Vous êtes sur la page 1sur 23

2.3.

Visual Analytics pour appuyer la prise de


décision

2.3. Visual Analytics pour appuyer la prise de décision

Dans la section précédente, nous avons examiné les approches scientifiques à l'appui de la décision et
l'élaboration des politiques THÉORIE. Nous avons discuté des processus de décision, les
intervenants concernés et les technologies informatiques. Dans ce qui suit, nous décrivons les
domaines de la visualisation de l'information et l'analyse visuelle.

2.3.1. Disciplines de visualisation

Tout d'abord, nous passons en revue la recherche scientifique dans les disciplines liées à la
visualisation qui sont pertinentes pour la prise de décisions fondée sur les données. Nous passons en
revue les approches théoriques sur les deux disciplines de visualisation de l'information et l'analyse
visuelle plus en détail, car ils sont les plus importants pour notre approche. De plus, nous discutons
brièvement la conception de l'information des disciplines et la découverte de connaissances dans les
bases de données (courte: KDD), car ils jouent un rôle dans certaines approches connexes. Enfin,
nous comparons les quatre disciplines et leur pertinence pour la prise de décision.
Une vue d'ensemble sur la visualisation des données en général est présenté par un petit nombre
[Few09]. Selon lui, le but de la visualisation de l'information est de soutenir l'exploration, le sens de
décision et la communication des données. Figure2.4montre son point de vue sur le champ de
visualisation de données plus large. Les activités visées par la visualisation des données d'exploration
et sensemaking comme des tâches d'analyse et de communication comme tâche de transfert des
connaissances. Bien que l'exploration et de sens qui ont pour but d'extraire des connaissances à partir
de données, dans le but de la communication est le transfert et la présentation des connaissances
extraites. Peu tiates entre la visualisation différenciation des disciplines de visualisation des données
d'information (pour les données), abstraite visualisation scientifique (pour les données à base
physique), et présentation graphique (que nous utilisons comme synonyme pour la conception de
l'information). En tant que visualisation de données objectif intermédiaire tente de soutenir la
compréhension des informations cachées dans la quantité massive de données. Le but ultime est de
soutenir une bonne prise de décision fondée sur les connaissances extraites à partir des données.

Figure 2.4 .: Une caractérisation de la visualisation des données par Stephen Few [Few09]. Distinction
entre tivités ac- traités par la visualisation des données. Exploration et sensemaking comme des tâches

1
2. Les fondations dans la prise de décisions, l'élaboration des politiques
d'analyse. etCommunication
l'analyse visuelle
comme tâche de transfert de connaissances. Technologies diffèrent en ce qui
concerne les données présentées (visualisation de l'information pour les données abstraites et la
visualisation scientifique pour les données à base physique) et les capacités d'interaction des technologies,
par exemple, la présentation graphique seule ne signifie pas l'interaction de l'utilisateur. La compréhension
des informations fournies comme objectif intermédiaire. De bonnes décisions fondées sur des
connaissances acquises comme objectif final.

Visualisation de l'information
la visualisation de l'information est définie comme « l'utilisation de tions interactives assistées par
ordinateur, sentants visuelle des données abstraites pour amplifier la connaissance » [CMS99]. La
définition met l'accent sur plusieurs aspects de la visualisation de l'information. Tout d'abord, en tant
que discipline de recherche de la science informatique de ses solutions sont vided pro comme
logiciel. En second lieu, ces solutions logicielles traitent de la représentation visuelle des données par
des objets ou des schémas visuels. Les objets sont constitués d'éléments visuels de base qui ont été
présentés dans la théorie des graphiques par Bertin [Ber83]. Troisièmement, contrairement à la
représentation visuelle statique, de visualisation traite de l'information avec la représentation visuelle
interactive des données. Par conséquent, un aspect important réside dans la possibilité de l'utilisateur
d'interagir avec les graphiques générés par le logiciel. Zoom et filtre érations sur les données op- sont
un exemple pour l'interaction de l'utilisateur. Quatrièmement, les offres de visualisation de
l'information avec des données abstraites contrairement aux données scientifiques. Bien que les
données scientifiques sont généralement à base physique, ce qui reflète au moins quelques
informations géométriques, des données abstraites telles que les données économiques ou des
collections de documents textes ne sont pas. Enfin, l'objectif de la visualisation de l'information est
d'amplifier la cognition. Cognition est définie comme l'acquisition des connaissances et des idées sur
le monde. Avec la visualisation des informations que l'utilisateur est autorisé à acquérir des
connaissances sur la structure interne des données et des relations de cause à effet au sein. De ce fait,
la vision que le sens humain avec la plus grande bande passante est exploitée pour soutenir la com-
préhension de l'information. « Techniques représentations et interaction visuelle profitent d'une large
voie de la bande passante de l'œil humain dans l'esprit pour permettre aux utilisateurs de voir,
d'explorer et de comprendre de grandes quantités d'informations à la fois » [CT05]. Carte et al.
fournir plus de détails sur la façon dont la visualisation peut amplifier la connaissance: « 1) en
augmentant les ressources de mémoire et de traitement à la disposition des utilisateurs. 2) en
réduisant la recherche d'informations, 3) en utilisant des représentations visuelles pour améliorer la
détection de motifs, 4) en permettant des opérations d'inférence de perception, 5) à l'aide de
mécanismes d'attention perceptuelle pour la surveillance, 6) par le codage d'informations dans un
support manipulable. »[CMS99, P.16]

Suite à la définition de Shneiderman et Bederson, la visualisation de l'information a émergé de la


recherche interdisciplinaire en interaction homme-ordinateur, informatique, graphiques, conception
visuelle, la psychologie et des méthodes commerciales [SB03]. Il permet d'accéder de manière
intuitive les résultats des modèles complexes, même pour les non-experts, sans se limiter aux champs
d'application intrinsèques. Comme indiqué dans les sections précé- dentes, l'extraction d'informations
à partir de données est l'un des principaux défis à relever par les systèmes de soutien de décisions
basées sur des données qui rend la visualisation de l'information un élément précieux pour les
2
2.3. Visual Analytics pour appuyer la prise de
systèmes d'aide à la décision. décision

Figure 2.5 .: Visualisation des informations Pipeline introduit par carte et al. [CMS99]

Carte et al. introduire un modèle de processus représentatif pour la visualisation de l'information:


le pipeline InfoVis [CMS99]. Comme le montre la figure2,5, Le pipeline InfoVis illustre la façon
dont les ensembles de données brutes sont pro- cessed par plusieurs étapes de transformation jusqu'à
ce qu'elles soient présentées visuellement à l'utilisateur. Une caractéristique importante de la
canalisation, il la boucle d'interaction qui permet aux utilisateurs de contrôler de manière interactive
l'étape de formation de chaque donnée dans le processus. Une extension des capacités d'interaction
en intégrant un accès interactif aux paramètres basés sur des modèles est réalisée par des approches
d'analyse visuelle que nous examinons ci-après.

