No me hables que no te veo: Cómo hacer que los datos hablen, la ciencia de las visualizaciones.

Organizaciones orientadas al dato nos dicen. Los datos son el petróleo del siglo XXI.

Esta realidad que estamos viviendo de transformación digital, está generando grandes cantidades de datos en todos los ámbitos de la vida, también en las organizaciones.

Como digerir estos datos, como hacer aflorar información, conocimiento que no es evidente a simple vista.

The purpose of visualization is insight, not pictures.

Ben Shneiderman (1999)

La semana pasada tuve ocasión de compartir con los socios del club de Excelencia del Foro de Administraciones Públicas mis aprendizajes sobre visualización de datos, Cómo hacer que los datos hablen, la ciencia de las visualizaciones.

Mi intervención se basó en la investigación que realicé para la elaboración de mi tesis doctoral.

Entendemos la visualización como una representación gráfica de datos. El objetivo primordial debe de ser generar conocimiento, aportar valor, responder a preguntas, interactuar con los datos. La comunicación debe ser clara y eficiente, y la estética no debe de condicionar la comprensión de los datos. Como dice Shneiderman, el fin es facilitar la comprensión, no hacer los datos bellos.

Una visualización eficiente nos ayuda a comprender la información, a emerger patrones, a conectar informaciones. Pone en relieve la información importante y minimiza la trivial.

Lo que viene siendo separar el grano de la paja, vaya.

El desafío para el usuario debe de ser comprender la información, no la estética.

Actualmente la mayoría de las visualizaciones son interactivas y permiten al usuario navegar por los datos y elaborar sus propias visualizaciones, para explorar datos, encontrar respuestas.

Desde la perspectiva de la gestión del conocimiento, en el modelo SECI de Nonaka y Takeuchi, las visualizaciones de datos en una organización deben hacer aflorar el conocimiento explícito para internalizarlo y socializarlo, y de esta forma generar mayor conocimiento tácito.

Desde los datos crudos hasta la visión, hay que recorrer un camino que se ha denominado la jerarquía DIKW (del inglés Data, Information, Knowledgement and Wisdom). Los datos se extraen de las diferentes fuentes (aplicaciones transaccionales principalmente), transformados en información de calidad normalizada y cargada en almacenes de datos especialmente diseñados para el sistema de información de negocio o business intelligence.

Una vez disponemos de información estructurada y de calidad, mediante la aplicación de diferentes técnicas estadísticas (correlación, media, frecuencia, moda, etc.), generalmente multivariantes, y mediante el uso de elementos de representación gráfica, podremos generar visión y conocimiento, idealmente sabiduría.

Un aspecto relevante en este punto es que es necesaria la interacción con una persona (a priori) para la comprensión y para la conversión de la información en conocimiento, y éste a su vez en visión.

Por ello la persona que va a recibir la información es muy relevante en este proceso: ¿Qué conocimientos previos tiene sobre el ámbito de los datos?, ¿Qué conocimiento tiene sobre técnicas estadísticas (entiende qué es una regresión, una correlación, la moda, ....)?.

Las organizaciones que abordan la publicación de visualizaciones de datos deben tener en cuenta la curva de aprendizaje en la comprensión de la información. Utilizar un conjunto de técnicas estadísticas y de componentes de visualización limitados, puede reducir esta curva de aprendizaje y facilitar la comprensión del público objetivo.

El conocimiento se fundamenta en la comprensión del pasado, la visión consiste en proyectar este conocimiento hacia el futuro, en extrapolar la información para predecir el futuro, para elaborar escenarios, para la prospección.

Los datos, puestos en contexto, generan información. La información dotada de significado produce conocimiento, y a su vez el conocimiento se convierte en visión cuando conecta con otras informaciones para formar patrones, generar sabiduría. Esta visión, alineada con el propósito, desencadena o idealmente debería desencadenar las decisiones.

