Visualiser l'information

2,848 views

Published on

Exemples et astuces pour créer des représentations graphiques

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
2,848
On SlideShare
0
From Embeds
0
Number of Embeds
964
Actions
Shares
0
Downloads
58
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Visualiser l'information

  1. 1. VISUALISER L‘INFORMATION L INFORMATIONExemples et astuces pour créer des représentations graphiques Unemployment rate - 2011 8 10 6 9,5 4 9     2 8,5 0 8 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Maximilien Kintz, Lyon, jeudi 16 février 2012© Fraunhofer
  2. 2. Twitter TracesHarald Bosch, 2011, Université de Stuttgart© Fraunhofer 2
  3. 3. Pourquoi apprendre à visualiser l‘information ? Offrir un meilleur niveau de compréhension des données Permettre de voir l‘invisble Et aussi : données de plus en plus diverses, nombreuses…Mais…Mais Pièges à éviter Le monde est plein de mauvais exemples Pas facile de faire simple et efficace Besoins de règles et bonnes pratiques, y compris avec les logiciels usuels© Fraunhofer
  4. 4. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 4
  5. 5. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 5
  6. 6. Fraunhofer GesellschaftFraunhofer-GesellschaftPartner for Innovations© Fraunhofer IAO, IAT University of Stuttgart
  7. 7. Profile of Fraunhofer-Gesellschaft  Founded: 1949  18 000 employees  More than 80 research institutes, of which 60 operate as independent profit centres  Europe: Brussels (Belgium), Moscow (Russia), Budapest (Hungary), Jönköping (Sweden), p ( g y), p g( ), Bolzano (Italy), et al. USA: Boston (Massachusetts), Pittsburgh (Pennsylvania), Plymouth (Michigan) Providence (Rhode Island), (Michigan), Island) College Park (Maryland), Peoria (Illinois) Asia: Ampang (Malaysia), Beijing (China), Jakarta (Indonesia), Koramangala Bangalore (Indien), Seoul (Korea), Singapore, Tokio (Japan) Middle East: Dubai (United Arab Emirates), Cairo (Egypt)© Fraunhofer
  8. 8. Joseph von Fraunhofer Fraunhofer-Gesellschaft(1787 - 1826) (since 1949)Discovery of theDi f h Researcher e.g. the President´s h P id ´»Fraunhofer Lines« German Future Award in 2004in the solar spectrum for electrical biochip technologyNew methods for Inventor e.g. two new patentlens processing applications every working dayManaging partner of Entrepreneur e.g. ~ € 463 million revenues fromthe Royal Glass Factory industry (approx 4000 contracts) per (approx. year© Fraunhofer
  9. 9. Profile of Fraunhofer-Gesellschaft  Annual research budget: 1.65 billion Euros*  Including approx. 1.4 billion Euros for contract research*  Roughly over 70% of this sum is generated through  Projects commissioned by industry and  Publicly funded research projects y p j  Roughly 30% is provided by the German state and federal governments for advanced research (looking at issues that will be of concern to the economy and society in general in five or ten years time).  * Figures for 2010© Fraunhofer
  10. 10. Profile of Fraunhofer-Gesellschaft  Research & Development  Applied research to the direct benefit of private and public enterprises and of interest to the society  Applied research  Research on behalf of the German Federal Ministry of Defence  Entrepreneurial mindset  Institutes operate as profit centres  Spin-offs by Fraunhofer researchers are actively supported  Contract partners / Customers  Industrial and service companies  Public sector© Fraunhofer
  11. 11. Allianceswithin Fraunhofer-Gesellschaft Fraunhofer Gesellschaft  Information and Communication Technology*  Life Sciences  Light & Surfaces g  Microelectronics  Production  Materials and Components  Defence and Security  * Membership of Fraunhofer IAO© Fraunhofer
