¿Qué es la visualización de datos?

La visualización de datos se puede utilizar para una variedad de propósitos, y es importante tener en cuenta que no solo está reservada para su uso por parte de los equipos de datos. La administración también lo aprovecha para transmitir la estructura organizativa y la jerarquía, mientras que los analistas de datos y los científicos de datos lo utilizan para descubrir y explicar patrones y tendencias. Harvard Business Review categoriza la visualización de datos en cuatro propósitos clave: generación de ideas, ilustración de ideas, descubrimiento visual y visualización de datos cotidianos. Profundizaremos en ellos a continuación:

La visualización de datos se utiliza habitualmente para estimular la generación de ideas entre los equipos. A menudo se aprovechan durante las sesiones de lluvia de ideas o Design Thinking al comienzo de un proyecto, apoyando la recopilación de diferentes perspectivas y poniendo de relieve las preocupaciones comunes del colectivo. Aunque estas visualizaciones suelen estar poco pulidas y refinadas, ayudan a sentar las bases dentro del proyecto para garantizar que el equipo esté alineado con el problema que pretenden resolver para los stakeholders clave.

La visualización de datos para la ilustración de ideas ayuda a transmitir una idea, como una táctica o un proceso. Suele usarse en entornos de aprendizaje, como tutoriales, cursos de certificación o centros de excelencia, pero también se puede utilizar para representar estructuras o procesos de la organización, facilitando la comunicación entre las personas adecuadas para tareas específicas. Los gerentes de proyecto suelen utilizar diagramas de Gantt y gráficos de cascada para ilustrar los flujos de trabajo. El modelado de datos también utiliza la abstracción para representar y comprender mejor el flujo de datos dentro del sistema de información de una empresa, lo que facilita a los desarrolladores, analistas de negocio, arquitectos de datos y otros la comprensión de las relaciones en una base de datos o almacén de datos.

El descubrimiento visual y la visualización cotidiana de los datos están más estrechamente alineados con los equipos de datos. Mientras que el descubrimiento visual ayuda a los analistas de datos, a los científicos de datos y a otros profesionales de los datos a identificar patrones y tendencias en un conjunto de datos, la visualización de datos cotidiana apoya la posterior narración después de haber encontrado nuevos insights.

La visualización de datos es un paso crítico en el proceso de ciencia de datos, ya que ayuda a los equipos y a las personas a transmitir datos de manera más eficaz a colegas y responsables de la toma de decisiones. Los equipos que gestionan sistemas de informes suelen aprovechar las vistas de plantillas definidas para supervisar el rendimiento. Sin embargo, la visualización de datos no se limita a los paneles de rendimiento. Por ejemplo, durante la minería de texto, un analista puede usar una nube para capturar conceptos clave, tendencias y relaciones ocultas dentro de estos datos no estructurados. Alternativamente, pueden utilizar una estructura gráfica para ilustrar las relaciones entre entidades en un gráfico de conocimiento. Hay varias formas de representar diferentes tipos de datos, y es importante recordar que es un conjunto de habilidades que debe extenderse más allá de su equipo central de análisis.

La forma más antigua de visualización de datos se remonta a los egipcios en el siglo XVII, utilizada en gran medida para ayudar en la navegación. Con el paso del tiempo, la gente ha utilizado las visualizaciones de datos para una aplicación más amplia, como en las disciplinas económicas, sociales y de salud. Quizás lo más notable sea que Edward Tufte publicó The Visual Display of Quantitative Information, que ilustraba que las personas podían utilizar la visualización de datos para presentarlos de una manera más eficaz. Su libro sigue resistiendo la prueba del tiempo, especialmente a medida que las empresas recurren a los paneles para informar sus métricas de rendimiento en tiempo real. Los paneles son herramientas eficaces de visualización de datos para rastrear y visualizar datos de múltiples fuentes de datos, proporcionando visibilidad de los efectos de comportamientos específicos de un equipo o uno adyacente en el rendimiento. Los paneles incluyen técnicas de visualización comunes, como:

• Tablas: consisten en filas y columnas que se utilizan para comparar variables. Las tablas pueden mostrar una gran cantidad de información de manera estructurada, pero también pueden abrumar a los usuarios que simplemente buscan tendencias de alto nivel.

• Gráficos circulares y gráficos de barras apiladas: estos gráficos se dividen en secciones que representan partes de un todo. Proporcionan una forma sencilla de organizar los datos y comparar el tamaño de cada componente entre sí.

• Gráficos de líneas y gráficos de áreas: estos elementos visuales muestran los cambios en una o más cantidades trazando una serie de puntos de datos a lo largo del tiempo y se utilizan con frecuencia en los analytics predictivos. Los gráficos lineales utilizan líneas para demostrar estos cambios, mientras que los gráficos de área conectan puntos de datos con segmentos de línea, apilando variables unas sobre otras y utilizando el color para distinguir entre variables.

• Histogramas: este gráfico traza una distribución de números mediante un diagrama de barras (sin espacios entre las barras), representando la cantidad de datos que caen dentro de un rango determinado. Este visual facilita al usuario final la identificación de valores atípicos dentro de un conjunto de datos determinado.

