IBM Software Business Analytics

Visualisation avance

Comprendre le Big data grce la visualisation

Par T. Alan Keahey, Ph.D., IBM Visualization Science and Systems Expert

Comprendre le Big data grce la visualisation

Sommaire
2 Introduction 3 Visualiser le Big data pour obtenir une image globale 4 Des donnes client simples 5 Ajouter le facteur temps lquation client 7 Comprendre le ressenti du client 8 Comprendre les relations des clients 9 Comprendre les clients diffrents niveaux de dtail 12 Dompter la complexit du Big data avec IBM 14 Conclusion 14 A propos de lauteur

Introduction
Des tudes ont montr que la mmoire court-terme humaine est capable de retenir 3 7 lments simultanment, autrement dit lHomme peut uniquement jongler avec quelques lments puis commence les oublier. La visualisation consiste crer des codages de donnes en canaux visuels visibles et comprhensibles par lHomme. Ce processus externalise les donnes et permet ltre humain de penser et de manipuler les donnes un niveau suprieur. Cette externalisation lui permet de rflchir de manire plus complexe sur des volumes dinformations plus importants que ce quil pourrait faire normalement. 1 La visualisation exploite la vision humaine de manire fournir une mthode daffichage et de prsentation des donnes intuitive, immdiate et indpendante des langues. Il sagit dun outil essentiel pour comprendre les informations. La vision humaine est la voie dacheminement dinformations jusquau cerveau de loin la plus riche, la plus immdiate et la plus performante. La part de capacit crbrale consacre au traitement des informations visuelles est largement suprieure celle consacre aux autres sens. Daprs certains scientifiques, la vision humaine est capable de traiter environ 9 mgabits dinformations par seconde, soit prs dun 1 million de lettres de texte par seconde.

Business Analytics

Au cours des dernires dcennies, les recherches sur la visualisation ont mis en vidence diverses techniques de visualisation efficaces qui vont bien au-del des diagrammes classiques circulaire, barres, courbes omniprsents dans les tableurs et les tableaux de bord. Ces techniques sont particulirement utiles lheure o la plupart des entreprises sont confrontes au Big data. En effet, la majorit dentre elles sefforcent de rendre comprhensibles les rsultats de diverses sources de donnes communications RFID, texte des mdia sociaux, enqutes clients, vido en streaming, etc. ainsi que les donnes acquises sur de trs longues priodes. Le rapport de lIBM Institute for Business Value sur le Big data, pour lequel IBM a enqut auprs de plus de 1100 professionnels de lentreprise et de linformatique, a rvl que moins de 26 % des personnes interroges qui taient activement impliques dans le Big data pouvaient analyser des donnes extrmement dstructures telles que la voix et la vido, et seules 35 % pouvaient analyser les donnes en streaming. 2 La visualisation joue un rle cl en permettant la comprhension de ces analyses de donnes complexes et la communication des fragments dinformations analytiques essentiels des collaborateurs de lentreprise moins verss dans lanalytique. La capacit danalyser le Big data est un rel avantage pour les entreprises. Dans cette mme enqute IBM, 63 % des personnes interroges ont dclar que, selon elles, la comprhension et lexploitation efficaces du Big data pouvaient crer un avantage concurrentiel pour leur entreprise. 3 Lanalyse du Big data peut en effet aider les entreprises amliorer la prise de dcision, crer une vue 360 degrs de leurs clients, amliorer la scurit et la surveillance, analyser les oprations et augmenter la cration dentrepts de donnes. La visualisation peut jouer un rle crucial en tirant parti du Big data pour obtenir une vue complte de votre client. Dcouvrez comment dans ce document.

Visualiser le Big data pour obtenir une image globale

Dans le monde conomique actuel, les entreprises se doivent dtre concurrentielles et ont pour cela besoin davoir une image de leurs clients la plus complte possible. Une telle image exige une comprhension complte non seulement des processus de transaction entre vos clients et votre entreprise mais aussi de la manire dont chacun deux se renseigne sur les offres, compare les diffrentes options, discute des produits et des services sur leurs rseaux sociaux et interagit avec les produits et services associs. Chacun de ces aspects reprsente une tche analytique distincte qui peut tre difficile apprhender pour les utilisateurs mtier sans formation en analytique ; lorsque ces tches sont combines, il vous est alors encore plus difficile dobtenir une vue 360 degrs de vos clients. La visualisation peut jouer un rle crucial en rendant les composants analytiques individuels comprhensibles et en les regroupant en une image densemble intelligible. La visualisation peut tre utilise en outre de plusieurs manires diffrentes pour aider matriser le volume et la complexit des donnes et simplifier ainsi leur interprtation. Pour comprendre comment, vous pouvez commencer avec un ensemble de donnes client simples et ajouter des vues du client, y compris celles issues du Big data.