  12. 12. Frontline ThemesTomorrow sTomorrow´s Opportunities  Personal health assistant – the electronic guardian angel  Bio-functional surfaces – High tech with a sensitive skin  Food chain Management – Always fresh on the table g y  Decentralized integrated water – Saving precious water  Energy-efficient modernization – More than just a façade  Solid-state light sources – Bright and efficient illumination  Energy storage in power grids – Solar- and wind-generated electricity on demand  Green power train technologies – New impetus for eco-friendly cars eco friendly  Energy self-sufficient sensors and sensor networks – Vigilant clusters  Visual analytics – A clear overview in the data jungle  Hybrid material structures – Combining the best of the best  Integrated localization technology – On the move – quick and safe© Fraunhofer
  13. 13. © Fraunhofer IAO, IAT University of Stuttgart
  14. 14. Profile of IAO and IATwww.iao.fraunhofer.de – www.iat.uni-stuttgart.de www.iat.uni stuttgart.de  Founded: IAO – 1981 IAT – 1991  Head of Institute: Prof. Dr.-Ing. Dr.-Ing. E.h. Dieter Spath  Budget: 31,5 million Euro, of which 33% are generated from industrial contracts  Staff: 480 employees  Figures from 2010, including IAT University of Stuttgart© Fraunhofer
  15. 15. Aerial of the Institute Campus in StuttgartFraunhofer IAO and IAT University of Stuttgart© Fraunhofer IAO, IAT University of Stuttgart
  16. 16. The Pillars of SuccessOur Areas of Expertise  Corporate Development and Work Design Future oriented corporate development I Design of productive work environments I Interconnect processes efficiently  Service and Human Resources Management Make the most of employees’ potential I Target-oriented competence development I Services with a strong customer focus  Engineering Systems Advance Virtual Engineering systematically I Design ergonomics into technical systems I Rethink the concept of mobility  Information and Communication Technology Design intuitive interactive systems I Apply process innovation successfully I Exploit the full p p potential of IT  Technology and Innovation Management Strengthen innovation capabilities I Develop technology strategies I Enhance R&D performance© Fraunhofer
  17. 17. Laboratories, Demonstrationand Consulting CentresVirtual Reality Lab with HyPI 6 (6-wall-Cave), »PIcasso« and PowerwallVehicle Interaction Lab Lampo II ServLab© Fraunhofer
  18. 18. Laboratories, Demonstrationand Consulting CentresLab Innovation Center (LIC) Office Innovation Center (OIC)Visual Enterprise Management »Bank and Future« Showcase( SU )(VISUM)© Fraunhofer
  19. 19. Laboratories, Demonstrationand Consulting CentresInteraction Lab Electronic Business Innovation CenterUsability Lab with Visualisation Room and Eye Tracking System m-Lab: Mobile Software Applications© Fraunhofer
  20. 20. Laboratories, Demonstrationand Consulting CentresLightFusionLab Model FactoryErgonomy Media Enabled Enterprise Lab New Media Communication Lab© Fraunhofer
  21. 21. Laboratories, Demonstrationand Consulting Centres»FutureHotel« Showcase »Care 2020« Showcase© Fraunhofer
  22. 22. www.iao.fraunhofer.de  blog.iao.fraunhofer.de  wiki iao fraunhofer de wiki.iao.fraunhofer.de  m.iao.fhg.de  https://shop.iao.fraunhofer.de p p  www.iao.fraunhofer.de/presse-und-medien/407-rss i f h f d / d di /407  https://informationen.iao.fraunhofer.de© Fraunhofer
  23. 23. Webmining Cockpit© Fraunhofer
  24. 24. Ontologie de l‘artisanat en Allemagne© Fraunhofer 24
  25. 25. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 25
  26. 26. 6200 av. JCCarte de Çatalhöyük (Turquie)Reconstitution© Fraunhofer 26
  27. 27. 3000 av. JCTablette d‘Uruk (Mésopotamie) : distribution de grain au temple (?)Metropolitan Museum of Art© Fraunhofer 27
  28. 28. 50 av. JCZodiaque de Dendérah, ÉgypteMusée du Louvre© Fraunhofer 28
  29. 29. XVIIeDescartesGraphes 2D de fonctions mathématiques© Fraunhofer 29
  30. 30. XVIIIeWilliam Playfair, ÉcosseDiagrammes en colonnes, en lignes et circulaires© Fraunhofer 30
