15 erreurs liées aux données à éviter

Pièges et écueils à éviter lors des analyses avec la Business Intelligence

Erreurs de données et comment les éviter

1. Sélection des cerises :

Le « cherry picking », également appelé « sélection sélective », est un piège courant en matière de données qui consiste à ne retenir que certains points de données ou certaines informations afin d’étayer une thèse, tout en ignorant délibérément d’autres données pertinentes. Cette approche trompeuse peut fausser complètement les résultats d’une analyse de données, car elle déforme la vision d’ensemble des données. Ainsi, le cherry picking peut par exemple conduire à présenter une situation comme nettement meilleure ou pire qu’elle ne l’est en réalité. Imaginez, par exemple, que votre service marketing souhaite analyser l’efficacité d’un produit. Si, pour ce faire, on ne prend en compte que les avis clients positifs ou les exemples de réussite, vous pouvez partir du principe que l’analyse donnera une image faussée de la réalité. Dans ce cas précis, l’analyse présentera une image très positive de l’efficacité du produit. Or, s’il existe en réalité de nombreux avis négatifs ou des critiques qui ne sont pas pris en compte dans l’analyse, il se pourrait que votre produit ne soit en réalité pas particulièrement efficace. Afin de pouvoir optimiser ou perfectionner votre produit, vous devez donc impérativement inclure ces avis négatifs dans votre analyse.

Solution : pour éviter le « cherry picking », il est essentiel de procéder à une analyse systématique et transparente des données. Il convient donc de recueillir toutes les données disponibles, d’appliquer des méthodes statistiques objectives et de publier l’ensemble des données. Veillez tout particulièrement à inclure également les données qui ne corroborent pas l’hypothèse que vous souhaitez étayer. Les évaluations par les pairs et les vérifications externes menées par des experts indépendants peuvent également contribuer à détecter et à corriger ce type de biais. En présentant les données de manière honnête et exhaustive, vous vous assurez que les analyses reposent sur des bases solides et ne sont pas influencées par le « cherry picking ».

2. Biais de survie :

Le biais de survie, également appelé « survivorship bias », est un biais qui survient lorsque seule l’analyse des cas couronnés de succès ou ayant survécu est prise en compte, tandis que les cas ayant échoué ou n’ayant pas survécu sont omis. Cela conduit à une représentation irréaliste des chances de réussite, car des données importantes concernant les échecs ou les revers font défaut. Cette erreur d’analyse peut ainsi mener à des conclusions erronées, car les données non prises en compte peuvent constituer une partie importante du tableau d’ensemble. Le biais de survie se retrouve par exemple souvent dans les études portant sur des entreprises prospères ou des personnalités célèbres. Ainsi, on examine souvent les parcours d’entreprises ou de personnes ayant réussi, tandis que les entreprises ayant échoué ou les personnes inconnues ne sont pas prises en compte. Cela conduit à une évaluation biaisée des facteurs de réussite. Un cas particulièrement souvent cité de biais de survie est l’étude des avions pendant la Seconde Guerre mondiale. Afin de déterminer où le blindage devait être renforcé, on a d’abord examiné les avions de retour présentant des impacts de balles. Sur cette base, les parties présentant le plus grand nombre d’impacts devaient être renforcées. Ce qui semblait logique à première vue comportait toutefois une erreur cruciale : tous les appareils qui s’étaient écrasés à la suite d’un impact ne figuraient pas dans les données examinées. On a ensuite découvert que les parties de l’avion qui présentaient le moins d’impacts lors de l’analyse devaient absolument être renforcées – c’est en effet à la suite d’un impact dans ces zones que la plupart des avions s’étaient écrasés.
Solution : utilisez une base de données exhaustive, comprenant à la fois tous les cas réussis et tous les cas ayant échoué, afin d’éviter ce phénomène. Comme dans l’exemple ci-dessus, il n’est pas toujours garanti que toutes les données soient disponibles ; vous devez donc examiner ces données d’un œil critique avant toute analyse afin d’éviter de tirer des conclusions erronées. Gardez donc toujours à l'esprit que des données peuvent manquer et recherchez spécifiquement ces cas afin de minimiser ou d'éviter toute distorsion due au biais de survie.