Visual Analytics

La quantité croissante de données collectées et produites dans la société moderne contient des
connaissances cachées qui doit être pris en compte dans la prise de décision. En raison du volume de
données et la visualisation de l'information complexité ne peut plus être appliqué seul. Une nouvelle
discipline de recherche dans l'information tion visualiza- a été introduite. L'analyse visuelle est
définie comme « la science du raisonnement analytique facilité par les interfaces visuelles
interactives » [CT05]. Une autre définition est présentée dans la feuille de route européenne pour
l'analyse visuelle: « L'analyse visuelle combine des techniques d'analyse automatisée avec visua-
sations interactives pour une compréhension efficace, le raisonnement et la prise de décision sur la
base des ensembles de données très importants et complexes » [KKEM10].

3
2. Les fondations dans la prise de décisions, l'élaboration des politiques
Figure 2.6et.:Procédé
l'analysed'analyse
visuellevisuelle adaptée de Keim et al. [KAF*08] [KKEM10, P.10]. Connexion du
pipeline de visualisation d'informations (en haut) et le processus de KDD (en bas).

L'objectif de l'analyse visuelle est la création d'outils et de techniques pour permettre à l'utilisateur
de « (1) syn laTaille informations et d'en tirer un aperçu des données massives, dynamique, ambiguë
et souvent contradictoires;
(2) détecter l'attendu et découvrir l'inattendu; (3) fournir en temps opportun, défendable, et compréhensible
évaluations; (4) communiquer efficacement à l'action évaluation »[KAF * 08]. Contrairement à la
visualisation pure infor mations, l'analyse visuelle combine la visualisation interactive avec des
méthodes d'analyse automatique des données pour fournir un soutien à la décision interactive
évolutive.
Figure2.6montre une adaptation du modèle de processus d'analyse visuelle largement acceptée de
Keim [KAF * 08] [KKEM10]. Le processus d'exploration visuelle des données de recherche de
visualisation de l'information (pipeline InfoVis, partie supérieure) [CMS99] Et les méthodes
d'analyse automatisée de données pour l'extraction de connaissances à partir de données (KDD
pipeline, partie basse) [FPSS96] Sont combinés à un modèle d'analyse visuelle et interactive proess.
L'utilisateur est inclus directement dans le modèle par un accès interactif à des étapes de procédé. Ce
modèle de processus générique rend l'analyse visuelle applicable à une variété de domaines de
recherche axées sur les données telles que l'ingénierie, l'analyse financière, la sécurité publique et de
la sécurité, l'environnement et les changements climatiques, ainsi que les applications socio-
économiques et l'élaboration des politiques, respectivement. La portée de l'analyse visuelle peut
également être décrit en termes de technologies de l'information et de la communication (TIC)
intégrés comme la visualisation de l'information, l'exploration de données, la découverte de
connaissances ou de modélisation et de simulation [KAF * 08]. Dans son programme-cadre de sept,
la Commission européenne a souligné la visualisation comme une technologie clé dans l'objectif «
TIC pour la modélisation de la gouvernance et de la politique » [EUR10]. Des approches récentes
dans l'analyse visuelle se concentrent sur les questions comment simplifier l'accès à la fonctionnalité
d'analyse des techniques visuelles d'analyse, et la façon de présenter les résultats d'analyse. Cela
inclut le processus d'analyse avec les étapes intermédiaires, et les résultats issus des techniques
d'analyse de la vision [KM13].

Comparaison des disciplines de visualisation

nous déjà discuté les deux disciplines de visualisation de visualisation de l'information et l'analyse visuelle. Pour
donner une image complète, nous ajoutons les deux disciplines de conception d'information et de découverte de
connaissances dans les bases de données (KDD). Nous discutons maintenant brièvement les différences entre la
conception de l'information, la visualisation de l'information, l'analyse visuelle, et la découverte de connaissances
dans les bases de données (KDD). En chiffres2.7, Nous caracté- risé les disciplines de visualisation basées sur
l'implication de l'homme et des ordinateurs dans le processus de raisonnement [KNRB12]. Table2.1 donne une
différenciation plus détaillée entre les disciplines.

4
2.3. Visual Analytics pour appuyer la prise de
décision
Figure 2.7 .: disciplines de visualisation classés par l'implication de l'homme et l'ordinateur. Adapté de
Kohlhammer et al. [KNRB12].

conception de l'informationdes cibles présentant et communiquer les informations clés d'une analyse déjà
conclu. Il est conçu d'après l'analyse a déjà été réalisée. Dans la plupart des cas, les visualisations statiques sont
imprimés sur du papier. Peu à aucune interaction de l'utilisateur est impliqué. Le raisonnement ou la
consommation de l'information se fait uniquement par l'utilisateur sans avoir besoin d'un ordinateur.

visObjectif de discipline Utilisateur Type Abstraction de données Interaction modèle de détection DM


équivalent
Information présent idées décision agrégée faible Humain (guidé) Compte-rendu
Conception fabricant communication des données
Information explorer idées analyste structuré Les données moyen Humain
Affaires
Visualisation Intelligence
Visuel explorer et utilisateur expert non structurées données à haute
combiné Visual Business
Analytique extrait idées la machine humaine + Analytique
KDD extrait idées l'extraction de données non structurées données à faible machine
Affaires
expert Analytique

