Visualización de datos

Visu

La visualización es una forma de convertir los datos en soluciones. Un buen gráfico ahorra tiempo, reduce la carga cognitiva y ayuda a ver patrones en lugar de «dibujos». A continuación, una guía de campo: desde los objetivos y la selección de diagramas hasta el diseño, el storitelling y la operación en el producto.

1) Objetivos y audiencias

Objetivos: estudio (EDA), explicación (insight → acción), monitoreo (dashboards), persuasión (presentaciones).
Audiencias: manual (alto nivel y tendencias), producto/marketing (embudos, cohortes), ingenieros/ML (SLA, deriva, métricas de modelos), cumplimiento (riesgos/control).
Regla de oro: una visualización es una pregunta principal.

2) Selección de gráficos (parche)

Anti-patrones: gráficos 3D, ejes dobles sin necesidad explícita, leyendas sobrecargadas.

3) Composición y legibilidad

Jerarquía: título → información privilegiada clave → detalles.
Cuadrícula y sangría: líneas extra para quitar; las firmas numéricas son menos raras, pero apropiadas.
Fuentes: 3 tamaños (título, ejes, firmas); evite la capsa y las «pequeñas cosas».
Anotaciones: firma puntos máximos/anómalos, cambios de políticas/campañas.
Layout dashboard: regla "Z" o'F ", 3-6 tarjetas por pantalla, una NSM en la parte superior.

4) Color y codificación

Valor del color: paletas categóricas - de calidad; ordinal - gradientes; divergentes - para «por encima/por debajo de lo normal».
Contraste: relación ≥ 4. 5:1 para el texto; compruebe las paletas de seguridad de daltonismo.
Mínimo de colores: ideal - 1 acento + 1-2 auxiliar.
Canal de datos: primero posición/longitud, luego ángulo/área, color - como amplificador.
Acento: enfatiza lo principal (highlight), el resto es gris.

5) Stortitelling

Marco: contexto → conflicto (pregunta/anomalía) → desacoplamiento (salida/acción).
Narrativa en el gráfico: título principal (insight), subtítulo (cómo leer), notas (por qué es importante).
Comparaciones: antes/después, control/prueba, YoY/DoD, valores normalizados.
Unidades y escalas: unidades explícitas, redondeos razonables, punto cero en las listas de barras.

6) Dashboards: desde el diseño hasta la operación

Capas: Executive (1-2 NSM + 3 controladores), Domain (embudos/cohortes), Ops/ML (SLA/deriva/alertas).
Filtros: tiempo, segmentos (país/canal/plataforma), experimentos.
Tarjetas: KPI-tyles con tendencia/sparkline, drill-down por clic.
Estados: vacíos (sin datos), «error», «descarga».
Actualización: Especifique la frecuencia/valor (por ejemplo, «actualizado 10 min atrás»).

7) Métricas de calidad de imagen

Tiempo antes del Insight (TTI): segundos antes de entender «qué está pasando aquí».
Carga cognitiva: número de elementos/leyendas; el objetivo es un mínimo de cambios de mirada.
Precisión de lectura: divergencia «por ojo» vs valores reales.
Uso: clics/scroll/guardar; qué tarjeta da soluciones.
Confianza: proporción de interpretaciones correctas en una prueba personalizada.

8) Accesibilidad y localización

Textos alt y títulos descriptivos.
Colores distinguibles en el daltonismo; duplicar los colores con forma/trazo.
Locals de números/fechas, escalas a la derecha para algunos idiomas.
Navegación por teclado y atajos de visualización para dashboards web.

9) Anti-patrones

Chartjunk: elementos decorativos que no tienen sentido.
Pasteles con más de 7 sectores: substituir por un bar chart.
Dos ejes Y sin necesidad explícita: es mejor normalizar/mostrar los dos paneles.
Precisión falsa: 12 signos después de coma, escalas «laceradas» sin previo aviso.
Interactividad infinita: oculta el pensamiento principal - primero una vista clave estática.

10) Plantillas de visualización por tareas de datos

Cohortes y retención: heatmap/calendario + líneas de tendencia D7/D30.
Embudos: barra paso a paso + conversion deltas; anotaciones de experimentos.
Monitoreo ML: métricas (PR-AUC, Recall@FPR≤x%), calibración (Reliability curve), deriva (PSI heatmap), latencia p95.
Finanzas: cascada (puente) para las contribuciones de los factores a la GGR/ingresos.
Anomalías: línea con un corredor de confianza + marcadores de eventos/lanzamientos.
Segmentación: small multiples por segmentos; Scatter UMAP con coloración.

11) Herramientas y pila

Estudio: notebooks + matplotlib/plotly, gramáticas similares a ggplot.
BI/dashboards: Tableau/Power BI/Looker/Metabase/Superset.
Frente web: D3/Observable, Plotly. js, Vega-Lite; para prod widgets - fácil canvas/librerías WebGL.
Estándares: sistema de diseño de gráficos (colores, cuadrículas, fuentes), componentes de plantillas.

12) Rendimiento y datos

Calcule los agregados en el lado DWH; envíe perezosamente grandes series.
Downsampling/binings para filas largas; «pequeñas multiplicidades» en lugar de heatmap gigantes.
Almacenamiento en caché de cortes populares; sparkline precompute.
Controlar N categorías únicas (≤ 12 por gráfico).

13) Visualización de la incertidumbre y comparación

Intervalos de confianza/cintas, barras de error, caja/violín para las distribuciones.
Transparencia/trazo para «plan/hecho».
Normalizar unidades; para cambios relativos - índice (t0 = 100).
No mezcle escalas lineales y logarítmicas sin una explicación explícita.

14) Código visual de rugido y gobierno

Lista de cheques con rugidos: ¿el objetivo está claro? ¿Se ha seleccionado correctamente el gráfico? ¿la leyenda es legible? unidades/origen/fecha de actualización especificada?
Diccionario de términos: definiciones de KPI uniformes; versión de fórmulas en gráficos.
Versioning: «dashboard vX», fecha de lanzamiento, changelog.
Seguridad: enmascarar PII; agregue a un nivel seguro.

15) Lista de verificación antes de la publicación

• El título formula el insight en lugar de «tipo de gráfico»
• Las firmas de ejes/unidades/origen/fecha de actualización se indican
• La escala y el punto cero son correctos; no hay ejes engañosos
• Los colores son contrastados y el daltonismo es seguro; la leyenda es mínima
• Se agregaron anotaciones de eventos/experimentos clave
• Hay estados vacíos/erróneos y actualizaciones especificadas por SLA
• La visualización pasa una «prueba de comprensión de 5 segundos»

Mini glosario

Multiples pequeños: una serie de gráficos idénticos para diferentes segmentos/períodos.
Chartjunk: «basura» visual que no lleva datos.
Paleta divergente: paleta con medio neutro (por debajo/por encima de lo normal).
Sparklines: mini chispas gráficas junto a KPI.

Resultado

Una visualización fuerte no es «gráficos hermosos», sino un pensamiento claro, un tipo de diagrama fielmente elegido, una disciplina de composición y colores, un reflejo honesto de la incertidumbre y una experiencia de dashboard ordenada. Haz un simple look inicial, enfatiza lo principal, documenta las definiciones y vigila la explotación, así que la visualización se convierte en una herramienta de control en lugar de una decoración.