Les premières formes de visualisation de données remontent aux Égyptiens avant le XVIIe siècle, où elles étaient principalement utilisées pour la navigation. Au fil du temps, les visualisations de données ont été utilisées pour des applications plus larges, notamment dans les domaines économique, social et de la santé. Edward Tufte, notamment, a publié The Visual Display of Quantitative Information (lien externe à ibm.com), qui démontrait comment la visualisation pouvait permettre de présenter des données de manière plus efficace. Son ouvrage reste une référence, particulièrement à une époque où les entreprises se tournent vers les tableaux de bord pour suivre leurs performances en temps réel. Les tableaux de bord sont des outils de visualisation de données puissants pour suivre et visualiser les données provenant de multiples sources. Ils fournissent une visibilité sur les effets de comportements spécifiques au sein d'une équipe ou entre équipes adjacentes. Les tableaux de bord recourent à des techniques de visualisation courantes, telles que :

• Tableaux : il s'agit de lignes et de colonnes utilisées pour comparer des variables. Les tableaux peuvent afficher une grande quantité d'informations de manière structurée, mais risquent également de submerger les utilisateurs qui recherchent des tendances générales.

• Diagrammes circulaires et graphiques en barres empilés : ces graphiques sont divisés en sections qui représentent des parties d'un tout. Ils offrent un moyen simple d'organiser les données et de comparer la taille de chaque composant à un autre.
  

• Graphiques linéaires et en aires : ces graphiques montrent l'évolution d'une ou de plusieurs quantités en traçant une série de points de données dans le temps et sont fréquemment utilisés dans le cadre de l'analyse prédictive. Les graphiques linéaires utilisent des lignes pour démontrer ces changements, tandis que les graphiques en aires connectent les points de données avec des segments de ligne, empilant les variables les unes sur les autres et utilisant la couleur pour distinguer les variables.

• Histogrammes : ce graphique représente la distribution des nombres en utilisant un graphique à barres (sans espaces entre les barres), représentant la quantité de données qui tombe dans une plage particulière. Cette représentation visuelle permet à l'utilisateur d'identifier facilement les données aberrantes au sein d'un ensemble de données particulier.

• Nuages de points : ces visuels sont utiles pour révéler la relation entre deux variables et sont couramment utilisés dans l'analyse de régression des données. Toutefois, ils peuvent parfois être confondus avec les diagrammes à bulles, qui visualisent trois variables à l'aide des axes x et y, ainsi que de la taille de la bulle.

• Cartes de chaleur : ces représentations graphiques aident à visualiser les données comportementales par emplacement, qu'il s'agisse d'une carte géographique ou d'une page web.

• Cartes hiérarchiques : affiche les données hiérarchiques sous forme d'un ensemble de formes imbriquées, généralement des rectangles. Les cartes hiérarchiques sont idéales pour comparer les proportions entre les catégories via leurs tailles de zone.

Accéder aux outils de visualisation des données n’a jamais été aussi simple. Les bibliothèques open source, comme D3.js, permettent aux analystes de présenter les données de manière interactive et de toucher un public plus large avec de nouvelles données. Voici les bibliothèques de visualisation open source les plus utilisées :

• D3.js  : il s’agit d'une bibliothèque JavaScript front-end permettant de créer des visualisations de données dynamiques et interactives dans des navigateurs web. D3.js (lien résidant en dehors d'ibm.com) utilise HTML, CSS et SVG pour créer des représentations visuelles accessibles sur n'importe quel navigateur et inclut des fonctionnalités d'interactions et d'animations.

• ECharts : une puissante bibliothèque de création de graphiques et de visualisations qui permet d’ajouter facilement des graphiques intuitifs, interactifs et hautement personnalisables aux produits, aux documents de recherche, aux présentations, etc. Echarts (lien externe à ibm.com) est basé sur JavaScript et ZRender, un bibliothèque de toile légère.

• Vega : Vega (lien externe à ibm.com) se décrit comme une « grammaire de visualisation » et permet de personnaliser des visualisations sur de grands jeux de données accessibles via le web.

• deck.gl : cette plateforme fait partie de la suite de visualisation open source d'Uber. deck.gl (lien externe à ibm.com) est un framework utilisé pour l'analyse exploratoire des données volumineuses et permet ainsi de créer des visualisations web performantes alimentées par le GPU.

Avec la prolifération des outils de visualisation de données, il y a également eu une augmentation des visualisations inefficaces. La communication visuelle doit être simple et réfléchie pour garantir que votre visualisation aide votre public à atteindre l'idée ou la conclusion que vous souhaitez. Voici quelques bonnes pratiques pour s'assurer que vos visualisations de données sont utiles et claires :

Définir le contexte : il est essentiel de fournir des informations générales pour ancrer le public et lui permettre de comprendre pourquoi ce point de données est important. Par exemple, si les taux d’ouverture des e-mails sont inférieurs aux attentes, nous pourrions comparer le taux d’ouverture de l’entreprise à celui de l’industrie en général, mettant ainsi en évidence un problème dans ce canal de marketing. Pour encourager une action, le public doit saisir comment les performances actuelles se comparent à des repères tangibles, comme un objectif, une référence ou d’autres indicateurs clés de performance (KPI).

Apprenez à connaître votre ou vos publics : déterminez à qui s’adresse votre visualisation afin de l’adapter à ses besoins. Que cette personne cherche-t-elle à accomplir ? Quelles sont les questions qui l’intéressent ? Votre visualisation répond-elle à ses préoccupations ? Les données que vous fournissez doivent inciter les personnes à agir dans le cadre de leur fonction. Si vous avez des doutes quant à la clarté de votre visualisation, soumettez-la à une ou deux personnes de votre public cible pour recueillir leur avis et apporter les modifications nécessaires avant de procéder à une présentation à grande échelle.

Choisir un visuel efficace : chaque type de données requiert un visuel approprié. Par exemple, les diagrammes de dispersion illustrent efficacement les relations entre deux variables, tandis que les graphiques linéaires sont plus adaptés pour visualiser des séries chronologiques. Il est capital de s'assurer que le visuel aide réellement le public à comprendre le message principal. Un mauvais choix de graphique ou un mauvais alignement entre les données et le visuel peut embrouiller l’audience au lieu de clarifier l’information.

Visez la simplicité : grâce aux outils de visualisation des données, vous pouvez facilement ajouter toutes sortes d’informations à votre visuel. Ce n’est pas parce que c’est possible qu’il faut le faire. En matière de visualisation des données, mieux vaut bien choisir les informations que vous ajoutez pour attirer l’attention de l’utilisateur. Par exemple, est-ce vraiment nécessaire d’ajouter des étiquettes de données sur chaque barre de votre graphique ? Peut-être qu’une ou deux suffisent pour illustrer votre propos. Avez-vous besoin d’une multitude de couleurs pour transmettre votre idée ? Utilisez-vous des couleurs accessibles au plus grand nombre (par exemple, répondez-vous aux besoins des personnes atteintes de daltonisme) ? Pour maximiser l’impact de votre visualisation des données, veillez à éliminer toute information susceptible de distraire votre public cible.