6 Exemples de Mauvaises Visualisations de Données

Qu'est-ce qu'une Mauvaise Visualisation de Données ?

Une mauvaise visualisation de données est celle qui induit en erreur ou confond son public, que ce soit par des proportions déformées, un design encombré ou le mauvais type de graphique, rendant les données plus difficiles à comprendre que les chiffres bruts ne le seraient.

Les visualisations de données sont l'un des moyens les plus convaincants et efficaces de comprendre le monde qui nous entoure. Cela s'explique par le fait que les visualisations de données racontent des histoires, présentant de manière créative un ensemble de données à un public pour les informer sur un problème ou un phénomène donné. Bien que les visualisations soient devenues de plus en plus complexes, informatives et sophistiquées, elles vont parfois un peu trop loin… fournissant trop d'informations ou devenant trop créatives pour leur propre bien.

Qu'est-ce qui rend une Visualisation de Données Mauvaise ?

Lorsque les visualisations deviennent compliquées plutôt qu'utiles pour leur public cible, et compliquées plutôt qu'aisées à comprendre, le but même de la visualisation est contourné.

Il existe plusieurs façons dont cela peut se produire :

• Mauvaises choix de couleurs
• Taille disproportionnée des composants visuels
• Présence de données superflues ou redondantes
• Arrangement des données d'une manière qui n'a tout simplement aucun sens.

En résumé : Les visualisations de données deviennent mauvaises lorsque leurs données apparaissent désordonnées ou peu claires.

Dans cet article, nous examinerons des exemples de mauvaises visualisations de données. Nous analyserons où le graphique a échoué—mais nous expliquerons également comment l'améliorer, afin qu'il puisse mieux présenter l'histoire qu'il essaie de raconter.

Construisez le vôtre

1. Direction des Données Peu Claire

Des données non organisées créent une incohérence narrative.

Le Problème 🤔

Dans ce graphique, nous voyons les âges moyens auxquels les jeunes Européens quittent le domicile : les pays nordiques étant les plus jeunes, l'Europe de l'Ouest et Centrale dans la vingtaine, et l'Europe de l'Est et les pays méditerranéens dans la fin de la vingtaine (ou même plus tard !). Les bulles représentent des pays, chacune incluant l'âge moyen national de "quitter le nid". La coloration des bulles dépend de cet âge moyen.

Dans l'ensemble, ce n'est pas un mauvais concept. Mais voici le problème : les bulles ne sont pas disposées de manière significative. Les pays rouges semblent se regrouper quelque peu en bas, et les pays bleus en haut—mais c'est tout. Cela pourrait être une mauvaise interprétation d'une carte de l'Europe, mais nous ne pouvons pas en être sûrs.

Bizarrement, la bulle indiquant l'âge moyen de l'UE pour quitter le domicile est à peine identifiable, située sur le bord gauche du graphique et indistinguable en taille et format de n'importe quelle bulle de pays. En résumé, la clé manquante ici est l'organisation.

La Solution 💡

Un moyen plus efficace d'organiser ces données serait de les construire en couches codées par couleur, avec la majorité des pays jaunes se trouvant au milieu, et diminuant vers les catégories bleues et rouges au-dessus et en dessous.

La bulle de l'UE pourrait être placée sur le côté ou au centre de la couche jaune. Quelle que soit sa position, elle devrait avoir une caractéristique distinctive—comme une taille plus grande ou un texte en gras—pour indiquer son importance.

Ces corrections permettraient aux lecteurs non seulement de savoir les différences entre les âges de "quitter le nid" par pays, mais aussi de comprendre comment ces points de données s'articulent, leur permettant de tirer des corrélations et des conclusions sur ce phénomène social.

Comment Plecto aide à résoudre la direction des données peu claire

Avec des visualisations prédéfinies comme des graphiques à barres, des graphiques linéaires, des compteurs de vitesse, et plus encore, Plecto guide les utilisateurs vers des formats communs qui ont des axes clairs, une hiérarchie, et une organisation intégrées dans leur design.

