Dataviz Sas Ebg Livre Blanc BD

dataviz
30 cas concrets
pour comprendre la data visualization
dataviz
La data visualization: encore un terme commercial la mode ou bien une ralit dans les entreprises? Pour le savoir, nous avons men lenqute auprs dun vaste panel de socits, tous secteurs confondus (industrie, mdias, transport, distribution, services, etc.). Rsultat: plus de 30 entreprises nous ont dcrit, non pas les avantages thoriques de la reprsentation visuelle des donnes, mais des projets concrets, produisant dj des rsultats. Leurs retours dexprience, comme il se doit richement illustrs, et des mises en perspective dexperts, vous aideront comprendre ce quest la "dataviz" et comment en tirer parti dans votre mtier.
sommaire
introduction 4
1. la dataviz et vous : prsentations 6

1.1 dfinition(s) de la dataviz 1.2 quoi sert la dataviz ? 1.3 une innovation ou une rvolution ? 1.4 qui sadresse la dataviz ? 2.1 2.1 la dataviz facilite la comprhension des donnes 2.2 2.2 la dataviz amliore la communication 2.3 2.3 la dataviz optimise et acclere la prise de decision 2.42.4 la dataviz contribue la motivation des collaborateurs 2.5 2.5 la dataviz favorise linnovation 3.1 3.1 des projets rapides et lgers 3.23.2 impact de la dataviz sur les relations entre lIT et les mtiers 3.33.3 facteurs cls de succs 3.4 3.4 cueils viter 7 16 32 44 59 73 75 77 80 84 87 96 117
2. les bnfices de la data visualization 58
3 3. caractristiques des projets dataviz 82
4. perspectives 122
4.14.1 le futur des projets 123 4.24.2 tentative de prospective 127
conclusion 130 contributeurs 132
page
1.1 dfinition(s) de la dataviz
146 132 130 127

co nc
4 6
introduction
16
contributeurs
4.2
.1
123
117
lus ion
4
3.4
1.2
.1
32
3.3
comprendre la data visualization au travers de 30 cas concrets

1.4
1.3
44
96
3.2
.1 2.5 2.4 2.3 2.2
2
72
.1
58
87 82 80 77 75
fig 1 - sommaire
introduction
uand on sarrte un peu sur le terme "donnes", on saperoit quil est particulirement ambigu. Quest-ce qui est ainsi donn dans lentreprise? Chiffres, indicateurs, tableaux Il est vrai que les data sont aujourdhui omniprsentes et apparaissent comme une vidence. Pourtant, elles sont trs difficiles apprhender, tel le sable disponible profusion, mais qui toujours vous glisse entre les doigts. Les donnes qui soffrent ainsi aux professionnels pour les guider dans leurs dcisions sont de plus en plus nombreuses et varies. Mais comment ne pas tre submerg et en faire un rel outil pour la rflexion et la prise de dcision ? Cest face cette ncessit que la data visualization apparat comme une solution. La reprsentation des donnes sous forme dimages pourrait permettre de mieux les comprendre.
Le monde des chiffres et celui des images sont a priori trs loigns. Mais comme souvent, cest en abattant des a priori que lon progresse. Cest ce quont su faire les trente entreprises interroges dans le cadre de cet ouvrage, qui font figure de pionnires dans lusage concret de la data visualization. Elles vont nous guider, grce leurs expriences pratiques, pour dcouvrir ce quest la data visualization et comment sen servir. Chemin faisant, des experts de SAS, mais aussi des acteurs et des observateurs du march claireront certains aspects de la "dataviz", en les replaant dans le contexte plus gnral de la Business Intelligence.
introduction
La premire partie de ce livre sera consacre un tour dhorizon de la data visualization. Nous tcherons de la dfinir et examinerons ses origines. Nous verrons que ses usages sont multiples et quelle sadresse un vaste panel dacteurs, dans des secteurs diversifis. La deuxime partie sattachera mettre en lumire les bnfices de la data visualization, notamment sous ses trois aspects de la dcouverte et de lanalyse des donnes, et de la communication de linformation. Nous verrons galement comment elle se place par rapport la business intelligence traditionnelle. En troisime lieu, nous examinerons la manire de mener un projet de data visualization. Nous passerons en revue les principaux critres de russite et identifierons les chausse-trappes viter. Enfin, nous largirons le spectre pour envisager le futur de la dataviz et la manire dont les entreprises utilisatrices interroges ici prvoient de faire voluer leurs usages. Prts embarquer et dcouvrir la terra incognita des donnes ? Alors, hissez les voiles ! Lexploration commence.
la dataviz et vous: prsentations

Quon lcrive lamricaine data visualization, en franglais "datavisualisation" ou familirement sous son petit nom de "dataviz", la reprsentation graphique de donnes statistiques est incontestablement la mode. Et comme tous les mots la mode, elle devient un terme fourre-tout, dont on finit par ne plus trs bien savoir ce quil signifie. Commenons donc par tenter une dfinition. Fort heureusement, dans cette gageure, nous ne serons pas seuls, car les contributeurs de louvrage ont bien voulu nous prter main-forte. SAS dfinit la data visualization comme "lexploration visuelle et interactive et la reprsentation graphique des donnes, quelles quen soient la volumtrie (des small data aux big data), la nature ou la provenance. Elle permet aux utilisateurs mtier de dtecter des phnomnes ou des tendances invisibles de prime abord."
1
Nos contributeurs se retrouvent assez bien dans cette vision, en juger par leurs propres dfinitions :
"Data visualization":
petit florilge de dfinitions
Nous considrons la Data Visualization comme un moyen de mettre la disposition de lutilisateur une information sous forme visuelle, de manire en faciliter laccs. Caroline Denil, Data Warehouse Program Manager, SPF Economie La Data Visualization est lart de reprsenter visuellement, et ce pour favoriser la meilleure comprhension possible. Jrme Tharaud, Responsable des tudes et dveloppement, Prisma Media
Nous avons mis en gras les termes qui nous paraissent les plus intressants :
"forme visuelle" aussi vident que cela puisse paratre, cest le fondement de la dataviz: il sagit de reprsenter les donnes de manire visuelle, graphique;
"faciliter laccs" la reprsentation graphique nest pas gratuite, elle est au service dobjectifs, dont le premier est de permettre daccder plus facilement linformation vhicule par les donnes. Il est en effet plus ais et agrable de considrer un graphique quune srie de chiffres. Ce que Guillaume Deschamps de STMicroelectronics formule ainsi: la dataviz "est un moyen de traduire un ensemble de donnes abstraites et sches en une information que lon puisse apprhender" ;
Nous dfinissons la Data Visualization comme le fait de visualiser des donnes pour mieux les exploiter et en tirer des insights qui, autrement, prendraient plus de temps. Elle permet davoir une comprhension plus rapide et meilleure. Charles du Rau, Consumer & Market Knowledge Director, Ubisoft La Data Visualisation est un systme permettant, via le support de reprsentations graphiques, une prise de dcision factuelle et plus rapide. Guillaume Deschamps, Engineering Data Analysis Manager, STMicroelectronics La Data Visualization est un outil au service du partage de linformation. Ilsagit donc dun procd qui marque une rupture avec le reporting classique: un tableau se distribue... alors quun graphe se partage avec dautres. Franois Nguyen, Directeur SI dcisionnel et marketing relationnel, SFR
"comprhension" il sagit de donner du sens aux donnes, pour en tirer de linformation; "exploiter", "prise de dcision" la dataviz ne permet pas seulement une comprhension intellectuelle, elle transforme un ensemble de donnes brutes en une information permettant dagir;
"plus rapide" la dataviz acclre la comprhension, la dcision et laction que nous venons dvoquer; "partage de linformation" elle est galement un mode de communication, permettant que les donnes ne restent pas cantonnes lunivers de la BI ou de la statistique mais infusent toute lorganisation et deviennent un support de dcision et de travail collaboratif.
11
1
On voit donc que la data visualization rpond une approche trs oprationnelle, comme le rsument Maguelonne Chandesris, de SNCF Innovation et Sandrine Noail, de Coliposte :
Un moyen, pas une fin en soi
La DataViz n'est pas une fin en soi, c'est un moyen mis au service de la production de sens, au service d'une meilleure comprhension des phnomnes. Autrement dit, nous donnons aux Mtiers la possibilit de mieux apprhender une ralit qu'ils connaissent dj, en leur proposant de la considrer sous dautres angles de vue. Maguelonne Chandesris, Responsable de lquipe Statistique, conomtrie et Datamining, Direction Innovation & Recherche SNCF Jai t Directrice de projet sur les KPI et jai donc conduit la rationalisation et loptimisation des indicateurs de pilotage. Ce qui est important sur ce projet, qui sera terme gnralis et dploy aux quipes de ventes, ce sont les leviers dactions et laide la dcision quapporte la data visualization aux managers. En dautres termes : Que puis-je faire pour performer ? Sur quels leviers intensifier les efforts pour obtenir rapidement des rsultats concrets ? Sandrine Noail, Responsable Analyse et Pilotage Coliposte
Pour terminer cette dfinition de la dataviz, il nous parat intressant de relever les trois caractristiques principales quelle doit imprativement avoir, pour pouvoir justement tre utilisable pratiquement:
Les 3 caractristiques de la data visualization

La valeur de la datavisualisation rside dans sa capacit rpondre trois impratifs principaux : tre interprtable, tre pertinente et tre novatrice.
tre interprtable Dans un contexte o le volume des donnes explose avec le dveloppement exponentiel de lusage dinternet et notamment de Google, les donnes dites "non structures" connaissent la mme volution. Or une datavisualisation partant de ces donnes qui ne seraient pas interprtables, cest--dire claires, ne servirait rien. tre pertinente La pertinence est lie au caractre interprtable. La datavisualisation doit permettre de rpondre des questions dans un contexte dfini et visant des objectifs prcis. tre novatrice Enfin, la datavisualisation na dintrt que si elle apporte une information nouvelle, une originalit, si elle donne une perspective indite sur un sujet. Dorina Ghiliotto-Young, Head of Innovation, Ingenico
13
1
Brve histoire de la data visualization
Les prmices de la reprsentation graphique de donnes statistiques remontent aux travaux du statisticien cossais William Playfair (1759-1823). Il est linventeur doutils qui nous paraissent dsormais familiers: le graphique circulaire (le fameux "camembert"), le diagramme en btons, le diagramme linaire. Surtout, il a mis au premier plan limportance des graphiques pour reprsenter les donnes, une poque o la tradition cartsienne des reprsentations sous formes de fonctions mathmatiques rgnait en matre. Playfair, au contraire, mettait en avant que le simple fait de coucher les donnes sous la forme de points et de formes sur un graphique pouvait nous aider mieux les comprendre. Ironie de lHistoire, Playfair, lui, est rest largement incompris par ses contemporains.1 Au XIXe sicle, le nom dun autre prcurseur se dtache, CharlesJoseph Minard. Il est entr dans la postrit pour sa "carte figurative des pertes successives en hommes de larme franaise dans la campagne de Russie 1812-1813", publie en 1869.
Cette reprsentation russit lexploit de reprsenter en un seul schma des donnes de nature aussi diffrente que des effectifs en hommes, des indications gographiques (distances, villes, cours deau), des tempratures et des directions (vers la Russie ou dans le sens oppos).
1. Ce paragraphe est inspir de larticle dHoward Wainer : "William Playfair" (version 3). StatProb: The Encyclopedia Sponsored by Statistics and Probability Societies. Freely available at http://statprob.com/encyclopedia/WilliamPLAYFAIR.html
Mais il fallut attendre les annes 60 et les travaux du statisticien John Tukey, de luniversit de Princeton, pour que la visualisation des donnes soit enfin reconnue sa juste valeur. Entre autres apports, on lui doit notamment linvention de la bote moustaches (aussi appele diagramme en bote, bote de Tukey ou box plot). Cette reprsentation permet de reprsenter graphiquement des sries numriques au travers de cinq caractristiques principales : la valeur minimale, le premier quartile (Q1), la mdiane, le troisime quartile (Q3) et la valeur maximale. On y ajoute souvent la moyenne pour illustrer la dissymtrie dune distribution lorsque mdiane et moyenne ne sont pas confondues. La bote moustaches peut aussi faire figurer les donnes aberrantes.2 - Un exemple de "bote moustaches" utilise dans lindustrie, chez STMicroelectronics : `
2. Sources : http://en.wikipedia.org/w/index.php?title=Box_plot&oldid=551581640 et http://fr.wikipedia.org/w/index.php?title=Bo%C3%AEte_%C3%A0_moustaches&oldid=90308055
15
Dans les annes 70, John Tukey a travaill avec un professeur Princeton, Edward Tufte, lors dune srie de sminaires sur la reprsentation graphique des donnes. Ces sminaires seront repris par Tufte dans un livre qui fera date en matire de data visualization, The visual display of quantitative information. Plus rcemment, cest au Sudois Hans Rosling que lon doit la pousse denthousiasme pour la reprsentation graphique de donnes statistiques, grce son graphe bulles anim. La confrence lors de laquelleil la prsente en 2006 a dj t visionne plus de 5 millions de fois sur le site TED.com.3
Hans Rosling la confrence TED
3. http://www.ted.com/talks/hans_rosling_shows_the_best_stats_you_ve_ever_seen.html
Pourquoi un graphique parle mieux des donnes que les donnes elles-mmes ?
I II III IV
Le quartet dAnscombe est une parfaite dmonstration de ce quun graphique peut mieux rendre compte de la ralit derrire les donnes que les donnes elles-mmes. Classiquement, il prend la forme de 4 ensembles de donnes X et Y, tels que ceux-ci: Dj, si lon se contente de regarder ces tableaux de chiffres, on a du mal dtecter quoi que ce soit. Quels phnomnes, quelles rgularits peuvent-ils bien traduire? Pour y voir plus clair, on peut effectuer certains calculs statistiques, pour dceler des proprits. Et l, surprise, on saperoit que les quatre ensembles ont des proprits identiques! On serait donc tent de croire que les 4 ensembles reprsentent des donnes similaires. Pourtant, si on les place simplement sous forme de points sur un graphique deux axes, on se rend compte quils refltent des ralits bien diffrentes! La data visualization permet donc de se poser de nouvelles questions sur des sries de donnes dont les particularits passeraient autrement inaperues.
II
III
IV
17
1.2 quoi sert la dataviz?

Maintenant que nous comprenons mieux ce quest la data visualization, examinons ses usages. Ce sera loccasion, au passage, dvoquer certaines des ralisations les plus pertinentes qui nous ont t prsentes par les contributeurs cet ouvrage.
Remarquons tout dabord que la data visualization concerne un vaste ventail de secteurs dactivit. Si lon sen tient notre panel, les domaines suivants sont reprsents : biens de consommation grand public (LOral, Ubisoft) services aux entreprises (Accenture) industrie (Ingenico, Philips, Schlumberger, STMicroelectronics) mdias (BFM Business, France Tlvisions, InfoPro, Prisma Media) marketing et publicit (IFR-GfK, Lagardre Active, PagesJaunes, SM-Marketing Convergence) recherche scientifique (IMEC) service public (SPF conomie) tlcom (Alcatel-Lucent, Orange, SFR) transport et logistique (Aroports de Paris, ID Logistics, SNCF, Voyages-sncf.com) Toutes ces entreprises utilisent la data visualization soit pour faire mieux certaines choses quelles faisaient dj (optimisation), soit pour enrichir leur activit de tches valeur ajoute (innovation). Dans le registre de loptimisation, la dataviz permet, par exemple, Lagardre Active dacclrer la production de ses tats et STMicroelectronics de rendre son processus de fabrication plus performant ; dans celui de linnovation, PagesJaunes dcouvre et rectifie, grce la data visualization, les lacunes de son indexation, Voyages-sncf.com met sur le march un nouveau service innovant (Mytripset), Alcatel Lucent imagine les applications mobiles de demain, etc.
Dans les pages qui suivent, nous allons tudier

plus particulirement 5 cas dusage illustrant cette double finalit doptimisation et dinnovation : lutilisation de la data visualization pour
> amliorer le pilotage de l'entreprise, > amliorer la relation client, > dfinir loffre mme de lentreprise, > contribuer directement au business de cette dernire > donner du pouvoir aux citoyens.
1.2 quoi sert ladataviz ?
> amliorer le pilotage de lentreprise

Lun des premiers usages de la data visualization est de contribuer un pilotage plus efficace de lactivit et de la performance, orient vers laction. On retrouve l le ct trs oprationnel de la dmarche.
La data visualization au service du pilotage de lentreprise
Notre entreprise tait bouscule par la concurrence. Nous devions utiliser des outils dcisionnels plus modernes pour tre capables d'anticiper les positions de nos concurrents et lattrition sur notre portefeuille clients. Nous avons voulu faire de la datavisualisation un outil dcisionnel, stratgique, utilisable par un manager de proximit pour piloter sa performance. Sandrine Noail, Responsable Analyse et Pilotage Coliposte
Nous voulions doter le board dun vritable outil de pilotage, autrement dit dun tableau de bord avec tous les indicateurs stratgiques pour permettre la prise de dcision. Lobjectif tait de remettre les utilisateurs dans un processus de management et non pas dans un processus itratif danalyse comme on peut le faire avec des bases de donnes ou des tableaux interactifs. Laurence Kerjean, Global Digital Manager, LOral Sil fallait donc absolument trouver un lment dclencheur notre dmarche, ce serait bien ce vritable besoin commun damliorer les exigences du reporting classique que nous avions dj, de manire lorienter vers le pilotage, laction et la dcision Franois Nguyen, Directeur SI dcisionnel et marketing relationnel SFR
19
1
Analyse des appels par quipements - Source : SAS
Un exemple de data visualization dans le secteur des tlcoms

Les principaux composants de linfrastructure rseau dun oprateur tlphonique ont un impact sur la qualit des appels et, plus globalement, sur la qualit de services et le revenu. Les switches jouent un rle clef dans le routage des appels, lanalyse et la surveillance du trafic et la qualit de service des diffrents quipements sont primordiales. Ce graphique prsente les indicateurs de trafic (volume dappels et appels interrompus) pour diffrents constructeurs et quipements.
Le cas du centre de recherche en micro et nanolectronique flamand IMEC en fournit un exemple significatif.
Nous utilisons SAS depuis des annes pour des projets scientifiques. Il y a quelques annes, nous avons commenc lutiliser aussi pour nos rapports dentreprise. Nous avons commenc par un premier primtre simple (les consommations tlphoniques de nos collaborateurs) puis nous avons ajout de nouveaux domaines, lun aprs lautre, de manire entrer progressivement toutes les informations dans lenvironnement BI. Nous utilisons la solution principalement pour reprsenter les indicateurs que nous devons produire pour le gouvernement flamand, par exemple en ce qui concerne le nombre de publications ralises par nos chercheurs, le nombre de nos doctorants ou encore nos activits donnant lieu la cration dentreprises (spin-offs). Par ailleurs, nous produisons galement des rapports pour visualiser nos plannings et notre performance en termes dutilisation de nos ressources.
La data visualization comme outil de pilotage
Yves Daelmans, ICT Project Manager IMEC

IMEC cot en tlphonie pour un employ
21
talent magnet (rpartition par nationalit des salaris chez IMEC pour un mois donn) rcapitulatif sur 12 mois du temps pass par un employ par grands groupes de tches
Enfin, qui dit pilotage dit prise de recul. Cest ce que permet la data visualization, en complment dautres outils horizon plus court terme.
La dataviz ou la pense visuelle au service de la stratgie
Le sujet de la data visualization arrive chez LOral un moment o toutes les quipes digitales, aussi bien dans les marques que dans les pays, sorganisent pour avoir des tableaux de bord tactiques ; notre projet de tableau stratgique vient donc fdrer toutes les actions locales et nous permet davoir une relle vision stratgique. Laurence Kerjean, Global Digital Manager, LOral
Un tableau de bord stratgique chez LOral
23
1
> amliorer la relation client
Le marketing et la gestion de la relation client sont deux fonctions de choix pour la data visualization, comme le montrent les exemples de SFR et de Lagardre Active.
Visualiser les donnes clients pour amliorer le CRM multicanal
Notre activit s'articule autour de trois principaux canaux : les points de vente, les centres d'appels clients et notre boutique en ligne sur sfr.fr. Nous dveloppons nos solutions dataviz dans l'optique d'optimiser la gestion de ces canaux. Nos efforts visent avant tout amliorer le pilotage et la comprhension de nos KPI. En ce sens, nos projets sont trs orients "indicateurs dactivit"... Nos dveloppements en data visualization s'attachent donc rapprocher de nombreuses sources de donnes afin dy trouver des relations et des causalits. Franois Nguyen, Directeur SI dcisionnel et marketing relationnel SFR
Dataviz et relation client multicanal
Analyse des Centres de Relation Client
Source : SAS
La multiplication des canaux de communication est un challenge supplmentaire pour les Centres de Relation Client pour prserver la satisfaction client. Le volume et la complexit des donnes (souvent compartimentes en silos) entravent la capacit danalyse pour accrotre lefficience et optimiser les cots. Ce graphique prsente les principaux indicateurs de performance (qualit de service, temps de prise en charge et taux dabandon) avec un dtail sur le taux de rsolution au premier contact.
Une bonne relation client passe aussi par une bonne connaissance de ces derniers : quels sont leurs caractristiques et leurs comportements ? Comment les segmenter ? ce titre, les capacits dexploration dans les donnes permises par la data visualization trouvent tout leur sens. Nous y reviendrons dans la deuxime partie.
La dataviz pour mieux qualifier la base clients
Nous avons chez Lagardre Active une des plus grosses bases dabonns nos magazines, avec prs de 3 millions de clients. Nous souhaiterions toffer les capacits d'analyse de notre CRM en y intgrant les outils de la dataviz afin de bnficier d'une vision affine de notre parc clients. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies Lagardre Active
25
1
> mieux dfinir son offre
loppos du spectre, la data visualization fournit aux entreprises des outils pour mieux dfinir leurs offres. Lexploration des donnes recueillies sur les clients et la possibilit de tester diffrentes hypothses savrent particulirement prcieuses.
La dataviz pour faire voluer loffre de la SNCF dans diffrents domaines
Les sources de donnes sont trs diverses la SNCF, constituant autant de champs dapplications possibles. Nos premiers travaux dataviz datent de 2010 et aujourd'hui, nous avons notre actif plusieurs projets aboutis sur des thmatiques diverses : information, rgularit voyageurs et impacts conomiques, yield management et aspects nergtiques.
Maguelonne Chandesris, Responsable de lquipe Statistique, conomtrie et Datamining, Direction Innovation & Recherche SNCF
Application de la data visualization au yield management
Une dataviz pour reprsenter la consommation lectrique des trains
> contribuer au business

