Data et performance

Transformer les données en indicateurs lisibles, mesurer la performance utile et construire des tableaux de bord qui soutiennent réellement la décision.

62 articles · Dernier article mis à jour

La recherche couvre tous les articles de cette rubrique, y compris les archives et le texte des articles.

Comprendre le sujet

Repères pour explorer cette catégorie

Mesurer n’a de sens que si la définition d’un indicateur, sa source et la décision qu’il éclaire sont explicites. Les analyses réunies ici portent sur la qualité des données, la lecture des tendances et la surveillance de parcours numériques réels. Une mesure de performance devient décisionnelle lorsque sa population, sa fenêtre temporelle, son unité et ses exclusions sont connues. Un signal d’authentification, une latence réseau et un échec utilisateur décrivent des événements différents. Les agréger sans définition masque parfois la dépendance qui doit être corrigée.

Angles à examiner
  • Définir unités, périmètre, période et responsable avant de comparer deux chiffres.
  • Distinguer variations de collecte, changement de comportement et effet d’une action.
  • Relier les métriques techniques aux tâches et aux résultats perçus par les utilisateurs.
  • Segmenter les mesures de terrain par page et appareil, puis localiser l’élément ou l’interaction responsable.
  • Rendre visibles effectifs, période et limites avant d’interpréter un taux ou de recommander une action.
  • Définir entrée, retour et horizon, distinguer une absence de retour d’une période non observable et comparer des cohortes arrivées à maturité.
  • Vérifier le grain, les clés et les cardinalités avant de totaliser ventes, coûts ou conversions.
  • Éviter les journées décalées, les doubles comptes et les comparaisons incohérentes entre exports et tableaux de bord.
  • Comparer des performances avec des populations, unités et fenêtres cohérentes.
  • Éviter qu’un remplacement silencieux des valeurs absentes change le sens des indicateurs.
Questions utiles
  • Quel événement produit cette donnée ?
  • Quelle décision changera si l’indicateur bouge ?
  • Peut-on reproduire le calcul et retrouver sa source ?
  • Quel écart vient du trafic ou de la collecte plutôt que du correctif ?
  • Quel est le dénominateur ?
  • Une cellule vide équivaut-elle à zéro ?
  • DISTINCT corrige-t-il une jointure incorrecte ?
  • Tout convertir en UTC suffit-il ?
  • Peut-on moyenner des p95 ?
  • Faut-il remplacer les absences par zéro ?

Exemple illustratif de décision

Situation
Exemple fictif : ces données ne décrivent aucun client ni résultat réel. Un récit annonce une hausse de 100 % alors que le résultat passe d’un succès sur vingt à deux sur vingt.
Vérifier
Afficher les deux effectifs, les taux de 5 % et 10 %, ainsi que l’écart de cinq points. Décrire la comparabilité des périodes et la méthode d’analyse.
Agir
Séparer évolution observée, incertitude et interprétation. Le doublement relatif ne démontre pas que l’action étudiée en est la cause.

Data Storytelling : Transformer les Insights en Actions Stratégiques Impactantes

Petits échantillons : communiquer l’incertitude d’une mesure

NIST/SEMATECH — Confidence intervals for proportions

Qualifier le chiffre avant le commentaire

Vérifiez fraîcheur, complétude et exactitude séparément. Une baisse peut venir du métier ou d’une rupture de collecte ; une période partielle et une valeur absente doivent être visibles avant toute comparaison.

Quel rapprochement prouve que la période et le dénominateur sont comparables ?

Passer à la méthode

Lire les données · vérifier · décider

Engagement : additionner les effectifs avant les taux

Un pourcentage doit rester relié à sa définition et à sa période. Additionnez les sessions et les sessions engagées, puis calculez le taux global.

Taux global
54 %540 / 1 000 sessions
Moyenne simple des taux
45 %(60 % + 30 %) / 2
Taux de rebond global
46 %1 − 54 %, à définition identique

Cas pédagogique fictif — les chiffres ne décrivent pas CIE ni un client.

Questions pour préparer vos décisions

Des réponses et des points de contrôle à retrouver dans les analyses de cette rubrique.

À découvrir dans les archives

D’autres analyses de cette rubrique, au-delà des articles récents affichés ci-dessous.

