Visual analytics: poniendo en valor el dato a través de la visualización

TALLER
Visual Analytics: poniendo en
valor el dato a través de la
visualización
Proyectos Programa Big Data y Business Intelligence
Alex Rayón
alex.rayon@deusto.es
Diciembre, 2015

“Perfection is achieved not
when there is nothing more to
add, but when there is nothing
left to take away”
Antoine de Saint-Exupery
2

Narrativa
+
Diseño
+
Estadística
3

“[...] people almost universally use story
narratives to represent, reason about, and make
sense of contexts involving multiple interacting
agents, using motivations and goals to explain
both observed and possible future actions. With
regard to learning analytics, I’m seeing this as how
it can contribute to the retrospective
understanding and sharing of what transpired
within the operational contexts”
[Zachary2013]4

Índice de contenidos
Introducción
Historia visualización de información
Conceptos
Proceso de visualización de información
Construyendo un Dashboard
Errores en la visualización
Herramientas y librerías
5

Introducción
Conceptos
6

Introducción
Peligro de perderse con los datos
Irrelevante para la tarea que se tiene entre manos
Procesado de una manera inapropiada
Presentado de una manera inapropiada
Source: http://www.planetminecraft.com/server/padlens-maze/
7

Introducción (III)
Los buenos gráficos…
Señalan relaciones, tendencias o patrones
Exploran datos para inferir nuevo conocimiento
Hace fácil de entender un concepto, idea o hecho
Permite observar una realidad desde diferentes puntos
de vista
Permite recordar una idea
9

Introducción (IV)
Es una forma de expresión
Como las matemática, la música, la pintura o la escritura
En consecuencia, tiene una serie de reglas que
respetar
Source: http://powerlisting.wikia.com/wiki/Mathematics_Manipulation
10

Introducción (V)
A center of excellence
11

Introducción
Beneficios
1) Procesamiento eficiente de información
12

Introducción
Beneficios (II)
2) Relaciones y patrones entre actividades de negocio y
operaciones
Fuente: http://www.mediameasurement.com/my-my-a-smoky-eyed-surprise/
13

Introducción
Beneficios (III)
3) Identificar y actuar en tendencias emergentes cuanto antes
Fuente: http://www.propertyweek.com/emerging-trends-sustainability-given-the-green-light/5065937.article
14

Introducción
Beneficios (IV)
4) Manipular e interactuar directamente con datos
Fuente: http://blog.visual.ly/interaction-design-for-data-visualizations/
15

Introducción
Beneficios (V)
5) Fortalecer un nuevo lenguaje de negocio
Fuente: http://www.qualia.hr/businessq/visualize/
16

Introducción
Popularidad
Information is beautiful
Fuente: http://www.informationisbeautiful.net/visualizations/the-microbescope/
17

Introducción
Popularidad (II)
Vox
Fuente: http://www.vox.com/2014/10/18/6995441/map-greatest-threat-country
18

Introducción
Popularidad (III)
Politikon: Kiko Llaneras
Fuente: http://politikon.es/2014/01/30/personas-datos-gimnasios-y-patrones/
19

Introducción
Conceptos
20

Historia visualización
Introducción
Siglo XVIII Siglo XIX Siglo XX
Joseph Priestley
William Playfair
John Snow
Charles J. Minard
F. Nightingale
Jacques Bertin
John Tukey
Edward Tufte
Leland Wilkinson
21

Siglo XVIII: Joseph Priestley
Source: http://en.wikipedia.org/wiki/A_New_Chart_of_History#mediaviewer/File:A_New_Chart_of_History_color.jpg
22

Siglo XVIII: Joseph Priestley (II)
Lectures on History and General
Policy (1788)
A Chart of Biography (1765)
A New Chart of History (1769)
Preciosas metáforas de una
dimensión imprecisa y abstracta
(tiempo) trasladada a una
concreta (espacio)
Pensamiento temporal consume
recursos cognitivos
23

Siglo XVIII: William Playfair
Source: http://en.wikipedia.org/wiki/William_Playfair
24

Siglo XIX: John Snow
Source: http://en.wikipedia.org/wiki/1854_Broad_Street_cholera_outbreak
25

Siglo XIX: Charles J. Minard
Source: http://en.wikipedia.org/wiki/Charles_Joseph_Minard
26

Siglo XIX: Florence Nightingale
Source: http://en.wikipedia.org/wiki/Florence_Nightingale27

Siglo XX: Jacques Bertin
Source: http://www.amazon.com/Semiology-Graphics-Diagrams-Networks-Maps/dp/1589482611
28

Siglo XX: John W. Tukey
Source: http://books.google.es/books/about/Exploratory_Data_Analysis.html?id=UT9dAAAAIAAJ&redir_esc=y
29

Siglo XX: Edward R. Tufte
Source: http://www.edwardtufte.com/tufte/books_vdqi
30

Siglo XX: Leland Wilkinson
Source: http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/038724544831

Siglo XX: Leland Wilkinson (II)
Source: http://www.amazon.com/Grammar-Graphics-Statistics-Computing/dp/038724544832

Introducción
Conceptos
33

Conceptos
Introducción
Visualización de datos
Visualización de información
Geovisualización
Visual Analytics
Diseño de información
Infografías
34

Conceptos
Introducción (II)
Herramientas cognitivas
Extienden el aprendizaje y la percepción humana
Fueron inventadas y desarrolladas por nuestros
antepasados para darle sentido al mundo y actuar
de manera más efectiva en él
Historias que enseñaron a las personas a recordar cosas
haciendo el conocimiento más interesante
Metáforas que permitieron a las persona entender una cosa
analizándola en términos de otra
Oposiciones binarias como bueno/malo que ayudaron a las
personas a organizar y categorizar conocimiento35

Conceptos
Introducción (III)
Source: http://ierg.net/about/briefguide.html#cogtools
36

Conceptos
Introducción (IV)
Source:http://en.wikipedia.org/wiki/Cognitive_ergonomics
37

Conceptos
Visualización de datos
El uso de representaciones
visuales e interactivas sobre
ordenador de elementos
abstractos para ampliar y
mejorar el procesamiento
cognitivo
[Card1999]
38

Conceptos
Visualización de información
También conocido como InfoVis
Se centra en la visualización de datos abstractos
no-físicos como datos financieros, información
de negocio, colecciones de documentos y
conceptos abstractos
Sin embargo, limita mucho el soporte a la toma
de decisiones [AmarStasko2004]
Características limitadas
Representaciones predeterminadas39

Conceptos
Geovisualización
Los datos geo-espaciales describen objetos o
fenómenos que están asociados a una
localización específica en el mundo real
Source: http://www.boostlabs.com/why-geovisualization-geographic-visualization-works/40

Conceptos
Visual Analytics
The science of analytical
reasoning facilitated by
interactive visual interfaces
[ThomasCook2005]
41

Conceptos
Visual Analytics (II)
[Keim2006]42

Conceptos
Visual Analytics (III)
“Visual analytics is more than just visualization and
can rather be seen as an integrated approach
combining visualization, human factors and data
analysis. [...]integrates methodology from
information analytics, geospatial analytics, and
scientific analytics. Especially human factors (e.g.,
interaction, cognition, perception, collaboration,
presentation, and dissemination) play a key role in
the communication between human and computer, as
well as in the decisionmaking process.”
[Keim2006]
43

Conceptos
Visual Analytics (IV)
● [Sheniderman2002] sugiere combinar el enfoque
de análisis cuantitativo sobre ordenador (Data
Mining) con la visualización de información
● Utilizar herramientas de Visual Analytics para:
○ Sintetizar información y obtener insights de datos masivos,
dinámicos, ambiguos y en ocasiones conflictivos
○ Detectar lo esperado y descubrir lo inesperado
○ Proveer interpretaciones de datos a tiempo, defendibles y
entendibles
○ Comunicar interpretaciones de datos de manera efectiva
para habilitar la toma de decisiones/acciones
44