Tableau 2.1 .: Disciplines de visualisation

visualisation de l'information vise l'exploration et l'analyse interactive des données structurées. Il


offre une plus grande interactivité que la conception de l'information et permet l'exploration des
grands ensembles de données via des vues d'ensemble, le zoom, le filtrage des listes déroulantes.
L'utilisateur est impliqué dans l'analyse par interaction. Au- techniques d'analyse des données matis
(par exemple, l'exploration de données et l'apprentissage de la machine) ne sont librement intégrés
dans le flux de travail. Principalement, sont présentés les résultats d'une analyse automatisée.
Découverte de connaissances dans les bases de données (KDD) cibles d'extraction des
connaissances à partir de données via des méthodes d'analyse automatique des données telles que
l'exploration de données et l'apprentissage automatique [FPSS96]. Il est un élément important de
l'analyse visuelle. Les scientifiques dans ce domaine accéder aux algorithmes sous-jacents par le
biais des lignes de commande ou les interfaces utilisateur graphiques de base. Les techniques de
visualisation ne sont appliquées que pour la présentation des résultats.
L'analyse visuellecombine la visualisation de l'information et l'exploration de données pour
appuyer l'analyse de grands ensembles de données complexes. Cela permet l'exploitation simultanée
de la puissance de perception et les machines de puissance de traitement des humains. L'intégration
étroite entre la visualisation et l'analyse automatisée des données prend en charge le plus haut niveau
d'interaction.
Dans la suite de cette thèse, qui se concentre principalement sur les approches de visualisation
d'information et d'analyse visuelle, nous utiliserons l'analyse visuelle comme un terme générique
pour les disciplines de visualisation interactives. L'analyse visuelle est définie comme une discipline
qui combine la visualisation de l'information et l'exploration de données (ou: KDD). Par conséquent,
5
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse
nous interprétons visuelle de l'information comme un cas particulier de l'analyse visuelle avec
la visualisation
une intégration limitée de l'exploration de données, alors que nous interprétons l'exploration des
données comme un cas particulier de l'analyse visuelle avec une intégration limitée de la
visualisation de l'information.

2.3.2. Le processus de conception de Visual Analytics


Notre approche vise à intégrer l'analyse visuelle des approches dans le processus de prise de décision
de IM- prouver la prise de décisions fondée sur les données. La conception des systèmes d'analyse
visuelle est une tâche non négligeable. Comme van Wijk indique « des solutions efficaces sont
souvent trouvés par essais et erreurs, avec des lignes directrices et des résultats solides retardataires
encore » [vW13]. Comme une idée de base pour améliorer la probabilité de développer des solutions
avec succès, l'approche de conception centrée sur l'utilisateur introduit par Norman et Draper est
appliqué tout au long de cette thèse [ND86]. la conception centrée utilisateur favorise la participation
des utilisateurs tout au long du processus de conception et la validation de chaque étape de la
conception par l'évaluation centrée sur l'utilisateur. Isenberg et al. présenter

6
2.3. Visual Analytics pour appuyer la prise de
décision

évaluation du cycle de vie du développement par itérer répétitivement par la conception des étapes,
mise en œuvre et de l'évaluation [IZCC08]. Dans ce qui suit, nous passons en revue les approches de
conception existantes qui prennent en charge la conception réussie des systèmes d'analyse visuelle.
L'examen influe sur la définition de notre processus de conception spécifique ciblant les systèmes
d'aide à la décision d'analyse visuelle.
Notre concept est principalement influencée par les définitions de processus de conception de
Andrews [And08], Munzner [Mun09], Lam et al. [LBI * 11], Et Sedlmair et al. [SMM12]. Ils ont
présenté des méthodes sur la façon de concevoir, mettre en œuvre et évaluer des solutions d'analyse
visuelle pour des défis basés sur des données des experts du domaine. En raison de leurs réflexions
sur les expériences pratiques de centaines de visualisation de l'information et des documents de
recherche d'analyse visuelle, est largement reconnu la valeur des méthodes introduites. Dans ces
chercheurs de visualisation des méthodologies de conception sont guidés à travers l'analyse d'un
problème du monde réel spécifiques rencontrés par les experts du domaine, la conception des
systèmes de visualisation qui prennent en charge la résolution de ce problème, et la validation de la
conception.

Figure 2.8 .: Les objectifs et les méthodes d'évaluation de Andrews dans le processus de
conception [And08].

structures Andrews le processus de conception dans la scène avant la conception, l'étape avant la
mise en œuvre, la phase au cours de la mise en œuvre, et le stade après la mise en œuvre (voir la
figure2.8) [And08]. étapes du processus similaires sont introduits par Lam et al .: pré-conception,
conception, prototype, le déploiement et la re-conception [LBI * 11]. Sedlmair et al. réduire le
processus de conception et d'évaluation à trois étapes - pré-conception, conception during-, post-
conception [SIBB11]. De cette analyse, nous avons appris que les étapes de conception définies
varient quant à leur terminologie. Cependant, les étapes de la conception sous-jacents sont similaires
et peuvent être mis en correspondance les uns des autres dans la plupart des cas. En plus de la
définition des étapes de conception, Andrews mappe les objectifs d'évaluation suivants aux étapes:
exploration (comment le système soit utilisé et quelles tâches est-il censé répondre), prédictive
(comment l'utilisateur peut et efficace être avec le système ), de formation (comment pourrait la mise
en œuvre actuelle du système soit amélioré) et sommative (comment est bien le système finalement
l'exécution). Enfin, Andrews suggère des méthodes d'évaluation à appliquer aux étapes distinctes.
[And08] Dans notre concept, nous RÉUTILISÉS la structure Andrews du processus de conception et
7
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et
lesl'analyse
objectifsvisuelle
d'évaluation sous-jacents.
Munzner offre une perspective alternative sur la conception de visualisation. Elle présente un
modèle imbriqué qui différencie entre les niveaux d'abstraction d'une conception de visualisation.
Les niveaux imbriqués sont les suivants: domaine

8
2.3. Visual Analytics pour appuyer la prise de
décision

Figure 2.9 .: modèle imbriqué de Munzner pour la conception et la validation des techniques de visualisation [Mun09].

problème et la caractérisation des données; fonctionnement et abstraction type de données; le codage


