La fenêtre Results (Résultats) d’ArcGIS Business Analyst Web App affiche les résultats de l’analyse dans des résumés, des visualisations et des tables des données. Les visualisations des données et les tables sont interactives. Par exemple, si vous survolez une barre de l’histogramme ou une cellule d’une table, le site correspondant est mis en surbrillance sur la carte.
Vous pouvez accéder à la fenêtre Results (Résultats) dans les processus suivants :
- Cartes avec code couleur
- Recherche cartographique dynamique
- Recherche de points d’intérêt
- Analyse d’adéquation
- Comparaisons avec une référence
- Analyse de proximité
Applications possibles
Les scénarios ci-après donnent des exemples d’organisations qui utilisent la fenêtre Results (Résultats) dans divers processus.
| Workflow | Exemple |
|---|---|
Cartes avec code couleur | Vous pouvez créer une carte avec code couleur représentant les adultes non assurés pour orienter les actions locales de sensibilisation à la santé. Créez une carte bivariée représentant les ménages sous le seuil de pauvreté et la population adulte sans assurance santé. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Recherche cartographique dynamique | Vous pouvez explorer l’espérance de vie par groupe d’origine ethnique à l’aide de la recherche cartographique dynamique. Ajoutez les variables de classement des comtés en matière d’espérance de vie à la carte. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Recherche de points d’intérêt | Vous pouvez cartographier le paysage concurrentiel des cinémas à l’aide d’une recherche de points d’intérêt. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Analyse d’adéquation | Vous pouvez classer les cinq meilleures implantations d’un centre de soins ambulatoires à l’aide de l’analyse d’adéquation. Déterminez les sites à prendre en compte dans l’analyse, sélectionnez les critères démographiques et liés à la santé de la population, et définissez la pondération des critères. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Comparaisons avec une référence | Vous pouvez comparer les codes postaux de la campagne publicitaire télévisée en utilisant des comparaisons avec une référence. Cartographiez la population et le revenu d’une variable, puis utilisez la méthode de comparaison Above and below benchmark (Supérieur et inférieur à la référence) pour représenter un code postal selon qu’il se situe en dessus ou en dessous de la médiane. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Analyse de proximité | Vous pouvez analyser la distance entre la localisation de votre fast-food et celles des concurrents à l’aide de l’analyse de proximité. Utilisez la fenêtre Results (Résultats) pour interpréter les résultats. Par exemple, effectuez les tâches suivantes :
|
Calculs synthétiques
La vue Summary (Résumé) 
offre une vue d’ensemble de l’analyse par agrégat du processus. Par exemple, il répertorie le nombre global de géographies analysées et les tendances dans les données.
| Calcul | Description | Processus |
|---|---|---|
Données par agrégat | Les données par agrégat sont un récapitulatif des données. Elles peuvent être représentées sous forme de moyennes, pourcentages ou proportions. |
|
5 premiers/5 derniers | Les 5 premiers et les 5 derniers représentent les cinq localisations les mieux classées et les moins bien classées. |
|
Tendances | Les tendances représentent l’évolution de la variable des données dans le temps, si des données de série chronologique sont disponibles pour la variable. |
|
Classement | Le classement d’un site correspond au résultat de la comparaison de son score final à ceux des autres sites dans l’analyse. Plus le score final est élevé, mieux le site est classé. |
|
Score | Le score d’adéquation final d’un site est calculé en ajoutant les scores pondérés de chacune des variables utilisées dans l’analyse. |
|
Score pondéré | Le score pondéré de chaque variable est calculé comme la différence en pourcentage entre la valeur pour un site donné et la valeur cible sélectionnée par l’utilisateur. Le score d’adéquation final d’un site est calculé en ajoutant les scores pondérés de chacune des variables utilisées dans l’analyse. |
|
Dans la plage | Une plage définit une valeur minimale et une valeur maximale pour limiter la portée de l’analyse. Les valeurs qui se trouvent dans la plage se situent entre la valeur minimale et la valeur maximale définies. |
|
Moyenne | La moyenne est calculée en faisant la somme de toutes les valeurs et en divisant cette somme par le nombre de valeurs. Elle indique le point central des données. |
|
Minimum | La valeur minimale correspond à la valeur la plus petite dans les données. |
|
Maximum | La valeur maximale correspond à la valeur la plus grande dans les données. |
|
Médiane | La médiane correspond à la valeur centrale lorsque les données sont classées de la plus basse à la plus élevée. Si le jeu de données est asymétrique, la médiane peut donner une meilleure indication de la tendance centrale que la moyenne, car elle est moins affectée par les valeurs extrêmes ou les points aberrants, qui peuvent fausser la moyenne. |
|
Écart type | L’écart type mesure l’étendue de la variation ou de la dispersion au sein d’un jeu de données. Un faible écart type signifie que la plupart des points de données sont proches de la moyenne, tandis qu’un écart type élevé est le signe d’une grande dispersion des données. L’évaluation de l’écart type permet d’estimer l’étendue de la dispersion des données par rapport à la référence. |
|
IQR | L’écart interquartile est utile pour identifier la dispersion centrale des données et est souvent visualisée dans des boîtes à moustaches. L’écart interquartile mesure la dispersion des 50 % centraux des données. Il s’agit de la plage située entre le premier quartile (Q1) et le troisième quartile (Q3). |
|
Inclinaison | L’asymétrie évalue le caractère non symétrique d’une distribution de données. |
|
Kurtosis | La kurtosis décrit la hauteur du pic et le poids des queues dans une distribution de données par rapport à une distribution normale. Elle indique la présence de points aberrants par rapport à une distribution normale. |
|
Nombre de points | Le nombre de points désigne le nombre total de points au sein de la zone de chaque site. |
|
Distance par rapport au point le plus proche | La distance par rapport au point le plus proche mesurée sous forme d’une distance en ligne droite, selon les unités du projet (miles ou kilomètres), entre un site et le point le plus proche. |
|
Points par 1 000 ménages | Les points par 1 000 ménages au sein de la zone de chaque site représentent la densité de points. |
|
Calculs d’histogramme
La vue Histogram (Histogramme) 
fournit un histogramme interactif permettant de visualiser les variables ou les attributs utilisés pour la géographie sélectionnée. Un histogramme est une représentation graphique, similaire à un diagramme à barres, qui représente la distribution des données.
