Intelligence artificielle · Chapitre 14 · Cours 10

Comparer plusieurs jeux de données

Apprenez à rapprocher des tableaux, identifier leurs différences, mesurer les écarts et utiliser l’intelligence artificielle pour comparer plusieurs sources de données de manière fiable et professionnelle.

À la fin de ce cours, vous saurez :

  • Expliquer pourquoi et comment comparer plusieurs jeux de données.
  • Identifier les conditions nécessaires à une comparaison fiable.
  • Harmoniser les formats, les périodes et les unités.
  • Choisir une clé commune pour rapprocher deux tableaux.
  • Repérer les correspondances et les enregistrements manquants.
  • Calculer des écarts absolus et relatifs.
  • Comparer des données de tailles différentes.
  • Utiliser Excel, Power Query et les tableaux croisés dynamiques.
  • Formuler des demandes efficaces à une IA.
  • Vérifier les résultats et présenter une synthèse argumentée.
Prérequis

Savoir organiser un tableau, vérifier les formules, produire des statistiques descriptives et interpréter des tendances. Ces compétences ont été abordées dans les cours précédents du chapitre.

1. Pourquoi comparer plusieurs jeux de données ?

Comparer plusieurs jeux de données consiste à examiner deux ou plusieurs ensembles d’informations afin de déterminer leurs ressemblances, leurs différences et leurs éventuelles relations.

Cette démarche permet notamment de :

  • Comparer les résultats de deux périodes.
  • Mesurer les performances de plusieurs établissements.
  • Rapprocher des commandes et des factures.
  • Comparer des ventes réalisées à des objectifs.
  • Identifier les écarts entre deux versions d’un fichier.
  • Repérer des anomalies entre différentes sources.
Exemple professionnel

Une entreprise dispose d’un fichier des ventes de janvier et d’un fichier des ventes de février. Elle souhaite déterminer quels produits progressent, lesquels reculent et quelle est l’évolution globale.

Une comparaison structurée permet d’obtenir ces informations sans se limiter à une lecture visuelle des tableaux.

2. Distinguer les principaux types de comparaison

Type Objectif Exemple
Temporelle Comparer plusieurs périodes. Ventes de janvier et février.
Géographique Comparer plusieurs territoires. Activité de deux agences.
Organisationnelle Comparer des services ou équipes. Délais de traitement.
Prévision / réalisation Mesurer l’écart avec un objectif. Budget prévu et dépenses réelles.
Rapprochement Vérifier la concordance entre sources. Commandes et factures.
Versions Repérer des ajouts, suppressions ou modifications. Deux exports d’une base clients.

3. Définir l’objectif avant de comparer

La première étape consiste à formuler une question précise. La méthode utilisée dépend du résultat attendu.

Question trop vague

« Compare ces deux fichiers. »

Question exploitable

« Compare les quantités vendues par produit entre janvier et février, calcule les écarts et identifie les trois plus fortes baisses. »

Il faut préciser :

  • Les sources à utiliser.
  • Les périodes concernées.
  • Les indicateurs à comparer.
  • Le niveau de détail souhaité.
  • Le destinataire de l’analyse.
  • Les règles de contrôle.

4. Comprendre la notion de comparabilité

Deux données sont comparables lorsqu’elles représentent des éléments suffisamment équivalents pour que leur rapprochement ait un sens.

Exemple de comparaison trompeuse

Comparer le chiffre d’affaires HT d’une agence avec le chiffre d’affaires TTC d’une autre conduit à une analyse incohérente. Les montants doivent d’abord être exprimés sur une base commune.

La comparabilité doit être examinée sur plusieurs plans :

  • Définition des indicateurs.
  • Unité de mesure.
  • Période de référence.
  • Périmètre étudié.
  • Méthode de collecte.
  • Niveau de détail.

5. Vérifier les périodes

Les périodes comparées doivent être clairement définies. Une comparaison entre un mois complet et un mois partiellement enregistré peut être trompeuse.

Exemple

Une entreprise compare 300 commandes réalisées en janvier avec 150 commandes enregistrées pendant les quinze premiers jours de février.

Il serait incorrect de conclure immédiatement à une baisse de 50 % de l’activité mensuelle. Les périodes ne couvrent pas la même durée.

Une normalisation par jour peut parfois aider, à condition de préciser si l’on utilise des jours calendaires ou des jours ouvrés.

