In ancient Greece, when anyone from slaves to soldiers, poets and politicians, needed to make a big decision on life's most important questions, like, "Should I get married?" or "Should we embark on this voyage?" or "Should our army advance into this territory?" they all consulted the oracle.
Dans la Grèce antique, quand un esclave, un soldat, un poète ou un politicien avait besoin de répondre aux questions importantes de leur vie telles que : « Devrais-je me marier ? Entreprendre ce voyage ? » ou « Est-ce que notre armée devrait avancer sur ce territoire ? », tous consultaient l'oracle.
So this is how it worked: you would bring her a question and you would get on your knees, and then she would go into this trance. It would take a couple of days, and then eventually she would come out of it, giving you her predictions as your answer.
Voici comment ça fonctionnait. Vous lui posiez une question en vous mettant à genoux. Ensuite, elle entrait en une transe qui pouvait prendre un ou deux jours. Puis, finalement, elle en sortait pour vous donner ses prédictions comme réponse.
From the oracle bones of ancient China to ancient Greece to Mayan calendars, people have craved for prophecy in order to find out what's going to happen next. And that's because we all want to make the right decision. We don't want to miss something. The future is scary, so it's much nicer knowing that we can make a decision with some assurance of the outcome.
Depuis les os divinatoires de la Chine ancienne à la Grèce antique et les calendriers mayas, les gens ont cherché avec passion dans les prédictions le moyen de savoir ce qui allait se passer dans le futur. Et c'est parce que nous voulons tous prendre la bonne décision. Nous ne voulons pas manquer le coche. Le futur est effrayant mais devient plus engageant quand nous savons que nous pouvons prendre une décision avec une garantie du résultat.
Well, we have a new oracle, and it's name is big data, or we call it "Watson" or "deep learning" or "neural net." And these are the kinds of questions we ask of our oracle now, like, "What's the most efficient way to ship these phones from China to Sweden?" Or, "What are the odds of my child being born with a genetic disorder?" Or, "What are the sales volume we can predict for this product?"
Hé bien, nous avons un nouvel oracle, et son nom, c'est « Big Data », ou « Watson », « apprentissage profond » « réseau de neurones artificiel »... Voici le genre de questions posées aujourd'hui à notre oracle : « Quel est le moyen le plus efficace d'expédier ces téléphones de la Chine à la Suède ? », ou « Quels sont les risques que mon enfant naisse avec une maladie génétique ? » ou « Quel volume de ventes pouvons-nous prévoir pour ce produit ? »
I have a dog. Her name is Elle, and she hates the rain. And I have tried everything to untrain her. But because I have failed at this, I also have to consult an oracle, called Dark Sky, every time before we go on a walk, for very accurate weather predictions in the next 10 minutes. She's so sweet. So because of all of this, our oracle is a $122 billion industry.
J'ai un chien. Son nom est Elle et elle déteste la pluie. J'ai tout essayé pour tenter de changer son attitude. Mais vu que j'ai échoué, je suis obligée de consulter, moi aussi, un oracle appelé Dark Sky, chaque fois que nous allons sortir pour la promenade, pour les prévisions météo précises des prochaines dix minutes. Elle est si mignonne. À cause de tout cela, notre oracle est une industrie de 122 milliards de dollars.
Now, despite the size of this industry, the returns are surprisingly low. Investing in big data is easy, but using it is hard. Over 73 percent of big data projects aren't even profitable, and I have executives coming up to me saying, "We're experiencing the same thing. We invested in some big data system, and our employees aren't making better decisions. And they're certainly not coming up with more breakthrough ideas."
Mais malgré la taille de cette industrie, les retours sont étonnamment faibles. Il est facile d'investir dans big data, mais l'utiliser est difficile. Plus de 73 % des projets de big data ne sont pas rentables, et certains dirigeants viennent me voir en disant : « Il nous est arrivé la même chose. Nous avons investi dans le big data, mais nos employés ne prennent pas de meilleures décisions, et ils ne vont certainement pas trouver plus d'idées révolutionnaires. »
So this is all really interesting to me, because I'm a technology ethnographer. I study and I advise companies on the patterns of how people use technology, and one of my interest areas is data. So why is having more data not helping us make better decisions, especially for companies who have all these resources to invest in these big data systems? Why isn't it getting any easier for them?