Comprendre le Big data grce la visualisation

Des donnes client simples

De nombreux tableaux de bord et outils de reporting prsentent les donnes de manire simple sous la forme dun ou plusieurs graphiques classiques : diagramme barres, courbes ou circulaire. Ces graphiques sont parfaitement adapts pour communiquer des informations de base telles que des indicateurs cls de performance (KPI) mais leur efficacit est plus limite lorsquil sagit de comprendre plusieurs KPI ou autres indicateurs dans une vue plus globale. Regrouper plusieurs graphiques simples sur une seule page peut rapidement crer une impression de fouillis. Sils sont placs sur diffrentes pages, lutilisateur peut naviguer de lun lautre mais il peut avoir des difficults pour les intgrer en interne ou relier entre elles les diffrentes mesures se trouvant sur diffrentes pages. Dans ce cas, le diagramme barres et courbes peut tre tendu (Figure 1) pour prsenter une mesure unique pour plusieurs catgories dans un seul diagramme grce diffrentes techniques usuelles telles que les diagrammes barres empiles ou groupes et les diagrammes courbes et en aires sries multiples.

Ces techniques peuvent tre typiquement utilises pour prsenter 4 8 catgories dans un diagramme unique ; toutefois, pour de nombreux scnarios de Big data, le nombre de mesures (colonnes dans un tableur) peut se compter en milliers. Dans ces cas-l, il nexiste aucune technique de visualisation unique adapte la communication des donnes brutes. Une technique de rduction analytique ou dimensionnelle doit tre pralablement applique aux donnes avant de tenter la visualisation. De nombreuses techniques de rduction des donnes sont disponibles et peuvent tre appliques, y compris la segmentation, le groupement, la rgression linaire, etc. Lide est de trouver un modle mathmatique qui rduise la complexit des donnes, soit le nombre de dimensions soit le nombre de points de donnes, tout en continuant capturer les caractristiques essentielles des donnes.

Figure 1: Diagramme barres illustrant une mesure unique pour plusieurs catgories de vente.

Business Analytics

Ajouter le facteur temps lquation client

Les modles clients sont souvent lis aux cycles de temps, tels que le cycle diurne de 24 heures ou les cycles des payes mensuelles. La communication de ces modles au cours du temps peut se faire laide des diagrammes courbes mais dautres mtaphores visuelles plus avances peuvent rendre ces modles temporels plus ralistes.

Le diagramme en toile (Figure 2) est souvent un bon choix pour prsenter rgulirement des donnes cycliques comme des donnes journalires sur une semaine, ou des donnes mensuelles sur un an. Toutefois, il faut tre prudent avec les donnes horaires car elles peuvent perturber les personnes habitues au cycle dhorloge de 12 heures.

Figure 2 : Diagramme en toile qui illustre des cycles hebdomadaires de donnes de vente organiss de manire circulaire.

Comprendre le Big data grce la visualisation

Le calendrier constitue galement une mtaphore efficace et bien connue de la reprsentation du temps.Une visualisation efficace est la carte thermique avec chelle de couleurs pour attribuer une valeur aux jours calendaires (Figure 3).

On obtient une reprsentation visuelle intuitive trs compacte, qui communique les modles hebdomadaires et mensuelles efficacement, que ce soit pour quelques mois ou pour de nombreuses annes de donnes.

Figure 3 : Exemple de carte thermique calendaire qui illustre deux ans dvolution (en pourcentages) des commandes clients sur le Web par an (range), mois (colonne), jour de la semaine (sous-range), semaine (sous-colonne) et jour.

Business Analytics

Si lon compare la carte thermique calendaire un diagramme courbes (Figure 4) qui contient les mmes informations, on peut se rendre compte de lefficacit de la carte thermique.

