MakeoverMonday | 2019W17: Stephen Curry et son Pop-Corn

Cette semaine, nous avons eu l’occasion de regarder les notes données par Stephen Carry pour le popcorn de tous les stades de la NBA.

Voici le graphique original à réviser et l’article en lien avec notre travail de cette semaine:

 

Ce qui fonctionne:

  • Les étiquettes des axes et des données sont bien utilisé, ce qui rend clair la visualisation.
  • Titre présent.
  • Couleurs bien utilisées.
  • Source des données présente.
  • Le design est bien pensé: on voit bien quel stade a mérité quel pointage pour chaque catégorie de point.

Ce qui peut être amélioré:

  • Il y a beaucoup d’information dans cette visualidation.
  • Je ne suis pas certaine que c’est pertinent de savoir quel est le pointage de chaque catégorie pour chacun des states. J’ai l’impression que ça allourdit le tout, surtout qu’il n’y a pas de patron précis qu’on peut en tirer et que la visualisation ne l’explique pas précisément.
  • L’explication des notes n’est pas présentée: quel est le score maximal possible par catégorie, au total?

Sur quoi je me suis concentrée:

  • Simplifier la visualisation en montrant uniquement les notes totales.
  • Expliquer les notes.
  • Garder ça clair et simple!

Voici mon graphique:

Final BAR FRA

 

MakeoverMonday | 2019W16: Les mots dans le livre ‘Info We Trust’ de RJ Andrew

Cette semaine, nous avons eu l’occasion de regarder les mots les plus fréquement utilisés dans le livre Info we Trust.

Voici le graphique original à réviser et Le livre en lien avec notre travail de cette semaine:

Avant de commencer, juste un peu d’explication sur l’utilisation de ce type de visulalisation. Les nuages de mots sont en fait une représentation visuelle de mots. L’importance de chacun des mots est mise en évidence par la taille du texte, la couleur, etc… Ces visualisation sont utilisés pour rapidement pecevoir les termes les plus importants.

Ce qui fonctionne:

  • On voit rapidement que le mot data est le mot le plus fréquemment utilisé dans le livre.
  • La taille du texte est utilisé pour mettre en évidence les mots les plus utilisés.
  • Les couleurs sont aussi utilisés pour mettre en évidence les fréquences.
  • Le design est bien pensé: les mots sont disposés de manière horizontale et verticale ce qui donne un look intéressant.

Ce qui peut être amélioré:

  • À mon avis, il y a trop de couleur. On distingue les mots les plus importants, mais ensuite on se perd dans le flow de couleur…

Sur quoi je me suis concentrée:

  • Apprendre à faire des Word Cloud dans R
  • Simplifier l’utilisation des couleurs, pour faire ressortir les mots les plus fréquemments utilisés.
  • Garder ça clair et simple!

Voici mon graphique:

Final Cloud FRA

 

MakeoverMonday | 2019W14: Déchets sur les plages de britaniques

Cette semaine, nous avons eu l’occasion de regarder les type de déchets qui se retrouvent sur les plages britaniques.

Voici le graphique original à réviser et l’article en lien avec notre travail de cette semaine:

Ce qui fonctionne:

  • Titre bien utilisé
  • Le sous-titre apporte une précision supplémentaire
  • Étiquette des données présentes
  • Le design et les couleurs sont bien pensés
  • La source des données est indentifée au bas du graphique

Ce qui peut être amélioré:

  • Sur ce graphique, la taille des cercles représente la porportion occupé par chaque type de déchet. J’airrive facilement à voir que le type le plus important de déchets qu’on retrouve sur la plage est le plastique et les pièces de polystyrène. Par contre, pour les autres, j’arrive difficlement à distinguer leur différence.

Sur quoi je me suis concentrée:

  • Créer un visuel pour lequels on voit clairement la différence les différents types de déchets.
  • Utiliser les pourcentages du nombre de déchets total retrouvé sur la plage pour rendre plus facile la comparaison entre les différents types.
  • Ajouter des explications en sous-titre pour préciser le contexte.
  • Garder ça clair et simple!

Voici mon graphique:

bub final FRA

 

MakeoverMonday | 2019W13: Dépenses de consommation par génération

Cette semaine, nous avons eu l’occasion de regarder les dépenses des différentes générations pour les résidents des États-Unis durant la dernière année.

Voici le graphique original et l’article:

Ce qui fonctionne:

  • Titre bien utilisé
    • Légende présente et claire et ordonnées dans le même ordre que les barres.
  • Étiquette des données présentes
  • Le design est bien pensé: compilation pour voir les porportions du total (100%)
  • La source des données est indentifée
  • Les générations sont ordonnées par age

Ce qui peut être amélioré:

  • Il y a beaucoup de couleur, ça a pour effet de surcharger le graphique.
  • Aucune explication sur les données n’est présentée sur le graphique.
  • Comme il y a beaucoup de catégories c’est difficile de les comparées entre elles: la catégorie général est allignée sur l’axe de x, on voit donc rapidement que c’est les traditionnalistes qui dépenses le plus, pour le autres catégories, il faut travailler plus fort puisqu’ils ne sont pas alignées.
  • La grille est non nécessaire.
  • Les données peuvent être arroudies.

