Jock D. Mackinlay y Kevin Winslow Diseño de grandes visualizaciones 2 Índice Visualización del pasado ................................................................................................................................... 3 Diferentes representaciones visuales de datos para diferentes necesidades .................... 4 1700-1900: La visualización se transforma ............................................................................................ 5 El siglo XX trae avances y abusos .............................................................................................................. 6 Visualizaciones informáticas: Una historia personal .......................................................................... 7 La actualidad: El poder de la percepción humana ............................................................................. 9 Datos distintos requieren vistas distintas .............................................................................................10 Percepción humana: Su poder y sus límites ........................................................................................11 Cómo aprovechar la composición y la interactividad ...................................................................12 Cómo usar los datos para contar historias .........................................................................................13 Revisión: Lecciones aprendidas ..................................................................................................................16 En este informe relatamos la historia de las representaciones visuales, desde las primeras pinturas rupestres hasta el lanzamiento de Tableau, pasando por la revolución informática. Analizamos el aporte de algunos de los pioneros de la investigación de datos y describimos cómo su trabajo contribuyó a revolucionar las técnicas de comunicación visual. También consideramos los distintos estilos de visualización de datos y analizamos algunos de los obstáculos para crear representaciones visuales eficaces y los métodos que usamos para sortear esos obstáculos. Al final, demostramos el poder de la percepción humana (y sus límites) y cómo podemos usar los datos para contar historias, al igual que se hacía con las primeras pinturas rupestres. 3 Visualización del pasado Las representaciones visuales son fundamentales para el aprendizaje y la comprensión de los seres humanos. Para estudiar el impacto y la evolución de la visualización de datos, primero, debemos considerar el pasado y analizar cómo nuestros métodos de preparación y representación de datos cambiaron a través del tiempo. Como ya veremos, la humanidad usa visualizaciones para instruir, transmitir significado y contar historias desde el origen de los tiempos. Los mapas, especialmente, tienen una larga historia. En la imagen de abajo se ve una pintura rupestre de 9 pies que se descubrió en Turquía y data del año 6200 a. C. En primer plano, vemos la ciudad de Catal Hyük con el volcán Hasan Dag que se asoma por detrás [1, 2]. El propósito de la pintura no se conoce: puede haber sido arte o puede haber sido un mapa de datos. Cualquiera que haya sido el motivo de su creación, representa uno de los primeros ejemplos de la forma en que los seres humanos usaban imágenes para comunicar conceptos e ideas. 4 Diferentes representaciones visuales de datos para diferentes necesidades Las representaciones visuales de datos más comunes son de dos tipos. Ambos tienen mucha importancia y diferentes requisitos para el diseño de grandes visualizaciones. El primer tipo es la presentación, que consiste en el uso de elementos visuales para comunicar algo. En este tipo de representaciones visuales intervienen dos participantes: el presentador y el público. La tarea fundamental es comunicar y persuadir. Por ejemplo, la siguiente tableta de arcilla parece ser un mapa de la ciudad mesopotámica de Nippur, en Babilonia, y puede haberse usado para describir cómo debían repararse las fortificaciones de la ciudad [3]. El segundo tipo de representación se llama visualización. Este término es bastante nuevo e implica el uso de elementos visuales para pensar. En este caso, la experiencia es activa y supone la participación de las personas para responder preguntas. Volvamos a considerar la analogía del mapa. Piense en el famoso mapa de proyección de Mercator de 1569, que se usaba para la navegación y los viajes por mar [4]. Los mapas de este tipo pueden usarse para trabajar. Trazando líneas en un mapa de un punto a otro, se pueden mostrar rutas de viaje de grandes distancias. Una persona puede determinar su ruta manipulando el mapa. Esta forma de “responder preguntas” es un ejemplo de representación de datos mediante visualización. 