Comprendre le ressenti du client

Obtenir une vue complte de vos clients exige beaucoup plus que de simplement comprendre les indicateurs de transaction cls. Vous devez suivre ce que vos clients (potentiels et existants) disent sur votre entreprise, ses produits et services, et ce quils disent sur vos concurrents. Cette forme de Big data peut tre recueillie partir de plusieurs sources, notamment les journaux des centres dappels, les mdia sociaux et les enqutes clients. Lanalyse du ressenti et dautres techniques peuvent tre utilises pour traiter ce Big data et extraire des modles, et la visualisation est un outil essentiel pour communiquer nombre de ces modles lutilisateur professionnel. Une technique rpandue consiste extraire les mots et phrases cls dun ensemble de communications client puis de suivre lvolution de lutilisation de ces mots et phrases au cours du temps. La visualisation de type rivire est parfaitement adapte pour la prsentation de ce type dinformations (Figure 5). Lpaisseur de la bande un moment donn correspond au dcompte de frquence pour le mot ou la phrase associ. Cette visualisation vous permet davoir une ide des fluctuations du ressenti de vos clients.

Figure 4 : Diagramme des donnes illustres sur la Carte thermique calendaire de la Figure 3.

Figure 5: Visualisation de type rivire illustrant la frquence dutilisation au cours du temps de phrases lies aux plateformes de jeu.

Comprendre le Big data grce la visualisation

Comprendre les relations des clients

Les relations sont un aspect hautement important de nombreux scnarios de Big data. Les rseaux sociaux sont peut-tre lexemple le plus probant cet gard, et le fait de les matriser implique que vous tes en mesure de comprendre et dinfluencer

non seulement les clients eux-mmes mais aussi leurs rseaux de relations amicales et familiales associs. Ces types de relations sont trs difficiles comprendre au format texte ou tableau ; toutefois, le recours la visualisation (Figure 6) peut faire apparatre les tendances et modles de rseau mergents.

Figure 6 : La visualisation dun rseau social peut reprsenter des modles de ressenti client, les inuenceurs cls et leur porte.

Business Analytics

Comprendre les clients diffrents niveaux de dtail

Les hirarchies sont de puissantes abstractions de donnes permettant de regrouper des informations en catgories plus larges de manire pouvoir les comprendre un niveau suprieur. Ces hirarchies sont notamment utilises pour prendre en compte la dimension temporelle : lactivit client mesure en jours, puis en mois, puis en annes cre une hirarchie trois niveaux. Un autre type de hirarchie frquemment utilis pour regrouper des ensembles de donnes plus volumineux en abstractions plus comprhensibles repose sur les proprits gospatiales : par exemple, les ventes clients dans les diffrentes villes peuvent tre regroupes en ventes au niveau dpartemental puis en ventes au niveau national. Un troisime exemple consiste organiser un catalogue de produits en catgories gnrales (activits de plein air, loisirs, sports) puis en sous-catgories (baseball, tennis) pour arriver en final au produit. Il existe de nombreuses autres hirarchies.

Les hirarchies sont trs rpandues dans lanalyse de donnes ; elles doivent toutefois tre utilises avec prudence, en particulier avec le Big data, car le mcanisme de regroupement peut parfois masquer des dtails importants des niveaux infrieurs. Une mthode classique pour permettre la comprhension dinformations diffrents niveaux de dtail hirarchique est de prsenter les niveaux individuels dans une srie de rapports onglets, chaque rapport prsentant une section unique de la hirarchie (par exemple, tous les produits lis au tennis). La visualisation en hirarchies offre une comprhension plus complte des informations car elle prsente des niveaux multiples de la hirarchie simultanment. Il existe un large ventail de techniques de visualisation pour les hirarchies ; lexemple ci-dessous (Figure 7) illustre une approche assez directe o chaque entit de la hirarchie est reprsente par un noeud sur le diagramme. La taille et la couleur indiquent les diverses proprits des noeuds, et les lignes entre les noeuds indiquent la relation hirarchique.

Figure 7 : Visualisation de la hirarchie des donnes qui indique le nombre de rponses aux campagnes cibles au niveau rgional, dpartemental et municipal. Chaque niveau est reprsent par une ou plusieurs bulles.