 

Sur quoi je me suis concentrée:

  • Créer un visuel pour lequels on voit clairement la différence entre les Millénials et les autres générations.
  • Ajouter des explications pour comparer les Millénials aux autres générations.
  • Garder ça clair et simple!

Voici mon graphique:

 

MakeoverMonday | 2019W12: Comment nous sentons-nous réellement par rapport aux femmes dirigeantes?

Cette semaine, nous avons eu l’occasion de regarder l’indice Reykjavik de leadership pour les pays du G7.

Voici le graphique original et l’article:

Ce qui fonctionne:

  • Titre bien utilisé
  • Couleurs bien utilisées
  • Étiquette des données présentes
  • Le design est bien pensé

Ce qui peut être amélioré:

  • Comme les données sont en bas et les étiquettes en haut, j’ai de la difficulté à associer un score avec un pays.
  • Je présenterai la moyenne autrement qu’avec les données des autres pays pour bien faire ressortir que ce n’est pas une données mais bien une moyenne des données présentées.
  • Comme les lignes sont courbes, on ne visualise pas vraiment bien l’amplitude de la différence entre les pays qui sont au-dessus de la moyenne de ceux qui sont en dessous.

Sur quoi je me suis concentrée:

  • Créer une démarcation visuelle claire entre les pays qui sont au-dessus de la moyenne de ceux qui sont en dessous.
  • Ajouter un explication de ce qu’est l’indice Reykjavik de leadership.
  • Garder ça clair et simple!

Voici mon graphique:

 

MakeoverMonday | 2019W11: Transferts immobiliers à Philadelphie

Cette semaine, nous avons eu l’occasion de regarder les transactions immobilières de Philadelphie.

Voici le graphique original et l’article:

Ce qui fonctionne:

  • Sous format Dashboard interractif: le lecteur curieux peut se promener dans l’application pour tirer ses propres conclusions sur les données présentées.
  • Couleurs et thème bien utilisées
  • Axes présents

Ce qui peut être amélioré:

  • Les titres sont peu accrocheurs et les sous-titres sont peu informatifs
  • Quel est l’élément principal qu’on droit retenir de la visualisation?
  • Le format Dashboard interractif ne convient pas à tous. Seulement les lecteurs curieux vont prendre la peine de pousser leur analyses plus loin pour utiliser les fonctions interractives. Les lecteurs paresseux, comme moi, vont seulement se trouver submerger d’information et ne pas pousser plus loin leur analyse des graphiques. On court alors le risque de ne pas avoir leur attention pour faire passer notre message.

Sur quoi je me suis concentrée:

  • Le graphique original se concente beaucoup sur le nombre et le type de transactions. Sans toutefois faire ressortir de message clair.
  • À mon avis, le nombre de documents par type de transaction aurait avantage à être présenté plus clairement. Je vais donc me concentrer à présenter l’évolution dans le temps du nombre de transaction par type de documents.
  • Garder ça clair et simple!

Voici mon graphique:

rang final FRA

 

MakeoverMonday | 2019W9: Les vélos au Royaume Unis

Pour la nevième semaine de #MakeoverMonday, nous avons eu l’occasion de regarder les données de l’industrie des vélos au Royaume Unis.

Voici le graphique original et l’article:

Ce qui fonctionne:

  • Titre bien utilisé
  • Les axes sont biens identifiés
  • La graduation de l’axe de y est constante
  • Les étiquettes de l’axe des x sont claires
  • La source des données est identifiée au bas du visuel

Ce qui peut être amélioré:

  • On ne peut pas lier par une ligne les données du dernier trimestre de chaque année avec le premier trimestre de l’année suivante parce que le point ne représente pas la somme des vélos vendu à cette date mais bien le nombre de vélos vendu à ce point.
  • Mettre les années côte à côte ne permet pas bien de voir les différences. On voit qu’il y a une baisse pour 2016, mais c’est possible de rendre le tout plus clair.

Sur quoi je me suis concentrée:

  • Présenter les années sur le même axe pour mieux voir les différences.
  • Réduire la quantité d’information sur le graphique. Pour y arriver, j’ai présenter tous les points des années 2010 à 2015 mais jai présernter seulement la tendance moyenne pour ces années.
  • Pour bien marquer la différence de l’année 2016, je l’a exclu de ma moyenne 2010-2015 et je l’ai présenté d’une autre couleur.
  • Garder ça clair et simple!

Voici mon graphique:

bicycle fra final

MakeoverMonday | 2019W8: L’énergie éolienne aux États Unis

Pour la huitième semaine de #MakeoverMonday, nous avons eu l’occasion de regarder les données des installations d’énergie éolienne aux États Unis.

