Data Exploration - Qu'est ce que c'est ?
La Data Exploration, ou exploration des données, est la première étape de l'analyse de données. Elle consiste à explorer un large ensemble de données non structurées pour y découvrir de premières tendances.
En effet, les données sont bien souvent assemblées en de larges volumes de données non structurés en provenance de multiples sources. L'exploration de données permet de profiter d'une première vue d'ensemble.
De plus amples analyses seront nécessaires pour prélever toutes les informations pertinentes du dataset. Les premières tendances et points d'intérêt découverts pourront ensuite être étudiés plus en détail.
L'analyse de données s'en trouve par la suite simplifiée, puisque les recherches peuvent être orientées et cadrées. Les données les moins pertinentes peuvent être éliminées du processus.
Plusieurs options existent pour la Data Exploration. Il est possible d'employer des méthodes manuelles, ou des outils automatisés tels que la Data Visualization, les graphiques ou le reporting.
Les méthodes manuelles permettent à l'utilisateur de détecter les tendances larges et de se familiariser avec les données. Les tableaux Microsoft Excel font partie des outils manuels utilisés pour l'exploration de données. Ils permettent de créer des graphiques basiques pour visualiser les données brutes et d'identifier les corrélations entre les variables grâce à la fonction CORREL().
Les outils automatisés permettent quant à eux de faire rapidement le tri parmi les données. Il en existe une large variété dont des outils de Business Intelligence, des logiciels de Data Visualization, des logiciels de préparation de données ou des plateformes entièrement dédiées à l'exploration.
La visualisation de données est couramment utilisée, car elle offre une vision intuitive et directe des principales tendances. Là encore, ceci permet de profiter immédiatement d'un premier aperçu. La plupart des logiciels d'analyse de données proposent des outils de visualisation et de création de graphiques permettant de se livrer à l'exploration des données.
Plusieurs langages de programmation peuvent être utilisés pour l'exploration de données, avec leurs avantages et inconvénients respectifs. Les plus populaires sont Python (avec la bibliothèque d'analyse de données open source Pandas) et R. Ces deux langages sont hautement flexibles et open source.
En règle générale, R est considéré comme plus adapté à l'apprentissage statistique. En revanche, Python est le meilleur choix pour le Machine Learning de par sa flexibilité pour la production. Cependant, le choix du meilleur langage dépend toujours de l'application et des outils et technologies à disposition.
La Data Exploration peut être très utile face à n'importe quel ensemble de données massif, afin de réduire sa taille pour faciliter sa gestion et orienter les efforts d'analyse. Elle peut être utilisée par les organisations de toutes les industries.
Pour cette exploration, les analystes utilisent souvent un logiciel de visualisation de données qui montre rapidement et simplement les fonctionnalités les plus pertinentes de l'ensemble de données.
Pour comprendre la différence entre Data Exploration et Data Storytelling.