En mi Site ...
La visualización de datos es la representación gráfica de información y datos. Al utilizar elementos visuales como cuadros, gráficos y mapas, las herramientas de visualización de datos proporcionan una manera accesible de ver y comprender tendencias, valores atípicos y patrones en los datos.
En el mundo del big data, las herramientas y tecnologías de visualización de datos son esenciales para analizar grandes cantidades de información y tomar decisiones basadas en los datos.
La visualización de datos es la práctica de traducir información en un contexto visual, como un mapa o gráfico, para facilitar que el cerebro humano comprenda y extraiga información útil. El objetivo principal de la visualización de datos es facilitar la identificación de patrones, tendencias y valores atípicos en grandes conjuntos de datos. El término a menudo se usa indistintamente con otros, incluidos gráficos de información, visualización de información y gráficos estadísticos.
La visualización de datos es uno de los pasos del proceso de ciencia de datos, que establece que una vez que los datos se han recopilado, procesado y modelado, deben visualizarse para obtener conclusiones. La visualización de datos también es un elemento de la disciplina más amplia de la arquitectura de presentación de datos (DPA), que tiene como objetivo identificar, localizar, manipular, formatear y entregar datos de la manera más eficiente posible.
La visualización de datos es importante para casi todas las carreras. Puede ser utilizado por los maestros para mostrar los resultados de las pruebas de los estudiantes, por científicos informáticos que exploran los avances en inteligencia artificial (IA) o por ejecutivos que buscan compartir información con las partes interesadas. También juega un papel importante en proyectos de big data. A medida que las empresas acumulaban colecciones masivas de datos durante los primeros años de la tendencia de los grandes datos, necesitaban una forma de obtener una visión general de sus datos de manera rápida y fácil. Las herramientas de visualización eran un ajuste natural.
La visualización es fundamental para el análisis avanzado por razones similares. Cuando un científico de datos escribe algoritmos avanzados de análisis predictivo o aprendizaje automático (machine learning o ML), se vuelve importante visualizar los resultados para monitorear los resultados y garantizar que los modelos funcionen según lo previsto. Esto se debe a que las visualizaciones de algoritmos complejos son generalmente más fáciles de interpretar que las salidas numéricas.
El data visualization viene de lejos. Los gráficos de barras, de líneas, de círculos… las formas que usamos tanto actualmente fueron diseñadas en el siglo XVIII por el estadístico William Playfair. Con el uso de las estadísticas comerciales en tiempos de la Revolución industrial, el data visualization tuvo nuevos usos y desde las computadoras, décadas atrás, hasta el big data actual, el acceso, el procesamiento y la depuración de grandes volúmenes de información crearon un punto de inflexión en esta práctica.
Hoy en día, los dashboards son intuitivos e interactivos, y los gráficos forman parte de cualquier tipo de información que podemos manejar, en cualquier ámbito. El ejemplo clásico de este proceso es la pizza en porciones. Nuestro cerebro sabe qué es una pizza y que tiene partes (fracciones) de cualquier tamaño. Cuando hallamos una imagen similar en un informe contable, entendemos el significado, su contexto, su intención. Eso es una metáfora visual.
Otro ejemplo es un diagrama de barras el cual consiste en mapear la longitud de las barras a la magnitud de cierta variable. La elección del tipo de mapeo y otras decisiones de estilo gráfico pueden afectar adversamente la legibilidad del gráfico. La visualización de datos tiene sus orígenes en la disciplina de estadística y por ello, tradicionalmente se la considera parte de la subdisciplina estadística descriptiva. Sin embargo, varios autores han abogado que hoy día es un campo interdisciplinario entre las Bellas Artes y las Ciencias. Como competencia, la visualización de datos requiere conocimientos de estadística y programación que son normalmente enseñados en departamentos de Matemáticas o Ciencias, mientras que también requiere conocimientos de comunicación visual que normalmente son enseñados por departamentos de Arte.
