334018
2260
J'étais donc très impatiente
de les partager avec Nokia.
de les partager avec Nokia.
05:48
so I was very excited
to share them with Nokia.
to share them with Nokia.
112
336302
2829
05:53
But Nokia was not convinced,
113
341332
2517
Mais Nokia n'a pas été convaincu
parce que ce n'était pas du big data.
parce que ce n'était pas du big data.
05:55
because it wasn't big data.
114
343873
2335
Ils ont dit : « Nous avons des millions
de points de données
de points de données
05:59
They said, "We have
millions of data points,
millions of data points,
115
347022
2404
06:01
and we don't see any indicators
of anyone wanting to buy a smartphone,
of anyone wanting to buy a smartphone,
116
349450
4247
et rien n'indique que quelqu'un
veut acheter un smartphone.
veut acheter un smartphone.
Vos données basées sur 100,
bien que larges,
bien que larges,
06:05
and your data set of 100,
as diverse as it is, is too weak
as diverse as it is, is too weak
117
353721
4388
sont trop faibles pour que nous
les prenions réellement au sérieux. »
les prenions réellement au sérieux. »
06:10
for us to even take seriously."
118
358133
1714
J'ai dit : « Vous avez raison.
06:12
And I said, "Nokia, you're right.
119
360908
1605
Vous n'êtes pas capable de le voir
car vos enquêtes assument
car vos enquêtes assument
06:14
Of course you wouldn't see this,
120
362537
1560
06:16
because you're sending out surveys
assuming that people don't know
assuming that people don't know
121
364121
3371
que les gens ne connaissent pas
les smartphones.
les smartphones.
06:19
what a smartphone is,
122
367516
1159
Vous ne pouvez donc pas
obtenir les données
obtenir les données
06:20
so of course you're not going
to get any data back
to get any data back
123
368699
2366
concernant le désir des gens
d'acheter un smartphone dans deux ans.
d'acheter un smartphone dans deux ans.
06:23
about people wanting to buy
a smartphone in two years.
a smartphone in two years.
124
371089
2572
06:25
Your surveys, your methods
have been designed
have been designed
125
373685
2118
Vos méthodes ont été conçues pour
optimiser un modèle commercial existant.
optimiser un modèle commercial existant.
06:27
to optimize an existing business model,
126
375827
2022
Pour ma part, j’observe
les nouvelles dynamiques humaines
les nouvelles dynamiques humaines
06:29
and I'm looking
at these emergent human dynamics
at these emergent human dynamics
127
377873
2608
qui ne sont pas encore apparues.
06:32
that haven't happened yet.
128
380505
1354
06:33
We're looking outside of market dynamics
129
381883
2438
Nous explorons en dehors de la dynamique
des marchés afin de la prédire. »
des marchés afin de la prédire. »
06:36
so that we can get ahead of it."
130
384345
1631
Savez-vous ce qui est arrivé à Nokia ?
06:39
Well, you know what happened to Nokia?
131
387373
2244
Leur compagnie a subit un revers.
06:41
Their business fell off a cliff.
132
389641
2365
Ceci est le prix à payer
pour avoir raté le coche.
pour avoir raté le coche.
06:44
This -- this is the cost
of missing something.
of missing something.
133
392791
3727
C'était inconcevable!
06:49
It was unfathomable.
134
397163
1999
Mais Nokia n’est pas la seule.
06:52
But Nokia's not alone.
135
400003
1651
Je vois sans arrêt des organisations
rejeter des données
rejeter des données
06:54
I see organizations
throwing out data all the time
throwing out data all the time
136
402258
2581
quand elles ne viennent pas
d'une analyse quantitative
d'une analyse quantitative
06:56
because it didn't come from a quant model
137
404863
2561
ou ne s'accordent pas avec une.
06:59
or it doesn't fit in one.
138
407448
1768
Ce n'est pas la faute du big data.
07:02
But it's not big data's fault.
139
410219
2048
C'est la façon dont nous utilisons
big data ; c'est notre responsabilité.
big data ; c'est notre responsabilité.
07:04
It's the way we use big data;
it's our responsibility.
it's our responsibility.