10

Comprendre le Big data grce la visualisation

Sur la Figure 7, la taille des bulles indique le nombre de rponses aux campagnes, et la couleur indique une autre mesure, par exemple une volution par rapport lanne prcdente. Rouge correspond faible, blanc neutre et bleu lev. Du fait de leur structure ramifie, les hirarchies sont souvent dsignes comme des arborescences au sein de la communaut des chercheurs en visualisation. Une autre mthode trs performante et efficace de visualisation des hirarchies est le treemap, dans lequel le rectangle extrieur reprsente la somme totale pour lensemble de la hirarchie et est sous-divis de manire rcursive en fonctions des divisions de la hirarchie.

La taille de chaque sous-rectangle peut reprsenter une mesure alors que la couleur est souvent utilise pour reprsenter une autre mesure des donnes. La Figure 8 illustre un treemap dun ensemble de choix de titres musicaux et vidos proposs en streaming par une communaut de rseau social et qui pourrait tre utile un service mdia pour la conception doffres personnalises de titres audio et vido tlcharger. La couleur reprsente les genres des titres slectionns, chaque genre tant sous-divis en rectangles, chaque rectangle correspondant un artiste. La taille du rectangle pour le genre et lartiste reprsente le nombre de titres disponibles dans cette catgorie.

Figure 8 : Treemap de slections de titres dun rseau social partir dun service de media en streaming.

Business Analytics

11

La communaut des chercheurs a explor des centaines de mthodes de visualisation par arborescences, nombreuses dentre elles parfaitement adaptes des types spcifiques darborescence comme le squenage du gnome, les grands

schmas sociaux et les tournois sportifs. Certaines de ces mthodes de visualisation par arborescence sont capables de reprsenter des centaines ou des milliers de donnes voire des millions dentits organises en une structure hirarchique.

Quel volume de Big data peut-on visualiser directement ? La question se pose souvent de savoir quel volume de Big data il est possible de visualiser et de comprendre directement par des techniques de visualisation. La rponse dpend essentiellement du type de donnes visualises, et des questions et rponses que lutilisateur veut dvelopper. Toutefois, dans la plupart des cas, la visualisation directe des sources de Big data nest pas possible ou pas efcace. La visualisation des donnes volumineuses fonctionne mieux avec les techniques danalyse, cest la raison pour laquelle un domaine de recherche a t cr spciquement : lanalyse visuelle. Toutefois, il est utile de dterminer le volume de donnes qui peut tre visualis directement de manire efcace. La rponse dpend dun certain nombre de facteurs : lchelle et la structure des donnes, la dimension du dispositif dafchage, lvolutivit des calculs,les besoins de collaboration et de partage et lvolutivit de la prsentation visuelle. Voici quelques rgles gnrales concernant le volume dlments de donnes qui peuvent tre reprsentes efcacement grce certaines techniques de visualisation classiques : Diagramme circulaire : 3 10 Diagramme barres : moins de 50 Diagramme courbes : moins de 500 Trac de bulles : moins de 500 Nuage de points : moins de 10 000 Des techniques de visualisation plus avances peuvent reprsenter un plus grand nombre dlments. Ces styles avancs peuvent permettre de reprsenter entre 3 et 6 ordres de grandeur (1000 1 000 000 lments) de visualisation directe de donnes, et environ 9 ordres de grandeur (1 000 000 000) pour les cas trs spciaux. Bien que la visualisation puisse offrir une rduction dchelle considrable, ce ne peut tre quune partie de la solution si lobjectif est de traiter un traoctet (12 ordres de grandeur) ou un ptaoctet (15 ordres) de Big data. Lanalyse joue un rle cl en contribuant rduire la taille et la complexit du Big data jusqu un point o les donnes peuvent tre visualises et comprises efcacement. Dans le meilleur scnario, la visualisation et lanalyse sont intgres de manire fonctionner ensemble sans problme.