visuel et le design d'interaction; et la conception de l'algorithme (voir Figure2.9). Dans ce qui suit,
nous présentons les calques imbriqués de Münzner et établir des parallèles aux sept scénarios
d'évaluation par Lam et al. [LBI * 11]. Une première étape dans le processus de conception de
l'analyse visuelle est le problème de domaine et des données étape de caractérisation. « A ce premier
niveau, un concepteur de visualisation doit se renseigner sur les tâches et les données des utilisateurs
cibles dans certains domaine cible particulier » [Mun09]. Cette étape est également présenté comme
l'un des sept scénarios d'évaluation par Lam et al .: « environnements de compréhension et les
pratiques de travail » [LBI * 11]. Le premier niveau décrit implicitement les composants à
caractériser avant la conception de visualisation: données, les utilisateurs et les tâches. Ces « ingré-
dients » sont aussi appelés par plusieurs autres approches théoriques. Nous mettons en évidence les
approches par van Wijk [vW13] Et Miksch et al. [MA14]. Van Wijk décrit les trois composantes du
point de vue de l'évaluation. Miksch et al. les organiser en un triangle de conception et ajouter des
critères de qualité aux bords du triangle: la pertinence (entre les utilisateurs et les tâches),
l'expressivité (entre les tâches et les données) et l'efficacité (entre les utilisateurs et les données).
Bien qu'ils appliquent le triangle de la conception que sur les approches visuelles analyse axées sur le
temps, il peut être utilisé dans un contexte plus large. Le concept de cette thèse repose sur une
décision générale rendant la caractérisation de domaine. Notre caractérisation de domaine repose en
grande partie sur les données-tâches-triangle utilisateur. En tant que fondement scientifique de cette
caractérisation, nous passons en revue les données existantes, l'utilisateur, et taxonomies des tâches
dans l'analyse visuelle dans les sections suivantes. La deuxième couche de modèle imbriqué de
Munzner est appelé « abstraction de fonctionnement et le type de données ». Cette couche est
représentée par le scénario « evaluat- ing expérience utilisateur » par Lam et al. [LBI * 11]. Elle vise
à dériver les types de données concrètes à partir des données de domaine pertinents identifiés dans la
première couche. De plus, les tâches et les données sous-jacentes de tions à être pris en charge afin
de résoudre le problème de domaine sont formulés. A la troisième couche du modèle imbriqué les
codages visuels et la conception d'interaction est développée. Cela implique la conception sur la
façon dont les données sont représentées à l'écran et comment l'utilisateur peut interagir avec la
visualisation résultante. Cette couche peut être évaluée par le scénario de Lam « évaluer les
performances des utilisateurs ». Enfin, à la quatrième couche et intérieure du modèle de Munzner, la
conception de l'algorithme a lieu. Lam et al. également présenter un nario scé- appelé « évaluation
9
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse
des algorithmes visuelle » [LBI * 11]. Munzner favorise le développement de la conception
de visualisation
de l'analyse visuelle de l'extérieur vers la couche intérieure, la validation de chaque couche à chaque
étape. Cependant, certains niveaux extérieurs nécessitent une validation supplémentaire après que les
couches internes sont traitées. Le modèle de Munzner est très influent pour notre approche. Nous
avons utilisé plusieurs des techniques de validation proposées et

10
2.3. Visual Analytics pour appuyer la prise de
décision

visent à faire face les couches séparément lors de la conception du système. Nous augmentons le
modèle imbriqué avec une caractérisation de domaine, y compris l'utilisateur, les données et
caractérisations de tâches dédiées aux spécificités de la prise de décision.
nous pourrait cartographier quatre des sept scénarios d'évaluation mis en place par Lam et al. au
modèle imbriqué de Munzner. Les trois scénarios d'évaluation supplémentaires sont orthogonales à
la couche imbriquée mais toujours perti- Vant pour la conception de systèmes d'aide à la décision
d'analyse visuelle. Ceux-ci sont « évaluer l'analyse des données et le raisonnement », « l'évaluation
de la communication grâce à la visualisation » et « l'évaluation de l'analyse des données de
collaboration ». Nous attaquons l'analyse des données et le raisonnement par les tâches d'exploration
et d'analyse, et la com- munication via notre tâche de présentation décrit dans notre taxonomie des
tâches dans la section3.2. Le scénario d'analyse des données de collaboration est abordée dans la
section3.3par l'intermédiaire de la réduction des écarts de connaissances entre les parties prenantes.
Enfin, nous mettons en évidence la pertinence de la méthodologie de l'étude de conception par
Sedlmair et al. Les auteurs présentent une liste de 32 pièges à éviter lors d'un processus de
conception. De plus, ils élargissent le processus de conception en incluant une dernière étape: la
publication des résultats par une étude de conception [SMM12]. Les auteurs se réfèrent à l'étude de
conception spécifique du type de papier qui est également expliqué dans une publication sur la façon
de rédiger des documents de visualisation de l'information par Munzner [Mun08]. Nous insistons sur
le fait que la plupart des contributions techniques dans cette thèse ont été publiés comme des études
de conception, puisque ce type de papier convient mieux pour prouver l'applicabilité de notre
concept à la prise de décision. Pour aller plus loin dans la conception et la validation des méthodes
de visualisation, nous faisons référence au livre « Analyse de visualisation et de design » Munzner
qui agrège les travaux antérieurs de l'auteur et donne un aperçu complet sur la conception de
visualisation et de validation pour les chercheurs et les praticiens [Mun14].
En résumé, l'étude de conception existante méthodologies présentes lignes directrices concrètes
pour la conception et la mise en œuvre des systèmes d'experts visuels d'analyse que nous pourrions
réutiliser dans cette thèse. Cependant, doivent être inclus contrairement à ces méthodologies dans le
domaine de la prise de décision de plusieurs parties prenantes à différents niveaux d'expertise dans le
processus. De plus, la prise de décision est un processus critique très de temps, ce qui provoque des
cycles de développement rapide avec brève analyse des besoins et des étapes d'évaluation. Par
conséquent, nous identifions un besoin d'une méthode d'étude de conception adaptée à la mise en
œuvre des systèmes d'analyse visuelle afin de soutenir la prise de décision.

2.3.3. Données, l'utilisateur, et taxonomies Tâche


Dans ce qui suit, nous passons en revue les données, l'utilisateur, et taxonomies de travail qui servent
de fondement théorique pour la prise de décision caractérisation de domaine introduit dans notre
chapitre concept (chapitre 3).

Taxonomies de données
Résumé des données peuvent être décrites à partir de perspectives différentes. Stevens catégorise
données basées sur les échelles sous-jacentes [Ste46]. Il fait une distinction entre le rapport,
11
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse ordinal,
l'intervalle, visuelle et les échelles de données nominales qui sont caractérisés sur la base de l'absence
de la catégorie de propriétés de forme, grandeur, intervalle égal, et zéro absolu. échelles nominales
ont seulement une catégorie qui différencie une entité de données des autres (par exemple, le nom du
fichier). échelles ordinales en outre une magnitude qui permet d'apporter des entités dans un ordre, le
(par exemple