140
412942
3907
La réputation de succès de big data
07:09
Big data's reputation for success
141
417730
1911
vient de la quantification
d'environnements bien spécifiques
d'environnements bien spécifiques
07:11
comes from quantifying
very specific environments,
very specific environments,
142
419665
3759
tels que les réseaux
de distribution d’électricité,
de distribution d’électricité,
07:15
like electricity power grids
or delivery logistics or genetic code,
or delivery logistics or genetic code,
143
423448
4913
la logistique de livraison
ou le code génétique,
ou le code génétique,
où nous quantifions en systèmes
plus ou moins indépendants.
plus ou moins indépendants.
07:20
when we're quantifying in systems
that are more or less contained.
that are more or less contained.
144
428385
4318
Mais tous les systèmes
ne sont pas aussi indépendants.
ne sont pas aussi indépendants.
07:24
But not all systems
are as neatly contained.
are as neatly contained.
145
432727
2969
Lorsque les systèmes sont plus dynamiques,
07:27
When you're quantifying
and systems are more dynamic,
and systems are more dynamic,
146
435720
3258
en particulier ceux
impliquant des êtres humains,
impliquant des êtres humains,
07:31
especially systems
that involve human beings,
that involve human beings,
147
439002
3799
les forces sont complexes
et imprévisibles,
et imprévisibles,
07:34
forces are complex and unpredictable,
148
442825
2426
et nous ne savons pas bien les modéliser.
07:37
and these are things
that we don't know how to model so well.
that we don't know how to model so well.
149
445275
3486
Quand vous prédisez
un comportement humain,
un comportement humain,
07:41
Once you predict something
about human behavior,
about human behavior,
150
449204
2813
de nouveaux facteurs entrent en jeu
car les conditions changent constamment.
car les conditions changent constamment.
07:44
new factors emerge,
151
452041
1855
07:45
because conditions
are constantly changing.
are constantly changing.
152
453920
2365
Donc, ce cycle est infini.
07:48
That's why it's a never-ending cycle.
153
456309
1803
Quand vous pensez savoir,
quelque chose d'inconnu apparaît.
quelque chose d'inconnu apparaît.
07:50
You think you know something,
154
458136
1464
07:51
and then something unknown
enters the picture.
enters the picture.
155
459624
2242
C'est pourquoi compter
uniquement sur big data
uniquement sur big data
07:53
And that's why just relying
on big data alone
on big data alone
156
461890
3322
augmente nos risques de rater le coche
07:57
increases the chance
that we'll miss something,
that we'll miss something,
157
465236
2849
tout en nous donnant l'illusion
que nous savons déjà tout.
que nous savons déjà tout.
08:00
while giving us this illusion
that we already know everything.
that we already know everything.
158
468109
3777
Ce qui rend ce paradoxe
si difficile à voir
si difficile à voir
08:04
And what makes it really hard
to see this paradox
to see this paradox
159
472406
3856
ou même à l'appréhender
avec notre intellect,
avec notre intellect,
08:08
and even wrap our brains around it
160
476286
2659
08:10
is that we have this thing
that I call the quantification bias,
that I call the quantification bias,
161
478969
3691
c'est ce que j'appelle « le préjugé
de la quantification »,
de la quantification »,
08:14
which is the unconscious belief
of valuing the measurable
of valuing the measurable
162
482684
3922
l'habitude inconsciente de privilégier
le mesurable sur le non-mesurable -
le mesurable sur le non-mesurable -
08:18
over the immeasurable.
163
486630
1594
nous en faisons souvent
l'expérience au travail ;
l'expérience au travail ;
08:21
And we often experience this at our work.
164
489222
3284
certains de nos collèges
peuvent être comme ça
peuvent être comme ça
08:24
Maybe we work alongside
colleagues who are like this,
colleagues who are like this,
165
492530
2650
voir notre compagnie toute entière -
08:27
or even our whole entire
company may be like this,
company may be like this,
166
495204
2428
où les gens deviennent
si focalisés sur ce chiffre
si focalisés sur ce chiffre
08:29
where people become
so fixated on that number,
so fixated on that number,
167
497656
2546
qu'ils ne peuvent rien voir en dehors,
08:32
that they can't see anything
outside of it,
outside of it,
168
500226
2067
même si vous leur présentez
les preuves sous les yeux.
les preuves sous les yeux.
