Les données et les informations sont devenues la ressource la plus stratégique de l’entreprise.

Aussi, pour les organisations, l’enjeu est maintenant d’être capables d’analyser et d’utiliser leurs
données pour apporter des changements bénéfiques dans l’entreprise. Les entreprises
rencontrent encore des difficultés à utiliser leurs données de manière pertinente et efficace, ce
qui entrave leur capacité à agir.
La solution pour « déverrouiller » toutes ces données est d’être capable de les utiliser pour
raconter une histoire. Dans le monde économique actuel extrêmement concurrentiel et rapide,
l’élaboration de rapports qui racontent cette histoire est ce qui aide les dirigeants d’entreprise à
agir sur les données. Les décideurs doivent pouvoir se fier à l’histoire racontée pour prendre de
meilleures décisions commerciales. Plus vite l’entreprise prendra des décisions éclairées, plus elle
sera compétitive et aura une longueur d’avance. Sans connaître l’histoire, il est difficile de
comprendre ce que les données essaient de dire.

L’enjeu que les entreprises doivent relever aujourd’hui est d’être capables de comprendre et
d’exploiter leurs données de manière à impacter positivement leur activité et finalement, leurs
résultats financiers. Vous devez pouvoir examiner les données et aider les décideurs à prendre
des décisions commerciales éclairées. Ensuite, vous devez savoir examiner les métriques et bien
comprendre ce qui se cache derrière elles.

Cette exigence peut paraître décourageante, mais il s’agit d’une tâche que vous pouvez
accomplir. La première étape consiste à collaborer avec des experts des données dans votre
organisation, tels que les ingénieurs données et les scientifiques données, pour qu’ils vous aident
à obtenir les données dont vous avez besoin pour raconter cette histoire. Demandez à ces experts
de participer à la collecte des données avec vous.
L’analyse de données a vocation à aider les entreprises à surmonter ces défis et difficultés, en les
aidant au final à trouver des insights et à révéler la valeur cachée de leurs innombrables données
par le biais du storytelling. Au fil du module, vous allez apprendre à utiliser et appliquer des
compétences analytiques pour faire plus qu’un simple rapport et avoir un impact et une influence
sur votre organisation en racontant des histoires avec des données et en instaurant cette culture
des données.
L’analyse de données est le processus qui consiste à identifier, nettoyer, transformer et
modéliser les données pour révéler des informations pertinentes et utiles. Les données sont
ensuite élaborées en histoire sous forme de rapports d’analyse qui aideront les décideurs à
prendre des décisions critiques.
Le processus d’analyse des données se concentre sur les tâches de nettoyage, de modélisation
et de visualisation des données, mais le concept même d’analyse des données et son importance
pour l’entreprise ne doivent pas être négligés. Pour analyser les données, les composants
principaux de l’analytique se répartissent dans les catégories suivantes :
• Descriptif
• Diagnostic
• Prédictif
• Prescriptif
• Cognitif

Analytique descriptive
L’analytique descriptive aide à répondre aux questions sur ce qui s’est produit, sur la base des
données historiques. Les techniques d’analytique descriptive synthétisent des jeux de données
volumineux pour en tirer des résultats et les fournir aux parties prenantes.
En développant des indicateurs de performance clés (KPI), ces stratégies peuvent faciliter le suivi
de la réussite ou de l’échec des objectifs clés. Des mesures telles que le retour sur investissement
(ROI) sont utilisées dans de nombreux secteurs, et des métriques spécialisées sont développées
pour suivre les performances dans des secteurs spécifiques.
Un exemple d’analytique descriptive est la génération de rapports destinés à fournir une vue des
données commerciales et financières d’une organisation.