5 1700-1900: La visualización se transforma Un actor clave en la historia de la visualización es William Playfair, un ingeniero escocés a quien se considera como el padre de la presentación estadística. En 1786, Playfair publicó un libro titulado Commercial and Political Atlas (Atlas comercial y político) en el que incluyó representaciones gráficas de datos para describir la balanza comercial de Inglaterra. Muchas de las innovadoras visualizaciones de datos de Playfair se siguen usando hoy en día. Uno de los inventos de Playfair, el gráfico circular, puede verse en la imagen de la izquierda [5]. Haga clic aquí para descubrir las prácticas recomendadas para los gráficos circulares. No pasó mucho tiempo hasta que los gráficos estadísticos comenzaron a usarse en presentaciones. Un ejemplo reconocido es el del Dr. John Snow, un médico británico que usó gráficos estadísticos para hacer frente a la epidemia de cólera de 1855 en Londres. Snow trazó casos individuales de cólera como puntos en un mapa de Londres. Estos puntos permitieron ver que la mayoría de los casos estaban relacionados con una bomba de agua de Broad Street. Una investigación de los casos periféricos reveló que estos también estaban relacionados con la bomba de Broad Street. Snow quitó la manija de la bomba contaminada, y la epidemia de cólera mermó. Esto demuestra cómo el poder de la visualización ayuda a responder preguntas y, en este caso, incluso sirve al bien público. El mapa de Snow también es un buen ejemplo de presentación. Los datos de Snow fueron lo suficientemente contundentes para convencer a los funcionarios locales de quitar la manija de la bomba infectada y detener el brote. El ejemplo más reconocido de una presentación de datos corresponde a Charles Minard, un ingeniero civil francés que usó la visualización para plasmar la historia de la marcha de Napoleón sobre Moscú (y su subsiguiente retirada). Como puede ver en la imagen que aparece a continuación, el gráfico de Minard incluye una barra de color claro para ilustrar el tamaño del ejército que avanzaba [6]. El grosor de la barra disminuye progresivamente a medida que el ejército avanza hacia Moscú. Abajo, una barra negra representa la reducción de las fuerzas del ejército a medida que este se retira de Moscú. En la parte inferior del gráfico hay una línea que registra la temperatura exterior, que tuvo un efecto terrible sobre el tamaño de las tropas. En el medio del gráfico, la barra negra se engrosa brevemente cuando un flanco que se había apartado vuelve a unirse al ejército principal. Sin embargo, cuando la barra atraviesa un puente dibujado en el mapa, esta se hace aún más pequeña: testimonio del efecto de las aguas heladas. La barra de color claro y la negra se vuelven a encontrar en el punto de inicio de la marcha, y el observador puede ver claramente cómo lo que había sido una gran fuerza militar se redujo a unas pocas tropas. De esta manera, un simple gráfico contó una poderosa historia. 6 El siglo XX trae avances y abusos A mediados del siglo XX, había crecido la popularidad de los gráficos estadísticos, pero también el abuso de ellos. Este abuso motivó al escritor estadounidense Darrell Huff a publicar How to Lie with Statistics (Cómo mentir con estadísticas) en 1955. Un ejemplo del tipo de manipulación del que escribe Huff puede verse en el gráfico siguiente. El gráfico de la izquierda representa una presentación honesta de los datos, mientras que en el gráfico superior derecho se eliminó el cero para mostrar un aumento más significativo de los gastos. El gráfico inferior derecho se manipuló para mostrar cifras verdaderamente alarmantes. El libro de Huff es valioso (y recomendable) no solo porque describe cómo las representaciones visuales pueden manipularse para contar historias completamente diferentes, sino porque enseña a diseñar estadísticas eficaces. Más de una década después, el teórico francés Jacques