Rapport d’Analyse - Tassili Airlines

November 2023

1 Objectif
L’objectif de ce rapport est de déterminer des associations pertinentes entre les questions et les
réponses d’un questionnaire. Ces associations permettent de comprendre l’état des lieux et de prendre
des décisions.

2 Données
Les données utilisées pour cette analyse sont celles d’un questionnaire sur l’expérience utilisateur
(UX) du site web de Tassili Airlines d’Algérie. Le questionnaire a été rempli par 41 personnes, et vous
pouvez accéder au formulaire en suivant ce lien form_link.
Les données ont été prétraitées comme suit :
• Les réponses uniques à une modalité ont été supprimées.
• Les modalités à effectifs faibles ont été regroupées.

• Seules les questions pertinentes pour l’analyse ont été conservées.

3 Question choisie
Q1 -> Avez-vous l’habitude de faire des réservations en ligne ?
Q2 -> Avez-vous déjà voyagé grâce à la compagnie Tassili Airline ?
Q3 -> À quelle fréquence utilisez-vous le site web de Tassili Airlines pour vous renseigner sur vos vols ?
Q4 -> Sur une échelle de 1 à 5, à quel point trouvez-vous le site Tassili Airlines facile à utiliser ?

4 Préparation de l’environnement R
library ( readxl )
library ( FactoMineR )
library ( factoextra )

5 Importation des données

data <- read _ excel ( " TassiliAirlines . xlsx " )

6 Visualisation des données

print ( data )

1
7 Un résumé des données
>summary(data)

Figure 1 – Enter Caption

2
8 Étude des statistiques des données :
barplot(table(dataQ1), col = c(”blue”, ”red”), main = ”Q1F requencies”, names.arg = levels(dataQ1))

Figure 2 – Étude des statistiques -Q1-

barplot(table(dataQ2), col = c(”green”, ”orange”), main = ”Q2F requencies”, names.arg = levels(dataQ2))

hist(dataQ3, breaks = 10, col = ”blue”)

3
Figure 3 – Étude des statistiques -Q2-

Figure 4 – Étude des statistiques -Q3-

4
 Figure 5 – Étude des statistiques -Q4-

9 Transformation du tableau de données en tableau disjonctif

41 lignes pour observations/individus 5 colonnes de modalités au total Les zéros et les uns représentent
la présence/absence de la modalité pour chaque individu

5
 Figure 6 – Tableau disjonctif

10 AFCM
dataQ1 < −as.f actor(dataQ1) dataQ2 < −as.f actor(dataQ2) dataQ3 < −as.f actor(dataQ3) dataQ4 <
−as.f actor(dataQ4) afcm=MCA(data)

6
Figure 7 – Representation des variables

Figure 8 – Representation des individus

7
 Figure 9 – Representation des modalites de varibales

11 Étude du tableau de valeurs propres

eig.val<-afcmeigprint(eig.val)

Figure 10 – Enter Caption

Selon la méthode du coude nous allons prendre 4 valeurs propres ce qui nous donnes un pourcentage
d’intertie cummulé égale à 59.9
library(factoextra) fvize ig(af cm, addlabels = T RU E, col = ”blue”)

8
 Figure 11 – diagramme en bâtons des valeurs

Figure 12 – Commande -Val propres-

12 Représentation du biplot individus-variables

La représentation biplot permet de visualiser à la fois les individus et les variables dans le même
graphique. Dans le contexte de l’Analyse Factorielle des Correspondances Multiples (AFCM), cela nous
donne une vue d’ensemble des relations entre les individus et les modalités des variables.
La Figure 13 montre le biplot des individus et des variables sur les axes 1 et 2. Chaque point représente
un individu, tandis que les flèches représentent les variables. La direction et la longueur des flèches
indiquent la contribution des variables à la formation des axes. Les points individuels et les variables qui
sont proches les uns des autres sont similaires en termes de réponses.
La Figure 14 zoom sur le biplot individus-variables pour les axes 1 et 2. Cela nous permet d’identifier
les relations spécifiques entre certains individus et les modalités des variables.
Dans ces graphiques, chaque point individuel représente une observation, tandis que les flèches in-
diquent la direction et l’importance des variables. Cela offre une visualisation puissante pour interpréter
les relations entre les individus et les variables dans le contexte de votre analyse.