En dfinitive, cest directement sur le business mme dune entreprise que la data visualization peut avoir un impact. Par exemple, Charles du Rau (Ubisoft) nous explique comment elle a permis lditeur de jeux de mieux comprendre son march :
Mieux comprendre son positionnement concurrentiel
Nous avons ralis un projet permettant de comparer nos marques celles de la concurrence selon plus dune centaine de critres. Nous nous appuyons pour cela sur des donnes ralises par un institut d'tudes externe sur des panels de milliers de joueurs. L o avant nous ne pouvions comparer nos marques qu' une "marque moyenne" thorique, nous pouvons dsormais les comparer instantanment l'ensemble des autres marques du panel, de manire graphique, selon des critres qui sont nots par les consommateurs.. Charles du Rau, Consumer & Market Knowledge Director, Ubisoft
Le radar dUbisoft pour comparer ses marques la concurrence
27
1
La golocalisation associe la dataviz est un atout marketing indniable. Elle nous permet notamment de mettre en exergue nos zones de chalandise ou d'tablir une cartographie des groupes et entreprises que nous ciblons. C'est sans conteste un instrument de poids que nous mettons au service de notre dmarche d'analyse concurrentielle. Clment Delpirou, Associ, InfoPro Digital
Emmanuel Lechypre, quant lui, nous explique comment la dataviz contribue directement la proposition de valeur pour les journalistes et des mdias tels que BFM Business :
La data visualization, source de valeur et de diffrenciation
Dans mon mtier, le journalisme conomique, jai deux sources dinformation principales : dune part les donnes chiffres (tudes, rapports, bases de donnes, statistiques officielles) et les dpches dagences, qui sont de lordre du factuel et sont disponibles pour toute la profession ; dautre part, les personnes que nous recevons sur le plateau, dont les propos, exclusifs, nous donnent une matire plus qualitative. Lintrt doutils danalyse et dexploration comme la data visualization est de procurer le mme caractre exclusif et qualitatif que nous pouvons avoir dans les interviews, mais cette fois partir de donnes. Autrement dit, dans la mouvance du datajournalisme, la data visualization est un moyen de reprer des sujets, doffrir de nouveaux angles au journaliste pour traiter lactualit, voire de crer lvnement. En ce sens, elle est un outil forte valeur ajoute pour la profession, amen se dvelopper. Emmanuel Lechypre, ditorialiste, Responsable ple Analyse et prvisions, BFM Business
La dataviz peut galement mettre en exergue les modifications dans le comportement de sa clientle, de manire sy adapter au mieux. Il en va ainsi des investissements publicitaires des annonceurs sur les supports de Lagardre Active :
Identifier immdiatement les reports dachats de ses clients
Radars reprsentant linvestissement des annonceurs chez Lagardre Active
Nous avions pour projet de reprsenter l'investissement de nos annonceurs par thmatique sous la forme d'un radar. Ce dernier pourrait notamment permettre de comparer les tendances d'une anne N vs l'anne N-1. La visualisation par annonceur donnerait galement la possibilit d'obtenir une vision plus fine de lvolution des investissements de ce dernier, c'est--dire des changements raliss en termes d'orientation thmatique (ex. : abandon d'une thmatique d'une anne sur l'autre) et de bnficier d'un aperu plus aiguis des tendances. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies Lagardre Active
29
1
Cette contribution au business peut sexprimer trs directement sur le modle conomique mme de lentreprise. Philippe Nieuwbourg prend lexemple de la vente distance pour nous le faire comprendre :
Quand la data visualization influe directement sur le modle conomique dune entreprise
Si on prend lexemple de la vente distance, des entreprises comme La Redoute ou 3 Suisses ralisent aujourdhui la majeure partie de leur chiffre daffaires en ligne. Or, si la Redoute navait aucun moyen de savoir quelles pages de son catalogue papier retenaient le plus lattention de ses clients, ou combien de temps ils passaient en moyenne sur une page, elle peut dsormais avoir ce genre dinformation pour les visiteurs de son site e-commerce. Grce aux logs de connexion, elle peut savoir quelles sont les pages les plus visites, combien de temps un internaute passe sur une page, quel est son parcours dune page lautre, etc. Tout ceci constitue potentiellement un trsor, condition de savoir exploiter ces logs, les faire parler. La data visualization peut justement tre un moyen dextraire la valeur de ces logs. Philippe Nieuwbourg, Analyste-journaliste indpendant en informatique dcisionnelle
> donner du pouvoir aux citoyens

La data visualization trouve aussi son utilit en dehors des murs de lentreprise. Elle peut contribuer mieux informer le citoyen et donc lui donner les moyens dagir. Deux exemples que nous avons tudis lillustrent parfaitement : les dataviz mises disposition du grand public par le Ministre belge de lconomie, via le Service Public Fdral (SPF) conomie, et "le pariteur" mis en ligne par France Tlvisions.
Donner matire penser aux citoyens
Nos projets dataviz se prsentent sous trois formes distinctes :
Be Stat, qui mobilise des donnes disponibles depuis plus de quatre ans, et permet la cration de tableaux multidimensionnels (cubes SAS). Dans ce cadre, nous proposons une interface dynamique alliant Java et SAS, permettant au citoyen de raliser lui-mme son tableau, en choisissant les mesures montrer, les dimensions selon lesquelles il souhaite voir les donnes et les filtres appliquer aux donnes. Be Stat permet un export ultrieur des donnes, notamment aux formats CSV et PDF. un dashboard orient "conomie", qui gnre une vision statique de graphiques interchangeables, regroups au sein d'un ensemble intitul EcoZoom. Ces graphes sont susceptibles dindiquer lvolution des indices des prix du ptrole, par exemple. un systme de cartographie, ou de graphiques dynamiques, actuellement en phase de pilotage. C'est un systme particulirement efficace pour visualiser les densits (populations, prix...), lesquelles sont visibles par le biais de dgrads de couleurs. Nous en voyons une application probante dans la visualisation de l'volution des prix de l'immobilier dans le temps. La mise en chantier de ces projets dataviz est pour nous l'occasion de prsenter diffremment les donnes que nous avons collectes et que nous utilisons dj, afin de permettre aux citoyens de raliser leurs propres analyses. Caroline Denil, Data Warehouse Program Manager SPF conomie
31
Les projets de "dataviz citoyenne" peuvent prendre un tour plus militant. Cest le cas par exemple du "pariteur" de France Tlvisions.
Le "pariteur" de France Tlvisions
Aujourd'hui, une femme touche 25% de moins qu'un homme dans le priv et 18% dans le public, poste pour poste et temps de travail quivalent. C'est une moyenne calcule par l'Insee partir de donnes statistiques de 2010 (DADS 2010, Dclaration Annuelle de Donnes Sociales) sur les salaires recenss par ge, par sexe, par rgion et par poste (nomenclature standardise des postes). En sappuyant sur ces donnes, France Tlvisions Nouvelles critures et Francetv info ont ralis une application Web et mobile indite et ludique, "Le Pariteur", permettant dvaluer sa propre disparit salariale : "et si j'tais paye comme un homme ?" "Combien gagnerait une femme ma place ?" En quelques clics, le Pariteur vous donne la rponse. Une fois cette disparit salariale calcule, lutilisateur peut communiquer cette information sous diffrentes formes et vers diffrentes cibles : via un "diplme d'cart salarial" et des affiches partager avec ses amis et collgues sur les rseaux sociaux ; ou via une lettre pr remplie et personnalise envoyer son DRH ! Cette dataviz a t mise en ligne le 4 mars 2013 l'adresse suivante: http://appli-parite.nouvelles-ecritures.francetv.fr/ Elle cumule lheure o sont crites ces lignes plus de 100 000 visites. Surfant sur le mouvement de lopen data, cette Web app met disposition des citoyens des donnes auxquelles ils n'ont pas facilement accs, et qui pourtant, sont publiques. Cest galement un outil qui rvle le dbat passionn et tabou autour de la parit salariale et, plus largement, autour de la question des droits des femmes. Un dbat qui irradie lensemble de la socit, avec au premier rang les 29 millions dactifs (et dactives) franais. Antoine Allard, Charg de communication & marketing Social Media France Tlvisions
Si lon fait le bilan, les usages de la data visualization peuvent se regrouper en trois grandes catgories, comme nous lexplique Dorina Ghiliotto-Young, Head of Innovation chez Ingenico :
Pourquoi recourir la data visualization ?
Trois raisons principales expliquent le recours la data visualization : confirmer ou infirmer des hypothses sur un march La data visualization peut alors prendre la forme dun dashboard, permettant de prendre une dcision en ayant une vision globale du march tudi. duquer En interne, Ingenico utilise notamment la datavisualisation pour des travaux de reporting ou des sessions de brainstorming. Elle peut tre un bon complment de dmarches cratives de type "gamification" car elle dveloppe l'intuition. explorer C'est l'aspect le plus futuriste de la datavisualisation, qui est certainement amen se dvelopper. La dataviz peut aider construire des modles prdictifs. On est alors dans le domaine de la data analysis. Dorina Ghiliotto-Young, Head of Innovation, Ingenico
33
1.3 une innovation
ou une rvolution ?
La reprsentation graphique de donnes statistiques nest pas, proprement parler, nouvelle puisque, comme nous lavons vu plus haut, on peut faire remonter son apparition au XVIIIe sicle. Forts de ce constat, les sceptiques auront beau jeu darguer que la dataviz nest en rien une rvolution. Toutefois, ClaudeHenri Mldo, cofondateur dAldecis - cabinet dexperts en tableaux de bord et en systmes de pilotage dorganisations, nous faisait remarquer en entretien que le terme "rvolution" contient en lui-mme lide de retour. Et lon peut fort bien soutenir que si lutilisation des graphiques pour reprsenter les donnes nest pas nouvelle en soi, nous y retournons aujourdhui avec une puissance et des potentialits jamais atteintes. On peut donc dire que la data visualization introduit une rupture dans lhistoire de la business intelligence. Pour cela, elle sappuie sur toute une srie de changements majeurs, quelle fdre pour leur donner toute leur porte. On peut notamment citer les big data, les progrs dans la comprhension du fonctionnement du cerveau et la mise au point de nouveaux terminaux et de nouvelles interfaces daccs linformation.
1.3 une innovation ou une rvolution ?
> Les big data

Les big data dsignent la fois le phnomne de lexplosion des quantits de donnes disponibles et les technologies pour les traiter.
Il se distingue par trois caractristiques principales souvent reprises sous lexpression des "3V" : le Volume des donnes, leur Varit et la Vitesse laquelle elles sont produites. Depuis trois ans, plusieurs travaux ont bien mis en lumire ces dimensions. On peut penser, notamment, aux tudes Big Data Analytics (TDWI Research, aot 2010), Big Data : The next frontier for innovation, competition, and productivity (McKinsey, juin 2011), ou encore The Deciding Factor: Big Data & Decision Making (Capgemini, juin 2012). SAS ajoute deux caractristiques supplmentaires4 que sont la variabilit des donnes (avec des effets de pics ou de creux, de saisonnalit, dans la quantit de donnes produites) et leur complexit (par exemple, le nombre de sources dont elles proviennent, la diversit de leur nature chiffres, schmas, ensembles de relations, texte - ou de leurs formats).
4. http://www.sas.com/big-data/
La croissance exponentielle de la quantit de donnes
Source IDC 2008
Nombre d'exaoctets produits/an
l'Univers numrique 2009/2020

Source IDC Digital Universe Study, sponsored by EMC, May 2010
1 exaoctet = 1 milliard de gigaoctets 1 zettaoctet = 1 000 milliards de gigaoctets
Daprs IDC, linformation totale produite chaque anne par les entreprises a connu de 2007 2011 une croissance annuelle de 67%, passant de 75 exaoctets 580 exaoctets .
Source : Qualit des donnes, quelle(s) vrit(s) pour les entreprises, EBG, 2012
Mais cette progression nest rien en regard de ce qui nous attend. La quantit dinformation numrique cre ou rplique annuellement (ce quIDC appelle lunivers numrique), va tre multipli par 44 en 2020 par rapport son niveau de 2009, pour atteindre 35 zettaoctets .
35
1
Ce genre de donnes peut la limite tre stock et trait par des outils de BI traditionnels, mais ces derniers ne suffisent plus pour les comprendre. La data visualization permet de dpasser cette limitation, faisant intervenir un 4e "V", celui de Valeur. Ce que Philippe Nieuwbourg nonce en une formule : Vitesse + Volume + Varit
x Visualisation = Valeur
La data visualization la rescousse pour le traitement des big data

Les solutions de data visualization sont une rponse la complexit rencontre dans le traitement de grosses masses de donnes. En ce sens, la visualisation elle-mme permet une analyse pointue, laquelle passe par la dtection de patterns (ces schmas rcurrents refltant des tendances), impossibles dceler par le biais des outils de reporting classique (ex. : tableau de bord Excel). Autrement dit, la dataviz permet d'explorer visuellement de grands volumes de donnes et de dgager des tendances qui ne sont pas forcment visibles travers une simple numration de chiffres. Frdrique Pain, Experience Strategy Director, Alcatel-Lucent Bell Labs
Nous avons un challenge de big data, avec une information de plus en plus volumineuse et dont nous devons absolument adresser la complexit pour nous diffrencier ; nous avons aussi un challenge de big data dans lusage, pour enrichir lanalyse. La visualisation doit permettre justement de tirer tout le profit de cette volumtrie disponible, en permettant lmergence de questionnements nouveaux sur la donne. Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Comme on le voit dans ces exemples, cest lanalyse qui est au cur de la cration de valeur par les big data. Cest parce quelle permet lanalyse (et lexploration) de ces quantits faramineuses de donnes que la data visualization permet de tirer la valeur des big data.
La dataviz, un outil qui dmocratise lanalytique
Dans nos mtiers, le terme "analytique" renvoie aux mthodes statistiques danalyse des donnes : statistique descriptive, analyse prdictive, optimisation, prvision, thorie des tests... Quant la business analytics, elle dsigne l'application de l'analytique au monde de l'entreprise. Elle recourt plus particulirement des outils tels que le calcul de corrlations, de rgressions, l'analyse en composantes principales, l'analyse factorielle, les rseaux de neurones... La business analytics concerne tous les mtiers. Prenons simplement deux exemples. En tudiant la typologie des acheteurs et leurs comportements, une analyse prdictive permettra une entreprise de marketing direct de calculer la probabilit pour un individu donn quun certain courrier dclenche un acte d'achat. Ainsi, la marque pourra slectionner les personnes qui elle enverra le courrier en question. Autre exemple : la commercialisation de nouveaux mdicaments. De la mise au point d'une substance active la mise sur le march du mdicament proprement dit, plusieurs cycles de tests sont effectus. Le but est de s'assurer que le nouveau produit apporte rellement un "plus", que ce soit en termes d'efficacit, de tolrance, de confort d'utilisation, etc. C'est alors la thorie des tests qui est mise contribution.
37
1
Il faut noter que lanalytique ne concerne pas uniquement les grandes entreprises : elle concerne toutes les entreprises et tous les mtiers dans lesquels la donne joue un rle majeur. Par exemple, l'analytique sera fondamentale pour une PME travaillant dans le domaine du social gaming (jeux sur les mdias sociaux) : l'analyse des logs d'utilisation de ses jeux est sa seule manire de comprendre ses clients et donc son march. Toutefois, les entreprises peuvent rencontrer des difficults ou des enjeux lorsquelles se lancent pour la premire fois dans l'analytique. Le premier enjeu est de faire en sorte que les connaissances issues de l'analytique se traduisent de manire oprationnelle dans le business de l'entreprise, pour apporter de la valeur. Pour cela, il faut que les profils pointus qui prennent en charge l'analytique (des statisticiens) soient bien intgrs dans les processus de l'entreprise et sachent communiquer. Une deuxime difficult est que les statisticiens ont des besoins informatiques particuliers, que ce soit en termes de puissance de traitement, d'espace de stockage ou de vlocit, entre autres. Ces besoins se traduisent par des demandes atypiques, inhabituelles pour une DSI. La data visualization constitue une rponse ces difficults en dmocratisant l'accs l'analytique auprs de publics qui ne sont ni des statisticiens, ni des data miners. Pour y parvenir, la solution SAS Visual Analytics intgre, par exemple, plusieurs mthodes analytiques et choisit automatiquement la meilleure pour rpondre une demande de l'utilisateur. D'un simple clic, par exemple, ce dernier pourra obtenir une prvision sur 6 mois sur un indicateur, sans besoin de comptences particulires en statistiques. Le temps de traitement sera d'une deux secondes et l'utilisation se veut rellement intuitive. Autrement dit, la data visualization permet d'accder l'analytique sans connaissances statistiques pointues et acclre la prise de connaissance et la comprhension des donnes. Elle favorise galement la diffusion de cette connaissance dans la socit. Visual Analytics permet par exemple de la transmettre sous forme de fichiers pdf ou d'tats interactifs sur tablettes. La possibilit de collaborer sur les donnes, en commentant les tats, est galement un moyen pour que celles-ci deviennent un vritable outil de travail, tous les niveaux de l'entreprise. Jrme Cornillet, Responsable de loffre Business Analytics, SAS France
un exemple de data visualization dans le domaine de la recherche pharmaceutique

Les questions de sant et de scurit des patients requirent une forte vigilance afin didentifier des risques ventuels et viter des problmes de sant publique. Le niveau de surveillance demande est en augmentation : la validation des mdicaments en phase dapprobation et aprs mise sur le march est critique. Les mesures terrain ncessitent des analyses approfondies.
Source : SAS
Analyse deffets indsirables
Ce graphique analyse la frquence et la svrit de certains effets indsirables. La matrice de corrlation montre en particulier une corrlation forte entre un mdicament spcifique, le Thiazolidinedione, et les douleurs de poitrine. Pour illustrer limportance de lanalytique dans le domaine pharmaceutique et le rle que la data visualization peut jouer, nous remarquerons que les questions de sant et de scurit des patients requirent une forte vigilance afin didentifier des risques ventuels et viter des problmes de sant publique. Le niveau de surveillance demand est dailleurs en augmentation : la validation des mdicaments en phase dapprobation et aprs mise sur le march est critique. Cest pourquoi les mesures terrain ncessitent des analyses approfondies.
39
1
Cette valeur ajoute permise par la data visualization dans le domaine de lanalytique applique aux big data est confirme par Andrew Musselman dAccenture:
Analytique, dataviz et big data: le trio gagnant
Le dpartement "data visualization" a collabor sur des travaux et des propositions commerciales avec le dpartement analytique trs bien implant dAccenture, qui inclut dsormais un aspect plus nouveau concernant lesbig data. Il nous semble que ces deux facettes sont plus lies que par le pass, pas uniquement pour supprimer les tches en doublon, mais aussi, plus fondamentalement, pour tirer profit des avantages de chaque facette. Laspect big data a beaucoup offrir lanalytique, et vice-versa. Andrew Musselman, Data scientist, ingnieur et architecte dans le dpartement Big Data dAccenture
Lempreinte de mouvement, telle quelle a t expose la Cit de lArchitecture et du Patrimoine, davril aot 20127
7. http://www.orange.com/m_fr/sponsoring/culture/Cite-de-l-architecture-et-du-patrimoine
Notre dmarche de data visualization s'inscrit dans la perspective plus globale des big data. Dans ce contexte, la mise en place d'outils ddis vient servir une dmarche gnrale de traitement des gros volumes de donnes (et des donnes spcifiques oprateurs). Mme si la data visualization est un outil de valorisation des donnes qui peut tre utilis indpendamment des big data, il nous apparat clairement que les deux sont assez lis. Nos projets s'adressent nos clients, dans l'optique de leur proposer, terme, des offres ou des services en adquation avec leurs besoins. Une initiative dveloppe au niveau du groupe, lempreinte de mouvement, analyse et restitue de faon valorise les informations de dplacement collectes pour un ou plusieurs individus. Dans cette approche, nous partons de points physiques, en intgrant une gestion de la temporalit court terme dans un premier temps, avec une captation des donnes effectue intervalles rguliers (par exemple toutes les sept minutes) : il en ressort une sorte de "surface au sol" ou empreinte cartographique que nous sommes en mesure de reprsenter visuellement.
Lempreinte de mouvement, la croise de lart, du business et des big data

Cette visualisation reflte le degr de sdentarit (cest une lecture possible) et met au jour le primtre gographique parcouru, mais galement restitue les habitudes de l'individu, visibles travers ses diffrents trajets. L'outil fait appel une reprsentation logarithmique de manire ne pas craser les dtails. En augmentant les temps d'observation (sur plusieurs jours ou plusieurs semaines) et en incluant une gestion temporelle plus long terme, nous augmentons la pertinence de l'empreinte individuelle en question; lanalyse qui sen suit senrichira paralllement. Catherine Ramus, Chef de projet quipe design, Orange
41
1
Lessor des big data a largement fait merger le besoin en data visualization. En retour, les capacits danalyse et dexploration que celle-ci autorise suscitent encore plus dintrt pour les big data.
"Au final, explique Mouloud Dey, Directeur des Solutions et Marchs mergents chez SAS, dataviz et big data apparaissent souvent disjoints, mais notre conception est autre: ces deux secteurs ont bel et bien partie lie. La data visualization est en effet particulirement intressante lorsque lon dispose de gros volumes de donnes que lon a besoin de mettre en relation, pour leur donner du sens."
> Les progrs dans la comprhension du fonctionnement du cerveau

La science nous a permis datteindre aujourdhui une comprhension beaucoup plus fine du cerveau humain. Elle rvle que la data visualization est une mthode particulirement efficace pour reprsenter, analyser et interprter des donnes.
La data visualization, un outil sur-mesure pour votre cerveau
La vue, qui est gre par le cortex visuel situ larrire du cerveau, est trs rapide et efficace. Nous voyons immdiatement, avec peu defforts. La pense (la cognition), qui est gre principalement par le cortex crbral lavant du cerveau, est beaucoup plus lente et moins efficace. La manire traditionnelle de reprsenter et de donner du sens aux donnes ncessite une pense consciente pour presque lensemble du processus. La data visualization fait au contraire pencher la balance du ct dun plus grand recours la perception visuelle, tirant profit de la puissance de nos yeux autant que possible.
Source: Few, Stephen (2013): Data Visualization for Human Perception. In: Soegaard, Mads and Dam, Rikke Friis (eds.). The Encyclopedia of Human-Computer Interaction, 2nd Ed. Aarhus, Denmark: The Interaction Design Foundation. Available online at http://www.interaction-design.org/encyclopedia/data_visualization_for_human_perception.html
Comme lexplique Noah Iliinsky8 dans une confrence LinkedIn Talks9 mise en ligne en avril 2012, "le cerveau humain est habitu reconnatre des schmas rcurrents. Il agit donc sur le mode dune machine dtecter des motifs (patterns). Ces motifs visibles travers les graphes, par exemple, sont un moyen de comparer les diffrentes informations, par le biais des contrastes qui sen dgagent. De fait, lesprit humain est alors beaucoup plus mme de saisir des tendances, des carts ou des volutions." 10
> Les nouveaux terminaux et les nouvelles interfaces daccs linformation