08:34
even when you present them evidence
right in front of their face.
right in front of their face.
169
502317
3948
C'est un message intéressant
08:39
And this is a very appealing message,
170
507123
3371
parce qu'il n'y a
rien de mal à quantifier.
rien de mal à quantifier.
08:42
because there's nothing
wrong with quantifying;
wrong with quantifying;
171
510518
2343
En fait, c'est très gratifiant.
08:44
it's actually very satisfying.
172
512885
1430
08:46
I get a great sense of comfort
from looking at an Excel spreadsheet,
from looking at an Excel spreadsheet,
173
514339
4362
Regarder une feuille de calcul Excel
me réconforte beaucoup,
me réconforte beaucoup,
même les plus simples.
08:50
even very simple ones.
174
518725
1401
(Rires)
08:52
(Laughter)
175
520150
1014
C'est un peu comme si oui,
la formule marche,
la formule marche,
08:53
It's just kind of like,
176
521188
1152
08:54
"Yes! The formula worked. It's all OK.
Everything is under control."
Everything is under control."
177
522364
3504
tout va bien, la situation
est sous contrôle.
est sous contrôle.
Mais le problème, c'est que quantifier
devient une addiction,
devient une addiction,
08:58
But the problem is
178
526792
2390
09:01
that quantifying is addictive.
179
529206
2661
et quand nous oublions cela
et n'avons rien pour nous le rappeler,
et n'avons rien pour nous le rappeler,
09:03
And when we forget that
180
531891
1382
09:05
and when we don't have something
to kind of keep that in check,
to kind of keep that in check,
181
533297
3038
il est facile de rejeter les données
09:08
it's very easy to just throw out data
182
536359
2118
qui ne peuvent être exprimées
en valeurs numériques ;
en valeurs numériques ;
09:10
because it can't be expressed
as a numerical value.
as a numerical value.
183
538501
2718
il est facile de déraper
vers le raisonnement miracle
vers le raisonnement miracle
09:13
It's very easy just to slip
into silver-bullet thinking,
into silver-bullet thinking,
184
541243
2921
09:16
as if some simple solution existed.
185
544188
2579
comme s'il existait une solution simple.
C'est un dangereux moment
pour toute organisation
pour toute organisation
09:19
Because this is a great moment of danger
for any organization,
for any organization,
186
547600
4062
car souvent, le futur
que nous avons besoin de prédire
que nous avons besoin de prédire
09:23
because oftentimes,
the future we need to predict --
the future we need to predict --
187
551686
2634
n'est pas dans cette botte de foin, là,
09:26
it isn't in that haystack,
188
554344
2166
mais plutôt dans cette tornade
qui se dirige sur nous,
qui se dirige sur nous,
09:28
but it's that tornado
that's bearing down on us
that's bearing down on us
189
556534
2538
en dehors de la grange.
09:31
outside of the barn.
190
559096
1488
Il n'y a pas de plus grand danger
que d'être incapable de voir l'inconnu.
que d'être incapable de voir l'inconnu.
09:34
There is no greater risk
191
562960
2326
09:37
than being blind to the unknown.
192
565310
1666
Cela vous conduit à prendre
de mauvaises décisions
de mauvaises décisions
09:39
It can cause you to make
the wrong decisions.
the wrong decisions.
193
567000
2149
et à manquer quelque chose d'important.
09:41
It can cause you to miss something big.
194
569173
1974
Néanmoins cette voie
n'est pas une fatalité.
n'est pas une fatalité.
09:43
But we don't have to go down this path.
195
571734
3101
Il s'avère que l'oracle
de la Grèce antique
de la Grèce antique
09:47
It turns out that the oracle
of ancient Greece
of ancient Greece
196
575453
3195
contient la clé secrète
qui montre la voie à suivre.
qui montre la voie à suivre.
09:50
holds the secret key
that shows us the path forward.
that shows us the path forward.
197
578672
3966
09:55
Now, recent geological research has shown
198
583654
2595
Des recherches géologiques
récentes ont montré
récentes ont montré
que le Temple d'Apollon
dans lequel était situé le fameux oracle
dans lequel était situé le fameux oracle
09:58
that the Temple of Apollo,
where the most famous oracle sat,
where the most famous oracle sat,
199
586273
3564
a été construit
entre deux failles sismiques.
entre deux failles sismiques.
