Observable

Cette analyse d’Observable Notebooks présente les utilisations de la plateforme, ses principales fonctionnalités, les tarifs d’Observable, une comparaison entre les notebooks et le framework Observable, ses points forts et ses limites, ainsi que les outils auxquels la comparer. Observable a été fondé en 2016 par Mike Bostock, le créateur de D3, et lancé au grand public en 2018. Aujourd’hui, c’est toute une gamme de produits : les « Observable Notebooks », basés sur le Web, pour explorer des données à l’aide de code ; le « Observable Framework », open source, pour créer des applications de données et des tableaux de bord ; les « Observable Canvases » pour l’analyse collaborative avec SQL et l’IA ; ainsi que des bibliothèques open source telles que « Observable Plot » et « D3 ». Selon Observable, plus de 1 200 000 notebooks ont été créés et modifiés sur la plateforme.

À quoi sert Observable ?

Observable est utilisé pour l’analyse et la visualisation de données, au-delà des simples outils de création de graphiques classiques. Les notebooks combinent récit, code et résultats en temps réel dans un seul document, ce qui en fait un outil idéal pour l’analyse exploratoire et la narration de données. Parmi les projets types, on trouve l’analyse exploratoire d’un nouvel ensemble de données, la visualisation interactive pour le journalisme et la recherche, les tableaux de bord et rapports internes, les prototypes de visualisation avant leur intégration dans un produit, ainsi que l’enseignement de la visualisation de données à l’aide d’exemples en temps réel.

Les data scientists et les analystes utilisent les notebooks pour charger des données, interroger des bases de données SQL et tester les graphiques Observable Plot étape par étape. Les développeurs et les équipes chargées des données utilisent Observable Framework pour transformer ce travail en applications et rapports rapides gérés dans Git. Les chefs de produit et les équipes métier utilisent les Canvases pour explorer ensemble les données sans écrire de code. Le fil conducteur, c’est le Web : tout s’exécute dans le navigateur, et chaque visualisation peut être partagée sous forme de lien, intégrée à un autre site ou publiée sous forme de site statique.

Fonctionnalités clés

• Carnets réactifs : blocs de code en Observable JavaScript, Markdown, HTML et SQL. Lorsqu’une valeur change, chaque cellule qui en dépend est mise à jour, ce qui permet aux saisies, aux filtres et aux graphiques de rester synchronisés sans code supplémentaire.
• Observable Plot et D3 : Observable Plot est une bibliothèque de graphiques concise destinée à la visualisation exploratoire des données ; D3 est la bibliothèque de bas niveau à l’origine de nombreux graphiques interactifs personnalisés. Toutes deux sont open source et développées par l’équipe d’Observable.
• Connexions aux données : les cellules SQL et les cellules de tableau de données interrogent des bases de données et des entrepôts de données à partir de notebooks privés, ainsi que des pièces jointes, des fichiers dans le cloud et des API web. Un proxy de base de données auto-hébergé prend en charge les bases de données sur un réseau privé (documentation Observable).
• Collaboration : édition collaborative, commentaires, création de branches, suggestions, historique des versions et carnets publics ou privés avec contrôle d’accès.
• AI Assist : un assistant IA intégré aux carnets de notes qui rédige du code et crée des graphiques, ajouté en 2023.
• Observable Framework : un générateur de sites statiques open source pour les applications de données, les tableaux de bord et les rapports (voir ci-dessous).
• Observable Canvases : un canevas de données collaboratif lancé en 2025, où les équipes explorent les données par simple clic, via SQL ou l’IA, et affinent les résultats pour les transformer en visualisations interactives (Observable Canvases).
• Notebooks 2.0 : une préversion technologique comprenant Notebook Kit, un format de fichier ouvert et un outil en ligne de commande permettant de créer des sites statiques à partir de notebooks, ainsi qu’Observable Desktop, un éditeur de notebooks pour macOS 15 et versions ultérieures sur Apple Silicon (Notebooks 2.0).

Tarifs d’Observable

Les formules de notebooks présentées sur la page de tarification d’Observable, telle qu’enregistrée le 30 août 2026, sont les suivantes :

• Notebook Free : 0 $. Carnets publics et privés, assistance IA, accès aux bases de données, aux fichiers cloud et aux points de terminaison d’API web, contrôle de version et assistance communautaire via le forum.
• Notebook Pro : 22 $ par mois et par éditeur. Ajoute l’édition de code en multijoueur, l’exécution programmée des notebooks, les visualiseurs d’espaces de travail, l’accès invité au niveau du notebook, et supprime le filigrane Observable sur les intégrations de notebooks.
• Visionneuses : 10 $ par mois chacune sur le plan Pro, pour les personnes qui se contentent de consulter les notebooks et d’interagir avec eux.
• Enterprise : disponible sur demande ; la documentation de l’espace de travail décrit l’authentification unique (SSO) personnalisée et les journaux d’audit.

