DataViz – Le graphique linéaire

Il est tous simplement nommé line chart en anglais.

Cette dataviz est la dernière des grands classiques de la business intelligence.
Nous avons tous utilisé un graphique linéaire pour représenter nos premières fonctions mathématiques (les fameuses f(x) souvenez-vous).
D’ailleurs, nous utilisons souvent le vocabulaire associé à ces fonctions pour décrire le tracé des courbes que nous y affichons (croissance exponentielle, linéaire, périodique, etc.).
Ces mêmes fonctions nous servent également à effectuer des prévisions relatives aux data étudiées – mais je prends là trop d’avance sur le sujet.

Le graphique linéaire

Comme beaucoup de représentations, celle-ci porte plusieurs autres noms : line chart (de l’anglais), courbe, diagramme en ligne, parfois même tout simplement graphique.

C’est à Flavius Macrobius Ambrosius Theodosius (Macrobe) que l’on doit le premier exemple avéré de graphique. A la fin de la période de l’Antiquité Romaine, cet écrivain et philosophe romain publie cette représentation dans son Commentaire au Songe de Scipion. Il y fait figurer l’évolution relative de la position des planètes du système solaire par rapport à la Terre.

Le graphique linéaire se trace sur deux axes. Il compare visuellement la relation entre deux variables, placées sur l’axe des abscisses (dimension) et des ordonnées (mesure). Sur ce dernier point, il est similaire au nuage de points, à ceci près que les valeurs sont ordonnées et peuvent ainsi être reliées entre elles. Par conséquent, il est particulièrement simple à tracer.

Il est possible d’étudier une seule information (évolution du chiffre d’affaires dans le temps) ou plusieurs (CA, objectif et marge par exemple) afin d’étudier la relation entre les courbes ou de détecter des anomalies.
Dans le cas de courbes multiples, il faudra veiller à identifier clairement chacune, à l’aide de couleurs par exemple.

Nous pourrons également associer des tendances à nos courbes en ajoutant d’autres séries pertinentes. Par exemple, lorsque l’on étudie le chiffre d’affaire mensuel sur plusieurs années, il est possible de l’analyser selon plusieurs prismes :

• La valeur brute : cette courbe montre l’impact de la saisonnalité ;
• La moyenne mobile d’ordre 3 : on lisse ici l’impact de la saisonnalité au trimestre ;
• La moyenne mobile d’ordre 12 : idem à l’année. Cela pourra être la modélisation de notre tendance annuelle ;
• Il existe encore d’autres méthodes plus précises et plus complexes, mais nous n’entrerons pas ici dans le détail.

Enfin, cette visualisation offre la possibilité d’étudier des modalités avec deux échelles différentes (j’en ai vu aller jusqu’à quatre, mais c’est illisible).
Dans ce cas, on trouve généralement un axe des ordonnées à gauche du graphique et un second à droite.

Le graphique linéaire est très utilisé dans les domaines statistiques et scientifique pour dégager des tendances et modéliser un lien entre deux variables.
Pour ces mêmes raisons, il est également employé dans les domaines économiques. Il y permet également de comparer comment se comportent deux séries apparemment liées (par exemple, comparer l’évolution du CA et de la marge dans le temps ou en fonction de quantités vendues).

Avantages et limites

Voyons à présent pour quelles raisons utiliser cette visualisation :

• Elle est très simple à utiliser ;
• Mais peut exploiter de nombreux outils complémentaires (mathématiques et statistiques) ;
• Elle permet d’étudier des valeurs positives comme négatives ;
• Elle révèle clairement les tendances dans les données.

Attention toutefois :

• Elle ne peut considérer que des valeurs numériques ;
• Il convient de limiter le nombre de dimensions affichées pour conserver la lisibilité ;
• Le choix de l’échelle employée peut déformer la visualisation ;
• Certains choisissent une origine d’ordonnée qui n’est pas à 0, ce qui fausse également la représentation.

On se fait une petite ligne ?

Car oui, jouer avec la dataviz peut devenir une addiction… – Et si j’essayais telle représentation ?

Dans cet article, nous avons beaucoup parlé de courbes de CA, d’objectifs et de marge. Conservons donc ces exemples, ainsi que le cas de notre caviste, pour modéliser la data.

Notre exemple nous montre plusieurs informations.
La marge suit exactement la tendance du CA. Dans une activité de ce genre, c’est tout à fait normal, car les prix de ventes conseillés sont calculés depuis le prix d’achat, avec une marge quasi-constante. Il s’agit d’une activité commerciale avec une majorité de coûts fixes.
On dénote une saisonnalité du CA, avec un creux en été et une forte croissance pour les fêtes de fin d’années. Là encore, rien de très surprenant.
Enfin, notre caviste est globalement sous son objectif sur la première partie de l’année. Il s’en est bien sorti (grâce à une action de communication et une baisse de concurrence) durant l’été et en à profité pour décoller en fin d’année.

Cette représentation est un classique de la boite à outils de business intelligence. Elle permet une vue d’ensemble sur un certain nombre d’informations, mais suffit rarement seule à une analyse poussée.

Si vous être perdus dans tout ce vocabulaire, n’hésitez pas à consulter nos définitions dans cet article !
Nos dataviz sont réalisées à l’aide de la solution Qlik Sense, dont nous sommes intégrateur.