12
2.3. Visual Analytics pour appuyer la prise de
décision

saisons en un an). échelles d'intervalles permettent en outre le calcul concret d'une différence entre
deux entités (par exemple, les points dans le temps). Ratio échelles présentent en outre un point
absolu de zéro, ce qui permet le calcul d'un rapport entre deux éléments (par exemple, poids). Bien
que cette catégorisation a été critiquée par les statisticiens [VW93], La version adoptée sont encore
utilisés dans la visualisation de l'information.
Une version adaptée de cette catégorisation a été présentée dans le « sémiologie graphique » par
Bertin [Ber83]. Il distingue trois niveaux d'organisation: qualitative (ou nominale), commandés et
quantitative (ou rapport de l'intervalle). Ce dernier unifie l'intervalle de Stevens et les échelles
rapport. Carte, Mackinlay et Shneiderman réutiliser cette définition. Ils décrivent trois types de
variables de base: nominale, ordinale et quantitative [CMS99]. En outre, ils définissent quatre sous-
types de variables: spatiales quantitative (utilisée dans la visualisation scientifique), géographique
(tel qu'il est utilisé dans les cartes géographiques) quantitatives, le temps quantitatif (utilisé dans
visualisations temporelles), et le temps ordinale. Celles-ci reflètent des conditions importantes qui
doivent être pris en compte dans la conception de visualisation. Ware donne un aperçu complet sur
différents aspects de catégorisations de données [War13]. Il établit une distinction entre les entités
(objets d'intérêt) et les relations (qui décrivent les relations entre ces objets). Les deux entités et les
relations peuvent avoir des attributs qui fournissent des détails sur les propriétés de ces entités ou
relations. Un attribut peut avoir 1 à n dimensions. La qualité de chaque valeur d'attribut peut être
décrit avec la définition de l'échelle des données de Stevens (voir ci-dessus). Enfin, Ware affirme que
dans la recherche de visualisation principalement les trois classes de données de base de données de
catégorie (nominales), données entier (ordinales) et des données nombre réel (l'intervalle combiné et
échelles rapport) sont appliquées.
Schneiderman a également introduit une catégorisation des types de données pertinentes pour
l'information sualization VI- [Shn96]. Il distingue entre sept types de données: 1 dimensions (par
exemple, les documents de texte), 2 dimensions (par exemple, des cartes géographiques, ou mises en
page page), en 3 dimensions (par exemple, les objets du monde réel ou des données de volume), à
plusieurs dimensions ( tels qu'ils sont stockés dans des bases de données relationnelles ou
statistiques), les données temporelles (les ries de temps), l'arbre (graphiques acycliques comme les
hiérarchies) et les données de réseau (graphiques). Ce type de données taxinomies a été adapté par
Keim [Kei02] Qui établit une distinction entre 1 dimensions (par exemple, les données temporelles),
2 dimensions (par exemple, des cartes géographiques), (tables par exemple, relationnelles)
multidimensionnels, text / web (par exemple, des articles de presse et documents web), des
hiérarchies / graphiques (par exemple, des appels téléphoniques ou des documents Web liés), et
algorithme / logiciels de données (par exemple, le code logiciel). Il utilise une terminologie similaire
avec des variations mineures. Par exemple, les séries chronologiques sont affectées aux données 1
dimensions. Aucune catégorie de données temporelles explicites est nommé. De plus, Keim ajoute
du texte et de l'algorithme / logiciel en tant que catégories supplémentaires, alors qu'il fusionne des
arbres et des graphiques et exclut les données en 3 dimensions comme une catégorie explicite. Dans
la feuille de route des États-Unis de l'analyse visuelle Thomas et Cook distinction entre les données
textuelles, les bases de données, des données d'image, les données des capteurs et des données vidéo
sans définir explicitement une taxonomie de données [CT05].
Plus récemment, Meyer et al. différencier les types de jeux de données et des types d'attributs.
Comme les types de données qu'ils énumèrent tables, des réseaux et du texte. Comme types
13
2. Les fondations dans la prise de décisions, l'élaboration des politiques
d'attributs, et
ilsl'analyse
nommentvisuelle
catégorique, ordonnée et quantitative (similaire à la définition de Stevens)
[MSQM15]. Cette caractérisation est raffinée dans le livre de Munzner décrivant les types de
données et les types de jeux de données. Elle définit cinq types de données de base: les éléments,
attributs, liens, les positions et les réseaux [Mun14]. Dans sa définition d'un ensemble de données est
une collection d'informations. Quatre types de jeux de données de base sont décrits: tables, les
réseaux, les champs et la géométrie. Comme un moyen supplémentaire aux éléments de données du
groupe, noms Münzner les grappes de catégories, ensembles, et des listes.

14
2.3. Visual Analytics pour appuyer la prise de
décision

Figure 2.10 .: taxonomie de données unifiée. Niveau supérieur: structuré et des données non structurées.
Deuxième niveau: catégories de données audio, vidéo, image (en gris, car pas considéré dans cette thèse),
le texte, les données multidimensionnelles, séries chronologiques, des graphiques et des réseaux. Niveau
intermédiaire: les entités et les relations. Feuille note: attributs.

En chiffres 2.10, Nous montrons une taxonomie de données unifiée informé par les taxonomies de données
examinées de travaux connexes. Au premier niveau de la hiérarchie, on distingue entre les catégories de données
structurées et non structurées. Cette différenciation se trouve, par exemple, dans la feuille de route des États-Unis
pour l'analyse visuelle [CT05]. Au deuxième niveau, les catégories de données comme discuté par Shneiderman
[Shn96] Ou Keim et al. [Kei02] sont présentés. Ceux-ci incluent l'audio, la vidéo, l'image (qui ne sont pas pris en
compte dans cette thèse), le texte, les données multidimen- sionnel, les séries chronologiques, des arbres et des
données du réseau. Ci-dessous, les spécificités de la catégorie de données est celui indiqué, compte tenu des
entités de Ware et les relations [War13].Enfin, les feuilles de notre taxonomie de données hiérarchiques sont des
attributs de l'entité ou relation respective. Les données géographiques sont pas inclus à titre propre catégorie de
données, étant donné que toute entité de données dans notre taxonomie peut avoir un géo-localisation d'attribut
supplémentaire.
La taxonomie de type de données décrit dans cette thèse est également inspirée par le système d'aide à la décision
acterization char- par Power [Pow02]. Comme indiqué dans la section2.1.1, Il établit une distinction entre le DSS
suivant: communication axée sur DSS, DSS axée sur les données, le document axé sur DSS, axés sur la
connaissance DSS et DSS guidé par modèle. Abstraction faite de la catégorie axée sur la communication-DSS,
ces catégories se rapportent à des types de données spécifiques. données DSS poignée basée sur les données qui
sont stockées dans un tableau, et par conséquent, le format struc- Tured. Document axée sur texte d'adresse DSS,
vidéo ou données audio comprises dans les documents. DSS axées sur le savoir contiennent ensemble de règles
ou de structures similaires qui représentent les connaissances extraites. Enfin, reposant sur des modèles
d'utilisation des données DSS ou les paramètres en entrée et produisent des données en sortie. Ples Examination
comprennent des modèles de simulation ou d'optimisation. Sur la base de cette catégorisation, on distingue à base
de modèles, textuelles et des données empiriques. Avec des données empiriques, nous entendons des données
structurées qui, contrairement aux données reposant sur des modèles,
Taxonomies utilisateur
15
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse visuelle