12

Comprendre le Big data grce la visualisation

Dompter la complexit du Big data avec IBM

La visualisation est un outil essentiel pour comprendre le Big data. Elle permet dobtenir une vue du Big data beaucoup plus complte que celle obtenue avec des tableaux et des statistiques. Cependant, la cl dune analyse efficace du Big data est lintgration de la visualisation dans des outils analytiques afin que tous les types dutilisateurs puissent interprter le Big data partir dun vaste panel de sources clickstreams, mdia sociaux, fichiers journaux, vidos, etc. IBM propose de nombreuses solutions qui intgrent des capacits de visualisation mais galement des visualisations extensibles qui peuvent tre tlcharges pour utilisation dans des solutions danalyse mtier. Toutes les visualisations de ce document ont t cres avec les solutions et standards IBM.
Solutions de visualisation du Big data

Les produits IBM tels quIBM InfoSphere BigInsights et IBM SPSS Analytic Catalyst, utilisent des bibliothques de visualisation et le RAVE pour permettre des visualisations interactives qui peuvent vous aider mieux comprendre votre Big data. InfoSphere BigInsights est un logiciel qui aide les entreprises dcouvrir et analyser les informations mtiers dissimules dans le Big data, et cette solution inclut des visualisations pour simplifier lanalyse des donnes. SPSS Analytic Catalyst automatise la prparation du Big data, choisit les procdures danalyse appropries et peut afficher les rsultats sous la forme de visualisations interactives.
Visualisation extensible

IBM est conscient que lanalyse du Big data contribue significativement lavantage concurrentiel et que la visualisation en est un lment cl, cest la raison pour laquelle lentreprise a dot ses solutions danalyse mtier de capacits de visualisation. Le composant indispensable de ces solutions est le moteur RAVE (Rapidly Adaptive Visualization Engine) dIBM. Le RAVE est de plus en plus utilis comme le standard pour les capacits de visualisation IBM car il permet le dveloppement rapide de types de visualisations classiques et nouvelles. Linterprtation du Big data tant encore un concept mergent et les mthodes pour le comprendre tant encore en cours de dveloppement, la capacit du RAVE crer de nouveaux types de diagrammes qui ne sont pas encore connus est particulirement intressante.

Le Big data nen tant qu ses prmices, les nouveaux types de visualisation qui vous permettent de ragir quand vous en avez besoin, vous aident faire face aux enjeux du Big data. De plus en plus de solutions danalyse mtier IBM, y compris la solution IBM Cognos Business Intelligence, utilisent de nouvelles capacits de visualisation extensible. La visualisation extensible permet aux utilisateurs de tlcharger de nouvelles visualisations partir dune bibliothque constamment enrichie sur IBM Analytics Zone suivant leurs besoins. Laccs cet ensemble de visualisations en perptuelle volution libre les utilisateurs mtier et les auteurs de rapport des contraintes dune bibliothque prescrite de visualisations des produits et permet dutiliser des visualisations nouvellement dveloppes avec le Big data.

Business Analytics

13

La visualisation par diagramme en cordes (Figure 9) est un exemple de ce que peut gnrer la visualisation extensible. Il sagit dune manire lgante et compacte de prsenter des rseaux de relations entre des lments tels que des produits, des individus ou des groupes. La largeur de chaque corde indique le volume de trafic entre les groupes situs autour de la circonfrence. La couleur des cordes et des groupes peut

galement permettre de communiquer des informations supplmentaires. Cet exemple particulier met en relation des types de demandes de support client, indiques du ct droit du cercle, avec le groupe de support de lentreprise qui traite la demande, qui est reprsent du ct gauche du cercle. Cette visualisation unique peut reprsenter une quantit considrable dchanges clients sur une priode dun an minimum.

Figure 9 : Une visualisation en diagramme cordes cre avec la technologie de visualisation extensible.

14

Comprendre le Big data grce la visualisation

Conclusion
La visualisation est un outil essentiel pour comprendre les informations et rvler des informations caches dans vos donnes, y compris votre Big data. La comprhension du Big data vous permet daccomplir un certain nombre de choses qui peuvent aider votre entreprise, par exemple crer une vue complte de vos clients. De nouvelles mthodes de visualisation parfaitement adaptes aux besoins spcifiques du Big data sont disponibles dans de nombreux domaines tels que lanalyse des mdia sociaux, lanalyse gospatiale et lanalyse du ressenti ou du texte. Ces nouvelles mthodes vont bien au-del des tableaux et diagrammes barres ou lignes traditionnels. Elles incluent des diagrammes en toile, des diagrammes cordes, des cartes thermiques calendaires, etc. La technologie IBM, par exemple la solution RAVE et les capacits de visualisation extensible, peuvent vous aider crer et utiliser des visualisations efficaces qui vous permettent de mieux comprendre votre Big data.

