Permettez-moi de brosser un tableau : vous obtenez un nouvel ensemble de données et devez l'explorer, donc vous ne changez pas un seul chiffre, mais vous créez trois visualisations différentes. Si vous montriez ces visualisations à trois personnes différentes, elles repartiraient probablement avec trois impressions légèrement différentes de ce que signifient les données. C'est l'une des choses que je trouve les plus fascinantes dans la visualisation de données. Nous parlons souvent de la visualisation comme si elle était simplement la dernière étape d'un pipeline d'analyse de données, mais ce n'est pas du tout exact ! La visualisation n'est pas seulement une image des données ; c'est une couche d'interprétation entre les données et la personne qui les regarde. Cela signifie que lorsque nous choisissons un graphique, un axe, une échelle, un regroupement, ou même ce que nous omettons, nous prenons des décisions sur l'histoire que le lecteur verra.

Quiconque travaille avec des données sait que la partie difficile est rarement de mettre un graphique à l'écran. La partie difficile est de décider quel graphique montrer. Devons-nous nous concentrer sur la tendance ? La différence entre les groupes ? La variabilité ? Les valeurs aberrantes ? Deux visualisations peuvent être complètement précises et pourtant mener le spectateur à des conclusions très différentes. Une question importante ici est : quel graphique dois-je utiliser ? Mais une meilleure question est : quel aspect des données est-ce que je demande au lecteur de remarquer ?

Supposons que je veuille représenter la relation entre la durée d'entraînement d'une personne et sa force. En utilisant un simple graphique linéaire, vous pouvez voir que plus le temps d'entraînement augmente, plus la force augmente. Mais la ligne rend la relation continue et presque linéaire. Au lieu de cela, une représentation en escalier souligne que la force tend à augmenter par étapes. Utiliser une échelle logarithmique pour la force peut souligner les grandes améliorations au début, connues sous le nom de "gains de débutant". Aucune échelle n'est intrinsèquement plus véridique.

Nous pouvons aller encore plus loin : un diagramme en boîte pourrait souligner la variabilité entre les séances d'entraînement, un diagramme à barres pourrait comparer différentes périodes d'entraînement, et un nuage de points pourrait montrer des observations individuelles. Les chiffres n'ont pas changé ; notre interprétation a changé, et le message que nous délivrons aussi.