3. Effet cobra :

L'« effet cobra » désigne une situation dans laquelle une solution proposée à un problème entraîne des effets secondaires indésirables qui aggravent le problème initial ou en créent de nouveaux. Il s'agit donc d'une incitation contre-productive. Ce terme trouve son origine dans une anecdote datant de l'époque coloniale en Inde : à cette époque, de nombreuses personnes mouraient en Inde des suites de morsures de cobras. Afin de débarrasser la population de ces serpents, les autorités coloniales britanniques ont offert une récompense pour chaque cobra capturé. Malheureusement, ils n’avaient pas envisagé que cela pourrait constituer une fausse incitation. En réaction, les habitants ont en effet commencé à élever des cobras afin de les échanger contre la récompense. Une fois que le gouvernement eut mis fin à cette initiative, ces cobras élevés en captivité furent souvent relâchés dans la nature, ce qui entraîna une augmentation spectaculaire de la population de cobras, au lieu d’une diminution.
On observe souvent l'effet « Cobra » dans le domaine économique : lorsqu'un gouvernement tente, par exemple, de réduire l'inflation en diminuant considérablement la masse monétaire, cela peut entraîner une détérioration de la situation économique. En effet, la population dispose alors de moins d’argent à investir et à dépenser. Cela peut à son tour entraîner un ralentissement de l’activité économique.
Solution : Afin d’éviter l’effet cobra, il est essentiel d’examiner attentivement les répercussions à long terme de chaque solution proposée, afin de s’assurer que des effets secondaires indésirables soient évités. Le dialogue avec des experts et les parties prenantes peut aider à prendre en compte différents points de vue et à identifier des conséquences imprévues avant la mise en œuvre d’une solution. Il est également important d’assurer un suivi et une adaptation continus des mesures afin de garantir que l’effet cobra et d’autres conséquences indésirables similaires soient évités.

4. Fausse causalité :

La fausse causalité est une erreur qui survient lorsqu’on suppose qu’il existe une relation de cause à effet entre deux événements, alors que ceux-ci ne présentent qu’une corrélation fortuite ou que d’autres variables cachées expliquent cette relation. Un exemple classique est le lien entre l’augmentation des ventes de glaces et la hausse des accidents de piscine en été. Un premier coup d’œil à une telle analyse pourrait laisser supposer que les accidents de piscine sont dus à une consommation accrue de glaces. En réalité, ces deux phénomènes sont toutefois liés à la saison estivale.
Solution : Veillez à bien faire la distinction entre corrélation et causalité afin d’éviter cette erreur. Une corrélation mesure la relation statistique entre deux variables. En revanche, les liens de causalité fournissent des informations sur la cause et l’effet. Une corrélation peut donc indiquer l’existence d’un lien de causalité, mais ce n’est pas nécessairement le cas. Des méthodes statistiques telles que les expériences et les groupes témoins peuvent aider à identifier de véritables relations de cause à effet. Vous devez donc analyser toutes les données disponibles et examiner d’autres explications possibles pour les corrélations observées. De plus, une connaissance approfondie du domaine spécifique peut aider à mieux comprendre les liens pertinents et à éviter les hypothèses infondées. Une analyse critique consciente et une attitude ouverte vis-à-vis des différentes possibilités d’interprétation sont essentielles pour éviter les conclusions erronées concernant une causalité trompeuse.

5. Pêche aux données :

Le « data fishing », également appelé « P-hacking » ou « data grabbing », désigne la pratique consistant à passer au crible de grandes quantités de données à la recherche de résultats ou de tendances statistiquement significatifs, sans tester d’hypothèse spécifique. Cela peut conduire à des résultats trompeurs, car on s'attend à obtenir des résultats statistiquement significatifs si l'on effectue suffisamment de tests, même en l'absence d'effet réel. Les chercheurs pourraient, par exemple, tester des centaines de variables par rapport à une variable cible donnée, puis ne présenter que les résultats qui semblent statistiquement significatifs. Si, par exemple, lors d’un essai clinique, on teste l’effet de différents dosages d’un médicament sur une multitude de symptômes, les chercheurs devraient prendre en compte l’ensemble des résultats. Or, si, par le biais du « data fishing », on ne sélectionne que le dosage présentant un effet statistiquement significatif sur un symptôme, sans tenir compte des autres essais, cela peut conduire à une présentation biaisée des résultats.
Solution : pour éviter le « data fishing », il est important de formuler une hypothèse claire avant la collecte des données et de planifier à l’avance les méthodes d’analyse. Lorsque plusieurs tests sont effectués, il convient d’appliquer une correction, telle que le test de Bonferroni, afin de réduire le risque de résultats faussement positifs. La transparence et l’ouverture sont également essentielles. Vous devez donc documenter tous les tests effectués ainsi que leurs résultats, même s’ils ne sont pas significatifs. Cela permet une évaluation exhaustive et empêche la communication sélective de résultats qui pourraient être faussés par le « data fishing ».