  31. 31. XVIIIe Importations et exportations de l‘Écosse 1780-1781 (1786) p pWilliam Playfair, ÉcosseDiagrammes en colonnes, en lignes et circulaires© Fraunhofer 31
  32. 32. XIXeCarte du Dr. Snow, épidémie de choléra à Londres, 1854© Fraunhofer 32
  33. 33. XIXe Carte fi C t figurative des pertes successives en hommes de lA é F ti d t i h d lArmée Française i dans la campagne de Russie 1812-1813 (1869)Charles Joseph Minard, ingénieur civil francais© Fraunhofer 33
  34. 34. 1932Plan du métro de Londres, Harry Beck© Fraunhofer 34
  35. 35. 1967Jacques BertinCartographe francais1967Sémiliogie graphiqueThéorie et définitions© Fraunhofer 35
  36. 36. 1977John Tukey, statisticienBoîtes à moustaches 1er quartille q 3e quartille qMinimum Médiane Maximumou… ou…© Fraunhofer 36
  37. 37. 1983Edward TufteThe Visual Displayof Quantitative InformationChartjunkData-ink ratioLie factor…cf. plus tard© Fraunhofer 37
  38. 38. Années 1990Ben Shneiderman, Treemaps (ici : Newsmap) pour données hierarchisées© Fraunhofer 38
  39. 39. 2005 – SparklinesTufte, visualisations intenses,de la taille d‘un motIntégration dans tableaux ou textePossibilité d‘indiquer clairementla valeur courante et le cadre desvaleurs acceptables l bl© Fraunhofer 39
  40. 40. 2005 – Sparklines Eytan Adar et al., Why We Search: Visualizing and Predicting User Behavior, 2007© Fraunhofer 40
  41. 41. 2005 – Bullet graphs 100% 80% Excellent 60% Bon Moyen 40% Courant Objectif 20% 0% Pommes PoiresStephen Few pDifférence objectif / courantBullet graph vertical possible avec Excel© Fraunhofer 41
  42. 42. 2011 – Gestaltlines Ulrik Brandes and Bobo Nick, Asymmetric Relations in Longitudinal Social Networks, 2011© Fraunhofer 42
  43. 43. Visualisation de l‘informationClassification Visualisation Visualisation de données Visualisation i li i Visualisation de scientifique i tifi l‘information© Fraunhofer 43
  44. 44. Visualisation ou Visualisation de donnéesDéfinitionLa visualisation ou la visualisation de données couvretous les types de représentations visuelles qui facilitentl‘exploration, ll l i l‘analyse et l communication d d l la i i de données.Les termes visualisation de l‘information etvisualisation scientifique désignent dessous-ensembles d la visualisation d d bl de l i li ti de données. éS. Few, Now You See It, Analytics Press, 2009.© Fraunhofer 44
  45. 45. Visualisation de l‘informationDéfinitionLa visualisation de l‘information est l‘utilisation dereprésentations visuelles, interactives et assistées parordinateur d d di de données abstraites pour f ili b i faciliter l lacognition. S. Card, J. Mackinlay, B. Shneiderman, Readings in Information Visualization, Academic Press, 1999.© Fraunhofer 45
  46. 46. Visualisation scientifiqueDéfinitionPar opposition, la visualisation scientifique est lareprésentation visuelle de données scientifiquesphysiques. h i S. Card, J. Mackinlay, B. Shneiderman, Readings in Information Visualization, Academic Press, 1999.© Fraunhofer 46
  47. 47. Visualisation scientifiqueDéfinitionLa visualisation est une méthode de calcul. Elletransforme le symbolique en géométrique et permet auxchercheurs d b h h d‘observer lleurs simulations et calculs. La i l i l lvisualisation propose des méthodes pour voir l‘invisible.McCormick, B.H., T.A. DeFanti, M.D. Brown, Visualization in ScientificComputing,Computer Graphics Vol. 21.6, November 1987© Fraunhofer 47
  48. 48. Visualisation scientifiqueDéfinitionLa visualisation scientifique concerne l‘exploration dedonnées et d‘informations de telle sorte qu‘il est possibleded comprendre l d d les données. Son b est d ff i un but d‘offrirmeilleur niveau de compréhension des données etd encouragerd‘encourager de nouvelles découvertes en s‘appuyant sur s appuyantla capacité des humains à visualiser.K.W. Brodlie, L.A. Carpenter, R.A. Earnshaw, J.R. Gallop, R.J. Hubbard, A.M.Mumford, C.D. Osland, P. Quarendon, Scientific Visualization,Techniquesand Applications,Springer-Verlag, 1992. Applications,Springer Verlag,© Fraunhofer 48