Conceptos
Visual Analytics (V)
Interactive
visualization
Computational
analysis
Analytical
reasoning
45

Conceptos
Visual Analytics (VI)
Combinar las fortalezas tanto del procesamiento
humano como electrónico [Keim2008]
Ofrece un procesamiento analítico semi-automático
Utiliza las fortalezas de cada enfoque
46

Conceptos
Visual Analytics (VII)
[Verbert2014]
47

Conceptos
Diseño de información
The practice of
presenting information
in a way that fosters
efficient and effective
understanding of it
48

Conceptos
Diseño de información (II)
Source: http://www.nytimes.com/imagepages/2007/03/17/nyregion/nyregionspecial2/20070318_TRAIN_GRAPHIC.html
49

Conceptos
Infografías
The graphic visual
representations of data,
information or knowledge
intended to present complex
information quickly and
clearly
50

Conceptos
Infografías (II)
Source: http://blog.crazyegg.com/2012/02/22/infographics-how-to-strike-the-elusive-balance-between-data-and-visualization/51

Conceptos
Infografías (III)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016760ebbbcd970b-550wi
52

Conceptos
Comparación
Source: http://www.slideshare.net/SookyoungSong/hci-tutorial0212
53

Introducción
Conceptos
54

Proceso visualización
Introducción
The purpose of analytical displays of evidence is to assist thinking.
Consequently, in constructing displays of evidence, the first question
is, “What are the thinking tasks that these displays are supposed
to serve?” The central claim of the book is that effective analytic
designs entail turning thinking principles into seeing principles. So, if
the thinking task is to understand causality, the task calls for a
design principle: “Show causality.” If a thinking task is to answer a
question and compare it with alternatives, the design principle is:
“Show comparisons.” The point is that analytical designs are not to
be decided on their convenience to the user or necessarily their
readability or what psychologists or decorators think about them;
rather, design architectures should be decided on how the
architecture assists analytical thinking about evidence.
Edward T. Tufte in an interview
55

Data Visualization Reference Model
[Chi2000]
56

Proceso Visual Analytics
57

Principios
Resumen de los principios de Tufte
Revelar la verdad
Integridad gráfica
Hacer de manera efectiva, con claridad, precisión,
etc.
Diseño estético
“The success of a visualization is based on deep
knowledge and care about the substance, and the
quality, relevance and integrity of the content”
58

Principios (II)
Diseño estético: cinco principios
Por encima de todo, mostrar los datos
Maximizar el ratio dato-tinta
Eliminar todo trazo de tinta que no contenga
datos
Eliminar trazos de tinta redundantes
Revisar y editar
59

Principios (III)
Atributos importantes
Color
Tamaño
Orientación
Lugar en la página
o
Source: http://www.storytellingwithdata.com/2011/10/google-example-preattentive-attributes.html
60

1) Transformación de datos
Codificación del valor
Datos univariados
Datos bivariados
Datos multivariados
Codificación la relación
Líneas
Mapas
Diagramas
61

1) Transformación de datos (II)
Datos univariados
Datos bivariados
Datos multivariados
Líneas
Mapas
Diagramas
62

1) Transformación de datos (III)
[Shneiderman1996]
63

1) Transformación de datos (IV)
Data Visualization [Jarvainen2013]
Datos univariados
Los efectos de la variable independiente sobre una única
variable dependiente
64

1) Transformación de datos (V)
Datos bivariados
Miden la relación entre dos variables
Ninguna de las variables en estudio es independiente, por lo que el procedimiento no es
experimental, como en los estudios univariados
65

1) Transformación de datos (VI)
Anscombe's quartet
Source: http://en.wikipedia.org/wiki/Anscombe's_quartet
66

1) Transformación de datos (VII)
Datos multivariados
Analizar simultáneamente conjunto de datos multivariantes en el sentido de que hay varias
variables medidas para cada individuo u objeto estudiado
67