• Gráficos de dispersión: estos elementos visuales son beneficiosos para revelar la relación entre dos variables y se utilizan habitualmente en el análisis de datos de regresión. Sin embargo, a veces se pueden confundir con los gráficos de burbujas, que se utilizan para visualizar tres variables a través del eje X, el eje Y y el tamaño de la burbuja.

• Mapas de calor: estas representaciones gráficas ayudan a visualizar los datos de comportamiento por ubicación. Puede ser una ubicación en un mapa o incluso una página web.

• Mapas de árbol: muestran datos jerárquicos como un conjunto de formas anidadas, normalmente rectángulos. Los mapas de árbol son magníficos para comparar las proporciones entre categorías a través de los tamaños de sus áreas.

El acceso a las herramientas de visualización de datos nunca ha sido tan fácil. Las bibliotecas de código abierto, como D3.js, ofrecen a los analistas una manera de presentar los datos de forma interactiva, lo que les permite atraer a una audiencia más amplia con nuevos datos. Algunas de las bibliotecas de visualización de código abierto más populares son:

• D3.js: es una biblioteca JavaScript front-end para producir visualizaciones de datos dinámicas e interactivas en navegadores web. D3.js emplea HTML, CSS y SVG para crear representaciones visuales de datos que se pueden ver en cualquier navegador. También proporciona características para interacciones y animaciones.

• ECharts: una potente biblioteca de gráficos y visualización que ofrece una manera sencilla de añadir gráficos intuitivos, interactivos y altamente personalizables a productos, trabajos de investigación, presentaciones, etc. Echarts (enlace externo a ibm.com) se basa en JavaScript y ZRender, una biblioteca de lienzo ligera.

• Vega: Vega se define a sí misma como "gramática de visualización", que brinda soporte para personalizar visualizaciones en grandes conjuntos de datos a los que se puede acceder desde la web.

• deck.gl: Es parte de la suite de marcos de visualización de código abierto de Uber. deck.gl es una infraestructura, que se emplea para el análisis exploratorio de datos sobre big data. Ayuda a crear una visualización de alto rendimiento impulsada por GPU en la web.

Con tantas herramientas de visualización de datos fácilmente disponibles, también se ha producido un aumento de la visualización ineficaz de la información. La comunicación visual debe ser sencilla y deliberada para garantizar que su visualización de datos ayude a su audiencia objetivo a llegar al insight o conclusión que pretende. Las siguientes mejores prácticas pueden ayudarle a garantizar que la visualización de sus datos resulte útil y clara:

Establezca el contexto: es importante proporcionar información general de antecedentes para fundamentar a la audiencia sobre por qué este punto de datos en particular es importante. Por ejemplo, si las tasas de apertura de correo electrónico tuvieron un rendimiento inferior, es posible que queramos ilustrar cómo se compara la tasa de apertura de una empresa con la industria en general, demostrando que la empresa tiene un problema dentro de este canal de marketing. Para impulsar una acción, la audiencia debe comprender cómo se compara el rendimiento actual con algo tangible, como un objetivo, un punto de referencia u otros indicadores clave de rendimiento (KPI).

Conozca a su audiencia: piense para quién está diseñada su visualización y luego asegúrese de que su visualización de datos se ajusta a sus necesidades. ¿Qué intenta conseguir esa persona? ¿Qué tipo de preguntas le interesan? ¿Su visualización responde a sus preocupaciones? Querrá que los datos que proporcione motiven a las personas a actuar dentro del ámbito de su función. Si no tiene claro que la visualización sea clara, preséntela a una o dos personas de su audiencia objetivo para que le den retroalimentación, lo que le permitirá hacer ediciones adicionales antes de una presentación a gran escala.

Elija un visual eficaz: los visuales específicos están diseñados para tipos específicos de conjuntos de datos. Por ejemplo, los gráficos de dispersión muestran bien la relación entre dos variables, mientras que los gráficos de líneas muestran bien los datos de series de tiempo. Asegúrese de que lo visual ayude realmente a la audiencia a comprender la idea principal. Una mala alineación de los gráficos y los datos puede tener el resultado opuesto: confundir aún más a la audiencia en lugar de aportar claridad.

Manténgalo simple: las herramientas de visualización de datos pueden facilitar la adición de todo tipo de información a su visual. Sin embargo, el hecho de que pueda, ¡no significa que deba hacerlo! En la visualización de datos, conviene ser muy deliberado respecto a la información adicional que se añade para centrar la atención del usuario. Por ejemplo, ¿necesita etiquetas de datos en cada barra del gráfico de barras? Tal vez solo necesite uno o dos para ilustrar su punto. ¿Necesita una variedad de colores para comunicar su idea? ¿Utiliza colores accesibles para una amplia gama de audiencias (por ejemplo, teniendo en cuenta a la audiencia daltónica)? Diseñe su visualización de datos para lograr el máximo impacto eliminando la información que pueda distraer a su audiencia objetivo.