La visualización de datos es la representación de datos mediante el uso de gráficos comunes, como cuadros, diagramas, infografías e incluso animaciones. Estas representaciones visuales de información comunican relaciones complejas de datos e insights basados en datos de una manera fácil de entender.

La visualización de datos se puede utilizar para diversos propósitos, y es importante tener en cuenta que su uso no está reservado únicamente para los equipos de datos. La gerencia también la aprovecha para transmitir la estructura y jerarquía organizativa, mientras que los analistas de datos y los científicos de datos la utilizan para descubrir y explicar patrones y tendencias. La revista Harvard Business Review  (enlace externo a IBM) clasifica la visualización de datos en cuatro propósitos clave: generación de ideas, ilustración de ideas, descubrimiento visual y visualización de datos cotidiana. A continuación, los examinaremos con mayor detalle:

Generación de ideas

La visualización de datos se usa normalmente para estimular la generación de ideas en los equipos. Se suele hacer uso de ella durante las sesiones de lluvia de ideas o Design Thinking al inicio de un proyecto, en las que se fomenta la recopilación de diferentes perspectivas y se destacan las inquietudes comunes del grupo. Si bien estas visualizaciones generalmente no están pulidas ni afinadas, ayudan a establecer las bases del proyecto para garantizar que el equipo esté alineado con el problema que pretenden abordar para los stakeholders clave.

Ilustración de ideas

La visualización de datos para la ilustración de ideas ayuda a transmitir una idea, como una táctica o un proceso. Se usa normalmente en entornos de aprendizaje, como tutoriales, cursos de certificación, centros de excelencia, pero también se puede usar para representar estructuras o procesos de una organización, facilitando la comunicación entre las personas adecuadas para tareas específicas. Los gerentes de proyecto utilizan con frecuencia diagramas de Gantt y diagramas de cascada para ilustrar 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 que los desarrolladores, analistas de negocio, arquitectos de datos y otros comprendan las relaciones en una base de datos o almacén de datos.

Descubrimiento visual

El descubrimiento visual y la visualización de datos cotidiana están más estrechamente alineados con los equipos de datos. Si bien el descubrimiento visual ayuda a los analistas de datos, científicos de datos y otros profesionales de datos a identificar patrones y tendencias dentro de un conjunto de datos, la visualización de datos cotidiana respalda la narración posterior después de haber encontrado una nueva perspectiva.

Visualización de datos

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 efectiva a colegas y encargados de la toma de decisiones. Los equipos que gestionan los 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 control de rendimiento. Por ejemplo, durante la extracción de texto, un analista puede usar una nube de palabras para capturar conceptos clave, tendencias y relaciones ocultas dentro de estos datos no estructurados. Como alternativa, 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 de analítica principal.

La forma más antigua de visualización de datos se remonta a los egipcios antes del siglo XVII, en gran parte utilizada como herramienta de navegación. A medida que pasaba el tiempo, las personas aprovecharon las visualizaciones de datos para aplicaciones más amplias, como en las disciplinas económica, social y de la salud. Cabe destacar en particular el libro de Edward Tufte: The Visual Display of Quantitative Information (enlace externo a IBM), en el que se expone que las personas pueden utilizar la visualización de datos para presentarlos de una manera más eficaz. Su libro sigue resistiendo el paso del tiempo, especialmente debido a que las empresas recurren a los paneles de control para informar sus métricas de rendimiento en tiempo real. Los paneles son herramientas efectivas de visualización de datos para rastrear y visualizar datos de múltiples fuentes de datos, proporcionando visibilidad de los efectos que tienen los 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 forma 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 los componentes entre sí.

• Gráficos de líneas y gráficos de áreas:  estos elementos visuales muestran el cambio en una o más cantidades mediante el trazado de una serie de puntos de datos a lo largo del tiempo y se utilizan con frecuencia dentro de la analítica predictiva. Los gráficos de líneas utilizan líneas para demostrar estos cambios, mientras que los gráficos de área conectan puntos de datos con segmentos de línea, apilando variables una encima de la otra y usando colores para distinguir entre variables.

