Une image vaut mille mots. C’est une phrase que l’on aime employer lorsque l’on traite du sujet de la visualisation de données (ou dataviz). En effet tout l’Art de la dataviz consiste à retranscrire de façon efficace et pertinente des données sous forme visuelle.

1. La visualisation de données
“Une image vaut mille mots”
proverbe attribué à Confucius
La visualisation de données ou “dataviz” est essentielle si l’on
veut extraire de l’information des données

2. La visualisation de données
…de détecter plus facilement des tendances et des
« patterns » dans les données
…d’explorer de large quantités de données
Elle permet…
…de faciliter la prise de décisions
…de communiquer plus efficacement en tenant
compte des attentes de votre audience

3. Tableau vs Graphique
Tableau Graphique
Les données sont présentées
sous forme « textuelle »
Les données sont présentées
sous forme « visuelle »
Les données sont organisées en
lignes et en colonnes
Les données sont projetées sur un
ou plusieurs axes pour données
du sens à l’information

4. La visualisation de données
Dans le cadre d’un projet de Business Intelligence la
visualisation de données intervient lors de la mise en
place de tableaux de bord et de reporting
-> Raconter “une histoire” à partir des données
Elle est également utile lors de la phase d’exploration des
sources de données pour la préparation de l’ETL.
-> Déterminer les histoires qui pourront être racontées
grâce aux données
Pour plus d’informations sur l’exploration préparatoire : https://www.perceptualedge.com/articles/
visual_business_intelligence/exploratory_vistas.pdf

5. La visualisation de données
Les tableaux de bord et le reporting sont les liens d’interactions entre
les décideurs et le datawarehouse.
Savoir communiquer efficacement l’information est indispensable à
la réussite de votre projet décisionnel.
La mise en place d’un DWH aussi fiable, robuste et performant soit-il
ne sera pas un succès si il n’est pas utilisé.
Comment réussir des tableaux de bord et des
reporting efficaces?

6. Le choix du bon graphique
Contrairement à ce que l’on peut penser, choisir le
bon graphique (chart) pour vos données n’est pas
« intuitif ».
Il est nécessaire d’acquérir les bonnes
compétences pour exprimer de façon efficace les
informations à partir d’un graphique.

7. source: https://graphics.stanford.edu/wikis/cs448b-12-fall

8. Le choix du bon graphique
Choisir une représentation graphique
en fonction :
- du message que l’on souhaite exprimer
- des caractéristiques de son jeu de données

9. Le choix du bon graphique
Message
Caractéristiques
du jeu
de données

10. Une bibliothèque idéale de graphiques
de Stephen Few
source : Information Dashboard Design, Analytics Press, Stephen Few, 2013
• Bullet Graphs
• Bar Graphs
• Dot plots
• Line Graphs
• Sparkline
• Box Plots
• Scatter Plots
• Spatial Map
• Heat Maps
• Tree Maps

11. Encoder les données
Passer de la valeur textuelle d’une variable à une
représentation visuelle
source : Information Dashboard Design, Analytics Press, Stephen Few, 2013
Catégorie Attribut
Permet d’encoder une variable
qualitative
Couleur Teinte Non
Intensité Oui (La précision reste faible)
Forme Longueur des lignes Oui
Largeur des lignes Oui (La précision reste faible)
Taille Oui (La précision reste faible)
Forme Non
Marqueur Non
Position
Position dans un espace
à 2 dimensions
Oui
Différentes façon d’encoder des données
Méthodes
d’encodage
plus précises

12. Encoder les données
source : Information Dashboard Design, Analytics Press, Stephen Few, 2013
Encodage : Forme/Taille
Quelle est la valeur associée à ce cercle?