  49. 49. Visualisation scientifiqueDéfinitionUne définition simple de la visualisation peut êtrel‘association (mapping) de données à des représentationsqui peuvent être percues. Les types d i d‘associations i ipeuvent être visuels, auditifs, tactiles etc., ou unecombinaison de ceux ci ceux-ci.J. Foley and B. Ribarsky, Next-generation Data Visualization Tools, inScientific Visualization, 1994, Advances and Challenges, Academic Press.© Fraunhofer 49
  50. 50. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 50
  51. 51. Pipeline de la visualisation Données (bases, simulations, capteurs…) Acquisition Données brutes Filtrage Données de visualisation Association (mapping) Représentation pouvant être rendueDonnéesD é RenduProcessus Visualisation© Fraunhofer 51
  52. 52. Principes de la formeGestaltprinzipienChristian von Ehrenfels, Autriche, 1912Max Wertheimer, Allemagne, 1923 Bonne forme Bonne continuité Proximité Similitude (forme taille couleur orientation) (forme, taille, couleur, Clôture Destin commun : des parties en mouvement ayant la même trajectoire p y j sont perçues comme faisant partie de la même forme.Ces lois agissent en même temps et se concurrencent !© Fraunhofer 52
  53. 53. Bonne formeUn ensemble de parties informe (comme desgroupements aléatoires de points) tend à être perçud’abord (d b d (automatiquement) comme une forme, cette i ) fforme se veut simple, symétrique, stable.© Fraunhofer 53
  54. 54. Bonne continuité© Fraunhofer
  55. 55. Bonne continuité - conséquences 5 4 3 2 1 0 1 2 3 4© Fraunhofer 55
  56. 56. Similitude : forme© Fraunhofer 56
  57. 57. Similitude : taille© Fraunhofer 57
  58. 58. Similitude : couleur© Fraunhofer 58
  59. 59. Similitude : couleur - conséquences 5 4 3 2 1 0 A B C D© Fraunhofer 59
  60. 60. Similitude : orientation© Fraunhofer 60
  61. 61. Proximité© Fraunhofer 61
  62. 62. Proximité – conséquences Nom Prénom Année Minard Charles Joseph 1869 Playfar William 1786 Tufte Edward 1983© Fraunhofer 62
  63. 63. Clôture© Fraunhofer 63
  64. 64. Combinaisons et priorités© Fraunhofer 64
  65. 65. Combinaisons et priorités - conséquences Nom Prénom Année Minard Charles Joseph 1869 Playfar William 1786 Tufte T f Edward Ed d 1983© Fraunhofer 65
  66. 66. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 66
  67. 67. Couleurs Saturation (couleurs vives ou fades) ou valeur (couleurs claires ou sombres) : ordre mais pas de valeur Teinte : pas d‘ordre d ordre 1 ?© Fraunhofer 67
  68. 68. CouleursDaltonisme : environ 10 % des hommes, 1 % des femmes Éviter les combinaisons rouge / vert Ne pas utiliser la couleur comme seul discriminant Illustration : http://blog robbowley net http://blog.robbowley.net© Fraunhofer 68
  69. 69. Précision Longueur : précis, grille possible pour aider Position 2D (x, y) : précis, grille possible Angles, surfaces : pas précis, possible, grille pas possible Volumes : quasi impossible =1 =? =? =1© Fraunhofer 69
  70. 70. Précision : conséquences Pas de 3D (sauf cas très particuliers) Pas de visualisation de données simples avec des surfaces ou des angles Privilégier diagrammes en lignes, en colonnes… 8 6 4   2 0© Fraunhofer 70
  71. 71. Shame on Fox News© Fraunhofer 71
  72. 72. Automne 2012 à Stuttgart…Bleu: 1,747 milliards, rouge: 1,229 milliards  différence: 40% !© Fraunhofer 72
  73. 73. Même sans 3D… 3 8 7 6 4 4 2 0 5© Fraunhofer 73
  74. 74. Shame on Fox News… again! Unemployment rate - 2011 p y 10 9,5 9 8,5 8 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov© Fraunhofer 74
  75. 75. Rapport données / encre (Data-ink ratio)Avant tout, montrez les données !Rapport données / encre = proportion du graphique dédié à la présentation, sans redondance de données informatives redondance, = encre utilisée pour présenter des données / encre utilisée en tout pour imprimer le graphique Encre qui présente des données Rapport données / encre = Encre utilisée pour i E tili é imprimer l graphique i le hi© Fraunhofer 75