Observable Framework, Notebook Kit, Observable Plot et D3 sont gratuits et open source sous licence ISC. Les canevas ne figurent pas sur la page des tarifs des notebooks ; renseignez-vous auprès du service commercial pour connaître le prix actuel. Observable propose également des réductions pour les associations à but non lucratif et les enseignants sur cette même page.

Il est important de vérifier qui est considéré comme une « licence », car cela peut entraîner des coûts inattendus. La formule Pro est facturée par éditeur, et les utilisateurs en lecture seule entraînent des frais supplémentaires ; le partage de tableaux de bord privés avec un large public peut donc faire grimper la facture. Les sites Framework évitent les coûts liés aux licences lorsque vous les hébergez vous-même, car le résultat final se présente sous forme de simples fichiers statiques.

Cahiers Observable vs Observable Framework

Les notebooks sont destinés à l’exploration : vous ouvrez un nouveau notebook dans le navigateur, chargez des données et itérez sur chaque visualisation Observable Plot, tandis que vos collaborateurs effectuent des modifications en même temps. Observable Framework est destiné à la mise en production : vous écrivez des fichiers Markdown avec du JavaScript réactif, et Framework les compile en un site statique dont les pages se chargent instantanément (Observable Framework).

L’idée centrale d’Observable Framework réside dans les chargeurs de données. Un chargeur de données est un script, quel que soit le langage (SQL, Python, R ou Node.js), qui s’exécute au moment de la compilation et écrit un instantané statique des données dans un fichier. Le tableau de bord charge ensuite ce fichier au lieu d’interroger la base de données à chaque visite. Comme un projet se résume à des fichiers dans un dossier, il s’intègre parfaitement au développement logiciel classique : vous pouvez utiliser votre propre éditeur, Git, des tests unitaires et des processus CI/CD, puis héberger le résultat n’importe où ou le déployer sur Observable. Il est fourni avec des thèmes, des grilles et des bibliothèques JS, notamment Observable Plot, D3, DuckDB, Vega-Lite, Mapbox GL JS, Leaflet et Mermaid. La dernière version disponible sur GitHub est la 1.13.4, datant de mars 2026.

Notebook Kit applique la même approche basée sur des fichiers aux carnets de notes. Il stocke un carnet de notes dans un format ouvert et lisible par l’utilisateur ; ainsi, un carnet de notes peut être modifié dans le navigateur, dans Observable Desktop ou dans un éditeur de code, puis publié sous forme de site statique.

Observable Plot et D3 pour la visualisation des données

La plupart des graphiques sur Observable sont créés avec Observable Plot, la bibliothèque de visualisation open source que l'équipe a publiée en 2021. Plot suit une grammaire graphique en couches : vous lui transmettez un ensemble de données et une liste de marques (tels que des points, des lignes, des barres ou des cellules), et Observable Plot choisit des échelles, des axes et des légendes pertinents, de sorte que le graphique par défaut est déjà clair. Un nuage de points ou un diagramme à barres à facettes ne nécessite que quelques lignes de code, et la documentation de Plot propose un exemple pour chaque marque. Pour des graphiques interactifs entièrement personnalisés, D3 offre un contrôle de bas niveau sur l’affichage de chaque élément. Les deux fonctionnent également en JavaScript « vanilla » en dehors d’Observable ; ainsi, un graphique prototypé dans un notebook peut être intégré à une application front-end sans réécriture. Des éléments de saisie intégrés, tels que des curseurs, des menus déroulants, des champs de recherche et des tableaux, relient les commandes utilisateur aux graphiques via des variables réactives.

Cahiers Observable vs cahiers Jupyter

Les data scientists familiarisés avec les notebooks Jupyter constateront que la principale différence réside dans le fonctionnement des cellules. Dans Jupyter, les cellules Python s’exécutent dans l’ordre où vous les lancez, ce qui peut laisser des états obsolètes. Dans Observable, le code s’exécute selon l’ordre des dépendances, à l’instar d’une feuille de calcul : ainsi, toute modification met à jour tous les éléments qui en dépendent. Observable s’exécute dans le navigateur et utilise JavaScript, tandis que Jupyter exécute Python sur un serveur, ce qui fait de Jupyter la solution la mieux adaptée aux calculs intensifs et à l’apprentissage automatique. Les très grands ensembles de données peuvent également atteindre les limites de performances du navigateur dans Observable ; les chargeurs de données résolvent ce problème en exécutant des requêtes Python ou SQL au moment de la compilation et en n’envoyant que le résultat au navigateur. De nombreuses équipes utilisent les deux : Python pour l’analyse, Observable pour le partage des résultats interactifs.

