PLB CONSULTANT : 12. Développer des applications de DataVisualisation

Jour 1

Enjeux de la datavisualisation

Exemples de perte de temps dans la recherche et l’analyse de l’information

Spécificités liées à la création massive de données

Comment peut-on faire parler les données ?

Data visualisation versus Représentation symbolique

Bien identifier les objectifs avant le développement (reporting, tendance, …)

Communiquer efficacement autour d’un projet

Gérer efficacement les flux de données

Mettre en avant nos présentations (Data Storytelling)

Atelier

Exemple de mise en place de rapports graphiques sous forme de Data Storytelling comparée à une approçhe symbolique classique (tableau, chiffres) pour mettre en avant l’apport de la Datavisualisation dans une communication efficace et lisible.

Choisir le bon modèle

Les diagrammes courants (histogrammes, pie chart, 3D…)

Visualisation multidimensionnelles (nuages de points…)

Comment représenter les grandes dimensions ?

Visualisation des réseaux

Visualisation hiérarchique

Visualisation linéaire

Visualisation vectorielle

Atelier

Études de cas autour des « bons » modèles de représentation des données en fonction des informations que l’on souhaite mettre en lumière (comparaison de données, analyse de composition d’un ensemble de données, recherche de tendances, etc.)

Jour 2

Conception et design

Problématiques usuelles

Spécificités des gros volumes de données (Big Data)

Fonctionnement de notre système perceptif

Le modèle de variables visuelles

Impacts de l’intensité, la saturation et la teinte des couleurs

La nécessite de l’interaction

Conseils et bonnes pratiques sur la conception

Ateliers

Analyse du temps de réaction pour identifier la même information selon différents modèles de présentation afin d’en retenir le meilleur.

Choisir des variables visuelles afin de constituer des primitives graphiques efficaces (position, longueur, etc.)

Conception de rapports faciles à mémoriser et efficaces dans la communication.

Exemple de DataStorytelling mettant en avant la recherche de la simplicité et la mise en avant de l’information à délivrer

Le cadre juridique concernant le stockage et l’analyse de données

Les notions fondamentales du RGPD (Règlement Général sur la Protection des Données)

La règlementation côté « informatique »

Les obligations de l’entreprise

Les obligations du développeur

Le rôle du DPO (délégué à la protection des données)

Les obligations vis-à-vis des sous-traitants (conformité)

Les données que l’on ne peut pas échanger

Ateliers

Exemples de situations de non-conformité et risques encourus.

Exemples d’actions concrètes de DPO en entreprise pour la mise en conformité

Jour 3

Panorama des librairires pour la datavisualisation (diagrammes, réseaux…)

Environnement JavaScript (Highcharts, Toast UI Chart, D3.js, Recharts, Chart.js…)

Frameworks de DataVisualisation basés sur Java (JavaFX, JFreeChart, API Swing…)

Les libraries Python (Matplotlib, Pandas, Scikit-learn…)

Utiliser Matplotlib avec D3js pour des visualisations de données interactive via un navigateur

Les outils standards de la BI (Power BI, Tableau)

Ateliers

Manipulations des principales bibliothèques

Démonstrations autour de Power BI (pour ne pas réinventer ce qui existe déjà)

Réalisation de plusieurs visualisations interactives orientées diagrammes (en JavaScript)

Mise en place et choix de différents leviers d'interaction : légendes interactives, survol etc.

Réalisation d’une visualisation orientée réseau (en JavaScript)

Jour 4

Datavisualisation en Python avec Matplotlib

Vue générale de Matplotlib

Le module pylot (fonctions, graphiques…)

Tracer des lignes, des figures, etc.

Paramètres (label, color, legend, etc.)

Compléments (graphiques à barres, nuage…)

Atelier

Cet atelier est guidé par le formateur. Les éléments techniques sur l’IA et les statistiques reposent sur des compétences scolaires. L’idée ici est surtout de manipuler les bibliothèques graphiques proposées par Python avec un résultat puissant (prédiction de prix) qui met en avant l’apport de la visualisation des données pour l’analyse. Toutes les étapes sont représentées dans un plan avec MatplotLib. On fait varier de façon interactive les caractéristiques d’un produit et cela modifie sa prévision de prix.

Cartographie et données

Procédé général (fond de carte, récolte, style)

Où trouver les cartes (OGC, OSGEO…) ?

Les API Javascript (Open Layers, Leaflet, D3…)

L’exemple propriétaire de Google Maps

Paquets géospatiaux pour Python (Pandas et geoPandas)

Comment collecter des données « ouvertes » (OpenData) ?

Ateliers

Création d’applications cartographiques WEB en Javascript (plan de ville,création de carte, localisation de zone d’activité selon nos propres critères)

Récupération de données publiques (en Python) pour afficher une carte des zones colorisées en fonction de leur type (commerce, résidentiel, etc.) et de leur prix moyen au m2 afin de disposer d’un rapport sur l’équilibre des commerces / logement et leurs répartitions.

Quiz final de validation des acquis