2. Trop de Variables

Surcharger les composants visuels rend les données difficiles à lire.

Le Problème 🤔

Ce graphique est juste un cas classique de TMI (trop d'informations) ! Les données ici sont mesurées non pas sur un typique deux, mais trois axes : nombre, mois, et type de fruit. Bien que nous puissions apprécier la multidimensionnalité de ce graphique et son effort pour communiquer autant de données que possible, c'est tout simplement trop à comprendre d'un coup d'œil.

Et cela entraîne de sérieux problèmes lorsqu'il s'agit d'interpréter ce graphique. Il est difficile de déterminer le nombre de citrons sur tous les mois, par exemple, et impossible de voir le nombre de bananes en février et mars.

Le lecteur ne peut également pas déterminer avec précision le nombre de fruits pour aucune des barres dans la partie centrale du graphique. S'ils ne sont pas placés directement contre la grille des nombres, la quantité de fruits est pratiquement impossible à déterminer.

La Solution 💡

La solution au problème de ce graphique est d'éliminer un des axes et de faire en sorte que le nouveau graphique mesure seulement deux composants au lieu de trois. Bien que cela entraîne plus de graphiques pour transmettre la même quantité d'informations, ils seront beaucoup plus faciles à lire.

Par exemple, on pourrait suivre le nombre d'oranges vendues au cours des quatre mois, et faire des graphiques correspondants pour les pommes, les citrons, et les bananes. Alternativement, on pourrait suivre les quatre types de fruits vendus en janvier, et faire des graphiques correspondants pour les trois mois restants.

Comment Plecto vous aide à éviter d'utiliser trop de variables

Permettant aux utilisateurs de facilement filtrer, empiler, ou séparer des variables en plusieurs graphiques lisibles, Plecto permet aux responsables des ventes et du support d'analyser des indicateurs clés par employé, équipe, temps, ou d'autres variables sur différents widgets sur le même tableau de bord. Cette polyvalence empêche l'impulsion de bourrer trop de données dans une seule visualisation confuse, tout en offrant des insights puissants sur la performance.

Construisez le vôtre

3. Pourcentages de Graphiques à Secteurs Contre-Intuitifs

Un désalignement entre une fraction et sa visualisation complique une expérience intuitive.

Le Problème 🤔

Le concept de ce graphique à secteurs sur mesure est créatif et décidément unique. Mais bon, nous devons le dire—les mathématiques ne correspondent pas ! Bien que chaque côté d'un hexagone soit égal à un sixième, ou 16,67 pour cent de la surface totale de l'hexagone, ce qui est vu ici renverse complètement cette réalité de base.

D'une manière ou d'une autre, la section fructose (38,5 pour cent) occupe beaucoup plus d'espace que la section glucose (31,0 pour cent), qui à son tour est seulement légèrement plus grande que la section eau (17,1 pour cent). Et la tranche de 0,5 pour cent de minéraux, vitamines, et enzymes est bien trop grande pour son pourcentage déclaré.

La Solution 💡

Il est acceptable de donner une touche créative à un graphique à secteurs "ennuyeux" typique—mais cela ne devrait pas se faire au détriment de l'exactitude statistique, ou tout simplement du bon sens. Heureusement, la solution à ce graphique en nid d'abeille raté est simple : restructurer les sections du graphique afin qu'elles soient en proportion de leurs valeurs déclarées.

Comment Plecto aide à éviter des segments de graphiques à secteurs disproportionnés

Plecto garantit l'exactitude statistique, avec des graphiques en anneau qui sont automatiquement calculés pour rendre la taille des segments parfaitement proportionnelle à sa valeur déclarée, garantissant une représentation visuelle qui est toujours fidèle aux données. De plus, avons-nous mentionné qu'ils ont fière allure ?