13. Encoder les données
source : Information Dashboard Design, Analytics Press, Stephen Few, 2013
Encodage : Forme/Taille
16

14. Connaître ses données : Types de variables
Quantitative => Mesure
Qualitative => Dimension
source : https://www.perceptualedge.com/articles/Whitepapers/Communicating_Numbers.pdf
Quantitative
Qualitative

15. 3 type de variables qualitatives
Nominal : Différentes catégories sans relation d’ordre
Ordinal : Différentes catégories avec relation d’ordre
Interval : Différentes catégories avec relation d’ordre et la
distance entre deux valeurs est significative
Connaître ses données

16. 3 types de variables qualitatives (Exemples)
Connaître ses données
source : https://www.perceptualedge.com/articles/Whitepapers/Communicating_Numbers.pdf

17. Ventes 2015
0
50
100
Avril Mai Juin Juillet
Effectifs
RH
Marketing
Production
Logistique
Comptabilité
0 23 45 68 90
% des dépenses par régions
0 %
9 %
18 %
27 %
36 %
Nord Est Sud Ouest
Variation
-12
-6
0
6
Ventes Prod.
0
Personnalisé
Relation entre les notes de math
et de physique
0
6
12
18
24
0 5 10 15 20
Vente T1 par Région
0
1 000
2 000
3 000
4 000
Nord Est Sud Ouest
Relation entre les données
Time Series
Visualiser le comportement
d’une variable quantitative au
cours d’un intervalle de
temps
“Ranking” - Classement
Comparer les valeurs d’une
variable quantitative de façon
ordonnée
“Part to whole” - Composition
Répartition du pourcentage
d’une variable par rapport au
total
“Deviation” - tendance
comparer une mesure
principale par rapport à une
mesure de référence
Ex. Différence entre les ventes et
l’objectif de vente
Distribution
Correlation
Comparaison nominal
Visualiser la distribution d’une
variable quantitative par
rapport à son domaine (qui
sera divisé en n classes)
Visualiser la correlation entre
deux variables quantitatives
Visualiser une variable
quantitative selon une
variable qualitative nominal

18. Line Chart
Ventes 2015
0
50
100
Avril Mai Juin Juillet
Encodage attribut Constructions possibles Type de relation
Position 2d
Teinte de couleur (si besoin) x mesures + 1 dimension (interval)
ou
1 mesure + 1 dimension (interval) [+ 1 dimension]
Time Series
Distribution
Le line chart permet de visualiser des
tendances au travers d’une dimension
de type interval.
Il est notamment utilisé pour montrer les
évolutions au cours du temps

19. Bar Chart
Encodage attribut Constructions possibles Type de relation
Longueur (des barres)
Teinte de couleur (si besoin) x mesures + 1 dimension
ou
1 mesure + 1 dimension [+1 dimension]
Comparaison nominal
“Ranking” - Classement
“Part to whole” - Composition
“Deviation” - tendance
Distribution
Le bar chart est le graphique le plus
versatile.
Il est utilisé pour comparer facilement
les données associées à une dimension
discrète (nominal, ordinal).
On peut également l’utiliser avec une
dimension de type interval si l’on
souhaite comparer les valeurs plutôt
que de visualiser les tendances.
Préféré un bar chart avec des lignes
horizontales lorsque les labels sont
longs.
Effectifs
RH
Marketing
Production
Logistique
Comptabilité
0 23 45 68 90
% des dépenses par régions
0 %
18 %
36 %
Nord Est Sud Ouest
% des dépenses par régions
0 %
18 %
36 %
Nord Est Sud Ouest

20. Stacked Bar Chart
Encodage attribut Constructions possibles Type de relation
Longueur (des barres)
Teinte de couleur (si besoin)
x mesures + 1 dimension
ou
1 mesure + 2 dimensions
Comparaison nominal
“Ranking” - Classement
“Part to whole” - Composition
C’est une variante du bar chart, qui sera
utilisé lorsque l’on souhaite à la fois
comparer les valeurs globales et
visualiser la composition des éléments.
0
50
100
150
200
Avril Mai Juin Juillet