6. Biais de confirmation :

Le biais de confirmation, également appelé « biais de confirmation », désigne la tendance à rechercher de manière préférentielle des informations ou des données qui confirment des convictions ou des hypothèses existantes, tandis que les informations contradictoires sont ignorées ou rejetées. Cela s’explique par le fait que les individus recherchent inconsciemment une confirmation de ce qu’ils croient déjà, plutôt que d’évaluer objectivement l’ensemble des informations disponibles. Cela peut conduire à une interprétation partiale des données. Un exemple concret serait celui d’un investisseur qui a tendance à ne prêter attention qu’aux actualités et aux analyses qui corroborent son opinion favorable sur une action, tout en ignorant les rapports négatifs ou les mises en garde concernant d’éventuels risques.
Solution : Pour éviter le biais de confirmation, il est important d'être conscient de cette tendance et de la combattre activement. Une première étape consiste à favoriser un esprit ouvert et critique. Dans le domaine scientifique, des méthodes telles que les études en double aveugle et les évaluations par les pairs contribuent à garantir des évaluations objectives. Au sein de votre entreprise, vous pouvez solliciter les avis et les retours de personnes ayant des points de vue et des expériences différents afin de remettre en question et d’élargir votre propre point de vue. Il est également utile de vérifier régulièrement si vous restez objectif dans l’évaluation des informations ou si vous recherchez inconsciemment des éléments venant confirmer votre opinion. Grâce à une réflexion consciente sur soi-même et à la prise en compte de différentes perspectives, il est possible de minimiser l’influence du biais de confirmation.

7. Régression vers la moyenne :

Le « retour à la moyenne » décrit le phénomène selon lequel des valeurs extrêmement élevées ou basses obtenues lors d’une mesure ont tendance à revenir à des valeurs moins extrêmes lorsque la mesure est répétée. Ce phénomène se produit indépendamment de toute intervention ou modification et repose sur des fluctuations aléatoires des données. Les résultats scolaires en sont un exemple. Ainsi, il est probable que des élèves ayant obtenu des résultats exceptionnels à un test n’obtiennent plus des résultats aussi remarquables lors d’une nouvelle session de ce test. Cela s’explique par des fluctuations normales, dues par exemple à la forme du jour des élèves.
Solution : Pour éviter le phénomène de régression vers la moyenne, il est important de comprendre que les valeurs extrêmes peuvent souvent apparaître de manière aléatoire et ne traduisent pas nécessairement une relation de cause à effet. Lors de l’évaluation des performances ou des résultats, il ne faut donc pas réagir de manière excessive aux valeurs extrêmes, car celles-ci ont tendance à revenir à des valeurs moins extrêmes lorsque la mesure est répétée. Il est conseillé d’utiliser des méthodes statistiques pour identifier le caractère aléatoire des valeurs extrêmes et de toujours tenir compte du contexte lors de l’interprétation des données. Des vérifications régulières et une analyse critique peuvent aider à tirer des conclusions fiables sans être influencé par des fluctuations aléatoires.