Pour moi, tout ceci est vraiment intéressant parce que je suis un ethnographe de la technologie. J'étudie et je conseille les entreprises sur les modèles d'utilisation de la technologie, et un de mes centres d'intérêt est la data. Pourquoi plus de données ne nous aide pas à prendre de meilleures décisions, en particulier pour les sociétés qui ont les ressources pour investir dans ces systèmes de big data ? Pourquoi cela n'est-il pas plus facile pour eux?
So, I've witnessed the struggle firsthand. In 2009, I started a research position with Nokia. And at the time, Nokia was one of the largest cell phone companies in the world, dominating emerging markets like China, Mexico and India -- all places where I had done a lot of research on how low-income people use technology. And I spent a lot of extra time in China getting to know the informal economy. So I did things like working as a street vendor selling dumplings to construction workers. Or I did fieldwork, spending nights and days in internet cafés, hanging out with Chinese youth, so I could understand how they were using games and mobile phones and using it between moving from the rural areas to the cities.
J'a moi-même fait l'expérience de ce problème. En 2009, j'ai commencé un travail de recherche à Nokia. À cette époque, Nokia était une des plus grandes compagnies de téléphones mobiles dans le monde, dominant les marchés naissants en Chine, au Mexique et en Inde, pays dans lesquels j'avais déjà fait des recherches sur la façon dont les gens à faible revenu utilisent la technologie. J'ai passé beaucoup de temps libre en Chine, ce qui m'a permis de découvrir l'économie parallèle. J'ai, par exemple, travaillé comme vendeuse de rue en vendant des raviolis chinois aux ouvriers du bâtiment. J'ai travaillé sur le terrain, passant des jours et des nuits dans les cybercafés, fréquentant la jeunesse chinoise pour comprendre la façon dont ils utilisent les jeux et les portables y compris dans leurs déplacements de la campagne à la ville.
Through all of this qualitative evidence that I was gathering, I was starting to see so clearly that a big change was about to happen among low-income Chinese people. Even though they were surrounded by advertisements for luxury products like fancy toilets -- who wouldn't want one? -- and apartments and cars, through my conversations with them, I found out that the ads the actually enticed them the most were the ones for iPhones, promising them this entry into this high-tech life. And even when I was living with them in urban slums like this one, I saw people investing over half of their monthly income into buying a phone, and increasingly, they were "shanzhai," which are affordable knock-offs of iPhones and other brands. They're very usable. Does the job.
En compilant toutes ces expériences qualitatives, j'ai commencé à voir très clairement qu'un très grand changement allait se produire parmi les chinois à faible revenu. Bien que cernés par les publicités pour des produits de luxe tels que les toilettes chics - qui n'en voudrait pas ? - pour des appartements et des voitures, à travers mes conversations avec eux, j'ai découvert que les pubs qui les affectaient le plus étaient celles concernant les IPhones qui leur promettaient l'accès à une vie à la pointe de la technologie. Quand j'ai vécu avec eux dans des bidonvilles urbains comme celui-ci, j'ai vu des gens investir presque la moitié de leur revenu dans l'achat d'un téléphone, lequel devenait de plus en plus « shanzhaï », une imitation bon marché d'iPhone et autres marques. Ils sont tout à fait utilisables. Ils font l'affaire.
And after years of living with migrants and working with them and just really doing everything that they were doing, I started piecing all these data points together -- from the things that seem random, like me selling dumplings, to the things that were more obvious, like tracking how much they were spending on their cell phone bills. And I was able to create this much more holistic picture of what was happening. And that's when I started to realize that even the poorest in China would want a smartphone, and that they would do almost anything to get their hands on one.
Après des années à vivre et travailler avec les ambulants, à travailler et faire tout ce qu'ils faisaient, j'ai commencé à joindre toutes ces données ensemble - des choses à priori insignifiantes comme la vente de raviolis chinois aux choses plus consistantes comme le montant de leurs factures de téléphone. J'ai été capable de créer une image plus globale de ce qui se passait. Alors, je me suis rendue compte que même le plus pauvre, en Chine, souhaiterait avoir un smartphone et qu'il serait prêt à tout faire pour en avoir un.