6. Harmoniser les unités

Avant toute comparaison, il faut vérifier que les valeurs utilisent les mêmes unités.

Source A Source B Correction
2,5 kg 2 500 g Convertir dans une même unité.
1 200 € HT 1 440 € TTC Harmoniser le traitement de la TVA.
45 minutes 0,75 heure Utiliser une unité commune.
0,15 15 % Harmoniser la représentation du taux.

Les conversions doivent être explicites. Une conversion monétaire nécessite notamment une date et un taux de change de référence.

7. Harmoniser les formats

Deux fichiers peuvent représenter les mêmes informations avec des formats différents.

Exemple

Un fichier contient la date « 05/02/2026 », tandis qu’un autre utilise « 2026-02-05 ». Ces valeurs peuvent désigner le même jour.

Il faut convertir les deux colonnes en véritables dates avant de les rapprocher.

Les éléments à harmoniser comprennent notamment les dates, nombres, décimales, libellés, identifiants et catégories.

8. Vérifier les définitions des indicateurs

Deux colonnes portant le même nom ne correspondent pas nécessairement à la même définition.

Exemple

Une source peut définir un « client actif » comme un client ayant commandé dans les 30 jours, tandis qu’une autre utilise une période de 12 mois.

Les deux indicateurs ne doivent pas être comparés directement sans harmonisation.

9. Identifier la granularité des données

La granularité correspond au niveau de détail auquel les observations sont enregistrées.

Exemples :

  • Une ligne par commande.
  • Une ligne par produit vendu.
  • Une ligne par client.
  • Une ligne par mois.

Comparer un fichier détaillé par commande avec un fichier regroupé par mois nécessite généralement une étape d’agrégation.

Erreur fréquente

Rapprocher directement des lignes de granularités différentes peut multiplier les montants et produire des doubles comptages.

10. Utiliser une clé de rapprochement

Une clé de rapprochement est une information commune permettant d’identifier les correspondances entre plusieurs jeux de données.

Il peut s’agir :

  • D’un identifiant produit.
  • D’un numéro de commande.
  • D’un identifiant client.
  • D’un code établissement.
  • D’une combinaison de plusieurs colonnes.
Exemple

Le produit « Clavier standard » apparaît dans deux fichiers avec des libellés légèrement différents, mais possède le même code PRD001.

Le code produit est généralement une meilleure clé que son libellé.

11. Vérifier l’unicité des clés

Une clé supposée unique doit être contrôlée avant tout rapprochement.

Si un même identifiant apparaît plusieurs fois, il faut déterminer si cela correspond :

  • À un doublon incorrect.
  • À plusieurs opérations légitimes.
  • À un fichier contenant plusieurs lignes par produit.
  • À une erreur d’identification.

Il ne faut pas supprimer automatiquement les identifiants répétés : plusieurs lignes peuvent être parfaitement valides.

12. Comprendre les principales jointures

Une jointure permet de rapprocher deux tableaux à partir d’une ou plusieurs clés communes.

Jointure Principe Usage
Interne Conserve les correspondances présentes dans les deux sources. Comparer uniquement les produits communs.
Gauche Conserve toutes les lignes de A et leurs correspondances éventuelles dans B. Repérer les commandes sans facture.
Droite Conserve toutes les lignes de B et leurs correspondances éventuelles dans A. Examiner les éléments de B absents de A.
Externe complète Conserve les clés présentes dans au moins une des deux sources. Comparer l’ensemble des produits des deux périodes.
À comprendre

Une jointure externe complète est particulièrement utile lorsqu’un produit peut apparaître dans une seule des deux périodes. Elle permet de conserver les nouveaux produits et ceux qui ont disparu.

13. Repérer les données présentes dans une seule source

Lors d’une comparaison, certains identifiants peuvent être absents d’un des fichiers.

Exemple

Le fichier de janvier contient les produits A, B et C. Le fichier de février contient B, C et D.

Le produit A est absent de février. Le produit D est nouveau en février. Les produits B et C sont communs.

Une absence de ligne ne signifie pas automatiquement une valeur nulle.

Il faut distinguer :

  • Une valeur réellement égale à zéro.
  • Une donnée manquante.
  • Un produit non commercialisé.
  • Un enregistrement exclu du périmètre.

14. Calculer un écart absolu

L’écart absolu mesure la différence entre deux valeurs.

Écart = Valeur B – Valeur A
Exemple

Janvier : 120 unités. Février : 150 unités.

