Erreurs à éviter en data journalisme

La plupart des projets de data journalisme ratés partagent les mêmes défauts, et ces erreurs à éviter en data journalisme se repèrent facilement une fois qu’on les connaît. Elles ne sont pas techniques au sens du code : ce sont des fautes de méthode et de jugement qui décrédibilisent un travail même bien exécuté. Les repérer chez soi, avant publication, protège d’un article faux ou trompeur qui abîme la confiance du lecteur.

Partir du fichier plutôt que de la question

C’est l’erreur fondatrice, celle qui contamine tout le reste. Ouvrir un jeu de données et se demander « qu’est-ce que je peux en tirer » conduit à raconter ce que le fichier permet de dire, pas ce qui compte pour le lecteur. On aboutit à un article techniquement correct mais sans intérêt, ou pire, qui force un angle artificiel pour justifier l’effort fourni.

Le correctif est simple à énoncer, exigeant à appliquer : formuler d’abord une question précise et vérifiable, puis chercher la donnée qui y répond. Si aucune donnée disponible ne répond à votre question, il vaut mieux changer d’angle que de tordre un fichier inadapté.

Confondre corrélation et causalité

Deux courbes qui évoluent ensemble ne prouvent pas que l’une explique l’autre. Cette confusion est l’erreur qui saute le plus vite aux yeux d’un lecteur averti, et elle discrédite instantanément tout le travail. Un facteur caché commun explique souvent les deux phénomènes qu’on croyait liés.

Le réflexe protecteur consiste à se demander systématiquement, devant tout lien apparent, s’il n’existe pas une troisième cause, ou si la coïncidence ne tient pas au hasard sur un petit nombre de cas. En cas de doute, on décrit le lien constaté sans affirmer de cause. Décrire le lien sans trancher sur la cause reste la formulation la plus honnête.

Sur-visualiser au détriment du message

La tentation de multiplier les graphiques est forte, surtout quand les outils rendent la création facile. Le résultat noie un message simple sous une avalanche de courbes, cartes et camemberts dont aucun ne marque le lecteur. Un graphique magnifique dont on ne comprend pas la question qu’il pose est un échec, pas une réussite.

Le correctif tient en une discipline : identifier le message unique du projet, puis choisir la seule forme qui le sert le mieux. Souvent un tableau trié, un graphique sobre ou même un chiffre isolé bien mis en valeur fait mieux qu’une visualisation animée. Renoncer à montrer tout ce qu’on a trouvé témoigne d’une vraie maîtrise du sujet.

Négliger le sourcing et la traçabilité

Un projet dont on ne peut pas retracer la méthode reste invérifiable, et un chiffre invérifiable ne pèse pas plus lourd qu’une opinion, aussi soigné soit le rendu. Oublier d’indiquer le fichier utilisé, sa date, son producteur et les traitements appliqués prive le lecteur de tout moyen de vérifier, et vous prive de toute défense en cas de contestation.

Prenez l’habitude de documenter au fur et à mesure, pas à la fin. Notez chaque source, chaque filtre, chaque ligne écartée. Cette rigueur transforme votre travail en preuve reproductible, ce qui est précisément la promesse du journalisme de données et son principal atout de crédibilité.

Une variante insidieuse de cette faute consiste à citer une source vague, du genre « selon les statistiques officielles », sans préciser laquelle ni de quelle année. Le lecteur ne peut rien vérifier, et l’affirmation flotte sans ancrage. Nommez toujours le producteur exact et la date : c’est ce niveau de précision qui distingue une information d’une impression.

Les erreurs de lecture des données

Restent les fautes d’interprétation plus discrètes : une moyenne prise pour une réalité représentative, une valeur aberrante laissée dans le calcul, des chiffres au recueil hétérogène comparés comme s’ils étaient homogènes. Ces pièges relèvent moins du jugement éditorial que de la méthode d’analyse proprement dite. Plutôt que de les traiter ici en surface, mieux vaut les aborder dans le détail : notre guide des techniques de data mining pour le journalisme montre comment questionner chaque agrégat et repérer les mesures trompeuses avant qu’elles ne biaisent une conclusion.

Éviter ces erreurs ne demande pas un talent rare, seulement de la méthode et de l’humilité face aux chiffres. Pour reprendre l’ensemble de la démarche depuis le début, le guide du data journalisme réunit toutes les étapes d’un projet solide.