4. Taille de Pictogrammes Disproportionnée

Des tailles d'images exagérées amplifient—et induisent en erreur sur—l'échelle réelle de la différence.

Le Problème 🤔

C'est un autre cas de proportions incorrectes, mais d'un type différent. Dans ce cas, deux graphiques à barres indiquent le nombre de diplômés dans les cohortes A et B : un diplômé dans A, et trois dans B. Mais au lieu d'utiliser des barres, les graphiques utilisent des pictogrammes. Le graphique de gauche utilise des unités discrètes pour compter le nombre de diplômés ; pendant ce temps, le graphique de droite utilise un seul pictogramme large pour indiquer la même quantité.

Cependant, c'est ici que le problème pour le graphique de droite se pose. Plutôt que d'indiquer simplement la quantité, l'utilisation d'un pictogramme évolutif introduit un autre élément de dimensionnalité—non seulement de nombre, mais de taille.

Cela crée une situation où, afin de garder le pictogramme proportionné tout en atteignant la marque des "3", il est mis à l'échelle à une taille qui amène le public à croire que la différence entre A et B est beaucoup plus grande qu'elle ne l'est réellement. En effet, le diplômé B ne semble pas seulement trois fois plus grand que le diplômé A, mais plutôt six ou sept fois plus grand !

La Solution 💡

La solution à ce graphique de mauvaise qualité (à droite) se trouve dans le graphique beaucoup meilleur à gauche. Ici, trois pictogrammes de taille égale sont empilés les uns sur les autres, indiquant proportionnellement (et correctement) la différence entre 1 et 3.

Lorsqu'on pense à la façon d'afficher des données, il faut se rappeler ce qui est exactement représenté : différence en proportion (la relation entre les parties d'un tout), ou différence en quantité numérique (comparer des valeurs ou des quantités à travers des catégories ou le temps).

Si vous souhaitez voir une représentation proportionnelle, utilisez des visualisations telles que graphiques à secteurs (en anneau), graphiques à barres empilées, ou cartes arborescentes. Mais si vous cherchez simplement à comparer les tailles des ensembles de données, utilisez des unités discrètes—ou une simple barre—pour les représenter de manière réaliste.

Comment Plecto vous aide à éviter une visualisation d'unités disproportionnée

Oubliez les problèmes d'échelle lorsque vous pouvez automatiser la visualisation. Plecto utilise des tailles fixes pour la comparaison d'unités, empêchant les erreurs d'échelle. Pour les comparaisons de quantité, des graphiques à barres et à colonnes standard sont utilisés par défaut pour montrer avec précision les différences d'unités discrètes. Non seulement cela fait gagner du temps, mais cela a l'air professionnel et montre la performance exactement telle qu'elle est.

5. Vue Distordue du Graphique à Secteurs

Distordre l'apparence des visualisations de données crée des illusions d'optique trompeuses.

Le Problème 🤔

En tant qu'exemple de représentation proportionnelle plutôt que numérique, les deux graphiques à secteurs (en anneau) ci-dessous affichent des parts proportionnelles de "cause de décès". En regardant le graphique à droite, on est amené à croire que la section B est la plus grande section—ou au moins de taille égale à la section A. Mais en regardant le graphique à gauche, nous voyons que ce n'est pas le cas, et que la section A est clairement la plus grande. Que se passe-t-il ?

La vue en 3D du graphique à secteurs à droite distord le graphique, la section B étant inclinée vers le spectateur et rendant ainsi cette section beaucoup plus grande qu'elle ne l'est réellement. En résumé, c'est un tour de passe-passe—un qui, bien que ne présentant pas d'informations fausses, crée une perception trompeuse de la réalité.

La Solution 💡

La solution ici est vraiment simple : évitez d'utiliser des graphiques à secteurs 3D, qui déforment invariablement les données que vous présentez, et utilisez plutôt des graphiques 2D. Cela est plus honnête, et garantit également que vous obtenez les données les plus fiables et précises possibles. Cela est particulièrement important car tant de ce qui compte comme "bonne" visualisation de données repose sur les impressions de première vue pour établir non seulement la lisibilité, mais aussi la véracité.

