Big Data Et DataViz Elements de Cadrage

+
# Manipulations et
traitements de données
Big data et M2 SIGAT

Visualisation de Automne 2015
données (Data.Viz) @Boris Mericskay
+
Objectifs de la séance
 D’un point de vue théorique (30mn):

 Revenir sur le phénomène Big Data
 Comprendre le principe des Data Viz
 Connaitre les clef d’une bonne Data Viz
 D’un point de vue pratique (2h30):

 Familiarisation avec divers d’outils en ligne
permettant de concevoir des Data Viz :
 infogr.am
 RAW
 easel.ly
 Wordle
#M2 SIGAT / Anamoprhoses 2

+
Cours
# M2 SIGAT/ Visualisation de données

+
BIG DATA
 Les big data (données volumineuses) désignent des ensembles de

données qui deviennent tellement volumineux qu'ils en deviennent
difficiles à travailler avec des outils classiques de gestion de base
de données ou de gestion de l'information
 90% des données dans le monde ont été créées au cours des
deux dernières années seulement (selon IBM)
 L’explosion quantitative (et souvent redondante) de la donnée
numérique contraint à de nouvelles manières de voir et analyser le
monde

+
BIG DATA
 Un monde de données
 La quantité de données exploitables atteint aujourd’hui un volume
inédit, qui continue de croître de jour en jour.

+
BIG DATA
 Qui en parle ?

+
BIG DATA
 De quoi parle t’on ?

+
BIG DATA
 Convergence des bases de données (réseaux fermés) et

des contenus du Web (réseaux ouverts)

+
BIG DATA
 Caractéristiques des Big Data

 Au-delà des aspects quantitatifs, ces données se présentent d'une
manière telle qu'elles sont difficilement prises en charge par les
opérateurs des SGBD traditionnels :
 elles ne sont pas nécessairement organisées sous forme de tables et
leurs structures peuvent varier ;
 elles sont produites en temps réel ;
 elles arrivent mondialement en flots continus ;
 elles sont souvent documenter (taguées) mais de façon disparate
(localisation, heure, mot-clef, etc.) ;
 elles proviennent de sources très hétérogènes (téléphone mobile,
capteurs, téléviseurs connectés, tablettes, PC fixes, PC portables,
objets, machines), de façon désordonnée et non prédictible.

+
BIG DATA
 Les 5 V des Big Data

 Variété : diversité des données et des sources
 Volume : quantité exponentielle de données à analyser
 Vitesse : capacité à collecter et analyser le flux de données en
temps réel et en temps voulu
 Véracité : Fiabilité et qualité des données,
 Valeur : savoir tirer profit de la valeur de la donnée collectée.

+
Volume
 Volume : les organisations sont submergées de volumes

de données croissants de tous types
 Les ordres de grandeurs sont énormes !!!
 Toujours plus exponentiel
 250 milliards de mails par jour (70% de spam)
 40 000 recherches sont analysée sur Google
chaque seconde, soit plus de 3,5 milliards par
jour ! (Source : Google Search Statistics)
 100 heures de vidéo sont en moyenne
téléchargées sur YouTube chaque minute
(Source : YouTube)
 30 milliards d’objets connectés en 2010 (plus
que d’humains)

+
BIG DATA
Depuis une
minute…

+
Variété
 Des données très hétérogènes

 Médias sociaux (Facebook, tweeter, Instagram, Youtube,…)
 Données de téléphonie mobiles (SMS, GPS)
 Données géographiques (producteurs institutionnels, OSM,…)
 Documents (pdf, word, excel,…)
 Wikis, forums, pages Web,…
 Données transactionnelles (connexion,validation TC, badge,…)
 Photos (en millards, ex. FB 50 milliards), vidéos
 Open data (ouverture de données publiques)
 Capteurs (trafic, température, pollution,…)
 51% des données sont structurées, 27% sont non structurées
et 21% semi-structurée. (Source: Tata Consultancy Services)
+
Vitesse
 La vitesse est une nouvelle composante fondamentale

dans l’analyse de données
 Des données statiques aux données en temps réel
 Parfois, 2 minutes c'est trop
 Pour les processus chronosensibles tels que la détection de fraudes, le
Big Data doit être utilisé au fil de l'eau, à mesure que les données sont
collectées par votre entreprise afin d'en tirer le maximum de valeur.
 Parfois 2 secondes c’est trop (trading haute fréquence)
 Scruter 5 millions d'événements commerciaux par jour afin d'identifier
les fraudes potentielles
 Analyser en temps réel 500 millions d’enregistrements détaillés d’appels
quotidiens

