Visualisation de données: Pratiques, formes, éthique

Peut-on s’interroger sur l’éthique, les formes et les pratiques dans la visualisation des données?

Catherine D’Ignazio (professeure assistante, Emerson College) défend une pratique féministe de la visualisation de données, et s’interroge sur ce que l’on montre et ce que l’on ne montre pas ou ce que l’on oublie de montrer.

Dans le cadre du cours de « Cultures numériques » en L3 Information et Communication d’entreprise à l’IAE de Poitiers, un groupe d’étudiantes avait pour sujet de recherche d’informations: la data visualization ou la visualisation de données. Leur travail me permet d’introduire l’article qui vient d’être publié dans la revue Les Cahiers du Numérique, 2016. Cet article est intitulé le Territoire comme un graphe. Pratiques, forme, éthique et s’approche de la réflexion de Catherine d’Ignazio.

Dans un premier temps, voici  le travail de Mathilde Baudrillart, Noémie Doré et Laurie Royer, étudiante en L3 ICE à l’IAE de Poitiers, qu’elles m’ont aimablement autorisée à reproduire ici.

« Faire parler les données visuellement », n’est autre qu’un des défis de la data visualization, utilisée par de multiples acteurs pour rendre les données plus lisibles et compréhensibles. Cette représentation des données et son rôle dans le traitement de l’information recouvrent de nombreux enjeux et répond, entre autre, à une demande sociétale. Notre question est donc la suivante : la data visualization ou visualisation des données peut-elle donner lieu à la création de nouvelles connaissances ?

Tout d’abord, rappelons que la représentation des données est un concept ancien dans le traitement de l’information qui a d’abord été utilisé comme reproduction de la réalité. Elle semble avoir trouvé ses racines dans la cartographie et l’astronomie et fait ses premiers pas dans les tableaux référençant la position des étoiles et autres corps célestes, ainsi qu’à travers la fabrication des cartes, pour aider à la navigation et à l’exploration[1].

Dans les années 1965-1973, Jacques Bertin, auteur de l’ouvrage La Sémiologie graphique[2], apporte une étude plus approfondie des fondamentaux de la cartographie en soulignant les règles et pratiques de ce domaine, visant non seulement à reproduire une réalité mais surtout à regrouper des données pour communiquer des informations. Des innovations techniques comme la lithographie et l’impression couleur permettent également de développer de nouveaux supports et contribuent à faire évolué ce domaine[3]. De nouvelles variables visuelles, comme la couleur et la forme ont également offert davantage de possibilités à la visualisation des données, notamment par le regroupement des données visant à mieux comprendre l’information. Par la suite, l’apparition de l’ordinateur et l’arrivée de l’Internet ont été des événements significatifs pour l’évolution des pratiques[4].

 En effet, l’explosion des données marquée par l’avènement de l’expression « Big Data » à la fin du XXème siècle, a fait de la data visualization un outil fondamental dans le traitement et l’analyse des grandes masses de données. L’émergence et l’installation du Web comme média dominant ont apporté de nouveaux moyens de visualiser les données à travers l’utilisation des images, des animations et de la vidéo. Grâce à l’informatique, Jacques Bertin[5] avait montré l’importance de l’utilisation d’une nouvelle variable, le mouvement. Cette variable rend la présentation des données plus interactive et permet de repérer aisément les tendances et d’effectuer des comparaisons en un coup d’œil[6]. Mais surtout, Nathan Yau met l’accent sur la simplification de la collecte, du stockage et de l’accès aux données grâce à l’essor du numérique. Cet auteur présente dans son ouvrage les meilleurs moyens de collecter, d’explorer, d’analyser et de représenter de façon créative un large ensemble de données.

Ainsi, la visualisation des données est devenue une discipline à part entière, nécessaire à la mise en scène visuelle de la multitude de données auxquelles nous avons accès et à la communication des informations les plus pertinentes.

