Si vous avez manqué l'épisode « Statistically Speaking » sur la visualisation des données pour les scientifiques et les ingénieurs , sachez que la version à la demande est désormais disponible. Nous avons découvert des points de vue très inspirants sur l'importance de la visualisation des données tout au long du processus analytique !
Amoolya Singh, responsable des technologies de découverte chez Calico Labs, a donné une conférence plénière remarquable, intitulée « Apprendre à identifier les schémas dans les données : comment la visualisation des données facilite le flux de travail analytique ». Qui aurait cru que le tissage, l'informatique et la visualisation étaient si étroitement liés ? Fascinant !
Amoolya a également participé à la table ronde avec Kathleen Schneider, associée de recherche principale chez Lundbeck, et Scott Wise, consultant principal en formation analytique chez SAS. N'ayant pas eu le temps de répondre à toutes les questions de notre public, nos intervenants ont aimablement accepté d'en répondre à quelques-unes ici.
De nombreux visuels présentent des données séparées par couleur. Quels aménagements proposeriez-vous aux personnes daltoniennes ?
Scott : Xan Gregg, directeur du développement de la visualisation chez JMP, a quelques bonnes recommandations sur la création de graphiques dans JMP pour les personnes daltoniennes :
Bien que les graphiques de nœuds et les tracés tSNE soient riches en données, je les trouve souvent pauvres en informations. J'ai l'impression de ne pas avoir développé les compétences graphiques nécessaires pour les interpréter. J'aimerais toujours des graphiques et des affichages pré-attentifs, qui me permettent de voir clairement les éléments informatifs. Des suggestions ?
Scott : Les graphiques de nœuds (diagrammes de réseau, etc.) et les tracés tSNE (résultats d'ACP, etc.) doivent absolument inclure le contexte et l'histoire du graphique (soit expliqués verbalement, soit présentés sous forme de texte sur ou autour du graphique) pour que vous compreniez vraiment comment visualiser les tendances. N'hésitez pas à intégrer la narration à ces graphiques utiles.
Quel impact le Web 2.0 aura-t-il sur la science des données et l’analyse ?
Remarque : Le Web 2.0 est la deuxième étape du développement du World Wide Web, caractérisée notamment par le passage des pages Web statiques au contenu dynamique ou généré par les utilisateurs et par la croissance des médias sociaux .
Scott : Le Web 2.0 est déjà là (comme en témoigne l'essor des réseaux sociaux). Si vous ne collectez pas cette source de données dynamique pour analyser et visualiser les tendances (par exemple, en utilisant l'exploration de texte sur les réseaux sociaux concernant votre entreprise, vos produits, vos brevets, vos concurrents, etc.), vous êtes déjà en retard. Pour une bonne introduction, consultez le blog « Prospérer dans un monde Web 2.0 » de SAS.
Les graphiques 3D ont été évoqués, mais je trouve qu'ils sont difficiles à partager dans un format fixe. Comment recommanderiez-vous de partager les résultats de ces graphiques 3D ?
Scott : La première règle est de rester à l'écart des graphiques 3D s'ils n'ajoutent pas de valeur au spectateur, c'est pourquoi vous ne voyez pas de graphiques à barres 3D dans JMP car ils sont souvent déroutants et n'ajoutent aucune valeur.
La deuxième règle est de veiller à ce que, lorsque les graphiques 3D sont utiles, ils soient utilisés de manière interactive (avec des filtres, des formats HTML5 interactifs ou même des vidéos) plutôt que de les conserver dans un format fixe et statique. Cela permet à l'utilisateur d'interagir avec eux et de les interpréter correctement. Par exemple, le nuage de points 3D de JMP (présenté lors de notre table ronde sur la vérification des paramètres expérimentaux à trois facteurs) est considérablement moins efficace hors de JMP si vous ne pouvez pas déplacer le cube 3D pour modifier l'orientation des points de vue dans l'image. Ainsi, si vous n'utilisez pas JMP, essayez de simuler l'interactivité de l'exploration d'un nuage de points 3D en configurant des filtres de données locaux qui modifient l'orientation du point de vue au fil du temps et en enregistrant le tout au format HTML5 interactif. Une autre option consiste à créer vous-même un court enregistrement vidéo explorant le graphique 3D, que l'utilisateur pourra visionner.
Avez-vous déjà vu des bulles animées utilisées dans différentes entreprises et secteurs ? Peut-on les annoter au fur et à mesure de l'animation ?
Scott : J'ai vu des graphiques et des cartes à bulles animés utilisés dans presque tous les secteurs (haute technologie, santé, administration publique, etc.) et dans de nombreux domaines organisationnels. Dans le secteur manufacturier et la chaîne d'approvisionnement, les graphiques à bulles animés sont utilisés avec succès pour illustrer les améliorations ou les tendances des produits au fil du temps (comme mon exemple lors de la table ronde). Dans la recherche, les graphiques à bulles animés sont souvent utilisés pour illustrer la croissance ou l'évolution des produits/composants tout au long de leurs cycles de R&D. Dans le secteur des ventes, les cartes à bulles animées sont excellentes pour illustrer les performances commerciales au fil du temps dans différentes régions géographiques. Vous pouvez créer des annotations directement sur les graphiques à bulles, mais elles ne bougeront pas. Utilisez plutôt l'étiquetage des bulles pour afficher les informations d'annotation souhaitées au fil du temps.
