Concevoir des visualisations pour des choses qui n’existent pas encore

• La plupart des visualisations de données portent sur le passé et, même lorsqu’elles montrent l’avenir, elles se contentent souvent de prolonger une seule ligne vers l’avant, sans réellement refléter les caractéristiques structurelles de l’incertitude
• Dès lors que l’objet de la visualisation passe des prévisions aux scénarios contrefactuels, et que la cible n’est plus les « données » mais « l’espace des possibles », trois défis clés apparaissent : multiplicité, incertitude et dépendance
• L’incertitude stratifiée, les chronologies à embranchements et les surfaces de scénarios constituent trois approches structurelles capables de remplacer les visualisations prédictives traditionnelles centrées sur une trajectoire unique
• Des cas concrets comme le cône de prévision des ouragans, les courbes du COVID, les scénarios climatiques ou les cartes de risque sismique montrent précisément comment les visualisations prédictives classiques peuvent induire en erreur
• Le but de la visualisation du futur n’est pas de prédire, mais de concevoir une structure explorable permettant de comprendre combien de futurs sont possibles et quels facteurs les façonnent

---

Les problèmes des visualisations prédictives

• La plupart des graphiques de prévision montrent une ligne unique, propre, qui se prolonge vers l’avant, entourée d’une bande ombrée, ce qui donne une impression de précision et de contrôle
• Cette ligne unique suppose à tort qu’« il existe un futur le plus probable », que « les écarts sont symétriques et prévisibles » et que « l’incertitude n’est qu’une simple marge, et non une propriété structurelle »
• Dans les systèmes réels, le futur ne se prolonge pas : il se ramifie, l’incertitude augmente de manière composite au fil du temps, et les résultats sont non linéaires et asymétriques
• Cas du cône de prévision des ouragans : il est souvent interprété comme si la tempête grossissait, alors qu’il représente en réalité l’incertitude sur la position au fil du temps
• Cas des prévisions COVID : beaucoup de visualisations montraient une courbe unique, alors que les résultats réels divergeaient complètement selon les comportements, les politiques et le moment d’intervention
• Dans son article de Nightingale, "The Day I Thought I Misled the President of the United States", Alberto Cairo montre comment les visualisations prédictives peuvent déformer involontairement la compréhension du public ; il a aussi exploré, dans une visualisation interactive des prévisions d’ouragans pour le New York Times, d’autres moyens de mieux communiquer l’incertitude

Défi central : visualiser ce qui n’est pas encore arrivé

• Lorsqu’on traite de prévisions, de simulations ou de situations contrefactuelles, l’objet du travail n’est plus un jeu de données, mais un espace de résultats (space of outcomes)
• La question passe de « que disent les données ? » à « que peuvent devenir les données ? »
• Trois défis fondamentaux apparaissent
  • Multiplicité (Multiplicity) : il n’existe pas un seul futur, mais une pluralité de futurs
  • Incertitude (Uncertainty) : toutes les possibilités n’ont pas la même probabilité
  • Dépendance (Dependency) : les résultats varient selon les décisions, les événements et les conditions
• La plupart des visualisations prédictives aplatissent ces dimensions en une trajectoire unique, au nom de la lisibilité, mais c’est une approche moins fidèle à la réalité

Scénarios contrefactuels (Counterfactuals)

• Les scénarios contrefactuels du type « que se serait-il passé si… ? » n’existent pas dans les données : ce sont des hypothèses construites, souvent dépendantes d’un modèle
• Pourtant, ils portent sur des questions importantes : et si le tsunami avait été plus puissant ? et si la prédiction du modèle avait été fausse ? et si la politique avait changé ?
• Les scénarios contrefactuels impliquent de montrer une version du réel qui n’a jamais eu lieu, autrement dit de rendre visible une absence
• La plupart des visualisations ignorent totalement ce problème ou le réduisent à un simple basculement par toggle, ce qui est insuffisant
• Pour éviter de compresser les possibles en un seul chemin, il faut assumer la structure plutôt que rechercher la simplicité

Modèle 1 : l’incertitude stratifiée (Layered Uncertainty)