            Ensuite, la visualisation des données semble principalement répondre à une volonté dans le milieu professionnel d’accéder rapidement à l’information. Cette visualisation va permettre, entre autre, d’expliquer et de mettre en valeur les informations clés qui seront exploitées à partir de documents Excel par exemple[7]. Elle va alors jouer un rôle déterminant dans la prise de décision, un « bon croquis valant mieux qu’un long discours ». Il est vrai que les éléments importants peuvent être exploités et révélés avec des analyses plus poussées en proposant des liens entre divers domaines[8]. Comprendre l’information décisive en un coup d’œil permettrait donc de prendre des décisions plus pertinentes. Cependant, certains auteurs évoquent des limites : puisque les données rendues visuelles vont influencer les managers, il est possible de les influencer par la manipulation des données. C’est alors que la data visualization peut être utilisée comme un instrument permettant d’influer les perceptions, notamment lors de campagnes de persuasion qu’elles soient politiques ou commerciales. Par exemple, il est possible de se focaliser sur une donnée au détriment d’une autre afin d’occulter la réalité[9]. En complément d’un besoin d’information rapide, cette dernière doit également être hiérarchisée pour pouvoir veiller à la compréhension des individus devenus producteurs et lecteurs actifs de données. Lors de nos recherches d’informations, nous souhaitons avoir une donnée synthétique et compréhensible. La data visualization va donc répondre à cette demande et proposer un rendu visuel qui hiérarchise[10] les données[11]. Mais il ne s’agit pas de rester sur un modèle d’ajustement linéaire mais de disposer d’un recul sur les données, d’apporter des éclairages sous différents angles et de se doter d’une clairvoyance pour noter de la pertinence du sens que l’on donne aux données. Cette pertinence dépend de la hiérarchisation des données qui va permettre une bonne compréhension de l’information générale[12]. La data visualization répond également à une demande : disposer de présentations originales et esthétiques pour mettre en scène des données. Cette mise en scène nécessite d’autres méthodes. La data-storytelling va mobiliser une transformation narrative[13] et permettre une meilleure mémorisation des documents étudiés. La donnée sort du format texte[14]. La datavisualisation semble également s’effacer au profit du data-design. Ce concept intègre la beauté (l’esthétisme) et la nouveauté (la rhétorique). Plus précisément, l’esthétique ne va pas se limiter à la forme visuelle mais va inclure des aspects plus flous tels que l’originalité, l’innovation, la nouveauté et les représentations visuelles des individus[15].

Ainsi, les individus veulent avoir accès à des informations pertinentes très rapidement, surtout dans le milieu professionnel. Nous avons également détecté que la data visualization permet de répondre à un besoin de hiérarchisation de l’information dans la masse de données que nous recevons chaque jour. Enfin, la popularité de la data visualization coïncide avec une volonté d’originalité et d’esthétisme dans la présentation des données.

     Enfin, face à cette volonté d’accéder rapide à l’information pertinente, la datavisualisation peut-elle être à l’origine de la création de nouvelles connaissances ?

Nous avons montré que le terme « Big Data » est souvent associé à la data visualization. Le « Big Data » est caractérisé par les quatre V : volume, vélocité, variété et véracité.  Le volume représente la quantité de données qui est colossale[16]. La vélocité, représente le fait que les données soient collectées de plus en plus rapidement grâce aux flux. La variété des données est expliquée par le fait qu’elles peuvent avoir des provenances, des formats et des domaines différents. La véracité des données soulève un problème majeur du « Big data » ; puisqu’on ne maîtrise pas totalement cette caractéristique. Le « Big Data » rend illisible les données puisqu’elles sont disponibles en quantité trop importante et sont diverses. Toutes ces caractéristiques du « Big Data » ont participé au développement d’une solution pour pouvoir traiter l’information de manière correcte. Cette solution est la data visualization, qui traite les données de manière visuelle. Elle permet de gérer un volume important de données de provenances différentes pour les rendre compréhensibles. La data visualization donnerait accès aux données à un large public et permettrait de prendre des décisions[17]. Le traitement de ces données représente donc un enjeu important. Ce processus de data visualization paraît simple : il rend compréhensible des données qui ne l’étaient pas préalablement. Cependant, ce processus est complexe et comprend plusieurs étapes, de l’extraction des données jusqu’à la présentation des résultats. La donnée ne pourra être une information qu’après avoir été catégorisée pour être visualisée sous forme de graphe, par exemple[18]. Ce processus d’extraction et de traitement des données, est très important économiquement, il apporte de nombreuses informations. Cependant des dérives existent et les données personnelles peuvent être utilisées de façons controversées par les grands opérateurs notamment, dans le but de réaliser du profit[19]. En effet, le traitement algorithmique des données pose un vrai problème d’autodétermination puisque les propositions faites au consommateur sont réalisées en fonction de ces données. Des solutions sont envisagées pour protéger au mieux les données personnelles les plus sensibles pour un usage non-abusif. Par exemple, la sanction des opérateurs qui portent atteinte au marché grâce à leur pouvoir d’information. Des solutions juridiques sont envisagées pour pouvoir utiliser la data visualization sans risques pour les données personnelles. La loi relative à l’informatique, aux fichiers et aux libertés de 1978 pose des règles quant à la création de nouvelles informations à partir de des données déjà existantes. La réglementation est telle qu’il faut obtenir l’autorisation d’une personne dont l’information a été recueillie, décliner son identité et l’informer de la finalité de la démarche[20].

