Power Bi
Power Bi est l’outil Bi qui me plaît le plus pour la dataviz, au vu de sa complémentarité avec la création de tous types de graphiques pouvant être facilement modifiés. Sur ce dashboard sont représentées les opérations réalisées par les commerciaux d’une franchise de vélo. Grâce à Power Bi, j’ai pu mettre en place un segment d’année qui nous permet de comparer, en un simple clic, les opérations réalisées entre 3 années. Puis j’ai créé un autre segment entre les 12 mois de l’année. Quand on clique sur l’un des segments, le dashboard s’adapte entièrement à l’année et le ou les mois en question. On peut également choisir si l’on veut que l’un des graphiques ne soit pas en interaction avec ces segments.
D’autres visuels ont été mis en place pour comparer les ventes en fonction des villes, des catégories de produits et les produits eux-mêmes. Pour finir, la possibilité de rajouter des mesures grâce au Dax permet de mettre en avant des tendances, ainsi que de révéler des informations importantes sur les différents visuels.
Tableau
Tableau , quant à lui, est pour moi l’outil Bi le plus facile à prendre en main du fait qu’une fois les données bien préparées et nettoyées, il est très simple de construire les différents visuels. Sur ce dashboard est représentée une étude que j’ai faite sur les airbnb situés à Seattle, dans le but d’évaluer quel serait l’investissement le plus rentable dans cette ville. C’est donc en fonction de leurs localisations, des revenus sur l’année, des prix moyens par chambre et de ceux qui sont les plus réservés, que j’ai pu établir que le meilleur investissement à réaliser était un studio dans le centre de la ville.
Tableau est certes très simple d’utilisation mais est en revanche limitée par rapport à Power Bi. En effet, la personnalisation et la possibilité de rajouter des tendances avec de nouveaux calculs rapides permettent de réaliser des analyses plus approfondies.
Python
Dans ce visuel réalisé sur Python, grâce à des bibliothèques comme Pandas et NumPy, est représenté l’impact des budgets des films sur leur succès. J’ai aussi mis en place une barre de tendance qui se distingue en rouge pour voir plus facilement son impact. Python est très utile pour manipuler les données et les visualiser mais ce langage est aussi efficace dans d’autres buts, notamment pour du Web Scraping (analyse des données en temps réel).
Python est certes très utile pour l’analyse de données mais peu esthétique et peu valorisant en ce qui concerne les visuels à présenter. Ces analyses sont plus destinées pour des études de marché à destination des équipes métiers.
Excel
Pour finir Excel, ce dashboard représenté illustre les ventes d’un autre fournisseur de vélo international qui a pour objectif de proposer les vélos en adéquation avec l’âge et le revenu de leurs clients.
Excel est particulièrement utile pour la manipulation de données et la création de visuels simples comme celui présent. On peut remarquer la présence de segments pour filtrer les données ainsi que les visuels. L’utilisation de fonctions et de VBA permet aussi d’apporter plus de précisions sur les données. Cependant excel requiert la création d’un tableau croisé dans un premier temps afin d’établir ces visuels. De plus, les graphiques proposés sont assez limités et ne pourraient pas convenir à des fins de marketing par exemple. Son utilisation serait notamment plus destinée à d’autres équipes commerciales ou rh au sein de la société.