Bertin publicó Semiology of Graphics (Semiología de gráficos) [8]. Bertin estaba especialmente interesado en el mapeo estadístico y notó que en las vistas de datos había tres tipos de marcas: puntos, líneas y áreas. Esas marcas tenían ciertas propiedades, de las cuales la más importante era la posición. Otras seis propiedades independientes de la posición son el color, el tamaño, la forma, el sombreado, la orientación y la textura. Bertin convirtió estas marcas y propiedades en guías para diseñar datos gráficos. Bertin también desarrolló una técnica muy importante de análisis visual que consiste en ordenar tablas. Según esta técnica, llamada matriz ordenable, se manipulan las filas y las columnas de una tabla para descubrir patrones en datos que no estaban ordenados previamente y detectar una correlación entre los valores. Bertin continuó innovando y, en 1977, publicó otro libro titulado Graphics and Graphic Information Processing (Los gráficos y el procesamiento gráfico de la información) en el que describe los primeros esfuerzos de visualización informática. Aunque los equipos de Bertin resultaron demasiado primitivos para la clase de trabajo que él hacía, pronto se produciría un boom tecnológico que impulsaría grandes avances en el campo. 7 Visualizaciones informáticas: Una historia personal La historia de la visualización y la presentación se precipitó con la llegada de los equipos informáticos. Voy a hablar de mi historia personal. En 1986, creé un programa para mi tesis doctoral llamado APT (A Presentation Tool [Una herramienta de presentación]). Ampliando y automatizando la semiología de Bertin, creé una herramienta que diseñaba, automáticamente, presentaciones gráficas como la de la imagen siguiente. En el gráfico se muestran cuatro dimensiones en un diagrama de dispersión (o de burbujas) tradicional. Esto fue trascendental porque demostró que sabíamos suficiente acerca del diseño de vistas de datos eficaces y podíamos usar equipos para facilitar esa tarea. Ese mismo año, un comité de la NSF (Fundación Nacional para la Ciencia) escribió un informe sobre la visualización científica y, específicamente, sobre el uso de gráficos computacionales para solucionar problemas científicos. Su imagen de una tormenta diseñada con equipos informáticos fue extremadamente eficaz y generó un gran apoyo del congreso para continuar la investigación sobre el uso de equipos informáticos para la visualización. En 1987, Richard Becker y William Cleveland abordaron el tema de los datos multidimensionales, que son la clave de la mayoría de los problemas. Su técnica, llamada aplicación de color interactiva, permitió seleccionar un conjunto de puntos y mostrarlos en todas las demás vistas. Este elemento interactivo permitió comprender mucho mejor el espacio multidimensional. En los años 90, me uní al equipo de Stuart Card y George Robertson en Palo Alto Research Center de Xerox. Con la ayuda de equipos informáticos, desarrollamos vistas bidimensionales y tridimensionales, incluidas una pared en perspectiva y un árbol cónico. Esta investigación culminó en el libro Readings in Information Visualization (Lecturas de la visualización de información) que escribí junto con Card y Ben Shneiderman [9]. En el libro establecimos que, para cifrar datos en vistas gráficas, la investigación mediante visualización informática tiene una estructura y un proceso básicos, en los que intervienen los datos y las vistas: se comienza con los datos sin procesar, esos datos se convierten, se codifican en estructuras visuales y se usan transformaciones de vistas para contextualizar todo. Este proceso facilita la tarea de las personas, y esas personas tienen el control completo de todas las transformaciones. Básicamente, este proceso describe la visualización interactiva. Lo que no consideré fue la fuente de los datos sin procesar. 8 Entonces, apareció Tableau. En 2003, Chris Stolte demostró cómo acceder eficazmente a los datos sin procesar en su tesis doctoral de Stanford. Stolte y su asesor, Pat Hanrahan, desarrollaron un lenguaje de especificación llamado VizQL, que describe los gráficos de datos y cómo conectarlos a bases de datos. Este trabajo se basó en la semiología de Bertin y en la investigación de mi tesis. VizQL también admitía un sistema intuitivo de arrastrar y soltar, que finalmente evolucionó hasta convertirse en la interfaz de Tableau. En esencia, VizQL permitió a los usuarios traducir consultas en vistas. Stolte logró conectar los datos a las representaciones visuales y creó una aplicación práctica. Haga clic aquí para obtener más información acerca de la tecnología VizQL™. 