00:00:00
Avant d'attaquer la partie sur la
00:00:02
création de rapports et donc sur la
00:00:04
création de nos premières visualisations,
00:00:06
je voulais commencer par une introduction
00:00:09
à la date d'utilisation afin de vous
00:00:11
faire passer les bons messages et de
00:00:13
vous expliquez en quoi la
00:00:16
data visualisation est un moyen de
00:00:18
communiquer avec d'autres personnes.
00:00:20
Alors on va aller sur les concepts
00:00:22
fondamentaux, en premier lieu en
00:00:24
expliquant la raison d'être de la data,
00:00:28
data visualisation.
00:00:28
Pardon, je vais appeler ça data visé,
00:00:31
ça ira même plus vite et ça sera
00:00:32
plus simple pour moi.
00:00:33
Et je vais essayer de vous la
00:00:35
présenter donc en 3 grands volets,
00:00:36
3 grandes thématiques et la première,
00:00:39
c'est que à quoi sert la data visé ?
00:00:41
Eh bien, elle cherche à raconter
00:00:43
une histoire pour ça qu'à la base
00:00:46
la visualisation existe,
00:00:47
c'est pour aller schématiser,
00:00:50
une image vaut mieux qu’une très,
00:00:52
très longue phrase.
00:00:53
Et bien ça vaut aussi ça pour la
00:00:55
représentation de données où là en
00:00:56
instant on peut comprendre énormément
00:00:58
de choses de ce qui a pu se passer
00:00:59
ou en tout cas de du message qu'on
00:01:02
souhaite faire passer avec une image.
00:01:04
Et ça, ça ne date pas d'aujourd'hui,
00:01:06
, parce que la visualisation,
00:01:07
c'est quelque chose de de vieux.
00:01:09
Et vous en avez un exemple ici,
00:01:11
avec une représentation graphique
00:01:13
qui a été faite,
00:01:15
alors je me souviens plus
00:01:16
exactement de la date,
00:01:17
mais qui a été faite d'un
00:01:18
certain temps et qui représente.
00:01:21
Le 20 novembre 1869 et qui correspond
00:01:24
à la campagne de Russie par Napoléon,
00:01:27
et là on verra qu'il y a en fait
00:01:28
en réalité énormément de données
00:01:29
qui s'affichent.
00:01:30
Et pourtant c'est relativement simple
00:01:32
à lire donc la campagne de Russie
00:01:34
où on va partir de ce fleuve-là.
00:01:36
Et en fait, ici,
00:01:37
on va suivre l'armée française qui
00:01:39
va s'avancer dans l'État russe.
00:01:41
L'épaisseur ici de ce de cette
00:01:43
zone correspond au nombre de
00:01:45
soldats restants dans l'armée,
00:01:47
donc on voit qu'ils étaient
00:01:49
420000 hommes au départ.
00:01:51
Potentiellement y a aussi des
00:01:53
embranchements où l'armée
00:01:54
s'est potentiellement quittée en
00:01:55
petits groupes et on voit qu’au fur
00:01:58
et à mesure de l'avancée de l'armée,
00:02:00
Eh bien il y a de moins en
00:02:02
moins 2 soldats pour finalement
00:02:04
qu'ils puissent arriver.
00:02:06
A un peu plus de 100000 soldats
00:02:08
au moment où ils arrivent à Moscou
00:02:10
et finalement on a en noir la
00:02:12
fameuse retraite de Russie,
00:02:13
donc la débandade pour
00:02:16
l'armée française où l'armée du coup
00:02:18
a dû rebrousser chemin vers de retour
00:02:21
vers la France alors que l'hiver
00:02:24
commençait donc le fameux
00:02:26
hiver russe et donc à partir de là,
00:02:29
Eh bien on va perdre de plus
00:02:31
en plus d'hommes,
00:02:32
donc là on voit ici l'évolution
00:02:34
avec les différentes dates clés.
