Data journalisme : le guide complet pour débuter

Le data journalisme, c’est le fait de raconter une histoire à partir de données chiffrées plutôt qu’à partir d’une source qui parle. Un tableur de dépenses publiques, un fichier de résultats électoraux, une base d’accidents de la route : là où un article classique cite un témoin, le journalisme de données interroge un jeu de chiffres, en tire un constat vérifiable et le rend lisible. La discipline mélange trois savoir-faire qui cohabitaient rarement dans une rédaction : l’enquête, l’analyse statistique et la mise en forme visuelle.

Ce n’est pas une mode récente. Dès les années 1960, des reporters américains utilisaient des ordinateurs pour croiser des dossiers judiciaires, sous le nom de computer-assisted reporting. L’explosion de l’open data et des outils gratuits a simplement mis ces méthodes à portée de toutes les rédactions, y compris les plus petites. Aujourd’hui un journaliste local peut analyser le budget de sa commune sans autre matériel qu’un navigateur et un tableur.

À quoi sert vraiment le journalisme de données

L’intérêt n’est pas de faire joli avec des graphiques. Il est de révéler ce qu’une observation isolée ne montre pas. Un fait divers reste anecdotique tant qu’on ne l’a pas replacé dans une série : dix accidents à un carrefour deviennent un sujet quand on démontre que ce carrefour concentre trois fois plus de collisions que la moyenne de la ville. Les données servent à établir une ampleur, une tendance, une anomalie.

Elles servent aussi à contredire une communication officielle. Quand une administration annonce une baisse, ouvrir le fichier source permet parfois de constater que la baisse tient à un changement de méthode de comptage, pas à une amélioration réelle. Le chiffre devient alors un contre-pouvoir, à condition de savoir le lire.

Enfin, les données rendent une enquête reproductible. Un lecteur peut, en théorie, refaire le calcul. Cette transparence est un argument de crédibilité que peu d’autres formes de journalisme offrent.

Les grandes étapes d’un projet

Un travail de data journalisme suit presque toujours le même fil : trouver les données, les nettoyer, les analyser, puis les mettre en récit. Le nettoyage est de loin l’étape la plus longue et la moins visible. Un fichier public arrive rarement propre : dates au mauvais format, noms de communes écrits de dix façons, colonnes vides, doublons. On estime souvent que cette phase de préparation occupe la majeure partie du temps d’un projet, bien avant la moindre visualisation.

Vient ensuite l’analyse, qui répond à une question posée d’avance plutôt que de fouiller au hasard. Puis la publication, où le graphique n’est qu’un moyen : parfois une carte, parfois un simple tableau trié, parfois un seul chiffre bien mis en valeur suffit. Si vous démarrez, mieux vaut suivre une méthode pas à pas plutôt que de tout improviser. Notre page dédiée détaille comment mener un premier projet de data journalisme sans se perdre.

Où trouver les données et comment les lire

Les sources ne manquent pas : portails d’open data des collectivités, statistiques publiques nationales, registres d’entreprises, bilans budgétaires. Le problème n’est pas la rareté mais la fiabilité et l’interprétation. Une donnée mal comprise produit un article faux avec l’apparence de la rigueur, ce qui est plus dangereux qu’une simple opinion.

C’est là qu’interviennent les méthodes d’exploration et de fouille de données. Savoir repérer une corrélation sans la confondre avec une causalité, comprendre pourquoi une moyenne peut mentir, détecter une valeur aberrante : ce sont des réflexes qui s’acquièrent. Le champ des techniques de traitement statistique, parfois regroupées sous le terme de fouille de données, mérite un détour à part entière, que nous développons dans le guide des techniques de data mining appliquées au journalisme.

Les outils du data journaliste

On imagine à tort qu’il faut coder pour se lancer. C’est faux au début. Un tableur bien maîtrisé couvre l’essentiel des besoins d’une petite rédaction : filtres, tableaux croisés, formules de calcul. Pour la visualisation, des logiciels gratuits produisent des cartes et des graphiques publiables sans écrire une ligne de code.

Le passage à la programmation devient utile quand les fichiers grossissent ou quand on veut automatiser un traitement répétitif. Des langages comme Python ou R sont alors des alliés, mais ils ne sont pas un prérequis pour commencer. Nous comparons les solutions accessibles, du tableur au code, dans notre panorama des outils du data journalisme, pour que chacun choisisse selon son niveau et son budget.

Apprendre par l’exemple

Rien ne remplace l’observation de travaux publiés. Les grandes rédactions françaises et internationales ont produit des enquêtes marquantes sur les inégalités salariales, la pollution, les dépenses de campagne ou l’accès aux soins. Décortiquer un projet réussi apprend plus qu’un manuel : quelle question il posait, quelle donnée il exploitait, comment il évitait le piège du graphique décoratif.

Il est utile de distinguer les projets qui informent réellement de ceux qui habillent une intuition avec des chiffres. Nous avons rassemblé et analysé une sélection de projets et exemples de data journalisme, en expliquant ce qui les rend solides ou fragiles, plutôt que de se contenter d’admirer le rendu visuel.

Se former et en faire un métier

Le data journalisme s’apprend, par des formations dédiées, des cursus universitaires ou en autodidacte à partir de tutoriels et de jeux de données ouverts. La bonne nouvelle pour un débutant : le ticket d’entrée technique est bas et l’essentiel se joue sur la méthode et la curiosité, pas sur un diplôme précis.

Côté carrière, les profils qui combinent sens de l’enquête et aisance avec les chiffres restent recherchés, aussi bien dans les médias que dans des organisations qui produisent de la donnée. Les rémunérations varient fortement selon l’employeur, l’expérience et le statut. Nous détaillons les parcours possibles et ce qu’on peut attendre du métier dans notre page sur la formation en data journalisme et les débouchés.

Les pièges qui décrédibilisent un travail

Beaucoup de projets ratés partagent les mêmes défauts. Le premier est de partir de la donnée disponible plutôt que d’une question : on finit par raconter ce que le fichier permet de dire, pas ce qui compte. Le deuxième est de confondre coïncidence et lien de cause à effet, faute qui saute aux yeux d’un statisticien et ruine la confiance. Le troisième est de sur-visualiser, en noyant un message simple sous des graphiques inutiles.

S’ajoutent des questions de sourcing : citer précisément le fichier utilisé, sa date, son producteur, et expliquer les traitements appliqués. Un projet dont on ne peut pas retracer la méthode ne vaut pas mieux qu’une rumeur. Nous listons ces travers, avec des exemples concrets et des correctifs, dans notre guide des erreurs à éviter en data journalisme.

Par où commencer concrètement

Le meilleur apprentissage reste de traiter un petit sujet de bout en bout : choisir une question qui vous tient à cœur dans votre commune ou votre secteur, trouver un fichier public qui s’y rapporte, le nettoyer, en tirer un ou deux constats vérifiables, et les présenter simplement. Un premier projet modeste et terminé apprend davantage qu’un sujet ambitieux abandonné à mi-course.

Gardez en tête que la donnée n’est qu’un moyen. Le lecteur ne retient pas un graphique, il retient une information qui le concerne. Le data journalisme réussit quand la rigueur des chiffres se met au service d’une histoire claire, et non l’inverse. Les pages de ce guide couvrent chaque étape en détail, du choix des outils aux exemples inspirants, pour vous accompagner du premier fichier à la publication.