Comment Plecto vous aide à éviter de distordre les données

Plecto utilise exclusivement des visualisations 2D pour des graphiques de base comme les graphiques en anneau, linéaires, et à barres, éliminant le potentiel de distorsion causé par des perspectives 3D, garantissant la véracité visuelle de vos données au premier coup d'œil.

6. Par Où Commencer… ?

Le fait de ne pas prêter attention à ce que vous mesurez, et comment, rend un graphique absurde.

Le Problème 🤔

Pour le grand final, une visualisation avec non pas un ou deux, mais plusieurs problèmes ! Ce graphique montre comment les membres de la cohorte générationnelle des "Baby Boomers" se décrivent, chaque descripteur étant indiqué par un pourcentage codé par couleur sur une figure humanoïde.

Ce graphique est finalement un graphique à secteurs "créatif", tout comme l'exemple précédent en nid d'abeille dans cette liste (Numéro 3). Cependant, tandis que le graphique en nid d'abeille ne représentait tout simplement pas correctement les proportions, ce graphique commet plusieurs péchés statistiques et de design :

• Les pourcentages indiqués n'additionnent pas à 100, mais plutôt à 243. Ici, où il n'y a pas de chevauchement entre les catégories, le spectateur est amené à croire que le designer graphique a commis une grave erreur statistique.
• Les espaces alloués à chaque catégorie ne correspondent pas du tout à leurs pourcentages donnés. Clairement, la catégorie "sociable" (78 pour cent) ne prend pas 78 pour cent de l'humanoïde !
• Il est également incertain pourquoi le designer a choisi d'utiliser une humanoïde et un schéma de couleurs apparemment aléatoire. Quelle information ces choix de design transmettent-ils au lecteur, ou quelle information essaient-ils de renforcer dans l'esprit du lecteur ? Nous ne savons tout simplement pas.

Dans l'ensemble, ce graphique donne une impression fortement trompeuse sur les informations qu'il essaie de transmettre. Lorsque le lecteur voit l'humanoïde, il associe mentalement cela à une totalité (comme 100 pour cent) de la même manière que le cercle d'un graphique à secteurs.

Mais lorsque le lecteur voit des pourcentages de catégories qui dépassent 100 et n'ont aucune base visuelle dans le graphique, il conclut que les chiffres sont placés au hasard et n'ont pas de véritable "histoire" derrière eux. En d'autres termes, le graphique devient dénué de sens.

Construisez le vôtre

La Solution 💡

La seule solution pour corriger ce graphique est de le rayer entièrement et de recommencer à zéro—cette fois, sous la forme d'un graphique à barres. Transférer les données de ce graphique dans un format de graphique à barres permettra au public cible de mieux comprendre la relation entre ces catégories de valeurs ("sociable", "créatif", etc.) sans donner au public une fausse idée que ces valeurs sont censées "s'adapter" numériquement ensemble.

Si des données numériques plutôt que juste des pourcentages peuvent être obtenues, une solution encore meilleure serait de créer un diagramme de Venn. Le chevauchement des bulles permettrait au spectateur de mieux comprendre les relations entre les valeurs des répondants : par exemple, combien de répondants ont déclaré qu'ils étaient à la fois "leaders" et "prêts à apprendre" ? Et pour donner au spectateur une idée rapide de combien de répondants tombent dans chaque catégorie de valeur, les bulles peuvent être dimensionnées en conséquence.

Comment Plecto aide à simplifier la visualisation des données

La gamme de plus de 10 types de widgets de visualisation de données de Plecto offre aux utilisateurs une variété de formats pour représenter des informations clés, même lorsqu'il y a des variables qui se chevauchent ou des individus tombant dans deux catégories—comme un Baby Boomer se considérant à la fois technologique et sociable.