10:01
was actually built
over two earthquake faults.
over two earthquake faults.
200
589861
3084
Ces failles libéraient
des vapeurs pétrochimiques
des vapeurs pétrochimiques
10:04
And these faults would release
these petrochemical fumes
these petrochemical fumes
201
592969
2886
du dessous de l'écorce terrestre,
10:07
from underneath the Earth's crust,
202
595879
1685
et l'oracle était littéralement assise
au-dessus de ces deux failles
au-dessus de ces deux failles
10:09
and the oracle literally sat
right above these faults,
right above these faults,
203
597588
3866
et inhalait des quantités
énormes d'éthylène...
énormes d'éthylène...
10:13
inhaling enormous amounts
of ethylene gas, these fissures.
of ethylene gas, these fissures.
204
601478
3588
(Rires)
10:17
(Laughter)
205
605090
1008
C'est vrai !
10:18
It's true.
206
606122
1173
(Rires)
10:19
(Laughter)
207
607319
1017
C'est vrai et c'est ce qui lui permettait
de pérorer et halluciner
de pérorer et halluciner
10:20
It's all true, and that's what made her
babble and hallucinate
babble and hallucinate
208
608360
3509
et d'entrer dans un état
similaire à la transe.
similaire à la transe.
10:23
and go into this trance-like state.
209
611893
1724
10:25
She was high as a kite!
210
613641
1770
Elle planait complètement !
10:27
(Laughter)
211
615435
4461
(Rires)
Donc, comment se fait-il que les gens
10:31
So how did anyone --
212
619920
2779
obtenaient des conseils utiles
dans son état ?
dans son état ?
10:34
How did anyone get
any useful advice out of her
any useful advice out of her
213
622723
3030
10:37
in this state?
214
625777
1190
Eh bien, voyez-vous ces gens
autour de l'oracle ?
autour de l'oracle ?
10:39
Well, you see those people
surrounding the oracle?
surrounding the oracle?
215
627497
2381
Ils la soutiennent
car elle est un peu dans les vapes.
car elle est un peu dans les vapes.
10:41
You see those people holding her up,
216
629902
1879
10:43
because she's, like, a little woozy?
217
631805
1717
Remarquez cet homme sur la gauche
qui tient le carnet orange.
qui tient le carnet orange.
10:45
And you see that guy
on your left-hand side
on your left-hand side
218
633546
2308
10:47
holding the orange notebook?
219
635878
1598
10:50
Well, those were the temple guides,
220
638105
1730
Ce sont les guides du temple
10:51
and they worked hand in hand
with the oracle.
with the oracle.
221
639859
3016
qui travaillent main
dans la main avec l'oracle.
dans la main avec l'oracle.
10:56
When inquisitors would come
and get on their knees,
and get on their knees,
222
644084
2516
Quand les questionneurs
venaient et s'agenouillaient,
venaient et s'agenouillaient,
10:58
that's when the temple guides
would get to work,
would get to work,
223
646624
2340
les guides du temple
se mettaient au travail,
se mettaient au travail,
car une fois les questions posées,
ils observaient les états émotionnels
ils observaient les états émotionnels
11:00
because after they asked her questions,
224
648988
1864
11:02
they would observe their emotional state,
225
650876
2001
et demandaient
des infos complémentaires :
des infos complémentaires :
11:04
and then they would ask them
follow-up questions,
follow-up questions,
226
652901
2324
« Pourquoi voulez-vous
cette prédiction ? Qui êtes-vous ?
cette prédiction ? Qui êtes-vous ?
11:07
like, "Why do you want to know
this prophecy? Who are you?
this prophecy? Who are you?
227
655249
2834
Qu'allez-vous faire
de cette information ? »
de cette information ? »
11:10
What are you going to do
with this information?"
with this information?"
228
658107
2264
11:12
And then the temple guides would take
this more ethnographic,
this more ethnographic,
229
660395
3182
Ensuite, les guides du temple,
avec cette information
plus ethnographique et qualitative,
plus ethnographique et qualitative,
11:15
this more qualitative information,
230
663601
2156
11:17
and interpret the oracle's babblings.