21. Dot Plot
Encodage attribut Constructions possibles Type de relation
Position 2d
Teinte de couleur (si besoin)
Marque (si besoin)
x mesures + 1 dimension
ou
1 mesure + 1 dimension [+1 dimension]
Comparaison nominal
“Ranking” - Classement
“Part to whole” - Composition
“Deviation” - tendance
Distribution
L’usage du Dot Plot est le
même que celui d’un bar
chart, à la différence que
l’on peut démarrer l’échelle
quantitative à une valeur
différente de zéro (permet
de mettre en evidence les
petites variations)

22. Scatter Plot
Encodage attribut Constructions possibles Type de relation
Position 2d
Teinte de couleur (si besoin)
Marque (si besoin)
2 mesures [+ 1 dimension] Correlation
Relation entre les notes de math et de physique
0
6
12
18
24
0 5 10 15 20

23. Box Plot
Encodage attribut Constructions possibles Type de relation
Longueur (des barres)
Position 2d
1 mesures [+ 1 dimension ] Distribution

24. Map
Encodage attribut Constructions possibles Type de relation
Position 2d
Couleur
Forme
1 mesures + 1 dimension geospatial [+1
dimension]
Comparaison nominal

25. Heat Map
Encodage attribut Constructions possibles Type de relation
Couleur 1 mesures + 2 dimension Comparaison

26. Treemap
Encodage attribut Constructions possibles Type de relation
Position 2d
Couleur
Forme
1 mesures + 1 dimension geospatial Comparaison nominal

27. Sparkline
Encodage attribut Constructions possibles Type de relation
Position 2d 1 mesures +1 dimension Comparaison

28. Bullet chart
Encodage attribut Constructions possibles Type de relation
Longueur
Position 2d
Couleur
1 mesures [+1 dimension] Objectif

29. Bonnes pratiques pour la conception de vos graphiques
Le choix du graphique est une étape importante, mais il
faut aussi savoir mettre en valeur les données par les
éléments périphériques de votre graphique (titre,
légende, grilles…) tout en évitant de polluer la
compréhension des données avec des éléments
superflus.

30. Bonnes pratiques pour la conception de vos graphiques
Chartjunk
Edward Tufte
Data Ink Ratio

31. Bonnes pratiques pour la conception de vos graphiques
0
25
50
75
100
Avril Mai Juin Juillet
Non data ink
data ink

32. Bonnes pratiques pour la conception de vos graphiques
- Ne pas utiliser les effets superflus (ombre, 3D,
remplissage du fond du graphique)
- Utiliser des polices sans serif (arial, helvetica)
- Si les couleurs ne servent pas à encoder les données,
utiliser une teinte unie

33. Bonnes pratiques pour la conception de vos graphiques
- Utiliser une grille lorsque cela facilite la lecture

34. Bonnes pratiques pour la conception de vos graphiques
- Utiliser une grille lorsque cela facilite la lecture: aussi
valable pour les tableaux

35. Bonnes pratiques pour la conception de vos graphiques
- Encadrer la zone du graphique que si cela est
essentiel

36. Bonnes pratiques pour la conception de vos graphiques
- Pour les « non data ink » restant, jouer sur les
épaisseurs et la couleur pour ne pas distraire vos
utilisateurs

37. Bonnes pratiques pour la conception de vos graphiques
- Pour les « non data ink » restant, jouer sur les
épaisseurs et la couleur pour ne pas distraire vos
utilisateurs

38. Bonnes pratiques pour la conception de vos graphiques
- Pour les « non data ink » restant, jouer sur les
épaisseurs et la couleur pour ne pas distraire vos
utilisateurs

39. Bonnes pratiques pour la conception de vos graphiques
- Pour les « non data ink » restant, jouer sur les
épaisseurs et la couleur pour ne pas distraire vos
utilisateurs

40. contact@datarocks.io