Premiers pas avec Observable

Créez un compte gratuit et créez un nouveau notebook, ou créez une branche (fork) d’un des notebooks publics de la galerie et adaptez-le. Ajoutez un fichier de données ou connectez-vous à une base de données, écrivez une cellule SQL ou une cellule JavaScript, puis ajoutez un graphique avec Observable Plot en quelques lignes. Commencez par vous familiariser avec Observable JavaScript : il s’agit de JavaScript standard avec des cellules réactives, mais l’ordre d’évaluation suit les dépendances plutôt que l’ordre d’affichage sur la page. Pour un tableau de bord devant s’intégrer dans une base de code, exécutez npx @observablehq/framework@latest create et suivez le tutoriel de prise en main du framework.

Les points forts et les limites d’Observable

Points forts :

• Des graphiques interactifs et des visualisations personnalisées de premier ordre, conçus par l’équipe à l’origine de D3.
• Les notebooks réactifs accélèrent l’exploration et assurent la synchronisation entre les données saisies et les graphiques.
• Framework, Plot et Notebook Kit sont open source et permettent de créer des sites statiques que vous pouvez héberger où vous le souhaitez.
• Une vaste galerie publique de notebooks à découvrir et à adapter, avec un solide soutien de la communauté.

Compromis :

• JavaScript est le langage principal utilisé dans les notebooks ; Python et R ne s’exécutent que dans les chargeurs de données lors de la compilation.
• Il ne s’agit pas d’un outil de business intelligence de type « glisser-déposer » ; la création d’un graphique nécessite toujours d’écrire un peu de code.
• Le partage privé sur la version Pro est facturé par éditeur, plus un supplément par lecteur, et les utilisateurs gratuits bénéficient uniquement d’une assistance via le forum.
• La multiplicité des produits (notebooks, Notebooks 2.0, Framework, Canvases) proposant des workflows différents peut prêter à confusion au premier abord.

Comparaison avec Observable

• Datawrapper : graphiques et cartes créés par simple clic pour la publication, sans code.
• Power BI : la suite de business intelligence de Microsoft pour les tableaux de bord basés sur les données d'entreprise.
• Retool et Appsmith : des outils internes proposant des formulaires et des tableaux plutôt qu’une visualisation personnalisée.
• Dataiku : une plateforme de science des données de bout en bout destinée aux équipes travaillant avec Python et des recettes visuelles.
• Mapbox et CARTO Builder : des plateformes axées sur la cartographie pour les données de localisation.
• Google Sheets et Rows : des feuilles de calcul avec des graphiques intégrés pour une analyse rapide.

Les notebooks axés sur Python, tels que Jupyter, Hex, Deepnote et Marimo, constituent les alternatives les plus proches pour les équipes travaillant principalement sous Python et SQL.

Observable en vaut-il la peine ?

Observable vaut le coup si vous avez besoin d'une visualisation de données personnalisée et interactive et que vous maîtrisez un peu JavaScript. La formule gratuite couvre les notebooks publics et privés avec accès à une base de données, et le framework open source est gratuit pour créer rapidement des tableaux de bord que vous hébergez vous-même. Il convient moins aux équipes qui recherchent un outil de BI « no-code », travaillent uniquement en Python ou ont besoin de partager des tableaux de bord privés avec de nombreux utilisateurs tout en disposant d’un budget limité. Si vous avez besoin d’aide pour créer des tableaux de bord ou des applications de données avec Observable, les agences et développeurs « low-code » de LowCodeDevs peuvent s’en charger.

Sources

• Tarifs d’Observable : Notebook Free et Pro, prix par utilisateur (capture d’écran du 30 août 2026).
• À propos d’Observable : création, étapes clés et chiffres d’utilisation.
• Documentation du framework Observable : générateur de site statique, chargeurs de données et bibliothèques.
• Aperçu technologique de Notebooks 2.0 : Notebook Kit et Observable Desktop.
• Observable Canvases : le canevas de données collaboratif.
• Connexion aux bases de données : clients de bases de données et proxy auto-hébergé.
• observablehq/framework sur GitHub : licence ISC et versions.
• Idées intéressantes dans le framework Observable, par Simon Willison : chargeurs de données et passage à des outils open source.
• Observable Plot, data.europa.eu : la bibliothèque de graphiques en pratique.
• Observable, datasciencenotebook.org : aperçu des fonctionnalités ; la mention « pas d’auto-hébergement » s’applique à la plateforme de notebooks hébergée, et non aux sites Framework ou Notebook Kit.
• Alternatives à Observable, Livedocs : liste d’alternatives (rédigée par un concurrent ; son affirmation selon laquelle Observable ne prend pas en charge SQL et Python est en contradiction avec les cellules SQL et les chargeurs de données Python d’Observable).