231
665781
2075
interprétaient les paroles de l'oracle.
Donc, l'oracle n'était pas seule,
11:21
So the oracle didn't stand alone,
232
669428
2292
de même, nos systèmes de big data
ne devraient pas l'être.
ne devraient pas l'être.
11:23
and neither should our big data systems.
233
671744
2148
11:26
Now to be clear,
234
674630
1161
Pour clarifier, je ne dis pas
11:27
I'm not saying that big data systems
are huffing ethylene gas,
are huffing ethylene gas,
235
675815
3459
que les systèmes de big data
exhalent de l'éthylène
exhalent de l'éthylène
11:31
or that they're even giving
invalid predictions.
invalid predictions.
236
679298
2353
ou qu'ils font des prévisions caduques.
Exactement le contraire,
ce que je veux dire
ce que je veux dire
11:33
The total opposite.
237
681675
1161
11:34
But what I am saying
238
682860
2068
c'est que tout comme l'oracle
avait besoin des guides du temple,
avait besoin des guides du temple,
11:36
is that in the same way
that the oracle needed her temple guides,
that the oracle needed her temple guides,
239
684952
3832
nos systèmes de big data
ont aussi besoin d'eux.
ont aussi besoin d'eux.
11:40
our big data systems need them, too.
240
688808
2288
11:43
They need people like ethnographers
and user researchers
and user researchers
241
691120
4109
Ils ont besoin des ethnographes
et des chercheurs sur les utilisateurs
et des chercheurs sur les utilisateurs
pour rassembler ce que j'appelle
« les données denses ».
« les données denses ».
11:47
who can gather what I call thick data.
242
695253
2506
11:50
This is precious data from humans,
243
698502
2991
Ce sont des données précieuses
fournies par les hommes,
fournies par les hommes,
les histoires, émotions
et interactions non quantifiables.
et interactions non quantifiables.
11:53
like stories, emotions and interactions
that cannot be quantified.
that cannot be quantified.
244
701517
4102
11:57
It's the kind of data
that I collected for Nokia
that I collected for Nokia
245
705643
2322
C'est le genre de données
que j'ai recueillies pour Nokia
que j'ai recueillies pour Nokia
11:59
that comes in in the form
of a very small sample size,
of a very small sample size,
246
707989
2669
sous la forme d'un échantillon très petit
12:02
but delivers incredible depth of meaning.
247
710682
2955
mais incroyablement profond
quant au sens.
quant au sens.
12:05
And what makes it so thick and meaty
248
713661
3680
Ce qui le rend si dense et consistant,
c'est l'expérience
et la compréhension du récit humain.
et la compréhension du récit humain.
12:10
is the experience of understanding
the human narrative.
the human narrative.
249
718445
4029
12:14
And that's what helps to see
what's missing in our models.
what's missing in our models.
250
722498
3639
C'est ce qui aide à percevoir
ce qui manque dans nos modèles.
ce qui manque dans nos modèles.
12:18
Thick data grounds our business questions
in human questions,
in human questions,
251
726851
4045
Les données denses
ancrent les questions commerciales
ancrent les questions commerciales
dans les questions humaines.
12:22
and that's why integrating
big and thick data
big and thick data
252
730920
3562
C'est pourquoi fusionner
big data et données denses
big data et données denses
permet d'obtenir une image plus complète.
12:26
forms a more complete picture.
253
734506
1689
Le big data peut offrir
des aperçus à échelle
des aperçus à échelle
12:28
Big data is able to offer
insights at scale
insights at scale
254
736772
2881
et tirer le meilleur profit
de l'intelligence artificielle,
de l'intelligence artificielle,
12:31
and leverage the best
of machine intelligence,
of machine intelligence,
255
739677
2647
12:34
whereas thick data can help us
rescue the context loss
rescue the context loss
256
742348
3572
tandis que les données denses
aident à minimiser
aident à minimiser
la perte de contexte générée
en rendant big data utilisable,
en rendant big data utilisable,
12:37
that comes from making big data usable,
257
745944
2098
et à tirer le meilleur
de l'intelligence humaine.
de l'intelligence humaine.
12:40
and leverage the best
of human intelligence.
of human intelligence.