La data visualization est sans doute le mode danalyse et dexploration des donnes de lre post-PC dans laquelle nous entrons. Alors que selon IDC les ventes mondiales dordinateurs ont plong de 14% au premier trimestre 201311, Gartner prvoit que les ventes de tablettes dpasseront celles de PC en 201712.
Dans ce contexte, les outils de data visualization tirent tout le parti de linterface tactile des tablettes pour permettre de manipuler en direct les graphiques, slectionner diffrentes vues, appliquer des filtres, etc. Cest dailleurs une attente forte de la part des utilisateurs de dataviz, comme en tmoigne lanecdote difiante releve par Pierre-Olivier Sicamois, de Lagardre Active: "La Prsidente de la rgie nous a impos une contrainteunique : il fallait que la solution fonctionne sur iPad."
8. Dot dun Master en Communication Technique obtenu lUniversit de Washington et dune Licence de Physique de la Facult de Reed, Noah Iliinski (@noahi) est un dveloppeur informatique qui semploie rflchir des approches efficaces en matire de conception visuelle ddie la reprsentation de linformation. 9. http://www.youtube.com/watch?v=R-oiKt7bUU8 10. Le compte rendu complet de cette confrence est accessible ici: http://fr.slideshare.net/Cooperatique/noah-iliinsky-prsente-la-dataviz 11. http://www.01net.com/ editorial/592687/chute-historique-des-ventes-mondiales-de-pc-au-1er-trimestre-2013/. 12. http://www.journaldunet.com/ebusiness/internet-mobile/les-ventes-de-tablettes-depasseraient-celles-despc-0413.shtml
43
1
La data visualization sur tablette, loutil danalyse des donnes que les DG attendaient Dans les faits, ds que
nous montrons aux directions gnrales SAS Visual Analytics sur tablette, elles disent unanimement que c'est ce dont elles avaient besoin. En effet, les DG n'ont pas l'utilit rentrer en profondeur dans le dtail des donnes; ce qui les intresse, c'est d'avoir disposition des tableaux de bord intelligents, qui soient utilisables partout, tout moment. Je citerai l'exemple de notre Comit de Direction. Ce dernier disposait auparavant d'un portail avec l'ensemble des tableaux de bord disponibles: avancement des ventes, CA, qualit du service au client... Aujourd'hui, nous avons accs tous ces indicateurs sur iPad. Les mises jour sur le serveur Visual Analytics sont synchronises automatiquement sur mon iPad. Si je veux analyser les tats depuis chez moi, le soir, dans de bonnes conditions en termes de confort et d'ergonomie, j'en ai la possibilit. Nous sommes dsormais tout fait libres et mobiles, tout en restant parfaitement connects aux donnes permettant de piloter l'entreprise. Serge Boulet, Directeur Marketing & Communication, SAS France
Dans certains cas, le fait mme quune partie du personnel soit quipe de certains matriels pousse la diffusion de la data visualization dans lentreprise. Cest ce qui sest pass, par exemple, chez ID Logistics.
Quand liPad sert de porte dentre la dataviz

Le primtre d'application de nos solutions dataviz s'est tabli de manire un peu "triviale" destination d'un cercle restreint (que nous envisageons d'largir): les utilisateurs de l'iPad, et plus prcisment les membres de la Direction des Oprations et de la Direction Gnrale.
Emmanuel Vexlard, DSI, ID Logistics
11. http://www.01net.com/ editorial/592687/chute-historique-des-ventes-mondiales-de-pc-au-1er-trimestre-2013/. 12. http://www.journaldunet.com/ebusiness/internet-mobile/les-ventes-de-tablettes-depasseraient-celles-des-pc-0413.shtml
Exemple de data visualization sur iPad chez ID Logistics
Et ce nest probablement que le dbut. Les progrs des interfaces homme-machine (IHM), de plus en plus intuitives, ouvrent en effet de nouveaux horizons la dataviz.
Le renouvellement des IHM, vivier dinnovations pour la dataviz La data visualization est selon
nous promise un bel avenir, en particulier avec l'arrive prochaine des dalles tactiles, promesse de reprsentations graphiques encore plus interactives, et le boom que devraient connatre les tablettes et la 3D. Or, ces avances technologiques sont synonymes de changement dans les modes de reprsentations. Pour preuve, l'INRIA exprimente actuellement des visualisations multi-crans, impliquant la gestuelle de l'utilisateur. Frdrique Pain, Experience Strategy Director, Alcatel-Lucent Bell Labs
45
1.4 qui sadresse la dataviz?

Tout dabord, levons une confusion possible lie au fait que la data visualization sinscrit souvent dans le cadre des big data. Si la dataviz trouve effectivement tout son sens ds lors quil sagit dexploiter un volume de donnes consquent, il serait faux de croire quelle est rserve aux grandes entreprises. Comme le soulignait Jrme Cornillet de SAS dans la partie 1.3, des organisations de taille rduite peuvent tout fait tre amenes traiter des volumes de donnes importants et trouveront un grand intrt pouvoir le faire de manire simple, sans recourir des spcialistes de lanalyse statistique. Si lon sintresse aux profils des utilisateurs de dataviz, on saperoit quils sont varis, mais peuvent tre regroups en trois grandes catgories: le grand public, les parties prenantes internes de lentreprise (direction, collaborateurs voire prestataires), et enfin des partenaires extrieurs lentreprise. Concernant les usages grand public de la dataviz, nous en avons dj voqu certains dans les pages prcdentes, au travers du "pariteur" de France Tlvisions ou encore de la mise disposition de donnes pour les citoyens de la part du Ministre belge de l conomie. On notera simplement ici quune mme application peut sadresser diffrents publics. Cest notamment le cas des donnes fournies par le SPF conomie belge: "Nos donnes sont disponibles d'une part pour le grand public, qui y accde via un portail open data, et d'autre part pour des utilisateurs l'Institut National de la Statistique" explique ainsi Caroline Denil. Il convient alors de mettre en uvre les modalits daccs et les visualisations les plus appropries (nous y reviendrons).
Un autre exemple de dataviz grand public : Social Ecorama
Social Ecorama13
Le projet Social Ecorama consiste mettre disposition des visiteurs du site Web de BFM-Business un indicateur de lhumeur des mnages et du moral des entreprises. Cet indicateur a plusieurs originalits. Tout dabord, il est construit en analysant les messages posts par les internautes sur les mdias sociaux, de type Twitter et Facebook. Les partenaires technologiques du projet, SAS et Inbox, analysent ces messages, collectent cette grande quantit de donnes textuelles et les analysent pour savoir si elles refltent un sentiment positif ou ngatif, selon diffrents critres. Sont ainsi observs, pour les mnages, les messages ayant trait au chmage, la consommation, au logement, au pouvoir dachat, etc. Du ct des entreprises, ce sont la croissance, les profits, les embauches, les exportations, entre autres, qui sont passs au crible. Pour chaque item, un indicateur de "positivit" est calcul, pour estimer si le climat sur le sujet est plutt loptimisme ou au pessimisme sur les mdias sociaux.
13. http://ecorama.inbox.fr/
47
La deuxime spcificit est que ces indicateurs sont suivis quotidiennement, alors que les enqutes dopinion classiques par sondages sont ralises des frquences de lordre du mois. Enfin, la troisime grande originalit de Social Ecorama est le rendu sous forme de data visualization des rsultats. Les internautes peuvent visualiser lvolution de la positivit des mnages et des entreprises, sous forme de courbes, en slectionnant les mots-cls qui les intressent, ainsi que la priode. Le projet a t lanc le 3 avril 2013 et dj plus de trois mois de donnes sont disponibles pour lexploration. La combinaison de ces trois originalits fait de Social Ecorama une premire mondiale.. Emmanuel Lechypre, ditorialiste, Responsable ple Analyse et Prvisions BFM Business
Mme constat du ct de Clment Delpirou, associ chez InfoPro Digital:

La data visualization permet bien sr d'exploiter et de valoriser nos contenus, mais j'y vois surtout une valeur sre pour rpondre trois objectifs essentiels. En termes d'audience d'abord, c'est le moyen de mettre nos contenus la disposition de tous (ex. : notre classement des coles d'ingnieurs), ou notre cartographie des BTS. C'est deuximement la possibilit d'apporter une relle valeur ajoute la gestion de nos abonnements, ce qui n'est pas ngligeable au vu du paysage mdiatique chahut auquel nous sommes confronts. D'ailleurs, il ne s'agit plus d'abonnements classiques des revues, mais de vritables abonnements des systmes d'information : avec Industry Explorer, par exemple, nous offrons un accs aux magazines, mais galement une consultation fiche par fiche des informations sur les entreprises. C'est ainsi que nous sommes en mesure denrichir notre offre ditoriale tout en dveloppant les revenus de nos abonnements. Enfin, la dataviz est le moyen pour nous de dvelopper des lignes business spcifiques. Avec la cartographie notamment, nous touchons du doigt une valeur allant au del de la valeur de l'abonnement seul, ce qui tait impossible avec les moyens technologiques traditionnels (ex. : on peut consulter une carte de toutes les usines d'Aquitaine ayant dclar investir plus de 10 millions d'euros l'anne prochaine). Clment Delpirou, Associ, InfoPro Digital
En interne, la data visualization est utilise tous les niveaux de lentreprise, de la Direction gnrale aux quipes terrains, en passant par les directions Mtiers. Son usage est mme parfois trs rpandu, y compris dans de vastes organisations, telle quune multinationale comme Philips. Cest ce que nous confirme Menno Haijma, Senior Global Manager chez Philips: "la plupart des personnes concernes sont des managers et des business leaders, que ce soit dans les pays ou au niveau central." En ce qui concerne la DG ou la Prsidence dune entreprise, comme nous lavons dj voqu, cest la capacit obtenir en temps rel, y compris en mobilit, une vision synthtique des grands indicateurs de lentreprise, aliments par des donnes actualises en temps rel, qui sduit.
Dcider laide dindicateurs cls
Dataviz sur iPad chez Prisma Media
Dans une perspective Business Intelligence, nous avons mis en place une solution sur iPad. Celle-ci rpond aux attentes de la Direction, dans la mesure o son action de pilotage ncessite d'avoir disposition des tableaux de bord dots d'indicateurs cls qui puissent favoriser l'analyse et optimiser la prise de dcision. Jrme Tharaud, Responsable des tudes et dveloppement, Prisma Media
49
1
Et il arrive que les chefs de projets dataviz aient des surprises! On saperoit parfois que des informations mises disposition de longue date sous forme dtats classiques sont totalement ignores par la Direction. La dataviz est alors un moyen de les remettre en vidence pour quelles soient enfin utilises.
La data visualization pour diffuser une information disponible, mais qui passait inaperue
Larrive de notre nouveau Directeur Gnral, il y a quatre ou cinq mois, a t loccasion pour la Prsidente de la Rgie Publicitaire et le DG d'organiser une runion du Comit de Direction, au cours de laquelle nous avons ralis un "tour d'horizon" des projets en cours. Voici ce qui nous a t remont: "la rgie publicitaire est plurimdia, mais les statistiques ne remontent aucune donne plurimdia". Cette remarque nous a quelque peu tonns dans la mesure o, justement, notre systme de reporting tait capable de remonter de telles donnes, travers les cubes que nous avions mis en place! Quoi qu'il en soit, nous nous sommes engags auprs de la Prsidente et au DG mettre leur disposition sous un mois de telles statistiques plurimdia. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies Lagardre Active
Concernant les directions mtiers, elles sont doublement intresses par la data visualization. Tout dabord, parce quelles en sont les premires utilisatrices. Mais aussi parce que, sans elles, ces solutions ne pourraient pas tre mises en place. Ce sont les Mtiers qui connaissent les besoins, la signification des chiffres, et qui sont seuls mme dinterprter les visualisations. Ils sont donc la fois consommateurs et coproducteurs de la dataviz.
Le Mtier, la fois utilisateur et co-constructeur de la dataviz

terme, une fois le systme industrialis, c'est la fois aux quipes techniques et aux quipes Mtiers qu'il s'adressera. En effet, ces dernires contribuent largement aux processus de dveloppement, dans la mesure o ce sont elles qui sont charges de paramtrer, de qualifier les donnes, et d'alimenter le moteur. Le systme leur servira dans une vise de reporting et de suivi de la qualit du service propos aux internautes. Eric Lajarige, Responsable de projets search, PagesJaunes
51
PagesJaunes dtecter de manire automatique et via la donne les requtes mal catgorises
Le moteur de recherches PagesJaunes permet aux internautes de rechercher un professionnel dans toute la France, en renseignant deux champs : "Quoi/qui" et "O". La catgorisation dune requte en "Quoi" ou "Qui" est donc particulirement importante. Une mauvaise catgorisation des requtes diminue sensiblement les chances pour un professionnel dtre trouv lors dune recherche. Si un visiteur tape "acacias, Toulouse", on peut penser quil veut acheter des acacias. Cela signifie quon catgorise "acacias" en objet ("Quoi ?"). Et si lutilisateur cherchait en fait ladresse dun restaurant appel "Les Acacias" Toulouse ? Il faut comprendre "Les Acacias" comme le nom dune entreprise ("Qui ?"). Dans un cas, la rponse attendue est une liste de ppinires, dans lautre, ladresse dun restaurant bien identifi. Sachant que la proposition de valeur du groupe PagesJaunes est justement doffrir de la visibilit aux professionnels et aux entreprises, cela peut tre dramatique. Mais comment dtecter les requtes naboutissant pas cause dune mauvaise catgorisation dans le flot des requtes quotidiennes? Pour y parvenir, lagence 55 | fifty-five.com a dvelopp pour PagesJaunes une interface dexploration des requtes, permettant de filtrer une liste de requtes selon diffrents critres interdpendants. Grce cette interface, il devient possible de dtecter visuellement les requtes pour lesquelles la prsomption derreur de catgorisation est la plus forte. Martin Daniel, Chef de projet Data Visual, fifty-five
Linterface de Search Analytics de PagesJaunes (Plus les chiffres dans les colonnes affinage ou localit sont proches de 1, plus la probabilit que le professionnel ait t mal lablis dans la base de donnes est forte.)
53
La plupart des fonctions de lentreprise peuvent bnficier de la data visualization: marketing, commercial, finance, fabrication industrielle, R&D Laurence Kerjean, de LOral, nous le confirme:
La dataviz, cest pour tous les mtiers
Ds lors que la donne "de base" est quantitative, la data visualization est un vrai vecteur pour son exploitation. Tous les mtiers ou domaines sont donc concerns. Dailleurs, mme les donnes qualitatives peuvent tre mises en images, il suffit de les convertir en valeurs numriques (ex.: pas content = 1 point / trs satisfait = 7 points). Pour le marketing en particulier, la data visualization est trs efficace, car elle permet de prsenter des personnels cratifs (par nature) des donnes quantitatives sous forme visuelle, donc plus simples et rapides digrer. Laurence Kerjean, Global Digital Manager LOral
On retrouve souvent des mtiers trs en contact avec le terrain. Jusquici, ces mtiers ne disposaient pas ncessairement des bons outils de reporting ou danalyse, et la dataviz vient propos combler ce manque.
La dataviz, un outil pour comprendre lenvironnement concurrentiel de lentreprise
La solution est accessible l'ensemble des salaris mais, dans les faits, ce sont surtout les dpartements Marketing en Europe et en Amrique qui l'utilisent, ainsi que les studios de dveloppement dans le monde. Charles du Rau Consumer & Market Knowledge Director, Ubisoft des fins d'analyse concurrentielle, nos outils s'adressent aux dpartements Achats, Vente et Marketing essentiellement. Dans cette vise, ils fournissent une intelligence sectorielle pousse utile la dfinition de notre stratgie. Clment Delpirou Associ, Infopro Digital
Dautres contributeurs insistent moins sur cet aspect reporting et mettent davantage en exergue la meilleure comprhension du mtier lui-mme. La reprsentation visuelle permet en effet de rendre compte de la cohrence des processus composant le mtier, ce qui ntait pas toujours possible auparavant.
Mieux comprendre et piloter le mtier, grce la dataviz
La ralisation de reporting nest pas, pour nous, ce quil y a de plus novateur dans la data visualization. Mme sils permettent aujourdhui de filtrer plus finement et doffrir une synthse, les reportings existaient dj dans les outils dinformatique dcisionnelle (BI) classiques. Notre approche de la data visualization se concentre plutt sur la rcupration, nimporte quel moment du cycle dachats, sous forme visuelle et collaborative, de lensemble des informations du rfrentiel de donnes (comptes fournisseurs, prix des articles, catalogues par fournisseurs et familles de produits, recommandations achats, informations en provenance de la supply chain, etc.). Nous obtenons ainsi sous la forme dun tableau de bord une vision synoptique de plusieurs processus mtiers qui taient jusqualors disjoints. Cest l que rside pour nous la vritable innovation. Franck Jouenne, Director, IT & Services Strategic Sourcing, Alcatel-Lucent
Enfin, grce son aspect pratique, la dataviz sort des bureaux et porte la puissance de lanalytique au plus prs du terrain. Les quipes oprationnelles peuvent sen servir pour prendre des dcisions rapidement, comme cest le cas chez STMicroelectronics.
La dataviz, un outil de choix dans lindustrie
Nous implmentons nos solutions DataViz l'intention de l'ensemble de nos salaris: de l'ouvrier au chef de service, en passant par le technicien. Dans ce cadre, un ouvrier recourra plus frquemment aux cartes de contrle et graphes d'tat des machines, par exemple, tandis que le chef de service s'intressera aux tendances du rendement. Guillaume Deschamps, FMT / Central Functions YTI / EDA, ST Microelectronics
55
1
Toujours dans le domaine de lindustrie, la data visualization permet de comprendre certaines situations techniques complexes et de prendre les bonnes dcisions. Un public dingnieurs y trouvera donc son avantage.
La data visualization au service des ingnieurs

Je considre que l'apport de la dataviz peut tre particulirement intressant pour les ingnieurs sur des points ncessitant une expertise pointue, mais galement pour les dcideurs. La gestion de la restitution de l'nergie produite par les diffrents trains l'illustre particulirement bien: un train qui freine produit une nergie consquente et difficilement stockable. C'est pourquoi il vaut mieux l'utiliser ds qu'elle est produite, en la rinjectant sur un autre train. La possibilit de localiser sur une carte ces points de restitution n'est pas ngligeable: visualiser prcisment la rcupration nergtique luvre contribue calculer la consommation lectrique, tablir les cots associs, ainsi qu' dfinir les actions conduire en consquence. En l'occurrence, la data visualization permet ici nos ingnieurs experts de mieux visualiser quel endroit ou en quelle zone faire figurer un stockeur... C'est galement le moyen pour les dcideurs d'apprhender les secteurs o il est intressant d'investir. Maguelonne Chandesris, Responsable de lquipe Statistique, conomtrie et Datamining, Direction Innovation & Recherche SNCF
Un autre secteur industriel dans lequel la data visualization se rvle trs utile est celui de lnergie.
La data visualization applique au secteur de lnergie
Source : SAS
Gestion des Compteurs Intelligents
Le dploiement des compteurs intelligents doit permettre doptimiser la distribution dnergie dans le rseau grce un suivi fin (tendance, profils) et lanticipation de la demande (prvision maintenance). La volumtrie des donnes analyser est un enjeu crucial, la rapidit et la capacit danalyse primordiale. Ce graphique illustre la consommation lectrique selon diffrents profils (horaire, journalier) ainsi que le suivi en continu de la tendance. Le graphique bulles prsente la consommation par zone gographique.
57
1
Pour clore cet aperu des diffrentes fonctions pouvant mettre profit la data visualization, nous pouvons dire que lventail est trs large. Des directions ou secteurs dactivit les plus classiques dautres que lon attendrait moins, la dataviz se fraye de plus en plus un passage dans les entreprises.
Quand la dataviz fait trembler les fraudeurs!
Il arrive que certains professionnels aient des comportements frauduleux ou contribuent une fraude gnralise, voire carrment organise en rseau (dtournement ou abus de prestations sociales, fraude lassurance). Ce genre de fraude est difficile dtecter lorsqu'on considre une transaction isole, de type rparation de vhicule ou vente d'une paire de lunettes, par exemple. En revanche, partir du moment o l'on arrive mettre en relation un grand nombre d'assurs bnficiant de la mme complaisance ou de la mme fraude, il est possible de mettre en vidence des rseaux collusoires entre assurs et professionnels. Cela est difficile, sinon impossible, par la seule tude de tableaux chiffrs. Une reprsentation graphique peut permettre de reprer des schmas ou des points anormaux du premier coup dil, qui peuvent signaler une fraude possible. noter que la dataviz est utilise dans la dtection des fraudes aussi bien par des assureurs privs que dans le cas des indemnisations publiques (indemnits chmage, allocations familiales, etc.). Je vous en donnerai d'ailleurs une illustration flagrante avec une rfrence parmi nos clients.Le Comt de Los Angeles a eu l'ide de superposer le graphe des donnes reprsentant la distribution des prestations sociales avec les coordonnes gographiques correspondantes : il a eu alors la surprise de constater qu'une zone de forte distribution de prestations sociales concidait avec des secteurs rsidentiels ! C'est grce une telle combinaison de dimensions multiples (donnes sociales, donnes des assureurs, coordonnes gographiques, voire conversations sur les mdias sociaux) qu'une prsomption de fraude peut gagner en forceet finir par s'imposer d'elle-mme. Mouloud Dey, Directeur des Solutions et Marchs mergents, SAS France
Enfin, dernier public de la data visualization, et non des moindres: les clients de lentreprise. Lexemple dIFR GfK est particulirement reprsentatif. Le groupe ralise des enqutes lies la distribution de biens de grande consommation travers trois mthodes principales: des panels dtaillants, des tudes ad hoc (questionnaires) et le recensement des produits disponibles sur tagres. Le produit quil commercialise ses clients, issus de ces recherches, cest de la donne. Or, si certains clients restent fidles au reporting classique, un nouveau segment apparat dune clientle friande doutils plus visuels. On le voit, la data visualization se prte une grande varit dusages. Ceux-ci peuvent faire lobjet de regroupements, tels que celui propos par Frdrique Pain dAlcatel-Lucent:
grandes familles dusages
D'un point de vue gnral, la data visualization a quatre champs d'application principaux: lanalyse des donnes des fins de reporting; lexploitation des donnes pour expliquer le monde (ex.: tudes mdicales); l'optimisation des processus (ex.: logistique); la prdiction, faisant intervenir l'tude pousse de patterns, pour anticiper les phnomnes venir.
Frdrique Pain, Experience Strategy Director, Alcatel-Lucent Bell Labs
Si la dataviz apparat aussi transverse, cest parce quelle prsente toute une srie davantages, que nous allons dtailler dans la deuxime partie de louvrage
59
2 1
Les bnfices de la data visualization

Par del l extrme varit de leurs secteurs dactivits et de leurs usages, nos contributeurs saccordent sur une srie de bnfices de la data visualization, tant pour lentreprise que pour les utilisateurs eux-mmes. De manire synthtique, nous pouvons dire que la dataviz amliore: > la comprhension des donnes, > l a communication des donnes, > la prise de dcision, > l a motivation des utilisateurs, > l a capacit innover.
2.1 la dataviz facilite la comprhension des donnes