Choisissez parmi des compteurs de vitesse, des tableaux, des graphiques en anneau, des graphiques de surface, ou des graphiques à colonnes (barres) pour visualiser les KPI de performance d'une manière qui a le plus de sens pour vous. En fait, le principe clé de Plecto est d'utiliser les données de manière simple mais motivante pour stimuler la performance de l'équipe !

À Quoi Ressemble un Mauvais Tableau de Bord ?

Les six exemples ci-dessus sont tous des graphiques uniques. Un tableau de bord augmente les enjeux, car il met de nombreux graphiques sur un seul écran à la fois, de sorte que de petites erreurs se cumulent dans un affichage que personne ne peut lire d'un coup d'œil. Voici les erreurs de conception de tableau de bord les plus courantes, et comment les corriger :

1. Trop de KPI. Vingt indicateurs sur un seul écran signifient qu'aucun d'eux ne se distingue. Choisissez les cinq à sept qui entraînent une action, et donnez à tout le reste son propre tableau de bord.
2. Pas de hiérarchie visuelle. Lorsque chaque widget a la même taille, l'œil n'a nulle part où se poser. Dimensionnez et placez les widgets par importance, avec le nombre principal le plus grand.
3. Indicateurs de vanité. Des chiffres qui semblent impressionnants mais qui ne changent aucune décision étouffent ceux qui le font. Suivez des KPI personnalisés liés à un objectif à la place.
4. Le mauvais graphique pour l'indicateur. Un graphique à secteurs pour des données chronologiques, ou un graphique linéaire pour des catégories, oblige le lecteur à travailler à rebours. Associez le type de graphique à la forme des données.
5. Données statiques et obsolètes. Un tableau de bord construit sur l'exportation de la semaine dernière est un rapport, pas un tableau de bord. Connectez des données en direct afin que les chiffres évoluent en temps réel.

Vous voulez voir l'autre côté ? Explorez les tableaux de bord en temps réel de Plecto, ou lisez notre récapitulatif des meilleures visualisations de données pour des exemples bien réalisés.

Vous Voulez Éviter Ces Mauvaises Erreurs de Visualisation ? Essayez Plecto !

En conclusion, voici les six problèmes que nous avons décrits—et leurs solutions :

1. Des données désorganisées ne racontent pas une histoire significative : Organisez les bulles de données dans un format hiérarchique.
2. Surcharger les composants visuels rend les données difficiles à lire : Réduisez le nombre d'axes et de variables.
3. Les fractions ne ressemblent pas intuitivement à ce qu'elles lisent : Assurez-vous qu'un quart (un quart) apparaît comme un quart dans votre visualisation.
4. Les unités de mesure des données sont mal dimensionnées : Ne prenez pas trop de libertés artistiques avec les unités de mesure.
5. Manipuler visuellement les données crée des impressions trompeuses : Évitez les illusions d'optique et gardez vos données honnêtes.
6. Essayer de dire tout, mais ne rien dire du tout : Sachez ce que vous mesurez, et comment vous allez le faire.

Parce que les visualisations de données sont omniprésentes, il n'est pas surprenant qu'il y ait à la fois de bons et de mauvais exemples en abondance. C'est pourquoi il est important de connaître les signes d'avertissement d'une mauvaise visualisation de données, afin que vous puissiez vous assurer que les données avec lesquelles vous interagissez sont présentées de manière fiable, valide et digne de confiance.

Avec Plecto, vous pouvez éviter les pièges d'une mauvaise visualisation de données et vous fier à des méthodes de visualisation éprouvées, garantissant que votre organisation peut accéder à ses données de manière transparente et précise. Cette clarté vous donnera l'insight dont vous avez besoin pour prendre des décisions basées sur les données et atteindre vos objectifs KPI.

Ne perdez pas votre temps avec des visualisations de données de qualité inférieure ! Inscrivez-vous ci-dessous pour une démo gratuite de Plecto aujourd'hui.