Es difícil pensar en un sector profesional que no se beneficie de hacer que los datos sean más comprensibles. Cada campo STEM (siglas en inglés de ciencia, tecnología, ingeniería y matemáticas), se beneficia de la comprensión de los datos, y también lo hacen los campos de gobierno, finanzas, marketing, historia, bienes de consumo, industrias de servicios, educación, deportes, etc.
Si bien siempre hablaremos poéticamente sobre la visualización de datos, existen aplicaciones prácticas y reales que son innegables. Y, dado que la visualización es tan prolífica, también es una de las habilidades profesionales más útiles para desarrollar. Cuanto mejor pueda transmitir sus puntos visualmente, ya sea en un dashboard o en una plataforma de diapositivas, mejor podrá aprovechar esa información.
El concepto de científico de datos ciudadano está en aumento. Los conjuntos de habilidades están cambiando para adaptarse a un mundo basado en los datos. Para los profesionales es cada vez más valioso poder usar los datos para tomar decisiones y usar elementos visuales para contar historias con los datos para informar quién, qué, cuándo, dónde y cómo. Mientras que la educación tradicional normalmente dibuja una línea distinta entre la narración creativa y el análisis técnico, el mundo profesional moderno también valora a aquellos que pueden cruzar entre las dos: la visualización de datos se encuentra justo en el centro del análisis y la narración visual.
La visualización de datos de calidad tiene sus ventajas:
Cuando usamos gráficos, podemos analizar más y mejor los detalles de la información.
Las imágenes, por lo general, resultan atractivas emocionalmente. La narrativa visual “habla” de manera más efectiva que cualquier texto.
Los gráficos resultan fáciles de compartir. Una imagen comprensible invita a ser compartida, aportando comunicación eficaz.
La información visual es altamente comparable, buscando las diferencias entre dos representaciones. En relación con las predicciones y los patrones, son identificables rápidamente en los gráficos.
Las imágenes con patrones se recuerdan mucho mejor que los datos sin procesar. Las imágenes permanecen en la memoria humana con poco esfuerzo mental, al contrario que los textos.
Si todo lo anterior se aplica al ámbito empresarial, la visualización de datos es básica en estrategia o en planificación. Un ejemplo claro de ello son los análisis de KPI o las valoraciones de campañas de marketing.
El mercado, en general, es altamente cambiante, cosa que provoca que las empresas deban adaptarse sin parar, identificar tendencias y nuevos públicos potenciales, con intereses y hábitos nuevos.
Existen muchas representaciones visuales para tratar diversos conceptos o variables. Hay cuatro grandes grupos:
Temporal: estudia los cambios en periodos temporales concretos.
Jerárquico: relaciona distintos puntos de datos.
De red: expresa relaciones mediante la conexión lineal de puntos.
Geoespacial: describe áreas geográficas y espacios.
Cuadros
Tablas
Gráficos
Mapas
Infografía
Dashboards
En los primeros días de la visualización, la técnica de visualización más común era usar una hoja de cálculo de Microsoft Excel para transformar la información en una tabla, gráfico de barras o gráfico circular. Si bien estos métodos de visualización todavía se usan comúnmente, ahora hay disponibles técnicas más complejas, que incluyen:
Gráfico de área
Gráfico de barras
Diagramas de caja y bigotes
Nube de burbujas
Gráfico de bala
Cartograma
Vista circular
Mapa de distribución de puntos
Gráfico de Gantt
Mapa de calor
Tabla de resaltado
Tablas de Fiebre
Histograma
Matriz
Infografía
Red
Área polar
Árbol radial
Diagrama de dispersión (2D o 3D)
Gráfico de flujo
Grafico de Viñetas
Tablas de texto
Escala de tiempo
Diagrama de árbol
Gráfico circular apilado
Nube de palabras
Algunas otras técnicas populares incluyen:
Gráficos lineales. Esta es una de las técnicas más básicas y comunes utilizadas. Los gráficos de líneas muestran cómo las variables pueden cambiar con el tiempo.
Cartas de área. Este método de visualización es una variación de un gráfico de líneas; muestra múltiples valores en una serie de tiempo, o una secuencia de datos recopilados en puntos consecutivos e igualmente espaciados en el tiempo.