258
748066
2181
12:42
And when you actually integrate the two,
that's when things get really fun,
that's when things get really fun,
259
750271
3552
En fait, quand vous intégrez les deux,
ça devient vraiment intéressant,
ça devient vraiment intéressant,
car vous ne travaillez plus uniquement
avec les données recueillies,
avec les données recueillies,
12:45
because then you're no longer
just working with data
just working with data
260
753847
2436
12:48
you've already collected.
261
756307
1196
vous travaillez avec des données
non recueillies.
non recueillies.
12:49
You get to also work with data
that hasn't been collected.
that hasn't been collected.
262
757527
2737
Vous commencez
à demander « pourquoi? » :
à demander « pourquoi? » :
12:52
You get to ask questions about why:
263
760288
1719
12:54
Why is this happening?
264
762031
1317
Pourquoi cela se passe-t-il ?
12:55
Now, when Netflix did this,
265
763778
1379
Quand Netflix a fait ça,
12:57
they unlocked a whole new way
to transform their business.
to transform their business.
266
765181
3035
ils ont ouvert une nouvelle voie
de transformation pour leur entreprise.
de transformation pour leur entreprise.
13:01
Netflix is known for their really great
recommendation algorithm,
recommendation algorithm,
267
769406
3956
Netflix est connue pour ses algorithmes
de recommandation.
de recommandation.
13:05
and they had this $1 million prize
for anyone who could improve it.
for anyone who could improve it.
268
773386
4797
Ils ont offert un million de dollars
à quiconque pouvait les améliorer
à quiconque pouvait les améliorer
13:10
And there were winners.
269
778207
1314
et il y a eu des gagnants.
13:12
But Netflix discovered
the improvements were only incremental.
the improvements were only incremental.
270
780255
4323
Mais Netflix a découvert
que ces améliorations
que ces améliorations
étaient seulement incrémentielles.
Pour comprendre la situation,
13:17
So to really find out what was going on,
271
785404
1964
ils ont embauché un ethnographe,
Grant McCracken,
Grant McCracken,
13:19
they hired an ethnographer,
Grant McCracken,
Grant McCracken,
272
787392
3741
13:23
to gather thick data insights.
273
791157
1546
afin d'obtenir des données denses,
13:24
And what he discovered was something
that they hadn't seen initially
that they hadn't seen initially
274
792727
3924
et il a trouvé une chose
qu'ils n'avaient pas vue à l'origine
qu'ils n'avaient pas vue à l'origine
13:28
in the quantitative data.
275
796675
1355
dans les données quantitatives.
13:31
He discovered that people loved
to binge-watch.
to binge-watch.
276
799072
2728
Il a découvert que les gens
aimaient le « binge-watching ».
aimaient le « binge-watching ».
13:33
In fact, people didn't even
feel guilty about it.
feel guilty about it.
277
801824
2353
En fait, ils ne s'en culpabilisaient pas
mais en jouissaient.
mais en jouissaient.
13:36
They enjoyed it.
278
804201
1255
13:37
(Laughter)
279
805480
1026
Netflix a réalisé :
« Oh, c'est une nouvelle donnée ».
« Oh, c'est une nouvelle donnée ».
13:38
So Netflix was like,
"Oh. This is a new insight."
"Oh. This is a new insight."
280
806530
2356
Ils se sont tournés vers leur équipe
de science des données
de science des données
13:40
So they went to their data science team,
281
808910
1938
13:42
and they were able to scale
this big data insight
this big data insight
282
810872
2318
qui a su comparer cette donnée
avec leurs données quantitatives.
avec leurs données quantitatives.
13:45
in with their quantitative data.
283
813214
2587
13:47
And once they verified it
and validated it,
and validated it,
284
815825
3170
Après l'avoir vérifiée et validée,
13:51
Netflix decided to do something
very simple but impactful.
very simple but impactful.
285
819019
4761
Netflix a décidé d'agir
de façon simple mais efficace.
de façon simple mais efficace.
13:56
They said, instead of offering
the same show from different genres
the same show from different genres
286
824834
6492
Au lieu d'offrir une même émission
dans différents genres
dans différents genres
ou plus d'émissions différentes
d'utilisateurs similaires,
d'utilisateurs similaires,
14:03
or more of the different shows
from similar users,
from similar users,
287
831350
3888
14:07
we'll just offer more of the same show.