Vous trouverez la caractérisation des utilisateurs dans différents domaines. Dans notre approche, nous
nous concentrons sur taxonomies utilisateur à partir de théorie de la décision de soutien, l'élaboration
des politiques et la recherche sur l'analyse visuelle. Sprague et al. discuter de différentes parties
prenantes dans la théorie de la décision [soutienSpr80]. Il affirme que « les travailleurs du savoir sont
la clientèle (DSS). Ce groupe comprend les gestionnaires, les professionnels, les analystes du
personnel, et les employés de bureau dont la responsabilité première tâche est le traitement de
l'information sous une forme. » Plus concrètement, il établit une distinction entre le gestionnaire de
rôles (ou utilisateur), intermédiaire (ou assistant personnel), constructeur DSS , défenseur technique et
toolsmiths. Kandel et al. la différence entre les trois types d'analystes de données en fonction de leurs
compétences techniques: les pirates, les scripteurs et les utilisateurs de l'application [KPHH12]. Les
pirates informatiques ont des compétences avancées en programmation, ce qui leur permet d'intégrer
différentes sources de données facilement. Ils travaillent principalement sur des tâches d'analyse de
données avant l'étape de modélisation. Scripteurs sont moins expérimentés dans la programmation,
mais travailler avec les modèles avancés en combinant packages analytiques existants via des scripts.
Les utilisateurs d'applications reposent sur des logiciels existants avec de plus petits ensembles de
données. Ils dépendent du personnel informatique qui les soutiennent dans les tâches d'acquisition de
données et de préparation.
Dans le domaine de l'élaboration des politiques, comme indiqué dans le chapitre précédent, Howlett et
al. décrire trois principaux groupes d'intervenants impliqués dans le processus d'élaboration des
politiques: l'univers politique, le sous-système politique et les décideurs [HRP09]. L'univers politique
comprend diverses parties prenantes intéressées ou touchées par un processus politique, y compris, par
exemple, les ONG, les influenceurs, et le public. Le sous-système politique ne comprend que les
acteurs politiques qui ont des connaissances suffisantes dans le problème abordé. Les décideurs sont
élus déci- sion des représentants du gouvernement. Howlett et al. en outre la distinction entre les
groupes d'intervenants plus concrets. Ceux-ci sont élus politiques, le public, la bureaucratie, les partis
politiques, les groupes d'intérêt ou de pression, groupes de réflexion et organismes de recherche, des
médias, des experts politiques universitaires et des consultants. Une autre distinction commune des
parties prenantes dans l'analyse des politiques sont des fournisseurs de connaissances (ou
producteurs), les courtiers de connaissances et les utilisateurs des connaissances (ou les décideurs)
[HW09]. fournisseurs de connaissances proviennent des instituts universitaires et de recherche.
courtage de connaissances comme intermédiaires entre les fournisseurs et les utilisateurs. Ils
travaillent comme conseillers spécialisés au sein des gouvernements, temporaires des commissions et
des groupes de travail, ou dans les organisations non gouvernementales comme les groupes de
réflexion ou des groupes d'intérêt. Une catégorisation des acteurs du point de vue de l'analyse de la
politique est présenté par de Marchi et al. [DLT16]. Les auteurs distinguent entre les décideurs
politiques, les experts, les citoyens et les parties prenantes. Ici, la partie prenante terme représente les
humains qui sont influencés par une politique.
Dans le contexte de la visualisation de l'information, van Wijk identifie un écart entre le chercheur et
expert de visualisation de domaine [Wij06]. Il examine les différents objectifs des deux rôles des
parties prenantes - publication de nouveaux résultats par rapport à résoudre un problème réel - qui
contribuent pas nécessairement à une colla- boration avec succès. Dans leur méthodologie de l'étude
de conception, Sedlmair et al. discuter de plusieurs parties prenantes qui doivent être identifiés et
impliqués dans la conception des systèmes de visualisation spécifiques au domaine. Ceux-ci
16
2.3. Visual Analytics pour appuyer la prise de
comprennent les analystes de première ligne (semblabledécisionà van définition de Wijk, les experts de
domaines ciblés et les utilisateurs finaux réel du système), les gardiens (les gestionnaires qui prennent
des décisions finales, mais pas nécessairement utiliser le système par eux-mêmes), les connecteurs
(personnes qui se connectent la visualisation experts avec les personnes concernées), les traducteurs
(qui aident à l'abstraction du problème), et d'autres (co-auteurs et les constructeurs d'outils autres).
[SMM12] Une analyse de

17
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse visuelle
collaborateur des rôles pertinents pour la conception de l'analyse visuelle des approches appliquées au domaine
bibliothèque numérique est introduite par Bernard. Il établit une distinction entre les experts du domaine, des
conservateurs de données, brarian Li- numérique, contrôleur d'accès, partie prenante politique et financière, et
données scientifiques que le concepteur du système d'analyse visuelle. [Ber15] Andrienko et al. fournir la
caractérisation des rôles utilisateur qui est le plus proche de celui présenté dans notre concept. Les auteurs
examinent la décision spatiale faisant un soutien dans le texte de l'analyse con- geovisual. Ils identifient quatre
rôles utilisateur, les décideurs qui choisissent à partir d'un petit nombre d'options qui leur sont présentés de
manière condensée. Les analystes qui créent les options en analysant l'espace de problème. Les consultants qui
prennent en charge l'analyste dans la définition des options alternatives avec des connaissances spécifiques de
domaine. Et les intervenants qui sont touchés par une décision, et donc, tentent d'influencer le processus de
décision. [AAJ * 07]
Dans notre concept, nous modifions légèrement cette taxonomie. Nous nommons également les décideurs, les
analystes et les parties prenantes. De plus, nous distinguons deux types de consultants: des experts du domaine et
des experts MOD- ELING. Dans notre définition, l'expert de domaine ajoute des connaissances spécifiques à un
domaine codé dans les données au processus de prise de décision, alors que l'expert de la modélisation contribue
comme modèles de calcul ou simula- tion des modèles d'optimisation. Nous faisons cette différenciation de
prendre les différentes catégories de données pertinentes pour la prise de décision en compte. Notre examen des
travaux connexes, nous avons identifié trois tics ristiques qui prennent en charge la catégorisation des acteurs:
leur expertise technique dans les tâches d'analyse avancées, leur expertise de domaine dans le domaine cible
spécifique, et enfin, leur compétence discrétionnaire.