You have to keep in mind, iPhones had just come out, it was 2009, so this was, like, eight years ago, and Androids had just started looking like iPhones. And a lot of very smart and realistic people said, "Those smartphones -- that's just a fad. Who wants to carry around these heavy things where batteries drain quickly and they break every time you drop them?" But I had a lot of data, and I was very confident about my insights, so I was very excited to share them with Nokia.
Rappelez-vous que les iPhone venaient juste de sortir. C'était en 2009, il y a huit ans, et les Androïde ressemblaient à peine aux iPhone. Beaucoup de gens intelligents et réalistes ont dit : « Ces smartphones sont juste une mode. Qui veut porter ces trucs lourds dont les batteries sont faciles à épuiser et qui se cassent en tombant ? » Mais j'avais beaucoup de données et confiance en mes intuitions. J'étais donc très impatiente de les partager avec Nokia.
But Nokia was not convinced, because it wasn't big data. They said, "We have millions of data points, and we don't see any indicators of anyone wanting to buy a smartphone, and your data set of 100, as diverse as it is, is too weak for us to even take seriously." And I said, "Nokia, you're right. Of course you wouldn't see this, because you're sending out surveys assuming that people don't know what a smartphone is, so of course you're not going to get any data back about people wanting to buy a smartphone in two years. Your surveys, your methods have been designed to optimize an existing business model, and I'm looking at these emergent human dynamics that haven't happened yet. We're looking outside of market dynamics so that we can get ahead of it." Well, you know what happened to Nokia? Their business fell off a cliff. This -- this is the cost of missing something. It was unfathomable.
Mais Nokia n'a pas été convaincu parce que ce n'était pas du big data. Ils ont dit : « Nous avons des millions de points de données et rien n'indique que quelqu'un veut acheter un smartphone. Vos données basées sur 100, bien que larges, sont trop faibles pour que nous les prenions réellement au sérieux. » J'ai dit : « Vous avez raison. Vous n'êtes pas capable de le voir car vos enquêtes assument que les gens ne connaissent pas les smartphones. Vous ne pouvez donc pas obtenir les données concernant le désir des gens d'acheter un smartphone dans deux ans. Vos méthodes ont été conçues pour optimiser un modèle commercial existant. Pour ma part, j’observe les nouvelles dynamiques humaines qui ne sont pas encore apparues. Nous explorons en dehors de la dynamique des marchés afin de la prédire. » Savez-vous ce qui est arrivé à Nokia ? Leur compagnie a subit un revers. Ceci est le prix à payer pour avoir raté le coche. C'était inconcevable!
But Nokia's not alone. I see organizations throwing out data all the time because it didn't come from a quant model or it doesn't fit in one. But it's not big data's fault. It's the way we use big data; it's our responsibility. Big data's reputation for success comes from quantifying very specific environments, like electricity power grids or delivery logistics or genetic code, when we're quantifying in systems that are more or less contained.
Mais Nokia n’est pas la seule. Je vois sans arrêt des organisations rejeter des données quand elles ne viennent pas d'une analyse quantitative ou ne s'accordent pas avec une. Ce n'est pas la faute du big data. C'est la façon dont nous utilisons big data ; c'est notre responsabilité. La réputation de succès de big data vient de la quantification d'environnements bien spécifiques tels que les réseaux de distribution d’électricité, la logistique de livraison ou le code génétique, où nous quantifions en systèmes plus ou moins indépendants.
But not all systems are as neatly contained. When you're quantifying and systems are more dynamic, especially systems that involve human beings, forces are complex and unpredictable, and these are things that we don't know how to model so well. Once you predict something about human behavior, new factors emerge, because conditions are constantly changing. That's why it's a never-ending cycle. You think you know something, and then something unknown enters the picture. And that's why just relying on big data alone increases the chance that we'll miss something, while giving us this illusion that we already know everything.
Mais tous les systèmes ne sont pas aussi indépendants. Lorsque les systèmes sont plus dynamiques, en particulier ceux impliquant des êtres humains, les forces sont complexes et imprévisibles, et nous ne savons pas bien les modéliser. Quand vous prédisez un comportement humain, de nouveaux facteurs entrent en jeu car les conditions changent constamment. Donc, ce cycle est infini. Quand vous pensez savoir, quelque chose d'inconnu apparaît. C'est pourquoi compter uniquement sur big data augmente nos risques de rater le coche tout en nous donnant l'illusion que nous savons déjà tout.