288
835262
2554
ils ont simplement offert
plus de la même émission.
plus de la même émission.
« Nous vous rendons
le Binge-watching plus facile! »
le Binge-watching plus facile! »
14:09
We'll make it easier
for you to binge-watch.
for you to binge-watch.
289
837840
2105
14:11
And they didn't stop there.
290
839969
1486
Ils ne se sont pas arrêtés là
mais ont fait toutes sortes de choses
mais ont fait toutes sortes de choses
14:13
They did all these things
291
841479
1474
14:14
to redesign their entire
viewer experience,
viewer experience,
292
842977
2959
pour changer l’entière
expérience de leur spectateur
expérience de leur spectateur
pour l'encourager au binge-watching.
14:17
to really encourage binge-watching.
293
845960
1758
14:20
It's why people and friends disappear
for whole weekends at a time,
for whole weekends at a time,
294
848230
3241
Voilà pourquoi les gens et les amis
disparaissent des weekends entiers
disparaissent des weekends entiers
14:23
catching up on shows
like "Master of None."
like "Master of None."
295
851495
2343
pour regarder
les « Master of None » manqués.
les « Master of None » manqués.
14:25
By integrating big data and thick data,
they not only improved their business,
they not only improved their business,
296
853862
4173
En fusionnant big data et données denses,
ils ont amélioré leurs services
ils ont amélioré leurs services
14:30
but they transformed how we consume media.
297
858059
2812
et transformé la façon
dont nous consommons les médias.
dont nous consommons les médias.
14:32
And now their stocks are projected
to double in the next few years.
to double in the next few years.
298
860895
4552
Maintenant, il est prévu que leurs stocks
doublent dans les prochaines années.
doublent dans les prochaines années.
14:38
But this isn't just about
watching more videos
watching more videos
299
866280
3830
Mais il ne s'agit pas
de regarder plus de vidéos,
de regarder plus de vidéos,
14:42
or selling more smartphones.
300
870134
1620
ou de vendre plus de smartphones.
14:44
For some, integrating thick data
insights into the algorithm
insights into the algorithm
301
872143
4050
Pour certains, incorporer le résultat
des données denses dans cet algorithme
des données denses dans cet algorithme
14:48
could mean life or death,
302
876217
2263
peut être une question de vie ou de mort,
14:50
especially for the marginalized.
303
878504
2146
en particulier pour les marginalisés.
14:53
All around the country,
police departments are using big data
police departments are using big data
304
881738
3434
Les services de Police,
dans tout le pays,
dans tout le pays,
utilisent le big data
dans la prévision policière,
dans la prévision policière,
14:57
for predictive policing,
305
885196
1963
14:59
to set bond amounts
and sentencing recommendations
and sentencing recommendations
306
887183
3084
afin de définir les cautions
et recommandations de sentences
et recommandations de sentences
15:02
in ways that reinforce existing biases.
307
890291
3147
d'une manière qui renforce
les préjugés existants.
les préjugés existants.
15:06
NSA's Skynet machine learning algorithm
308
894296
2423
Skynet, l'algorithme d'apprentissage
machine de la NASA
machine de la NASA
15:08
has possibly aided in the deaths
of thousands of civilians in Pakistan
of thousands of civilians in Pakistan
309
896743
5444
a probablement aidé à tuer
des milliers de civils au Pakistan
des milliers de civils au Pakistan
15:14
from misreading cellular device metadata.
310
902211
2721
en mal interprétant les métadonnées
des appareils cellulaires.
des appareils cellulaires.
15:19
As all of our lives become more automated,
311
907131
3403
Quand nos vies deviennent
de plus en plus automatisées,
de plus en plus automatisées,
15:22
from automobiles to health insurance
or to employment,
or to employment,
312
910558
3080
des automobiles aux assurances
maladie et à l'emploi,
maladie et à l'emploi,
15:25
it is likely that all of us
313
913662
2350
il est probable que nous tous
15:28
will be impacted
by the quantification bias.
by the quantification bias.
314
916036
2989
allons être affectés
par les erreurs de quantification.
par les erreurs de quantification.
