Power BI, tout comme ses alternatives telles que Google Looker Studio et Tableau, est un puissant outil de visualisation low-code permettant de créer des tableaux de bord et des rapports (statiques comme interactifs). Sa véritable force réside dans l'intégration du langage interprété DAX, qui offre des fonctionnalités avancées pour le nettoyage et le traitement des données tout en facilitant leur exploration et analyse.

Cette étude de cas me permet d'illustrer mon raisonnement analytique et ma réflexion quant à l'élaboration d'un tableau de bord intuitif et efficace, répondant à des problématiques métiers bien définies. Pour ce faire, j'ai conçu un script Python pour simuler un vaste jeu de données fictif sur les allocataires en Île-de-France.

Processing des données

Pour se rapprocher au maximum de la réalité du métier, il est important de bien comprendre l'origine des données. Afin d'avoir du contenu à représenter, j'ai réalisé un script Python afin de générer 1M+ de données avec différentes catégories.

Le script Python repose sur une logique de génération probabiliste pour garantir la diversité et la cohérence des données. En effet, les caractéristiques démographiques (âge, région, composition familiale) sont générées selon des distributions plus-ou-moins réalistes, basées sur les tendances connues. De plus, les attributions d'allocations suivent des règles précises afin de refléter les critères d'éligibilité, comme le nombre d'enfants pour l'allocation familiale ou le statut professionnel pour le RSA.

L’attribution des variables clés (allocations, revenus, statuts professionnels) a été pensée pour refléter une logique statistique et réglementaire. Les probabilités d'attribution sont ajustées en fonction de critères sociaux et des règles spécifiques garantissent une cohérence "un peu plus" réaliste. Je me suis notamment inspiré des chiffres des données statistiques allocataires relatives à la pauvreté et la précarité en Ile-de-France fin 2016 de la Ctrad.

Cette approche permet d'assurer une base de données riche et réaliste tout en maintenant un contrôle sur les proportions simulées.

A l'importation des données, une phase de transformation des données en requêtes DAX permet d'attribuer les bons formats aux données, mais aussi de créer des nouvelles colonnes et mesures pertinentes pour l'analyse à venir.

Problématiques métiers

Ciblage des bénéficiaires potentiels

Un graphique en courbe peut permettre d’identifier les tendances démographiques en fonction des générations. Une baisse ou une hausse significative du nombre moyen d’enfants peut signaler des besoins spécifiques (comme l’adaptation des allocations familiales aux familles nombreuses ou aux foyers sans enfant).

De plus, un graphique pour représenter une distribution, comme un graphique en donut, peut montrer la proportion des différents statuts familiaux (célibataire, marié, divorcé, etc.). Ces informations permettent de cibler les programmes sociaux en fonction des caractéristiques majoritaires (par exemple, un fort pourcentage de célibataires peut nécessiter des aides spécifiques au logement individuel).

Evaluation des critères d'éligibilité

Un graphique en barres est parfait pour mettre en lumière les disparités selon les statuts professionnels (chômeur, actif, retraité, étudiant). Par exemple, il permet d’évaluer si les étudiants ou les chômeurs reçoivent des allocations suffisantes par rapport à leur situation de précarité.

Un second est pertinent pour l’analyse des allocations par tranche de revenu (cruciale pour vérifier si les aides sont bien distribuées aux foyers les plus vulnérables). Une faible différence entre les catégories "faible" et "élevé" pourrait indiquer des seuils mal adaptés par exemple.

Optimisation des politiques publiques

Une carte interactive permet d’identifier les disparités régionales dans la répartition des bénéficiaires. Par exemple, des départements peuvent présenter des besoins spécifiques en raison d’une forte concentration de foyers précaires.

Un second diagramme en barres est idéal pour montrer les volumes totaux de bénéficiaires en fonction de leur situation familiale. Cela permet de comprendre où concentrer les efforts (par exemple, sur les familles monoparentales).

Suivi des impacts des allocations

Un tableau bien organisé est souvent plus utile que 1000 graphiques. C'est pourquoi un tableau filtré avec des données aggrégées en fonction de plusieurs catégories est idéal pour suivre la synthèse du nombre d'allocations de chaque catégories perçus par catégorie. Ainsi, des allocations concentrées sur certaines catégories pourraient nécessiter une révision pour garantir une meilleure équité.

Un autre graphique en courbes peut être pertinent pour explorer les variations démographiques en fonction de l'âge des adultes dans les foyers. Cela peut permettre de révéler des tranches d'âges nécessitant des soutiens spécifiques comme les jeunes ou les retraités.

Prévisions et planifications budgétaires

Les tendances démographiques à long terme permettent d'anticiper les besoins en allocations futures. Une hausse des naissances dans les années 2000, par exemple, pourrait signaler un besoin accru d'allocations pour les jeunes familles dans les années à venir. Ceci est un point d'analyse cricual qui pourrait amener au besoin de réaliser des prédictions par Machine Learning sur les naissances par exemple.

Ces représentations aident à prévoir les budgets nécessaires pour chaque département, en fonction de la concentration des allocataires et de leurs profils.

Communication avec les parties prenantes

Un tableau de bord global facilite la communication des résultats auprès des décideurs politiques, des partenaires institutionnels et des citoyens. La variété des graphiques (courbes, barres, tableaux, carte) permet d’adresser des besoins divers : analyses détaillées pour les experts et synthèses claires pour les parties non techniques.

Rapport final

Afin d'assurer une lecture propre et des analyses comparatives complètes, rajouter des options de filtrage intéractives notamment pour les départements ou la période des naissances à considérer est un atout important.

Ainsi, un nouvel outil de visualisation métier est réalisé pour répondre aux problématiques et assurer un nouvel impact positif sur la société !

En fonction des parties prenantes qui auront accès au tableau de bord, il est important de préciser l'origine des données (sources de scraping, BDD utilisées, etc.). Ici, il s'agit de données complètement fictives et générées pour l'étude de cas.

Preview du dashboard réalisé