4 retos en la visualización de datos

Si analizamos el proceso a través del cual las empresas obtienen información, este no ha cambiado  mucho en los últimos 30 años, ya que los analistas miran los  datos y luego redactan informes. Por otro lado aunque tengamos potentes herramientas de visualización que esperan que el usuario sea un experto en todo tipo de datos y en la selección de las mejores técnicas para visualizar y representar los datos.

Uno de los mayores atractivos de la visualización es su capacidad para tomar grandes volúmenes  de datos y simplificarlos de una forma sintética y a la vez comprensible. Sin embargo, puede inducirnos a sacar conclusiones infundadas, si solo tratamos de tomar millones de registros de datos y limitar sus conclusiones a unas cuantas gráficas de un  cuadro de mando, ya que podríamos descuidar por completo ciertos modificadores significativos que podrían cambiar por completo las suposiciones y o hacerlas inexactas.

Este es el mayor problema potencial, y también el más complicado. Cualquier algoritmo utilizado para reducir los datos a ilustraciones visuales se basa en las aportaciones humanas, y las aportaciones humanas pueden ser fundamentalmente erróneas. Por ejemplo, un programador que desarrolla un algoritmo puede resaltar los diferentes datos que son «más» importantes a considerar y descartar completamente otros, lo que no seria ideal para todas las empresas y situaciones, especialmente si hay datos atípicos o situaciones únicas que exigen un enfoque alternativo. El problema se agrava  por el hecho de que la mayoría de los sistemas de visualización de datos se implementan a escala global  y se convierten en algoritmos que se adaptan a todos, y no abordan las necesidades específicas de de cada usuario.

Los gráficos son excelentes para transmitir ideas simples rápidamente, pero a veces no son suficientes. Si las palabras pudieran ser reemplazadas por pictogramas, lo hubieran sido hace mucho tiempo. Para expresar una situación compleja, se requieren oraciones y frases junto con un sistema que sea lo suficientemente inteligente como para articular su proceso de razonamiento. Más allá del dashboard automático, lo realmente valioso den la toma de decisiones que lleva a la acción es la narrativa de los datos con el componente de conocimiento contextual. Es importante destacar que el lenguaje también se asegura de que el usuario final realmente entienda.