Si aplicamos esta jerarquía a nuestro sistema de información, deberíamos empezar por definir el valor que queremos generar o la pregunta que queremos responder. Desde ahí, encontrar los datos necesarios y estructurarlos en información de calidad y actualizada en nuestro almacén de datos. Aplicar las técnicas de análisis y de visualización gráfica adecuadas y entregar los resultados. Entregar consiste en poner a disposición de la persona o personas indicadas la información adecuada. Consistirá en enviar el informe o en publicarlo en los espacios apropiados y con el acceso a la información personalizada para el usuario en cuestión, mediante la gestión de permisos.

Una organización debe de evitar el ¿Dónde están mis datos?, con la creación de un espacio único de entrega y publicación de datos, tipo portal o repositorio, para toda la información de la organización. Cada perfil de la organización accederá al conjunto de datos adecuado, en función de sus necesidades y responsabilidades.

Pero entonces, ¿Cómo deben ser las visualizaciones?

1. El fin condiciona la forma. De la investigación de Cleveland y McGill, conocemos el diccionario de Elementary Perceptual Tasks, en el que listaron diez métodos para codificar datos visualmente y los clasificaron, de mejor a peor, a partir de lo bien que el cerebro es capaz de interpretarlos y comparar sus elementos. Contrastaron que el cerebro humano compara mejor las cifras en elementos de visualización lineales que en aquellos que son circulares o en diferente gradación de color. Por ello, cuando lo que queremos mostrar son comparaciones, lo adecuado es un gráfico de barras, líneas o columnas, huye de los gráficos circulares, no suelen ser adecuados. Si por el contrario queremos mostrar la composición o poner en evidencia patrones, puede ser adecuado usar gradaciones de color.

2. Andrew Abela profundizó en esta cuestión y elaboró un catálogo de técnicas de visualización adecuadas para cada función: Comparación, relación, composición y distribución. Muchos autores y organizaciones han profundizado en esta cuestión y han elaborado su propio diccionario, como por ejemplo el Financial Times: ft.com/vocabulary

3. Edward Tufte elaboró la teoría de la excelencia gráfica, que consiste en ideas complejas comunicadas con claridad, precisión y eficiencia. La excelencia gráfica es aquella que brinda al espectador la mayor cantidad de ideas, en el menor tiempo, con la menor cantidad de tinta, en el menor espacio. La excelencia gráfica es casi siempre multivariante y requiere que los datos digan la verdad. Cuando elabores un gráfico, quita todos los elementos que no impacten sobre la comprensión de la información (bordes, colores, fondos, negritas...)

4. Huye de la "estetización". Este concepto de Alberto Cairo se refiere a no caer en hacer los datos bonitos. Si la estética, la gráfica, no aporta valor a la comprensión de los datos, no es necesaria. Ello no impide que nuestras visualizaciones sean bellas.

5. Escoge bien los colores. Define una paleta de colores para tus visualizaciones y no te muevas de ella. Valora si el color corporativo es adecuado, los colores transmiten sensaciones (rojo, naranja ?). Cuida el semántico (valor, partido político, intensidad...). Aporta legibilidad a tus gráficos usando el color sólo para destacar la información relevante, un solo color para datos constantes. No olvidemos la accesibilidad, personas que perciben los colores de diferente manera.

Si algo me gustaría destacar sobre la visualización de datos, es la necesidad de generar valor. Si tus visualizaciones no aportan valor, si no responden a cuestiones, si no permiten aflorar patrones o datos relevantes, si no son fáciles de entender y claras, dale una vuelta.

Uno de mis aprendizajes de 2022 ha sido aprender a escuchar con los ojos.

Nonaka, I., o Nonaka, I., Ikujiro, N., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation (Vol. 105). OUP USA.

Frické, M. (2019). The knowledge pyramid: the DIKW hierarchy. Ko Knowledge organization, 46(1), 33-46.

Cleveland, W. S., & McGill, R. (1985). Graphical perception and graphical methods for analyzing scientific data. Science, 229(4716), 828-833.

Tufte, E. R. (2001). The Visual Display of Quantitative Information. Cheshire, CT: Graphics Press.

Cairo, A. (2011). El arte funcional. Infografía y visualización de la información. Alamut.

..