  76. 76. Redondance inutile50 50 4240 4030 3020 2010 10 0 0 A A © Fraunhofer 76
  77. 77. ChartjunkDéchets graphiquesNe pas distraire, ne pas déformer, ne pas masquer les donnéesLe plus simple est souvent le mieux…© Fraunhofer 77
  78. 78. Coefficient de distorsion (Lie factor)Différence en valeur : (27,5 - 18) / 18 : 53 %Différence en représentation : (5,3 - 0,6) / 0,6 : 783 %Coefficient de distorsion : 783 / 53 = 17,8© Fraunhofer 78
  79. 79. TableauxBordures et espacement : Utiliser l‘espacement pour séparer les valeurs É Éventuellement, utiliser des couleurs de fond discrètes Éventuellement, utiliser des bordures discrètes (grises)Alignement : Aligner les nombres à droite précision constante droite, Aligner les dates à gauche, format qui donne une taille constante Aligner le texte à gauche g g Aligner les en-têtes de colonnes comme le contenu Répeter les en-têtes sur chaque page© Fraunhofer 79
  80. 80. Devise de la recherche visuelle d‘information1996, Ben Shneiderman1. Vue d‘ensemble2. Zoomer et filtrer3.3 Détails à la demande© Fraunhofer 80
  81. 81. Vue d‘ensemble > Zoomer et filtrer > Détails à la demande1430 actions, cours à la clôture des marchés, 52 semaines© Fraunhofer 81
  82. 82. Vue d‘ensemble > Zoomer et filtrer > Détails à la demande© Fraunhofer 82
  83. 83. Vue d‘ensemble > Zoomer et filtrer > Détails à la demandeLogiciel : TimeSearcher (gratuit pour usage non commercial)© Fraunhofer 83
  84. 84. ExerciceSource : S. Few, Show Me The Numbers© Fraunhofer 84
  85. 85. Années ? Monnaie ?Exercice Grille 3D ll Grille inutile Fond gris Trop d‘indications sur l‘axe Objets 3D Précision inutile ! Données discrètes reliées Trimestres mis en avant ? Trop de catégories OrientationSource : S. Few, Show Me The Numbers© Fraunhofer 85
  86. 86. Exemple de solution Relier par un trait les variables continues Associer par les couleurs les capacités identiques Trois graphiques clairs plutôt qu‘un seul chargé Axes aussi simples que possible Échelle adaptéeSource : S. Few, Show Me The Numbers© Fraunhofer 86
  87. 87. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 87
  88. 88. Jacques Bertin© Fraunhofer 88
  89. 89. Edward R. Tufte© Fraunhofer 89
  90. 90. Stephen Few© Fraunhofer 90
  91. 91. Stephen Few© Fraunhofer 91
  92. 92. Robert L. Harris© Fraunhofer 92
  93. 93. David McCandless© Fraunhofer 93
  94. 94. 2000McCandless : l‘esthétique avant l‘information© Fraunhofer 94
  95. 95. Sources – Sites Web et courshttp://www.perceptualedge.com/ (lettre d‘information)http://www.edwardtufte.com (forum)http://infosthetics.com/http://junkcharts.typepad.com/http://www.excelcharts.com/blog/http://www excelcharts com/blog/http://www.informationisbeautiful.net/Cours d‘introduction aux systèmes graphiques interactifs etcours de visualisation, Prof. T. Ertl, Université de Stuttgart© Fraunhofer 95
  96. 96. AU SOMMAIRE… Présentation du Fraunhofer IAO Visualisation de l‘information : historique et définitions Quelques grands principes Créer des représentations graphiques simples  Quelques règles  Bons et mauvais exemples Sources Résumé et conclusion© Fraunhofer 96
  97. 97. À retenir Montrer les (bonnes) données, faire passer le message Séparer décoration et information 3D jamais utile, souvent nuisible Privilégier les lignes droites aux courbes, les longeurs aux surfaces Alléger ce qui peut l‘être éviter la redondance les grilles qui l‘être, redondance, emprisonnent les données Attention aux couleurs© Fraunhofer 97
  98. 98. Maximilien KintzChercheur et consultant Fraunhofer IAO consultant,Web and Business IntelligenceFouille, analyse et présentation de données sur Internet maximilien.kintz@iao.fraunhofer.de Nobelstr. 12, 70569 Stuttgart (Allemagne) Twitter @webintelligenz http://www.innovation-mining.net/ +49 711 970-2182© Fraunhofer

×