On peut partir d'un tableau de chiffres et arriver à une image qu'on accroche au mur, sans jamais tricher avec les chiffres. Cette page raconte ce chemin, étape par étape : la donnée, puis la visualisation, puis l'endroit où ça bascule vers l'art.
Aucun prérequis. Les exemples sont tirés de mes propres projets, pour rester concrets.
Une donnée, c'est une mesure prise à un moment précis. Il faut trois choses, pas une de moins : ce qu'on mesure, dans quelle unité, et quand. Retirez-en une et il ne reste rien d'utilisable.
« Ma ruche pesait 47,3 kg le 12 mars à 14 h. » Voilà une donnée. Prise seule, elle ne dit à peu près rien : est-ce beaucoup ? est-ce normal en mars ? impossible à dire.
Ce qui a de la valeur, c'est la série : la même mesure répétée. 47,3 puis 47,5 puis 47,4… Sur une journée, on lit le va-et-vient des butineuses, quelques centaines de grammes qui partent le matin et rentrent le soir. Sur une année, on lit tout autre chose : une floraison, un essaimage, un hiver, une colonie qui tient ou qui s'éteint. Même capteur, même unité — c'est la durée qui fait apparaître le sujet.
Une donnée n'est jamais « brute ». Quelqu'un a décidé de mesurer ceci plutôt que cela, à cette fréquence, avec cet appareil, à cet endroit. Ce choix est déjà un point de vue. Il vaut mieux l'assumer que le nier.
Nos yeux comparent très mal une colonne de chiffres. Ils comparent très bien des longueurs, des positions, des pentes. Toute la visualisation de données tient dans ce constat : on remplace un nombre par une propriété visuelle que l'œil sait lire d'un coup.
On appelle ça un encodage. Un nombre devient une position sur un axe, la longueur d'une barre, l'aire d'un cercle, une couleur, une épaisseur de trait. Ces encodages ne se valent pas : on lit une position au dixième près, une longueur presque aussi bien, une surface beaucoup moins, une couleur presque pas — mais la couleur reste imbattable pour distinguer des catégories.
Un exemple : une ruche pesée toutes les heures pendant un an, ce sont 8 760 valeurs. En tableau, c'est illisible, personne n'ira au bout. En une seule courbe, l'année entière tient dans un regard — et les accidents sautent aux yeux.
Rien de récent là-dedans : William Playfair invente la courbe et l'histogramme en 1786, John Snow cartographie le choléra de Londres en 1854 et trouve la pompe contaminée, Florence Nightingale fait bouger l'armée britannique avec des diagrammes de mortalité, Charles Joseph Minard résume la campagne de Russie en une seule image en 1869. Le principe est stable depuis deux siècles ; seuls les outils ont changé.
Une visualisation répond à une question. « La colonie a-t-elle passé l'hiver ? » « À quelle heure cette pièce est-elle la plus lumineuse ? » « Qu'est-ce que j'écoutais il y a cinq ans ? » Sans question, on décore.
Elle est réussie à trois conditions : on trouve la réponse vite, on ne se trompe pas — échelles honnêtes, pas d'axe tronqué qui exagère un écart —, et une autre personne y voit la même chose que vous.
Le critère de réussite est donc extérieur à l'image : c'est la compréhension du lecteur. C'est un travail de service, où la forme s'efface derrière ce qu'elle montre. Une bonne dataviz, on la traverse sans la regarder.
Reprenons l'année de la ruche. Avec la même série, on peut poser deux questions très différentes.
« Combien pesait-elle en juillet ? » — il faut alors des axes gradués, une légende, un titre, une grille. Chaque élément est là pour permettre de retrouver un chiffre.
« À quoi ressemble une année de colonie ? » — là, les graduations n'apportent plus rien. On peut enrouler la courbe en spirale pour que décembre touche janvier, épaissir le trait là où la ruche gagne du poids, laisser les nuits en creux. On ne cherche plus à faire retrouver 47,3 kg : on cherche à faire ressentir un rythme.
Dans les deux cas, aucun chiffre n'a été inventé ni modifié. Ce qui a changé, c'est ce qu'on demande à l'image. On passe de « est-ce que je comprends ? » à « est-ce que ça me fait quelque chose ? ».
Ce déplacement du critère, c'est exactement ce qu'on appelle le data art.
Une œuvre dont la matière première est une mesure réelle, et dont le but n'est plus de faire lire, mais de faire regarder.
Ce qui est conservé de la dataviz : les données sont vraies et non retouchées ; l'encodage reste systématique, c'est-à-dire que la même règle s'applique à toutes les valeurs, sans exception arrangeante. C'est ce qui distingue une œuvre d'une illustration : on pourrait, en théorie, remonter de l'image aux chiffres.
Ce qui est abandonné : la lecture immédiate. La légende peut disparaître, l'échelle devient un choix plastique, le titre est parfois la seule clé donnée au spectateur. Le temps de regard n'est plus la seconde d'un graphique de rapport, mais la minute d'une image — voire des années, sur un mur.
Et si l'on abandonne aussi l'exactitude — des formes séduisantes, mais des nombres inventés ou décoratifs — on est sorti du data art : c'est du graphisme génératif. Rien de mal à cela, mais ce n'est plus la même promesse faite au spectateur.
Il n'y a pas la dataviz d'un côté et l'art de l'autre. Il y a un continuum, et deux exigences qui ne décrochent pas au même endroit.
La plupart des travaux intéressants vivent au milieu. Une infographie de presse soigne son esthétique pour retenir le lecteur. Une œuvre honnête reste vérifiable si on lui demande ses sources. Le curseur bouge d'un projet à l'autre, parfois d'une image à l'autre dans le même projet.
« Le data art, c'est de la dataviz ratée. » Non : ce sont deux réussites différentes. Reprocher à une œuvre de ne pas avoir de légende revient à reprocher à un poème d'expliquer mal.
« Il suffit que ce soit beau. » Non : sans mesure réelle derrière, c'est de l'illustration. La contrainte des données est précisément ce qui fait le genre — elle interdit les facilités et impose des formes qu'on n'aurait pas dessinées seul.
« Il faut que ce soit abstrait et numérique. » Non : il existe des sculptures, des tissages, des partitions et des tirages papier. L'écran n'est qu'un support parmi d'autres, et souvent le plus fragile dans le temps.
Du côté de la visualisation : William Playfair, John Snow, Florence Nightingale et Charles Joseph Minard pour les fondations ; Jacques Bertin et sa Sémiologie graphique (1967) pour la théorie des encodages ; Edward Tufte pour l'exigence de sobriété.
Du côté du data art : Giorgia Lupi et Stefanie Posavec avec Dear Data, une année d'échanges de cartes postales dessinées à la main ; Nathalie Miebach, qui tresse des données météo en sculptures et en partitions ; Ryoji Ikeda, qui traite la donnée comme du son et de la lumière ; Aaron Koblin et ses Flight Patterns ; Laurie Frick, Jer Thorp, Refik Anadol pour les installations à grande échelle.
Je travaille des séries longues sur le vivant et l'intime : une ruche pesée toutes les heures, le ciel de Bordeaux, la lumière d'une maison, ce que j'écoute. Les mêmes séries, selon le cadrage, donnent un outil de suivi ou une image à regarder longtemps. C'est le même geste, avec le curseur placé ailleurs.