            Pour conclure, nous avons montré que le processus de visualisation des données a évolué dans le temps en se perfectionnant au fil du temps. Bien que l’extraction et l’utilisation de ces données puissent parfois être contraires à l’éthique en ce qui concerne les données personnelles, des moyens réglementaires et juridiques sont mis en place pour éviter les dérives et optimiser l’usage de la data visualization.

Ces trois étudiantes, Mathilde Baudrillart, Noémie Doré et Laurie Royer, se sont intéressée aux applications pour les entreprises.

Dans un deuxième temps, voici le lien vers mon article Le territoire comme un graphe traite des enjeux en Sciences de l’Information et de la Communication.

Voici le résumé :

Le graphe peut être mobilisé par les chercheurs comme une forme de visualisation de données en lien avec un territoire. Cet article veut interroger les pratiques qui aboutissent à cette forme de visualisation, les biais inhérents à l’utilisation de logiciels et porter un regard critique sur les manières de faire. Dans le graphe, les connexions entre les nœuds, les « lignes » deviennent source de sens et leur forte densité, des clusters. En reprenant l’analyse de réseaux et les théories des réseaux sociaux, mais également l’interprétation par cette ligne, cet article propose de mettre en perspective ces mises en forme et les modèles de pensée qu’elles mobilisent.

Et le plan :

  1. Introduction
  2. La visualisation de la topologie du web territorial

2.1. Quelques récits d’explorations du web

2.2. L’extraction et la visualisation sous forme de graphes statiques

2.3. Ce graphe est-il un « système de représentation » ?

  1. La ligne est-elle performative ?

3.1. La ligne comme lien, la ligne comme contour

3.2. Visualiser un territoire à l’aide de graphes ?

3.3. La performativité du graphe

  1. Quelle éthique pour le chercheur ?

4.1. La donnée : entre démesure et indéfinition

4.2. L’obligation de la donnée et le croisement des données

  1. Conclusion

Pour une histoire de la visualisation de données, je vous conseille vivement cette représentation de Fabrice Sabatier (Corlab).

 

[1] FRIENDLY, Michael & DENIS, Daniel. J. Milestones in the History of thematic cartography, statistical graphics and Data Visualisation [en ligne] 2001. [Page consultée le 14 novembre 2016] <http://www.datavis.ca/milestones/>

[2] DANTIER, Bernard. Texte de méthodologie en sciences sociales, La représentation et l’étude visuelles des informations, extrait de Bertin Jacques : Sémiologie graphique, Les diagrammes – Les réseaux – Les cartes, Paris, Editions de l’EHESS, 4e éditions, 2005 (1ère édition : Paris, Editions Gauthier-Villar, 1967), pp. VII-XI et 5-14.

[3]  FRIENDLY, Michael & DENIS, Daniel. J. Milestones in the History of thematic cartography, statistical graphics and Data Visualisation [en ligne] 2001. [Page consultée le 14 novembre 2016] <http://www.datavis.ca/milestones/>

[4] McCANDLESS David, DATAVISION Mille et une informations essentielles et dérisoires à comprendre en un clin d’oeil, Paris: Robert Laffont, 6 octobre 2011, 224 pages.