00:02:36
Et ce qui est également intéressant,
00:02:37
c'est que sur le retour,
00:02:39
on va également vous indiquer ici
00:02:41
la température à chacun dans ce
00:02:43
qu'on va appeler des checkpoints.
00:02:45
Donc là, ici, on va 2 moins à peu près
00:02:48
moins 9°-21-20 et cetera, et cetera donc.
00:02:52
Des températures glaciales et pour
00:02:54
finalement se retrouver avec 20000
00:02:56
hommes seulement 20000 hommes
00:02:58
lors de du retour final en France.
00:03:01
Donc, une retraite très
00:03:02
dure pour la France.
00:03:04
Mais voilà, le type de visualisation
00:03:07
qu'on pouvait déjà faire.
00:03:08
À l'époque donc au 19e siècle,
00:03:11
sur un événement majeur
00:03:12
de l'histoire française.
00:03:13
Eh bien ces visualisations-là,
00:03:14
en fait, on les utilise toujours ?
00:03:16
Par exemple ici ce que vous avez donc c'est
00:03:19
une visualisation moderne de toujours pareil.
00:03:21
Une histoire en fait, qui cherche à
00:03:23
être racontée par de la visualisation,
00:03:25
et ce que vous voyez ici,
00:03:26
ce sont donc, comme Pour rappel,
00:03:28
je travaille dans le digital Analytics
00:03:30
et ce qu'on voit ici en fait ce n’est pas
00:03:33
un tunnel de conversion sur un site web.
00:03:35
On va compter pour chacune des
00:03:36
étapes clés d'un site web,
00:03:38
donc généralement ça démarre par.
00:03:39
Le fait qu'une personne vient sur
00:03:41
un site jusqu'à ce que la personne
00:03:43
effectué une conversion,
00:03:43
ça peut être un chat,
00:03:44
un achat, un abonnement,
00:03:46
la complétion d'un formulaire de rappel,
00:03:48
et cetera et cetera.
00:03:49
Et donc ici on va retrouver en fait
00:03:51
cet effet un petit peu de déperdition.
00:03:53
on va passer par exemple au nombre de
00:03:55
personnes qui sont venues sur le site,
00:03:56
le nombre de vidéos vues,
00:03:58
le nombre de d'envois de ce
00:03:59
qu'on appelle un lead.
00:04:01
Donc c'est une prise de contact.
00:04:03
La qualification du lead et finalement
00:04:05
la vente qui est réalisée et à chaque
00:04:07
fois on va avoir potentiellement
00:04:09
la déperdition avec chacune des
00:04:10
taux de passage entre les étapes.
00:04:12
Donc ça c'est extrêmement important
00:04:14
pour tout ce qui va être analysé de
00:04:17
comportements sur un site web et
00:04:19
bien entre la carte de Napoléon et celle-ci,
00:04:22
on va exactement utiliser
00:04:23
les mêmes indicateurs,
00:04:24
c'est à dire une visualisation
00:04:25
globale avec la hauteur ici du
00:04:27
rectangle de l'Histogramme qui va
00:04:28
nous dire en gros la proportion de
00:04:30
personnes qui restent et après,
00:04:32
si on cherche un peu on va avoir
00:04:33
des indicateurs supplémentaires
00:04:34
avec des flèches à chaque fois qui
00:04:36
allons-nous indiquer rouge vert.
00:04:37
Donc quel est le statut de ce
00:04:40
qui a pu se passer ?
00:04:42
Le 2e concept fondamental,
00:04:43
c'est que ça sert à mettre des choses
00:04:47
qui doivent être mises en avant,
00:04:48
mises en avant justement,
00:04:50
et donc ça permet de faire passer
00:04:52
un message extrêmement rapidement.
00:04:54
L'exemple très simple qu'on peut
00:04:55
avoir alors simple ?
00:04:56
Pas tellement ce que la visualisation
00:04:58
est un peu particulière.