8. Effet d'ancrage :

L’heuristique d’ancrage, également appelée « biais d’ancrage » ou « effet d’ancrage », désigne la tendance à être fortement influencé par une valeur initiale ou une information au moment de prendre des décisions. Même si cet ancrage n’est pas pertinent ou repose sur une hypothèse erronée, les individus ont tendance à s’y référer fortement. Ainsi, par exemple, le premier prix mentionné lors d’une négociation de prix constitue un ancrage qui, comme il a été démontré, influence fortement le résultat de la négociation. Si, par exemple, un vendeur fixe un prix très élevé, les acheteurs auront tendance à orienter leurs propres offres davantage vers ce prix élevé.
Solution : Prenez conscience de la manière dont les « ancrages » peuvent influencer nos décisions. Pour ce faire, prenez activement vos distances par rapport à une valeur mentionnée en premier lieu et utilisez des critères d’évaluation objectifs. Il peut être utile d’envisager d’autres valeurs de référence fondées sur des données objectives et de s’en servir comme base pour vos décisions. Ainsi, lors de négociations, il peut s’avérer judicieux de se concentrer sur les faits pertinents et les prix de référence afin de se laisser moins influencer par un point de départ fixé de manière arbitraire. Une prise de décision consciente, fondée sur des données et des analyses solides, peut contribuer à minimiser les effets de l’heuristique d’ancrage. À l’inverse, cela s’applique également, par exemple, lorsque vous souhaitez collecter des données. Si, par exemple, vous concevez un sondage, vous devez être conscient que les personnes interrogées pourraient être influencées par l’effet d’ancrage, ce qui peut à son tour nuire à la pertinence du sondage. Dans de tels cas, choisissez donc très soigneusement les valeurs d’ancrage ou, si possible, renoncez-y.

9. Paradoxe de Simpson :

Le paradoxe de Simpson décrit un phénomène statistique trompeur dans lequel la tendance observée dans l'ensemble des données est opposée à celle observée dans les différents groupes. Cela signifie qu'une tendance qui apparaît dans une analyse globale peut s'inverser lorsque les données sont réparties en différents sous-groupes. Un exemple concret pourrait être une étude portant sur l'efficacité des traitements dans deux hôpitaux différents. Dans l’analyse globale, un hôpital pourrait présenter un taux de survie plus élevé. Cependant, si les données sont ventilées en fonction de la gravité de la maladie, il pourrait s’avérer que l’autre hôpital présente un meilleur taux de survie, tous niveaux de gravité confondus.
Solution : Afin d’éviter le paradoxe de Simpson, il est important, lors des analyses statistiques, d’accorder une attention particulière aux interactions possibles entre les variables. En cas de différences significatives dans l’ensemble des données, il est conseillé de vérifier plus précisément si ces différences sont cohérentes au sein des sous-groupes. Une analyse plus approfondie, prenant en compte différentes variables et examinant les interactions possibles entre elles, peut aider à identifier et à comprendre ce paradoxe. Lorsque les données sont très complexes, il est souvent conseillé de collaborer avec des statisticiens ou des analystes de données expérimentés afin de garantir une interprétation précise et fiable des résultats.

10. Erreur écologique :

L'erreur écologique désigne une conclusion erronée concernant des caractéristiques individuelles, tirée à partir de données agrégées portant sur des groupes. Ce biais survient lorsque des corrélations statistiques observées au niveau du groupe sont transposées aux individus sans tenir compte des différences individuelles. Prenons l’exemple d’une ville riche où le revenu moyen des habitants est très élevé : vous pourriez en conclure que tous les habitants de cette ville sont aisés. En réalité, il est toutefois plus probable que, même dans une telle ville, il existe des écarts de revenus considérables entre les habitants, de sorte que certains puissent être très riches tandis que d’autres seraient, au contraire, très pauvres.
Solution : Afin d’éviter cette erreur écologique, il est important, lors de l’interprétation des données, de faire la distinction entre les caractéristiques agrégées et les caractéristiques individuelles. Les analyses de données ne doivent donc pas être effectuées uniquement au niveau du groupe, mais également au niveau individuel, afin d’obtenir une vision plus précise des différences réelles. Gardez à l’esprit que les données agrégées ne peuvent pas nécessairement être transposées aux expériences ou aux caractéristiques individuelles ; soyez attentif au contexte des données et appuyez-vous sur des sources de données et des méthodes d’analyse appropriées afin de ne pas tirer de conclusions erronées.

