DataViz – Treemap

Le treemap est également nommé carte proportionnelle en français. Bien que cette appellation soit moins connue (et plus longue), elle a le mérite d’exister.

Contrairement à beaucoup d’outil de visualisation, celui-ci est très récent. Il doit d’ailleurs sa création uniquement à l’évolution technologique.
En effet, c’est au début des année 90 que Ben Shneiderman cherche à représenter le remplissage de son disque dur, trop souvent saturé. Afin de visualiser dans quel dossier ou sous-dossier se trouvent les fichiers les plus volumineux, il met au point cette représentation. Il propose alors de représenter l’arborescence des fichiers (tree) dans un plan (map).
Il publie ensuite, en 1992, un premier algorithme servant à construire cette visualisation.

Le treemap

Aucun rapport avec l’arbre, donc, ou même avec la carte dans son sens géographique.
Cette représentation de données sert à hiérarchiser et à montrer la proportion de chaque modalité d’une population au sein d’un espace limité. Par essence, elle est donc réservée à l’étude d’informations hiérarchisées (dossiers, familles et sous familles de produits, etc.).

Concrètement, l’espace consacré à la représentation est réparti entre les différentes modalités de l’arborescence. La taille de l’espace reflète la fréquence de la modalité (sa proportion), tandis que la couleur représente généralement son appartenance à une catégorie ou à une famille (dans l’arborescence).

Cette visualisation permet à l’analyste de reconnaître aisément des motifs graphiques pouvant traduire des relations complexes au sein des données. Ces relations peuvent s’avérer complexes à détecter autrement.

Il existe à ce jour six algorithmes permettant de construire une carte proportionnelle. Sans entrer dans le détail, chacun d’eux possède ses spécificités en matière de conservation de l’ordre des modalités, de respect des proportions, de stabilité et de performance.
Le résultat final peut varier visuellement selon l’algorithme choisi.

La carte proportionnelle de Voronoi est une variante de notre treemap. Dans celle-ci, les éléments ne prennent plus la forme de rectangles mais de polygones. Cette alternative est plus flexible mais il peut être plus difficile pour l’humain de comparer deux modalités représentées par des formes différentes.

Cas d’utilisation

Historiquement employée pour décrire l’occupation du disque dur d’un ordinateur, la carte proportionnelle peut également servir à :

• Visualiser le budget d’une organisation (par catégorie et poste de dépense) ;
• Décomposer le chiffre d’affaire par marques et modèles ;
• Comparer des données réparties géographiquement, par région / département / ville / etc. ;
• Représenter la constitution d’un stock ;
• Etc.

Cette dataviz possède de nombreux avantages.
Elle permet d’identifier aisément certains schémas et relations entre des catégories hiérarchisées. Elle représente simultanément d’important volumes de données, répartis en groupe, en montrant la proportion de chaque entité. Elle facilite l’analyse en profondeur (drill down). Enfin, elle reste claire est visuelle grâce à l’emploi de tailles et de couleurs.

Bien entendu, le treemap a également quelques inconvénients.
Il compare uniquement des proportions. Si notre jeu de données évolue en volume, seules les évolutions de proportions seront visibles.
Il ne peut pas représenter des valeurs négatives.
Comme il doit remplir complètement un espace, il n’est pas toujours capable de conserver une notion d’ordre dans l’affichage des modalités. Cela peut compliquer la lecture.
Enfin, il est complexe à générer et peut consommer d’importante ressources pour cela.

Et pour notre caviste ?

Toujours soucieux de mieux comprendre ses clients, ses produits et ses ventes, notre caviste cherche, tout site de vente confondu, à représenter ses ventes. Il veut comprendre si ses résultats sont cohérents avec sa politique de spécialiste en whisky dans la région.
Une fois n’est pas coutume, il utilise pour cela la business intelligence.

Il choisit le treemap pour visualiser ses ventes d’alcool, segmentées par type (Spiritueux / Vins) puis par famille (type de spiritueux et région pour les vins). Ensuite, il souhaite également connaitre les marques pour les spiritueux et les cépages pour les vins.

Sa représentation montre le résultat ci-dessus.
Nous y voyons clairement apparaitre son placement : il vend majoritairement des spiritueux (essentiellement des whiskies d’ailleurs). Toutefois, la part de rhums reste très importante. D’ailleurs, il vend également plus de vins (tous cépages confondus) que de whiskies, alors qu’il y consacre bien moins d’espace.

Bon, il va lui falloir étudier à nouveau comment mettre en valeur ses whiskies exceptionnels et comment communiquer dessus.

Voici un nouvel outil de dataviz. Très souvent utilisé en business intelligence pour représenter des répartitions, il offre de nombreux avantages.

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.