Les 4 différences entre Data Analysis et data Storytelling

Ce nouvel article consacré à la Dataviz évoque deux manières différentes de connaitre les données :

  • La Data Analysis, qui traite les données sous un angle analytique
  • Le Data Storytelling, qui propose de raconter une histoire à partir des données

Si on compare les deux approches, on observe 4 différences majeures. Commençons par la plus importante…

1. Les utilisateurs cibles

La Data Analysis concerne des experts, souvent formés eux-mêmes à l’analyse de données. Un analyste de données utilise des logiciels spécifiques et est à même de comprendre le « langage » des bases de données.

Le Data Storytelling cible un public plus large, qui n’a pas forcément de connaissance en statistiques ni logiciel métier.

2. L’Objectif

La Data Analysis consiste à recueillir des données, les traiter et les transformer en informations utiles. L’objectif est de produire des analyses statistiques, des recommandations pertinentes et d’assurer la correcte interprétation des données.

Le Data Storytelling repose sur une optique collaborative de partage des données et informations associées. L’objectif est d’illustrer les données en utilisant une représentation narrative compréhensible par tous. Ces « histoires visuelles » peuvent ainsi marquer les esprits, sensibiliser ou encore favoriser la mémorisation.

3. L’exploitation

Les résultats d’une Data Analysis peuvent être comparés à un manuel ou à un dictionnaire : très riche mais pas forcément agréable ni facile à lire. Les données et les résultats sont explorés par des experts sur une longue période de temps afin de répondre à des questions complexes et souvent précises.

Le Data Storytelling offre une présentation des données plus engageante pour le grand public, comparable à un roman ou une histoire. De cette manière, les résultats d’une analyse de données sont plus accessibles et facilement utilisables pour passer à l’action (achat, vente, gestion, prise de décision).

L’approche choisie dépend moins du travail amont mais de l’exploitation des résultats : une analyse complexe de données peut donner lieu à un storytelling, si les résultats sont destinés à un public novice.

4. Les émotions

Lorsque l’on explore ou que l’on analyse les données, il n’y a guère de place pour les émotions. L’objectivité et les mathématiques sont indispensables pour représenter les données de manière fiable et cohérente. C’est sur ce segment « factuel » qu’opère la Data Analysis : elle vise à transmettre un message factuel, plutôt que générer un ressenti dans l’auditoire.

Le Data Storytelling cherche au contraire à susciter des émotions pour favoriser l’engagement : en mettant en scène les résultats de l’analyse, on peut déclencher une réaction émotionnelle positive ou négative. Cette approche est d’ailleurs souvent utilisée en publicité ou par les partis politiques pour capter l’attention de l’auditoire et faire adhérer à une idée.

Conclusion

La Data Analysis et le Data Storytelling ont en commun le fait de représenter les résultats d’analyse de façon graphique, afin de faciliter leur compréhension. Si les deux approches s’engagent à respecter une cohérence avec les données d’origine, la Data Analysis optera pour une présentation plus complexe, factuelle, destinée aux experts, quand le Data Storytelling utilisera la narration pour éveiller des émotions et transmettre son message auprès d’un large public.

Ici encore, on comprend l’importance de bien identifier ses objectifs et sa cible afin de choisir l’approche de data visualisation la plus adaptée. Pour des conseils à ce sujet, n’hésitez pas à vous replonger dans nos précédents articles sur la dataviz.