And what makes it really hard to see this paradox and even wrap our brains around it is that we have this thing that I call the quantification bias, which is the unconscious belief of valuing the measurable over the immeasurable. And we often experience this at our work. Maybe we work alongside colleagues who are like this, or even our whole entire company may be like this, where people become so fixated on that number, that they can't see anything outside of it, even when you present them evidence right in front of their face. And this is a very appealing message, because there's nothing wrong with quantifying; it's actually very satisfying. I get a great sense of comfort from looking at an Excel spreadsheet, even very simple ones.
Ce qui rend ce paradoxe si difficile à voir ou même à l'appréhender avec notre intellect, c'est ce que j'appelle « le préjugé de la quantification », l'habitude inconsciente de privilégier le mesurable sur le non-mesurable - nous en faisons souvent l'expérience au travail ; certains de nos collèges peuvent être comme ça voir notre compagnie toute entière - où les gens deviennent si focalisés sur ce chiffre qu'ils ne peuvent rien voir en dehors, même si vous leur présentez les preuves sous les yeux. C'est un message intéressant parce qu'il n'y a rien de mal à quantifier. En fait, c'est très gratifiant. Regarder une feuille de calcul Excel me réconforte beaucoup, même les plus simples.
(Laughter)
(Rires)
It's just kind of like, "Yes! The formula worked. It's all OK. Everything is under control."
C'est un peu comme si oui, la formule marche, tout va bien, la situation est sous contrôle.
But the problem is that quantifying is addictive. And when we forget that and when we don't have something to kind of keep that in check, it's very easy to just throw out data because it can't be expressed as a numerical value. It's very easy just to slip into silver-bullet thinking, as if some simple solution existed. Because this is a great moment of danger for any organization, because oftentimes, the future we need to predict -- it isn't in that haystack, but it's that tornado that's bearing down on us outside of the barn. There is no greater risk than being blind to the unknown. It can cause you to make the wrong decisions. It can cause you to miss something big.
Mais le problème, c'est que quantifier devient une addiction, et quand nous oublions cela et n'avons rien pour nous le rappeler, il est facile de rejeter les données qui ne peuvent être exprimées en valeurs numériques ; il est facile de déraper vers le raisonnement miracle comme s'il existait une solution simple. C'est un dangereux moment pour toute organisation car souvent, le futur que nous avons besoin de prédire n'est pas dans cette botte de foin, là, mais plutôt dans cette tornade qui se dirige sur nous, en dehors de la grange. Il n'y a pas de plus grand danger que d'être incapable de voir l'inconnu. Cela vous conduit à prendre de mauvaises décisions et à manquer quelque chose d'important.
But we don't have to go down this path. It turns out that the oracle of ancient Greece holds the secret key that shows us the path forward. Now, recent geological research has shown that the Temple of Apollo, where the most famous oracle sat, was actually built over two earthquake faults. And these faults would release these petrochemical fumes from underneath the Earth's crust, and the oracle literally sat right above these faults, inhaling enormous amounts of ethylene gas, these fissures.
Néanmoins cette voie n'est pas une fatalité. Il s'avère que l'oracle de la Grèce antique contient la clé secrète qui montre la voie à suivre. Des recherches géologiques récentes ont montré que le Temple d'Apollon dans lequel était situé le fameux oracle a été construit entre deux failles sismiques. Ces failles libéraient des vapeurs pétrochimiques du dessous de l'écorce terrestre, et l'oracle était littéralement assise au-dessus de ces deux failles et inhalait des quantités énormes d'éthylène...
(Laughter)
(Rires)
It's true.
C'est vrai !
(Laughter) It's all true, and that's what made her babble and hallucinate and go into this trance-like state. She was high as a kite!
(Rires) C'est vrai et c'est ce qui lui permettait de pérorer et halluciner et d'entrer dans un état similaire à la transe. Elle planait complètement !
(Laughter)
(Rires)
So how did anyone -- How did anyone get any useful advice out of her in this state? Well, you see those people surrounding the oracle? You see those people holding her up, because she's, like, a little woozy? And you see that guy on your left-hand side holding the orange notebook? Well, those were the temple guides, and they worked hand in hand with the oracle. When inquisitors would come and get on their knees, that's when the temple guides would get to work, because after they asked her questions, they would observe their emotional state, and then they would ask them follow-up questions, like, "Why do you want to know this prophecy? Who are you? What are you going to do with this information?" And then the temple guides would take this more ethnographic, this more qualitative information, and interpret the oracle's babblings. So the oracle didn't stand alone, and neither should our big data systems.