Analytique diagnostique
L’analytique diagnostique aide à répondre aux questions sur la cause de ce qui s’est produit.
Les techniques d’analyse de diagnostic complètent les analyses descriptives de base et utilisent
les résultats de l’analytique descriptive pour découvrir la cause de ces événements. Les
indicateurs de performance sont ensuite examinés pour déterminer la raison pour laquelle ces
événements ont été améliorés ou se sont dégradés. En règle générale, ce processus s’effectue
en trois étapes :
1. Identification des anomalies dans les données. Il peut s’agir de changements inattendus
dans une métrique ou un marché particulier.
2. Collecte des données liées à ces anomalies.
3. Utilisation de techniques statistiques pour révéler les relations et tendances qui
expliquent ces anomalies.

Analytique prédictive
L’analytique prédictive aide à répondre aux questions sur ce qui se produira à l’avenir. Les
techniques d’analytique prédictive se basent sur les données historiques pour identifier les
tendances et déterminer la probabilité qu’elles se reproduisent. Les outils d’analytique prédictive
fournissent des insights précieux sur ce qui est susceptible de se produire à l’avenir. Les
techniques englobent une variété de techniques statistiques et de machine learning comme les
réseaux neuronaux, les arbres de décision et la régression.

Analytique prescriptive
L’analytique prescriptive aide à répondre aux questions sur les actions à entreprendre pour
atteindre un objectif ou une cible. Les insights de l’analytique prescriptive sont utiles aux
organisations pour la prise de décisions pilotées par les données. Cette technique permet aux
entreprises de prendre des décisions éclairées en dépit de l’incertitude. Les techniques
d’analytique prescriptive s’appuient sur le machine learning en tant que l’une des stratégies pour
trouver des modèles dans des jeux de données volumineux. Il est possible pour les organisations
d’estimer la probabilité d’un résultat différent en analysant les décisions et les événements
passés.

Analytique cognitive
L’analytique cognitive tente d’établir des inférences à partir des données et modèles existants,
de tirer des conclusions en s’appuyant sur les bases de connaissances existantes, puis de
réintégrer ces conclusions dans la base de connaissances pour les inférences futures, formant
ainsi une boucle de commentaires en autoapprentissage. L’analytique cognitive vous aide à
prévoir ce qui pourrait se produire en cas de changement des circonstances et comment gérer
ces situations.
Les inférences ne sont pas des requêtes structurées reposant sur une base de données de règles
; ce sont des hypothèses non structurées établies à partir de plusieurs sources et exprimées selon
des degrés de confiance variables. Une analytique cognitive efficace dépend des algorithmes de
Machine Learning et utilise plusieurs concepts de traitement du langage naturel pour donner un
sens à des sources de données jusque-là inexploitées, comme les journaux de conversations des
centres d’appels et les évaluations de produits.

Exemple
Grâce aux visualisations des données et aux rapports, une entreprise de vente au détail peut se
servir de l’analytique descriptive pour examiner les modèles d’achat des années précédentes et
déterminer quels produits pourraient être populaires l’année prochaine. L’entreprise peut
également examiner les données du support pour comprendre pourquoi un produit particulier a
été populaire et, si cette tendance se poursuit, déterminer si elle doit continuer à proposer ce
produit en stock.
Une entreprise peut déterminer qu’un certain produit a été populaire sur une période de temps
spécifique. Elle peut ensuite utiliser cette analyse pour déterminer si certains efforts marketing
ou activités sociales en ligne ont contribué à l’augmentation des ventes.
Une facette sous-jacente de l’analyse des données est qu’une entreprise doit avoir confiance en
ses données. En guise de pratique, le processus d’analyse des données capture les données de
sources approuvées et les met en forme dans des éléments qui sont consommables, ont un sens
et sont facilement compréhensibles pour faciliter le processus de prise de décision. L’analyse de
données aide les entreprises à bien comprendre leurs données par le biais de processus et de
décisions basés sur les données, et ainsi à être plus sûres des décisions qu’elles prennent.
Face à la croissance continue du volume de données, l’analyste de données devient
incontournable. Un analyste de données sait comment organiser les informations et les
transformer en données pertinentes et compréhensibles. Il sait comment collecter les bonnes
données et ce qu’il faut en faire, en d’autres termes, révéler le sens caché des innombrables
données disponibles.
Le fait de donner une histoire aux données est un voyage qui ne commence généralement pas
par vous. Les données doivent provenir de quelque part. L’importation de ces données dans un
emplacement que vous pouvez utiliser nécessite des efforts susceptibles de dépasser le cadre de
votre poste, en particulier dans les grandes entreprises.

