Comprendre et maîtriser la Datavisualisation

S’aider de la science pour construire les indicateurs

La datavisualisation, ou dataviz, se réfère, comme toute chose, à un domaine de recherche qui étudie comment transformer des données complexes en représentations graphiques facilement interprétables. Entre informatique, ergonomie, psychologie et biologie, cette discipline dont les bases sont issues de la Gestalt puis menée par Cleveland, Tufte, Ware, Heer et bien d’autres continue d’apporter de nouvelles recommandations pratiques. Bien que la datavisualisation puisse être un outil puissant, la manière dont les données sont représentées peut influencer la perception des utilisateurs et même conduire à des erreurs d’interprétation. Voici quelques conseils issus de livres et articles scientifiques.

Les principes de la perception visuelle appliqués à la dataviz

Les théories de la Gestalt, développées dès le début du XXème siècle et issues de la psychologie, nous offrent des clés pour comprendre comment nous percevons les graphiques :

Proximité : Les éléments proches les uns des autres sont perçus comme liés. Par exemple, un tableau de bord mal espacé peut être mal interprété car des colonnes trop proches pourraient suggérer une corrélation qui n’existe pas.
Similarité : Les éléments qui se ressemblent (couleur, forme) sont interprétés comme faisant partie d’un même groupe. Par exemple, deux graphiques qui utilisent la même couleur pour une information différente, l’extrême étant une couleur bleu qui indique “OK” dans un graphique et “Non conforme” dans l’autre !
Connexion : Une ligne ou une connexion explicite rapproche les points dans un graphique. Par exemple, un fond de page qui relie deux graphiques qui n’ont aucun lien.
Continuité : Même lorsqu’une forme est partiellement masquée, notre cerveau complète naturellement les informations manquantes.
Fermeture : Une figure incomplète sera perçue comme un tout cohérent.
Plan et arrière-plan : Certains éléments sont perçus en premier (par exemple, des couleurs vives), d’autres en arrière-plan.
Destin commun (common fate) : Les objets ayant une direction ou un mouvement commun semblent liés.

Avoir ces principes en tête est essentiel pour concevoir des visualisations efficaces et intuitives, mais mal utilisés, ils peuvent aussi générer des biais.

Pourquoi la mise en forme compte (presque) autant que les données

Prenons un exemple : un indicateur de performance montre une augmentation, mais l’échelle de l’axe vertical est exagérée, donnant l’impression d’un saut spectaculaire alors qu’il est minime. Ce n’est pas le seul et on peut même citer des “réels”, comme un cas publié par le New York Time sur la démocratie “How stable are democratie” qui fait figure de cas d’école où l’échelle reconstruite a totalement rendu confus les résultats.

Munzer a conceptualisé la création de datavisualisation en représentant un modèle en blocs où l’algorithme (ou collecte de données) est le premier bloc, le design et la mise en forme technique le deuxième, le design global la troisième et enfin la caractérisation serait le quatrième bloc. Les blocs sont interconnectés, et chaque choix peut influencer non seulement son propre bloc mais aussi les suivants. Ainsi, si on se focalise sur le design technique, de petits choix peuvent avoir un impact majeur sur l’interprétation des données. Par exemple :

Les échelles mal adaptées ou les axes tronqués peuvent exagérer ou minimiser des écarts, créant une impression fausse.
Un contraste trop élevé ou insuffisant dans les couleurs peut fausser la lecture des données. Selon Heer & Bostock, un contraste de 0,2 est optimal pour distinguer les éléments sans surcharger visuellement.
La taille minimale des graphiques (>40 px selon les études) garantit une lecture claire sans perte d’information.
Pour des données similaires, la forme du graphique et la contiguïté facilitent la discrimination à première vue selon W. S. Cleveland and R. McGill. Ils ont ainsi établi une représentation pour chaque type de graphique des erreurs de jugements. L’étude a été complétée par Heer & Bostock avec des graphiques en camembert (pie chart), bulle (bubble) et Tree map.

Des études montrent également que la perception des graphiques peut varier selon les individus. Par exemple, un diagramme en barres rigides est perçu comme plus “inflexible” qu’un graphique avec des bordures arrondies ou un fond rempli, qui semble plus “flexible”. Ces différences sont à prendre en compte dans des environnements industriels où plusieurs utilisateurs peuvent interpréter un même indicateur.

Les risques de “mauvais” indicateurs dans les organisations

Dans l’industrie et les grandes organisations, des indicateurs mal conçus, une mauvaise visualisation peut être plus qu’une simple faute de goût esthétique :

Décisions basées sur de fausses tendances : Un graphique mal conçu peut induire des actions inutiles, voire nuisibles, comme des actions correctives contre des variations inexistantes.
Accessibilité directe sans contexte : La Business Intelligence (BI) en temps réel expose souvent les utilisateurs à des visualisations sans explication humaine ou support analytique. Cela renforce le risque de conclusions hâtives.

Conseils pratiques

Privilégier la simplicité et la clarté : Évitez les graphiques surchargés et les effets visuels inutiles. Tenez-vous au courant des principes de bases.
Tester vos visualisations : Utilisez des retours utilisateurs pour valider que vos graphiques transmettent bien l’information souhaitée. Vérifiez différentes configurations (risque d’échelle auto adaptée)
Sensibiliser vos équipes : Expliquez les principes de perception et les risques de biais liés à la dataviz pour limiter les mauvaises interprétations.

Les indicateurs sont aujourd’hui indispensables pour piloter les organisations, mais ils doivent être utilisés en connaissance de cause. En appliquant des principes clairs et en gardant à l’esprit les limites humaines de perception, vous pouvez transformer vos données en informations véritablement exploitables.