tâche taxonomies

Enfin, en tant que troisième ingrédient de notre décision générale rendant la caractérisation de domaine, nous
passons en revue la tâche exis- tant taxonomies du champ d'analyse visuelle. Les taxonomies identifiés servent de
base pour la caractérisation des tâches spécifiques à la décision prise en charge par l'analyse visuelle des
approches appliquées à la prise de décision.
Les lignes directrices les plus importantes pour la conception d'un système d'analyse visuelle sont introduits par
l'homme Shneider- [Shn96] Et Keim et al. [KAF * 08]. mantra à la recherche de l'information visuelle de
Shneiderman contient les lignes directrices « Vue d'ensemble d'abord, le zoom et le filtre, puis détails sur
demande » [Shn96]. Ces lignes directrices peuvent être traduits à des tâches de visualisation fournissent une vue
d'ensemble, permettent le zoom et le filtre, et le soutien drill-down aux données brutes. Shneiderman augmenter
le mantra avec trois autres tâches: relier (trouver des relations entre les objets de données), l'histoire (enregistrer
les interactions utilisateur pour récupérer et affiner les étapes d'analyse), et extraire (soutenir l'extraction des sous-
ensembles de données et paramètres sous-jacents). Keim et al. adapté l'information visuelle cherchant mantra au
mantra de l'analyse visuelle « analyser d'abord, montrer l'importance, zoom, filtre et analyser plus, détails sur
demande » [KAF * 08]. Ces lignes directrices - ou respectivement tâches - construire une base solide pour les
tâches qui doivent être résolus par un système d'analyse visuelle, ce qui est la raison pour laquelle nous les avons
également pris en considération lors de la conception de nos approches visuelles d'analyse.
Le modèle de cristallisation du savoir par carte et al. explique comment « une personne recueille des
informations dans un but, un sens de celui-ci par la construction d'un cadre de représentation [ou
schéma], et des paquets, à une certaine forme de communication ou action » [CMS99]. Figure2.11
(À gauche) illustre le concept circulaire contenant les méta-étapes suivantes: la tâche; fourrage pour
les données; recherche pour le schéma; instancier schéma; résoudre des problèmes; auteur, décider
18
2.3. Visual Analytics pour appuyer la prise de
ou agir. En outre, les auteurs de ces étapesdécision abstraites concrétisent par des sous-tâches
supplémentaires. Par exemple, le fourrage pour les données-étape contient les tâches de
Shneiderman, plus Parcourir et rechercher une requête. L'étape de problème résoudre contient les
sous-tâches lire fait, la comparaison lire, modèle lire, manipuler, créer et supprimer.

Figure 2.11 .: A gauche: modèle de cristallisation Connaissance adapté de la carte et al. [CMS99]. A droite:
typologie des tâches adaptée de Brehmer et al. répondre à la question « pourquoi est une tâche exécutée »
[BM13].

Un examen complet des travaux connexes sur les tâches de visualisation est présenté par Brehmer et
al. [BM13]. Les auteurs comparent les 30 taxonomies de travail afin d'en extraire une typologie des
tâches à plusieurs niveaux. Leur typologie est structurée autour de trois questions: pourquoi est une
tâche effectuée, comment est la tâche accomplie, et quel est l'entrée et la sortie d'une tâche. Figure2.11
(À droite) montre le « niveau why'. Dans notre caractérisation de domaine, nous nous attaquons à ce
niveau que la tâche abstraite. Cependant, les travaux liés offre de nombreuses taxonomies de travail
sur la façon d'aborder le niveau de la tâche abstraite par des séquences de tâches de bas niveau comme
filtre, naviguer, supprimer, etc. [WL90] [AES05] [YKSJ07] [BM13].
Schulz et al. introduire une approche globale sur la caractérisation de l'espace de conception des
tâches de visualisation [SNHS13]. Ils caractérisent l'espace de travail de visualisation de plusieurs
points de vue. De même pour Brehmer et al., Ils posent des questions sur les caractéristiques des
tâches spécifiques et de fournir des spécifications différentes que les réponses à chacune des
questions. Table2.2 résume leur approche. Les principales conclusions pertinentes pour notre
approche sont la définition des objectifs à atteindre avec une tâche donnée. Schulz et al. distinguer
entre l'analyse exploratoire, une analyse de confirmation, et la présentation. Ces tâches de haut niveau
sont également représentés dans notre approche par l'exploration des tâches, l'analyse et la
présentation.
Une autre perspective sur les tâches de visualisation est assurée par Amar et Stasko [AS04]. Ils
identifient les lacunes analytiques « qui représentent les obstacles rencontrés par les visualisations
pour faciliter les tâches analytiques de niveau supérieur, tels que la prise de décision et l'apprentissage.
» Les auteurs soutiennent que la recherche a trop mis l'accent sur les tâches de visualisation à faible
niveau qui mettent l'accent sur la bonne et complète représentation des données au lieu des tâches
19
2. Les fondations dans la prise de décisions, l'élaboration des politiques
d'analyse de ethaut
l'analyse
niveauvisuelle
tels que la fabrication et l'apprentissage décision. Ils présentent trois tâches
de raisonnement qui mettent l'accent sur « exprimant sa confiance dans l'exactitude et l'utilité de
[identifiés] relations » dans les données. Et ils introduisent trois tâches de vision du monde qui mettent
l'accent sur « ce qui doit être montré à l'utilisateur de tirer une conclusion de représentation pour
prendre une décision ». Les six tâches exposent l'incertitude, les relations Concrétiser, formuler des
causes et des effets (comme les tâches justification), déterminer explication à variables multiples
paramètres de domaine, et confirmer les hypothèses (comme les tâches de vision du monde).
L'approche de Amar et Stasko soutient notre idée dans la formulation des tâches de haut niveau pour
appuyer la prise de décision. De plus, les tâches de vision du monde et justification sont implicitement
couvertes par notre concept.