9 La actualidad: El poder de la percepción humana Toda esta historia nos enseñó que la percepción humana es poderosa. Pero tenemos la capacidad de guiar y acrecentar nuestras percepciones con elementos visuales. Por ejemplo, mire la imagen que aparece a continuación y concéntrese en la tabla de la izquierda. A simple vista, intente determinar cuántas veces aparece el número 9. Ahora, mire la tabla de la derecha. Los números 9 aparecen en rojo, y este elemento visual reduce el tiempo que lleva contarlos a unos pocos segundos. Esta es una técnica tradicional de “elementos emergentes” y es solo una de las maneras en que la visualización de datos facilita la comprensión de grandes conjuntos de datos y la interpretación de la información. Los elementos emergentes constituyen solo un tipo (muy rudimentario) de elementos visuales y solo explotan una mínima parte del poder del sistema de visualización humano. El autor Colin Ware escribió una serie de libros en los que trata este tema e identifica tres etapas básicas del procesamiento de la percepción. La primera es una etapa básica que consiste en buscar características en la representación visual. Este proceso comienza en el ojo y culmina en la corteza visual del cerebro. En la segunda etapa se identifican patrones. En una tercera etapa de atención, se hace el recuento en sí. Estudios realizados por William S. Cleveland y Robert McGill, dos científicos estadísticos de AT&T Bell Laboratories, respaldan el análisis de Ware. Mediante estos estudios se descubrió que la posición era el elemento más eficaz para evaluar un valor cuantitativo. A la posición le siguen otros factores, incluidos la longitud, el área, el volumen, el ángulo y la pendiente, además del color y la densidad. Cleveland y McGill determinaron que, a medida que nos apartamos de la posición, nuestra percepción cuantitativa pierde precisión. Por lo tanto, si trasladáramos un conjunto de datos de una hoja de cálculo a una vista de gráfico de barras con líneas de diferentes longitudes y colores, haríamos un análisis más rápido y eficaz. Por supuesto, todo depende de la tarea que se desee realizar y los datos que se esperen descifrar. Volvamos a considerar a Bertin, que notó que existen tres tipos de lecturas diferentes. El nivel elemental se usa cuando se quiere identificar un valor individual. En ese caso, una simple hoja de cálculo puede ser suficiente. No obstante, cuando se buscan relaciones entre valores, hay que usar el nivel intermedio. Un ejemplo de este tipo de vistas sería un gráfico de barras. Dado que las barras están alineadas, la mente puede notar las diferencias entre ellas con facilidad. Finalmente, en la vista global (o gestáltica) se analizan las relaciones del conjunto completo. Para este método, se usa el diagrama de dispersión. Se toma un conjunto de puntos y se trazan sus posiciones en un gráfico con un eje vertical y otro horizontal. Esta vista proporciona un panorama “global” de los datos muy eficaz. 10 Datos distintos requieren vistas distintas Descubrimos que la eficacia de la codificación de datos depende del tipo de datos. Existen tres tipos de datos: nominales, ordinales y cuantitativos. Un ejemplo de datos nominales serían las convenciones de nomenclatura, como los nombres que damos a diferentes tipos de aves. Los datos ordinales siguen una secuencia, como los días de la semana. Los datos cuantitativos incluyen números y características medibles. Por ejemplo, la longitud, el tiempo, la temperatura y la velocidad son datos cuantitativos. Si consideramos las opciones gráficas para trazar estos tipos de datos, podemos ver que, por ejemplo, el área sería eficaz para algunos, pero no para todos. Trazar datos nominales en una vista de área reflejaría un orden inaplicable. El área sería un poco más eficaz para los datos ordinales. Sin embargo, dado que estos valores son diferentes, los distintos tamaños se distinguirían solos en algunas áreas. El área funciona mejor para los datos cuantitativos porque transmite una idea precisa del valor