+
Véracité
 La confiance dans la données : le point le plus important

 Des données très hétérogènes, pas toujours structurées
 Pas toujours de documentation, de traçabilité sur ces données
 La clef pour une bonne utilisation : la confiance dans les données
 1 décideur sur 3 ne fait pas confiance aux données sur lesquelles
il se base pour prendre ses décisions
 Comment peut-on se baser sur des informations si on a pas confiance
en elle?
 Etablir la confiance dans les Big Data représente un défi d'autant
plus important que la variété et le nombre de sources augmentent
 L’un des grands défis de demain

+
Big data
Pour résumer :
 Des données exponentielles :
 Variées
 Volumineuses
 En temps réel
 De sources très hétérogènes
 Mais qui encore « indomptées »
 Encore que peu structurées
 Mais que faire avec ces données ?

 Une des pistes : la visualisation (exploration, fouille, analyse)

+
BIG DATA
 3 discipline dans l’analyse des données
@Gaultier 2015
+
Des données à la
visualisation

+
Mise en contexte
 La question des données volumineuses à mettre en

corrélation avec celle de la visualisation
 Navigation dans des univers de données
 La question de la visualisation des données est depuis
quelques années en animation constante
 Elle se nourrit à la fois de l’augmentation des possibilités offertes
par les outils informatiques et graphiques et…
 …surtout de l’accroissement des sources et des flux de données
 Données « officiels »
 Données « grand public »
 Flux de données (objets connectés, capteurs, réseaux sociaux,…)

+
L’ère de la visualisation
Validité des
données
Des données
bien
représentées

+
DataViz
 La dataviz (Data Vizualisation) : désigne les techniques permettant

de présenter des données sous forme visuelle afin d’en faciliter la
compréhension et/ou l’analyse.

+
DataViz
 L’idée : présenter des données complexes de façon

simple, juste et attractive
 Cette discipline se concentre sur la présentation des données, le
design des représentations
 Après avoir donné du sens aux données (par des traitements
statistiques), il faut un mode de représentation simple
 Pour véhiculer les bons messages ou donner les bons outils permettant
à tout à chacun de comprendre les données
 Les fonctionnalités à rechercher sont :
 Modes de représentations innovants
 Dynamisme, capacité à interagir sur
les informations présentées

+
Dataviz
 Une Dataviz sert à rendre l’information lisible par tous

pour faciliter la compréhension
 Vise a accélérer le processus de compréhension des chiffres en
sollicitant les 2 hémisphères du cerveau, en s’adressant à la fois
au côté sensoriel et au côté rationnel
 Pour répondre à ces objectifs, la DataViz doit fournir une
information :
 Interprétable, c’est-à-dire claire, quelque soit le volume, la nature ou la
provenance des données
 Pertinente, c’est à dire qui réponde à un objectif métier dans un
contexte défini
 Novatrice, en fournissant une perspective différente qui permet de
découvrir de nouvelles opportunités

+
DataViz
 Data Viz, ou l'art de transformer ses données en

information intelligible et attrayante

+
Dataviz
 Pourquoi a-t-on besoin de DataViz ?

 La profusion de données oblige à passer un temps considérable
pour trouver les données pertinentes pour prendre une décision
 Ces données sont nombreuses, variées, souvent confuses
 Elles sont stockées sous forme de tableurs ou de BD
 La Dataviz permet de se concentrer sur l’essentiel, plus
rapidement “une image vaut mieux qu’un long discours”
 Notre cerveau a besoin de moins de 250 millisecondes pour saisir,
comprendre et répondre à une information sous forme visuelle
 Répondre aux problématiques de concentration
en consultation sur écrans : en moyenne, 10
secondes sur le même contenu et elle tend à
diminuer d’année en année