00:04:59
cette visualisation qu'on appelle en rosace,
00:05:01
ça représente le travail qui a été
00:05:04
fait par une statisticienne et une
00:05:06
infirmière dans au 19e siècle,
00:05:08
qui a essayé de résumer à l'armée
00:05:11
britannique, en gros la cause de mortalité.
00:05:14
Lors de la guerre de Crimée,
00:05:15
je crois que c'était autour de 10
00:05:17
850 et en gros, ce qu'a indiqué ici,
00:05:18
via son jeu de couleurs,
00:05:20
c'est que vous allez avoir les
00:05:22
morts réellement au champ
00:05:23
de bataille. Les morts aussi,
00:05:25
suites de leurs blessures,
00:05:26
donc de souvenirs.
00:05:26
Ici, c'est les 2 premiers traits,
00:05:28
donc le saumon et le noir.
00:05:31
Et après vous avez les morts en fait,
00:05:33
qui correspondent aux épidémies qui courent
00:05:35
dans les camps de l'armée et en gros elle
00:05:37
ce qu'elle voulait prouver et demander,
00:05:39
c'est qu'on introduise des mesures
00:05:41
sanitaires dans les zones de combat et
00:05:43
notamment dans les camps retranchés.
00:05:45
Puisque comme on peut le voir ici sur ce
00:05:46
schéma là en fait on avance dans le temps.
00:05:48
Donc juillet, août, septembre et cetera.
00:05:50
Et on a intérêt sur ce mois de janvier 10 855
00:05:54
où on a eu une masse de morts du fait
00:06:00
Des épidémies qui peuvent courir dans les
00:06:02
camps militaires qui étaient absolument
00:06:04
énormes et là donc instantanément
00:06:06
je pense que vous l'auriez vu que cette
00:06:08
proportion là ici est très importante
00:06:09
et ne cessé de croître au fur et à
00:06:12
mesure de l'avancée dans le temps.
00:06:14
Cet élément là encore une fois le
00:06:15
fait d'essayer de faire passer
00:06:16
un message et de faire ressortir
00:06:18
quelque chose très rapidement.
00:06:19
On peut aussi le retrouver dans
00:06:21
des visualisations modernes.
00:06:22
vous allez avoir quelqu'un qui s'est
00:06:24
amusé à récupérer le nombre de décès
00:06:27
quotidiens en France entre 2001 et 2020.
00:06:30
Alors on va mettre de côté ?
00:06:32
puisqu’il s'est passé autre chose
00:06:34
sur cette période,
00:06:35
on a eu la canicule qui était en
00:06:37
2003 et donc on voit ici cet immense
00:06:39
tralala qui a été créée et donc qui
00:06:41
correspond à l'été qu'on avait en 2003.
00:06:44
Il y avait énormément de de décès
00:06:46
parmi les personnes âgées et donc
00:06:47
de la même manière.
00:06:49
on va avoir ce système circulaire
00:06:51
avec des points clés à chacune
00:06:53
des étapes et potentiellement du
00:06:54
coup un événement exceptionnel.
00:06:56
En tout cas quelque chose qu'on
00:06:58
souhaitait mettre en avant et qui ressort
00:07:00
instantanément et donc là pareil,
00:07:01
le message il est clairement passé.
00:07:03
Il y a eu un phénomène extraordinaire
00:07:05
enfin extraordinaire,
00:07:05
dans le sens rare sur cette période-là.
00:07:11
Dernier point que je voulais aborder,
00:07:13
donc là on reste vraiment sur la théorie,
00:07:15
pour l'instant, mais je pense que
00:07:16
cette mise au point est importante.
00:07:18
La dette avisée existe également
00:07:21
car elle permet de montrer des choses qui
00:07:24
sont imperceptibles avec des données brutes.
00:07:27
Vous pouvez tout à fait vous
00:07:28
retrouver devant un tableau de
00:07:29
données et avoir du mal à l'utiliser.