| Calcul | Description | Processus |
|---|---|---|
Moyenne | La moyenne est calculée en faisant la somme de toutes les valeurs et en divisant cette somme par le nombre de valeurs. Elle indique le point central des données. |
|
Médiane | La médiane correspond à la valeur centrale lorsque les données sont classées de la plus basse à la plus élevée. Si le jeu de données est asymétrique, la médiane peut donner une meilleure indication de la tendance centrale que la moyenne, car elle est moins affectée par les valeurs extrêmes ou les points aberrants, qui peuvent fausser la moyenne. |
|
Diagramme de densité | Un diagramme de densité montre la distribution des données sous forme d’une courbe lisse. En modifiant la bande passante, la courbe est plus détaillée (moins lisse) ou moyennée (plus lisse). |
|
Points aberrants
| Les points aberrants représentent des points de données ou des valeurs qui se trouvent dans une plage anormale et ne suivent pas la tendance du reste des données. |
|
IQR | L’écart interquartile est utile pour identifier la dispersion centrale des données et est souvent visualisée dans des boîtes à moustaches. L’écart interquartile mesure la dispersion des 50 % centraux des données. Il s’agit de la plage située entre le premier quartile (Q1) et le troisième quartile (Q3). |
|
Écart type | L’écart type est la mesure de la variation d’une variable ou d’un attribut par rapport à sa moyenne. Augmenter l’écart type revient à augmenter la variation par rapport à la moyenne et donc la plage de points de données. Diminuer l’écart type revient à diminuer la variation par rapport à la moyenne, ce qui a pour effet de réduire le nombre de points de données utilisés et peut s’avérer plus précis. |
|
et cliquez sur Calculs de diagramme à bulles et de nuage de points
La vue Bubble chart (Diagramme à bulles) 
fournit une représentation graphique des données sous forme de diagramme à bulles ou de nuage de points. Un diagramme à bulles et un nuage de points affichent des points sur les axes x et y pour représenter la distribution des données. Dans un diagramme à bulles, la taille des points tracés est proportionnelle à la valeur des données.
| Calcul | Description | Processus |
|---|---|---|
Diagramme à bulles | Un diagramme à bulles affiche des points sur les axes x et y pour représenter la distribution des données. Dans un diagramme à bulles, la taille des points tracés est proportionnelle à la valeur des données. |
|
Nuage de points | Un nuage de points affiche des points sur les axes x et y pour représenter la distribution des données. Dans un nuage de points, la taille de chaque point tracé est normalisée. |
|
Axe x | L’axe x d’un diagramme est horizontal ou orienté d’Est en Ouest. |
|
Axe y | L’axe y d’un diagramme est vertical ou orienté du Nord au Sud. |
|
Ligne de régression | En statistiques, une ligne de régression est une ligne droite utilisée dans une visualisation de données (comme un nuage de points) pour représenter la correspondance entre des variables. Une ligne de régression est calculée avec une formule, selon laquelle y = mx + b. Dans cette formule, la variable m représente la pente de la ligne de régression et la variable b, l’intersection avec l’axe y. Les analystes de données utilisent une ligne de régression pour comprendre les tendances des données et estimer ou prévoir une valeur. Pour mesurer la proximité des données avec la ligne de régression, utilisez une valeur R-carré (R2). |
|
Calculs de matrice de corrélation
La vue Correlation matrix (Matrice de corrélation) 
permet de visualiser la manière dont les variables sont corrélées les unes aux autres et le score final.