Écart = 150 – 120 = +30 unités.

15. Calculer un écart relatif

L’écart relatif exprime la différence par rapport à une valeur de référence.

Écart relatif (%) = (Valeur B – Valeur A) / Valeur A × 100
Exemple

Janvier : 120 unités. Février : 150 unités.

(150 – 120) / 120 × 100 = +25 %.

Valeur de référence nulle

Si la valeur A est égale à zéro, ce taux d’évolution n’est pas défini. Il faut présenter l’écart en valeur absolue ou choisir un autre indicateur pertinent.

16. Distinguer pourcentage et points de pourcentage

Lorsque deux valeurs sont déjà exprimées en pourcentage, leur différence directe s’exprime en points de pourcentage.

Exemple

Le taux de satisfaction passe de 80 % à 85 %.

La hausse est de 5 points de pourcentage.

L’évolution relative du taux est de (85 – 80) / 80 × 100 = +6,25 %.

17. Comparer des groupes de tailles différentes

Les volumes bruts peuvent être trompeurs lorsque les groupes n’ont pas la même taille.

Exemple

L’agence A traite 200 dossiers avec 5 collaborateurs. L’agence B traite 300 dossiers avec 10 collaborateurs.

Productivité moyenne observée :

  • Agence A : 200 / 5 = 40 dossiers par collaborateur.
  • Agence B : 300 / 10 = 30 dossiers par collaborateur.

L’agence B traite davantage de dossiers au total, mais le ratio est plus élevé pour l’agence A.

Ce ratio ne suffit toutefois pas à mesurer la performance réelle sans examiner la complexité des dossiers et les ressources mobilisées.

18. Utiliser des indicateurs normalisés

La normalisation consiste à exprimer les résultats sur une base comparable.

Exemples :

  • Ventes par jour ouvré.
  • Commandes par salarié.
  • Incidents pour 1 000 utilisateurs.
  • Dépenses par unité produite.
  • Chiffre d’affaires par établissement.
Précaution

Le dénominateur choisi doit avoir un sens. Un indicateur normalisé peut masquer des différences importantes de contexte si les populations comparées ne sont pas équivalentes.

19. Comparer des moyennes et des médianes

Une moyenne permet de comparer le niveau moyen d’une variable. La médiane renseigne sur sa valeur centrale lorsque les observations sont ordonnées.

Exemple

Groupe A : 10, 12, 14. Moyenne : 12. Médiane : 12.

Groupe B : 8, 10, 30. Moyenne : 16. Médiane : 10.

La moyenne du groupe B est plus élevée, mais elle est influencée par la valeur 30.

Il est donc utile de comparer plusieurs statistiques descriptives plutôt qu’un seul indicateur.

20. Comparer la dispersion

Deux jeux de données peuvent avoir la même moyenne mais une variabilité différente.

Exemple

Série A : 19, 20, 21. Série B : 10, 20, 30.

Les deux moyennes valent 20, mais la série B est nettement plus dispersée.

Pour comparer cette dispersion, on peut utiliser l’étendue, l’écart-type ou les quartiles, selon le contexte.

21. Comparer des distributions

Comparer deux jeux de données ne consiste pas uniquement à comparer leurs totaux.

On peut aussi étudier :

  • La répartition par catégorie.
  • Les valeurs centrales.
  • La dispersion.
  • Les valeurs extrêmes.
  • La proportion de valeurs manquantes.

Un histogramme, une boîte à moustaches ou un graphique en barres peut faciliter cette comparaison.

22. Attention aux effets de composition

Un résultat global peut évoluer parce que la répartition des catégories change, même si les résultats à l’intérieur de chaque catégorie restent proches.

Exemple

Le délai moyen de traitement augmente dans une entreprise qui reçoit désormais davantage de dossiers complexes.

Il serait prématuré d’en conclure que les équipes travaillent moins efficacement. Il faut comparer les délais à complexité comparable.

23. Comparer des fichiers avec Excel

Excel propose plusieurs fonctions utiles pour comparer des tableaux.

Fonction Utilisation
RECHERCHEX Retrouver une valeur à partir d’une clé.
NB.SI Compter les occurrences d’un identifiant.
SOMME.SI Totaliser les valeurs associées à une clé.
SI Afficher un résultat selon une condition.
SIERREUR Gérer une erreur de formule explicitement.
MOYENNE Comparer les valeurs moyennes.