[5] SAULNIER Agnès, THIEVRE Jérôme, VIAUD Marie-Luce, La perception du mouvement dans la visualisation : le cas des graphes Revue D’Interaction Homme-Machine. Volume 7, n°2, 2006. Consulté le 20 novembre 2016 <http://europia.org/RIHM/V7N2/4-RIHM-Saulnier%20et%20al%20LAST%20PDF.pdf>

[6] YAU, Nathan. Data visualisation, de l’extraction des données à leur représentation graphique. 1ère édition traduite. Paris : Editions Eyrolles, 2013. 355 pages. ISBN : 978-2-212-13599-2

[7] DAUBERT-PANASYUK Julien, Société 10h11 Le livre blanc, Bordeaux mars 2015. Consulté le 15 novembre 2016. <http://www.10h11.com/assets/pdf/livre-blanc-datavisualisation-10h11.pdf >

[8] MIGLIETTI Charles, « La data visualisation: outil incontournable des décideurs », in L’usine Digitale, 28 octobre 2014. [Page consultée le 21 novembre 2016]   <http://www.usine-digitale.fr>

[9] AMATO, Etienne Armand. Enjeux et opportunités de la datavisualisation : interagir avec les données. I2D ; Information, données & documents, 2015, volume 52, p. 34-35. [Consulté le 11 novembre 2016]. Disponible sur <http://www.cairn.info.ressources.univ-poitiers.fr/revue-i2d-information-donnees-et-documents-2015-2-page-34.htm>

[10] Note de ma part, ce passage fait clairement référence aux travaux de Jack Goody dans son ouvrage La Raison Graphique.

[11]DAUBERT-PANASYUK Julien, Société 10h11 Le livre blanc, Bordeaux mars 2015. Consulté le 15 novembre 2016. <http://www.10h11.com/assets/pdf/livre-blanc-datavisualisation-10h11.pdf >

[12] SAS France, EGB-Elenbi. Data visualization [en ligne]. Elenbi et SAS, 2013. [Page consultée le  21 novembre 2016.] <http://www.ebg.net/etudes/etude.php?titre_lien=Data_Visualization>

[13] LLOVERIA Vivien, Data design-moi un mouton : De la data visualisation au data storytelling , in Michael Paukner. Communication et Organisation, 2014, 46, p. 99-112.

[14] DAUBERT-PANASYUK Julien, Société 10h11 Le livre blanc, Bordeaux mars 2015. Consulté le 15 novembre 2016. <http://www.10h11.com/assets/pdf/livre-blanc-datavisualisation-10h11.pdf >

[15] LLOVERIA Vivien, Data design-moi un mouton. : De la data visualisation au data storytelling, in Michael Paukner. Communication et Organisation, 2014, 46, p. 99-112.

[16] DESCHAMPS Thomas, BOUFFARON Pierrick, BOUQUET Basile, L’avènement du big data: une évolution ? 18 novembre 2012. Consulté le 10 novembre 2016 <https://www.france-science.org/L-avenement-du-Big-Data-une-r.html>

[17] NGRAIN. 3 reasons why “visualization” is the biggest “V” for big data [en ligne]. Ngrain, 2013 [Page consultée le 3 décembre 2016] <http://www.ngrain.com/3-reasons-why-visualization-is-the-biggest-v-for-big-data/>

[18] LE BECHEC Mariannig, Le territoire comme un graphe. Pratiques, formes, éthique. Les cahiers du numérique, vol. 17, 2016. <http://www.cairn.info/resume.php?ID_ARTICLE=LCN_124_0131>

[19] ZOLYNSKI Célia. « Big data : pour une éthique des données », I2D – Information, données & documents 2015/2 (Volume 52), p. 25-26. Consulté le 15 novembre 2016; < http://www.cairn.info/revue-i2d-information-donnees-et-documents-2015-2-page-25.htm>

[20]         GALY, Suzanne. Data visualisation : quelles données pouvez-vous utiliser sans risque ? [en ligne]. Bordeaux : AEC, 2013. [Page consultée le 18 novembre 2016]. <http://www.aecom.org/Vous-informer/Actualites/Data-visualisation-quelles-donnees-pouvez-vous-utiliser-sans-risque2>


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *