Visualisation des données - Meilleures pratiques¶

Introduction¶

La visualisation des données est un outil puissant pour comprendre et communiquer les données. Les choix effectués en matière de visualisation sont cruciaux et doivent être guidés par le type de données et le message à transmettre. Une bonne visualisation peut révéler des schémas, des tendances et des informations qui pourraient échapper aux données brutes. Heureusement, la visualisation des données suit des règles et des principes de conception établis qui s'alignent sur le type de variables utilisées, ce qui garantit qu'il ne s'agit pas d'une question d'opinion personnelle, mais plutôt d'une approche structurée et efficace.

Les variables¶

Toute caractéristique mesurable est une variable Les variables peuvent être classées en deux catégories :

1. Les catégoriques (qualitatif)
2. Les numériques (Quantitatif)

Il est essentiel de comprendre ces catégories pour choisir le bon type de graphique et le concevoir efficacement.

Les variables catégorielles¶

• Nominal - Catégories non ordonnées (par exemple, la situation matrimoniale). Ces catégories n'ont pas d'ordre significatif.
• Par exemple, les statuts matrimoniaux tels que célibataire, marié, divorcé et veuf ou veuve sont des catégories distinctes sans ordre hiérarchique.
• Ordinales - Catégories dont l'ordre est logique (par exemple, l'état de la maladie). Ces catégories ont une séquence logique.
• Par exemple, la gravité d'une maladie peut être classée en trois catégories : légère, modérée et sévère, ce qui présente un ordre inhérent.

Remarque

Les variables binaires sont un sous-type de variables dichotomiques, auxquelles on attribue soit un 0, soit un 1 (par exemple, Homme (0) et Femme (1)). Elles représentent deux catégories, généralement pour des conditions simples de type oui/non, vrai/faux. Les variables dichotomiques peuvent être discrètes ou continues, comme les variables discrètes et continues ordinaires.

Variables numériques¶

• Discrète - Nombre dénombrable de variables (par exemple, nombre de frères et sœurs, mort/vivant = dichotomique discrète). Les variables discrètes prennent des valeurs spécifiques et ne peuvent pas être divisées de manière significative.
• Par exemple, on ne peut pas avoir la moitié d'un frère ou d'une sœur ou être à moitié vivant.
• Continue - Valeurs infinies dans un interval donné (par exemple, poids et taille, réussite/échec = dichotomique continue). Les variables continues peuvent prendre toute valeur comprise dans une plage.
• Par exemple, la hauteur peut être de 170,5 cm ou de 170,55 cm.

Choisir le bon graphique¶

Quelle est la meilleure façon de choisir la bonne visualisation pour les données à disposition ? [ Des données à la Visualisation] (https://www.data-to-viz.com/) propose une carte exhaustive des visualisations correspondant à la catégorie de données.

Un autre sélecteur de graphiques est représenté dans la [Méthode de présentation avancée] (https://extremepresentation.typepad.com/blog/2006/09/choosing_a_good.html).

Le résumé ci-dessous est basé sur les visualisations disponibles dans l'application principale Data Visualizer de DHIS2.

Les variables catégorielles¶

Une variable catégorielle unique¶

• Diagramme à barres : Il affiche la fréquence ou la proportion des catégories à l'aide de barres. Chaque barre représente une catégorie et sa hauteur indique la valeur.
• Le diagramme circulaire : Il représente les parties d'un ensemble sous forme de tranches d'un cercle. La taille de chaque tranche est proportionnelle à la fréquence de la catégorie.
• Le diagramme en toile d'araignée : Aussi connu sous le nom de graphique en radar, il montre plusieurs catégories sur des axes partant du même point. Il est utile pour afficher des mesures de performance dans différentes catégories.

Les variables catégorielles multiples¶

• Diagramme à barres groupées/empilées : Les diagrammes à barres groupées affichent les barres de chaque catégorie côte à côte, tandis que les diagrammes à barres empilées les superposent.
• Heatmap : Elle utilise la couleur pour représenter les valeurs dans un format matrix, où une dimension représente une catégorie et une autre dimension représente la deuxième catégorie.

Les variables numériques¶

Une variable numérique unique¶

• L'histogramme : Il montre la répartition d'une variable numérique en divisant les données en cases et en affichant la fréquence des observations dans chaque case.

Deux variables numériques¶

• Ordonné
• La courbe de surface : Elle est similaire aux courbes linéaires, mais la zone située sous la courbe est remplie. Elle est utile pour montrer les valeurs cumulées sur une période donnée.
• La courbe linéaire : Elle affiche les informations sous la forme d'une série de points de données reliés par des lignes droites. Elle est adaptée aux tendances sur une période donnée.
• Non ordonné
• L'histogramme : Il peut également être utilisé pour comparer les répartitions de deux variables différentes.
• Diagramme de dispersion : Le diagramme de dispersion représente deux variables sous forme de points sur un plan cartésien. Chaque point représente les valeurs d'une observation sur les deux variables.

Trois variables numériques¶

• Le graphique en aires empilées : Il affiche plusieurs séries de données sous forme de couches empilées les unes sur les autres. Chaque couche représente la valeur d'une série.
• Le graphique linéaire : Il peut être utilisé pour afficher plusieurs séries de données sur une période donnée.

Quatre variables numériques ou plus¶

• Ordonné:
• Le graphique en aires empilées : Il affiche plusieurs séries de données sous forme de couches empilées les unes sur les autres. Chaque couche représente la valeur d'une série.
• Graphique linéaire : Il permet d'afficher les tendances de plusieurs variables sur une période donnée.
• Non ordonné:
• Heatmap : Elle utilise des gradients de couleur pour représenter les valeurs des données dans une matrice, ce qui permet de repérer facilement les modèles et les valeurs atypiques.

Styles de visualisation spécifiques¶

Remarque

Les données sont plus parlantes que les mots !

En matière de visualisation de données, le choix du bon type de diagramme ou de graphique est crucial pour communiquer efficacement vos données. Chaque style de visualisation a ses points forts et convient mieux à des types de données et à des objectifs analytiques spécifiques. Ce chapitre explore une variété de styles de visualisation, en détaillant leurs applications et leurs meilleures pratiques. Que vous cherchiez à montrer des tendances dans le temps, à comparer des quantités, à mettre en évidence des corrélations ou à illustrer des parties d'un ensemble, le choix de la méthode de visualisation appropriée améliorera la clarté et la compréhension. En comprenant les nuances de chaque style, vous pouvez vous assurer que vos données racontent une histoire convaincante et précise.

La corrélation¶

Attention

Sauf indication contraire, la corrélation suppose une relation de causalité. Soyez prudent lorsque vous interprétez une corrélation comme une relation de causalité.

• Le diagramme de dispersion : Il montre la relation entre deux variables continues, chacune ayant son axe. Chaque point représente les valeurs d'une observation sur les deux variables. Il est utile pour identifier les tendances, les groupes et les valeurs atypiques. Par exemple, un diagramme de dispersion peut montrer la relation entre le nombre de campagnes de vaccination menées dans différents districts et le taux de couverture vaccinale qui en résulte.

• Colonne + ligne temporelle : Il montre la relation entre un certain nombre (colonnes) et un taux (ligne). Cette combinaison est souvent utilisée pour comparer une quantité avec son taux de variation sur une période donnée, par exemple les patients testés pour le VIH (colonnes) et le taux de positivité (ligne).

Classement¶

Remarque

Il met l'accent sur la position de l'élément dans une liste ordonnée plutôt que sur sa valeur absolue.

• Les barres/colonnes ordonnées : Ils permettent d'afficher plus facilement les rangs des valeurs lorsqu'ils sont triés. Cette visualisation permet de voir rapidement les valeurs les plus élevées et les plus basses. Un diagramme à barres et colonnes ordonnées peut être utilisé pour afficher le nombre de cas de tuberculose dans chaque district, trié par ordre décroissant pour mettre en évidence les districts où le fardeau est le plus lourd.

• Courbes : Ils indiquent l'évolution des classements au fil du temps. Ils sont utiles pour visualiser les changements dans les positions de classement, comme le suivi de l'incidence du paludisme dans différentes régions sur plusieurs années pour voir comment le classement des régions en fonction du taux d'incidence change au fil du temps.

Le changement au fil du temps¶

Remarque

Les intervalles entre les colonnes doivent être réduits pour mettre en évidence la forme des données. Utiliser des marqueurs pour les points de données irréguliers.

• La colonne : Elle met l'accent sur l'évolution des tendances. Les colonnes sont utilisées pour montrer des points de données discrets au fil du temps. Par exemple, les chiffres mensuels des dossiers peuvent être présentés sous la forme d'un graphique en colonnes.
• Maintenir l'espace entre les colonnes d'un diagramme à colonnes proches les unes des autres est essentiel pour mettre en évidence la continuité et les tendances des données. Lorsque les colonnes sont placées à proximité les unes des autres, la représentation visuelle est plus cohérente et il est plus facile de comparer les valeurs entre les catégories ou les périodes. Cette proximité aide l'observateur à identifier rapidement les tendances, les variations et la répartition générale des données, améliorant ainsi la clarté et l'efficacité du graphique. En outre, la réduction des espaces entre les colonnes diminue l'encombrement visuel et permet de se concentrer sur les données elles-mêmes, plutôt que sur les espaces vides.

• La Ligne : Le meilleur moyen de visualiser des données continues au fil du temps. Les graphiques linéaires sont efficaces pour montrer les tendances, les cycles et les fluctuations. Par exemple, un graphique linéaire peut suivre l'évolution du nombre de cellules CD4 au fil du temps pour une cohorte de patients, afin d'illustrer l'impact des interventions thérapeutiques.

• Année sur année (colonne et ligne) - La comparaison d'une même période sur plusieurs années permet de montrer les tendances sur plusieurs années à l'aide de lignes. Par exemple, la ligne « année sur année » peut être utilisée pour comparer l'incidence du Paludisme sur plusieurs années, tandis que les colonnes « année sur année » peuvent être utilisées pour visualiser le nombre annuel de cas de paludisme sur plusieurs années.

• Les diagrammes de surface : Ils permettent d'illustrer les modifications des totaux, mais sont difficiles à utiliser pour les composantes. Les diagrammes de surface sont très utiles pour illustrer les tendances et les changements dans le temps. Ils ont un fort impact visuel car ils mettent en évidence l'ampleur et les valeurs totales des ensembles de données. Ils sont particulièrement efficaces pour montrer des données cumulatives et permettre des comparaisons entre plusieurs séries de données. Cependant, ils peuvent devenir encombrants et difficiles à lire lorsque plusieurs catégories sont impliquées, car il peut être difficile de distinguer les composants individuels. En outre, les changements dans les couches inférieures peuvent fausser la perception des couches supérieures, ce qui peut conduire à des erreurs d'interprétation. Bien qu'ils soient efficaces pour mettre en évidence les totaux, les diagrammes de surface sont moins adaptés aux points de données discrets ou aux données non cumulatives et peuvent être problématiques pour les daltoniens ou les impressions en noir et blanc. Par exemple, il pourrait s'agir de suivre le nombre total de cas de tuberculose ou de paludisme signalés dans différentes régions au cours d'une année afin de visualiser le fardeau global et les tendances.

La magnitude¶

Remarque

Les petites lacunes mettent en évidence la forme des données. Il convient mieux à une seule série de données.

• Colonne/Couplé colonnes/barre : Il s'agit de comparer des tailles, généralement des nombres plutôt que des taux ou des pourcentages. Par exemple, les chiffres relatifs aux cas de VIH dans différentes régions peuvent être comparés à l'aide d'un diagramme à barres. Dans ce cas, il convient de maintenir la distance entre les colonnes, car elles représentent des entités distinctes plutôt que des variables au fil du temps.

Mesures de performance¶

• Radar : Les graphiques en radar, également connus sous le nom de graphiques en araignée ou en toile d'araignée, sont efficaces pour afficher plusieurs variables, ce qui les rend idéaux pour visualiser les mesures de performance telles que les forces et les faiblesses d'une équipe en fonction de ses différentes compétences. Ils permettent d'obtenir une vue d'ensemble des données en un coup d'œil, en mettant en évidence les performances comparatives dans différentes catégories. Toutefois, les graphiques en radar peuvent devenir encombrés et difficiles à interpréter avec plus de cinq groupes, ce qui entraîne un chevauchement des lignes et une présentation confuse. Ce type de graphique n'est pas adapté à la visualisation des lignes de tendance, car il ne permet pas d'afficher efficacement les changements dans le temps. Les avantages des graphiques en radar sont leur capacité à comparer plusieurs variables simultanément et leur attrait visuel intuitif. Les inconvénients sont le risque d'encombrement dû à un trop grand nombre de variables, la difficulté d'effectuer des comparaisons précises et le risque d'erreur d'interprétation en raison de la distorsion de la taille de la zone. Les erreurs les plus courantes consistent à surcharger le graphique avec un trop grand nombre de variables, à ne pas commencer les échelles à zéro et à les utiliser pour représenter les tendances des données plutôt que des mesures comparatives.

D'une partie à l'ensemble¶

Conseil

N'oubliez pas les conceptions adaptées aux daltoniens. Vous pouvez modifier le style du graphique dans l'application de visualisation des données en accédant à Options>Style>Palette de couleurs

• Colonne/barre empilée : Elle montre comment une entité unique se décompose en plusieurs éléments. Ceci est utile pour comparer la composition de différents groupes. Les colonnes empilées ou les graphiques à barres doivent être évités lorsque une comparaison détaillée de points de données individuels est nécessaire, lorsque l'on traite un grand nombre de catégories, lorsque l'on montre des tendances au fil du temps, lorsque les catégories de données ne sont pas additives, lorsque l'on met en évidence des changements de segments individuels, ou lorsque les intervalles de données ne sont pas uniformes. Ces graphiques peuvent masquer des détails importants et conduire à des interprétations erronées s'ils ne sont pas utilisés correctement.

• Le graphique circulaire : Chaque tranche représente une partie de l'ensemble, ce qui peut être utile pour montrer les proportions. Les graphiques circulaires doivent être évités lorsque l'on compare plusieurs catégories, que l'on montre des tendances au fil du temps, que l'on a besoin d'une représentation précise des valeurs, que l'on traite des valeurs négatives, que le total n'est pas significatif et que l'on dispose d'ensembles de données complexes. Ces limitations peuvent conduire à des interprétations erronées et masquer des détails importants, ce qui rend d'autres types de graphiques, tels que les graphiques à barres, les graphiques linéaires ou les diagrammes de dispersion, plus appropriés pour ces scénarios.

Affichage d'une valeur unique¶

• Jauge : Elle est utilisée pour représenter une valeur unique à l'intérieur d'une fourchette, à l'instar d'un indicateur de vitesse. Elle est idéale pour montrer les progrès accomplis vers une cible ou la situation actuelle par rapport à un point de référence. Elle pourrait être utilisée pour afficher le taux de couverture vaccinale actuel en pourcentage de la cible.

- Valeur unique : Elle affiche une seule mesure de façon proéminente. Elle est utile pour mettre en évidence les indicateurs clés de performance (ICP) ou les chiffres critiques. Dans DHIS2, il est possible d'associer des légendes en couleur pour mettre en évidence les progrès ou les seuils.

Analyses détaillées¶

• Les Tableaux croisés dynamiques : Ils sont utiles pour résumer, analyser, explorer et présenter des données résumées. Les tableaux croisés dynamiques sont interactifs et peuvent être utilisés pour créer des rapports personnalisés. Par exemple, les tableaux peuvent être utilisés pour résumer le nombre de cas de tuberculose par district et par mois, ce qui permet aux utilisateurs d'approfondir des points de données spécifiques pour une analyse plus détaillée.

Les tableaux de performance apportent une valeur ajoutée en représentant visuellement les indicateurs clés de performance (ICP) par rapport à des objectifs prédéfinis. Ils sont particulièrement utiles pour suivre les progrès, identifier les domaines à améliorer et communiquer les performances d'un seul coup d'œil. Par exemple, un tableau de performance peut présenter les performances de divers établissements de santé en termes de satisfaction des patients, d'efficacité du personnel et d'utilisation des ressources. Cet outil aide les parties prenantes à évaluer rapidement si elles atteignent leurs objectifs et à déterminer les domaines dans lesquels des interventions pourraient s'avérer nécessaires. Les tableaux de performance favorisent la responsabilisation et la transparence au sein des systèmes de santé, en veillant à ce que tout le monde s'aligne sur des objectifs communs.

Spatiale¶

• Choroplèthe : Norme pour les taux sur les cartes. Il utilise différentes teintes de couleurs pour représenter les valeurs des données pour différentes régions. Par exemple, la densité de la population par région peut être représentée à l'aide d'une carte choroplèthe.

Remarque

Attention à la normalisation - vous ne pouvez techniquement pas comparer des chiffres bruts entre des régions de taille ou de population différentes. Utilisez toujours des taux.

• Symbole proportionnel : Bon pour les totaux. Des symboles de différentes tailles sont placés sur une carte pour indiquer la valeur à chaque endroit.

• La densité des points : Elle indique la localisation des événements. Chaque point représente un nombre déterminé d'occurrences d'un phénomène.

• La carte thermique : Elle utilise des valeurs de données basées sur une grille avec une échelle de couleurs d'intensité. Elle montre la densité des données et peut être utilisée pour les données qui varient régulièrement dans une région, comme les taux de température.

Intégration de Google Earth avec DHIS2¶

DHIS2 offre une intégration puissante avec Google Earth Engine, qui permet aux utilisateurs d'accéder à une série d'ensembles de données détaillées, telles que la population (WorldPop), les empreintes de bâtiments, l'élévation, l'utilisation des sols et les données climatiques.

Les étapes détaillées et les meilleures pratiques pour l'intégration de Google Earth Engine dans DHIS2 se trouvent dans la [Documentation de DHIS2] (https://community.dhis2.org/t/using-population-elevation-landcover-and-climate-layers-in-dhis2-maps/51586) et la [Vue d'ensemble de DHIS2 Version 2.39] (https://dhis2.org/overview/version-239/). Ces pages fournissent des guides complets et des mises à jour sur les fonctionnalités de DHIS2, y compris l'intégration avec Google Earth Engine et les possibilités d'utilisation des couches de population, d'élévation, de couverture du sol et de climat dans l'application Cartes de DHIS2.

Bonnes pratiques pour l'intégration¶

• Utilisation des données : Utilisez les vastes ensembles de données disponibles sur Google Earth Engine pour améliorer votre analyse spatiale. Il s'agit notamment d'intégrer des cartes de densité de population, des schémas d'utilisation des sols et des données climatiques pour mieux comprendre les tendances en matière de santé et de distribution des ressources.
• Le paramétrage : Adaptez l'intégration aux besoins spécifiques de vos programmes de santé en tirant parti de la flexibilité des capacités cartographiques de DHIS2. Il peut s'agir de personnaliser les couches de la carte pour mettre en évidence les indicateurs clés pertinents pour vos programmes.
• Le suivi des performances : Suivez et mettez régulièrement à jour l'accès et les configurations de Google Earth Engine afin de garantir des performances optimales et la précision des données.

Erreurs courantes¶

Ignorer la Densité des Données¶

Ne pas tenir compte de la densité des données peut conduire à des graphiques encombrés et difficiles à interpréter. Lorsque les points de données se chevauchent trop, les schémas et les tendances importants peuvent être masqués, ce qui rend difficile l'extraction d'informations pertinentes pour les utilisateurs.

Graphique en spaghetti¶

Évitez d'encombrer votre graphique avec trop d'informations. Un graphique en spaghetti est un graphique linéaire trop complexe avec de nombreuses lignes qui se croisent, le rendant difficile à lire.

Les alternatives pour éviter les graphiques désordonnés :

• Les petits multiples, également connus sous le nom de graphiques en panneaux ou en treillis, ils sont une série de graphiques similaires utilisant la même échelle et les mêmes axes, ce qui permet une comparaison aisée entre différentes catégories. Vous pouvez créer plusieurs graphiques linéaires et les afficher l'un à côté de l'autre dans le tableau de bord. Par exemple, afficher les cas mensuels de tuberculose pour différentes régions dans des sous-graphes distincts.
• Les unités organisationnelles. Vérifiez s'il est nécessaire de fournir les informations pour chaque unité d'organisation. Mettez en évidence une ou quelques séries clés dans un graphique linéaire et présentez les autres séries dans une couleur plus discrète afin de réduire l'encombrement et de souligner les tendances importantes. Par exemple, mettez en évidence les régions où le nombre de cas de tuberculose est le plus élevé et présentez les autres régions dans des lignes plus claires pour les situer dans leur contexte.

• Les tableaux de bord interactifs permettent aux utilisateurs de filtrer et d'explorer les données de manière dynamique, ce qui peut s'avérer particulièrement utile pour les données complexes à séries multiples. Dans les tableaux de bord de DHIS2, les utilisateurs peuvent sélectionner des régions ou des périodes spécifiques pour visualiser les tendances détaillées des cas de tuberculose.
• Les cartes thermiques utilisent la couleur pour représenter les valeurs des données dans une matrice, ce qui permet de comparer facilement les valeurs entre deux dimensions. Les cartes de DHIS2 peuvent être affichées en mode Unique ( Agrégé ), en mode Fractionné ou en mode Chronologique.

Visuels surchargés¶

L'ajout de trop d'éléments rend le graphique difficile à lire. Simplifiez les graphiques en vous concentrant sur les données les plus pertinentes et en utilisant des légendes et des étiquettes claires et concises.

En outre, cette carte utilise une palette de couleurs qui pourrait ne pas être accessible aux daltoniens, ce qui la rend difficile à interpréter pour une grande partie de la population. Utilisez des palettes adaptées aux daltoniens qui permettront à tous les utilisateurs de faire la distinction entre les différentes valeurs des données. Des outils tels que [ColorBrewer] (https://colorbrewer2.org/) fournissent des palettes conçues pour être accessibles aux daltoniens. Consultez la section « D'une partie à l'ensemble " du document pour savoir comment modifier la palette de couleurs de vos visualisations.

Les tableaux de bord surchargés¶

Le fait de comprimer trop de visualisations dans un seul tableau de bord peut les rendre illisibles et inefficaces. Chaque visualisation doit disposer de suffisamment d'espace pour être interprétée. Surcharger un tableau de bord avec trop d'éléments peut submerger le lecteur et lui faire perdre de vue des informations essentielles. Il faut viser une présentation équilibrée où chaque visualisation peut être facilement lue et comprise.

Le manque de contexte¶

L'incapacité à fournir le contexte nécessaire, tel que les étiquettes, les titres, les légendes et les notes explicatives, peut laisser le lecteur perplexe quant à ce que représente le graphique. Le contexte est essentiel pour aider les spectateurs à comprendre les données présentées et à tirer des conclusions exactes.

Une visualisation doit toujours avoir :

• Des Titres : Il faut toujours inclure un titre descriptif qui indique clairement de quoi il s'agit. Le titre doit fournir suffisamment d'informations pour que le graphique soit compréhensible au premier coup d'œil.
• Des Étiquettes des axes : Étiquetez l'axe des x et l'axe des y pour préciser les données qu'ils représentent. Le cas échéant, indiquez les unités de mesure.
• Des Légendes : Fournissez une légende lorsque vous utilisez des couleurs, des symboles ou des lignes différentes pour distinguer plusieurs séries ou catégories de données. Veillez à ce que la légende soit claire et facile à interpréter.
• Notes explicatives : Ajoutez toutes les notes explicatives ou les notes de bas de page nécessaires pour clarifier les sources de données, les hypothèses formulées ou les points de données spécifiques qui nécessitent un contexte supplémentaire. Dans DHIS2, il est possible d'ajouter des notes et des explications en cliquant sur les trois points situés à droite des visualisations et en sélectionnant "Afficher les détails et les interprétations".