11. Loi de Goodhart :

La loi de Goodhart, qui tire son nom de l’économiste britannique Charles Goodhart, stipule que toute relation statistique observée, dès lors qu’elle est érigée en règle, perd son pouvoir prédictif dès qu’elle est utilisée pour la prise de décision. En termes simples, cela signifie que lorsqu’un indicateur ou une mesure spécifique sert de base à des récompenses ou à des sanctions, les personnes ou les organisations développent des stratégies visant à optimiser cet indicateur. Cela entraîne souvent des effets secondaires indésirables. Par exemple, si une entreprise utilise les chiffres de vente d’un produit comme indicateur de performance pour ses commerciaux et comme base pour l’octroi d’une prime, ceux-ci pourraient être tentés de recourir à des stratégies de vente à court terme afin d’obtenir cette prime. Ainsi, même si vous avez vendu de nombreux produits, cette stratégie pourrait néanmoins avoir un effet néfaste sur votre entreprise à long terme.
Solution : Pour éviter l’effet « loi de Goodhart », il est important de mettre en place une évaluation des performances globale et équilibrée. Cela peut se faire en utilisant plusieurs indicateurs de performance afin d’évaluer différents aspects de la performance. Il est conseillé de prendre en compte différents points de vue pour évaluer la performance globale d’un individu ou d’une organisation. En outre, il est important de réexaminer et d'adapter régulièrement les mesures et les indicateurs afin de s'assurer qu'ils continuent à fournir des informations pertinentes et significatives, sans pour autant inciter à des comportements indésirables. Un examen critique des indicateurs de performance utilisés et de leurs répercussions potentielles sur les comportements peut contribuer à minimiser les effets négatifs de la loi de Goodhart.

12.Erreur du parieur :

Le « Gambler's Fallacy », également appelé « sophisme du joueur », est un biais cognitif qui conduit les individus à croire que des événements aléatoires sont influencés par leurs résultats antérieurs ou par leur fréquence. Ils partent à tort du principe qu’une certaine série d’événements, comme par exemple une longue série de pertes au jeu, doit nécessairement déboucher sur un résultat positif à l’avenir afin de rétablir l’équilibre. Un exemple simple est l’hypothèse selon laquelle, lors d’un lancer de pièce, un « pile » est plus probable après une série de « face ». D’un point de vue statistique, il est en effet probable que, à long terme, la proportion de « face » et de « pile » s’équilibre à 50 % chacune. Cependant, chaque lancer est indépendant du précédent et présente donc également une probabilité de 50 % pour chaque issue possible. Il en va de même, par exemple, dans le domaine de la vente. Vous ne devriez donc pas partir du principe que la probabilité qu’un commercial parvienne à vendre votre produit lors de son prochain entretien avec un client augmente s’il n’a pas réussi lors de ses derniers entretiens. Au contraire, d’un point de vue statistique, le commercial dispose de la même probabilité de vente à chaque entretien.
Solution : Pour éviter le « sophisme du joueur », il est important de prendre conscience que les événements aléatoires ne sont pas influencés par les résultats antérieurs. D’un point de vue statistique, les probabilités ne varient pas en fonction des résultats passés. Une bonne compréhension des principes fondamentaux des probabilités peut aider à développer des attentes réalistes et à surmonter le sophisme du joueur.

13. Biais de régression :

Le biais de régression survient lorsque, lors de l'analyse des données, toutes les variables pertinentes ne sont pas prises en compte, ce qui conduit à une relation erronée entre les variables. Cela peut entraîner des prévisions imprécises ou des conclusions erronées. Par exemple, une étude examinant le lien entre la consommation de chocolat et l’espérance de vie, sans tenir compte de facteurs tels que l’alimentation, l’activité physique ou la prédisposition génétique, ne serait pas pertinente. En effet, si l’on analyse uniquement la consommation de chocolat et l’espérance de vie sans tenir compte des autres facteurs d’influence, on obtient une image faussée de la réalité.
Solution : Afin d’éviter tout biais de régression, il est important, lors de l’analyse des données, de prendre en compte toutes les variables pertinentes susceptibles d’influencer la relation entre les variables étudiées. Cela nécessite une étude préliminaire approfondie et une excellente compréhension du sujet afin d’identifier les facteurs d’influence potentiels. Le recours à des techniques statistiques telles que la régression multivariée peut aider à analyser plusieurs variables simultanément et à isoler leurs effets individuels. Dans le cadre d’analyses complexes, il est également utile de faire appel à des experts et à des spécialistes du domaine concerné afin de s’assurer que toutes les variables pertinentes sont prises en compte. Une analyse minutieuse et exhaustive des données, tenant compte de tous les facteurs d’influence, est essentielle pour minimiser le risque de biais de régression et obtenir des résultats précis.