1) Transformación de datos (VIII)
Datos univariados
Datos bivariados
Datos multivariados
Líneas
Mapas
Diagramas
68

1) Transformación de datos (IX)
Relación
Asociación lógica o natural entre dos o más entidades
Relevancia de la una en la otra
Conexión
Fuente: http://www.tendencias21.net/estrategar/La-vida-es-relacion_a321.html
69

1) Transformación de datos (X)
Red Social
Las líneas indican
relación
Source: http://www.digitaltrainingacademy.com/socialmedia/2009/06/social_networking_map.php
70

1) Transformación de datos (XI)
71

1) Transformación de datos (XII)
Source: http://www.d3noob.org/2013/02/formatting-data-for-sankey-diagrams-in.html
Diagrama de Sankey
72

1) Transformación de datos (XIII)
Source: http://en.wikipedia.org/wiki/Harry_Beck
73

1) Transformación de datos (XIV)
A Tour Through the Visualization Zoo
Source: http://homes.cs.washington.edu/~jheer//files/zoo/74

1) Transformación de datos (XV)
75

Aplicaciones prácticas
Actividad BDBI.03.1. Codificación del valor y
la relación
Determinar
Tipo de datos
Tipo de gráfica
Tipo de relación
...
Justificar la elección
76

2) Mapeo de datos
Ranking of elementary perceptual tasks [ClevelandMcGill1985]
77

2) Mapeo de datos (II)
Dos investigadores de AT&T Bell Labs, William
S. Cleveland y Robert McGill, publicaron un
artículo central en el Journal of the American
Statistical Association
El título era: “Graphical perception: theory,
experimentation, and application to the development of
graphical methods”
Propone una guía con las representaciones
visuales más apropiadas en función del
objetivo de cada gráfico
78

2) Mapeo de datos (III)
“A graphical form that involves
elementary perceptual tasks that lead to
more accurate judgements than another
graphical form (with the same
quantitative information) will result in a
better organization and increase the
chances of a correct perception of
patterns and behavior.”
79

2) Mapeo de datos (IV)
Source: http://www.businessinsider.com/pie-charts-are-the-worst-2013-6
“Save the pies for
dessert”
(Stephen Few)
80

2) Mapeo de datos (V)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0167631df6f7970b-550wi81

2) Mapeo de datos (VI)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef016302299aa9970d-
550wi
En algunas representaciones,
la precisión no es el
objetivo, sino la percepción
de patrones,
concentraciones,
agregaciones, tendencias, etc.
Para estos casos, las formas
de la parte inferior de la lista
pueden resultar muy útiles
82

2) Mapeo de datos (VII)
83

2) Mapeo de datos (VIII)
Gráficos descriptivos Gráficos simbólicos
Source: http://trevorcairney.blogspot.com.es/2010_04_01_archive.html 84

2) Mapeo de datos (IX)
Maria Kozhevnikov, afirma que no todo el
mundo entiende las representaciones
estadísticas de manera sencilla
Depende de algunos patrones de activación dentro del
cerebro
En uno de sus estudios, expone cómo los
artistas, arquitectos y científicos los gráficos
de diferentes maneras
85

2) Mapeo de datos (X)
Ranking of perceptual tasks
[ClevelandMcGill1985]
86

2) Mapeo de datos (XI)
Recordando a Tufte:
“What are the thinking tasks
that these displays are
supposed to serve?”
87

2) Mapeo de datos (XII)
¿Qué visualización para...?
1) Comparar números
2) Mostrar la variación en el tiempo de una magnitud
3) Mostrar la correlación entre dos variables
88

2) Mapeo de datos (XIII)
¿Para comparar números?
A bar chart
(Source: http://en.wikipedia.org/wiki/Bar_chart)
89

2) Mapeo de datos (XIV)
¿Para comparar números?
Source: http://www.improving-visualisation.org/img_uploads/2009-03-09_Mon/200939171254.jpg
?
90