La disponibilité des fonctions dépend de la version du logiciel. RECHERCHEX n’est notamment pas présente dans toutes les anciennes versions d’Excel.

24. Utiliser RECHERCHEX

Supposons un premier tableau contenant les codes produits en A2:A10 et un second tableau contenant les codes en F2:F10 et les quantités en G2:G10.

=RECHERCHEX(A2;$F$2:$F$10;$G$2:$G$10; »Absent »)

Cette formule recherche le code de la cellule A2 dans le second tableau et renvoie la quantité correspondante.

Attention aux doublons

RECHERCHEX renvoie une correspondance selon son mode de recherche. Si plusieurs lignes portent le même code, il faut généralement les agréger ou utiliser une méthode adaptée avant de comparer les totaux.

25. Utiliser SOMME.SI pour comparer des totaux

Si plusieurs lignes correspondent au même produit, SOMME.SI permet de calculer un total par identifiant.

=SOMME.SI($F$2:$F$100;A2;$G$2:$G$100)

La formule additionne les valeurs de G2:G100 dont le code dans F2:F100 correspond à A2.

Elle convient notamment aux tableaux comportant plusieurs opérations pour un même produit.

26. Utiliser Power Query

Power Query permet d’importer, transformer et rapprocher plusieurs sources de données.

Il est particulièrement utile pour les comparaisons répétitives.

1
Importer les sources

Charger les fichiers ou tableaux à comparer.

2
Harmoniser les colonnes

Vérifier les types, formats, unités et identifiants.

3
Choisir les clés

Définir les colonnes utilisées pour le rapprochement.

4
Fusionner les requêtes

Choisir la jointure adaptée à l’objectif.

5
Calculer et contrôler

Créer les écarts et vérifier les totaux.

6
Actualiser

Réutiliser la procédure sur de nouvelles données.

27. Utiliser un tableau croisé dynamique

Un tableau croisé dynamique permet de synthétiser des données détaillées selon plusieurs dimensions.

Exemple

Une entreprise rassemble ses ventes dans un tableau comportant les colonnes Date, Agence, Produit et Montant.

Un tableau croisé dynamique peut afficher les agences en lignes, les mois en colonnes et la somme des montants en valeurs.

Cette méthode permet de comparer plusieurs périodes et plusieurs agences sans créer manuellement chaque total.

28. Choisir une visualisation adaptée

Objectif Graphique recommandé
Comparer des catégories Barres ou colonnes groupées.
Comparer des évolutions temporelles Courbes sur un même axe temporel.
Comparer des répartitions Barres empilées à 100 %.
Comparer des distributions numériques Histogrammes ou boîtes à moustaches.
Visualiser des écarts à un objectif Barres d’écarts ou graphique combiné adapté.

Il faut conserver des axes cohérents et éviter les échelles trompeuses.

29. Utiliser l’IA pour préparer une comparaison

L’IA peut aider à identifier les colonnes équivalentes, proposer une méthode de rapprochement et signaler les difficultés potentielles.

Tu es analyste de données. Je souhaite comparer deux fichiers CSV. Fichier A : ventes de janvier. Fichier B : ventes de février. Objectif : Comparer les quantités et les montants HT par code produit. Avant les calculs : 1. Identifie les colonnes disponibles. 2. Vérifie les types et les unités. 3. Contrôle les doublons de codes. 4. Détermine la granularité. 5. Propose une clé de rapprochement. 6. Signale les données manquantes. 7. Explique les transformations nécessaires. Ne suppose pas que les colonnes de même nom ont forcément la même définition. N’invente aucune donnée manquante.

30. Demander une analyse comparative à l’IA

Compare les deux jeux de données après validation de leur compatibilité. Pour chaque code produit : – Quantité de la période A. – Quantité de la période B. – Écart absolu. – Taux d’évolution si calculable. – Statut : commun, nouveau ou absent. Calcule également : – Les totaux de chaque période. – L’écart global. – Les trois plus fortes hausses. – Les trois plus fortes baisses. Présente : 1. Un tableau comparatif. 2. Une synthèse factuelle. 3. Les anomalies détectées. 4. Les limites de l’analyse. Distingue les faits calculés des hypothèses explicatives. Montre les formules utilisées et signale tout calcul impossible.

31. Vérifier les réponses de l’IA

Une analyse produite automatiquement doit être contrôlée avant toute utilisation.