• Au lieu d’un unique intervalle de confiance, il faut classifier l’incertitude par couches
• Structure de ces couches
  • Résultats à forte confiance : zone étroite et sombre
  • Plage de confiance intermédiaire : zone plus large et plus claire
  • Extrêmes de faible probabilité : zones fragmentées, presque invisibles
• Ces couches doivent changer de forme — car l’incertitude n’est pas uniforme
  • Elle peut être orientée dans une direction, se diviser en plusieurs clusters ou se resserrer sous certaines conditions
• L’objectif n’est pas de montrer combien d’incertitude il y a, mais comment elle fonctionne
• Les prévisions météorologiques d’ensemble vont déjà dans cette direction : les « spaghetti plots » visualisent des dizaines de résultats possibles en même temps, et la densité comme le regroupement des lignes expriment bien mieux la confiance, la divergence et l’instabilité qu’une seule courbe de prévision lissée

Modèle 2 : les chronologies à embranchements (Branching Timelines)

• Une trajectoire unique suggère l’inévitabilité, tandis qu’une structure ramifiée met en évidence les points de décision
• Il faut penser non pas en « une ligne → plusieurs écarts possibles », mais en « un point de départ → plusieurs chemins divergents »
• Chaque embranchement représente une condition, une décision ou le franchissement d’un seuil ; cela permet des visualisations interactives significatives où l’utilisateur explore non pas les données, mais les conséquences
• Cette approche est particulièrement puissante pour les simulations de politiques publiques, les scénarios climatiques et le comportement des modèles sous différentes entrées
• Le récit passe de « voici ce qui va arriver » à « voici ce qui peut arriver selon ce qui change »
• Les visualisations climatiques en sont l’exemple le plus clair : des scénarios d’émissions différents produisent, au fil du temps, des trajectoires de réchauffement totalement distinctes, et le futur dépend alors des politiques, des usages énergétiques et du comportement collectif (source : IPCC 2021)

Modèle 3 : les surfaces de scénarios (Scenario Surfaces)

• Au lieu de tracer des futurs individuels, cette approche consiste à visualiser l’espace lui-même
• Sur une surface 2D ou 3D, chaque point représente un scénario ; les axes correspondent à des variables (temps, intensité, probabilité, etc.), tandis que la couleur ou la texture encode la qualité du résultat ou le niveau de risque
• L’utilisateur peut ainsi repérer des zones stables, des zones de variabilité et des transitions brutales entre résultats
• L’accent est mis sur l’exploration plutôt que sur le storytelling
• Les cartes de risque sismique fonctionnent de manière similaire : au lieu de prédire un événement unique, elles visualisent les zones de risque selon des combinaisons de magnitude, profondeur et localisation, afin d’aider à comprendre la topographie des impacts possibles (source : USGS)
• Cela reconnaît un fait que la plupart des visualisations ignorent : le futur n’est pas discret, mais continu

Concevoir pour l’interprétation

• La partie la plus difficile de ces approches n’est pas technique, mais cognitive
• Montrer plusieurs futurs peut submerger l’utilisateur, rendre les motifs moins évidents et demander davantage d’effort d’interprétation
• Simplifier une visualisation pour la rendre « facile » produit souvent, en réalité, une visualisation trompeuse
• L’objectif doit passer de la réduction de la complexité à la structuration de la complexité
• C’est là que l’interaction devient essentielle
  • Révélation progressive (Progressive disclosure)
  • Parcours guidés à travers les scénarios (Guided pathways)
  • Points de repère (Reference points) pour ancrer l’utilisateur
• Il ne s’agit pas seulement de concevoir une visualisation, mais de concevoir une manière de penser l’incertitude

Conclusion : principes clés de la visualisation du futur

• Pour visualiser ce qui n’existe pas encore, il faut cesser de le traiter comme si cela existait déjà
• Trois principes essentiels
  • Représenter une pluralité de possibles, et non une seule possibilité
  • Représenter une structure, et non un simple intervalle
  • Concevoir pour l’exploration, et non pour une simple consommation
• Le but n’est pas de prédire le futur, mais d’aider à comprendre combien de futurs sont possibles et ce qui les façonne