2) Mapeo de datos (XV)
¿Para mostrar la variación en el tiempo de una
magnitud?
A line chart91

2) Mapeo de datos (XVI)
¿Para mostrar la correlación entre dos
variables?
A scatter plot
(Source: http://en.wikipedia.org/wiki/Scatter_plot)
92

2) Mapeo de datos (XVII)
¿Diferencia entre dos variables?
Cleveland and McGill, nuestro cerebro tiene problemas comparando ángulos, curvas y
direcciones → si queremos mostrar la diferencia, debemos representar directamente la diferencia
o
93

2) Mapeo de datos (XVIII)
Source: http://www.excelcharts.com/blog/uncommon-knowledge-about-pie-charts/#prettyPhoto[gallery]/0/
94

2) Mapeo de datos (XIX)
¿La mejor estrategia?
Representar los mismos
datos de diferentes maneras
95

2) Mapeo de datos (XX)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903da6ba970b-550wi
Un mapa
Gráficos
Tabla
numérica
96

2) Mapeo de datos (XXI)
Diferentes
configuraciones de
visualización
Filtros (zoom,
herramienta de
búsqueda, seleccionar
datos por continente y
tamaño)
Búsqueda en
profundidad (click en las
burbujas y enseñar más
datos, etc.)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903da6ba970b-550wi
97

2) Mapeo de datos (XXII)
Source: http://www.stonesc.com/Vis08_Workshop/DVD/Reijner_submission.pdf98

2) Mapeo de datos (XXIII)
Source: http://apandre.wordpress.com/dataviews/choiceofchart/99

2) Mapeo de datos (XXIV)
Source: http://apandre.wordpress.com/dataviews/choiceofchart/100

2) Mapeo de datos (XXV)
Source: http://www.visual-literacy.org/periodic_table/periodic_table.html
101

2) Mapeo de datos (XXVI)
Classification of Visual Data Exploration Techniques [Keim2002]
102

Aplicaciones prácticas
Actividad BDBI.03.2. Mapeo de datos
Determinar
Gráfica para cada dimensión de datos
Configuraciones de visualización (filtros, búsqueda en
profundidad, etc.)
Escala de Cleveland y McGill: ¿por qué?
Justificar la elección
103

Introducción
Conceptos
104

Dashboard
Introducción
Fundamentales
Percepción
Visión
Color
Principios
Técnicas
Representación
Presentación
Interacción
Aplicaciones
Dashboards
Visual
Analytics
105

Dashboard
Introducción (II)
“Most information dashboards
that are used in business today
fall far short of their potential”
Stephen Few
106

Dashboard
Definición
“A dashboard is a visual display of the
most important information needed to
achieve one or more objectives;
consolidated and arranged on a single
screen so the information can be
monitored at a glance”
[Few2007]
107

Dashboard
Características
Displays visuales
Visualizar información necesaria para alcanzar
unos objetivos específicos
Que se ajuste a una sola pantalla
Que se pueda emplear para monitorizar
información a golpe de ojo
Mecanismos de visualización pequeños,
concisos, claros e intuitivos
Personalizados a las necesidades
108

Dashboard
Categorías
Role Strategic, Operational, Analytical
Type of data Quantitative, Non-quantitative
Data domain Sales, Finance, Marketing, Manufacturing, Human Resources, Learning, etc.
Type of measures Balanced Scored Cards, Six Sigma, Non-performance
Span of data Enterprise wide, Departmental, Individual
Update frequency Monthly, Weekly, Daily, Hourly, Real-time
Interactivity Static display, Interactive display
Mechanisms of
display
Primarily graphical, Primarily text, Integration of graphics and text
Portal functionality Conduit to additional data. No portal functionality
109

Dashboard
Errores comunes
1) Exceder los límites de una sola pantalla
La información que aparece en un dashboard
puede estar fragmentada en una de las
siguientes dos maneras:
Diferentes pantallas a las que hay que navegar
Diferentes instancias de una misma visualización a
los cuales para acceder hay que navegar
110

