On exporte un jeu de données, on génère un graphique, et la question tombe : la courbe monte-t-elle vraiment, ou est-ce le bruit des dernières semaines qui donne cette impression ? Tracer une courbe de tendance, c’est répondre à cette question avec un modèle mathématique plutôt qu’avec une intuition visuelle. Encore faut-il choisir le bon modèle et éviter les pièges qui transforment une tendance fiable en artefact trompeur.
Fausses tendances : les erreurs qui faussent le graphique avant même le tracé
Avant de choisir un type de courbe, on doit s’assurer que les données qu’on manipule sont comparables entre elles. Un changement d’outil de suivi, une modification de configuration sur une plateforme publicitaire ou un simple renommage de campagne peut créer une rupture artificielle dans la série. Le graphique affiche alors une chute ou un pic qui n’a rien à voir avec le phénomène observé.
Lire également : C'est quoi le domaine du digital ?
Le même problème survient quand on compare une période incomplète à une période close. Un mois en cours affiché à côté d’un mois terminé donne mécaniquement l’impression d’une baisse. Tant que la fenêtre d’attribution n’est pas consolidée, le point de données reste provisoire.
Vérifier la cohérence des données avant de tracer quoi que ce soit reste la première étape concrète. On change la période, on modifie le niveau d’agrégation (quotidien, hebdomadaire, mensuel), et on regarde si la tendance résiste. Si elle disparaît en passant du jour à la semaine, elle n’en était probablement pas une.
Lire également : Pourquoi faire du traitement de données ?
Choisir le modèle de courbe de tendance adapté à ses données
La majorité des utilisateurs appliquent une tendance linéaire par défaut. C’est le choix le plus lisible quand la progression est régulière, en hausse ou en baisse constante. Sur Excel, un clic droit sur la série de données puis « Ajouter une courbe de tendance » suffit à la générer.
Le modèle linéaire ne convient pas à toutes les situations. Voici les principaux types et leur cas d’usage concret :
- Courbe de tendance linéaire : progression ou déclin régulier. Adaptée aux ventes mensuelles stables, au trafic organique sur une longue période. C’est le modèle par défaut dans Excel et la plupart des outils de visualisation.
- Courbe exponentielle : croissance qui s’accélère au fil du temps. Utile pour modéliser une adoption rapide de produit ou une audience virale. Ne fonctionne pas si les données contiennent des valeurs nulles ou négatives.
- Courbe logarithmique : variation rapide au début puis stabilisation. On la retrouve dans les courbes d’apprentissage ou les rendements décroissants d’une campagne d’acquisition.
- Courbe polynomiale : données qui oscillent avec des hausses et des baisses successives. Le degré du polynôme détermine le nombre de fluctuations que la courbe peut épouser, mais un degré trop élevé colle au bruit plutôt qu’à la tendance.
- Courbe de puissance : similaire à l’exponentielle, mais impossible à construire avec des valeurs nulles ou négatives dans le jeu de données.
Le choix du modèle dépend de la forme visible des points, mais aussi des contraintes techniques liées aux valeurs. Une courbe exponentielle ou de puissance refuse les zéros dans les données, ce qui oblige à nettoyer ou transformer la série avant de l’appliquer.
Courbe de tendance sur Excel : la méthode pas à pas
On part d’un graphique déjà créé (histogramme, courbe, nuage de points). Le nuage de points est le format le plus adapté pour visualiser une tendance sur deux variables.
Sélectionnez la série de données directement sur le graphique. Clic droit, puis « Ajouter une courbe de tendance ». Le volet de mise en forme s’ouvre à droite avec les options de modèle : linéaire, exponentielle, logarithmique, polynomiale, puissance, moyenne mobile.
Deux options à cocher systématiquement : « Afficher l’équation sur le graphique » et « Afficher le coefficient de détermination (R²) ». L’équation donne la formule mathématique de la courbe. Le R² indique à quel point le modèle colle aux données réelles : plus il est proche de 1, meilleure est la correspondance.
Si le R² est faible, on change de modèle. On teste une courbe logarithmique, puis polynomiale de degré 2 ou 3, et on compare les R². C’est la seule façon objective de trancher entre deux modèles visuellement proches.
Prolonger la courbe pour faire une prévision
Dans les options de courbe de tendance sur Excel, le champ « Prévision » permet d’étendre la ligne au-delà des données existantes. On entre le nombre de périodes à projeter. La courbe se prolonge en pointillés.
Cette projection repose entièrement sur l’hypothèse que le modèle reste valide dans le futur. Plus on prolonge loin, plus le risque d’erreur augmente. Sur des données commerciales ou web, dépasser deux ou trois périodes relève souvent de la spéculation.
Moyenne mobile ou courbe de tendance : quand préférer l’une à l’autre
La moyenne mobile n’est pas un modèle de tendance au sens strict. Elle lisse les variations en calculant la moyenne des N derniers points, ce qui atténue le bruit sans imposer de direction. Sur Excel, elle se trouve dans le même menu que les courbes de tendance.
On l’utilise quand les données sont très volatiles (ventes quotidiennes, trafic horaire) et qu’on veut simplement voir la direction générale sans modéliser une équation. La moyenne mobile montre le passé lissé, la courbe de tendance projette un modèle.
Le nombre de périodes de la moyenne mobile change radicalement le résultat. Une fenêtre courte suit les fluctuations de près, une fenêtre longue aplatit tout. Les retours varient sur ce point selon le type de données, il n’existe pas de valeur universelle.
Au-delà d’Excel : courbes de tendance dans d’autres outils
Google Sheets propose la même fonctionnalité via le menu « Personnaliser » du graphique, onglet « Série », puis « Courbe de tendance ». Les options sont similaires : linéaire, exponentielle, polynomiale, avec affichage du R².
Les outils de BI comme Qlik Sense ou Power BI intègrent des lignes de tendance directement dans leurs visualisations, parfois avec des réglages plus fins sur les intervalles de confiance. Pour les cas complexes (régression multivariée, séries temporelles longues), on bascule vers Python ou R, qui offrent un contrôle total sur les paramètres du modèle.
Quel que soit l’outil, la logique reste identique : sélectionner la série, choisir le modèle, vérifier le coefficient de détermination, et ne jamais prolonger une projection sans questionner sa validité. Une courbe de tendance bien choisie clarifie un graphique en quelques secondes. Mal choisie, elle raconte une histoire que les données ne contiennent pas.