Vous trouverez dans les sections ci-dessous une explication des différents rôles dans les données
et leur responsabilité respective dans le cycle global de la découverte et de la compréhension des
données :
• Analyste d’entreprise
• Analyste de données
• Ingénieur Données
• Scientifique des données
• Administrateur de base de données

Analyste d’entreprise
Bien qu’il existe des similitudes entre un analyste de données et un analyste d’entreprise, la
différence principale entre les deux rôles réside dans ce qu’ils font avec les données. Un analyste
d’entreprise est plus proche du métier et est spécialisé dans l’interprétation des données issues
de la visualisation. C’est souvent la même personne qui tient les rôles d’analyste de données et
d’analyste d’entreprise.

Analyste de données
Un analyste de données aide les entreprises à optimiser la valeur de leurs ressources de données
en ayant recours à des outils de visualisation et de création de rapports tels que Microsoft Power
BI. Les analystes de données ont la responsabilité du profilage, du nettoyage et de la
transformation des données. Leurs responsabilités comprennent aussi la conception et la
création de modèles de données scalables et performants ; et l’activation et l’implémentation de
fonctionnalités d’analytique avancée dans les rapports à des fins d’analyse. Un analyste de
données travaille avec les parties prenantes intéressées pour identifier les besoins en données
et rapports appropriés, puis ils s’occupent de convertir les données brutes en insights utiles et
pertinents.
Un analyste de données a également la responsabilité de la gestion des ressources Power BI, à
savoir les rapports, les tableaux de bord, les espaces de travail ainsi que les jeux de données
associés utilisés dans les rapports. Il est chargé d’implémenter et de configurer les procédures de
sécurité nécessaires, conformément aux exigences des parties prenantes, afin de garantir la
sécurité de toutes les ressources Power BI et données correspondantes.
Les analystes de données collaborent avec les ingénieurs des données pour déterminer et
localiser les sources de données appropriées qui répondent aux exigences des parties prenantes.
En outre, les analystes de données collaborent avec l’ingénieur de données et l’administrateur
de base de données pour s’assurer que l’analyste a un accès approprié aux sources de données
nécessaires. L’analyste de données travaille aussi avec l’ingénieur Données pour identifier de
nouveaux processus ou améliorer des processus existants de collecte des données d’analyse.