Lexemple du quartet dAnscombe, dans la partie 1, illustrait dun point de vue thorique quun tableau de chiffres ntait pas toujours facile interprter et quun graphique pouvait tre bien plus loquent. Dun point de vue pratique, les contributeurs que nous avons interrogs font cette constatation: lorsquil sagit danalyser les donnes pour leur donner un sens, la reprsentation graphique est un alli de taille. Cest par exemple ce que nous confirme Pierre-Olivier Sicamois de Lagardre Active:
La data visualization pour mieux comprendre le comportement des annonceurs
Nous avons choisi de recourir la dataviz pour simplifier laccs l'information et pour combler nos lacunes dans l'apprhension de certaines donnes. En effet, la lecture de tableaux est utile lorsque le chiffre en lui-mme est primordial (ex.: CA). Mais autrement, un camembert est bien plus parlant : il permet de visualiser prcisment la rpartition des diffrents mdias, la prdominance d'un mdia sur un autre ou bien le panachage de ces mdias par annonceur... Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
61
1 2
Cet avantage de la dataviz sur les tableaux de chiffres bruts est renforc par la conjonction de deux phnomnes. Dune part, lenvironnement de lentreprise est de plus en plus complexe, et met en jeu des donnes de natures trs diffrentes.
Visualiser simultanment et intelligemment des donnes de natures diffrentes
Il n'est pas rare qu'une requte client retourne jusqu 80 combinaisons d'itinraires diffrentes! nous de dfinir les bons leviers pour que le client arrive s'y retrouver, et ce selon diffrentes dimensions. Par exemple, nous devons nous interroger sur la meilleure manire de reprsenter la fois les grilles horaires, les prix et les donnes gographiques. Frdrique Ville, Directrice de l'Innovation, Voyages-sncf.com
Mytripset, Voyages-sncf.com
Mytripset, Voyages-sncf.com
L'originalit, ici, c'est de montrer que l'on peut agrger et visualiser simultanment des donnes de structures diffrentes : des donnes de production ("les trains") et des donnes commerciales ("comment sont remplis les trains ?"). Nous "donnons voir" la complexit du systme1. Maguelonne Chandesris, Responsable de lquipe Statistique, conomtrie et Datamining, Direction Innovation & Recherche SNCF
Nous avons rendu disponible de linformation qui ne ltait pas auparavant, rien quen combinant diffrentes sources. Yves Daelmans, ICT Project Manager, IMEC
La data visualization permet justement de reprsenter simplement cette complexit, donc de la rendre assimilable pour en tirer de la valeur. Cest ce que nous explique Bernard Lebelle, fondateur de lagence Bleu-Cobalt et auteur de Convaincre avec des graphiques efficaces (Eyrolles, 2009) et Dites-le en images: des ides? Un crayon! (Eyrolles, 2013):
1. Pour plus de dtails et exemples, on se reportera au site http://senseable.mit.edu/trainsofdata/
63
2 1
Matriser le complexe pour identifier les gisements de croissance Source: Bleu-Cobalt
Rendre visuelles les dimensions complexes (temporelles, gographiques, relationnelles) permet de mieux identifier les gisements de productivit, de comptitivit ou de marge. Dans lexemple suivant, nous avons 4 dimensions (CA, parts de march, volution temporelle et 2 acteurs diffrents) reprsentes sur un seul graphique. Par ailleurs, en enrichissant et en optimisant le traitement graphique des donnes, on vite le syndrome dinformation overload (lorsque lajout dune trop grande volumtrie de donnes chiffres sur de nouvelles dimensions vient saturer les capacits de traitement de lesprit humain). Dimportants volumes de donnes multidimensionnelles deviennent soudain facilement assimilables. Bernard Lebelle, Fondateur de Bleu-Cobalt
Dautre part, lconomie sacclre et il faut russir apprhender cette complexit rapidement.
Comprendre plus vite
Dans un contexte o tout s'acclre et o nous n'avons plus le temps de lire de grands rapports pleins de dtails, la data visualization est un moyen de comprendre et d'analyser plus vite.Elle nous permet de bnficier tout de suite, en un coup dil, d'une vue globale sur les indicateurs cls de l'entreprise. Emmanuel Vexlard, DSI, ID Logistics
Face cette double contrainte, les entreprises se rendent lvidence: il est illusoire de vouloir tout mettre en quations, de tout rationaliser. Leur monde nest pas soluble dans des modles thoriques. Elles se convertissent donc une autre manire, plus empirique, de considrer leurs donnes, pour que puisse merger leur signification. La data visualization se prte bien cette observation sans a priori. Ainsi, pour reprendre les termes de Claude-Henri Mldo, "Une grande nouveaut qu'introduit la data visualization, notamment dans un contexte big data, est l'apparition de graphiques qui ne viennent pas en aval d'une analyse, pour expliquer ou communiquer, mais en amont, pour explorer."
65
2 1
la dcouverte des donnes
Avec la BI traditionnelle, l'utilisateur est en mode requtage (slection, puis rcupration des donnes) et doit se poser les questions a priori. En ce sens, d'une certaine faon, la BI traditionnelle "rduit la donne" et coupe peut-tre l'utilisateur d'une information qu'il aurait vue en rcuprant toute la donne de faon visuelle. Ainsi, avec les outils classiques, une invraisemblance ne saute pas ncessairement aux yeux et risque de nous chapper. Si nous envisageons les choses dans un contexte Big Data, c'est d'autant plus frappant. Avec la dataviz, en revanche, l'utilisateur est dans un mode de dcouverte totale des donnes. Il a la possibilit d'entreprendre une analyse exploratoire, de "se promener dans les donnes". Imaginons une srie de donnes comportant une donne aberrante, soit lie un problme de qualit des donnes, soit au contraire refltant une exception digne d'intrt. Je vous dfie de la reprer avec un outil de BI traditionnel, sauf multiplier les requtes. Avec une interface visuelle, vous serez tout de suite alert par cette donne particulire. En dfinitive, le ct visuel apporte beaucoup. Nombre de nos clients sont dj rompus aux mcanismes de la BI ou des statistiques, mais les outils de data visualization sont pour eux loccasion de se demander s'il n'y a pas des questions qu'ils avaient clipses avec la BI classique qu'ils pourraient envisager sous un angle nouveau. C'est tout un univers d'horizons qui s'offre eux. Serge Boulet, Directeur Marketing & Communication, SAS France
Deux exemples de pilotage enrichi par la Data Visualization:
Data visualization et pilotage des fournisseurs
Source : SAS
Ce graphique fait partie dun tableau de bord de pilotage achat. Il montre lvolution dans le temps de la marge brute et du cot. Le treemap montre la rpartition des montants par fournisseur.
67
2 1
Deux exemples de pilotage enrichi par la Data Visualization: Data visualisation et tableau de bord financier
Source : SAS
Ce graphique fait partie dun tableau de bord de pilotage financier. Il illustre lvolution du revenu sur deux ans (ralis et prvu). Lhistogramme montre lvolution du profit mensuel sur la mme priode.
Plusieurs entreprises nous ont dailleurs fait part de leurs actions concrtes ou de leurs intentions dutiliser la data visualization des fins dexploration.
La data visualisation pour explorer des tendances

La dataviz est, n'en pas douter, un moyen d'explorer les donnes de manire pousse, ce qui, dans une vise marketing, s'avre des plus intressants: le filtrage ou la possibilit de zoomer sur un instant t, par exemple, sont des moyens mis au service de l'exploration de tendances. Ils permettent de valider des hypothses, mais galement de procder des exprimentations en termes d'exprience utilisateur. Frdrique Pain, Experience Strategy Director, Alcatel-Lucent Bell Labs
Lidal serait pour nous de russir rvler une information jusqu'alors invisible, au moyen de la data visualization. Notre outil vise ainsi, terme, dgager d'un volume de donnes phnomnal des tendances difficiles apprhender sans reprsentation visuelle. C'est un point que nous souhaiterions approfondir, et plus prcisment pour nos donnes marketing. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
Par sa capacit faire ressortir de manire graphique trs parlante des donnes aberrantes, la data visualization en mode exploratoire est aussi un excellent moyen de reprer des problmes, et donc dy remdier.
69
2 1
Explorer pour corriger
Notre besoin tait d'explorer notre data set, pour mieux apprhender la pertinence des rsultats que nous renvoyons aux internautes.En effet, pour amliorer la qualit de notre indexation, nous n'avions jusqu'alors notre disposition que des remontes statistiques difficiles exploiter lorsque l'on sait que nous traitons des dizaines de millions de requtes par mois. Dans ce volume, il est particulirement difficile de dtecter les requtes sur lesquelles notre moteur rpond mal. Un outil comme la data visualization va nous donner un autre levier pour dceler plus rapidement les dysfonctionnements. ric Lajarige, Responsable de projets search, PagesJaunes
Enfin, la dataviz permet lexploration de donnes jusqualors inexploites et mal comprises, les donnes non structures. Cest dautant plus important que le volume de celles-ci explose, notamment sous la pousse des mdias sociaux.
La dataviz pour explorer les contenus du Web et du Web social
Le cas des contenus publis sur la Toile est loquent : l'analyse et la mise en relation des thmatiques, des mots, des phrases, des documents (et ventuellement, derrire, des liens entre les individus) constituent une formidable mine d'or pour les directions Marketing, mais galement pour les acteurs de l'intelligence conomique en gnral. Plus spcifiquement, il y a des relations que nous ne pouvons percevoir lil nu, mais que nous sommes mme d'apprhender par le biais danalyses graphiques sophistiques. C'est le cas notamment des analyses de graphes sociaux qui permettent de mettre en vidence des relations non triviales entre les individus. C'est pour moi un apport majeur de la data visualization. Pour dire les choses autrement, nous avons besoin de la dataviz pour rvler "ce qui n'est pas immdiatement perceptible", et la problmatique des Big Data vient renforcer ce besoin. Mouloud Dey, Directeur des Solutions et Marchs mergents, SAS France
En dfinitive, la data visualization nous invite reprendre la distinction classique entre donnes, information et connaissance. Si les donnes sont des lments unitaires, bruts, refltant une ralit, linformation est leur mise en cohrence pour leur donner du sens.
71
2 1
La dataviz au cur du processus de dcision: les bienfaits dune dmarche analytique
Trs simplificateur, lexemple dAnscombe1 illustre toutefois parfaitement les apports de la data visualization dans une approche quon pourrait qualifier danalytique et la ncessaire complmentarit des solutions mettre en uvre dans un processus de dcision bas sur des donnes. Dans ce cas prcis, la data visualization invite remettre en cause le modle trs (trop) simple dajustement linaire, videmment insuffisant pour dcrire et expliquer de manire pertinente les donnes observes, et rechercher des modles alternatifs plus prcis et plus adapts. Les Anglo-saxons disposent de termes simples pour exprimer ces approches complmentaires. Disposer dun recul suffisant (HINDSIGHT), apporter des clairages sous diffrents angles (INSIGHT), enfin se doter dune relle clairvoyance, pour ne pas dire prvoyance (FORESIGHT), forment les trois principaux piliers dune dmarche exprimentale approprie un processus de dcision centr sur lanalytique, visant donner du sens aux donnes et justifier des dcisions optimales. Une tude rcente a montr que sur les 10 dernires annes, les entreprises du S&P 500 qui utilisent lanalytique au cur de leurs processus de dcision surperforment leurs concurrents denviron 64%. Lutilisation dapproches analytiques centres sur les donnes trouve en effet sa lgitimit dans un nombre croissant de processus mtiers, qui en retirent des bnfices impressionnants.
Mouloud Dey, Directeur des Solutions et Marchs mergents, SAS France
1. Voir I.1, Dfinitions de la dataviz
Le revenue management ou yield management largement utilis par les compagnies ariennes, les grandes chanes htelires (mais aussi par la SNCF2) depuis de nombreuses annes est un exemple concret dapproche "business analytics". Des dcisions optimales (fixation des prix) sont prises en fonction de modles de prvision de la demande (forecasting) et dhypothses dcoulement du stock des prestations offrir (siges davion ou de train, chambres dhtel). Ce genre dapproche se dcline aujourdhui grande chelle pour fixer les prix des articles, des dmarques et optimiser les marges chez les acteurs les plus avancs de la grande distribution. Dans des domaines aussi varis que le marketing (mais aussi la prvention de la fraude, les octrois de crdit, etc.), lobservation historique de caractristiques individuelles permet aujourdhui de segmenter, de modliser, de "profiler" et danticiper assez prcisment les comportements de chacun dentre nous. Enfin, dans le domaine industriel, la maintenance dquipements critiques (plates-formes de forage, centrales lectriques) justifie galement, au vu des enjeux financiers, une relle prvention des risques de dfaillance, que la modlisation prdictive permet daffiner. La data visualization, au cur de ces approches analytiques, apporte le recul et les clairages pralables la modlisation dans ces diffrents processus mtiers, mais aussi les analyses dimpacts relatives la mise en uvre effective de ces modles.
On peut dire que la dataviz achve le cheminement en permettant aux utilisateurs de sapproprier cette information, de la manipuler, pour faire ressortir sa valeur dans son contexte. Mais pour que cette valeur trouve tout son potentiel, il convient quelle se diffuse dans lorganisation. Cest ce que nous allons voir au chapitre suivant.
73
2. Voir I.2, encadr "La dataviz pour faire voluer loffre de la SNCF dans diffrents domaines"
1 2
2.2 la dataviz amliore la communication

Les donnes ne refltent pas seulement la ralit, elles ne sont pas uniquement un levier de pilotage. Elles sont galement un outil de communication. Malheureusement, peu dentre nous parlent couramment leur langage. Nous avons, pour la plupart, besoin dun interprte pour nous faire pntrer dans lintelligence de la donne. Cest l que la data visualization intervient. Cet usage de la dataviz des fins de communication concerne autant lintrieur des organisations que leur rapport avec leur environnement, aussi bien les entreprises que les services publics ou ladministration. Cest ainsi que le SPF conomie en fait usage dans sa communication en direction des citoyens belges.
Amliorer la communication vers les citoyens

Les bnfices de notre programme dataviz sont consquents pour l'ensemble des citoyens: ces derniers ont non seulement besoin de graphes reprsentant les volutions (ex.: volution des assujettis la TVA), mais aussi de pouvoir exporter leurs donnes comme bon leur semble. C'est ce qu'aujourd'hui nous sommes en mesure de leur proposer. Caroline Denil, Data Warehouse Program Manager, SPF conomie
2.2 la dataviz amliore la communication
Data visualization permettant de naviguer sur une carte pour dcouvrir le prix moyen ou mdian des appartements et dexporter les rsultats au format csv.1
Lapptence pour les tableaux de chiffres complexes nest pas plus grande dans les entreprises que dans le grand public. En particulier, le top management ne souhaitera pas, en gnral, fouiller des tats volumineux et compliqus. Ce dont il a besoin, cest dune reprsentation claire et lgante de linformation pour lui permettre de prendre ses dcisions. Dans ce contexte, la reprsentation graphique des donnes trouve tout son sens.
Des tats plus faciles apprhender pour des dcideurs ayant peu de temps
Nos dmarches en matire de data visualization s'inscrivent dans la continuit des efforts que nous avons entrepris en matire de Business Intelligence. Elles font appel une composante forte : la volont de rendre les rapports et les donnes plus sexy, autrement dit, plus simples comprendre. Actuellement, nos efforts visent essentiellement rendre les donnes plus esthtiques, plus abordables, in fine plus accessibles aux gens qui ont peu de temps disposition pour apprhender rellement la teneur de l'information. Nous pouvons donc dire que notre dataviz est aujourd'hui principalement oriente reporting. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire Direction des Technologies, Lagardre Active
1. http://economie.fgov.be/fr/statistiques/chiffres/economie/construction_industrie/ immo/prix_moyen_appartements/
75
1 2
Enfin, lentreprise se doit de faire le mme effort lorsquelle communique vers ses clients, confronts aux mmes problmes de ressources et de disponibilit. En ce sens, la data visualization nest que le prolongement logique de lhistoire de la BI.
La datavisualisation, volution naturelle de la communication des donnes ses clients
La data visualization est laboutissement dune longue histoire en matire de reporting. une poque pas si lointaine, les donnes que nous collections taient stockes sous forme papier et nous envoyions des classeurs nos clients. Une salle entire tait rserve nos archives. La deuxime tape a consist communiquer ces donnes au format numrique, sous forme de fichiers. Ds lors, nous avons commenc transformer les donnes en graphiques, pour les rendre plus "comestibles". La troisime tape, celle que nous vivons aujourdhui, est une tape dans laquelle nous nous devons de collecter une information de plus en plus complexe et volumineuse. Dans le mme temps, nos clients ont de moins en moins de temps, et des quipes de plus en plus rduites, pour traiter linformation que nous leur fournissons. Cest ce qui nous a amens, depuis 3 ans et surtout depuis 2013, dployer un nouveau mode daccs nos donnes sous forme de data visualization. Cette offre est dores et dj disponible pour lensemble de nos clients dans le monde. Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Comprises, communiques, les donnes deviennent un levier daction. Cest ce que le chapitre 2.3 semploie montrer.
2.3 la dataviz optimise et acclre la prise de dcision

Comme nous lavons vu dans la premire partie, la data visualization est souvent utilise des fins de pilotage. Cela se comprend aisment si lon considre la souplesse et lefficacit quelle permet dans la prise de dcision. Jrme Tharaud de Prisma Media nous le confirme: "Les apports de la dataviz sont indiscutables, que ce soit en termes de stratgie commerciale ou de prise de dcision au plus haut niveau." La raison en est simple: grce ces nouveaux outils, les managers disposent rapidement et dune manire lisible des informations leur permettant de trancher.
Des indicateurs la demande, pour dcider

Dsormais, quel que soit l'angle de l'analyse que l'on souhaite faire, cela se fait en mode presse-bouton : un ou deux clics suffisent pour obtenir le rsultat souhait, sans besoin d'effectuer une succession de requtes. Sandrine Noail, Responsable Analyse et Pilotage, Coliposte
Dsormais, nous sommes capables dextraire des donnes et den dduire des indicateurs la dernire minute, quand notre management en a besoin, alors quauparavant cela demandait une longue procdure. Yves Daelmans, ICT Project Manager IMEC
77
2 1
Cette acclration dans la mise disposition des indicateurs est dailleurs perue comme lun des retours sur investissements majeurs de la data visualization. En tmoigne lexemple de PagesJaunes:
Un ROI qui se mesure en temps
Nous mesurons le retour sur investissement de notre dmarche dans le temps libr pour nos collaborateurs. Auparavant, les managers mettaient une demijourne voire une journe en dbut de semaine pour obtenir les chiffres de la fabrication. Maintenant, les rapports sortent en deux minutes. Le ratio est vite calcul ! Et en plus, les managers peuvent avoir ces informations mises jour tout moment, et non plus une fois par semaine. Richard Coffre, Senior Business Analyst, PagesJaunes
Qui plus est, les dcideurs ont dsormais directement les KPI utiles leur disposition: ils nont plus besoin de les demander, voire de les commander lavance.
La dataviz ou les indicateurs cls porte de main des dirigeants
Alors que les dirigeants, traditionnellement, n'aiment pas beaucoup manipuler des outils, ils apprcient la dataviz pour deux raisons. Premirement, elle est parfaitement aligne avec le plan d'action commerciale et la stratgie de l'entreprise; deuximement, ils peuvent manipuler l'outil simplement et sont autonomes. Sandrine Noail, Responsable Analyse et Pilotage, Coliposte
2.4 la dataviz contribue la motivation des collaborateurs

La data visualization sintgre dans le mouvement vers la prise dautonomie, lenrichissement du travail et la responsabilisation de plus en plus attendue par les collaborateurs dans les entreprises, comme lindique Yves Daelmans, ICT Project Manager dIMEC: "Les utilisateurs apprcient de pouvoir manipuler les tats par eux-mmes." Cest dautant plus vrai pour les digital natives, habitus dans leur vie personnelle et leurs loisirs crer librement avec les outils numriques et qui ne comprendraient pas ne pas pouvoir le faire sur leur lieu de travail. Cest ce qui explique lmergence dun nouveau personnage dans les organisations, le power user. Non spcialiste de la BI, plutt ct mtier, il sapproprie les outils de dataviz et dveloppe une relle expertise dont il peut faire bnficier les autres.
Le rle particulier du Power User
La nouvelle BI permise par la data visualization permet lutilisateur d'accder un degr d'autosuffisance accru. Dans ce contexte, un type dacteur joue un rle majeur: le power user. Je distingue chez le power user deux caractristiques fondamentales : l'autonomie et l'expertise. Le power user est un collaborateur au sein d'une direction Mtier qui matrise suffisamment les outils BI ou d'analyse pour se dbrouiller tout seul, en vertu d'un background adquat ou parce que, tant passionn, il est devenu expert par lui-mme. Autrement dit, il sait faire beaucoup de choses, de par son mtier, ou bien parce qu'il a appris sur le terrain par la force des choses. C'est quelqu'un qui n'a besoin d'aucune assistance, voire qui peut aider les autres. Serge Boulet, Directeur Marketing & Communication, SAS France
79
2 1
cet gard, le cas du centre de recherche IMEC est intressant, car les power users sont intgrs dans un processus bien dfini.
Power users: autonomie totale un niveau local, intgration dans le processus IT en cas dutilisation plus large
Notre centre de comptence BI est compos de 36 power users. Ils ont accs aux donnes sources de notre data warehouse et peuvent crer leurs propres rapports, quils peuvent distribuer directement une communaut restreinte. Sil savre que ces rapports ont vocation tre utiliss par une audience plus large au sein dIMEC, ils retournent lIT et entrent dans le processus classique de dveloppement et de dploiement Yves Daelmans, ICT Project Manager, IMEC
Limpact sur les quipes nest toutefois pas rserv aux power users. Lorsquelle sapplique au management (indicateurs de performance individuelle, suivi des objectifs annuels), la data visualization contribue la transparence. Managers, cadres, contrematres, ouvriers et salaris peuvent discuter partir des mmes tableaux de bord et rajuster le tir trs vite si ncessaire. Autrement dit, la dataviz devient outil de dialogue social.
La dataviz, outil de management
La disponibilit plus rapide et plus frquente des rapports permise par la dataviz concourt au management de proximit que nous avons souhait mettre en place. Quand le manager a plus dinformations sur lactivit de celui quil manage, et quand ces informations sont fiables, les deux peuvent plus facilement discuter. Une confiance sinstaure. Cest particulirement apprciable pour le suivi en continu des objectifs annuels de chaque collaborateur, tout au long de lanne, entre autres. Richard Coffre, Senior Business Analyst, PagesJaunes
2.4 la dataviz contribue la motivation des collaborateurs
Enfin, parce que la data visualization peut tre rendue disponible trs vite et parce quelle est immdiatement utile aux quipes, elle est un gage de lattention que leur porte lencadrement. Elle tmoigne du souci de leur donner des outils qui les aident dans leur travail et qui soient agrables utiliser. Ce genre de gage est dautant plus important que lentreprise est confronte des enjeux forts, quil sagisse de rorganisation ou de lutte concurrentielle. Ces enjeux mettent les quipes sous pression; leur fournir une aide comme la data visualization permet de montrer aux collaborateurs que leffort nest pas sens unique.
Un autre gain est que ces outils trs pratiques, directement utilisables par les quipes, ont contribu rassurer les collaborateurs, dans la phase de rorganisation que nous avons connue, naturellement anxiogne comme toutes les priodes de ce type. La mise disposition de la data visualization, rapide, utile, a permis de montrer chacun que, mme si la rorganisation impliquait des changements dhabitudes pas forcment faciles grer, le management portait une attention aux quipes en essayant de leur fournir des outils pour leur faciliter la vie. Richard Coffre, Senior Business Analyst, PagesJaunes
La data visualization, levier de rassurance pour les quipes
En dfinitive, lorsque les collaborateurs de lentreprise ont accs aux donnes et quils voient quelles sont utiles, et utilises, ils sentent quun cap est donn par leur encadrement. Le sentiment de matrise qui en rsulte est de nature les motiver.
81
2 1
2.5 La dataviz favorise linnovation

Enfin, on ne saurait clore cette partie sur les bnfices de la data visualization sans examiner son potentiel en termes dinnovation. En effet, la dataviz est aussi un domaine de recherche qui peut amener lentreprise envisager de nouvelles possibilits. Elle est en particulier un terrain dexprimentation de nouveaux modes dinteraction avec les utilisateurs.
La dataviz pour donner du sens aux technologies et les rendre accessibles lutilisateur
L'activit du groupe Alcatel Lucent met en jeu des comptences aussi varies que la cration dalgorithmes ou la computer science. Lorsque c'est l'utilisateur final qui est impliqu, nous entrons dans le domaine de l'exprience utilisateur. C'est alors que s'amorce une rflexion sur les technologies, destine leur donner sens: il s'agit ici de rendre la teneur de ces technologies accessible aux usagers, c'est--dire de leur donner vie, de manire les traduire par des services qui leur soient utiles, et valorisables conomiquement parlant. C'est cette tape qu'intervient plus prcisment notre dmarche de data visualization, et dans ce cadre, je mets au service de l'exprience utilisateur mes comptences de designer industriel et d'ergonome. C'est pourquoi je considre la data visualization comme un moyen de donner du sens lanalyse de donnes, en la rendant accessible aux usagers. rdrique Pain, Experience Strategy Director, F Alcatel-Lucent Bell Labs
2.5 la dataviz favorise linnovation
Un projet men par lAcceleration Platform des Bell Labs Alcatel-Lucent: reprsentation des applications mobiles utilises dans le temps et par quantit dutilisateurs
On remarquera que si les chercheurs sont videmment en premire ligne dans ce travail dinnovation, ils mettent un point dhonneur faire sortir la data visualisation des labos. Les recherches en termes de dataviz ont des finalits rsolument pratiques.
Une innovation trs pragmatique
Notre travail ne vise pas seulement nous projeter dans l'avenir, mais avant tout fournir en appui interne des solutions qui soient oprationnelles terme. Dans ce contexte, la dataviz permet de : > donner voir, en rvlant toute la richesse potentielle d'exploitation des donnes. Notre action revt ici un caractre trs nettement pdagogique; > donner penser en ouvrant le champ des possibles; > prfigurer les applications et interfaces des outils daide la dcision de demain. Responsable de lquipe Statistique, conomtrie et Datamining, Direction Innovation & Recherche SNCF
Au final, cette dmarche trs en amont contribue diffuser de linnovation dans le groupe et alimente la crativit en vue de futures offres proposes aux clients.
83
1 3
2 3
Caractristiques des projets dataviz
3. Caractristiques des projets dataviz
Maintenant que nous avons vu ce qutait la data visualization, ses applications et ses avantages, nous allons examiner dans cette partie les meilleures manires de la mettre en place. En effet, passer la dataviz est un projet, rpondant aux exigences mthodologiques de tout projet, mais avec deux atouts non ngligeables: la rapidit et la lgret. ce titre, la dataviz sinscrit trs bien dans les dmarches de gestion de projet agiles qui se dveloppent dans les entreprises, comme nous lexpliqueront nos contributeurs. Nous verrons galement que la data visualization peut, dans certains cas, redistribuer les cartes entre la DSI et les Mtiers. Les contributeurs de louvrage nous donneront des pistes pour une relation gagnant-gagnant sur ce sujet. Cette relation de partenariat DSI-Mtiers fait partie des facteurs cls de succs dun projet dataviz russi. Il y en a dautres, que nous passerons galement en revue, ainsi que les cueils pouvant se prsenter et les faons de les dpasser.
85
3.1 des projets rapides et lgers

Une premire caractristique des projets de data visualization est quils sont, dans lensemble, rapides mener. Leur gros avantage est en particulier de rduire le temps entre le lancement du projet et la capacit montrer une premire version oprationnelle.
Des premires versions disponibles rapidement

Nous avons produit une premire version "socle" en moins de cinq semaines, pour dmontrer l'intrt de la dmarche la Direction commerciale. Forts des ractions positives reues, nous avons dmarr le projet sur la base de vingt jours de production en avril-mai 2013. Tout a gr par une quipe peu nombreuse, mais experte, de trois personnes uniquement !
Sandrine Noail, Responsable Analyse et Pilotage, Coliposte
En quinze jours, nous avons conu une version 0 de notre solution. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
3.1 des projets rapides et lgers
Plusieurs raisons expliquent cette rapidit. Lune dentre elles est que les projets dataviz ncessitent des ressources matrielles et logicielles qui interfrent peu avec les architectures existantes. Ils ne requirent donc pas des cycles de validation budgtaire longs et complexes: lenvironnement ncessaire peut tre disponible en peu de temps.
Des ressources techniques requises plutt lgres
Les volutions technologiques rcentes, telles que le dveloppement des formats de type json (DS.JS3), nous mettent en connexion directe avec les donnes. Grce ces formats, nous pouvons rcuprer de tous horizons des donnes varies, en faisant appel des applications standards. Une vritable interface homme - data est ainsi en train de s'instaurer. Nos ressources orientes Web ou Design sont mme et sans pour autant tre dveloppeurs - de s'approprier trs rapidement les technologies en question. Frdrique Pain, Experience Strategy Director, Alcatel-Lucent Bell Labs, avec Lionel Natarianni et Nicolas Rebierre
Une autre raison est que la data visualization se prte bien aux dmarches de type "POC" (proof of concept), lexprimentation, aux boucles ditration essaiserreurs. Les projets dataviz ont un ct trs empirique, tout fait en phase avec les dmarches actuelles de dveloppement, de type mthodologie agile, Rapid Agile Development ou SCRUM.
87
3
Lagilit, au cur de la dmarche
Le projet sest tal sur un an. Nous avons rencontr les utilisateurs en mthode agile dans les phases exploratoires. Ensuite, nous avons imagin diffrentes solutions. Sur le dernier trimestre, et cest toujours en cours, nous avons itr, dans une dmarche damlioration continue. En ce qui concerne la mthodologie agile, jajouterai que jai fait le choix de livrer vite et de livrer souvent. En ce qui nous concerne, ds que nous avions quelque chose de prt, nous le livrions, nous le montrions aux utilisateurs pour commencer tout de suite lutiliser. Cest non seulement une mthode efficace pour obtenir du feedback et ajuster la solution, mais cest en plus un levier de motivation puissant. Autrement dit, la mthodologie agile et ltat desprit du projet (un vrai team spirit) ont grandement contribu au succs. Richard Coffre, Senior Business Analyst, PagesJaunes
Du point de vue des procdures, nous avons choisi d'innover dans le sens o nous avons allg le cycle en V traditionnel. Les projets en question sont par nature plus courts, et nous avons dj les donnes ncessaires disposition. Dans ce contexte, nous avons opt pour un mode de travail plus collaboratif avec un systme de livraisons - rvisions successives. Franois Nguyen, Directeur SI dcisionnel et marketing relationnel, SFR
3.2 impact de la data visualization sur les relations entre lIT et les Mtiers

Les projets de data visualization ont ceci de particulier, comme nous lavons vu dans la partie 2, doffrir une grande autonomie aux utilisateurs. Cest pourquoi, dans ce domaine, les relations entre lIT et les Mtiers sont amenes voluer. Il est arriv que des frictions apparaissent, la DSI pouvant se sentir dpossde dune partie de ses prrogatives.
Les Mtiers, naturellement plus rapides sur les sujets dataviz
La DSI, qui a traditionnellement la main sur le dcisionnel, a du mal voir des mtiers dvelopper des outils de type dcisionnel aussi performants. Nous avanons beaucoup plus vite qu'eux sur ces sujets. La DSI ne peut pas tre aussi performante que le Mtier sur un outil de data visualization parce qu'elle n'a pas la connaissance mtier, justement. Une DSI a toujours besoin de recueillir une expression de besoin, puis d'crire un cahier des charges ; alors que le mtier, de par son exprience et sa connaissance parfaite des donnes rfrentielles, connat tout et peut produire plus facilement, sans contrainte. Sandrine Noail, Responsable Analyse et Pilotage, Coliposte
Ces tensions ont t malheureusement entretenues par certains fournisseurs de solutions de dataviz en sadressant uniquement aux Mtiers sans passer par la DSI pour gagner des marchs.
89
3
Du danger de courtcircuiter la DSI
Certains diteurs sont arrivs avec des outils qui pouvaient rpondre des questions que les Mtiers se posaient et sur lesquelles ils n'avaient pas de rponse de leur IT. Comme l'investissement n'tait pas lev, cela a permis des Directions Mtiers de s'quiper en puisant dans leurs propres budgets. L'inconvnient, c'est que cette pratique contribue au phnomne de Shadow IT, avec le dveloppement progressif "d'informatiques parallles", hors de contrle et potentiellement incompatibles avec le SI global. Serge Boulet, Directeur Marketing & Communication, SAS France
Des rsistances ont pu apparatre plus particulirement au sein des quipes BI classiques, qui ont pu se sentir dstabilises par cette nouvelle approche de la BI.
La dataviz sappuie sur lexprience acquise en BI classique, elle ne la remet pas en cause.
C'est plus en interne que nous avons rencontr de trs lgres difficults, au sein mme de mon quipe. Car dans la dmarche entreprise, nous avions galement tent de marquer une rupture avec les actions de BI classique, sans pour autant remettre en cause l'existant, mais en nous appuyant sur les acquis pour nous en dmarquer... Il nous a donc fallu expliquer qu'il s'agissait dexplorer une rupture volontaire avec les outils BI existants, sans pour autant supprimer tout l'acquis, qu'il s'agissait en ralit de s'appuyer sur l'existant tout en le compltant ! Et pour calmer les inquitudes naissantes, nous avons bien insist sur le fait que le projet reposerait sur les diffrentes briques historiques de la BI.
Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
Fabrice Benaut dIFR-GfK ne dit pas autre chose lorsquil constate que les besoins en reporting classique et ceux en dataviz coexistent et coexisteront.
La data visualization ne rend pas caduques les autres formes de reporting
Nous vivons dans un monde hybride. Nous avons toujours des clients qui sont en attente de tableaux de bord tout prts, pour grer leurs oprations, de manire industrielle. Ce sont des clients qui attendent toujours le mme type de rapport, pour en faire quasiment toujours le mme usage, dans une logique de contrle, de validation de processus. Lautre approche de la BI, en mergence, cest dtre capable de rpondre des questions que lon ne se pose pas encore. Lintelligence rside dans lorchestration des rponses lensemble des besoins : certains trs statiques, simples voire basiques, dautres plus mergents.
Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Dataviz chez IFR-GfK
91
3
Ainsi, on ne peut pas parler de perte de prrogatives de la DSI ou des quipes BI. Simplement, la data visualization amne se poser de nouvelles questions sur la manire de reprsenter les donnes, sur la rpartition des rles et des responsabilits entre les mtiers et la DSI, sur la manire de conduire les projets. Les DSI le comprennent. Mme celles qui taient lorigine rticentes saperoivent que la data visualization nest pas une menace, et assouplissent leur position.
Une reconnaissance des outils de dataviz par la DSI
lorigine, la DSI tait trs rticente car notre outil de dataviz ntait pas un outil corporate. Il y a 18 mois, la DSI a fait voluer sa position. Maintenant, il ny a plus de soucis, la solution est devenue un outil corporate.
Richard Coffre, Senior Business Analyst, PagesJaunes
En vrit, la data visualization est une chance pour les DSI et les quipes BI. Dune part, elle va les soulager de tches chronophages, leur permettant de se concentrer sur leurs missions plus forte valeur ajoute; dautre part, elles ont mme une opportunit unique dinventer une nouvelle forme de BI et de relation avec les mtiers.
La dataviz : une opportunit pour la DSI et pour les quipes BI
Nous pensons chez SAS que la data visualization constitue un atout formidable pour une Direction informatique. Elle lui offre une vritable opportunit d'inventer un nouveau service pour les Mtiers et de se repositionner comme un partenaire du business. Ainsi, nous pouvons imaginer deux formes de Business Intelligence, en fonction des besoins requis : > une BI traditionnelle, pour rpondre aux besoins en reporting classiques ; > une nouvelle BI, inventer. Beaucoup plus spcifique, elle serait conue pour rpondre de nouvelles questions business des utilisateurs, ces derniers ne pouvant se satisfaire d'un reporting traditionnel, puisque ce qu'ils souhaitent, c'est analyser et explorer leurs informations des fins mtiers.
Les quipes BI mettraient en place un serveur ddi un outil dataviz comme SAS Visual Analytics, totalement scalable, par lintermdiaire duquel il serait possible d'offrir une rponse complmentaire aux Mtiers, sans qu'il soit besoin d'tablir une expression de besoins trs prcise. Il s'agirait finalement d'un environnement de BI "libre service", dans lequel les Mtiers pourraient accder leurs donnes pour les explorer et produire rapidement tous les rapports dont ils pourraient avoir besoin, y compris des rapports qu'ils n'avaient pas imagins au dpart. En dfinitive, nous aurions disposition un modle de gouvernance beaucoup plus sain. D'ailleurs, au niveau des responsables BI, ce type d'ides passe trs bien, et nous avons un bon accueil global. D'une certaine faon, cela leur enlverait aussi une pine du pied. Aujourd'hui, devoir satisfaire les demandes particulires en reporting de tous les dpartements constitue en effet une lourde charge. La dataviz permet la BI d'tre soulage d'une partie de cette charge et donc de pouvoir apporter un service plus forte valeur ajoute aux Mtiers. Serge Boulet, Directeur Marketing & Communication, SAS France
93
3
Certaines DSI se servent mme des projets de dataviz comme fer de lance pour conforter leur importance dans lentreprise en prouvant par lexemple leur capacit innover et apporter de la valeur. Cest ce que nous explique Charles du Rau, Consumer & Market Knowledge Director chez Ubisoft: "Cet outil a galement servi de galop d'essai pour notre DSI, qui a pu prendre conscience d'un potentiel pour dmontrer son savoir-faire dans ce domaine de data visualization. Il constitue dsormais pour elle une sorte de vitrine." Car le mot dordre est bien celui-ci: "cration de valeur", comme lexplique Philippe Nieuwbourg:
La cration de valeur, cl dune relation harmonieuse entre la DSI et les Mtiers
Dun point de vue gnral, ma conception de la DSI est celle dune direction au service des mtiers. Selon moi, la DSI na pas se lancer dans des projets qui naient t au pralable demands ou du moins valids par les mtiers parce quils sont crateurs de valeur. Cela nempche pas la DSI dtre force de proposition, en montrant aux mtiers les outils de dataviz qui existent et en se proposant de travailler avec eux pour voir comment ces outils peuvent crer de la valeur pour eux. Philippe Nieuwbourg, Analyste-journaliste indpendant en informatique dcisionnelle
De nombreuses entreprises sont dj dans ce modle sur leurs projets de data visualization. Les plus en avance sont videmment celles dans lesquelles DSI et Mtiers sont dj en mode partenariat1.
1. Sur les avantages des relations de type partenariat entre la DSI et les Mtiers, se rfrer au Rfrentiel des pratiques SI, dition 2013, 80 entreprises partagent leurs expriences et leurs priorits de demain, EBG, avril 2013.
Le partenariat DSI-Mtiers sur les sujets de dataviz: business as usual chez ID Logistics
Les efforts fournis en matire de data visualization ont t initis par la DSI, mais ils reposent sur une coopration avec les Mtiers, qui s'opre enmode projet, une faon de fonctionner que nous avons adopte de manire systmatique. En ce sens, la dmarche axe dataviz n'a pas eu d'impact particulier sur les relations DSI / Mtiers. Emmanuel Vexlard, DSI, ID Logistics
Certaines entreprises sont en effet structures autour de binmes entre la DSI et les Mtiers, avec dune part, des responsables mtiers sensibiliss aux questions IT et dautre part, des chefs de projet informatique lcoute des problmatiques mtiers. Lexistence de ce type dorganisation constitue un atout de taille, notamment sur les projets de data visualization.
Un travail coopratif DSI - Mtiers
Je suis rattach une entit Mtier - Fabrication -, et non la direction informatique. Je reprsente les utilisateurs, tout en bnficiant au sein de la DSI d'une sorte d'alter ego, un business analyst qui m'appuie. En ce sens, la dfinition des volutions proprement dites ayant trait la data visualization est le fruit d'un travail collaboratif entre Mtier et DSI. Guillaume Deschamps, FMT / Central Functions YTI / EDA, STMicroelectronics
La solution est le fruit d'une initiative commune de la DSI et de l'quipe Marketing. Sa russite a repos sur une vritable cohsion entre les deux dpartements. Jrme Tharaud, Responsable des tudes et dveloppement, Prisma Media
95
3
Mme sans aller jusqu lexistence de ces binmes mtiers DSI, un projet dataviz peut tre de nature amliorer la relation entre les deux ensembles. Olivier Brousseau, Business Intelligence Program Manager chez Schlumberger, nous confie ainsi: "Avec ce genre de solutions, les utilisateurs ressentent une grande ractivit de la part de lIT. La question du time to market est enfin rsolue. Cela contribue de bonnes relations avec les mtiers." Au final, comme lindiquaient prcdemment Serge Boulet et Philippe Nieuwbourg, la data visualization est une opportunit pour la DSI et la BI de se dcharger de tches sur lesquelles sa valeur ajoute est moindre, pour se concentrer sur une relation avec les mtiers cratrice de valeur. Cest ce titre que la data visualization peut sinscrire dans une dmarche gagnant-gagnant. cet gard, pour que la data visualization puisse jouer pleinement son rle, il importe de mettre en place une vritable dmarche de gouvernance des donnes dans lentreprise.
1. Sur les avantages des relations de type partenariat entre la DSI et les Mtiers, se rfrer au Rfrentiel des pratiques SI, dition 2013, 80 entreprises partagent leurs expriences et leurs priorits de demain, EBG, avril 2013.
3.2 Impact de la data visualization sur les relations entre lIT et les Mtiers
Quand la dataviz raffirme limportance de la gouvernance des donnes
Les multiples opportunits offertes par la data visualization et les diverses possibilits dimplmentation pour les entreprises (cloud, on premise, dpartementale, corporate, etc.) reposent aussi de manire urgente le problme de la gouvernance des donnes. lheure o chaque entreprise devrait considrer linformation comme un actif, une gouvernance dfaillante peut avoir de graves consquences: sous-exploitation des donnes (manque de partage) ou exploitation de donnes incompltes (faible qualit, mauvaise prise en compte du temps rel). Une approche de gouvernance centralise des donnes garantit une disponibilit, une intgrit, une scurit et une valeur dusage meilleures de la donne, dans le temps, par les mtiers. Et ce, mme si les donnes elles-mmes sont dcentralises pour des raisons parfois lgitimes, ce qui est de plus en plus souvent le cas, notamment lorsque lentreprise fait appel des infrastructures dcentralises (dpartementales, cloud, etc.).La capacit dune entreprise utiliser linformation comme un actif stratgique est directement corrle sa maturit en termes de gestion et de gouvernance des donnes.
Mouloud Dey, Directeur des Solutions et Marchs mergents, SAS France
Une ide forte que lon peut retenir pour terminer ce chapitre, cest que la data visualization, mme si elle procure une grande autonomie aux mtiers, est une question qui doit intresser la DSI et les quipes BI, tout simplement parce quelle touche aux donnes. Lautonomie des mtiers est utile si elle est mise en uvre de manire intelligente et si elle leur permet dobtenir encore plus de valeur de la part de la DSI et de la BI. Vraisemblablement, en habituant les Mtiers parler le langage de la data, grce aux graphiques, la dataviz va contribuer la prise de conscience de la valeur de la donne. Elle peut donc jouer un rle fdrateur, au service de la cration de business.
97
3.3 facteurs cls de succs

Pour russir un projet de data visualization, il convient de runir des facteurs cls de succs que lon peut classer en trois catgories. Il y a dabord les bonnes pratiques classiques de tout projet: veiller la prparation et la planification, choisir le bon primtre, mettre en uvre les mthodologies adquates, etc. La deuxime catgorie tient ce quun projet de dataviz concerne les donnes: leur ciblage, leur qualit, le respect de la confidentialit et des habilitations daccs, sont donc essentiels. Enfin, videmment, lergonomie et lintelligence graphique jouent un rle cl dans lacceptation de la dataviz et son usage effectif (mme si, soit dit en passant, ces aspects devraient faire partie de tout projet informatique).
> Bien prparer le projet

Le premier secret du succs, cest la prparation. Celle-ci sentend sur deux plans: le contenu de la data visualization, dune part, et la dmarche projet, dautre part. Sur le premier aspect, nos interlocuteurs nous rappellent que la dataviz nest pas une panace et que, pour tre utile, elle doit tre bien pense.
Une indispensable rflexion pralable sur le sens de la data visualization

Nous ne poussons la dimension visuelle son optimum que si cette dernire a un vritable sens pour le client. Clment Delpirou, Associ, InfoPro Digital
Il convient de conduire une rflexion sur la donne visualiser elle-mme. Autrement dit, il s'agit de s'interroger sur lintrt de montrer tel ou tel chiffre, sur le sens donner la visualisation de telle ou telle volution ou telle ou telle rupture d'volution Caroline Denil, Data Warehouse Program Manager, SPF conomie
Sur laspect mthodologique, la prparation consiste mettre en place un processus de collecte, analyse et reprsentation des donnes viable dans le temps, mais aussi suffisamment souple. Ce quYves Daelmans, ICT Project Manager chez IMEC, exprime en ces termes: "Il importe de prendre le temps de btir les bonnes procdures, afin de commencer avec une feuille de route qui soit la fois durable et tolrante aux adaptations qui simposeront au fil du temps."
99
3
> Cibler les donnes et les
visualisations en fonction du profil des utilisateurs.