+
Dataviz
 L’intérêt des dataviz

 La visualisation de données permet de manipuler de larges
volumes de données pour faire émerger des tendances, ou
répondre à des questions spécifiques
 Comparer plusieurs tableaux de données brutes exige un effort
d’abstraction et de mémoire qui n’est plus atteignable à partir d’un
certain volume de données
 Avec les instruments de Data Visualisation, on peut obtenir des
données déjà comparées, triées et mises en perspectives
 Les tableaux de bord = écran unique pour se concentrer sur l’essentiel
 Un outil d’exploration et de fouille des données
 On peut faire apparaître des informations perdues sous le flot de
données, qui ne peuvent se révéler qu’après avoir été visualisées

+
Dataviz

+
Dataviz

+
Dataviz

+
Dataviz

+
Tableau de bord

+
Tableau de bord

+
Tableau de bord

+
Data Viz « fixes »
 Data Viz « fixes »

 Des infographies figées, représentant les données ciblées
 Cette catégorie a l’avantage d’être complètement adaptée aux
contextes d’utilisations des réseaux sociaux à fort potentiel viral
que ce soit sur Facebook, Twitter, Google Plus, FlickR, etc.

+

+

+
Data viz « animées »
 La scénarisation, le story-telling

+
Data viz « animées »
 La scénarisation, le story-mapping

+
Dataviz « interactives »
 Les dataviz « interactives »

 Elles offrent la possibilité à l’utilisateur de « jouer », voire de
construire sa propre visualisation
 Si l’objectif à remplir est une prise de décision, on utilisera plutôt
une dataviz dite « interactive » permettant d’afficher une quantité
importante d’informations en disposant d’une certaine granularité
de chiffres ou de nuances

+

+

+

+

+

+

+
Nouvelles régions
 Cette visualisation permet d'imaginer le nouveau visage de la

France si le découpage avait été confié à un algorithme
 La proximité géographique et les mobilités professionnelles
interdépartementales quotidiennes sont prises en compte

+
Nouvelles régions

+
Nouvelles régions

+
Nouvelles régions

+
Les outils
 Les principaux outils de Data Viz

+
Les outils

+
Les clef pour un bonne Dataviz
 Le choix des sources de données

 Fiabilité de la source et date des données
 Sélectionner les données les plus intéressantes
 En fonction de la finalité visée par la dataviz
 La construction d’indicateurs pertinents
 Mobilisation de méthodes statistiques
 Un mode de visualisation adapté au message et aux données
 Plusieurs type de visualisation
 Des couleurs attrayantes
 Une bonne diffusion (présentation, rapport, site Web, blogue,
réseaux sociaux,…)

+
Et demain ???
 Données personnelles + tableau de bord

 Des tableaux de bords centrés sur l’utilisateur
 Exemple de FITBIT (bracelets connectés)

+
Au niveau de l’emploi
 Data scientist : une nouvelle profession en vogue

 Le data scientist est un responsable de la gestion et de l’analyse
de « données massives »
 Domaines multiples : finance, banque, assurance, marketing,…
 Une profession promise à un bel avenir
 Il n’y a encore très peu de formations dédiées au métier ou aux
fonctions de data scientist et de data analyst
 Télécom Paris Tech : Master Big Data
 HEC : Cursus Spécialisé « Big Data et Business Analytics »
 ENSAE : Spécialisation en Data Science
 Polytechnique, ESSEC,…

+
Data scientist

+
Data scientist

+
Data scientist

+
Et demain?
 Un nouveau métier : Geodata Scientist

+
Manipulations

+
Manipulations
Objectifs : nouvelles compétences dans la représentation de

données + outils en ligne pour faire des dataviz
 Toujours utile pour une présentation, un rapport,…
 infogr.am (data Viz) : https://infogr.am/
 RAW (data Viz) : http://raw.densitydesign.org/
 Wordle (nuages de mots) : http://www.wordle.net/
 easel.ly (infographie) : http://www.easel.ly/
 Pas de logiciels, seulement des services en ligne !