20
2.3. Visual Analytics pour appuyer la prise de
décision

Question Explication options


pourquoi une tâche objectif analyse exploratoire, l'analyse de confirmation,
poursuivie? présentation
comment une mission veux dire navigation, (re) organisation, relation
effectuée?
qu'est-ce une tâche caractéristiques des bas niveau, de haut niveau
chercher? données
où dans les données ne cible attribuer les relations, les relations structurelles
une tâche fonctionner? cardinalité des entités de Une seule, plusieurs ou toutes les instances
données

Tableau 2.2 .: L'espace de conception des tâches de visualisation résumées de Schulz et al.
[SNHS13]

Dans le contexte du domaine des affaires, Kandel et al. décrire les tâches de haut niveau soutenu
par l'analyse et la visualisation des données [KPHH12]. Les auteurs distinguent les tâches d'analyse
cinq données: découverte (identification des données nécessaires pour répondre à la tâche d'analyse),
quereller (pré-traitement et l'intégration des données dans le format souhaité), le profilage
(vérification de la qualité et la pertinence des données), la modélisation (application summarization
ou prédiction modèles sur les données) et les rapports (présenter les résultats aux décideurs). Nous
avons examiné ces tâches d'analyse de données dans notre concept. La cartographie suivante
explique comment: découverte ↔ exploration, quereller ↔ pré-traitement (qu'implicitement abordé
dans notre approche), l'analyse de profilage ↔, modélisation ↔ données à base de modèles
(implicitement couverts par l'incorporation de modèles de calcul), les rapports ↔ présentation.
En résumé, nous avons examiné taxonomies des tâches existantes à partir de l'analyse visuelle et
des domaines connexes qui ont une pertinence pour aide à la décision. Ces taxonomies ont inspiré
notre propre taxonomie des tâches pertinentes pour la conception des systèmes d'aide à la décision
d'analyse visuelle.

2.3.4. Résumé de l'analyse visuelle pour aide à la décision

Dans cette section, nous avons passé en revue la littérature de l'analyse visuelle et des domaines
connexes qui sont pertinents pour la conception des systèmes d'aide à la décision d'analyse visuelle.
Nous avons commencé par une introduction à la visualisation de l'information des disciplines de
visualisation et l'analyse visuelle. la visualisation de l'information est définie comme « l'utilisation
des représentations interactives assistées par ordinateur, de données visuelles abstraites pour
amplifier la connaissance » [CMS99]. « L'analyse visuelle combine des techniques d'analyse
automatisée avec des visualisations interactives pour une compréhension efficace, le raisonnement et
la prise de décision sur la base des ensembles de données très importants et complexes » [KKEM10].
La différence entre la visualisation de l'information et l'analyse visuelle réside dans l'intégration plus
poussée des techniques d'analyse automatique des données, ce qui rend l'analyse visuelle d'une
technologie qui est, jusqu'à aujourd'hui, principalement appliquée par les utilisateurs experts. De
plus, nous avons comparé ces deux disciplines

21
2. Les fondations dans la prise de décisions, l'élaboration des politiques
et l'analyse visuelle

avec la conception de l'information et de découverte de connaissances dans les bases de données


pour fournir une vue d'ensemble des techniques liées à la visualisation pertinents pour aide à la
décision. Pour le reste de la thèse, nous utilisons l'analyse visuelle comme un terme générique pour
les disciplines de visualisation abordées dans les travaux connexes.
Après avoir passé en revue les disciplines de visualisation utiles pour soutenir la prise de décision,
nous avons examiné les travaux existants sur la conception des systèmes d'analyse visuelle. Nous
avons caractérisé les différentes étapes du processus de conception: avant la conception, avant la
mise en œuvre, au cours de la mise en œuvre, après la mise en œuvre. Par ailleurs, les travaux
connexes met en évidence la nécessité de considérer les principes de conception centrés sur
l'utilisateur pour la recherche sur l'analyse visuelle. De plus, nous avons discuté de modèle imbriqué
de Munzner avec les quatre couches imbriquées qui doivent être compilées et validées dans tout
processus de conception d'analyse visuelle. Ces couches in- Clude: la caractérisation des problèmes
de domaine et des données, l'abstraction de fonctionnement et le type de données, le codage visuel et
design d'interaction, conception d'algorithmes. De plus, nous avons examiné les données, l'utilisateur
et taxonomies tâche à partir du champ d'analyse visuelle. Ces caractérisations sont une tâche
essentielle au cours de l'étape de caractérisation domaine et problème. L'examen des taxonomies
existants construit les bases de notre concept qui vise à définir une décision domaine spécifique à la
prise et la caractérisation problème nécessaire à la conception des systèmes d'aide à la décision
d'analyse visuelle.
Enfin, nous résumons les travaux connexes dans l'analyse visuelle visant explicitement le soutien
décisionnel. Ces approches sont encore étonnamment rares par rapport au nombre d'approches
présentées dans d'autres secteurs axés sur l'analyse [-KNRB12]. Du point de vue conceptuel,
Andrienko et al. fournir le travail le plus lié à notre concept [AAJ * 07]. Les auteurs présentent un
programme de recherche pour appuyer les décisions spatiales avec l'analyse geovisual. En plus de la
caractérisation des acteurs concernés, ils mettent en lumière les futurs défis à relever par l'analyse
geovisual pour aide à la décision spatiale. Entre autres ils favorisent (a) pour appuyer la prise de
décision spatiale comme un processus, (b) pour soutenir l'exploration du problème et les solutions
possibles, (c) de soutenir l'examen d'informations hétérogènes,
(D) pour soutenir le choix rationnel par une analyse multi-critères, (e) pour soutenir le raisonnement,
la délibération et de la communication, (f) pour appuyer la prise de décisions critiques du temps, et
(g) pour soutenir les différents acteurs. Ces futurs axes de recherche sont également valables pour la
prise de décisions en général et motivé cette thèse, dans laquelle au moins partiellement abordé tous
les défis.
De plus, nous avons identifié plusieurs approches d'analyse visuelle que la décision de nom prise
comme une tâche de stract ab- à soutenir. Certaines de ces approches visent la définition d'une
solution pour un problème donné (par exemple, [SME08] [OSS * 17]). D'autres intègrent des
modèles de simulation pour prédire l'impact des stratégies de décision potentiels (par exemple,
[BMPM12] [MMT * 14] [KWS * 14]). De plus, les approches visuelles d'analyse sont appliquées
pour aider les utilisateurs à pondérer la pertinence des attributs empiriques et des solutions
alternatives de rang (par exemple, [CL04] [GLG * 13]). Cependant, la plupart de ces approches ne
disposent pas d'une explication détaillée sur la façon dont la prise de décision est menée et soutenue
par des solutions visuelles interactives. En fait, la plupart d'entre eux se concentrent sur
l'extériorisation des connaissances sans fournir de détails sur la façon dont ces connaissances sont
22
2.3. Visual Analytics pour appuyer la prise de
transférées dans une décision. La seule approche décision
qui associe les tâches d'analyse visuelle au
processus de prise de déci- sion est introduite par Andrienko et Andrienko [AA03]. Ils contribuent un
système d'aide à la décision géo-spatiale, combinant l'analyse visuelle et des méthodes de prise de
décision multi-critères. En dépit de ce travail, nous ne pouvions pas trouver des approches se
concentrant explicitement sur les processus de prise de décision analyse visuelle.

23