cuantitativo en cierto orden. Si consideramos la representación gráfica por color, estas conclusiones se invierten. El color es menos eficaz para los datos cuantitativos porque sería muy difícil transmitir suficiente información con los colores para representar con precisión el conjunto de datos completo. El color funciona mejor para los datos nominales, ya que puede asignarse un color diferente a cada punto de datos. En la figura de esta página se muestra cómo Tableau usa estos tipos de clasificaciones para diseñar visualizaciones eficaces. Vemos que la posición está en primer lugar porque es el elemento más eficaz para representar los tres tipos de datos. Sin embargo, en el resto de la imagen puede verse cómo el orden cambia para los distintos tipos de datos. Algunas vistas ascienden y otras descienden. Resulta interesante ver que, aunque la forma es inaplicable para trazar datos cuantitativos y ordinales, es casi el elemento más importante para trazar los datos nominales. 11 Percepción humana: Su poder y sus límites Si bien la percepción humana es poderosa y capaz de conquistar conjuntos de datos grandes y complejos, está restringida por ciertos límites. Para esta lección, recurriremos a los conceptos sinópticos de Bertin, que resumen los diferentes tipos de vistas de datos. Un factor clave es el número de dimensiones con que se trabaja: una, dos, tres o “n” dimensiones. Un segundo factor se refiere a si los datos son fijos o pueden reordenarse. El componente final tiene que ver con la topología de los datos: si son topológicos o no. Bertin mostró todos los tipos de vistas disponibles para estos factores. Hoy en día, Tableau admite todas estas vistas y, recientemente, incorporó mapas. Todavía no podemos crear vistas de enlaces y nodos, pero esto podría concretarse en un futuro cercano. En el gráfico que se incluye a continuación se muestran todas estas vistas. Observe que las vistas que están debajo de la línea naranja pueden ser globales o gestálticas. Las vistas que están por encima de la línea no pueden verse de manera gestáltica, es decir, como una percepción en un instante de tiempo. Esto es un límite básico de la percepción humana y el análisis de datos. El número de dimensiones que se puede codificar en datos y ver en un instante de tiempo es finito. Debe tenerse en cuenta que los gráficos en 3D no trascienden la barrera de Bertin. A pesar de que la tercera dimensión agrega otra capa para codificar datos, también agrega obstáculos. Estos obstáculos dificultan la vista de todos los datos y exigen el uso de ciertos trucos gráficos. Otra desventaja de la incorporación de la tercera dimensión es que ocasiona problemas de orientación. El hecho de que podamos movernos en el espacio incrementa las posibilidades de que nos perdamos. 12 Cómo aprovechar la composición y la interactividad Claramente, la composición es un aspecto clave del desarrollo de las buenas representaciones visuales de datos. Para abordar el caso multidimensional, volvamos al mapa de Minard en el que se traza la marcha de Napoleón a Moscú. Este consiste en dos imágenes: en la parte superior, dos líneas que representan la marcha del ejército a Moscú y su retirada y, abajo, otra línea que muestra la temperatura. Es un gráfico eficaz, pero no es una vista gestáltica porque el ojo debe ir y venir para ver e interiorizar todos los datos. Edward Tufte escribe sobre una vista gestáltica eficaz: múltiples vistas pequeñas. Considere un diagrama de dispersión con datos del mercado inmobiliario. En el gráfico podrían verse múltiples vecindarios en una vista gestáltica. Y debido a que todos están alineados y comparten un mismo eje, el ojo humano puede ver rápidamente los puntos de datos más reveladores del gráfico. La composición también entra en juego en las vistas en forma de dashboard. La combinación de gráficos y la aplicación de color con cuidado permiten al ojo moverse rápidamente, comparar valores e interiorizar una enorme cantidad de información. Bertin notó que la interactividad era una herramienta eficaz para abordar los problemas multidimensionales. Además del ordenamiento, existen otras técnicas que se pueden aplicar para interpretar mejor los datos multidimensionales. Considere un diagrama de dispersión estándar como el que aparece a continuación. En él se muestra un desglose de ventas y beneficios, además de una subdivisión por contenedor y por año. Como puede ver, con tantos conjuntos de datos superpuestos, se hace imposible obtener una vista verdaderamente gestáltica e interiorizar la información. 