Ingénieur Données
Les ingénieurs Données provisionnent et configurent les technologies de plateforme de données
locales et dans le cloud. Ils gèrent et sécurisent le flux de données structurées et non structurées
provenant de plusieurs sources. Les plateformes de données qu’ils utilisent peuvent inclure des
bases de données relationnelles, des bases de données non relationnelles, des flux de données
et des magasins de fichiers. Les ingénieurs Données s’assurent également que l’intégration entre
les différentes plateformes de données est sécurisée et fluide.
Les principales responsabilités des ingénieurs Données incluent l’utilisation des services et outils
de données en local et dans le cloud en vue de l’ingestion, de la sortie et de la transformation
des données provenant de plusieurs sources. Les ingénieurs Données collaborent avec les parties
prenantes afin d’identifier les besoins en données et d’y répondre. Ils conçoivent et
implémentent des solutions.
Bien qu’il y ait parfois des similitudes entre les tâches et les responsabilités d’un ingénieur
Données et celles d’un administrateur de base de données, le travail d’un ingénieur Données va
bien au-delà de la gestion d’une base de données et du serveur d’hébergement, et n’inclut
probablement pas la gestion globale des données opérationnelles.
Un ingénieur Données peut apporter une valeur ajoutée considérable aux projets de business
intelligence et de science des données. Lorsque l’ingénieur Données rassemble toutes les
données, tâche souvent appelée « data wrangling », les projets avancent plus vite, car les
scientifiques des données peuvent se concentrer sur leurs propres domaines de travail.
En tant qu’analyste de données, vous travaillez en étroite collaboration avec un ingénieur
Données pour vous assurer que vous avez accès aux diverses sources de données structurées et
non structurées. Vous en avez besoin pour optimiser les modèles de données qui proviennent
généralement d’un entrepôt de données ou d’un Data Lake moderne.
Les administrateurs de base de données et les professionnels du décisionnel peuvent facilement
endosser le rôle d’ingénieur Données en apprenant à utiliser les nouveaux outils et les nouvelles
technologies nécessaires au traitement de ces grandes quantités de données.

Scientifique des données

Les scientifiques des données effectuent des analyses avancées pour générer de la valeur à partir
des données. Leur travail peut aller de l’analyse descriptive à l’analyse prédictive. L’analyse
descriptive évalue des données via un processus appelé « analyse exploratoire des données ».
L’analyse prédictive est utilisée dans le machine learning pour appliquer des techniques de
modélisation qui peuvent détecter des anomalies ou des modèles. Ces analyses sont des parties
importantes des modèles de prévision.
Les analyses descriptives et prédictives ne représentent qu’un aspect partiel du travail des
scientifiques des données. Certains scientifiques des données peuvent travailler dans les
domaines de l’apprentissage profond (deep learning), en expérimentant de façon itérative pour
résoudre un problème de données complexe à l’aide d’algorithmes personnalisés.
Il a été prouvé que l’essentiel du travail consacré à un projet de science des données repose sur
le data wrangling et le feature engineering. Les scientifiques des données peuvent accélérer le
processus d’expérimentation si les ingénieurs Données s’appuient sur leurs compétences pour
mener à bien le data wrangling.
Au premier abord, le travail du scientifique des données et de l’analyste de données peut sembler
très différent, mais ce n’est pas le cas. Un scientifique des données examine les données pour
définir les questions auxquelles répondre, et il imagine souvent une hypothèse ou une
expérimentation. Il apporte son aide à l’analyste de données pour la visualisation des données et
la création de rapports.
Administrateur de base de données
Un administrateur de base de données implémente et gère les aspects opérationnels des
solutions de plateforme de données hybrides et natives dans le cloud qui sont basées sur des
services de données Microsoft Azure et sur Microsoft SQL Server. Un administrateur de bases de
données est responsable de la disponibilité générale, de la continuité des performances et des
optimisations des solutions de base de données. Il travaille conjointement avec les parties
prenantes pour identifier et mettre en œuvre les stratégies, les outils et les processus dans le
cadre des plans de sauvegarde et de récupération des données.
Le rôle d’un administrateur de base de données est différent du rôle d’un ingénieur Données. Un
administrateur de base de données supervise et gère l’état d’intégrité global d’une base de
données et du matériel sur lequel elle réside, tandis qu’un ingénieur Données participe au
processus de data wrangling, c’est-à-dire l’ingestion, la transformation, la validation et le
nettoyage des données pour répondre aux besoins et aux exigences de l’entreprise.
L’administrateur de base de données est également responsable de la gestion de la sécurité
globale des données, en octroyant et en restreignant l’accès et les privilèges utilisateur sur les
données selon les besoins et les exigences de l’entreprise.

