1. Le contexte croissant de la Big Data

1.1. L’augmentation de la donnée

Avec la numérisation croissante des domaines du web et de l’économie, le volume de données disponibles est de plus en plus important. Il devient alors difficile d’exploiter cette quantité de données et d’en tirer des informations utiles. L’enjeu principal de tout projet Big Data consiste à tirer un avantage économique et concurrentiel des données brutes, récupérées et potentiellement traitées. Avec ces informations, les entreprises peuvent bénéficier de tous types de gains, allant du renforcement de la connaissance client à la création de nouveaux services. La valorisation de ces données est alors nécessaire pour qu’elles puissent être interprétées dans un contexte précis, déclenchant ainsi la prise de décision.

1.2. Le visuel incite à l’action

La valorisation des données passe par leur représentation visuelle sous différentes formes. Car si le cerveau humain n’est capable de traiter qu’une quantité limitée d’informations, il a été observé qu’il réagissait aux informations visuelles 60 000 fois plus rapidement que pour des chiffres ou des textes². Les informations visuelles sont donc les premières qui atteignent et font réagir le cerveau humain en étant décodées plus facilement et plus rapidement. De plus, l’être humain ne garde en mémoire que 20% d’un texte qu’il a lu contre 80% pour une image.
Le visuel incite donc à l’action comme l’indique les comportements sur les réseaux sociaux où un texte accompagné d’une image aura 3 fois plus de partages qu’un texte simple.

Face à cet enjeu, l’UX Designer est l’expert qui intervient dans la représentation visuelle et ergonomique des méga données pour aider les Data Scientists qui ont souvent affaire à des quantités de données multidimensionnelles. Dans des projets complexes de Big data, les processus cognitifs et perceptifs sont amplifiés avec l’utilisation de représentations graphiques de données, interactives ou statiques. L’UX Designer travaille en mode agile avec les Data Scientists sur des applications métiers pointues afin de créer un contexte de mise en valeur des données pour améliorer l’attention, la compréhension et la mémorisation de l’utilisateur final qui développera ainsi sa capacité d’action.

2. La datavisualisation : rendre la donnée plus humaine

2.1. Communiquer ses idées

Grâce à la Data Science (la science des données), les entreprises tirent parti de leurs données internes et externes pour prendre de meilleures décisions. Les champs d’application de cette discipline récente peuvent être divers : la recommandation de produits, la détection de comportements frauduleux, l’aide aux pricing, etc. Ces systèmes “intelligents” qu’on appelle des “Data Product” sont des modèles prédictifs avec des statistiques construits à l’aide d’algorithmes de Machine Learning.

L’UX Designer intervient à différentes étapes du workflow : sur la compréhension du besoin métier et sur la modélisation de la donnée. Son but est de créer un user flow (parcours utilisateur) de l’outil efficace accompagné de la dataviz adéquate. Comme son nom l’indique, la “dataviz” consiste à rendre visuelle l’information, autrement dit à la rendre accessible et exploitable au travers des représentations visuelles : histogramme, cartographie, camembert, courbe, jauge, carte de chaleur, etc.
La Dataviz a donc deux intérêts majeurs : gagner du temps dans le travail d’analyse et rendre la donnée compréhensible par tous. Une Dataviz réussie sera donc au service d’une expérience client qualitative, ayant du sens et de la valeur pour l’organisation.

La visualisation des données s’incorpore dans diverses phases du workflow d’un projet de Data Science. Notamment lors de l’exploration de données, de la visualisation des performances d’un Algorithme de Machine Learning ou encore en offrir un support visuel intuitif pour présenter les conclusions que le Data scientist aura déduit à la suite de ses travaux de modélisations.

2.2. Les 4 piliers d’une bonne dataviz

1. La précision de la donnée

Avant toute analyse, la donnée se doit d’être précise et fiable tout en étant intègre et honnête.

2. L’objectif de la dataviz

Les objectifs doivent être clairs, utiles, en adéquation avec les attentes des utilisateurs et partagées par tous.

3. Le storytelling

La manière de raconter une histoire avec la donnée est primordiale pour véhiculer du sens et être impactant. Cela passe par la mise en œuvre d’éléments de narration qui remplissent des conditions de pertinence, d’originalité et de nouveauté.

4. La forme de la dataviz

La forme graphique que prendra visuellement la donnée est le dernier pilier contribuant à la réussite d’une dataviz. Ce choix graphique doit être le plus adapté à un indicateur bien précis, à l’harmonisation des rapports, à la hiérarchisation de l’information, etc.

3. Le rôle de l’UX designer dans l’utilisation de la donnée

3.1. Questionner, comprendre et formaliser

L’UX Designer a un rôle phare dans l’utilisation de la donnée qui, sans lui, ne resterait qu’un langage occulte destiné à un usage restreint. A l’aide du Data Scientist et de l’équipe projet, l’UX Designer va :
• communiquer clairement des données chiffrées
• faire comprendre en donnant du sens à des données complexes
• faciliter la prise de décision sur des informations clés.