14. Biais dans le Data Mining :

Le biais lié à l'exploration de données (Data Mining Bias) désigne les distorsions dans les résultats des analyses de données qui peuvent résulter d'une sélection ou d'une interprétation inappropriée des données. Il peut par exemple se produire lorsque des analyses sont menées sur de grands ensembles de données afin d’identifier des modèles, des corrélations ou des tendances, et que, ce faisant, certains groupes sont involontairement favorisés ou défavorisés. Un exemple concret serait un algorithme de sélection des candidatures qui utilise des données historiques, mais qui, en raison de préjugés existants liés au genre ou à l'origine ethnique, favorise ou défavorise involontairement des candidats issus de certains groupes.
Solution : Afin d’éviter les biais liés à l’exploration de données, il est important de faire preuve de vigilance lors de la sélection et de l’interprétation des données. Une analyse approfondie des données doit garantir que tous les facteurs et groupes pertinents soient représentés de manière adéquate. Des vérifications régulières des analyses peuvent contribuer à détecter et à corriger les biais à un stade précoce. Il convient d’élaborer des directives transparentes et éthiques relatives à l’utilisation des données afin de garantir que les analyses soient menées de manière équitable et équilibrée. Des formations et des mesures de sensibilisation destinées aux analystes de données et aux décideurs peuvent contribuer à mieux faire prendre conscience des biais liés à l’exploration de données et à garantir que les analyses soient objectives et équitables. Enfin, il est important d’examiner les résultats d’un œil critique et de rechercher des explications alternatives aux tendances observées, afin d’identifier et de corriger d’éventuels biais.

15. Effet de disposition :

L'erreur d'attribution est un biais cognitif selon lequel les individus ont tendance à attribuer les résultats positifs à leurs propres capacités et à leurs décisions judicieuses, tandis qu'ils attribuent les résultats négatifs à des circonstances extérieures ou à la malchance. Cela entraîne un déséquilibre dans la perception de soi et peut conduire à des décisions irrationnelles. On observe souvent cette erreur, par exemple, sur le marché boursier : ainsi, de nombreux investisseurs considèrent un gain comme le résultat de leurs propres analyses judicieuses, tandis que les pertes sont imputées à des fluctuations imprévisibles du marché.
Solution : Comme pour la plupart des autres erreurs liées aux données, la première étape pour éviter l’erreur de disposition consiste à prendre conscience de son existence et du fait qu’elle peut survenir dans de nombreuses situations. Une réflexion sur ses propres décisions et la volonté de considérer les échecs comme des occasions d’apprendre peuvent contribuer à atténuer ce biais de disposition. Il est également utile de solliciter des points de vue extérieurs, que ce soit par le biais d’évaluations par les pairs, de retours d’expérience de la part de collègues ou de conseils d’experts. Une analyse objective des réussites et des échecs, tenant compte de tous les facteurs pertinents, peut contribuer à développer une perception de soi plus réaliste et à prévenir les décisions irrationnelles. Une réflexion régulière et la prise de conscience de ses propres schémas de pensée sont essentielles pour identifier le biais de disposition et le combattre activement.

Conclusion

Fidèle à la devise « ne faites jamais confiance à une statistique que vous n’avez pas falsifiée vous-même », il convient également, lors de l’analyse de données à l’aide de la Business Intelligence, d’être conscient qu’il peut exister de nombreux pièges ou obstacles. Dès lors que l’on connaît les différentes erreurs de données, du « cherry picking » à l’erreur de disposition, on peut aborder les résultats des analyses avec un esprit critique et s’assurer ainsi que les bonnes décisions sont prises. Une approche transparente, ainsi que la prise en compte de différentes perspectives, méthodes et techniques d’analyse, permettent d’éviter les erreurs liées aux données.

Le logiciel de Business Intelligence myPARM BI^act offre une solution optimale pour relever ces défis. Grâce à ses fonctionnalités avancées d’analyse des données, à ses possibilités de reporting transparentes et à ses mécanismes intégrés de vérification de vos données, myPARM BI^act une analyse précise et fiable des données, offrant ainsi une base solide pour des processus décisionnels fondés sur les données. De plus, myPARM BI^act de traduire immédiatement les décisions prises en actions concrètes.

Souhaiteriez-vous découvrir myPARM BI^act dans le cadre d'une démonstration? Contactez-nous dès maintenant pour un rendez-vous!