Un analyste de données est l’un des rôles cruciaux dans une organisation, car il aide l’entreprise
à obtenir des insights utiles et à leur donner du sens dans le but de garantir sa bonne santé
financière et opérationnelle. Il est donc primordial que vous, en tant qu’analyste de données,
compreniez parfaitement la responsabilité qui vous incombe ainsi que les tâches à effectuer
presque quotidiennement. Un analyste de données est essentiel pour aider les organisations à
dégager de précieux insights des données à profusion dont elles disposent ; il travaille
étroitement avec d’autres personnes dans l’organisation pour révéler des données intéressantes.
Préparer
L’analyste de données passe généralement le plus clair de son temps sur les tâches de
préparation et de modélisation. L’utilisation de données inappropriées ou incorrectes peut avoir
de lourdes conséquences, à savoir la création de rapports inexacts, une perte de confiance et une
incidence négative sur les décisions commerciales, ce qui conduit au final à une perte de chiffre
d’affaires, une baisse d’activité, etc.
Avant la création d’un rapport, les données doivent être préparées. La préparation des données
est le processus de profilage, de nettoyage et de transformation de vos données pour qu’elles
soient prêtes à être modélisées et visualisées.
Préparer les données consiste à prendre des données brutes et à les transformer en informations
fiables et compréhensibles. Cela implique, entre autres tâches, de vérifier l’intégrité des données,
de corriger les données inappropriées ou inexactes, d’identifier les données manquantes, de
convertir les données d’une structure à une autre ou d’un type à un autre ou même tout
simplement d’améliorer la lisibilité des données.
La préparation des données implique également de comprendre comment vous allez obtenir les
données et vous y connecter, mais aussi d’appréhender les implications des décisions sur les
performances. Pour ce qui est de la connexion aux données, vous devez prendre des décisions
pour vous assurer que les modèles et les rapports satisfont et répondent aux exigences et aux
attentes définies.
La confidentialité et l’assurance de sécurité sont deux autres aspects importants. Ces assurances
peuvent inclure l’anonymisation des données pour éviter de partager des données ou empêcher
les utilisateurs de voir des informations d’identification personnelle quand cela n’est pas
nécessaire. Assurer la confidentialité et la sécurité peut aussi impliquer la suppression complète
de ces données si elles ne sont pas adaptées au scénario que vous tentez de mettre en forme.
La préparation des données est souvent un processus long. Les analystes de données suivent une
série d’étapes et de méthodes pour préparer les données en vue de leur placement dans un
contexte et un état appropriés pour éviter les problèmes de qualité des données et pouvoir les
utiliser dans des analyses utiles.

Modéliser
Une fois que les données sont dans un état correct, elles sont prêtes à être modélisées. La
modélisation des données est le processus qui consiste à déterminer la façon dont vos tables
sont liées les unes aux autres. Pour exécuter ce processus, vous définissez et créez des relations
entre les tables. À partir de là, vous pouvez améliorer le modèle en configurant des métriques et
en ajoutant des calculs personnalisés pour enrichir vos données.
La création d’un modèle de données correct et performant est une étape indispensable, car le
modèle aide les organisations à comprendre et à obtenir des insights précieux de leurs données.
Un modèle de données performant améliore la justesse des rapports, permet d’explorer les
données plus vite et plus efficacement, accélère le processus de création des rapports et facilite
la maintenance ultérieure des rapports.
Le modèle est un autre composant capital qui a un effet direct sur les performances de votre
rapport et sur l’analyse globale des données. Un modèle mal conçu peut avoir un impact négatif
considérable sur la justesse et les performances générales du rapport. À l’inverse, un modèle
bien conçu avec des données bien préparées garantira d’obtenir un rapport efficace et fiable.
Cette notion est plus courante lorsque vous travaillez avec des données à l’échelle.
Du point de vue de Power BI, si votre rapport s’exécute lentement ou que vos actualisations
prennent beaucoup de temps, vous devrez probablement revoir les tâches de préparation et de
modélisation des données afin d’optimiser votre rapport.
Le processus de préparation des données et de modélisation des données est un processus
itératif. La préparation des données est la première tâche de l’analyse des données. La
modélisation des données sera d’autant plus facile que vous aurez pris le temps de bien
comprendre et préparer vos données.