Pour ce faire, l’UX Designer doit saisir tous les enjeux d’un Data Product et intervenir au bon moment dans le workflow itératif. L’objectif de l’UX Designer est de comprendre rapidement le besoin pour avoir une vision claire de ce que cherche à accomplir le métier. De là, il propose un parcours utilisateur cohérent et des visuels adaptés à la modélisation des données en fonction de la cible, du temps imparti et du budget alloué.

3.2. Les différentes formes de Dataviz

1. Le graphique

Lorsqu’on pense à la représentation des données, l’histogramme et le camembert sont des graphiques qui nous viennent tout de suite à l’esprit. Mais choisir le bon graphique pour représenter ses données dépend de l’information que l’on souhaite communiquer et de l’intention pour transmettre l’information. Il existe une multitude de visualisations possibles. L’enjeu est donc de choisir celle qui sera la plus appropriée pour délivrer une information le plus efficacement possible. Il est possible de sélectionner des graphiques “classiques” comme les courbes, les cartes ou les diagrammes et des graphiques plus “avancés” comme la boîte à moustache, le nuage de bulles ou la carte de chaleur.

1.1. Graphiques de comparaison

1.2. Graphiques de distribution

1.3. Graphiques de composition

1.4. Graphiques de relation

2. Le tableau de bord (dashboard) ou tableau de pilotage

Les graphiques peuvent être insérés dans des présentations ou encore dans des infographies et sont très utiles pour visualiser les données analysées de manière ponctuelles. Pour un suivi récurrent, le tableau de bord devient alors un allié incontournable. En effet, la donnée peut être retranscrite au travers d’un dashboard représentant de manière visuelle l’ensemble des informations nécessaires, rapidement et efficacement. Utile pour piloter son activité ou pour communiquer des informations clés, le dashboard permet un gain de temps important dans la lecture mais également dans le travail d’analyse. Il rend possible le regroupement des données, souvent éparses, dans un ensemble visuel circonscrit. Un tableau de bord trouve tout son sens lorsqu’il s’agit de combiner des sources et surtout d’effectuer des calculs pour suivre l’évolution de tel ou tel indicateur clé. Mais au-delà de cet aspect automatisation, le dashboard peut être interactif et en temps réel, de sorte que l’exploration des données s’apparente parfois à un jeu d’enfant…

3. La data storytelling

Disposer d’une bonne visualisation de ses données facilite la compréhension. Mais cette visualisation prend une toute autre dimension quand on sait l’interpréter, autrement dit la mettre en relation avec d’autres informations. En effet, l’interactivité des tableaux de bord et la mise en page des données au travers des graphiques ne font pas tout ! La data storytelling, qui consiste à transformer ces données en récit, clair et cohérent, offre à la visualisation le supplément de sens qui pourrait lui manquer. Présenter l’information de manière personnalisée, dans son contexte, est un moyen de communication très efficace. La data storytelling fait appel au côté rationnel par les chiffres et au côté émotionnel par l’histoire. Faire parler les données consiste donc à trouver leur lien organique et à le restituer sous forme d’un récit clair, avec un début et une fin.

Vive l’UX-Data !

Vous l’aurez donc compris, la datavisualisation ne se limite pas à intégrer des données dans un graphique. Pour qu’elle soit efficace pour les prises de décision, les données doivent être complètes et précises, la représentation visuelle claire et adaptée avec une narration simple et contextuelle. La datavisualisation est donc un outil, et non une fin en soi. Elle facilite la compréhension du monde et aide à se projeter sur l’avenir. C’est un outil au service de la communication interne, de l’analyse et du pilotage de l’activité. Les statistiques et la Dataviz doivent alors être utilisées en tandem pour tirer les meilleures conclusions d’une expérience utilisateur réussie, clé de voûte de la prise de décision.

Au sein de SiaXperience, nous avons développé une offre dédiée à l'expérience utilisateur lors de projets de Data Science. Nos experts en UX-Data se positionnent ainsi en facilitateur lors des projets de création d’IHM de nos clients. Si vous souhaitez obtenir plus d’informations sur notre accompagnement UX, n’hésitez pas à télécharger notre offre UX-Data ou à nous contacter.

SOURCES

• https://blog.jetpulp.fr/datavisualisation/
• https://www.powerslide.io/blog/data-visualisation-ce-quil-faut-savoir
• https://datactivist.coop/dataweek/dataviz/#12
• https://informationisbeautiful.net/

¹Confucius, VI° av. JC.
²Source : Thorpe, Fize & Marlot. Speed of processing in the human visual system, Nature.