Data Storytelling — Communiquer avec les données

Section 11.2.17 : Data Storytelling — Communiquer avec les données

🎯 Objectif pédagogique

Transformer une analyse de données en une histoire convaincante. Vous serez capable de communiquer vos découvertes de manière claire, persuasive et actionnable — la compétence qui différencie un analyste technique d'un communicant efficace.

Les données ne parlent pas — vous devez les faire parler

Marc l'a appris en finance : un rapport avec 50 tableaux n'est jamais lu. Un graphique avec un titre percutant est mémorisé. Le data storytelling est l'art de transformer les chiffres en récit.

Les 3 piliers : Data + Narrative + Visuel

Avant/Après : le même graphique, deux impacts

❌ Mauvais : technique, pas d'histoire

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(8, 5))
ax.bar(['Applied', 'Interview', 'Offer', 'Rejected'], [45, 12, 3, 25])
ax.set_title("Status Distribution")
plt.show()

✅ Bon : histoire, contexte, action

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 6))

statuses = ['Candidatures\n(45)', 'Entretiens\n(12)', 'Offres\n(3)', 'Refus\n(25)']
values = [45, 12, 3, 25]
colors = ['#94a3b8', '#f59e0b', '#22c55e', '#ef4444']

bars = ax.bar(statuses, values, color=colors, width=0.6, edgecolor='white', linewidth=2)
bars[2].set_edgecolor('#16a34a')
bars[2].set_linewidth(3)

ax.set_title("Seulement 7% des candidatures aboutissent à une offre", 
             fontsize=14, fontweight='bold', pad=15)
ax.set_ylabel("Nombre")

# Annotation sur l'insight clé
ax.annotate('Taux de conversion\n3 offres / 45 candidatures = 6.7%', 
            xy=(2, 3), xytext=(2.5, 20),
            arrowprops=dict(arrowstyle='->', color='#22c55e'),
            fontsize=10, color='#22c55e', fontweight='bold')

ax.text(0.5, -0.15, "Action : cibler moins d'offres mais mieux qualifiées (objectif : 15% de conversion)",
        transform=ax.transAxes, ha='center', fontsize=10, fontstyle='italic', color='#64748b')

ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.tight_layout()
plt.show()

Règles de design pour les graphiques

Template de rapport data

def create_data_story(df, title, insight, recommendation):
    """Template pour un rapport data storytelling."""
    fig, axes = plt.subplots(2, 2, figsize=(14, 10))
    fig.suptitle(title, fontsize=16, fontweight='bold')
    
    # Graphique 1 : Vue d'ensemble
    df['status'].value_counts().plot(kind='bar', ax=axes[0,0], color='#0891b2')
    axes[0,0].set_title("Vue d'ensemble")
    
    # Graphique 2 : Tendance temporelle
    df.groupby(df['date'].dt.to_period('W')).size().plot(ax=axes[0,1], color='#0891b2')
    axes[0,1].set_title("Évolution hebdomadaire")
    
    # Graphique 3 : Distribution
    axes[1,0].hist(df['salary'].dropna(), bins=15, color='#0891b2', edgecolor='white')
    axes[1,0].set_title("Distribution des salaires")
    
    # Graphique 4 : Comparaison
    df.groupby('status')['salary'].mean().plot(kind='barh', ax=axes[1,1], color='#0891b2')
    axes[1,1].set_title("Salaire moyen par statut")
    
    # Insight et recommandation en bas
    fig.text(0.5, 0.02, f"💡 \{insight\}", ha='center', fontsize=11, fontweight='bold')
    fig.text(0.5, -0.01, f"➡️ \{recommendation\}", ha='center', fontsize=10, fontstyle='italic')
    
    plt.tight_layout(rect=[0, 0.05, 1, 0.95])
    plt.savefig('report.png', dpi=200, bbox_inches='tight')
    plt.show()

🏋️ Exercice pratique (20 minutes)

Créez un "mini-rapport" data storytelling sur votre recherche d'emploi :

1. →Titre : insight principal en une phrase
2. →4 graphiques : chacun avec un titre = insight
3. →Annotations sur les points clés
4. →Recommandation en conclusion