• Histogramas: este gráfico traza una distribución de números usando un gráfico de barras (sin espacios entre las barras), que representa la cantidad de datos que se encuentran dentro de un rango particular. Este elemento visual facilita al usuario final la identificación de valores atípicos dentro de un conjunto de datos determinado.

• Gráficos de dispersión: estos elementos visuales sirven para revelar la relación entre dos variables y se utilizan normalmente en el análisis de regresión. Sin embargo, a veces se pueden confundir con los gráficos de burbujas, que se utilizan para visualizar tres variables mediante el eje x, el eje y y el tamaño de la burbuja.

• Mapas de calor: estas pantallas de representación gráfica son útiles para visualizar datos de comportamiento por ubicación. Puede ser una ubicación en un mapa o incluso una página web.

• Mapas de árbol, que muestran datos jerárquicos mediante un conjunto de formas anidadas, normalmente rectángulos. Los mapas de árbol son excelentes para comparar las proporciones entre categorías a través de su tamaño de área.

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

• D3.js: es una biblioteca de JavaScript de frontend para producir visualizaciones de datos dinámicas e interactivas en navegadores web. D3.js (enlace externo a IBM) utiliza HTML, CSS y SVG para crear representaciones visuales de datos que se pueden ver en cualquier navegador. También proporciona funciones para interacciones y animaciones.

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

• Vega: Vega (enlace externo a IBM) se define como una "gramática de visualización", que proporciona soporte para personalizar visualizaciones en grandes conjuntos de datos a los que se puede acceder desde la web.

• deck.gl: es parte del paquete de infraestructura de visualización de código abierto de Uber. deck.gl (enlace externo a IBM) es una infraestructura que se utiliza para el análisis exploratorio de datos en big data. Ayuda a crear visualización de alto rendimiento impulsada por GPU en la web.

Con tantas herramientas de visualización de datos disponibles, también ha habido un aumento en la visualización de información ineficaz. La comunicación visual debe ser simple y planificada para garantizar que la visualización de sus datos ayude a su público objetivo a llegar a la información o conclusión deseada. Las siguientes mejores prácticas pueden ayudar a garantizar que la visualización de sus datos sea útil y clara:

Establezca el contexto: es importante proporcionar información general para brindar al público conocimientos básicos de por qué es importante este punto de datos en particular. Por ejemplo, si las tasas de apertura de e-mail tuvieron un bajo rendimiento, es posible que deseemos ilustrar la comparación entre la tasa de apertura de una empresa y la de la industria en general, demostrando que la empresa tiene un problema en este canal de marketing. Para impulsar una acción, el público 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 público: piense para quién está diseñada la visualización y asegúrese de que su visualización de datos se ajuste a las necesidades de su público. ¿Qué está tratando de lograr esa persona? ¿Qué tipo de preguntas les interesan? ¿Su visualización aborda las inquietudes de su público? Necesitará que los datos que proporcione motiven a las personas a actuar dentro del alcance de su función. Si no está seguro de que la visualización es clara, preséntela a una o dos personas de su público objetivo para obtener comentarios, lo que le permitirá editarla antes de presentarla ante un público mayor.

Elija un elemento visual eficaz: los elementos 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 temporales. Asegúrese de que los elementos visuales realmente ayuden al público a comprender su mensaje principal. El desfase entre gráficos y datos puede producir lo contrario: confundir aún más a su público en lugar de brindar claridad.

No lo complique: las herramientas de visualización de datos pueden facilitar la adición de todo tipo de información a su elemento visual. Sin embargo, solo porque sea posible no significa que deba hacerlo. En la visualización de datos, debe planificar cuidadosamente la información adicional que agrega para focalizar la atención del usuario. Por ejemplo, ¿necesita etiquetas de datos en cada barra de su gráfico de barras? Quizás solo necesite una o dos para ilustrar su argumento. ¿Necesita una diversidad de colores para comunicar su idea? ¿Está utilizando colores que son accesibles para una amplia gama de públicos (por ejemplo, el público daltónico)? Diseñe su visualización de datos para lograr el máximo impacto eliminando la información que pueda distraer a su público objetivo.