00:07:31
En tout cas de passer à côté de certaines
00:07:34
informations clés juste parce qu'elles
00:07:35
ne sont pas représentées visuellement.
00:07:37
Donc ici ce qu'on a,
00:07:39
c'est une représentation de la ville, de.
00:07:41
Londres si je ne me trompe pas,
00:07:43
c'est tôt 18e siècle également où
00:07:46
sévissait une épidémie de choléra.
00:07:48
Et donc ce médecin qui s'appelait John Snow,
00:07:52
ça ne s'invente pas à décider
00:07:55
tout simplement de répertorier
00:07:56
les différents morts du choléra.
00:07:58
Qui a pu avoir dans la ville et
00:08:00
notamment dans le quartier de Soho où
00:08:01
il y avait une épidémie
00:08:03
où l'épidémie du choléra était très,
00:08:05
très forte et donc ce qu'il a
00:08:06
eu l'idée de faire,
00:08:07
c'est tout simplement de mettre un trait
00:08:10
devant chaque palier où il y a eu un décès.
00:08:13
Et donc c'est la carte que vous voyez ici,
00:08:14
donc on se retrouve ici avec le quartier de
00:08:17
Soho et donc on voit ici les fameux petits
00:08:19
traits qu'il a rajouté pour chacun des décès.
00:08:21
Et si on zoome sous cette zone,
00:08:23
là on voit qu'en fait donc cette zone
00:08:25
où il y a eu énormément de décès,
00:08:26
si on zoome sur cette zone,
00:08:28
on voit qu'en fait il y a énormément
00:08:30
notamment là ici dans cette zone,
00:08:31
dans cet immeuble qui ont été très
00:08:33
proches d'une pompe contenant de l'eau
00:08:35
et en fait ils se sont rendu compte,
00:08:38
avec ces analyses de John Snow,
00:08:39
que à côté de cette pompe,
00:08:41
il y avait un espace de.
00:08:42
Plus de déchets qui étaient ou des
00:08:45
couches de bébé et ayant le choléra
00:08:47
avaient été jetées et donc ça a contaminé
00:08:50
l'eau de la pompe et donc des gens ont
00:08:53
bu cette eau et ont attrapé le choléra.
00:08:55
Et à partir de là,
00:08:56
ils ont pu fermer la pompe et là
00:08:58
l'assainir afin de ralentir l'épidémie
00:09:00
de choléra dans la vie,
00:09:02
donc là encore une fois,
00:09:03
s’il n’avait pas effectué ce travail de
00:09:05
visualisation et il l'aurait sans doute,
00:09:07
et c'est ce qui s'est passé au
00:09:09
niveau des autorités sanitaires,
00:09:10
il serait passé à côté de cette
00:09:14
information primordiale.
00:09:16
on va avoir encore une fois des
00:09:18
équivalents avec des données qui
00:09:20
proviennent de notre monde actuel.
00:09:24
On va essayer de charger la vidéo alors à
00:09:28
l'instant je vais rebasculer. Normalement.
00:09:32
Ah alors, elle ne s'affiche pas.
00:09:38
Alors ça a l'air d'être revenu parfait.
00:09:41
On va essayer de la lancer.
00:09:43
Voilà. On va couper le son,
00:09:46
donc ici ce que vous allez voir en fait,
00:09:47
c'est une représentation graphique
00:09:49
assez moderne ou en gros une
00:09:51
personne n’a réussi à récupérer en
00:09:53
fait l'ensemble des connexions
00:09:54
mobiles d'une zone géographique.
00:09:56
Donc on se trouve en 2019,
00:09:58
au début du COVID et la personne
00:09:59
s'est intéressée aux personnes
00:10:00
qui participent à ce qu'on appelle
00:10:02
le Spring break aux États-Unis.
00:10:03
Donc en gros c'est la
00:10:05
période de printemps.
00:10:06
Après les examens universitaires où
00:10:08
en gros toutes les tous les jeunes se
00:10:10
retrouvent sur la plage et notamment
00:10:12
en Floride pour faire la fête.
00:10:15
Il se trouve qu'il y a énormément de
00:10:17
contamination au COVID-19 sur cette
00:10:18
plage et donc là ce qu'il en train de faire,
00:10:21
c'est qu'il est en train de sélectionner
00:10:23
en gros toutes les connexions
00:10:24
mobiles qu'il y a eu sur la plage
00:10:25
au cours du springbreak et après il
00:10:27
va pouvoir avancer dans le temps,
00:10:28
donc là voilà il crée un groupe
00:10:30
et il va pouvoir avancer dans le
00:10:31
temps pour voir en gros tout ce
00:10:33
cluster de contamination.
00:10:34
Comment il s'est diffusé au sein de
00:10:35
pays parce que ces personnes-là,
00:10:37
qu'ils rentrent dans la ville et
00:10:38
on voit quelques jours plus tard,
00:10:40
les personnes rentraient chez eux
00:10:41
et donc elles aient bien contaminé
00:10:43
une grande partie alors.
00:10:45
Évidemment, tout ne l'aurais pas reproché,
00:10:46
mais en tous les cas,
00:10:47
on voit comment une épidémie peut
00:10:49
se diffuser puisque là,
00:10:50
toutes les personnes sont rentrées chez eux,
00:10:52
donc on voit toute la partie est
00:10:54
des États-Unis qui ont été impactées
00:10:55
du coup par ces flux migratoires
00:10:57
d'étudiants qui sont venus en Floride
00:10:59
et qui se sont qui se sont contaminés.
00:11:01
Donc voilà un exemple de visualisation.
00:11:03
Encore une fois,
00:11:04
on utilise une carte et quelque
00:11:07
chose qui aurait été très difficile
00:11:09
à voir à l'œil nu.
00:11:11
Voilà pour ces grands principes, on va.
00:11:15
Du coup, reprend.
00:11:17
Un petit exemple assez simple
00:11:18
ou comme je vous disais,
00:11:19
à partir de données brutes,
00:11:20
il n'est pas toujours simple de
00:11:22
se rencontre de certaines choses
00:11:23
et je vous donne ici, par exemple,
00:11:25
un tableau de données avec les
00:11:26
mois de l'année et également le
00:11:28
nombre de pages vues qu'il peut y
00:11:30
avoir sur un site web.
00:11:31
Donc en gros les pages vues,
00:11:32
c'est la fréquentation qu'il peut y avoir sur
00:11:35
un site et les valeurs que vous avez ici,
00:11:37
56 et cetera sont le sont en 1000000,
00:11:41
donc là par exemple le 45000000 de visiteurs
00:11:44
56000000 de visiteurs sur février,
00:11:47
Est-ce que vous pouvez juste prendre
00:11:48
2 Min potentiellement mettre en pause
00:11:50
la vidéo et essayer de vous dire,
00:11:52
qu'est-ce que vous arrivez à retirer
00:11:54
comme enseignement de ce tableau-là ?
00:11:56
Voilà donc ce qu'on peut
00:11:58
voir potentiellement,
00:11:59
c'est peut-être les valeurs les plus
00:12:00
faibles et les valeurs les plus fortes,
00:12:02
quand on met le.
00:12:03
Le pic a été très fort à
00:12:05
75000000 que mars il y avait
00:12:07
pas grand monde à 36000000.
00:12:08
Mais globalement,
00:12:09
voilà dire beaucoup plus de choses.
00:12:11
C'est assez compliqué.
00:12:12
Par contre, si maintenant,
00:12:13
je m'amuse à le replacer dans
00:12:16
une visualisation et bien là,
00:12:17
potentiellement, on va se rendre
00:12:19
compte de beaucoup plus de choses.
00:12:22
Hop, excusez-moi.
00:12:22
Donc déjà on peut repérer.
00:12:24
Bon ça, on l'avait un petit peu
00:12:26
vu le meilleur mois et le plus
00:12:28
mauvais mois au cours de la période.
00:12:30
On va également pouvoir se rendre
00:12:31
compte que le 2e trimestre est
00:12:33
bien meilleur que le premier
00:12:35
puisque là on ici on a les 3 premiers
00:12:37
mois et là on se rend bien compte
00:12:39
que les valeurs qui se présentent
00:12:40
sur le 2e trimestre sont plus hautes.
00:12:43
On peut même en fait inconsciemment
00:12:44
essayer de tracer une droite pour
00:12:46
essayer de tracer une tendance
00:12:47
donc ce n’est pas forcément
00:12:49
conscient mais vous pouvez sans
00:12:50
en rendre compte le faire.
00:12:54
Et potentiellement aussi se rendre
00:12:55
compte de ce que on va être dans
00:12:57
le cadre d'une baisse pour l'été
00:12:59
puisque là on va arriver au mois de juin,
00:13:01
on voit que ça rebaisse alors qu'on était
00:13:03
sur une tendance haussière entre mars et mai.
00:13:05
Tout cela, vous auriez eu du
00:13:06
mal à vous en rendre compte,
00:13:08
notamment pour les tendances,
00:13:09
notamment pour la comparaison
00:13:12
du premier et du 2e trimestre.
00:13:14
Donc là visualisation sert bien
00:13:17
effectivement à recontextualiser,
00:13:18
à comprendre et interpréter
00:13:20
correctement les données.
00:13:24
Alors qu'est-ce qu'on peut aussi se
00:13:25
dire au niveau de la visualisation ?
00:13:27
Donc là on va rentrer dans des
00:13:29
choses un peu plus pratico pratiques
00:13:30
puisque on va avoir un grand degré de
00:13:32
personnalisation dans les visualisations
00:13:33
et les rapports qu'on va pouvoir créer.
00:13:35
Donc retenez bien qu’il n'y a rien
00:13:37
qui est là pour faire joli dans
00:13:39
une visualisation à chaque fois,
00:13:41
vous allez mettre un élément.
00:13:42
En gros, vous allez charger
00:13:44
d'une nouvelle information,
00:13:45
votre visualisation, votre histogramme,
00:13:46
votre tableau, votre courbe.
00:13:48
Et bien ça veut dire que c'est quelque
00:13:50
chose de supplémentaire à interpréter pour
00:13:52
la personne qui va lire ce tableau-là.
00:13:54
Où cette visualisation,
00:13:55
et donc c'est important que tout est un
00:13:57
intérêt et c'est un petit peu le schéma
00:13:58
ici que vous avez sur la droite ou en gros,
00:14:00
la personne va partir d'un
00:14:01
tableau qu'on est d'accord,
00:14:03
un peu à l'ancienne et donc il va
00:14:05
expliquer en gros tout ce qu'il fait,
00:14:07
donc il va retirer par exemple
00:14:08
la légende où n’y a pas besoin,
00:14:09
il va retirer la légende aussi sur la gauche,
00:14:12
il va enlever le cadre qui
00:14:13
effectivement ne servait à rien.
00:14:15
Il va supprimer tous les effets
00:14:16
graphiques qu'il peut y avoir sur
00:14:17
l'histogramme voilà enlever les ombres,
00:14:19
enlever les couleurs puisque
00:14:20
ça ne nous intéresse pas,
00:14:21
il va juste mettre en avant par exemple le
00:14:23
bacon puisque c'est ça qui l'intéressait.
00:14:24
Assez en Hongrie ?
00:14:25
Les valeurs parce que sinon les échelles
00:14:27
sont plus importantes que même les données,
00:14:29
il enlève les lignes qui n'apportent
00:14:30
au final pas beaucoup d'informations.
00:14:32
Il va même enlever l'échelle de gauche
00:14:34
pour mettre les valeurs directement sur
00:14:35
les histogrammes et donc on voit que là,
00:14:37
à partir de là où il y avait
00:14:39
énormément de couleurs,
00:14:39
des fonds et des lignes qui
00:14:41
n’étaient pas forcément nécessaire,
00:14:42
il est passé à quelque chose d'extrêmement.
00:14:44
Épuré donc, pour résumer un petit peu ça,
00:14:46
essayer de vous noter dans un
00:14:48
coin qu’au niveau des pratiques,
00:14:50
les couleurs sont des informations.
00:14:52
On ne s'amuse pas à mettre des
00:14:54
couleurs partout sur des cours
00:14:55
ou sur des histogrammes,
00:14:56
juste pour faire joli.
00:14:57
Les couleurs ont un sens.
00:14:58
C'est une information que vous
00:14:59
allez placer dans votre graphique,
00:15:00
donc il faut qu'elles aient un intérêt donc
00:15:02
c'est soit pour mettre en avant un élément,
00:15:04
soit pour créer 22.
00:15:07
2 ensembles de sous données,
00:15:08
et cetera, et cetera.
00:15:11
Pas de mise en forme textuelle ?
00:15:12
ça ne sert à rien de surligner,
00:15:14
de mettre des italiques,
00:15:16
On va vraiment aller à l'essentiel,
00:15:17
mettre quelque chose
00:15:19
d'épuré et d'efficace.
00:15:21
Pas d'informations redondantes
00:15:21
c'est ce qu'on pouvait un peu
00:15:23
voir ici sur le graphique,
00:15:24
avec une échelle plus des.
00:15:27
C'était une légende qui était
00:15:30
donc ça ce n’est pas très intéressant
00:15:32
ce qu'on a 2 fois l'information et
00:15:33
donc on va aller charger encore une
00:15:35
fois le visuel alors que ce n’est pas
00:15:37
nécessaire puisque l'information
00:15:38
était déjà présente. Les échelles
00:15:41
ne sont pas toujours nécessaires,
00:15:43
donc là c'est exactement ce qu'on a vu ici.
00:15:45
On se rend compte que l'échelle
00:15:46
ce n’est déjà pas facile à lire,
00:15:47
qu'il va falloir suivre la ligne
00:15:48
tout le long de l'histogramme.
00:15:50
Et donc pourquoi ne pas mettre
00:15:51
directement les valeurs sur
00:15:53
chaque barre de l'histogramme ?
00:15:54
Les visualisations les plus ambitieuses ne
00:15:56
ne sont pas les plus claires à comprendre.
00:15:58
Alors ça, c'est quelque chose
00:15:59
que je vois souvent où
00:16:01
les consultants que je suis vont aller
00:16:03
prendre des visualisations tout de
00:16:04
suite assez compliquée, assez haut.
00:16:06
Passeuses, le problème,
00:16:07
c'est que ces visualisations-là,
00:16:08
oui, elles sont sympathiques,
00:16:10
elles sont jolies,
00:16:11
mais elles ne sont pas forcément
00:16:13
super compréhensibles.
00:16:14
Si vous vous formez à Power BI et que
00:16:15
vous travaillez avec les données,
00:16:17
ce n'est pas forcément le cas de
00:16:18
tous vos collaborateurs, de tous vos,
00:16:19
de tous vos collègues et donc il
00:16:21
faut utiliser comme des choses
00:16:22
relativement simples des histogrammes,
00:16:24
des choses qui sont connues.
00:16:30
Et dernier point.
00:16:31
Et donc ça, on va de toute
00:16:32
façon un petit peu s'entraîner.
00:16:34
Il est important de
00:16:35
hiérarchiser l'information,
00:16:36
donc là ce n’est pas forcément des
00:16:38
rapports pour B c'est juste 2
00:16:40
visualisation que j'ai trouvée sur
00:16:41
Internet donc il y en a une qui est
00:16:43
plutôt bien et une qui est moins bien.
00:16:44
Je pense que vous avez deviné quelle
00:16:46
est la bonne et quelle est la mauvaise.
00:16:48
En gros l'idée c'est que on va essayer
00:16:50
déjà d'aérer au maximum les rapports ou
00:16:53
les Dashboard qu'on va pouvoir créer,
00:16:55
de mettre les informations les
00:16:56
plus importantes en haut?
00:16:57
Les indicateurs clés,
00:16:59
les fameux Capi I si vous travaillez un peu
00:17:02
là-dedans et en tout cas de bien délimité.
00:17:04
Des zones ici avec des données et depuis
00:17:06
donc d'aller du maquereau vers le micro,
00:17:08
d'aller sur des choses globales,
00:17:10
puis potentiellement si l'utilisateur
00:17:12
veut chercher davantage d'informations,
00:17:14
aller sur du plus granulaire,
00:17:15
mais tout le temps,
00:17:16
en gardant des espaces aérés et éviter
00:17:18
d'avoir des pages et des pages de graphiques.
00:17:23
c'est beaucoup plus compliqué qu'on se
00:17:24
retrouve avec des menus de de filtres
00:17:26
qui sont extrêmement importants,
00:17:28
donc ça a été fait sur Excel,
00:17:30
des Histogrammes avec des toutes petites
00:17:32
échelles qui sont complètement serrées,
00:17:34
donc on ne peut pas bien les voir.
00:17:36
Qu'est-ce qu'on a d'autre des histogrammes
00:17:37
qui ne sont pas forcément classes,
00:17:38
donc on ne comprend pas trop des
00:17:40
légendes avec des valeurs de chiffres
00:17:42
qui sont extrêmement dures à lire,
00:17:44
des camemberts avec encore une fois en gros,
00:17:45
le problème c'est que là,
00:17:46
tout est compressé,
00:17:47
serre et c'est très difficile
00:17:48
à lire et c'est un peu cafouillis,
00:17:50
c'est à dire que les valeurs du haut se
00:17:52
sont un tableau donc ce n’est vraiment pas
00:17:54
le plus intéressant à mettre en haut,
00:17:55
ce que tout de suite on va rentrer
00:17:57
dans de la donnée Granulaire donc
00:17:58
c'est plus intéressant de mettre
00:17:59
ce qu'on appelle des box de de Cap
00:18:01
I d'indicateurs clé ou de mettre
00:18:03
potentiellement effectivement un histogramme.
00:18:04
Ça peut se défendre mais tout
00:18:05
de suite aller sur du Granulaire
00:18:07
ce n’est pas forcément intéressant.
00:18:08
Donc on va aussi essayer lors de
00:18:10
la création des visualisations de
00:18:12
Eh bien de de de créer des choses
00:18:15
esthétiques et surtout des choses
00:18:16
qui sont bien rangées dans l'ordre
00:18:18
au niveau des valeurs.
00:18:22
Voilà ce que je pouvais vous
00:18:23
dire sur toute la partie,
00:18:24
sur la visualisation.
00:18:25
Évidemment, ce sont des
00:18:26
concepts un peu globaux.
00:18:28
Si le sujet vous intéresse parce que
00:18:29
ici on n'est pas sur un cours complet,
00:18:31
sur la data visualisation,
00:18:32
il y a beaucoup de ressources sur
00:18:34
Internet qui parlent de ce sujet-là.
00:18:36
Il y a des sites qui se sont spécialisés,
00:18:37
Même là-dedans et du coup on va
00:18:41
pouvoir attaquer la partie aussi
00:18:42
sur la statistique et seulement
00:18:44
après ça va arriver vite,
00:18:46
on va pouvoir attaquer la
00:18:47
création des visualisations.
Il n’existe aucun élément correspondant à votre recherche dans cette vidéo...
Effectuez une autre recherche ou
retournez au contenu !