Attention

En raison de la nature interactive des tableaux de bord de DHIS2, l'inclusion de périodes spécifiques (par exemple, "12 derniers mois") dans les titres peut prêter à confusion si des filtres sont appliqués, par exemple en remplaçant la période par les 6 derniers mois. Cette divergence entre le titre et les données visualisées peut entraîner des malentendus. Par conséquent, il est recommandé d'éviter de spécifier la période dans le titre afin de préserver la clarté et la précision des données.

Graphique circulaire¶

Les humains ne savent pas lire les angles. Évitez les graphiques circulaires pour les comparaisons détaillées. Dans un graphique circulaire, il peut être difficile de comparer avec précision la taille des tranches.
Une barre ou une colonne peut être utilisée de la même manière, avec des barres horizontales qui mettent davantage l'accent sur la comparaison entre les catégories que sur les valeurs.

Les Totaux et les Composantes¶

La présentation d'un total et de ses composantes dans le même graphique peut être trompeuse, redondante et visuellement encombrante, ce qui rend difficile l'interprétation précise des données par l'utilisateur. Pour plus de clarté et de précision, il est préférable d'utiliser des graphiques distincts pour le total et ses composantes.

• Représentation trompeuse : La combinaison du total et de ses composantes dans le même graphique peut être trompeuse. La valeur totale comprend toutes les composantes et leur regroupement peut donner une fausse impression de comparaison entre différentes mesures. De plus, l'inclusion des totaux et des composantes dans un même graphique peut nuire à la clarté et à la précision de l'information. Le public pourrait avoir du mal à faire la distinction entre le total et les contributions individuelles.
• Problèmes d'échelle : Le total et ses composantes ont souvent des échelles très différentes. Le nombre total sera toujours plus grand que toutes ses composantes, ce qui rendra difficile l'interprétation et la comparaison précises des valeurs plus petites.
• Redondance : L'affichage du total et de ses composantes dans le même graphique est redondant. Le total étant simplement la somme des composantes, il n'apporte pas d'informations supplémentaires et risque d'encombrer la visualisation.

Comme alternative, on peut opter pour :

• Des Tableaux à barres séparés : Utilisez un graphique à barres pour afficher le nombre total de doses administrées dans le pays et un autre graphique à barres pour montrer les doses distribuées pour chaque district. Cette séparation permet de maintenir la clarté et facilite la comparaison et la compréhension.
• Des Graphique à barres empilées : Utilisez un graphique à barres empilées où chaque barre représente les doses totales pour le pays, mais où la barre est divisée en segments qui représentent chaque district. Cette méthode permet de conserver ensemble les composantes et les totaux, tout en différenciant les contributions de chacune d'entre elles. Cette méthode n'est acceptable que si le nombre d'entités n'encombre pas la visualisation et ne tombe pas dans le même piège que le graphique en spaghetti.

Types de graphiques inappropriés¶

L'utilisation d'un type de graphique inadapté aux données peut induire les utilisateurs en erreur et brouiller le message voulu. Chaque type de graphique a ses forces et ses faiblesses, et le choix du bon type est crucial pour une visualisation efficace des données.