Visualiser
Cette tâche de visualisation consiste à donner vie à vos données. L’objectif final de la tâche de
visualisation est la résolution des problèmes de l’entreprise. Un rapport bien conçu doit raconter
une histoire convaincante sur les données, qui fournit rapidement aux décideurs de l’entreprise
les insights dont ils ont besoin. En utilisant des visualisations et des interactions appropriées, un
bon rapport permet au lecteur d’en explorer le contenu rapidement et efficacement, en suivant
l’histoire racontée par les données.
Les rapports créés durant la tâche de visualisation aident les entreprises et les décideurs à
comprendre le sens des données pour ensuite prendre les décisions stratégiques qu’il faut. Les
rapports orientent les actions, les décisions et les comportements globaux d’une organisation,
qui se fie et s’appuie sur les insights révélés dans les données.
L’entreprise peut faire la demande d’un rapport contenant tous les points de données pour
l’aider à prendre des décisions. En tant qu’analyste de données, vous devez prendre le temps de
pleinement comprendre le problème que l’entreprise tente de résoudre. Déterminez si tous les
points de données sont nécessaires, car une trop grande quantité de données peut compliquer
la détection des points clés. Raconter une histoire courte et concise peut vous aider à trouver des
insights rapidement.
Avec les fonctionnalités d’IA intégrées dans Power BI, les analystes de données ont les moyens
de créer des rapports puissants, sans écrire aucun code, qui fournissent aux utilisateurs des
insights et des réponses leur permettant de trouver des objectifs exploitables. Ces
fonctionnalités, telles que les visuels IA intégrés, rendent possible la découverte des données en
posant des questions, en utilisant Quick Insights ou en créant des modèles Machine Learning
directement dans Power BI.
Un aspect important de la visualisation des données est la conception et la création de rapports
au service de l’accessibilité. Lorsque vous concevez des rapports, il est important de penser aux
personnes qui les utiliseront et les liront. Les rapports doivent être conçus dès le départ dans un
souci d’accessibilité, de sorte qu’aucune modification spéciale ne soit nécessaire ultérieurement.
De nombreux éléments de votre rapport peuvent faciliter le storytelling. L’utilisation d’un modèle
de couleurs gratuit et accessible, des polices et des tailles ou encore le choix de visuels adaptés
aux données à afficher, tous ces éléments entrent en ligne de compte pour raconter l’histoire.

Analyser
La tâche d’analyse est l’étape importante pour comprendre et interpréter les informations
présentées dans le rapport. Dans votre rôle d’analyste de données, vous devez connaître les
fonctionnalités analytiques de Power BI et les utiliser pour trouver des insights, identifier des
modèles et des tendances, prédire des résultats et communiquer ensuite ces insights d’une
manière compréhensible par tous.
L’analytique avancée aide les entreprises et les organisations à prendre de meilleures décisions
à l’échelle de l’entreprise, et à obtenir des insights actionnables et des résultats significatifs.
Grâce à l’analytique avancée, les organisations peuvent faire une analyse approfondie des
données pour prédire les modèles et les tendances futurs, identifier les activités et les
comportements, et permettre aux professionnels de poser les bonnes questions sur leurs
données.
Auparavant, l’analyse des données était un processus difficile et compliqué qui était
généralement effectué par des ingénieurs des données ou des scientifiques des données.
Aujourd’hui, Power BI rend l’analyse des données accessible, ce qui simplifie le processus
d’analyse des données. Les utilisateurs peuvent rapidement obtenir des insights de leurs données
en choisissant des visuels et des métriques directement de leur bureau, puis publier ces insights
dans des tableaux de bord afin de les rendre accessibles à d’autres.