Remarque :
Cette vue n’est disponible que dans le processus d’analyse d’adéquation. Pour en savoir plus sur les calculs sous-jacents, reportez-vous à la rubrique Référence de corrélation de variable.
| Calcul | Description |
|---|---|
Coefficient de corrélation
| Le coefficient r de Pearson est compris entre -1 à 1 et mesure à la fois la direction et la force d’une relation linéaire. Les valeurs plus proches de +1 indiquent une forte relation positive tandis que les valeurs plus proches de -1 indiquent une forte relation négative. Les valeurs proches de 0 indiquent une relation linéaire faible ou nulle. |
Signification statistique
| La valeur p indique la probabilité d’observer une corrélation si forte par pur hasard en l’absence de véritable corrélation. Si la valeur p est inférieure à 0,05 (soit un niveau de confiance de 95 pour cent), le résultat est considéré statistiquement significatif, ce qui signifie qu’il est peu probable que la corrélation soit due à une variation aléatoire. |
Taille de l’échantillon
| La taille d’échantillon correspond au nombre de localisations utilisées pour l’analyse. Par exemple, une taille d’échantillon de 16 correspond à 16 localisations (qui peuvent être des comtés si vous utilisez des zones géographiques standard ou le nombre d’hexagones si vous utilisez des hexagones) utilisées dans l’analyse. |
Corrélation
| La matrice de corrélation offre une vue d’ensemble de la manière dont les variables sont associées les unes aux autres et du score final, à l’aide du codage par couleur. Par défaut, les cellules en vert foncé indiquent de fortes corrélations positives (r proche de +1), tandis que les cellules en rouge foncé indiquent de fortes corrélations négatives (r proche de -1). Des nuances plus claires (vert clair, rouge clair ou couleur proche du blanc) indiquent une relation faible ou non linéraire (r proche de 0). |
Nuages de points
| Chaque cellule de la matrice de corrélation affiche un nuage de points d’une variable par rapport à une autre (une sur l’axe x et l’autre sur l’axe y). Lorsque vous survolez le diagramme, une info-bulle indique les noms de variable exacts et permet d’examiner le mode de distribution des points de données. Par exemple, dans la liste de variables Population and income (Population et revenus), vous pouvez voir instantanément la corrélation entre le revenu médian des ménages et le taux de croissance, la population diurne totale ou le score d’adéquation global, avec les éventuels points aberrants ou tendances d’agrégation immédiatement apparentes. |
Histogrammes
| Un histogramme est une représentation graphique, similaire à un diagramme à barres, qui représente la distribution des données. Passez le curseur de la souris sur l’histogramme d’une variable pour en afficher la moyenne (à savoir, le point central des données). Vous obtenez ainsi une vue d’ensemble du mode de distribution des données de la variable. Par exemple, vous pouvez voir si la distribution des données d’une variable est distribuée équitablement ou s’il existe des points aberrants extrêmes. La distribution des données de chaque variable a un impact sur la corrélation de cette variable avec les autres variables et sur l’analyse d’adéquation globale. |
Calculs de table
La vue Table 
présente les résultats des données dans un format tabulaire et téléchargeable.
| Calcul | Description | Processus |
|---|---|---|
Score | Le score d’adéquation final d’un site est calculé en ajoutant les scores pondérés de chacune des variables utilisées dans l’analyse. |
|
Score pondéré | Le score pondéré de chaque variable est calculé comme la différence en pourcentage entre la valeur pour un site donné et la valeur cible sélectionnée par l’utilisateur. Le score d’adéquation final d’un site est calculé en ajoutant les scores pondérés de chacune des variables utilisées dans l’analyse. |
|
Référence | Une référence est une valeur définie à des fins de comparaison. |
|
Calculs de la table des détails des points
La vue Point details table (Table des détails des points) 
répertorie chaque localisation à proximité de votre site, accompagnée des détails attributaires associés, tels de la superficie en pi² minimale et le nombre d’employés.
Remarque :
Cette vue n’est disponible que dans le processus d’analyse de proximité.
| Calcul | Description |
|---|---|
Distance (en miles ou en kilomètres) | La distance (en miles ou en kilomètres) est mesurée en tant que distance en ligne droite entre le site et le point listé. |
Superficie en pi² minimale | La superficie en pi² minimale est la superficie minimale estimée de la localisation du point. |
Nombre d’employés | Le nombre d’employés correspond au nombre d’employés sur un site d’activité. |
Volume des ventes | Le volume des ventes représente l’estimation des revenus des ventes ou des actifs en dollars. |
Calculs du tableau de synthèse du site
La vue Site Summary table (Tableau de synthèse du site) indique votre localisation et les calculs de l’analyse de proximité, notamment la distance par rapport au point le plus proche, le nombre total et la densité de points.
Remarque :
La vue n’est disponible que dans le processus d’analyse de proximité.
| Calcul | Description |
|---|---|
Distance par rapport au point le plus proche | La distance par rapport au point le plus proche mesure la distance en ligne droite (en miles ou en kilomètres) entre un site et le point le plus proche. |
Nombre de points | Le nombre de points désigne le nombre total de points au sein de la zone de chaque site. |
Point density (Densité de point) | La densité de points est calculée en divisant le nombre total de points au sein de la zone de chaque site par 1 000 ménages. |
Ressources
Pour en savoir plus sur les processus qui génèrent des fenêtres Results (Résultats), reportez-vous aux rubriques suivantes :
Vous avez un commentaire à formuler concernant cette rubrique ?