Un deuxime facteur de succs est li la nature de la data visualization, savoir un outil de communication. Or, pour communiquer efficacement auprs de quelquun, il importe de rpondre son besoin, avec clart et sous une forme quil comprend.
Fournir chacun les informations qui lintressent, selon sa personnalit et sa situation

Nous avons des clients "mthodiques" (ceux qui prparent leur voyage longtemps l'avance et essaient d'optimiser diffrents critres), des clients "contraints" (ceux qui n'ont pas rellement le choix pour un voyage donn), des clients "opportunistes" (ceux qui sont avant tout l'afft d'une bonne affaire et peuvent se montrer flexibles)... Il faut que notre application rponde aux attentes bien diffrentes de ces diffrents profils, sans noyer l'internaute sous prtexte d'toffer l'application. Nous devons donc proposer les bonnes vues aux bons profils. Samuel White, Responsable de l'exprience utilisateur, Voyages-sncf.com
Claude-Henri Mldo prcise cette importance de bien cerner le profil du destinataire de la dataviz en nous invitant nous poser systmatiquement trois questions:
Trois questions cls se poser pour choisir la meilleure reprsentation

Pour choisir la meilleure reprsentation graphique, il convient de se poser trois questions: > quelle question voulons-nous rpondre ? Tous les graphiques ne permettent pas de prsenter les mmes analyses (rpartition, volution, dcomposition). Do limportance pour le concepteur de sinterroger sur son intention. > quel interlocuteur nous adressons-nous ? cf. : est-il expert ou profane ? Que doit-il faire de linformation (ex. : retenir linformation pour plus tard ou prendre une dcision immdiate) ? > Dans quel contexte se trouve linterlocuteur ? La bonne rception du graphique ne dpend pas seulement du graphique lui-mme, mais galement de la disponibilit intellectuelle et visuelle du lecteur. Tout ce que peut faire le concepteur du graphique, c'est d'essayer d'anticiper cette disponibilit plus ou moins grande, pour choisir la reprsentation la plus adapte. Par exemple, le stress (bruit, foule), en rduisant le champ visuel ce que l'on a juste en face de soi et en occultant la priphrie, modifie la perception. De mme le medium (ex. : tablette, projection sur cran mural, papier) va influencer la capacit de lutilisateur percevoir la visualisation. Claude-Henri Mldo, cofondateur dAldecis, membre de lInternational Institute for Information Design
101
3
La pdagogie est dautant plus importante lorsque lon sadresse au grand public, comme lexpose Emmanuel Lechypre, ditorialiste de la chane de tlvision BFM Business:
tre simple, indispensable quand on sadresse au grand public

La simplicit est fondamentale. Ainsi, pour Social Ecorama, nous avons repris le critre trs classique de positivit, utilis sous une forme ou une autre dans la plupart des enqutes dopinion ; dun point de vue graphique, la reprsentation se fait sous forme de courbes, trs faciles comprendre. Cest vraiment important pour que loutil puisse tre utilis par des non professionnels. Et la qute de simplicit nest jamais acheve. Je suis persuad que nous pouvons encore progresser sur ce point. Emmanuel Lechypre, ditorialiste, Responsable ple Analyse et prvisions, BFM Business
La difficult saccrot quand la data visualization doit sadresser des audiences diffrentes. Il faut alors prvoir des modes de reprsentation adapts chacune dentre elles. Cest par exemple le cas du SPF conomie belge, qui communique aussi bien auprs du grand public quauprs de professionnels.
Trois faons de mettre disposition les donnes pour parler trois publics diffrents
Nos donnes sont disponibles d'une part pour le grand public, qui y accde via notre site Internet ou via le portail open data belge, sous la forme de donnes agrges, et d'autre part pour des utilisateurs l'Institut National de la Statistique. Ce public-l dispose d'un ensemble de donnes beaucoup plus dtailles.Les chercheurs et universitaires ont aussi accs des informations nettement plus dtailles susceptibles dalimenter leurs tudes. Caroline Denil, Data Warehouse Program Manager, SPF conomie
Mais mme en univers strictement professionnel, les publics peuvent tre varis. Dans ce cas, il convient de tenir compte des contextes et des besoins varis des interlocuteurs. Dans lindustrie, par exemple, un ouvrier ou un contrematre aura besoin dune dataviz immdiatement utile pour rsoudre un problme concret sur une chane. Un manager aura souvent besoin dune vision plus globale, des fins de pilotage.
diffrents profils et diffrents contextes, visualisations diffrentes

Nos data visualizations revtent la plupart du temps une dimension statique (ce qui convient particulirement bien aux ouvriers et chefs de services, notamment). Mais il arrive qu'elles fassent aussi intervenir linteractivit, et c'est ce que privilgient les membres du personnel de niveau ingnieur. Guillaume Deschamps, FMT / Central Functions YTI / EDA, STMicroelectronics
103
3
> Dmarrer sur des primtres
rduits, pour apprendre.

Une autre bonne pratique est de "se faire la main" sur de premiers primtres restreints, si possible les plus matriss possibles. Cela permet davancer, sans trop de risques, en mode essais-erreurs jusqu obtenir une premire solution satisfaisante. Cette premire solution peut alors servir de preuve de concept (POC ou Proof Of Concept). Une fois ce premier succs atteint, il est plus facile de ltendre des primtres plus vastes, et galement de convaincre les parties prenantes.
Nous sommes partis de petits projets impliquant infographie ou Google Maps, trs isols, que nous avons progressivement dvelopps. Clment Delpirou,Associ, InfoPro Digital
Nous avons commenc par un projet pilote pour nous familiariser avec la technologie SAS. Yves Daelmans, ICT Project Manager, IMEC
Nous avons volontairement lanc la dmarche sur deux univers seulement, la jardinerie et l'informatique, reprsentant 0,5% des requtes. Nous savions que nous avions des soucis de labellisation sur ces deux univers et, en mme temps, ils constituaient des domaines non critiques en termes de business. C'tait donc le terrain idal pour exprimenter la dmarche et raliser une preuve de concept. Martin Daniel, Chef de projet Data Visual, fifty-five
Le fait de commencer sur un petit projet est galement un bon moyen dviter toute procrastinationou toute tentation perfectionniste. Ds quune solution a minima a t ralise (ce que les Amricains appellent le Minimum Viable Product), lorganisation a tout intrt le prsenter aux dcideurs et/ou aux utilisateurs. Ce "baptme du feu" permettra de recueillir de prcieux commentaires pour amliorer la solution.
Oser se lancer
Quand une structure a planifi d'innover via la DataViz, il lui faut se lancer: je conseille habituellement de commencer avec une petite statistique, sans attendre que l'ensemble de la plateforme ait t finalis ou que tous les standards aient t instaurs! Caroline Denil, Data Warehouse Program Manager, SPF conomie
105
3
> Veiller la qualit des
donnes la source
En matire de BI, on rcolte ce que lon sme ou, pour le dire de manire plus lapidaire: garbage in, garbage out. Autrement dit, si lon veut que la data visualization soit apte communiquer les bons messages, permette de prendre des dcisions claires, dexplorer des territoires inconnus, il y a une condition remplir avant toute chose: avoir des donnes de qualit en entre.
La qualit des donnes: un pralable la data visualization

Il faut avant tout que les donnes sources soient bien structures. Autrement dit, le nettoyage et la prparation pralables des donnes sont les conditions sine qua non d'une bonne data visualization. Dans cette optique, il convient de rduire la multiplicit de ces donnes quatre ou cinq axes essentiels, en veillant bien, et c'est l'enjeu principal de la data visualization, ce qu'elles demeurent justes et conservent leur intgrit. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire Direction des Technologies, Lagardre Active
Le fait davoir un entrept de donnes bien structur a grandement aid les power users dfinir leurs propres tats. Yves Daelmans, ICT Project Manager, IMEC
En retour, la data visualization permet damliorer la qualit des donnes. Dabord, parce quelle astreint une certaine discipline; ensuite, parce quelle visualise aussi... la non qualit des donnes. Des chiffres aberrants rpts pourront apparatre au premier coup dil sous la forme de points tonnamment placs, par exemple. Si des problmes de qualit de donnes peuvent rester longtemps inaperus dans des tableaux de chiffres, ils sautent littralement aux yeux sur une data visualization.
La data visualization, cole de discipline pour la qualit des donnes
Nous voyons donc que les dmarches entreprises en termes de data visualization mettent en jeu la qualit des donnes, que ce soit ponctuellement ou de manire systmique. cet gard, d'une certaine faon, nous pouvons dire que les outils de la dataviz sont plus exigeants que ceux de la BI classique. Mais la dmarche est vertueuse pour les systmes sources, puisqu'elle nous impose dtre encore plus vigilants en termes de qualit des donnes. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
107
3
> Miser sur la coopration entre
plusieurs directions
Un autre ingrdient de la russite rside dans la coopration entre les acteurs du projet. Nous avons dj vu dans le paragraphe 3.2 que la dataviz pouvait tre loccasion de conforter un partenariat entre la DSI et les mtiers. Mais plus gnralement, elle est un sujet hybride par dfinition, la croise de linformatique au sens systmes, de la BI et de la communication. Cest pourquoi les rsultats les plus spectaculaires sont atteints lorsque ces trois types dacteurs travaillent de concert.
Un travail coopratif lorigine du succs

Les rdactions contribuent beaucoup notre dmarche dataviz. Tout est d'ailleurs parti d'initiatives de nos journalistes. Aujourd'hui, le contenu de notre data visualization est le fruit du travail coopratif entre deux univers qui traditionnellement ne sont pas lis, mais qui chez nous oprent en trs bonne intelligence : l'quipe technique et l'quipe rdactionnelle. C'est celle-ci qui est responsable du taggage des donnes. Clment Delpirou, associ, InfoPro Digital
La data visualization contribue ainsi briser les silos pouvant exister dans lentreprise et concourt une plus grande transversalit. Cest ce quindique, par exemple, Franck Jouenne, Director IT & Services Strategic Sourcing dAlcatel Lucent: "la solution a permis de dpasser les frontires existant entre diffrentes fonctions de lentreprise pour fournir quelquun devant prendre une dcision un moment donn tous les lments ncessaires pour le faire."
> Former les quipes

La data visualization ne requiert pas rellement de formation ct utilisateurs. Au contraire, on peut dire quelle est pleinement russie quand elle est immdiatement adopte. Pour cela, la simplicit et lintuitivit sont essentielles, comme nous lavons identifi plus haut. Mais proposer un rendu simple peut tre extrmement compliqu. Cest pourquoi la formation de ceux qui produisent les visualisations est un plus indniable. Cest ainsi que lquipe travaillant sur ces sujets chez IFR-GfK se fait accompagner par un ergonome.
Limportance de la formation pour raliser de bonnes data visualization

Jenvoie rgulirement mes quipes en formation sur loutil, mais galement pour apprendre des rgles dergonomie, de bonnes pratiques en termes de visualisation. Il y a des normes, des rflexes acqurir. Certains sont universels, dautres dpendent des cultures locales. Cela sapprend. Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Cette formation sur la dataviz, organise par les entreprises elles-mmes, vient pallier son absence actuelle dans les cursus denseignement, comme le regrette Philippe Nieuwbourg.
109
3
Un manque criant de formation universitaire
La grammaire visuelle existe. Le problme, cest quon ne lapprend pas. Ds les annes 70, Jacques Bertin a publi un ouvrage de rfrence, Smiologie graphique, vritable grammaire des graphiques. Aujourdhui, des gens comme Claude-Henri Mldo ou Stephen Few sont les experts du sujet, qui dfinissent et font voluer ces grammaires visuelles. Encore faut-il les apprendre et les appliquer. Or, la visualisation graphique nest enseigne dans aucun cursus. En contrle de gestion, en statistiques, dans des coles de commerce, on enseigne aux tudiants reprsenter des choses justes, mais pas forcment belles et faciles communiquer. Cest ainsi que lon se retrouve avec des contrleurs de gestion matrisant parfaitement les graphiques standard dans Excel, mais incapables de les exporter dans un autre outil pour les amliorer et les rendre plus esthtiques et aptes communiquer. La communication nest absolument pas prise en compte dans ces diffrents cursus. Philippe Nieuwbourg, Analyste-journaliste indpendant en informatique dcisionnelle
> Utiliser l'esthtique comme
levier d'appropriation de l'information

La data visualization ne saurait se rduire une reprsentation esthtique des donnes. On peut faire de jolies reprsentations parfaitement inutiles. Mais cela ne veut pas dire que lesthtique ne joue aucun rle. Bien utilise, elle est un critre essentiel defficacit pour la dataviz.
Ne pas mpriser ou ngliger le ct esthtique de la data visualization

L'agrment graphique et l'aspect ludique de la dataviz, si souvent qualifis de "gadgets, sont au contraire loin d'tre anecdotiques: ils donnent envie aux Mtiers d'explorer les donnes. Ils contribuent donc apporter de la valeur aux directions Mtiers. Pierre-Olivier Sicamois, Responsable du domaine Rgie publicitaire, Direction des Technologies, Lagardre Active
Lesthtique participe du confort dutilisation de la data visualization. Si ce confort est important, de manire gnrale, pour que lutilisateur sapproprie loutil de dataviz ou son rendu, il joue un rle encore plus essentiel lorsque la data visualization est employe des fins dexploration. Lexploration ncessite en effet une confiance et une disponibilit desprit importantes. Lergonomie de la data visualization est alors un levier cl.
Limportance de lergonomie pour favoriser lmergence de questions (et de rponses) nouvelles

Il faut que les utilisateurs se sentent laise dans lenvironnement dexploration que nous mettons leur disposition, pour les inciter jouer avec la donne. Ce confort est la condition pour que puissent apparatre des phnomnes mergents, non prvus, dans la dcouverte de linformation. Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
111
3
Dans ce souci de marier esthtique et efficacit, les entreprises ont tout intrt faire preuve dimagination et dpasser les traditionnels graphiques de type Excel, si cela fait sens.
Les indicateurs de performance de Coliposte
Une telle originalit mise en uvre bon escient est dailleurs la cl de lacceptation de la data visualization par les Mtiers, si lon en croit Bernard Lebelle :
Changer de posture pour plus de valeur ajoute oprationnelle
Il faut aller au-del des standards et saffranchir du triptyque Courbe / Camembert / Histogramme Des reprsentations visuelles innovantes vont parfois vous permettre de vous rendre compte de ralits oprationnelles que lon souponnait, mais que lon ne pouvait facilement dmontrer. Ainsi, en utilisant un format de Code Barre, o la performance mensuelle de chaque individu dune quipe commerciale est reprsente par une barre verticale spcifique, on peut plus facilement comprendre la rpartition de la performance.
Il faut en revanche tre prt vangliser et donner les clefs de lectures des nouveaux graphiques pour vos quipes. Considrez la data visualization dans ses 2 dynamiques, la fois comme vecteur de recherche et danalyse dynamique et comme formidable vecteur de transmission dinformation. Bernard Lebelle, Fondateur de Bleu-Cobalt
113
3
Le monde nest pas en vert et rouge
Peut-tre quun passager a eu une mauvaise exprience, mais que cela a t fortuit, pour telle ou telle circonstance, alors que dautres passagers ont eu une bonne exprience. Notre data visualization permet donc aux passagers de comprendre que tous les utilisateurs nont pas les mmes besoins, et que la satisfaction doit prendre en compte cette dimension. Cest pourquoi, en termes de couleurs dans nos reprsentations, nous navons pas opt pour les classiques rouge (ngatif) et vert (positif). Nous nopposons pas les attentes, nous comparons un ensemble d'attentes et chaque ressenti. Philippe Saffon, Responsable Mdias, Aroports de Paris
Reprsentation du degr dapprciation dun service sur le site mobile dAroports de Paris
Toutefois, Claude-Henri Mldo nous met en garde contre loriginalit tout crin et le chant des sirnes des possibilits techniques. Sil faut savoir innover en termes de reprsentation, certains graphiques, sduisants en apparence, napportent finalement pas la valeur suppose.
Les fausses bonnes ides de la dataviz

Le motion chart ou graphe anim, aussi spectaculaire soit sa mise en mouvement, est gnralement un concept inappropri. Dans la mesure o il nest pas possible de mmoriser tous les mouvements, il faut donner lutilisateur les moyens de recommencer la lecture de lanimation. Cest l que se pose le premier problme : il faut donc un unique utilisateur au dispositif si on veut lui laisser la possibilit de rinitialiser lanimation quand bon lui semble. Le second problme est lmerveillement, voire la fascination que provoque le mouvement qui dconcentre lutilisateur. Ce dernier parvient donc difficilement apprhender la totalit des informations mises sa disposition ; au point quil lui faut gnralement un commentateur pour lui expliquer ce sur quoi il doit focaliser son regard, et finalement ce quil doit retenir. Quant la 3D, elle est, dune certaine manire, la mort de la dataviz. Parce quelle rappelle la nature, la 3D parat plus vraie que labstraction dun graphe scientifique sur plan. Mais la 3D prsente des dfauts majeurs quant lvaluation prcise des mesures. Ainsi leffet de perspective trouble le dchiffrement de la taille dun symbole dont on ne sait sil est petit parce quil reprsente une valeur faible ou parce quil est suppos tre loign du lecteur. Mais surtout ds quun objet particulirement grand se situe au premier plan, il masque les objets plus petits derrire lui (phnomne docclusion visuelle). Et mme si lutilisateur savait matriser un dispositif tridimensionnel pour se mouvoir spatialement dans le graphe (ex. : souris informatique sous forme de joystick dhlicoptre lui servant de volant), rien ne dit quil lanalyserait systmatiquement sous tous les angles jusqu dtecter le signal faible quil recherche. Claude-Henri Mldo, cofondateur dAldecis, membre de lInternational Institute for Information Design
115
> Privilgier les aides
contextuelles pour acclrer l'apprentissage des utilisateurs

Le ct intuitif et immdiat de la data visualization nannule pas le risque derreurs dinterprtations. Il peut arriver que le graphe en lui-mme soit incompris, ou que lutilisateur ne connaisse pas rellement quelles sont les donnes sous-jacentes ou les conditions de ralisation de la dataviz (priode, filtres appliqus, chelle, etc.). Pour viter toute confusion, les concepteurs de data visualization ont tout gagner accompagner leurs graphiques de lgendes ou dexplications. Parce que les manuels dutilisation sont rarement lus, et parce que le sujet ne les justifie pas, cest une aide contextuelle qui est la plus efficace, directement proximit du graphe luimme. Diffrents modes dassistance sont alors possibles: textes explicatifs sous le graphique, infobulles affiches lors de son survol, petites vidos, etc.
Savoir faire preuve de pdagogie

Dans la pratique, nous tablons sur une version 2.0 de BeStat qui soit plus graphique et plus ergonomique pour les utilisateurs. Face aux complexits d'usage que prsente la solution logicielle pour les utilisateurs, nous projetons d'en expliquer systmatiquement les modalits de fonctionnement, notamment par le biais de vidos pratiques relatives l'utilisation des graphes. Caroline Denil, Data Warehouse Program Manager, SPF conomie
Sur notre projet, nous avons particulirement soign la facilit d'utilisation. Nous avons par exemple mis en place une sauvegarde automatique des dernires variables utilises permettant de manipuler l'application plus rapidement. Des textes introductifs et un glossaire rappellent galement la signification des diffrents graphiques et la manire dont ils ont t constitus, pour permettre aux utilisateurs de bien les comprendre et donc de bien les interprter. Le rsultat est positif puisque nous observons beaucoup dutilisations en totale autonomie par des quipes qui nont jamais t formes. Charles du Rau, Consumer & Market Knowledge Director, Ubisoft
> Faire attention aux contraintes
en termes de lgalit et de confidentialit, surtout pour les usages grand public.

Dernier conseil, et non des moindres: la datavisualization nexonre pas du respect de la confidentialit des donnes, de la vie prive, et plus gnralement des conditions dutilisation des donnes. Comme le rappelle juste titre Caroline Denil, du SPF conomie, "il faut prendre garde ne pas publier trop vite les donnes, pour ne pas s'exposer des problmes de confidentialit, et galement faire attentionaux problmatiques de lgalit s'agissant des modalits de publication."
117
3
Tous les facteurs de succs mentionns ci-dessus sont importants. Nous terminerons avec un petit rsum propos par Dorina Ghiliotto-Young dIngenico sur trois facteurs qui lui semblent particulirement importants.
3 prrequis pour une bonne data visualization

Pour faire une bonne dataviz, trois lments cls sont indispensables: 1. Avoir des donnes de qualit Les donnes doivent tre compltes, fiables... et bien utilises! Par exemple, il convient de ne pas mlanger des data n'ayant rien voir ensemble. 2. Bien comprendre le contexte La data visualization doit reposer sur une bonne comprhension des relations entre les donnes que l'on analyse. Pour viter tout risque de confusion dans l'interprtation, on sera peut-tre amen retirer des donnes du primtre. Par exemple, sur un march, il n'est pas forcment pertinent de comparer les donnes des pays dvelopps avec les donnes des pays mergents. Cela peut conduire des conclusions fausses, parce que ces pays sont dans des contextes diffrents. 3. Pouvoir interagir avec la data visualization Les possibilits d'interaction peuvent aller du choix des couleurs des options beaucoup plus volues, comme le recours la 3D. Rien n'est interdit, condition que cela ait du sens et que cela aide la comprhension. Dorina Ghiliotto-Young, Head of Innovation, Ingenico
3.4 cueils viter

Si certaines bonnes pratiques maximisent les chances de russir son projet de data visualization, il faut sattendre, comme pour tout projet, rencontrer des difficults. Forts de leurs expriences, les contributeurs cet ouvrage nous alertent sur les principales dentre elles. Au passage, ils nous donnent des indications pour les surmonter.
> Le risque de la surcharger
dinformation
Lun des avantages de la data visualization, cest quelle densifie linformation. Nos experts, Philippe Nieuwbourg et Claude-Henri Mldo, nous le confirment tous deux:
Plus dinformation en moins de place grce aux graphiques

Si on fait le calcul de la quantit dinformation transmise par pixel utilis, on a toujours beaucoup plus dinformations dans un visuel que dans un texte. Philippe Nieuwbourg, Analyste-journaliste indpendant en informatique dcisionnelle Un graphique densifie linformation au centimtre carr. Il permet de voir trs vite des choses importantes, telles que des schmas rcurrents (patterns) et des exceptions. Claude-Henri Mldo, cofondateur dAldecis, membre de lInternational Institute for Information Design
119
3
Toutefois, attention la surcharge informationnelle! Charles du Rau, dUbisoft, considre ainsi quil ne faut pas afficher plus dune quarantaine de points sur un cran, sinon lutilisateur sy perd. Andrew Musselman, dAccenture, abonde dans ce sens:
Quand ne pas utiliser la data visualization
Nous ne recommandons pas que vous essayiez de visualiser absolument tout parce que, parfois, la visualisation ne produit que de la confusion; par exemple, si vous essayez de placer des points reprsentants des millions dutilisateurs, vous obtiendrez une jolie image, mais en tirer de linformation sera impossible. Une analyse de tableaux numriques ou de courbes sera souvent une faon plus puissante de rvler des connexions. Andrew Musselman, Data scientist, ingnieur et architecte dans le dpartement Big Data dAccenture
Fort heureusement, certains concepts de la data visualization sont justement l pour viter cette infobsit graphique. Il en est ainsi de la pratique consistant aller du gnral au particulier, en laissant lutilisateur zoomer ou filtrer sil souhaite plus de prcisions.
La vue densemble dabord, les dtails ensuite
Laffichage progressif des donnes, ou progressive disclosure, figure parmi les facteurs cls de succs pour une bonne appropriation de la dataviz par les utilisateurs. Il sagit de dterminer au pralable quelles sont les informations cls mettre en avant dans un premier temps, puis quelles sont les donnes secondaires quil convient dafficher. Frdrique Ville, Directrice de lInnovation, Voyages-sncf.com
3.4 cueils viter
La vue densemble dabord, les dtails ensuite

Pour ne pas noyer lutilisateur, nous avons adopt une approche "overview first, details at demand". Autrement dit, cest travers des filtres successifs que lutilisateur mtier peut affiner sa recherche, pour traquer les requtes mal catgorises. noter quune action sur un filtre modifie automatiquement les donnes disponibles dans les autres filtres. En ce sens, nous adoptons une bonne pratique recommande en termes de dataviz, le "progressive disclosure". Martin Daniel, Chef de projet Data Visual, fifty-five
> Une Direction Gnrale qui
ne peroit pas ncessairement immdiatement lintrt de la data visualization

Un cueil surmonter peut tre le manque denthousiasme de la Direction Gnrale pour un projet similaire. Elle peut se dire, au premier abord, que la data visualization ne lui apportera rien, puisquelle a dj des outils de reporting. En tmoigne Jrme Tharaud, Responsable des tudes et dveloppement chez Prisma Media: "Nous n'avons pas vritablement rencontr de rticences dans la mise en place de nos solutions de data visualization, sauf au tout dbut. Nous avions dj en main des tableaux de reporting ou des tats, si bien que lorsque j'ai d'abord voqu le projet en question auprs de la direction commerciale, cette dernire n'y a pas vu d'intrt tangible." Cest alors un effort de pdagogie qui simpose, pour montrer la direction commerciale tous les avantages de la dataviz et ce en quoi elle diffre du reporting classique. Dmarche qui sest finalement avre concluante chez Prisma Media: "au final, c'est l'esthtique qui a convaincu tout le monde et nous a valu un vritable succs !" O lon retrouve galement limportance de la qualit du rendu graphique, que nous avons identifie comme facteur cl de succs au paragraphe prcdent.
121
3
> Un scepticisme devant la
performance de loutil
Paradoxalement, cest la performance mme de la dataviz qui peut tre son pire ennemi. Les solutions actuellement disponibles tranchent si nettement par rapport aux solutions BI traditionnelles en termes de rapidit de traitement et de fluidit dinteraction, que les utilisateurs restent parfois dubitatifs. Mis en cause devant des indicateurs graphiques trop voyants et trop clairs dune mauvaise performance, des utilisateurs peuvent aussi tre tents de mettre en doute la fiabilit de loutil. Ce genre dattitude sapparente une stratgie bien connue dans le monde dInternet quon appelle le FUD1 (Fear, Uncertainty and Doubt). Il sagit en substance dinstiller le doute, lincertitude, la peur, devant une solution nouvelle. La parade? Donner accs directement aux donnes sous-jacentes depuis la visualisation. Cest ce que nous explique Sandrine Noail, de Coliposte:
La data visualization, trop belle pour tre vraie?