  • Les fichiers analysés sont les bons.
  • Les périodes sont correctement identifiées.
  • Les unités sont comparables.
  • Les identifiants sont correctement rapprochés.
  • Les doublons sont traités selon une règle explicite.
  • Les données absentes ne sont pas assimilées arbitrairement à zéro.
  • Les totaux sont recalculés indépendamment.
  • Les taux d’évolution utilisent la bonne référence.
  • Les conclusions ne dépassent pas ce que démontrent les données.
  • Les données confidentielles sont traitées dans un environnement autorisé.

32. Cas pratique complet — Comparer les ventes de deux mois

Situation professionnelle

Une petite entreprise fictive dispose de deux exports mensuels contenant les quantités vendues par produit.

La direction souhaite connaître l’évolution de l’activité entre janvier et février.

Étape A — Fichier de janvier

Code Produit Quantité
P001Clavier40
P002Souris60
P003Écran20
P004Casque30

Total janvier : 40 + 60 + 20 + 30 = 150 unités.

Étape B — Fichier de février

Code Produit Quantité
P001Clavier50
P002Souris54
P003Écran25
P005Webcam15

Total février : 50 + 54 + 25 + 15 = 144 unités.

Étape C — Définir les règles

La comparaison utilise le code produit comme clé.

Les deux fichiers correspondent à des mois complets et les quantités sont exprimées dans la même unité.

Pour ce cas fictif, les exports sont supposés complets : un produit absent d’un export est considéré comme n’ayant enregistré aucune vente ce mois-là.

Important

Cette règle est une hypothèse explicitement définie pour l’exercice. Dans une situation réelle, il faudrait confirmer que l’absence d’un produit signifie bien zéro vente.

Étape D — Construire le tableau comparatif

Produit Janvier Février Écart Évolution
Clavier 40 50 +10 +25 %
Souris 60 54 -6 -10 %
Écran 20 25 +5 +25 %
Casque 30 0 -30 -100 %
Webcam 0 15 +15 Non défini
Total 150 144 -6 -4 %

Étape E — Vérifier les calculs

Écart global : 144 – 150 = -6 unités Taux global : (144 – 150) / 150 × 100 = -4 % Clavier : (50 – 40) / 40 × 100 = +25 % Souris : (54 – 60) / 60 × 100 = -10 % Écran : (25 – 20) / 20 × 100 = +25 % Casque : (0 – 30) / 30 × 100 = -100 % Webcam : Valeur initiale = 0 Taux classique non défini.

Étape F — Vérifier les correspondances

  • Trois produits sont présents dans les deux fichiers.
  • Le casque est présent uniquement en janvier.
  • La webcam est présente uniquement en février.
  • Le total des écarts est de -6 unités.
Contrôle des écarts : +10 – 6 + 5 – 30 + 15 = -6 unités Contrôle des totaux : 144 – 150 = -6 unités

Les deux méthodes aboutissent au même résultat.

Étape G — Utiliser Excel

Après avoir constitué une liste unique des cinq codes produits :

A = Code produit B = Quantité janvier C = Quantité février D = Écart E = Évolution En D2 : =C2-B2 En E2 : =SI(B2=0; » »;(C2-B2)/B2) Total janvier : =SOMME(B2:B6) Total février : =SOMME(C2:C6) Écart global : =SOMME(D2:D6)

Les colonnes B et C doivent être alimentées à partir des sources vérifiées. Les cellules correspondant à des absences ne sont mises à zéro qu’après application de la règle définie pour ce cas.

Étape H — Interpréter les résultats

Janvier 150

Unités vendues.

Février 144

Unités vendues.

Évolution globale -4 %

Soit six unités de moins.

Produits communs 3

Sur cinq codes distincts.

Étape I — Rédiger la synthèse

Synthèse professionnelle

Les quantités vendues passent de 150 unités en janvier à 144 unités en février, soit une baisse globale de 4 %.

Les ventes de claviers progressent de 25 %, tout comme celles des écrans. Les ventes de souris diminuent de 10 %.

Aucun casque n’apparaît dans l’export de février, tandis que les webcams apparaissent pour la première fois. Ces situations sont interprétées selon l’hypothèse de complétude retenue pour l’exercice.

La baisse globale des volumes ne permet pas de conclure à une diminution du chiffre d’affaires, car les prix de vente ne sont pas fournis.