Gráfico de dispersión. Esta técnica muestra la relación entre dos variables. Un diagrama de dispersión toma la forma de un eje X o Y con puntos para representar puntos de datos.
Mapas de árbol. Este método muestra datos jerárquicos en un formato anidado. El tamaño de los rectángulos utilizados para cada categoría es proporcional a su porcentaje del total. Los mapas de árbol se usan mejor cuando hay varias categorías presentes, y el objetivo es comparar diferentes partes de un todo.
Pirámides de población. Esta técnica utiliza un gráfico de barras apiladas para mostrar la compleja narrativa social de una población. Se utiliza mejor cuando se intenta mostrar la distribución de una población.
¡Y cualquier combinación que aparezca en un dashboard!.
Gráfico de barras
Gráfico de Gantt
Vista circular
Gráfico de flujo
Infografía
La evolución temporal de una variable es una de las visualizaciones de datos más sencillas y usadas. Representa el cambio en un periodo temporal y contexto definidos. Los más usados son los gráficos de líneas, de barras y de árbol.
Se comparan categorías con diferentes fuentes para entender las relaciones entre ellas. El más usado es el gráfico de barras agrupadas.
Los cuadros de clasificación se basan en la posición de las categorías. Implica el uso mínimo de tres números en un periodo temporal determinado. Los gráficos de barras o columnas son los más comunes.
Es el análisis para conocer la importancia relativa de una parte de un todo. Los gráficos redondos son los más usados, aunque también se aplican las barras apiladas y los mapas de árbol.
Es similar a la comparación, pero tiene en cuenta los cambios a lo largo del tiempo, mostrando cómo dos o más indicadores evolucionan juntos, con sus posibles influencias. En este tipo destaca el gráfico de dispersión.
Tratan la incidencia y el volumen, más que rendimientos directos. En concreto, muestran la frecuencia de un conjunto de valores en un periodo temporal. Los más usados son los gráficos de densidad y los histogramas.
Consideran el movimiento más que el volumen, cómo evoluciona un indicador conectando puntos y periodos. Los gráficos Sankey son los más adecuados, junto con los de redes y acordes.
A medida que la "era del big data" entra en pleno apogeo, la visualización es una herramienta cada vez más importante para darle sentido a las billones de filas de datos que se generan cada día. La visualización de datos ayuda a contar historias seleccionando los datos en una forma más fácil de entender, destacando las tendencias y los valores atípicos. Una buena visualización cuenta una historia, eliminando el ruido de los datos y resaltando la información útil.
Sin embargo, no es tan simple como adornar un gráfico para que se vea mejor o pegar la parte "informativa" de una infografía. La visualización eficaz de datos es un delicado equilibrio entre forma y función. La gráfica más simple podría ser demasiado aburrida para captar la atención del público o lograr que diga algo importante; la visualización más sorprendente podría fallar por completo a la hora de transmitir el mensaje correcto o podría decir mucho. Los datos y los elementos visuales deben trabajar juntos, y hay algo de arte en combinar un gran análisis con una gran narración.
Los casos de uso comunes para la visualización de datos incluyen:
La investigación de la agencia de medios Magna predice que la mitad de todos los dólares de publicidad global se gastarán en línea en 2020. Como resultado, los equipos de marketing deben prestar mucha atención a sus fuentes de tráfico web y cómo sus propiedades web generan ingresos. La visualización de datos facilita ver las tendencias del tráfico a lo largo del tiempo como resultado de los esfuerzos de marketing.
Un uso común de la visualización de datos en política es un mapa geográfico que muestra el partido por el que votó cada estado o distrito.
Los profesionales de la salud con frecuencia usan mapas coropléticos para visualizar datos importantes de salud. Un mapa coroplético muestra áreas geográficas o regiones divididas a las que se les asigna un determinado color en relación con una variable numérica. Los mapas coropléticos permiten a los profesionales ver cómo una variable, como la tasa de mortalidad por enfermedad cardíaca, cambia en territorios específicos.