Voici le graphique original et l’article:

Ce qui fonctionne:

  • Titre bien utilisé
  • Légende présente
  • Bonne utilisation des couleurs
  • La source des données est identifiée au bas du visuel

Ce qui peut être amélioré:

  • Je trouve qu’il y a beaucoup d’information sur ce graphique. On y retrouve l’investissement, la capacité des installations et l’équivalent en nombre de maisons alimentées. On ne sait pas ou poser les yeux.
  • Les images d’éolienne sont très jolies mais, elle viennent allourdir le graphique.
  • L’aligment et la taille du texte de l’axe des X ne sont pas uniformisé. Ce sont des éléments distraillant pour le lecteur.
  • Les états sont identifiés par des abréviations. Pour faciliter la lecture, il est préférable d’utiliser le nom complet.
  • La graduation de l’axe de Y n’est pas continue. Ça crée un élément de distraction supplémentaire.

Sur quoi je me suis concentrée:

  • Réduire la quantité d’information sur le graphique et présenter des résultats qui parlent au lecteur.
  • J’ai choisi de présenter l’investissement en M$ par MW d’équipement installé. Ainsi, on peut comparer les états selon les retours (en MW) sur leur investissement (M$).
  • J’ai choisi de ne pas présenter l’équivament en nombre de maison alimentées parce que c’est un peu redondant, c’est évident que plus il y a d’équipement installé, plus le nombre de maison alimentées sera grand.
  • Garder ça clair et simple!

Voici mon graphique:

Energy final FRA

MakeoverMonday | 2019W7: L’horaire du président Trump

Pour la septième semaine de #MakeoverMonday, nous avons eu l’occasion de regarder l’emploi du temps du président Trump.

Voici le graphique original et l’article:

 

Ce qui fonctionne:

  • Titre bien utilisé, précis et concis
  • Le sous titre nous donne la plage de temps étudié
  • Les couleurs fonctionnent bien
  • Les étiquettes de données sont présentes et aide à l’interprétation du graphique
  • La source des données est identifiée au bas du visuel

Ce qui peut être amélioré:

  • J’ai de la difficulté à mettre la période de travail de 503 heures en perspective. Est-ce que c’est peu? Est-ce que ça représente des grosses semaines de travail? Est-ce que le président travaille la fin de semaine?

Sur quoi je me suis concentrée:

  • Faire mon premier Heatmap!! Je pense que c’est une bonne façon de visusialiser l’ensemble des données.
  • Représenter l’horaire du président en fonction des jours de la semaines et des semaines de l’année pour créer le visuel d’un calendrier.
  • À faire attention: on ne peu pas assumer que nous avons l’emploi du temps complet du président. Par exemple, il y a peut-être du temps de travail fait la fin de semaine qui n’est pas comptabilisé dans les données. Donc, au lieu de regarder le temps total travaillé, on doit se concentrer sur une tâche en particulier.
  • Garder ça clair et simple!

Voici mon graphique:

Trump final FRA

MakeoverMonday | 2019W6: Comment le Nouvel An chinois se compare avec Thanksgiving

Pour la sixième semaine de #MakeoverMonday, nous avons utilisé des données de statista pour comparer le Nouvel An chinois avec le Thanksgivig américain.

Voici le graphique original et l’article:

 

Ce qui fonctionne:

  • Titre et sous-titre bien utilisés pour metre en place le sujet et le contexte
  • Les couleurs fonctionnent bien et sont bien choisies pour le thème
  • La légende est présente et bien utilisée
  • Les étiquettes de données sont présentes et illustrées avec les couleurs de la légende
  • La source des données est identifiée au bas du visuel

 

Ce qui peut être amélioré:

  • L’image en arrière plan est distraillante pour l’auditoire, elle est suffisament claire pour qu’on la remarque mais pas suffisament pour qu’on comprenne d’un premier coup d’oeil de quoi il s’agit alors, on passe du temps à essayer de comprendre l’image au lieu de focuser sur le graphique.
  • Les unités ne sont pas claires: bn=?, $=US ou Yuan? (ne peut pas être vérifié même dans l’article).
  • La population total de ces deux pays n’est pas identifiée. Pourtant, la population est beaucoup plus importante en chine et ça a un impact considérable sur l’interprétation des données.
  • Le type de graphique est difficile à comprendre: est-ce que la section en bleu est inclus dans la section en orange? Pour l’argent qui est dépensé au restaurant, il y aurait environ 50nb$ dépensés au États-Unis et 100nb$ dépensé en Chine. Ce ration de ½ n’est pas clairement visible sur la présentation.

 

Sur quoi je me suis concentrée:

  • Diviser les données par la population de chaque pays pour obtenir des chiffres comparables.
  • Représenter les données avec des histogrammes pour obtenir un visuel qui est plus facile à interpréter.
  • Garder ça clair et simple!

Voici mon graphique:

final fra

Voilà!