Mais la bonne nouvelle, c'est que
nous avons fait des progrès
nous avons fait des progrès
15:32
Now, the good news
is that we've come a long way
is that we've come a long way
315
920972
2621
15:35
from huffing ethylene gas
to make predictions.
to make predictions.
316
923617
2450
depuis les émanations d'éthylène
de la prophétie.
de la prophétie.
15:38
We have better tools,
so let's just use them better.
so let's just use them better.
317
926091
3070
Nous avons de meilleurs outils,
donc utilisons-les au mieux.
donc utilisons-les au mieux.
15:41
Let's integrate the big data
with the thick data.
with the thick data.
318
929185
2323
Intégrons big data aux données denses.
15:43
Let's bring our temple guides
with the oracles,
with the oracles,
319
931532
2261
Amenons nos guides du temple
avec les oracles.
avec les oracles.
15:45
and whether this work happens
in companies or nonprofits
in companies or nonprofits
320
933817
3376
Et que ce soit dans les entreprises,
les sociétés à but non lucratif,
les sociétés à but non lucratif,
15:49
or government or even in the software,
321
937217
2469
les gouvernements
ou même les logiciels,
ou même les logiciels,
15:51
all of it matters,
322
939710
1792
tout ce travail compte,
15:53
because that means
we're collectively committed
we're collectively committed
323
941526
3023
car il implique que tous ensemble,
nous nous engageons
nous nous engageons
15:56
to making better data,
324
944573
2191
à créer des données meilleures,
15:58
better algorithms, better outputs
325
946788
1836
de meilleurs algorithmes, résultats,
et de meilleures décisions.
et de meilleures décisions.
16:00
and better decisions.
326
948648
1643
16:02
This is how we'll avoid
missing that something.
missing that something.
327
950315
3558
C'est de cette façon que nous éviterons
de manquer le coche.
de manquer le coche.
16:07
(Applause)
328
955222
3948
(Applaudissements)
ABOUT THE SPEAKER
Tricia Wang - Technology ethnographerWith astronaut eyes and ethnographer curiosity, Tricia Wang helps corporations grow by discovering the unknown about their customers.
Why you should listen
For Tricia Wang, human behavior generates some of the most perplexing questions of our times. She has taught global organizations how to identify new customers and markets hidden behind their data, amplified IDEO's design thinking practice as an expert-in-residence, researched the social evolution of the Chinese internet, and written about the "elastic self," an emergent form of interaction in a virtual world. Wang is the co-founder of Sudden Compass, a consulting firm that helps companies unlock new growth opportunities by putting customer obsession into practice.
Wang's work has been featured in The Atlantic, Al Jazeera, and The Guardian. Fast Company spotlighted her work in China: "What Twitter Can Learn From Weibo: Field Notes From Global Tech Ethnographer Tricia Wang." In her latest op-ed on Slate, she discusses how attempts to stop terrorists on social media can harm our privacy and anonymity. Her Medium post, "Why Big Data Needs Thick Data," is a frequently cited industry piece on the importance of an integrated data approach. One of her favorite essays documents her day in the life of working as a street vendor in China.
Known for her lively presentations that are grounded in her research and observations about human behavior and data, Wang has spoken at organizations such as Proctor & Gamble, Nike, Wrigley, 21st Century Fox and Tumblr. Her most recent talk at Enterprise UX delved into why corporate innovation usually doesn’t work and what to do about it. She delivered the opening keynote at The Conference to a crowd of marketers and creatives, delving into the wild history of linear perspective and its influence on how we think and form organizations.
Wang holds affiliate positions at Data & Society, Harvard University's Berkman Klein Center for Internet Studies and New York University's Interactive Telecommunication Program. She oversees Ethnography Matters, a site that publishes articles about applied ethnography and technology. She co-started a Slack community for anyone who uses ethnographic methods in industry.
Wang began her career as a documentary filmmaker at NASA, an HIV/AIDS activist, and an educator specializing in culturally responsive pedagogy. She is also proud to have co-founded the first national hip-hop education initiative, which turned into the Hip Hop Education Center at New York University, and to have built after-school technology and arts programs for low-income youth at New York City public schools and the Queens Museum of Arts. Her life philosophy is that you have to go to the edge to discover what’s really happening. She's the proud companion of her internet famous dog, #ellethedog.
Tricia Wang | Speaker | TED.com