Cette fonctionnalité est un autre domaine où les intégrations IA dans Power BI peuvent donner
une autre dimension à votre analyse. Les intégrations à Azure Machine Learning, les services
cognitifs et ces visuels IA intégrés vous aident à enrichir vos données et analyses.

Gérer
Power BI se compose de nombreux éléments, parmi lesquels des rapports, des tableaux de bord,
des espaces de travail, des jeux de données, etc. En tant qu’analyste de données, vous êtes
responsable de la gestion de ces ressources Power BI : vous supervisez le partage et la distribution
d’éléments tels que les rapports et les tableaux de bord, et vous garantissez la sécurité des
ressources Power BI.
Les applications sont un moyen pratique de distribuer votre contenu, tout en facilitant la gestion
des distributions à un large public. Cette fonctionnalité vous permet également d’avoir des
expériences de navigation personnalisées et de créer des liens vers d’autres ressources au sein
de votre organisation pour compléter vos rapports.
La gestion de votre contenu contribue à encourager la collaboration entre les équipes et les
individus. Le partage et la découverte de votre contenu sont des points importants pour que les
bonnes personnes obtiennent les réponses dont elles ont besoin. Il est également important de
s’assurer que les éléments sont sécurisés. Il convient de vous assurer que seules les personnes
prévues y ont accès et qu’il n’y a pas de fuites de données vers des parties prenantes non
autorisées.
Par ailleurs, une bonne gestion peut contribuer à réduire les silos de données dans votre
organisation. La duplication des données peut compliquer la gestion et introduire une latence
des données lorsque des ressources sont surutilisées. Power BI permet de réduire les silos de
données avec l’utilisation de jeux de données partagés et de réutiliser les données que vous avez
préparées et modélisées. Pour les données d’entreprise critiques, l’approbation d’un jeu de
données comme certifié peut être un gage de confiance dans ces données.
La gestion des ressources Power BI aide à réduire le dédoublement des efforts et à garantir la
sécurité des données.
Nous allons maintenant passer en revue ces blocs de construction, les utiliser pour réaliser
quelques tâches simples, puis entrevoir la création de schémas plus complexes.
Les blocs de construction de base dans Power BI sont les suivants :
• Visualisations
• Jeux de données
• Rapports
• Tableaux de bord
• Vignettes
Visualisations
Une visualisation (ou élément visuel) est une représentation visuelle de données, comme un
graphique, une carte en couleur ou d’autres images pertinentes que vous pouvez créer pour
représenter visuellement vos données. Power BI propose de nombreux types de visualisations,
et de nouveaux modèles sont ajoutés régulièrement. L’image suivante illustre un ensemble de
visualisations créées dans Power BI.
Les visualisations peuvent être simples (par exemple, un numéro unique correspondant à un
point important) ou complexes visuellement (telle une carte avec dégradés de couleur indiquant
l’opinion des électeurs sur un thème de société). Les éléments visuels permettent de présenter
les données de manière à fournir du contexte et des informations, ce qui serait probablement
difficile à dégager d’un tableau brut comportant des chiffres ou du texte.

Jeux de données
Un jeu de données est une collection de données utilisées par Power BI pour créer des
visualisations.
Vous pouvez disposer d’un jeu de données simple issu d’un seul tableau Microsoft Excel, comme
celui que l’on voit dans l’image suivante.

Vue globale
Nous venons de passer en revue les principes fondamentaux de Power BI et ses blocs de
construction. Récapitulons.
Power BI est un ensemble de services, d’applications et de connecteurs qui vous permettent de
vous connecter à vos données (peu importe où elles se trouvent), de les filtrer si nécessaire, puis
de les intégrer dans Power BI afin de créer des visualisations attrayantes à partager avec d’autres
utilisateurs. Avec Power BI, l’histoire que vous racontez n’a pas besoin d’être complexe ni
compliquée, elle doit être efficace.