2.1 Marco de referencia

Los temas se abordan dentro de un marco de referencia que identifica cuatro ámbitos (Munzner 2014):

  1. El dominio o área de especialidad del tema en que se trabaja: ¿finanzas?, ¿gobierno?, ¿producción?, ¿medicina?, desde este punto de vista entiéndase la visualización como un área interdisciplinaria.

  2. La abstracción o tarea que se apoya por medio de la visualización.

  3. Las técnicas o métodos utilizados.

  4. El algoritmo o lenguaje utilizado.

Jerarquía de los ámbitos del diseño de visualizaciones

Figura 2.1: Jerarquía de los ámbitos del diseño de visualizaciones

Fuente: Visualization analysis and design. Munzner. 2014.

La caracterización del área del dominio está fuera del alcance de este texto. Informa de las necesidades prácticas y específicas del tema sobre el que se trabaja y tiene que ver con los antecedentes, experiencia y pericia del usuario de la visualización. Seguramente hay una jerga específica en cada área de dominio y éstos expertos están entrenados respecto a un buen conjunto de modelos mentales relacionados con su tema. Además, hay que tomar en consideración que probablemente es la visualización la que debe adaptarse al flujo de trabajo usual del área de dominio y no al revés. Los expertos deben tener ya definida la forma en que se deben presentar las visualizaciones relacionadas con sus competencias, por ejemplo convenciones de colores o tipos de fuentes, y así haya otras alternativas, la común debe ser seriamente considerada. Pero si el usuario es ajeno al área de dominio, es mejor preferir visualizaciones sencillas por encima de sofisticaciones, que sean sencillas de interpretar y seguramente requerirá anotaciones o ayudas para la lectura.

La abstracción de la tarea nos debe responder qué es lo que debemos hacer y por qué con visualización. Las técnicas o métodos responden al cómo realizarlo. Respecto al lenguaje, este texto hace uso de python y R y de las facilidades y restricciones que estos lenguajes incorporan.

Trabajar visualización implica trabajar en las áreas del diseño gráfico, la psicología cognitiva, la antropología y las ciencias de la computación. Para ejemplos ver: The Science of Visual Data Communication: What Works.

Respecto a la psicología cognitiva, apenas se expone algo en este texto. El énfasis está en recordar que la memoria visual a corto plazo es muy limitada, lo cual hace difícil para los humanos identificar cambios entre una imagen y otra si el cambio no está ubicado alrededor del patrón u objeto en que estamos interesados (Few 2009).

“La visión humana es primariamente cualitativa y comparativa, más que cuantitativa. Se juzga el tamaño relativo y la forma de los objetos mediante un ejercicio mental de rotación de los mismos y comparación por superposición. El ojo humano es pobre al juzgar colores o intensidades de las imágenes, a menos que pueda compararlo por posicionamiento adyacente. Los cambios graduales en el brillo con la posición del objeto o en el tiempo por lo general son ignorados, ya que representan variaciones en la iluminación que pueden ser automáticamente compensadas. Esto significa que sólo se pueden detectar los cambios bruscos en la iluminación.” Portiansky (Portiansky 2018).

\label{oportunidad}Zona de oportunidad del diseño de visualizaciones

Figura 2.2: Zona de oportunidad del diseño de visualizaciones

Fuente: Conferencia Visualization Design Methods de Munzner, T., 2017.

La figura hace referencia a que se requieren datos, tiempo y una necesidad definida para iniciar un proyecto de visualización. No siempre se tienen los tres. Si los datos no están sistematizados, no se puede realizar una visualización. Si están sistematizados y el proceso para generar la visualización es muy claro, hay que automatizarla.

Si bien se aprenderán técnicas atractivas, no se juzgue que lo atractivo es lo necesario. El área de la visualización para la transmisión de mensajes empresariales o de investigación enseña a quitar todos los adornos posibles con el objeto de transmitir de manera efectiva lo realmente sustancial (ver (Evergreen 2017)).

Aprender un amplio portafolio de técnicas permite considerar gran diversidad de posibilidades y evaluar cuál es la más apropiada para la tarea concreta que nos fue encomendada.

Referencias bibliográficas

Evergreen, Stephanie D. H. 2017. Effective Data Visualization. Sage.
Few, Stephen. 2009. Now You See It. Simple Visualization Techniques for Quantitative Analysis. Analytics Press. California.
———. 2014. Visualization Analysis and Design. CRC Press. Taylor & Francis Group.
Portiansky, E. L. 2018. Análisis Multidimensional de Imágenes Digitales. 2a edición. Universidad Nacional de La Plata.