Le futur de la dataviz passera par le data storytelling

La narration des données : vers une restitution dataviz plus engageante

page.alt
  • data storytelling
  • restitution
  • data journalisme
  • data puking

Le futur de la dataviz passera par le data storytelling

Une histoire est 22 fois mieux retenue qu’une statistique selon Jennifer Aaker, professeur à Stanford. La dataviz s’impose alors comme un levier de restitution engageant. Entre mythes et réalités, quel futur pour la visualisation de données ? Ce second article de la série traite du data storytelling.


L’art de conter la data

Le data (driven) storytelling apparaît comme un nouveau moyen de classer les données et restituer leur analyse. Une opportunité à saisir à l’heure où les données se densifient et se diversifient. Ce procédé, littéralement “mise en récit” en français, permet de scénariser des analyses de données complexes et de les interpréter en langage courant, à portée des décideurs.

Les données sont mises en scène pour mieux interagir avec sa cible, l’engager davantage et simplifier la transmission d’informations. Comment ? En contextualisant et en émouvant son destinataire.

Procédé du data storytelling Procédé du data storytelling


Christopher Booker a recensé sept schémas d’histoires les plus récurrents dans son livre The Seven basic plot. Comme Booker, nous vous livrons trois types de data storytelling émergents, de quoi vous inspirer pour vos futurs scénarios :

  • Temporel : reportings qui suivent la courbe du temps pour retracer une histoire chronologiquement ou antéchronologiquement
  • Prédictif : scénarios basés sur le passé pour prédire des comportements futurs sur la base de calculs prédictifs
  • Sondage exploratoire : analyses statistiques des tendances par profil de répondants.


La data visualisation au service du storytelling

Les histoires sont juste des données avec une âme.
Brené Brown, Doctoresse à l’université de Houston


L’art de raconter des histoires en filtrant et en analysant des données s’impose comme une tendance forte en data visualisation. Ce nouveau levier de restitution d’analyse intègre plus d’interactivité. Le but est d’abord d’engager les interlocuteurs pour qu’il puisse agir. Les chiffres clés sont des preuves qui persuadent davantage qu’une simple présentation ponctuée d’anecdotes personnelles.

On comprend mieux pourquoi le data storytelling devient une stratégie de communication pour renforcer la notoriété des entreprises. Surtout quand on sait qu’une présentation avec visuels convainc 13% d’audience de plus qu’une présentation purement verbale, d’après la Warton Business School.

On en déduit alors que l’interactivité de la restitution d’une analyse des données sous forme d’histoire incite le public, comme le présentateur, à s’approprier le contenu et à vouloir explorer les jeux de données.


Un outil pédagogique visuel

Le data-driven storytelling peut aussi se définir comme une technique pédagogique qui instille le design et attribue un cadre pour diffuser des informations de manière plus engageante.

Il faut savoir que vous retenez 80% d’un contenu visuel contre 20% pour un contenu textuel (Syntactic Theory of Visual Communication de Lester). Les scénarios créés à partir des données aident donc à la mémorisation des analyses. Ils sont alors utilisés pour l’apprentissage, comme cette frise qui nous aide à réviser l’histoire, ou pour des actions militantes éclairées, comme ce projet qui calcule l’écart de salaire entre les genres selon la profession.

Cette narration des données tend à être de plus en plus utilisée en data journalisme. Ainsi la BBC vous propose par exemple de découvrir la composition de votre corps selon vos caractéristiques physiques (genre, taille…).


Le data puking

Les données à transformer en histoire sont sélectionnées pour mener l’utilisateur vers un objectif précis avec des conclusions très opérationnelles. A contrario, le phénomène de data puking consiste à exploiter tous les tableaux de données et à étaler une série de restitutions d’analyses.

Selon Avinash Kaushik, représentant Google au marketing digital, toute la différence entre data storytelling et data puking réside entre le reporting et l’analyse. Il introduit la métaphore de “l’écureuil rapporteur” et du “ninja analyste”.

  • Les écureuils représentent les spécialistes des données qui maîtrisent les langages Java, SQL ou Python par exemple. Ils sont essentiels pour organiser et nettoyer les données, créer des interfaces de reporting utiles aux organisations.
  • Les ninjas quant à eux symbolisent ceux qui organisent l’information stratégiquement, interprètent des tendances et relations entre les données pour mieux décider.

On peut en déduire qu’il existe deux type d’outils : ceux qui s’adressent aux spécialistes de la donnée, data scientists notamment, et ceux de data storytelling accessibles aux métiers opérationnels et décisionnels, novices dans la data analyse. Toutefois, dans les deux cas, il faut rester vigilant sur la qualité des données car d’elle dépend la qualité de l’analyse et de la restitution.


Les bonnes pratiques du data storytelling

Pour éviter le data puking, les présentateurs de data storytelling doivent contextualiser leurs données. Le second enjeu est de s’adapter à son audience et à ses références. Il sera nécessaire de proposer plusieurs scénarios pour rester objectif sur les analyses prédictives.

Voici quelques bonnes pratiques à adopter pour la dataviz dans vos storytelling :

  • définir un parcours de navigation dans les éléments d’analyse,
  • permettre aux utilisateurs d’interagir avec ces éléments dans les histoires,
  • avoir des boutons de contrôle de navigation pendant la présentation (accélérer, pause…),
  • permettre au présentateur de synchroniser sa voix avec les flux et les éléments interactifs analytiques de l’histoire.


L’info à retenir

Les outils de business intelligence qui s’adressent aux non-spécialistes de l’analyse de données doivent intégrer la fonctionnalité de mise en récit pour faciliter la communication des résultats d’études. Le data storytelling permet d’éviter les erreurs d’interprétation en sélectionnant et en scénarisant les données par la data visualisation, ce qui permet de restituer l’analyse tout en augmentant la capacité de rétention (mémorisation).


Aller plus loin