J’ai toujours été fascinée par les chiffres et depuis une dizaine d’années, les mathématiques ne me suffisent plus! Je cherche constamment à améliorer la présentation de mes analyses, en optant pour des visualisations de données, que j’espère toujours pertinentes et percutantes. Si je travaille normalement avec des données corporatives, il m’arrive régulièrement de déceler des lacunes dans les visualisations de données que je croise dans les médias, notamment dans le journal La Presse +. Ce n’est pas que les visualisations de données de La Presse + soient inférieures à celles des autres médias. C’est seulement que je lis quotidiennement ce média et je suis donc exposée à une quantité incroyable de graphiques de toutes sortes qui proviennent de ce journal. Si de nombreux articles sont accompagnés de visualisations de données intéressantes, d’autres en souffrent considérablement. D’ailleurs, si vous suivez notre formation Créer des visualisations de données percutantes, vous serez invité, pendant un des ateliers, à évaluer la qualité d’une visualisation de données tirée de La Presse + et à proposer une solution alternative. Ça m’a donné l’idée de débuter une série d’articles présentant des propositions de transformations (makeover) de visualisations de données en provenance de La Presse +. J’ai comme objectif de vous présenter une trentaine de transformations à terme. Cet article vise à vous proposer une quatrième transformation.
Autres articles de la même série
- Visualisations de données: Les opportunités manquées par La Presse + (1 de 30)
- Visualisations de données: Les opportunités manquées par La Presse + (2 de 30)
- Visualisations de données: Les opportunités manquées par La Presse + (3 de 30)
- Visualisations de données: Les opportunités manquées par La Presse + (4 de 30)
Visualisation de La Presse + sous analyse
Ce matin, dans La Presse +, on nous expliquait que le nombre de cas positifs à la COVID-19 est beaucoup plus élevé chez les Québécois que chez les Ontariens et que les deux groupes d’âges qui présentent les écarts les plus importants sont les plus jeunes et les plus âgés. On a choisi de présenter les données dans un tableau. Pour moi, ce tableau pose un problème. On ne peut pas corroborer rapidement la conclusion émise dans le titre de la visualisation. Pour corroborer le tout, il faut soit analyser les chiffres un à un ou jeter un oeil à la colonne Multiple Québec/Ontario. Si on choisit de considérer la dernière colonne, il ne faut pas être dérangé par le multiple présenté (8 divisé par 2 ne donne pas 3,4). Il faut donc comprendre qu’il y a des données arrondies quelque part et ne pas se laisser déconcentrer. De plus, comme il y a une ligne de total qui n’est pas du tout différenciée du reste des lignes du tableau, on a tendance à vouloir comparer la première et la dernière ligne entre elles, donc le groupe des 19 ans et moins avec la ligne de total, plutôt qu’avec le groupe de 80 et plus. Bref, au final, ce tableau rend un peu confus si on n’est pas bien concentré.
Première visualisation de données proposée
Quand j’ai jeté un oeil au tableau, j’ai d’abord voulu savoir dans quelle tranche d’âge on retrouvait le plus grand nombre de cas confirmés. J’ai donc eu envie de classer les données par nombre de cas plutôt que par âge. Ça me semblait tout à fait naturel. J’ai aussi pensé qu’il fallait pouvoir comparer rapidement les données québécoises avec les données ontariennes et pour cela, je me suis servie des drapeaux des deux provinces. Mais il est vrai que ce n’était pas tout à fait l’essence de cet article, qui voulait surtout faire ressortir que les écarts entre les deux provinces étaient plus importants chez les jeunes et chez les personnes âgées.
Deuxième visualisation de données proposée
Je suis donc retournée à la table à dessin et j’ai remis les tranches d’âge dans l’ordre du tableau d’origine, c’est-à-dire par ordre croissant de groupes d’âges. J’ai aussi utilisé des graphiques à barres empilés à 100% pour comparer les proportions entre les deux provinces. Puisque j’ai séparé les données représentant le total des données par tranche d’âge, on peut voir que les proportions Québec vs Ontario sont plus importantes dans le premier et le dernier groupes, soit les plus jeunes et les plus âgés. Par contre, on n’a pas d’information sur le nombre de cas au Québec et cela, ça nous intéresse, n’est-ce pas?
Troisième visualisation de données proposée
J’ai donc ensuite opté pour une combinaison de graphiques (faciles à grouper maintenant autant dans Excel que dans Power BI, soit dit en passant), et encore là, j’ai voulu d’abord présenter les informations pour les groupes d’âges où il y a le plus de cas. Le graphique à barres est certainement approprié pour faire ce genre de comparaison. Il ne restait plus qu’à ajouter un autre graphique pour montrer les répartitions entre les deux provinces. Mais encore une fois ici, cette visualisation ne met pas en évidence les deux groupes “extrêmes”. Elle a toutefois le mérite de classer par ordre d’importance les classes d’âges.
Quatrième visualisation de données proposée
J’ai donc décidé à nouveau de faire marche arrière et de trier mes graphiques par groupes d’âges, du plus jeune au plus âgé, et j’ai aussi mis en évidence le propos d’origine du tableau, i.e. que les écarts sont plus prononcés dans les extrêmes.
Cinquième visualisation de données proposée
Et je me suis également permis d’en faire une version où ces deux scénarios ne peuvent pas passer inaperçus!
Vous souhaitez développer vos compétences en visualisation, que ce soit de façon générale ou plus pointue avec Excel et/ou Power BI ? Jetez un œil à nos formations en Visualisation de données. |
|---|
Sixième visualisation de données proposée
Bien que je ne sois pas une fan des graphiques en secteurs (les fameuses tartes au Québec et les fameux camemberts en France), j’ai pensé qu’ici, il pourrait être intéressant de combiner un graphique à barres avec des mini graphiques en secteurs par groupe d’âge.
Septième visualisation de données proposée
Et là aussi, je suis revenue à l’essence du tableau d’origine et j’ai reclassé par groupe d’âge et mis en évidence les deux extrêmes.
Huitième visualisation de données proposée
Et j’ai terminé ma course avec ces données en rouge. Sur ce graphique, on voit donc que la proportion de cas québécois vs ontariens est plus élevés dans les deux groupes d’âges “extrêmes” et en même temps, on voit bien dans quelles proportions et on voit aussi le nombre de cas par groupe d’âge au Québec.
Quelle visualisation choisir?
Il faut d’abord se demander quel est le message le plus important à transmettre. Ici, bien que je préférais personnellement pouvoir rapidement distinguer les groupes d’âges les plus impactés par la COVID-19, le focus de l’auteur de l’article était davantage sur les groupes d’âges extrêmes. Une fois qu’on détermine bien notre message à communiquer, le choix de la bonne visualisation s’impose tout simplement.
Fichier d’accompagnement VIP à télécharger
Pour télécharger le fichier utilisé dans ce tutoriel, devenez membre VIP du CFO masqué.
Formation complémentaire
Afin d’approfondir vos connaissances avec les meilleures pratiques d’affaires en visualisation de données, nous vous recommandons notre formation Créer des visualisations de données percutantes.
Voici quelques commentaires d’apprenants ayant suivi cette formation :
La mission du CFO masqué est de développer les compétences techniques des analystes et des contrôleurs de gestion en informatique décisionnelle avec Excel et Power BI et favoriser l’atteinte de leur plein potentiel, en stimulant leur autonomie, leur curiosité, leur raisonnement logique, leur esprit critique et leur créativité.