J'enseigne les statistiques AP, je suis donc peut-être le seul ici à ne pas travailler dans le secteur privé. Comme nous cherchons à susciter l'intérêt pour ce domaine, je suis toujours à la recherche de vidéos, de conférences TED et d'intervenants capables d'analyser des données concrètes et actuelles, de créer une visualisation et de démontrer le processus étape par étape, afin que mes étudiants puissent voir comment des carrières particulières pourraient s'appliquer à ce que nous apprenons. Avez-vous des suggestions de vidéos ?
Scott : Pour enseigner le graphisme, la formule qui semble toujours fonctionner est de captiver les élèves dès le début avec des graphiques percutants qui racontent une histoire et donnent vie aux statistiques. Je ne vois pas de meilleur exemple que la conférence TED de Hans Rosling de 2007, « Les meilleures statistiques que vous n'avez jamais vues ». S'ils ne sont pas enthousiastes après avoir vu Hans interagir avec le graphique, c'est qu'ils n'ont probablement pas de pouls !
Les blogs JMP de la communauté JMP, consacrés à la visualisation, sont également un excellent moyen de découvrir des histoires fascinantes de visualisations améliorant les statistiques sur de nombreux sujets intéressants. N'hésitez pas à consulter mes contributions, celles de Ryan DeWitt et de Byron Wingerd. Le site public JMP propose également une multitude de graphiques intéressants et souvent interactifs qui racontent une histoire !
Veuillez définir le graphisme.
Scott : J'aime la définition de Wikipédia : « Le graphisme est défini comme la capacité à comprendre et à présenter des informations sous forme de croquis, de photographies, de diagrammes, de cartes, de plans, de tableaux, de graphiques et d'autres formats non textuels. » Cette définition souligne que le graphisme englobe à la fois la compréhension et la présentation. Elle montre également qu'il peut prendre de nombreuses formes créatives.
Comment JMP peut-il aider l’utilisateur à évaluer non seulement la signification statistique, mais aussi la signification pratique ?
Scott : La signification pratique signifie montrer l'ampleur de la différence ou l'ampleur de l'effet. Par conséquent, je pense que la meilleure façon de combiner signification pratique et statistique est de toujours inclure le graphique (qui démontre la signification pratique) à côté des statistiques (qui traitent de la signification statistique). Commencez par le graphique, puis montrez les statistiques, car cela semble mieux correspondre à la façon dont notre esprit traite les différences d'information.
Kathleen : Je travaille dans l’industrie biopharmaceutique et je conçois des procédés en aval (purification/séparation) afin de les déployer à grande échelle et de les transférer vers des installations de fabrication. Les procédés que je conçois sont souvent complexes et comportent de nombreuses interactions. En général, lorsque j’utilise JMP, je cherche à résoudre des problèmes pratiques, notamment l’amélioration de l’efficacité des procédés (rendement supérieur ou temps de traitement réduit) ou la réduction des risques (réduction des impuretés et des risques de défaillance). Souvent, l’augmentation du rendement ou de l’efficacité des procédés se fait au détriment d’une augmentation des impuretés ou du risque de défaillance.
Les étapes de processus que nous concevons comportent plusieurs sous-étapes. Parfois, les conditions initiales du processus peuvent entraîner une augmentation des impuretés ou d'autres effets négatifs qui ne sont observés qu'aux étapes ultérieures. Compte tenu de la complexité des interactions, l'utilisation de JMP pour les plans d'expériences et les analyses multivariées, notamment l'évaluation de la significativité statistique des facteurs principaux, des facteurs au carré (que l'effet soit linéaire ou courbe) et des interactions à deux facteurs, constitue un moyen efficace d'évaluer quels facteurs principaux et interactions à deux facteurs sont les plus importants à suivre et à modifier, et lesquels ne sont pas critiques pour le processus. L'utilisation de JMP pour visualiser ces données est également très efficace. Ces données permettent d'améliorer le processus, de réduire les impuretés liées au processus et au produit, ou encore d'atténuer les défaillances. Elles peuvent également servir de guide pour optimiser un processus afin d'obtenir une efficacité maximale avec les niveaux d'impuretés les plus faibles et le risque de défaillance le plus faible.
À titre d'exemple, je travaillais sur une étape du processus au sein d'une équipe cherchant à réduire l'impureté U. On a beaucoup discuté au sein de l'équipe pour savoir lequel des facteurs A ou B était le plus important pour la réponse U. Nous avons découvert que nous avions tous tort. Le facteur critique s'est avéré être le facteur C ! Heureusement, nous avions suivi le facteur C et disposions de données pour le suivre dans le processus. Fort de cette expérience et d'autres, je recommande de suivre autant de facteurs que possible, y compris ceux que vous jugez peut-être secondaires. Vous pourriez être surpris.
Nous remercions ces experts d'avoir pris le temps de partager leur point de vue sur certaines des nombreuses questions que nous avons reçues. Leurs riches expériences transparaissent dans ces réponses, ainsi que dans la version à la demande de cet épisode de « Statistically Speaking ».
