Al crear visualizaciones, cuestione todo

A medida que las organizaciones amplían sus infraestructuras digitales, la cantidad de datos que se recopilan crece a un ritmo cada vez mayor. Esta avalancha presenta una nueva serie de desafíos y el más importante de ellos —darle sentido a todo— depende de la visualización de los datos. Herramientas digitales como Muchos ojos y Software de Tableau han permitido a las empresas y al público crear visualizaciones mediante plantillas integradas, pero también han despertado el deseo de tener más control sobre el método visual, el diseño, el estilo y la marca.

La Web abierta, una plataforma para crear software a escala web mediante tecnologías abiertas, está cambiando el panorama de la visualización de datos. Bibliotecas de código abierto como Raphael.js y d3.js democratice la visualización de datos, haciendo que el proceso y el código sean transparentes. Además, el comunidades que apoyan estas herramientas son vibrantes.

Sin embargo, con estas nuevas oportunidades, surge la necesidad de desentrañar la cartera de producción, desde fuentes de datos complicadas y complejas hasta los resultados pulidos a los que todos estamos acostumbrados. No es tan fácil como parece. Deconstruir lo que realmente tiene que ocurrir para que se produzca la visualización de los datos es algo que hemos estado perfeccionando aquí en Bocoup.

Esta es nuestra fórmula:

La planificación de la visualización de datos comienza con una conversación. Cuando nuestros clientes declaran inicialmente sus objetivos («queremos crear una visualización de datos de X»), solemos preguntarnos «por qué» repetidamente, de forma centrada en el usuario. Al hacer preguntas, identificamos al público y nuestros objetivos como creadores, lo que a su vez sirve de base para el resto del proceso. Responder a estas preguntas no solo es importante para seguir adelante, sino que a menudo transforma el proyecto por completo.

Lo siguiente que hay que recordar es que es común dedicar un esfuerzo considerable a transformar los datos en formularios consumibles por máquinas, limpiar cualquier punto de datos deshonesto y volver a formatearlos en formas (como tablas o formatos JSON) que se prestan al cálculo. Este es un proceso que cualquiera le dirá que lleva más tiempo del esperado, así que no se frustre demasiado. Vale la pena el esfuerzo.

Después, el descubrimiento de datos se centra en entender los parámetros de los datos, porque los datos por sí solos no pueden ofrecer información sobre las relaciones subyacentes. ¿Qué valores atípicos existen en los datos? ¿Tienen sentido o simplemente añaden ruido? Por ejemplo, cuando explorando los préstamos de alto riesgo, los economistas de Stanford descubrieron lo que pensaban que era un error en sus datos: un aumento importante e inexplicable de los préstamos en los primeros meses del año. Tras investigar más a fondo, descubrieron que el aumento anómalo se debía al efecto del crédito tributario por ingreso del trabajo, lo que cambió drásticamente el rumbo de su investigación.

Cuando las formas, formas y curvas de los datos pasan a ser algo natural, comienza la parte más divertida: hacerle más preguntas. Es tentador empezar un proyecto de visualización de datos con la idea de un artefacto visual llamativo que ilustre una conclusión y, después, trabajar hacia atrás. Al igual que en nuestra conversación inicial para hablar de los objetivos, los clientes suelen decir: «Sabemos que X es cierta y quiero una visualización de datos que lo demuestre». Pero, ¿es realmente cierto? Incluso si lo fuera, ¿es realmente el hecho correcto para comunicar los datos?

La mayoría de las veces, cuestionar algunas de estas suposiciones puede tener un profundo impacto, no solo desde la perspectiva del proyecto inmediato, sino para la organización en su conjunto. Los datos, pues, existen para dos propósitos: comprobar lo que ya sabemos y exponernos a lo que no sabemos. Tener el tiempo y el espacio para explorar estos dos objetivos en una fase de análisis es crucial para preparar los datos que se van a visualizar. Cuando realmente encontremos los datos que respaldan lo que estamos intentando comunicar, las formas visuales surgirán de forma natural.

Ahora, sí, ahora, empezaremos a visualizar los datos. Es hora de pensar en el público. ¿Cuáles son sus características? ¿Qué decisiones se espera que tomen los lectores o los electores en función de la visualización? Para un público muy participativo con sus propias preguntas, lo mejor es una herramienta exploratoria, como este de la Universidad de Utah:

Para un público ajetreado, lo más apropiado puede ser un gráfico estático de alto nivel. De El economista:

Si los datos son complejos, una interfaz interactiva paso a paso que se centra en una sola narración: me gusta esta función de El guardián — podría ser lo que mejor sirva a sus lectores (haga clic en el enlace anterior para ver el gráfico completo):

Muchos de estos enfoques se pueden combinar en las circunstancias adecuadas.

Cuando se comprenda el formato de entrega y se aclaren las limitaciones del público y sus expectativas, es el momento de jugar con los diseños visuales. La experimentación es crucial. No todos los diseños visuales se crean de la misma manera; según las relaciones de los datos, algunos pueden resultar más apropiados que otros. Orientarse a un formato y tamaño de pantalla determinados introduce un conjunto diferente de restricciones y posibilidades. La mejor solución suele ser la más sencilla, y la iteración rápida y la creación de prototipos son la única manera de garantizar que representamos los datos y la narrativa con precisión.

En la práctica, este oleoducto se alimenta solo. A medida que entendemos nuestros datos, se nos plantean nuevas y mejores preguntas a las que responder. Presupuestar el tiempo para esta exploración es necesario para crear un recurso valioso que le ayude a comunicarse con su público. El mayor error que cometemos con la visualización de datos es optar por la solución más fácil: la simplificación excesiva de los datos ( como promediarlo) pueden ocultar complejidades y patrones importantes, pero a menudo la visualización de todos los datos da como resultado» bolas de pelo» o distribuciones sin patrones.

Al final, el flujo de trabajo de visualización de datos hace que se sorprenda. Cuando trabaja con datos, puede esperar equivocarse, fallar rápido y fallar con frecuencia. Más que cualquier otra práctica de ingeniería, la visualización de datos requiere un enfoque iterativo para tener en cuenta la naturaleza cambiante de sus hallazgos a medida que trabaja.

Este enfoque cuenta con el firme apoyo de las prácticas modernas de visualización de datos de la Web abierta. La web nos ofrece herramientas para rápido creación de prototipos; instantáneo apoyo y comentarios; prácticas de desarrollo que puede evolucionar rápidamente y crecer con el cambiante ecosistema y las potentes herramientas para el desarrollo de software interactivo.

Trabajar en la Web abierta no elimina la complejidad de los problemas subyacentes que estamos intentando resolver, pero sí ofrece a los usuarios y a los nuevos desarrolladores la posibilidad de leer, jugar con el código y compartirlo debido a la naturaleza colaborativa del ecosistema. Nunca está solo. Independientemente de si es una empresa emergente o una organización establecida, la Web Abierta puede resultar inestimable para dar sentido a sus datos y presentarlos bien.

Visualización de datos
Un HBR Insight Center

• Cómo presenta P&G los datos a los responsables de la toma de decisiones
• La visualización como proceso, no como salida
• Diez años de datos de ingresos de News Corp., en menos de un minuto
• Cuando presente sus datos, vaya al grano rápidamente