La visualización científica, a veces denominada en forma abreviada como SciVis, permite a los científicos e investigadores obtener una mayor comprensión de sus datos experimentales.
Los profesionales de finanzas deben realizar un seguimiento del desempeño de sus decisiones de inversión al elegir comprar o vender un activo. Los gráficos de velas se utilizan como herramientas de negociación y ayudan a los profesionales financieros a analizar los movimientos de los precios a lo largo del tiempo, mostrando información importante, como valores, derivados, monedas, acciones, bonos y materias primas. Al analizar cómo ha cambiado el precio con el tiempo, los analistas de datos y los profesionales de finanzas pueden detectar tendencias.
Las compañías navieras pueden usar herramientas de visualización para determinar las mejores rutas de envío globales.
Las visualizaciones creadas por científicos de datos suelen ser para uso propio del científico o para presentar la información a un público selecto. Las representaciones visuales se crean utilizando bibliotecas de visualización de los lenguajes y herramientas de programación elegidos. Los científicos e investigadores de datos utilizan con frecuencia lenguajes de programación de código abierto, como Python, o herramientas patentadas diseñadas para análisis de datos complejos. La visualización de datos realizada por estos científicos e investigadores de datos les ayuda a comprender conjuntos de datos e identificar patrones y tendencias que de otro modo habrían pasado desapercibidos.
La visualización de datos ha cambiado y se ha optimizado, siendo eficiente con nuevas herramientas y nuevos procesos.
La interacción es atractiva y pedagógica, e insta al comprador a compartir, suscribirse o comprar.
Tienen diseños responsivos, accesible desde cualquier tipo de pantalla.
La posibilidad de combinar e integrar herramientas y fuentes de datos es un hecho.
La colaboración brinda nuevas oportunidades, permitiendo a los usuarios que contribuyan con aportaciones en tiempo real.
Las herramientas especializadas crean e incluyen las últimas tendencias, con interacción dinámica en tiempo real.
Las herramientas de visualización de datos se pueden usar de varias maneras. El uso más común hoy en día es como herramienta de informes de inteligencia empresarial (Business Intelligence, BI). Los usuarios pueden configurar herramientas de visualización para generar paneles de control automáticos que rastrean el rendimiento de la empresa a través de indicadores clave de rendimiento (Key Performance Indicators o KPIs) e interpretan visualmente los resultados.
Las imágenes generadas también pueden incluir capacidades interactivas, lo que permite a los usuarios manipularlas o mirar más de cerca los datos para preguntas y análisis. También se pueden integrar indicadores diseñados para alertar a los usuarios cuando los datos se han actualizado o cuando ocurren condiciones predefinidas.
Muchos departamentos comerciales implementan software de visualización de datos para rastrear sus propias iniciativas. Por ejemplo, un equipo de marketing podría implementar el software para monitorear el rendimiento de una campaña de correo electrónico, rastreando métricas como la tasa de apertura, la tasa de clics y la tasa de conversión.
A medida que los proveedores de visualización de datos amplían la funcionalidad de estas herramientas, se utilizan cada vez más como interfaces para entornos de big data más sofisticados. En esta configuración, el software de visualización de datos ayuda a los ingenieros y científicos de datos a realizar un seguimiento de las fuentes de datos y hacer un análisis exploratorio básico de conjuntos de datos antes o después de análisis avanzados más detallados.
Los nombres más importantes en el mercado de herramientas de big data incluyen Microsoft, IBM, SAP y SAS. Algunos otros proveedores ofrecen software especializado de visualización de big data; los nombres populares en este mercado incluyen Tableau, Qlik y Tibco. Si bien Microsoft Excel continúa siendo una herramienta popular para la visualización de datos, se han creado otros que brindan capacidades más sofisticadas. Los ejemplos incluyen:
IBM Cognos Analytics
Qlik Sense y QlikView
Microsoft Power BI
Oracle Visual Analyzer
SAP Lumira
SAS Visual Analytics
Tibco Spotfire
Zoho Analytics
D3.js
Jupyter
MicroStrategy
Google Charts