Étape J — Identifier les limites

  • La comparaison ne porte que sur deux mois.
  • Les prix de vente ne sont pas disponibles.
  • Les stocks et ruptures éventuelles ne sont pas connus.
  • Les causes des variations ne sont pas établies.
  • Les différences de durée et de jours ouvrés ne sont pas normalisées.
Conclusion du cas pratique

Une comparaison fiable nécessite un rapprochement correct des identifiants, des règles explicites pour les absences, des calculs vérifiés et une interprétation limitée aux informations réellement disponibles.

33. Les erreurs fréquentes à éviter

  • Comparer des indicateurs de définitions différentes.
  • Ignorer les différences d’unités.
  • Comparer des périodes incomplètes.
  • Rapprocher des lignes uniquement selon leur position.
  • Utiliser des libellés instables comme identifiants.
  • Oublier les produits présents dans une seule source.
  • Assimiler automatiquement une donnée manquante à zéro.
  • Multiplier des montants à cause de clés non uniques.
  • Comparer des groupes de tailles différentes sans normalisation.
  • Confondre pourcentage et points de pourcentage.
  • Déduire une relation causale d’un simple écart.
  • Accepter les résultats de l’IA sans vérification.

34. Méthode professionnelle en sept étapes

1
Définir le besoin

Préciser les sources, les indicateurs et la question à résoudre.

2
Préparer les données

Contrôler les formats, unités, dates, doublons et valeurs manquantes.

3
Vérifier la comparabilité

Examiner les définitions, périodes, périmètres et granularités.

4
Rapprocher les sources

Choisir une clé et une méthode de jointure adaptées.

5
Calculer les indicateurs

Mesurer les écarts, taux et ratios pertinents.

6
Contrôler indépendamment

Recalculer les totaux et vérifier les correspondances.

7
Présenter les résultats

Distinguer faits, hypothèses, anomalies et limites.

35. Vérifiez votre compréhension

Question 1 — Écart absolu

Une entreprise réalise 250 ventes en janvier et 290 en février. Quel est l’écart absolu ?

Afficher la correction
290 – 250 = +40 ventes.
Question 2 — Taux d’évolution

Une valeur passe de 80 à 100. Quel est son taux d’évolution ?

Afficher la correction
(100 – 80) / 80 × 100 = +25 %.
Question 3 — Rapprochement

Le fichier A contient les codes P001, P002 et P003. Le fichier B contient P002, P003 et P004. Quels codes sont communs ?

Afficher la correction
P002 et P003 sont communs. P001 est présent uniquement dans A. P004 est présent uniquement dans B.
Question 4 — Comparabilité

Peut-on comparer directement 10 000 € HT avec 12 000 € TTC ?

Afficher la correction
Non. Il faut d’abord harmoniser les montants sur une base HT ou TTC cohérente, en tenant compte du taux de TVA applicable.
Question 5 — Interprétation

Deux agences réalisent respectivement 100 et 200 dossiers. Peut-on conclure que la seconde est deux fois plus performante ?

Afficher la correction
Non. Il faut notamment examiner les effectifs, les moyens disponibles, la durée d’observation et la complexité des dossiers.

36. Questions fréquentes

1. Qu’est-ce qu’un jeu de données ?

Un ensemble structuré d’informations, généralement organisé en lignes et colonnes.

2. Pourquoi comparer plusieurs jeux de données ?

Pour mesurer des différences, repérer des correspondances et éclairer une décision.

3. Qu’est-ce que la comparabilité ?

La possibilité de rapprocher des données représentant des éléments suffisamment équivalents.

4. Pourquoi harmoniser les unités ?

Pour éviter de comparer des valeurs exprimées sur des bases différentes.

5. Qu’est-ce qu’une clé de rapprochement ?

Une information commune permettant d’identifier les correspondances entre tableaux.

6. Peut-on utiliser un nom comme clé ?

Oui dans certains cas, mais un identifiant stable est généralement préférable.

7. Qu’est-ce qu’une jointure interne ?

Une opération conservant les correspondances présentes dans les deux sources.

8. Qu’est-ce qu’une jointure externe complète ?

Une jointure conservant les clés présentes dans au moins une des deux sources.

9. Pourquoi vérifier les doublons ?

Parce qu’ils peuvent modifier les correspondances et provoquer des doubles comptages.

10. Une valeur manquante signifie-t-elle zéro ?

Non. Une absence doit être interprétée selon les règles et la qualité des sources.

11. Comment calculer un écart absolu ?

En soustrayant la valeur de référence de la valeur comparée.