Temps d’engagement GA4 : choisir le bon dénominateur

Le temps d’engagement enregistré indique une page au premier plan dans le navigateur ou une application au premier plan. Il ne mesure pas directement l’attention, la compréhension ou la…

Publié Mis à jour

Références : données, usages et limites

Documentation consultée le .

Références : données, usages et limites
Source et objetDonnée ou repère vérifiéComment l’utiliserLimite à conserver
Google · Core Web Vitals

Distinguer vitesse d’affichage, réactivité et stabilité visuelle.

 Les repères « bon » sont LCP ≤ 2,5 s, INP ≤ 200 ms et CLS ≤ 0,1, au 75e percentile, avec segmentation mobile et ordinateur. Séparez mesures de terrain et tests de laboratoire. Relevez période, URL, appareil, population et taille d’échantillon avant de comparer une évolution.

Approfondir la méthode →

 Ces seuils ne sont pas des résultats mesurés de ce site. Un bon score de laboratoire ne prouve pas à lui seul l’expérience des visiteurs.

Supports : assainissement et preuves

Comparer la promesse d’effacement aux preuves du fournisseur

Une clause « données supprimées » peut couvrir une opération applicative, des copies ou une fin de vie de supports. Demander un périmètre explicite et le rapprochement entre les éléments confiés au prestataire et les éléments effectivement traités.

  • Identifier la méthode, la technique, l’outil et le support concernés par chaque attestation.
  • Demander séparément les résultats de vérification et la décision de validation.
  • Pour le cloud, examiner frontière chiffrée, gestion des clés et copies selon les responsabilités contractuelles.

Lire les méthodes, les repères de preuve et les situations commentées →

NIST · SP 800-88 Rev. 2 · Guidelines for Media Sanitization · Final · 2025-09-26 · consulted 2026-10-23

Core Web Vitals : seuils et données terrain

Mesurer la performance sans perdre le contexte

Conserver les métadonnées de collecte et distinguer évaluation terrain et diagnostic de laboratoire.

  • Comparer le même appareil, le même périmètre et des périodes documentées.
  • Ne pas transformer une donnée absente en zéro.
  • Vérifier les fonctions et l’accessibilité après le correctif.

Lire les seuils et essayer le lecteur p75 →

Google · About PageSpeed Insights · Living documentation · consulted 2026-10-23

Répartition A/B : données et SRM

Tests A/B : contrôler le ratio avant la décision

Un déséquilibre inexpliqué peut venir de l’affectation, du parcours exécuté, des journaux ou des filtres d’analyse. Le SRM aide à enquêter ; il ne mesure pas l’amélioration du produit.

  • Vérifier le ratio prévu et la stabilité de l’unité avant toute comparaison de conversion.
  • Ne pas interpréter une absence de signal comme une preuve de validité globale.
  • Documenter séparément le contrôle de qualité, l’effet mesuré et la décision de déploiement.

Explorer le contrôle de répartition et ses limites →

Microsoft Research · Diagnosing Sample Ratio Mismatch · Published 2020-09-14 · consulted 2026-10-23

NIST/SEMATECH · Binomial distribution · e-Handbook §1.3.6.6.18 · consulted 2026-10-23

Cardinalité des jointures, NULL et agrégats

Avant d’interpréter un tableau de bord, réconcilier les lignes

Un indicateur peut changer alors que les événements de départ sont identiques : un rapprochement ajoute des paires, un filtre retire des lignes, une mesure NULL réduit les contributions. Gardez un résultat de référence au grain de la source et examinez les identifiants conservés.

  • Comparer COUNT(*), identifiants distincts et mesures non nulles.
  • Inspecter les lignes à plusieurs correspondances avant d’additionner.
  • Vérifier le prédicat actif dans ON puis WHERE sur un cas sans correspondance.

Examiner les paires et les agrégats dans l’atelier →

PostgreSQL 18 · Table expressions · PostgreSQL 18 · documentation reviewed 2026-10-23

PostgreSQL 18 · Aggregate functions · PostgreSQL 18 · documentation reviewed 2026-10-23

PostgreSQL 18 · Comparison functions · PostgreSQL 18 · documentation reviewed 2026-10-23

Références pour approfondir

Documents de référence publiés par les organismes responsables de ces méthodes et standards.