Pour en savoir plus sur la visualisation extensible et pour voir les visualisations extensibles actuellement disponibles chez IBM, rendez-vous sur Extensible Visualization Community dans Analytics Zone: analyticszone.com/visualization

A propos de lauteur
T. Alan Keahey joue un rle prpondrant dans la recherche et le dveloppement de systmes de visualisation dinformations hautement innovants depuis prs de 20 ans. Son exprience couvre une vaste gamme denvironnements ; il a t notamment chercheur dans des laboratoires nationaux, directeur de recherche dune entit propre de Lucent Bell Labs et fondateur de sa propre entreprise de recherche et dveloppement en visualisation. Il sefforce de relier les capacits cres dans les environnements de recherche et les besoins des clients professionnels du monde rel. Alan occupe actuellement le poste de Visualization Science and Systems Expert lIBM Business Analytics Office du CTO. Blog : http://www.HolisticSofa.com LinkedIn : http://www.linkedin.com/in/truviz/

Pour plus dinformations

Pour en savoir plus sur IBM et la visualisation avance, rendezvous sur la page Web de visualisation avance dIBM : ibm.com/software/analytics/many-eyes/

Business Analytics

15

propos dIBM Business Analytics

Les logiciels IBM Business Analytics fournissent des informations orientes donnes pour aider les organisations travailler de manire plus intelligente et surpasser leurs concurrents. Le portefeuille de produits, trs complet, inclut des solutions de Business Intelligence, danalyse prdictive, daide la dcision, de pilotage de la performance et de gestion des risques. Les solutions IBM Business Analytics aident les entreprises identifier et visualiser les tendances et les schmas prsents dans certains secteurs (comme lanalyse client) qui peuvent avoir un effet dterminant sur leurs performances. Elles leur permettent de comparer des scnarios, danticiper des menaces et des opportunits potentielles, de mieux planifier, budgtiser et prvoir leurs ressources, dquilibrer le rapport entre les risques potentiels et les retours sur investissements prvus, et de respecter les rglementations. En largissant lutilisation de lanalyse, les organisations peuvent adapter leurs dcisions tactiques et stratgiques afin datteindre leurs objectifs. Pour plus dinformations, visitez le site ibm.com/business-analytics/fr

Demander tre appel

Pour tre contact ou pour poser une question, accdez au site ibm.com/business-analytics/fr Un reprsentant IBM vous rpondra sous deux jours ouvrs.

Compagnie IBM France 17 Avenue de lEurope 92 275 Bois-Colombes Cedex La page daccueil dIBM est accessible ladresse suivante : ibm.com IBM, le logo IBM logo, ibm.com, BigInsights, Cognos, InfoSphere, et SPSS sont des marques dInternational Business Machines Corp., dposes dans de nombreuses juridictions rparties dans le monde entier. Les autres noms de produits et de services peuvent tre des marques dIBM ou dautres socits. Une liste actualise de toutes les marques dIBM est disponible sur la page Web Copyright and trademark information ladresse suivante : ibm.com/legal/copytrade.shtml Le prsent document contient des informations qui taient en vigueur et valides la date de la premire publication et qui peuvent tre modifies par IBM tout moment. Toutes les offres mentionnes ne sont pas distribues dans tous les pays o IBM exerce son activit. LES INFORMATIONS DU PRSENT DOCUMENT SONT FOURNIES EN LTAT ET SANS GARANTIE EXPLICITE OU IMPLICITE DAUCUNE SORTE. IBM DCLINE NOTAMMENT TOUTE RESPONSABILIT RELATIVE CES INFORMATIONS EN CAS DE CONTREFAON AINSI QUEN CAS DE DFAUT DAPTITUDE LEXCUTION DUN TRAVAIL DONN. Les produits IBM sont garantis conformment aux dispositions des contrats au titre desquels ils sont fournis.
1 2

Donald A. Norman, The Design of Everyday Things. New York: 2002. Analytics: The real-world use of big data. IBM Institute for Business Value, en collaboration avec la Said Business School de lUniversit dOxford. 2012. http://public.dhe.ibm.com/common/ssi/ecm/en/ gbe03519usen/GBE03519USEN.PDF

Analytics: The real-world use of big data. Copyright IBM Corporation 2013 Pensez recycler ce document

YTW03349-FRFR-00