Dashboard
Errores comunes (II)
2) Ofrecer un contexto inadecuado para los datos
De este modo, las medidas no serán significativas
3) Visualizar excesivo detalle o precisión
Mostrar detalles innecesarios
4) Elegir una medida no eficiente
Utilizar medidas que fallan en expresar de manera
directa el mensaje que se pretende
111

Dashboard
Errores comunes (III)
5) Elegir un display de visualización
inapropiado
Un problema muy común con los pie charts
6) Introducir una variedad gráfica
innecesaria
Exhibir una variedad de displays
innecesarios
7) User displays pobremente diseñados
● Orden, leyenda, colores claros, etc.
112

Dashboard
Errores comunes (IV)
8) Codificar datos cuantitativos de manera imprecisa
9) Presentar los datos pobremente
Los datos más importantes deben ser enfatizados
Los datos que requieren atención inmediata deben
destacar
Los datos que se deben comparar serán
presentados y diseñados visualmente de manera
que favorezca la comparación
113

Dashboard
Errores comunes (V)
10) Enfatizar los datos importantes de
manera ineficiente
● Fallar en la diferenciación de datos en función
de su importancia
○ Dar el mismo peso a todo lo presentado en la pantalla
11) Añadir decoraciones innecesarias
● Aparentar ser algo que no se es
● Resulta en decoraciones que despistan y resultan inútiles
114

Dashboard
Errores comunes (VI)
12) Abuso del color
El abuso del color debilita su poder
13) Diseñar un display visual no atractivo
El reto fundamental de un diseño de Dashboard
es mostrar efectivamente una gran variedad
de datos en poco espacio
115

Dashboard
Buzzwords
Dashboards
Presenta información en una manera que resulta fácil de
leer y de interpretar
Key Performance Indicator
Éxito o los pasos para llegar al éxito en relación a un
objetivo
116

Dashboard
Visualizaciones de datos interactivas
Graphic design
Static
visualization
Data analysis
117

Dashboard
Visualizaciones de datos interactivas (II)
Graphic
design
Data analysis
Interactive
design
Exploratory
Data analysis
Interactive
visualization
User
interface
design
Static
visualization
118

Dashboard
Visualizaciones de datos interactivas (III)
¿Cuándo es suficiente una representación
estática?
Escala
Muchos puntos de datos
Muchas diferentes dimensiones
Storytelling
Exploración
Aprendizaje
119

Dashboard
Visualizaciones de datos interactivas (IV)
Seleccionar
Explorar
Reconfigurar
Codificar
Elaborar
Filtrar
Conectar
120

Dashboard
Visualizaciones de datos interactivas: 1) Seleccionar
Source: http://en.wikipedia.org/wiki/Closest_pair_of_points_problem
Seleccionar un detalle de un conjunto de datos
grande para tenerlo controlado
121

Dashboard
Visualizaciones de datos interactivas: 2) Explorar
Superar limitaciones de tamaño del display
La técnica más común: zoom panorámico
122

Dashboard
Visualizaciones de datos interactivas: 3) Reconfigurar
Ofrecer una distribución de elementos diferente
123

Dashboard
Visualizaciones de datos interactivas: 4) Codificar
Cambiar variables visuales: colores, tamaños,
orientación, fuente, tamaño
124

Dashboard
Visualizaciones de datos interactivas: 5) Elaborar
● Mostrar más o menos detalle: foco + contexto
125

Dashboard
Visualizaciones de datos interactivas: 6) Filtrar
● Filtro: mostrar datos condicionales
126

Dashboard
Visualizaciones de datos interactivas: 7) Conectar
● Mostrar items relacionados: cepillado y enlace
127

Dashboard
Interaction framework
Continuous interaction
Stopped interaction
Passive interaction
Composite interaction
128