Donc, comment se fait-il que les gens obtenaient des conseils utiles dans son état ? Eh bien, voyez-vous ces gens autour de l'oracle ? Ils la soutiennent car elle est un peu dans les vapes. Remarquez cet homme sur la gauche qui tient le carnet orange. Ce sont les guides du temple qui travaillent main dans la main avec l'oracle. Quand les questionneurs venaient et s'agenouillaient, les guides du temple se mettaient au travail, car une fois les questions posées, ils observaient les états émotionnels et demandaient des infos complémentaires : « Pourquoi voulez-vous cette prédiction ? Qui êtes-vous ? Qu'allez-vous faire de cette information ? » Ensuite, les guides du temple, avec cette information plus ethnographique et qualitative, interprétaient les paroles de l'oracle. Donc, l'oracle n'était pas seule, de même, nos systèmes de big data ne devraient pas l'être.
Now to be clear, I'm not saying that big data systems are huffing ethylene gas, or that they're even giving invalid predictions. The total opposite. But what I am saying is that in the same way that the oracle needed her temple guides, our big data systems need them, too. They need people like ethnographers and user researchers who can gather what I call thick data. This is precious data from humans, like stories, emotions and interactions that cannot be quantified. It's the kind of data that I collected for Nokia that comes in in the form of a very small sample size, but delivers incredible depth of meaning.
Pour clarifier, je ne dis pas que les systèmes de big data exhalent de l'éthylène ou qu'ils font des prévisions caduques. Exactement le contraire, ce que je veux dire c'est que tout comme l'oracle avait besoin des guides du temple, nos systèmes de big data ont aussi besoin d'eux. Ils ont besoin des ethnographes et des chercheurs sur les utilisateurs pour rassembler ce que j'appelle « les données denses ». Ce sont des données précieuses fournies par les hommes, les histoires, émotions et interactions non quantifiables. C'est le genre de données que j'ai recueillies pour Nokia sous la forme d'un échantillon très petit mais incroyablement profond quant au sens.
And what makes it so thick and meaty is the experience of understanding the human narrative. And that's what helps to see what's missing in our models. Thick data grounds our business questions in human questions, and that's why integrating big and thick data forms a more complete picture. Big data is able to offer insights at scale and leverage the best of machine intelligence, whereas thick data can help us rescue the context loss that comes from making big data usable, and leverage the best of human intelligence. And when you actually integrate the two, that's when things get really fun, because then you're no longer just working with data you've already collected. You get to also work with data that hasn't been collected. You get to ask questions about why: Why is this happening?
Ce qui le rend si dense et consistant, c'est l'expérience et la compréhension du récit humain. C'est ce qui aide à percevoir ce qui manque dans nos modèles. Les données denses ancrent les questions commerciales dans les questions humaines. C'est pourquoi fusionner big data et données denses permet d'obtenir une image plus complète. Le big data peut offrir des aperçus à échelle et tirer le meilleur profit de l'intelligence artificielle, tandis que les données denses aident à minimiser la perte de contexte générée en rendant big data utilisable, et à tirer le meilleur de l'intelligence humaine. En fait, quand vous intégrez les deux, ça devient vraiment intéressant, car vous ne travaillez plus uniquement avec les données recueillies, vous travaillez avec des données non recueillies. Vous commencez à demander « pourquoi? » : Pourquoi cela se passe-t-il ?
Now, when Netflix did this, they unlocked a whole new way to transform their business. Netflix is known for their really great recommendation algorithm, and they had this $1 million prize for anyone who could improve it. And there were winners. But Netflix discovered the improvements were only incremental. So to really find out what was going on, they hired an ethnographer, Grant McCracken, to gather thick data insights. And what he discovered was something that they hadn't seen initially in the quantitative data. He discovered that people loved to binge-watch. In fact, people didn't even feel guilty about it. They enjoyed it.
