1.2.4.4Data cube
Le data cube [Harinarayan et al., 1996] (figure 1.16) est un type de matrice multidimensionnelle qui permet d’explorer et d’analyser une collection de données suivant 3 perspectives en même temps. Les valeurs de chaque cellule d’un cube de données sont des mesures d’intérêt. Chaque cellule du cube de données est une vue comportant une agrégation d’intérêt.
En statistique, cette technique est un moyen efficace de représenter simultanément deux ou plusieurs caractères observés sur une même population.
L’avantage de cette technique se réfère à la possibilité d’accès aux cellules du data cube, permettant ainsi une navigation multidimensionnelle avec possibilité d’aggrégation, de détail, de sélection, de pivot. Les données sont alors visualisées suivant plusieurs perspectives. L’inconvénient de cette méthode réside en son espace de recherche trop grand.
Le tableau 1.2 présente une synthèse des avantages et des inconvénients des méthodes de visualisation présentée dans cette section.
| Nom | Avantages | Inconvénients |
| Fish Eye | Facilité de manipulation visuelle (focus, contexte, détail, etc.) Limitation de l’encombrement visuel |
Complexité élevée pour de grands graphes Pas de comparaison possible pour deux éléments de la hiérarchie |
| Cone Tree | Facilité de manipulation visuelle Limitation de l’encombrement visuel |
Complexité élevée Impossibilité d’avoir une vue détaillée de plusieurs points |
| Pixellisation | Possibilité de représentation de très grandes quantités de données | Perte de l’information relative à la distance entre les données dû au tri avant pixellisation Complexité liée aux opérations de tri |
| Data cube | Navigation multidimensionnelle | Espace de recherche élevé |
L’objectif de cette première partie était de présenter différentes techniques de visualisation de données et d’informations. Ces techniques permettent de présenter et se faire des hypothèses sur les données en utilisant des propriétés différentes, avec possibilité ou non de manipulation directe. Certaines techniques de visualisation permettent de représenter des données et de construire un modèle de ces données, on parle de FVD. La section suivante est consacrée à la présentation de quelques unes de ces techniques.