Face la facilit d'utilisation et la rapidit d'un outil de data visualization, l'interlocuteur auquel on le prsente, surtout quand il s'agit d'un dcideur, a tendance tre sceptique et remettre en cause le rsultat prsent. Tout se passe comme si l'outil tait trop convivial et rapide et comme si cela devait cacher un grain de sable, un dfaut de qualit, fatidique. Il peut sagir aussi dun rflexe de dfense face un graphique refltant une mauvaise performance. Linterlocuteur aurait beau jeu de dire que la visualisation ne prouve rien parce que nous navons pas, derrire, les bonnes donnes. La solution que nous avons retenue rpond ce genre d'inquitude, car elle permet, partir de la data visualization elle-mme, d'accder au niveau de dtail le plus fin, la facture mme d'un client. Devant quelque chose d'aussi concret, les rserves tombent. Sandrine Noail, Responsable Analyse et Pilotage, Coliposte
1. http://en.wikipedia.org/wiki/Fear,_uncertainty_and_doubt
3.4 cueils viter
> Un cueil viter :
oublier ses classiques

Enfin, un autre risque est de succomber au chant des sirnes de la facilit. Certes, la simplicit dusage, le fait de prsenter dabord des donnes trs gnrales avant de rentrer dans le dtail, lesthtique, sont des facteurs cls de succs. Mais ils doivent reposer sur le socle inamovible du srieux de la BI et de la fiabilit des donnes.
Ne pas confondre simplicit et simplisme

Par ailleurs, lavenir est sans doute toujours plus de simplicit dans lusage. Attention toutefois ne pas confondre simple et simpliste. Il ne faut jamais oublier que tous les basiques de lanalyse des donnes restent vrais, notamment limportance de la qualit des donnes. Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Voil qui achve notre tour dhorizon de la ralit de la data visualization aujourdhui. On le voit, les ralisations sont dj nombreuses. Pourtant, dune certaine faon, nous nen sommes encore quaux prmices. Nous allons voir maintenant, dans la quatrime et dernire partie de louvrage, les perspectives que nous offre et qui soffrent la dataviz.
123
2 4
Perspectives
Dans cette partie, nous allons nous projeter dans lavenir pour imaginer comment la data visualization peut voluer. Pour cela, nous allons dabord considrer les volutions envisages ou planifies pour les projets mens par nos contributeurs. Ensuite, nous couterons ces derniers nous faire part de leurs paris prospectifs pour lavenir de la data visualization en gnral.
4.1 le futur des projets

Pour commencer, constatons que la plupart des contributeurs ont mentionn des extensions de primtre. Quelques exemples parmi dautres:
Devant les premiers succs, lenvie de continuer

Lentrept de donnes narrte pas de grossir, ce qui explique que nous ayons des projets BI en vue. Nous avons dj planifi la mise en place du reporting financier. Aujourdhui, nous sommes en train de rendre disponible lensemble des KPI lis la sant et la scurit au travail. Yves Daelmans, ICT Project Manager, IMEC
La direction nous a demand de travailler une nouvelle application de la dataviz dans le domaine de lvaluation des fournisseurs. Des systmes de calcul de bonus et de malus existent dj pour tenir compte de la qualit des fournisseurs, mais ils sont disparates. Aujourdhui, nous voulons homogniser lvaluation et surtout assurer sa traabilit. Les outils que nous avons appris utiliser avec notre premier projet dataviz sy prtent bien. Richard Coffre, Senior Business Analyst, PagesJaunes Nous projetons d'avoir recours la data visualization au gr du besoin. Et ce que nous avons dj ralis pour le commercial, nous comptons le mettre en uvre pour le dpartement Finances en 2013. Jrme Tharaud, Responsable des tudes et dveloppement, Prisma Media
125
4
En dehors de ces prolongements et dveloppements des projets dataviz, Fabrice Benaut dIFR-GfK et Olivier Brousseau de Schlumberger pensent que la dataviz ne laissera pas inchang le reporting classique. Pour Olivier Brousseau, "La data visualization est en avance, cest linnovation en termes de BI; mais la BI traditionnelle va forcment rejoindre la dataviz." En ce qui concerne les tats plus traditionnels, leur utilit nest pas remise en cause. Ils seront par contre vraisemblablement amens sintgrer plus troitement avec les outils de data visualization.
Repenser les tableaux de bord traditionnels
lavenir, il faudrait galement accder aux dashboards simples, traditionnels, travers loutil de data visualization. Ce serait dommage de ne pas les repenser laune de ce nouveau paradigme, de se dire quils sont figs, quils nvolueront jamais, alors quils reprsentent encore aujourdhui 80% de lusage des donnes Fabrice Benaut, CIO global IFR, Head of IS and Operations, IFR Monitoring
Pour y parvenir, de nouvelles comptences sont ncessaires. la DSI et dans les quipes BI, on doit sattendre rencontrer demain des personnes aux parcours diversifis, et dots de multiples comptences.
4.1 le futur des projets
Quels profils aux SI pour mener les projets dataviz de demain?

Il faudra russir convertir lenthousiasme en bonnes pratiques et nouveaux usages. C'est aussi l'occasion de voir que les profils SI vont changer: il y aura de plus en plus de "moutons cinq pattes", pourvus de connaissances en matire de modlisation, et galement dune apptence pour le graphisme et l'ergonomie. Ltape daprs sera certainement aussi la scnarisation et le storytelling, cest--dire le fait de transformer une srie de photos en un vritable film racontant une histoire. Franois Nguyen, Directeur SI dcisionnel et marketing relationnel, SFR
Mon parcours acadmique en mathmatique et le parcours en mathmatique et en statistiques de beaucoup de mes collaborateurs savrent trs pertinents pour la data visualization. Les personnes ayant fait des tudes dinformatique, de physique, de biologie ou de chimie savent aussi, gnralement, comment reprsenter leur travail visuellement. Andrew Musselman, Data scientist, ingnieur et architecte dans le dpartement Big Data dAccenture
127
4
Mais ces profils atypiques, o les trouver? Si ladata visualization nest pas encore pleinement intgre dans les cursus, comme le pointait plus haut Philippe Nieuwbourg, des initiatives sont nanmoins menes par les coles, les Universits et les entreprises, pour former cette discipline. Cest le cas, par exemple, du SAS Spring Campus:
Former les jeunes la data visualization

Conscient du besoin grandissant de ces nouveaux profils dans son cosystme, SAS a dcid de dvelopper un programme innovant de formation spcifique pour rpondre aux nombreuses demandes de recrutement de ses entreprises clientes et partenaires, ainsi qu son propre dveloppement dans le cadre dune politique jeunes diplms. Cest ainsi quest n "SAS Spring Campus 2013", un cursus complet coupl dun stage obligatoire de fin de cycle, avec pour objectif final un premier emploi. Cette premire dition a runi 20 tudiants qui se sont vu proposer plusieurs missions par des entreprises clientes ou bien des partenaires. Devant le succs rencontr cette premire anne (250 candidatures reues), SAS Spring Campus sera renouvel et tendu ds 2014 pour une nouvelle dition, car les besoins des entreprises de ces nouveaux profils ne feront que crotre dans les prochaines annes. Ariane Liger-Belair Sioufi, Directeur Acadmique, SAS France
1. http://en.wikipedia.org/wiki/Fear,_uncertainty_and_doubt
4.2 tentative de prospective

Dune manire plus gnrale, maintenant, le futur de la data visualization devrait sattacher, selon certains de nos interlocuteurs, combler des attentes encore insuffisamment satisfaites. Il en va ainsi par exemple de la portabilit des solutions entre diffrents environnements. Un progrs en la matire est ainsi attendu par Jrme Tharaud, de Prisma Media: "Ce qui nous bloque actuellement, c'est le fait que nos deux solutions dataviz ne soient pas multiplateformes, ni vraiment multi-navigateurs. Ce serait pour nous une volution forte valeur ajoute." Au-del de ces rserves, la data visualization dans son tat actuel donne largement satisfaction aux contributeurs que nous avons interrogs. Au point que certains se prennent rver de ce que pourrait tre la dataviz de demain. Par exemple, le DSI dID Logistics, Emmanuel Vexlard, met laccent sur laccessibilit: "Si l'on cherche imaginer le futur de la data visualization, l'idal serait de pouvoir obtenir des reprsentations graphiques partir de simples requtes en langage naturel, aussi facilement que l'on obtient des rsultats sur Google." Dautres renvoient au phnomne de la quantification de soi quantified self1, en plein essor. Il sagit en loccurrence de la mise disposition par les individus de donnes personnelles lies leur mode de vie et leurs activits: manire de salimenter, sport, sommeil, etc. Tous ces domaines de la vie peuvent aujourdhui tre mesurs par des capteurs ou des dispositifs varis, allant du smartphone la fourchette lectronique. Ceux-ci gnrent une norme quantit de donnes, inexploitable sans le secours de la data visualization.
1. http://en.wikipedia.org/wiki/Quantified_Self
129
Cest ainsi que Frdrique Pain, des Bell Labs dAlcatelLucent, prdit "lavnement d'une nouvelle exprience de la dataviz, individualise et contextualise. Les domaines du bien-tre et de la sant seront probablement les fers de lance de cette volution." Ces utilisations encore assez avant-gardistes de la data visualization vont-elles se gnraliser? Certains de nos contributeurs semblent penser que oui. La dataviz augurerait dun vritable changement dre. Le projet "empreinte de mouvement" de France Tlcom est cet gard significatif.
Un outil au service de lavnement dune nouvelle re
Notre dmarche de data visualization nous permet de conduire une rflexion allant bien au-del de la donne, en partant de la circulation d'un individu au sein d'un espace clos ou dans un environnement ouvert. En croisant les diffrents rendus graphiques obtenus, nous pourrons aboutir des applications concrtes : optimisation des dplacements en fonction du trafic routier, amlioration de l'urbanisme... Tout est dans le croisement des donnes : donnes ayant trait aux individus, leur consommation, leurs habitudes, ainsi que des donnes externes sur la ville ou les transports. Certaines de ces donnes ne sont pas sous notre contrle, notamment les donnes externes. Mais en les considrant et en les associant aux donnes que nous matrisons plus directement, nous voyons merger de nouvelles perspectives qui nous clairent sur des solutions potentielles. C'est donc une relle rflexion sur le changement des comportements que nous voyons merger... En matire de gestion plus rationnelle de l'nergie, par exemple, s'interroger sur l'optimisation du parcours utilisateur peut amener revoir nos modes de consommation. Changer ces derniers peut, au final, dboucher sur des conomies d'nergie. Au regard du groupe France Tlcom, cette optimisation est valoriser aussi bien en interne qu' l'externe. Au final, nous assistons au dmarrage d'un phnomne qui peut nous renseigner sur nous-mmes, sur nos faons de faire et nous faire prendre conscience de nos dfaillances. C'est ainsi que dans une dmarche philosophique, voire sociologique, nous prenons conscience que nous pouvons remettre en question des comportements tablis. Lamia Delenda, Project Management Office, Orange
4.2 tentative de prospective
En fait, les formes que prendra le futur de la data visualization sont difficiles prvoir, car la dataviz est au croisement de diffrentes disciplines (ergonomie et IHM1, IT, design, analytique, communication...). Ce sont en grande partie les innovations dans chacun de ces domaines qui contribueront lvolution de la data visualization.
131
conclusion
insi sachve notre priple sur les terres de la data visualization. Elles restent encore largement dfricher. Mais le prsent livre blanc a permis de mettre en exergue leur fertilit. Il montre notamment que la dataviz nest pas quun concept. Plus de trente entreprises peuvent tmoigner de sa ralit au travers de projets concrets, quelles veulent encore poursuivre et dvelopper. La data visualization est une approche radicalement nouvelle de la BI et, tout la fois, elle est extrmement fidle ses fondamentaux. Elle tire tout le parti du pouvoir des reprsentations graphiques et des technologies permettant aujourdhui dexploiter rapidement de larges volumes de donnes. Elle offre ainsi une nouvelle manire danalyser ces dernires, de les communiquer et de les explorer. Ce faisant, elle met la puissance des donnes au service des mtiers et catalyse leur transformation. En mettant de la sorte les donnes en pleine lumire, la vue de tous, la data visualization en rvle leur nature profonde: un rservoir de connaissance pour lentreprise, un levier daction, un vritable patrimoine immatriel, source de valeur. Puisse cet ouvrage vous servir de guide pour vous aider tirer pleinement profit de cette valeur qui est l, porte de main.
conclusion
133
contributeurs
contributeurs
contributeurs prsentation SAS prsentation ebg
135
contributeurs
Data scientist, engineer and architect in the Big Data practice Mathmaticien et ingnieur informatique de formation (Central Washington University), Andrew Musselman a dabord travaill comme dveloppeur Web (Real Networks),puis comme ingnieur en dveloppement logiciels (Real Network, Rhapsody International). Au cours de ses expriences, il soriente dans la Big Data Analytics. Il devient dveloppeur/ analyste chez WhitePages (lquivalent anglo-saxon de PagesJaunes) avant de rejoindre Accenture en tant quarchitecte Hadoop/Big Data, poste quil occupe actuellement.
Accenture Andrew Musselman
Aroports de Paris Philippe Saffon Responsable des mdias

Diplm de Tlcom Management (INT), Philippe Saffon possde plus de 15 ans d'exprience dans le domaine de la Communication, Marketing, Commercial et Nouveaux Mdias. Avant de rejoindre Aroports de Paris en 2010, il a notamment travaill chez Bouygues Tlcom en tant que Responsable Marketing/Commercialisation des services et chez Kodak comme Responsable du Marketing Numrique. Dans le cadre de ses fonctions, il a dvelopp lactivit E-commerce des deux groupes.
Affini-Tech Frdric Gonnet
Directeur associ
Ingnieur ESIEA, Frdric Gonnet a dbut sa carrire dans des socits de services en informatique. Depuis 2003, il est dirigeant fondateur de FAIRSYS Consulting. Il a dirig de nombreux projets dans les domaines informatiques et organisationnels, notamment au sein de PagesJaunes (changement de SI de fabrication...). En 2012, il devient galement Directeur associ au sein dAffini-Tech, socit centre sur le BigData et le traitement des donnes. Il est responsable de la partie mtiers (besoins, accompagnement, pilotage & direction de projet) et de l'offre Data Visualisation.
Director, IT & Services Strategic Sourcing Franck Jouenne a ralis lensemble de sa carrire chez Alcatel-Lucent dans le secteur IT. Il rejoint en 1993 la direction Recherche & Innovation (aujourdhui Bell Labs) du groupe pour prendre en charge le dveloppement de diverses innovations pour les applications rseaux. Il a ensuite rejoint en 2002 les lignes de produit du groupe en tant que Director Computing Systmes & Industrialization puis la Direction des Achats en 2008 o il occupe actuellement le rle de Director, IT & Services Strategic Sourcing.
Alcatel-Lucent Franck Jouenne
contributeurs
Alcatel-Lucent Bell Labs Frdrique Pain Experience Strategy Director

Aprs un master de recherche en design industriel et un master en ergonomie, physiologie et psychologie cognitive, Frdrique Pain commence sa carrire par 3 ans de recherche sur les processus de design pour les interfaces EADSen codirection avec le CNAM et luniversit de Compigne. En 1997, elle intgre le dpartement Brand dAlcatel o elle dveloppe en France et en Chine un dpartement de design des applications de toutes les gammes de produits de tlphonie mobile et fixe. Elle fonde en 2009 lApplication Studio au sein des laboratoires de recherche Bell Labs o elle dveloppe et oprationnalise linnovation par les usages.
Aldecis Claude-Henri Mldo
Associ
Claude-Henri Mldo est le responsable de la socit de conseil Aldecis et de l'association Visual Decision (.fr) d'experts franais en Data Visualisation. Il a obtenu plusieurs distinctions telles que la mdaille d'argent du concours de Dataviz pour l'lection prsidentielle de 2012 organis par Google ou le titre de principal expert 2011 des graphiques financiers au sein de l'organisation mondiale IIID de Design de l'information. Depuis 20 ans, il labore des tableaux de bord et mme des visualisations exclusives pour les plus grands groupes franais. Il a d'ailleurs ralis plusieurs tudes comparatives des graphiques utiliss dans les rapports annuels du CAC40 et du Dow Jones (DJIA).
BFM Business Emmanuel Lechypre
ditorialiste, Responsable ple Analyse et prvisions
conomiste de formation, Emmanuel Lechypre a t rdacteur en chef du service conomie gnrale de L'Expansion, dont il tait aussi responsable du centre de prvision du groupe. Il est actuellement ditorialiste et Responsable ple Analyse et prvisions de BFM Business. Il a cocrit, avec Franck Dedieu et Franois de Witt, 150ides reues sur l'conomie, publi par les ditions LExpress en2010. Son dernier livre, sign avec Batrice Mathieu et paru chez le mme diteur en2012, s'intitule La prsidentielle en 25dbats.
Bleu-Cobalt Bernard Lebelle
Associ fondateur
Bernard Lebelle, diplm de lEDHEC, est le fondateur deBleuCobalt, cabinet de Conseil, Formation et Facilitation. Form au sein des plus grands cabinets (PWC, Deloitte) et fort de son exprience oprationnelle au sein dAir France, il a dvelopp un savoir-faire unique, fruit dune approche syncrtique visant tirer le meilleur parti du consulting et du visual thinking.
137
contributeurs
Coliposte Sandrine Noail
Responsable du ple Analyse et Pilotage
Sandrine Noail a plus de 13 ans dexprience sur le Support aux ventes. Aprs avoir travaill comme Responsable des tudes, Chef de Projet et Directeur de Projet, elle pilote et dveloppe aujourdhui lactivit commerciale de Coliposte. Elle accompagne et sert, au travers danalyses, latteinte des objectifs fixs par lentreprise.
Journaliste enseignant spcialis en Informatique Dcisionnelle / Business Intelligence / Big Data Depuis 1995, Philippe Nieuwbourg anime la communaut francophone des utilisateurs doutils daide la dcision sur www.decideo.fr, le site de rfrence autour des sujets tels que la big data, les entrepts de donnes, le reporting, lanalyse, le data mining, la visualisation graphique et la qualit des donnes. Auteur de plusieurs livres sur linformatique dcisionnelle, il participe chaque anne de nombreuses confrences en France et ltranger. Il est galement charg de cours luniversit du Qubec Montral.
Decideo Philippe Nieuwbourg
Fifty-five Martin Daniel
Data Visual
Diplm de lESCP Europe, Martin Daniel rejoint la socit fifty-five ses dbuts aprs un passage remarqu chez Google.Chez fifty-five, Martin dveloppe avec une quipe de data scientists des produits bass sur les donnes de webanalyse pour rendre les entreprises plus intelligentes.
France Tlvisions Antoine Allard Charg de communication

& marketing Social Media Antoine Allard commence sa carrire chez Ogilvy PR en stratgie dinfluence digitale et ditoriale. Il rejoint France Tlvisions en 2012 en tant que charg de communication online au sein de la direction marketing des ditions numriques du groupe audiovisuel public. Il soccupe notamment du community management et de la stratgie mdias sociaux et social TV de France 5 et des projets Nouvelles critures et Transmedia du groupe.
contributeurs
Havas Media Emmanuel Barbet
Global Accounts Director
Emmanuel Bardet est diplm de lIDRAC Lyon en Marketing et Management. Aprs avoir travaill 10 ans dans le web marketing et trois ans en tant que Digital Account Directeur, il rejoint Omnicom Media Group afin de coordonner et implmenter la stratgie digitale de Renault EMEA. Arriv chez Havas Media en 2012, il aide ses clients dvelopper leur stratgie digitale media.
Havas Media Irne Labus Directrice Analytics Digital

Aprs plus de 15 ans de fonctions marketing et business dveloppement au sein de pure players Internet, Irne Labus rejoint Havas Digital en 2008 pour dvelopper le ple Analytics. Elle accompagne ce titre les annonceurs dans lexploitation et lanalyse de leurs donnes de campagnes et les aide traduire leurs objectifs business digitaux en stratgies de collecte et de visualisation de donnes. Irne est diplme de Paris Dauphine (Magistre de Sciences de Gestion) et de l'IAE Paris (Master Marketing et Pratiques Commerciales).
ID Logistics Emmanuel Vexlard