+
Infogr.am
 Infgr.am permet de créer rapidement une infographie en

important ses propres données
 Le résultat est beaucoup plus esthétique et tendance que les
graphiques proposés par les tableurs classiques

+
Infogr.am
 Créer des infographies dynamiques

+
Infogr.am
 Créer des visualisation originales

 Collection riche de mode de représentation de données
 Personnalisation (couleur, thèmes, taille, disposition,…)

+
Infogr.am
 Production d’une infographie sur Rennes 2

 Les données : chiffres clefs de l’Université Rennes 2
 http://www.univ-rennes2.fr/dgs/rennes-2-chiffres
 L’application : Infogr.am (service Web)
 https://infogr.am/
 L’objectif : produire des visualisations sympathiques !
Mettre sur le drive !
Mon exemple : https://infogr.am/dataviz_rennes_2

+
Infogr.am

+
RAW
 Service pour des visualisations originales

 RAW est une interface open-source de data visualisation
construite grâce à la librairie graphique D3.js
 http://raw.densitydesign.org/

+
RAW
 Exemple: les données statistiques sur la culture à Rennes ou la

fréquentation des musées en Fance
http://www.data.rennes-metropole.fr/les-donnees/catalogue/
https://www.data.gouv.fr/fr/datasets/frequentation-des-musees-de-france-de-2003-a-2012/
1. Rentrer vos données dans le tableur intégré

2. Choisir un mode de visualisation adapté aux données

+
RAW
3. Paramétrer votre visualisation

+
RAW
 Bubble

+
RAW
 Treemap

+
RAW
 Diffuser votre Dataviz

 Télécharger en tant qu’image (mettre sur le drive)
 Incorporer la à votre site Web

+
Wordle
 Créer des nuages de mots

http://www.wordle.net/

+
Wordle
 Créer des nuages de mots

 Copier un texte puis générer un nuage de mots
 Personnaliser la police, les couleurs, la disposition des mots,…

+
easelly
 Créer des infographies http://www.easel.ly/

 Easel.ly propose gratuitement une douzaine de thèmes assez
sommaires qui pourront ensuite servir de base à une infographie
plus personnalisée
 Après, il faut les éditer en ligne, en choisissant parmi de nombreux
objets graphiques (icônes, cartes, paysages, formes, etc.).
 Infographies en HTML5

+
easelly
 Créer une infographie cartographique

+
easelly
 Exporter un fond de carte en SVG

 Plugin SimpleSvg dans QGIS

+
easelly
 Exemple sur Rennes

 Choisissez une variable à représenter
 Faire une carte avec des aplats de couleurs dans QGIS
 Mettre en forme votre infographie
 Partager votre dataviz sur le drive

+
 Boris.mericskay@uhb.fr
#M2 SIGAT / Anamoprhoses 78

Big Data Et DataViz Elements de Cadrage

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Big Data Et DataViz Elements de Cadrage

Transféré par

Droits d'auteur :

Formats disponibles

+

Big data et M2 SIGAT

 D’un point de vue théorique (30mn):

 D’un point de vue pratique (2h30):

#M2 SIGAT / Anamoprhoses 2

# M2 SIGAT/ Visualisation de données

 Les big data (données volumineuses) désignent des ensembles de

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

 De quoi parle t’on ?

# M2 SIGAT/ Visualisation de données

 Convergence des bases de données (réseaux fermés) et

# M2 SIGAT/ Visualisation de données

 Caractéristiques des Big Data

# M2 SIGAT/ Visualisation de données

 Les 5 V des Big Data

# M2 SIGAT/ Visualisation de données

 Volume : les organisations sont submergées de volumes

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

 Des données très hétérogènes

 La vitesse est une nouvelle composante fondamentale

# M2 SIGAT/ Visualisation de données

 La confiance dans la données : le point le plus important

# M2 SIGAT/ Visualisation de données

 Mais que faire avec ces données ?

# M2 SIGAT/ Visualisation de données

 3 discipline dans l’analyse des données

# M2 SIGAT/ Visualisation de données

 La question des données volumineuses à mettre en

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

 La dataviz (Data Vizualisation) : désigne les techniques permettant

# M2 SIGAT/ Visualisation de données

 L’idée : présenter des données complexes de façon

# M2 SIGAT/ Visualisation de données

 Une Dataviz sert à rendre l’information lisible par tous

# M2 SIGAT/ Visualisation de données

 Data Viz, ou l'art de transformer ses données en

# M2 SIGAT/ Visualisation de données

 Pourquoi a-t-on besoin de DataViz ?

# M2 SIGAT/ Visualisation de données

 L’intérêt des dataviz

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

 Data Viz « fixes »

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

 Les dataviz « interactives »

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données

# M2 SIGAT/ Visualisation de données