Dashboard
Interaction framework (II)
Continuous interaction
129

Dashboard
Interaction framework (III)
Stopped interaction
130

Dashboard
Interaction framework (IV)
Passive interaction
Two important aspects of passive interaction:
1) During typical use of a visualization tool, most
of the user’s time is spent on passive interaction
– often involving eye movement
2) Passive interaction does not imply a static
representation
131

Dashboard
Interaction framework (V)
Passive interaction
132

Dashboard
Interaction framework (VI)
Composite interaction
Source: http://vis.berkeley.edu/papers/generalized_selection/
133

Dashboard
Pasos
Fuente: http://www.tableausoftware.com/es-
es/trial/tableau-software
1. Choose metrics that
matter
2. Keep it visual
3. Make it interactive
4. Keep it current or
don’t bother
5. Make it simple to
access and use
134

Introducción
Conceptos
135

Errores visualización
Introducción
136

Algunos errores
¿Problemas?
137

Algunos errores (II)
● Multidimensionalidad
● Falta de contexto y
entendimiento
○ ¿Son los números
relevantes?
○ ¿Qué significan?
○ ¿Cómo me afectan?
Una cebolla con una única
capa
138

Algunos errores (III)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903125d9970b-550wi
¿Problemas?
Intenta identificar
1) El mayor donante de 2008
2) El menor donante de 2009
3) La variación entre 2008 y
2009
4) Qué región recibió la mayor
cantidad de dinero
139

Algunos errores (IV)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef0153903125d9970b-550wi
Un mapa no es la mejora
manera de representar este
tipo de datos
Si quiero responder a las
preguntas anteriores, tengo
que realizar una búsqueda
de las cifras, memorizarlas
y luego compararlas
140

Algunos errores (V)
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef015390a96894970b-550wi
¿Problemas?
Este gráfico intenta revelar el
tamaño del déficit del Reino
Unido (el cuadro negro del
lado derecho)
¿Ayuda el gráfico a
contextualizar?
¿Podemos analizar los datos?
¿Cómo lo comparamos?
¿Conocemos las diferencias?
141

Algunos errores (VI)
Solución
Source: http://blogs.elpais.com/.a/6a00d8341bfb1653ef015390a98d8a970b-550wi
142

Algunos errores (VII)
¿Problemas?
Los valores de la barra
debieran empezar en 0
Source: http://www.qualitydigest.com/inside/quality-insider-article/asci-customer-satisfaction-airlines-remains-low.html
143

Introducción
Conceptos
144

Pentaho Reporting
145

Many Eyes
146

Tableau Public
147

Tableau Public (II)
Gratuito
1 GB de almacenamiento
Facilidad para embeber en una página web
Tableu Public Premium
Precio basado en el número de páginas vistas
148

d3.js
149

Highcharts
150

R Studio
151

ggplot2 in R
An implementation of the Grammar of Graphics
by Leland Wilkinson
“In brief, the grammar tells us that a statistical
graphic is a mapping from data to aesthetic
attributes (color, shape, size) of geometric objects
(points, lines, bars). The plot may also contain
statistical transformations of the data and is
drawn on a specific coordinate system”
152

ggplot2 in R (II)
153

Google Charts
154

Google Charts (II)
155

Google Fusion Tables
156

Google Fusion Tables (II)
157

Simile Widgets
158

Processing.js
159

NodeXL
160

Spotfire
161

Advizor Analyst
162

Datawatch
163

QlikView
164

Prefuse
165

Protovis
166

Datawrapper
167

Gephi
168

Copyright (c) 2015 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón
Diciembre 2015

Visual analytics: poniendo en valor el dato a través de la visualización

Recomendados

Recomendados

Más contenido relacionado

Destacado

Destacado (20)

Similar a Visual analytics: poniendo en valor el dato a través de la visualización

Similar a Visual analytics: poniendo en valor el dato a través de la visualización (20)

Más de Alex Rayón Jerez

Más de Alex Rayón Jerez (20)

Último

Último (20)

Visual analytics: poniendo en valor el dato a través de la visualización