• Exemple 1 : L'utilisation d'un graphique linéaire pour afficher des données catégorielles, telles que le nombre d'établissements de santé par type (par exemple, cliniques, hôpitaux, unités mobiles), n'est pas appropriée. Les graphiques linéaires sont conçus pour montrer des tendances au fil du temps et supposent un ordre séquentiel des points de données. Les données catégorielles, en revanche, n'ont pas d'ordre naturel et sont mieux représentées par des graphiques à barres ou des graphiques circulaires.
• Exemple 2 : L'utilisation d'un graphique circulaire pour afficher de petites différences dans un grand nombre de catégories, telles que le nombre de cas de paludisme dans différentes régions, n'est pas appropriée. Les graphiques circulaires fonctionnent mieux avec un petit nombre de catégories où les différences sont importantes et faciles à distinguer. Avec un grand nombre de catégories, les tranches deviennent trop petites à être différenciées, ce qui rend le graphique difficile à lire et à interpréter. Les graphiques à barres sont plus adaptés à la comparaison de nombreuses catégories qui présentent de faibles différences. Par exemple
• Exemple 3 : L'utilisation d'un graphique en radar (également connu sous le nom de graphique en araignée) pour afficher des lignes de tendance dans le temps est inappropriée. Les graphiques en radar sont conçus pour comparer plusieurs variables de différentes catégories dans un format circulaire. Ils ne conviennent pas pour montrer des tendances au fil du temps car ils ne suivent pas un ordre séquentiel et peuvent rendre l'interprétation des changements difficile au fil du temps. Les graphiques linéaires ou en barres sont plus appropriés pour illustrer les tendances au fil du temps, car ils décrivent les changements dans les points de données sur une ligne de temps continue.

• Exemple 4 : L'utilisation d'un graphique à deux axes, avec des colonnes pour afficher le nombre de tests VIH effectués dans différents districts (axe des x) et une ligne pour représenter le taux de positivité des tests VIH dans ces districts, n'est pas appropriée. La ligne implique à tort une relation séquentielle et une tendance entre les districts. Le taux de positivité de chaque district est une valeur indépendante et ne doit pas être relié comme s'il suivait une tendance continue. La meilleure façon de visualiser ces données est d'utiliser un tableau croisé dynamique. Un tableau croisé dynamique vous permet d'afficher le nombre de tests VIH et le taux de positivité en parallèle pour chaque district sans impliquer une tendance ou une relation erronée entre les districts.

Entités distinctes et évolution au fil du temps¶

Lorsque l'on visualise des entités distinctes, telles que les doses d'un vaccin distribuées dans différents districts, l'utilisation de colonnes distinctes pour chaque district permet d'établir une distinction claire entre les différentes entités. Cette approche permet de comparer facilement les données de chaque district et de mettre en évidence les variations dans la distribution des vaccins entre les districts. Inversement, lorsque l'on visualise des changements au fil du temps, comme le nombre de vaccins distribués dans une unité organisationnelle spécifique, les colonnes doivent être placées avec une séparation minimale pour souligner la continuité et les tendances au cours de la période. Cette disposition rapprochée permet d'illustrer le flux et la progression de la distribution des vaccins, ce qui facilite l'identification des schémas, des pics et des creux dans les données.

Conclusion¶

Pour une visualisation efficace des données, il faut choisir le type de graphique approprié en fonction des types de variables et du message que l'on souhaite faire passer. Il est essentiel d'éviter les erreurs courantes et de veiller à la clarté pour les utilisateurs. Par exemple, lorsqu'il s'agit d'illustrer la distribution spatiale, une carte est plus pertinente car elle montre efficacement les regroupements et la distribution des zones à forte et à faible couverture. Lors de la vérification des efforts, les chiffres absolus sont plus significatifs s'ils incluent des valeurs cibles à des fins de comparaison. En outre, pour des comparaisons précises, il est essentiel de normaliser la répartition des données. Les bonnes pratiques de visualisation améliorent la compréhension et facilitent la prise de décision, en veillant à ce que les données reflètent une histoire convaincante et précise.

Vous souhaitez tester vos connaissances sur les variables et les meilleures pratiques en matière de visualisation de données ? Répondez au [quiz] (https://docs.google.com/forms/d/e/1FAIpQLSddz_jtVrFSJssNiCYTHQ12tm6x1A6Gs6QB5Lhlmeq0Je3vDw/viewform?usp=sf_link) !