Quand Netflix a fait ça, ils ont ouvert une nouvelle voie de transformation pour leur entreprise. Netflix est connue pour ses algorithmes de recommandation. Ils ont offert un million de dollars à quiconque pouvait les améliorer et il y a eu des gagnants. Mais Netflix a découvert que ces améliorations étaient seulement incrémentielles. Pour comprendre la situation, ils ont embauché un ethnographe, Grant McCracken, afin d'obtenir des données denses, et il a trouvé une chose qu'ils n'avaient pas vue à l'origine dans les données quantitatives. Il a découvert que les gens aimaient le « binge-watching ». En fait, ils ne s'en culpabilisaient pas mais en jouissaient.
(Laughter)
Netflix a réalisé : « Oh, c'est une nouvelle donnée ».
So Netflix was like, "Oh. This is a new insight." So they went to their data science team, and they were able to scale this big data insight in with their quantitative data. And once they verified it and validated it, Netflix decided to do something very simple but impactful. They said, instead of offering the same show from different genres or more of the different shows from similar users, we'll just offer more of the same show. We'll make it easier for you to binge-watch. And they didn't stop there. They did all these things to redesign their entire viewer experience, to really encourage binge-watching. It's why people and friends disappear for whole weekends at a time, catching up on shows like "Master of None." By integrating big data and thick data, they not only improved their business, but they transformed how we consume media. And now their stocks are projected to double in the next few years.
Ils se sont tournés vers leur équipe de science des données qui a su comparer cette donnée avec leurs données quantitatives. Après l'avoir vérifiée et validée, Netflix a décidé d'agir de façon simple mais efficace. Au lieu d'offrir une même émission dans différents genres ou plus d'émissions différentes d'utilisateurs similaires, ils ont simplement offert plus de la même émission. « Nous vous rendons le Binge-watching plus facile! » Ils ne se sont pas arrêtés là mais ont fait toutes sortes de choses pour changer l’entière expérience de leur spectateur pour l'encourager au binge-watching. Voilà pourquoi les gens et les amis disparaissent des weekends entiers pour regarder les « Master of None » manqués. En fusionnant big data et données denses, ils ont amélioré leurs services et transformé la façon dont nous consommons les médias. Maintenant, il est prévu que leurs stocks doublent dans les prochaines années.
But this isn't just about watching more videos or selling more smartphones. For some, integrating thick data insights into the algorithm could mean life or death, especially for the marginalized. All around the country, police departments are using big data for predictive policing, to set bond amounts and sentencing recommendations in ways that reinforce existing biases. NSA's Skynet machine learning algorithm has possibly aided in the deaths of thousands of civilians in Pakistan from misreading cellular device metadata. As all of our lives become more automated, from automobiles to health insurance or to employment, it is likely that all of us will be impacted by the quantification bias.
Mais il ne s'agit pas de regarder plus de vidéos, ou de vendre plus de smartphones. Pour certains, incorporer le résultat des données denses dans cet algorithme peut être une question de vie ou de mort, en particulier pour les marginalisés. Les services de Police, dans tout le pays, utilisent le big data dans la prévision policière, afin de définir les cautions et recommandations de sentences d'une manière qui renforce les préjugés existants. Skynet, l'algorithme d'apprentissage machine de la NASA a probablement aidé à tuer des milliers de civils au Pakistan en mal interprétant les métadonnées des appareils cellulaires. Quand nos vies deviennent de plus en plus automatisées, des automobiles aux assurances maladie et à l'emploi, il est probable que nous tous allons être affectés par les erreurs de quantification.
Now, the good news is that we've come a long way from huffing ethylene gas to make predictions. We have better tools, so let's just use them better. Let's integrate the big data with the thick data. Let's bring our temple guides with the oracles, and whether this work happens in companies or nonprofits or government or even in the software, all of it matters, because that means we're collectively committed to making better data, better algorithms, better outputs and better decisions. This is how we'll avoid missing that something.
Mais la bonne nouvelle, c'est que nous avons fait des progrès depuis les émanations d'éthylène de la prophétie. Nous avons de meilleurs outils, donc utilisons-les au mieux. Intégrons big data aux données denses. Amenons nos guides du temple avec les oracles. Et que ce soit dans les entreprises, les sociétés à but non lucratif, les gouvernements ou même les logiciels, tout ce travail compte, car il implique que tous ensemble, nous nous engageons à créer des données meilleures, de meilleurs algorithmes, résultats, et de meilleures décisions. C'est de cette façon que nous éviterons de manquer le coche.
(Applause)
(Applaudissements)