Data-art vs data visualisation
La visualisation de données cherche la clarté : rendre une information compréhensible le plus rapidement possible. Un graphique en barres, une carte choroplèthe, une courbe de tendance — le critère de qualité est la lisibilité.
Le data-art cherche autre chose : l'expressivité. La forme visuelle encode les données, mais le but n'est pas nécessairement de les rendre lisibles. Il peut s'agir de rendre sensible une structure invisible, de provoquer une émotion, ou de révéler un motif que l'œil n'aurait jamais trouvé dans un tableau.
Ces deux pratiques ne sont pas opposées. Elles répondent à des intentions différentes.
Les étapes d'une démarche data-art
1. Choisir des données qui ont une signification
Le data-art ne fonctionne pas avec des données quelconques. Les meilleures sources sont celles qui ont une charge symbolique : données climatiques d'un lieu précis, mouvements d'une population, rythmes musicaux, structures linguistiques. Les données doivent vouloir dire quelque chose avant même d'être visualisées.
2. Identifier la structure remarquable
Avant de dessiner quoi que ce soit : analyser les données. Qu'est-ce qui est inattendu ? Qu'est-ce qui oscille ? Qu'est-ce qui diverge ? La structure remarquable des données est souvent là où réside la forme la plus intéressante.
3. Choisir le mapping (données → formes)
Le mapping est le cœur du data-art : quelle propriété visuelle encode quelle dimension des données ? Taille, couleur, position, rotation, vitesse, opacité — chaque dimension visuelle peut encoder une dimension de données. Le choix du mapping est une décision artistique autant que technique.
4. Itérer
Le data-art se fait rarement juste du premier coup. On code, on regarde, on change un paramètre, on regarde à nouveau. Le sketch est un outil d'exploration, pas un outil de production directe.
Exemples de mappings
| Données | Propriété visuelle | Effet |
|---|---|---|
| Température | Teinte (bleu → rouge) | Intuition thermique immédiate |
| Intensité sonore | Rayon d'un cercle | Perception du volume |
| Fréquence d'un mot | Opacité | Présence/absence graduée |
| Heure de la journée | Position angulaire | Cycle naturel |
| Vitesse du vent | Longueur d'une ligne de flux | Force physique ressentie |
Outils recommandés
p5.js : idéal pour les sketches exploratoires et les installations web. Facilité de prototypage, bibliothèque de fonctions mathématiques intégrée.
D3.js : la référence pour les visualisations web complexes avec des données réelles. Plus difficile à apprendre, mais très puissant.
Observable : environnement de notebook interactif pour D3/JavaScript. Idéal pour la phase d'exploration analytique.
Pour les projets du corpus Creative Coding Morocco, les données sont souvent synthétiques (modèles génératifs déterministes basés sur des structures patrimoniales) plutôt que des datasets réels. C'est un choix artistique assumé : la structure est authentique, même si les valeurs sont générées.
Explorer le tuto data-art gratuit → · Voir les œuvres data-art → · En parler →
Un projet en tête ?
Réserver 15 min →