Directeur des Systmes dInformation Diplm dun master en logistique de lISLI Bordeaux, Emmanuel Vexlard dbute sa carrire chez Habitat en tant que responsable transport en 1996, avant de prendre le poste de responsable transport et distribution de Geodis Logistics Tawan en 1999. Il intgre ensuite la direction achats de logistique de Rhodia. Il rejoint ID Logistics en 2005 en tant que directeur des oprations de La Flche Cavaillonnaise et de directeur supply chain groupe du prestataire. En 2011, il prend la tte de la nouvelle DSI du prestataire logistique avec pour mission danticiper lvolution des systmes dinformation et le pilotage des projets IT en France et linternational.
IFR Group Fabrice Benaut
Directeur des Systmes d'Information
Titulaire de mastres en technologies de l'information (Universit IAE Sorbonne) et en marketing (HEC), Fabrice Benaut rejoint le groupe GfK en 1983. Il y dirige des services informatiques depuis 15 ans et est impliqu dans bon nombre de projets de transformation du groupe. Avant de prendre la direction des systmes d'information monde de IFR en janvier 2011, Fabrice Benaut tait DSI de GfK Retail and Technology France. En dehors de lentreprise, il remporte quelques Awards: Microsoft (1997), Business Objects (SAP en 2003), Informatica (2009), QlikView (2012), et anime le club utilisateurs Informatica (5 ans au CAB).
139
contributeurs
IMEC Yves Daelmans
ICT Project Manager
Au cours dune dizaine d'annes dexprience dans ldition, Yves Daelmans sest progressivement orient vers le reporting, la gestion des donnes et la Business Intelligence. De 2006 2008, il a t responsable Business Intelligence chez Wolters Kluwer, la filiale franaise du groupe nerlandais d'dition et d'information professionnelle. Il a intgr en 2008 lInstitut des Mmoires de ldition Contemporaine (IMEC) en tant quICT Project Manager en charge du programme SAP et de tous les projets BI. Il coordonne galement le centre virtuel de comptence BI (BICC) de lIMEC.
Infopro Digital Clment Delpirou
Associ
Clment Delpirou est un des associs du Groupe Infopro Digital. Il a particulirement en charge lensemble des activits Web du groupe. Oprant exclusivement en B2B, les 200 experts digitaux qui travaillent chez Infopro pilotent 60 sites autour de 3 business models: gnration de leads, media et bases de donnes expertes. Les 3,5M de VU mensuels et les centaines de milliers de leads annuels de lactivit font dInfopro un acteur incontournable du Web en B2B en France. Diplm de HEC, Clment tait DG de Nurun France avant de rejoindre Infopro.
Ingenico Dorina Ghiliotto-Young
Head of Innovation
Dorina Ghiliotto-Young a intgr la direction Global Solutions, Sales & Marketing dIngenico en tant que Head of Innovation. Elle tait auparavant la tte du Business Development de Mappy SA (France Telecom), o elle a lanc avec succs lactivit de navigation GPS avec les fabricants et oprateurs mobiles europens. Elle a galement dvelopp lactivit e-commerce du groupe Amadeus et QCNS (voyagiste leader sur internet). Dorina a obtenu un master au sein de la prestigieuse universit italienne Bocconi-IULM, complt en 2003 par un MBA full-time en Marketing, Innovation et hi-Tech au sein de lEDHEC
Keyrus Vincent Lagorce
Practice Manager Data Recovery
Vincent Lagorce possde plus de 10 ans dexprience en Business Intelligence. Aprs avoir travaill comme consultant Avant-vente, Chef de Projet et Directeur de Projet, il pilote et dveloppe aujourdhui lactivit de la Business Unit "Data Discovery". En sappuyant sur une connaissance du march et sur une expertise forte, son quipe accompagne les clients dans le choix de solutions et dans la mise en uvre de projets de Data Discovery.
contributeurs
LOral Laurence Kerjean
Global Digital Manager DPP
Laurence Kerjean commence sa carrire en 2002 chez Louis Vuitton en tant que responsable CRM avant de partir Londres pour un poste de Direct Marketing Manager chez Selfridges, leader du retail slectif en Grande Bretagne. Laurence a ralis depuis 2005 lensemble de sa carrire chez LOral (notamment en tant que chef de projet vnementiel et Trade Marketing pour la marque Redken, Chef de Groupe pour LOral Professionnel et Directrice marketing oprationnelle pour les marques Krastase, Kraskin et Shu Uemura en Europe). Elle intgre en 2011 la structure Business Development de la DPP et sattle dvelopper le contenu ducation business pour les 8 marques professionnelles du groupe avant dtre nomme, en septembre 2012, Global Digital Manager de la DPP.
Responsable du domaine Rgie publicitaire Ingnieur financier de formation, Pierre-Olivier Sicamois commence son parcours chez Lagardre Active Publicit en 2004 en tant que chef de projet. Aprs avoir travaill quelques annes dans la gestion de projets au sein de Lagardre Active, PierreOlivier a t nomm en 2007 Responsable IT du domaine rgie publicitaire. Il pilote ce titre les projets technologiques de la Lagardre Publicit. Depuis 2011, il a aussi sa charge certains projets transverses pour la Direction des Technologies.
Lagardre Active Pierre-Olivier Sicamois
Orange Catherine Ramus
Chef de projet Equipe design
Catherine Ramus travaille actuellement chez Orange dans lentit de design intgre au sein de lquipe dAdvanced Design au Technocentre, quipe ayant notamment cr One concept de Orange, prim lanne dernire lObserveur du design avec une toile. De formation ingnieur Optolectronique, elle mne depuis 1996 de nombreux projets au sein des diffrentes structures dinnovation de France Tlcom. Elle a aussi pass deux ans la R&D de San Francisco. Depuis 2005, elle travaille avec des designers et a suivi tout rcemment la formation Innovation by Design de lENSCI (cole nationale suprieure de cration industrielle).
Orange Lamia Delenda
Project Management Office
Diplme de lcole Nationale Suprieure des Tlcommunications, Lamia Delenda est depuis mars 2010 Directeur de projet en Management Office au sein de la Direction Rseau du Groupe Orange. Elle pilote ce titre l'ensemble des projets "RseauxArchitecture et Design" du groupe, ce qui lui permet d'anticiper les tendances et les dveloppements possibles des modles d'affaires du groupe la rencontre de nouveaux marchs. Lamia a auparavant travaill dans les fonctions de stratgies rseau et dans le domaine de la prospective rglementaire.
141
contributeurs
Pagesjaunes.fr ric La jarige Responsable de projets search

Diplm de lcole centrale de Lille et de HEC, ric Lajarige entame sa carrire en 2004 chez Prosodie en tant que chef de produit. Il rejoint ensuite VSC Technologies (filiale technologique de Voyages-sncf.com) comme consultant fonctionnel et participe ce titre de nombreux projets internet dans le domaine de la distribution ferroviaire ou du voyage. De 2008 2010, ric a pilot au sein de Voyages-sncf.com le projet de dmatrialisation des titres de transport SNCF ainsi que le lancement des premires applications mobiles. Il est depuis 2010 responsable de projets search au sein de la direction des Oprations Search et Donnes de Pagesjaunes.fr
Pagesjaunes.fr Richard Coffre Senior Business Analyst

Senior Business Analyst la Direction de la Production Annonceurs de PagesJaunes SA, Richard Coffre fut un des pionniers de la mise en oeuvre d'outils de data visualization au sein de PagesJaunes.Il accompagne la mise en place d'un pilotage de l'activit de la direction par une refonte des rapports d'activit et la mise en place de tableaux de bord. Adepte des mthodes agiles (notamment Scrum), il enseigne la gestion de projets l'European Communication School de Paris, et convaincu de la ncessit d'apporter l'information au plus prs des utilisateurs, il a opt pour une approche Data Visualization des KPI. Son leitmotiv est Keep It Simple and Smart (KISS).
Philips Menno Haijma
Senior Global Search Manager
Diplm de luniversit nerlandaise Rijksuniversiteit Groningen, Menno Haijma entreprend une carrire internationale dans le marketing online en 2005. Aprs avoir ralis une tude de march au Danemark au sein des publications Ventus et un stage chez NDC|VBK Publications aux Pays-Bas, il rejoint Google en Irlande comme senior account manager pour le march Benelux. Il intgre en 2008 lquipe management de Google Wroclaw en Pologne en tant que Team Strategist. Il est depuis 2011 senior Global Search Manager au sein de Philips Consumer Lifestyle aux Pays-Bas.
Responsable des tudes et dveloppement Aprs des tudes en Intelligence Artificielle, Jrme Tharaud amorce sa carrire en 1992 en tant qu'ingnieur dans une SSII. En 1994, il intgre une SSII spcialise dans la BI o il devient Chef de projet / Consultant. Il pilote notamment la mise en uvre de Data Warehouse et accompagne le dveloppement de la BI chez diffrents clients. Il rejoint en 2000, le groupe Prisma Media en tant que Chef de projet RH o il pilote la refonte de l'ensemble du SIRH jusqu' son externalisation. Depuis 2006, il est Responsable des tudes et dveloppement du groupe.
Prisma Media Jrme Tharaud
contributeurs
Roambi Thibaut de Lataillade Vice-prsident Europe du Sud

Thibaut de Lataillade a intgr Roambi en 2011 en tant que Vice-prsident pour l'Europedu Sud.Son exprience pralable de management,de vente,de marketing et de consultant en stratgie lui donne une position idale pour aider les clients comprendre les enjeux de la mobilit appliqus aux ralits du business. Thibaut est titulaire d'un diplme del'European Business School (EBS) Paris, option finance.
Schlumberger Olivier Brousseau
Business Intelligence Program Manager
Diplm de lcole Suprieure d'lectricit de Paris, Olivier Brousseau a travaill trois ans au sein du groupe Sema, socit de conseil spcialise dans les prestations dintgration IT et trois ans en tant quarchitecte software pour Atos Origin avant de rejoindre Schlumberger en 2005. Depuis 2012, aprs plusieurs annes dexprience dans le domaine de larchitecture informatique, il est responsable du programme BI du groupe.
SFR Franois Nguyen

Directeur SI dcisionnel et marketing relationnel Expert comptable de formation, Franois Nguyen commence son parcours dans laudit chez Deloitte Touche Tohmatsu (1993-1997), puis rejoint SAP France en tant que consultant. Il occupe depuis 2001 diverses fonctions au sein du groupe SFR: Responsable MOA DAF (2001-2003), Directeur MOA Finances-Achats (20032006), Directeur Solutions Finances-Achats Logistique (2007-2008) et Directeur du SI interne (2008-2011). Il a t nomm Directeur SI dcisionnel et marketing relationnel en 2011 et soccupe ce titre de sujets lis la connaissance client, la recommandation doffres ou encore les outils de reporting des canaux.
SM Marketing Convergence Inc. Valente Corpuz Garin

Assistant Vice President IT - Information Technology Division Titulaire dune licence en Computer Science de La Salle University (Manila), Valente Corpuz Garin a plus de vingt ans dexprience dans lIT. Il est depuis 2007 Responsable de la Division IT de Marketing Convergence Inc SM Advantage (58 personnes, budget annuel de 4,57 millions deuros). Avant doccuper cette fonction, Valente a travaill dans le management de projets et limplmentation de solutions notamment chez Oracle.
143
contributeurs
Responsable de lquipe Statistique, Economtrie et Datamining, Direction Innovation & Recherche Diplme de lcole Nationale de la Statistique et de lAnalyse de lInformation (ENSAI) et docteur en mathmatiques de luniversit de Paris VI (2005), Maguelonne Chandesris est en charge la direction Innovation & Recherche de la SNCF dune quipe spcialise en Statistique, Economtrie et Dataminig.
SNCF Maguelonne Chandesris
SPF Economie Caroline Denil Data Warehouse Program Manager

Avant davoir rejoint le service public conomie en 2008, Caroline Denil a travaill plus de 10 ans pour une socit dassurance. Elle a acquis des annes dexprience dans le domaine du Data Warehouse et de la Business Intelligence. Fort de son expertise, elle remporte en 2012 le prix SAS de lexcellence Best business analytics pour le projet Ecozoom.
STMicroelectronics Guillaume Deschamps

EDA Manager
FMT / Central Functions YTI /
Guillaume Deschamps a ralis lensemble de sa carrire au sein de STMicroelectronics notamment en tant quingnieur produit avant de simpliquer dans les process doptimisation du groupe. Il devient en 2007 chef de projet en Data Management en charge du dploiement du nouvel outil compagnie danalyse de donnes sur Singapour, puis de la cration des outils pour le support du transfert de 5 technologies des tats-Unis vers Singapour. Il a t nomm en 2009 Responsable de la Scurit et des interfaces client au sein de Wafer Foundries Outsourcing avant de prendre en charge les activits Data Analysis de toute la partie fonderie interne de STM (20000 personnes).
& Market Knowledge
Ubisoft Charles du Rau
Directeur du dpartement Consumer
Charles du Rau a intgr le groupe Ubisoft en 2003 pour crer le dpartement tudes consommateurs. Il a russi mettre en place des programmes d'tudes chelonnes en fonction des tapes cls du cycle de vie des nouveaux produits. Sappuyant sur lexpertise acquise Londres au sein de Procter & Gamble, il a lanc des mthodologies dtudes innovantes adaptes au monde du jeu. En 2008, il a constitu, en liaison avec le studio canadien, une nouvelle quipe ddie au tracking dans les jeux, souvrant ainsi au domaine de l'analytics. Plus rcemment, il a opr la refonte du ple tudes de march pour aider la Production, la Finance et la Direction Gnrale mieux apprhender le virage vers les ventes digitales dans cette industrie.
contributeurs
Voyages-sncf.com Frdrique Ville Directrice de l'Innovation

Frdrique Ville a pour mission de dvelopper linnovation et les nouveaux projets en la matire au sein de Voyagessncf.com. Diplme de l'cole Polytechnique et de l'cole Suprieure des Tlcommunications, Frdrique commence sa carrire en 1994 au sein du groupe TRT-Philips Communications. Elle intgre ensuite la Division des Rseaux Nationaux France Telecom avant de rejoindre la Branche Entreprises Direction des Grands Projets et de lInternational en tant que responsable du dpartement technique jusquen 2001. Frdrique Ville intgre alors le groupe Orange puis Orange Experience au Technocentre et enfin directeur performance et process management au sein de la division Orange Business Services.
X Prime Group Pierre Pongi Directeur de Projet

Pierre Pongi obtient son Master enMarketing et Technologies de l'Information et de la Communication l'IAE de Montpellier, ce qui le conduit ds 2007 au poste de Chef de Projet chez BuzzParadise, agence de web advertising du groupe Vanksen. Aprs avoir dvelopp son expertise digitale de nombreux domaines, il arrive chez X-PRIME Groupe en 2010. Directeur de Projet dans cette agence web indpendante, il conseille et accompagne quotidiennement ses clients sur de nombreuses problmatiques mtier : gestion de la prsence digitale des marques, structure de linformation et exprience utilisateur, prise de parole sur les espaces sociaux, recommandation et optimisation e-commerce.
145
sas
sas est leader mondial du
dcisionnel et des solutions de business analytics. Grce
Les solutions sas couvrent l'ensemble des mtiers de l'entreprise : finance, commercial,
marketing, achats, risques, pilotage des systmes d'information, ressources humaines et rpondent aux spcificits de multiples secteurs d'activits.
des solutions innovantes reposant sur une infrastructure intgre, SAS aide ses clients -sur plus de 60000 sites dans le monde- amliorer leur performance et produire de la valeur en leur permettant de prendre rapidement de meilleures dcisions.
proposer une plate-forme dcisionnelle d'entreprise ouverte et intgre couvrant toutes les fonctionnalits du dcisionnel: gouvernance
des donnes, analyse, restitution (reporting/ business intelligence) et visualisation exploratoire des donnes. La puissance de ses solutions repose sur un ventail unique d'outils d'analyse (standard, ad hoc, OLAP, alerte, statistique, prvision, modlisation, prdiction, optimisation) et une forte expertise mtier.
sas est le seul diteur
Cr en 1976, sas est le plus important diteur indpendant du march du dcisionnel avec un chiffre
daffaires de 2,870 milliards de dollars ralis en 2012. Ses solutions quipent 90 % des 100 premires socits cites dans Fortune 500.
sas France
Domaine de Grgy Grgy-sur-Yerres 77257 Brie-Comte-Robert www.sas.com/france Contact : Patricia Machet, Responsable du marketing stratgique Patricia.Machet@sas.com +33 1 60 62 12 38
sas
Serge Boulet
Directeur Marketing & Communication - SAS France Ingnieur de formation, Serge Boulet dbute sa carrire dans des fonctions de matrise douvrage dans le secteur de la finance. Il rejoint SAS France en 1985 et participe au dmarrage des activits de la filiale franaise. Il y exerce plusieurs fonctions commerciales, de business dveloppement et de marketing. Au cours de ces annes, il contribue activement la croissance de la filiale sur le march franais et accompagne les clients dans le dveloppement de projets innovants et le dploiement des solutions SAS dans des domaines tels que le pilotage des risques, le marketing multicanal et plus gnralement tous les domaines couvrant la Business Analytics. Sa connaissance des besoins mtiers conjugue celle des quipes informatiques ddies aux applications dcisionnelles lui ont permis de dvelopper une approche et un regard particulirement pertinents sur la valorisation des informations de lentreprise Contact : Serge.Boulet@sas.com
Jrme Cornillet
Responsable de l'offre SAS Business Analytics - SAS France Statisticien et prvisionniste de formation universitaire. Aprs un dbut de carrire ddi l'analyse d'essais thrapeutiques dans de grands laboratoires pharmaceutiques, Jrme Cornillet a intgr SAS France en 1990. Sensibilis aux problmatiques mtier des clients travers des missions de conseil et de formation et passionn de nouvelles technologies, il est aujourd'hui responsable de l'offre SAS Business Analytics regroupant tous les composants de l'infrastructure analytique de SAS Contact : Jerome.Cornillet@sas.com
Mouloud Dey
Directeur Solutions et Marchs Emergents - SAS France

Diplm en conomie mathmatique et informatique lUniversit Paris-Ouest, et en marketing lUniversit de Paris Dauphine, Mouloud Dey a consacr sa carrire au secteur des nouvelles technologies de linformation et de la communication dans des missions de conseil, et de management couvrant les principaux domaines de linformatique dcisionnelle. Sa comprhension des besoins stratgiques des entreprises lui permet dintervenir en partenaire de confiance des plus grandes entreprises dans des domaines analytiques varis. Il apporte rgulirement son expertise et sa vision personnelle sur des sujets innovants lis lre numrique : Big Data, rseaux et mdias sociaux, marketing digital, exprience client Contact : Mouloud.Dey@sas.com
Au-del de ces experts, cest toute une quipe SAS qui sest mobilise pour la ralisation de cet ouvrage par ses contributions, ses conseils, sa vision, son exprience. Nous remercions ici Ariane Liger-Belair Sioufi, Patricia Machet, Elisabeth Ziegler, Luca Garlanda, mais aussi tous ceux qui de prs ou de loin ont permis "dataviz" dtre publi.
147
ebg
L ebg est la plus importante communaut professionnelle franaise qui rassemble des dcisionnaires dentreprises actives dans lindustrie, les services, les mdias et qui ont pour point commun dagir dans le sens de linnovation. Le Conseil dAdministration de lebg se compose des
personnalits suivantes: Stphane Richard Prsident-directeur gnral de France Tlcom Orange Didier Quillot Prsident de Coyote System Jean-Bernard Levy Prsident de Vivendi jusquen juin 2012 Franois-Henri Pinault Prsident de PPR Wu Janmin Prsident de lInstitut de la Diplomatie de Beijing, Prsident du Bureau International des Expositions, Steve Ballmer CEO de Microsoft Sir Martin Sorrell Prsident de WPP Philippe Rodriguez Trsorier Pierre Reboul Secrtaire gnral
Les activits de lebg

Lebg a pour vocation danimer un rseau de comptences et de savoirfaire, en organisant chaque anne plus de 120 tables rondes permettant aux cadres dirigeants de partager leurs expriences. Il y a ainsi dix communauts actives lebg: les PDG/DG, les Directeurs des Achats, les responsables SI et Dcisionnel, les Directeurs financiers les Responsables Juridiques et RH, les Directeurs Marketing, et Webmarketing/eCommerce, Les Directeurs Media et Mobilit et les Responsables de la communication Chaque communaut se runit au moins une fois par mois pour changer et faire le point sur les nouvelles pratiques de leur fonction. Les sances sont filmes et diffuses en direct sur ebg.net.
Pour plus dinformations sur lebg :

Benjamin Glaesener Directeur gnral +33 1 45 23 05 12 benjamin.glaesener@ebg.net Arthur Haimovici Responsable du Ple tudes +33 1 48 01 65 61 arthur@ebg.net
Impression : Corlet Imprimeur Conception graphique/maquette : Thierry Badin @ Hite design graphique Copyright 2013 SAS - EBG-Elenbi Tous droits rservs. Cet ouvrage ne peut en aucune manire tre reproduit en tout ou partie, sous quelque forme que ce soit ou encore par des moyens mcaniques ou lectroniques, y compris le stockage de donnes et leur retransmission par voie informatique sans autorisation des diteurs, Elenbi et SAS. La citation des marques est faite sans aucun but publicitaire. Les erreurs ou les omissions involontaires qui auraient pu subsister dans cet ouvrage malgr les soins et les contrles de lEBG et Sas ne sauraient engager leur responsabilit. Electronic Business Group / Elenbi et SAS.

Dataviz Sas Ebg Livre Blanc BD

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Dataviz Sas Ebg Livre Blanc BD

Transféré par

Droits d'auteur :

Formats disponibles

dataviz

1. la dataviz et vous : prsentations 6

2. les bnfices de la data visualization 58

3 3. caractristiques des projets dataviz 82

conclusion 130 contributeurs 132

1.1 dfinition(s) de la dataviz

146 132 130 127

comprendre la data visualization au travers de 30 cas concrets

.1 2.5 2.4 2.3 2.2

la dataviz et vous: prsentations

1.1 dfinition(s) de la dataviz

1.1 dfinition(s) de la dataviz

1.1 dfinition(s) de la dataviz

1.1 dfinition(s) de la dataviz

Les 3 caractristiques de la data visualization

1.1 dfinition(s) de la dataviz

2. Sources : http://en.wikipedia.org/w/index.php?title=Box_plot&oldid=551581640 et http://fr.wikipedia.org/w/index.php?title=Bo%C3%AEte_%C3%A0_moustaches&oldid=90308055

Hans Rosling la confrence TED

1.1 dfinition(s) de la dataviz

1.2 quoi sert la dataviz?

Dans les pages qui suivent, nous allons tudier

1.2 quoi sert ladataviz ?

> amliorer le pilotage de lentreprise

Un exemple de data visualization dans le secteur des tlcoms

1.2 quoi sert ladataviz ?

La data visualization comme outil de pilotage

Yves Daelmans, ICT Project Manager IMEC

1.2 quoi sert ladataviz ?

La dataviz ou la pense visuelle au service de la stratgie

Un tableau de bord stratgique chez LOral

1.2 quoi sert ladataviz ?

Dataviz et relation client multicanal

Analyse des Centres de Relation Client

Une dataviz pour reprsenter la consommation lectrique des trains

1.2 quoi sert ladataviz ?

> contribuer au business

La data visualization, source de valeur et de diffrenciation

1.2 quoi sert ladataviz ?

Radars reprsentant linvestissement des annonceurs chez Lagardre Active

1.2 quoi sert ladataviz ?

> donner du pouvoir aux citoyens

Nos projets dataviz se prsentent sous trois formes distinctes :

Le "pariteur" de France Tlvisions

1.2 quoi sert ladataviz ?

1.3 une innovation

1.3 une innovation ou une rvolution ?

> Les big data

La croissance exponentielle de la quantit de donnes

Source IDC 2008

Nombre d'exaoctets produits/an

l'Univers numrique 2009/2020

1 exaoctet = 1 milliard de gigaoctets 1 zettaoctet = 1 000 milliards de gigaoctets

La data visualization la rescousse pour le traitement des big data

1.3 une innovation ou une rvolution ?

1.3 une innovation ou une rvolution ?

un exemple de data visualization dans le domaine de la recherche pharmaceutique

Analyse deffets indsirables

Analytique, dataviz et big data: le trio gagnant

1.3 une innovation ou une rvolution ?

Lempreinte de mouvement, la croise de lart, du business et des big data

> Les progrs dans la comprhension du fonctionnement du cerveau

1.3 une innovation ou une rvolution ?

> Les nouveaux terminaux et les nouvelles interfaces daccs linformation