12. Comment calculer un écart relatif ?

En divisant l’écart par la valeur de référence non nulle, puis en multipliant par 100.

13. Quelle différence entre pourcentage et point de pourcentage ?

Les points mesurent la différence directe entre deux taux ; le pourcentage mesure une évolution relative.

14. Comment comparer deux groupes de tailles différentes ?

En utilisant des ratios ou des indicateurs normalisés pertinents.

15. Pourquoi comparer la médiane et la moyenne ?

Parce que des valeurs extrêmes peuvent influencer la moyenne sans affecter autant la médiane.

16. À quoi sert RECHERCHEX ?

À retrouver une valeur dans un tableau à partir d’une clé de recherche.

17. À quoi sert Power Query ?

À importer, transformer, fusionner et actualiser des données provenant de plusieurs sources.

18. L’IA peut-elle comparer deux fichiers CSV ?

Oui, si l’outil utilisé accepte les fichiers et permet une analyse adaptée, avec vérification des résultats.

19. Une différence prouve-t-elle une causalité ?

Non. Un écart observé ne démontre pas à lui seul pourquoi il existe.

20. Quel est le contrôle indispensable ?

Vérifier indépendamment les rapprochements, les totaux, les calculs et les hypothèses utilisées.

37. Glossaire — 25 termes essentiels

Terme Définition
1. Jeu de donnéesEnsemble structuré d’observations.
2. ComparaisonAnalyse des ressemblances et différences entre données.
3. SourceOrigine d’un ensemble d’informations.
4. ComparabilitéCompatibilité permettant un rapprochement pertinent.
5. HarmonisationMise en cohérence des formats, unités ou définitions.
6. GranularitéNiveau de détail d’un jeu de données.
7. CléChamp utilisé pour identifier ou rapprocher des enregistrements.
8. IdentifiantCode permettant de reconnaître un élément.
9. JointureOpération de rapprochement de plusieurs tableaux.
10. Jointure interneRapprochement conservant les correspondances communes.
11. Jointure gaucheJointure conservant toutes les lignes du tableau de gauche.
12. Jointure externe complèteJointure conservant les clés présentes dans au moins une source.
13. DoublonRépétition potentiellement indésirable d’un enregistrement.
14. Valeur manquanteInformation non disponible pour une observation.
15. AgrégationRegroupement de données selon une règle de calcul.
16. Écart absoluDifférence arithmétique entre deux valeurs.
17. Écart relatifÉcart rapporté à une valeur de référence.
18. NormalisationTransformation permettant une comparaison sur une base commune.
19. RatioRapport entre deux grandeurs.
20. DistributionRépartition des valeurs d’une variable.
21. DispersionDegré d’étalement des observations.
22. RECHERCHEXFonction Excel de recherche et de restitution d’une valeur.
23. Power QueryOutil de préparation et transformation des données.
24. Tableau croisé dynamiqueOutil de synthèse multidimensionnelle des données.
25. Contrôle de cohérenceVérification de la compatibilité et de l’exactitude des résultats.

38. Ressources pour approfondir

À retenir

  • Comparer des données exige de définir un objectif précis.
  • Les périodes, unités et indicateurs doivent être comparables.
  • La granularité doit être vérifiée avant le rapprochement.
  • Une clé stable facilite l’identification des correspondances.
  • Les jointures permettent de rapprocher plusieurs tableaux.
  • Les doublons peuvent provoquer des doubles comptages.
  • Une valeur absente n’est pas nécessairement égale à zéro.
  • Les écarts absolus et relatifs répondent à des questions différentes.
  • Les ratios facilitent certaines comparaisons entre groupes de tailles différentes.
  • Excel et Power Query permettent d’automatiser les rapprochements.
  • L’IA peut assister la comparaison, mais ne remplace pas les contrôles.
  • Une différence observée ne prouve pas une relation causale.
Prochain cours — 11 Construire un tableau de bord →

Apprenez à sélectionner les bons indicateurs, organiser les visualisations et présenter les résultats d’une analyse dans un tableau de bord exploitable.

Mise en pratique

Entraînez-vous sur ce cours

Comparez des tableaux de ventes, identifiez les correspondances, calculez les écarts et vérifiez la cohérence des résultats.

15 exercices par cours Progression pédagogique Corrections détaillées
Accéder aux exercices →

Exercices du cours

Entraînez-vous avec 15 exercices progressifs. Ouvrez un exercice pour répondre, puis afficher sa correction.