9
 Figure 13 – Biplot des axes 1 et 2

Figure 14 – Biplot des individus-variables pour les axes 1 et 2

10
13 Étude du tableau des contributions donnant une signification
aux axes :
Les contributions des variables sur les axes de l’Analyse Factorielle des Correspondances Multiples
(AFCM) sont examinées pour interpréter la signification de chaque axe.

Figure 15 – Tableau des contributions des variables sur les axes

View(contribs)

En observant la Figure 15, on peut identifier les principales contributions de chaque variable sur les
axes. Ces contributions fournissent des informations sur la relation entre les variables et les axes.

cos2_contribs <- afcm$var$cos2

print(cos2_contribs)

Figure 16 – Cosinus carré des contributions des variables

La Figure 16 montre les cosinus carrés des contributions des variables. Ces valeurs représentent la
qualité de la représentation de chaque variable sur les axes. Des valeurs élevées indiquent une meilleure
représentation.
Interprétation des axes de l’AFCM :
AXE 1 : -Les variables Q2N onetQ2O uisontlesprincipalescontributricesl′ axe1.
Celasuggreunef orterelationaveclesvoyagesef f ectusgrcelacompagnieT assiliAirline.
Ainsi, l′ axe1mesureleniveaudef rquencedesvoyagesdesindividusavecT assiliAirlines.
Axe 2 : La variable Q32 (Quelquef ois)estlaprincipalecontributricel′ axe2.
CelasuggrequelesutilisateursutilisentlesitewebdeT assiliAirlinesdemanireoccasionnelle, maispasdemaniref rquente.
L′ axe2mesuredonclaf rquenced′ utilisationoccasionnelledusiteparlesrpondants.
Axe 3 : La variable Q42 (N ote2surl′ chellede15)estlaprincipalecontributricel′ axe3.
Celasuggrequelesutilisateursrencontrentunecertainedif f icultdansl′ utilisationdusitewebdeT assiliAirlines.
Ainsi, l′ axe3mesureleniveaudedif f icultperueparlesutilisateurslorsdel′ utilisationdusite.

11
14 Contributions des variables sur les axes
fvizc ontrib(af cm, choice = ”var”, axes = 1, top = 15)

Figure 17 – AXE1

fvizc ontrib(af cm, choice = ”var”, axes = 2, top = 15)

fvizc ontrib(af cm, choice = ”var”, axes = 3, top = 15)
fvizc ontrib(af cm, choice = ”var”, axes = 4, top = 15)

12
Figure 18 – AXE 2

Figure 19 – AXE 3

13
 Figure 20 – AXE 4

15 Donner toutes les visualisations possibles

> plot(afcm, choix ="var")
> plot(afcm, choix ="ind")
Dendrogram Heatmap of Variable Contributions :
> heatmap(afcmvarcontrib, Rowv = TRUE, Colv = TRUE, main = "Variable Contributions Den-
drogram Heatmap", col = heat.colors(10))
Create a 3D scatter plot using the actual column names for color coding scatterplot3d(afcmindcoord[,
c("Dim 1", "Dim 2", "Dim 3")], color = as.numeric(dataQ1), pch = 19, main = ”3DScatterP lot”)legend(”topright”, legen
levels(dataQ1), col = 1 :length(levels(dataQ1)), pch = 19, title = ”Groups”)

14
Figure 21 – Enter Caption

Figure 22 – Enter Caption

15
Figure 23 – Enter Caption

Figure 24 – Enter Caption

16
Figure 25 – Enter Caption

17