13 Una forma de corregir esta situación es mediante la agregación. Por ejemplo, simplemente tomando los datos y separándolos por año, se reduce considerablemente la cantidad de datos y la subsiguiente superposición en el gráfico. De esta manera, la agregación puede ser una herramienta eficaz para trabajar con datos multidimensionales. Otra técnica consiste en incorporar filtros interactivos. Imagine que, para el gráfico anterior, podemos crear widgets de filtrado que nos permitan ver solo los conjuntos de datos que nos interesen. Estos widgets nos permiten agregar y quitar datos según creamos conveniente para ver la información con claridad. Los filtros son herramientas muy eficaces para trabajar con datos multidimensionales, aunque tienen sus desventajas. Por ejemplo, aislar ciertos conjuntos de datos puede dificultar o impedir la detección de las relaciones entre ellos. Para evadir las limitaciones de los filtros, podemos usar un proceso conocido como aplicación de color. Con esta técnica, simplemente aplicamos color a uno o más conjuntos de datos, lo que nos permite ver mejor los contrastes y las relaciones entre ellos. Otra forma eficaz de usar la interactividad es mediante enlaces. Tomemos el ejemplo de Google Maps. Una simple consulta proporciona un mapa con áreas resaltadas en las que podemos hacer clic para acceder a aún más información. Mediante el uso de menús desplegables y widgets en la página, se pueden aplicar más filtros a esta y obtener vistas más específicas. En consecuencia, los enlaces interactivos constituyen un método extremadamente eficaz para trabajar con conjuntos de datos multidimensionales. Cómo usar los datos para contar historias Para ilustrar la idea de contar historias con datos, usemos la historia de mi transición de las instalaciones de Xerox, en Palo Alto, a las de Tableau, en Seattle, en 2004. Una de mis prioridades principales era encontrar el mejor distrito escolar de Seattle. Rápidamente, encontré una prolija guía en línea en el sitio web de The Seattle Times. Incluía las calificaciones de la WASL (evaluación del aprendizaje de los estudiantes de Washington) de todos los distritos escolares de la zona y el porcentaje de estudiantes que habían alcanzado los objetivos en cada materia. Esto me dio las calificaciones, pero no me proporcionaba información acerca de los distritos geográficos. Como no conocía Seattle ni la zona, necesitaba un mapa, pero no cualquier mapa, sino uno estadístico. El mapa no existía, así que creé el que aparece a continuación. En él se muestra la ubicación de las oficinas de Tableau y los distritos escolares circundantes. Los círculos de colores representan el nivel de calificaciones de cada distrito en la sección de matemáticas de la WASL. Por ejemplo, aunque el distrito escolar de Seattle era el más cercano a las oficinas, no tenía muy buenas calificaciones en la WASL. Mirando este mapa, decidí mudarme al distrito escolar de Bellevue, que también estaba cerca de Tableau y tenía mejores calificaciones en la WASL. 14 A medida que pasó el tiempo, comencé a notar irregularidades en las calificaciones de las escuelas en matemáticas. Después de investigar un poco, encontré un sitio web detallado en el que se mostraban gráficos de las secciones de matemáticas y lectura de la WASL. En ambas vistas se mostraban líneas de tendencia a través del tiempo, y ambas tendencias eran ascendentes. También se revelaba que el distrito de Bellevue tenía un rendimiento superior al del estado en ambas materias. Lo que no era evidente era cómo se relacionaban las calificaciones de matemáticas y lectura. Después de algunas averiguaciones más, encontré la fuente de datos en cuestión. Tras limpiar un poco los datos, los introduje en Tableau. Esto develó algo mucho más interesante: las calificaciones en matemáticas eran bastante más bajas que las calificaciones en lectura. Debido a mi interés y mi trayectoria en matemáticas, continué observando los datos y los plasmé en la imagen siguiente. 15 Lo que descubrí fue que, en los últimos cinco años, el estado de Washington usó dos evaluaciones diferentes: la WASL y el ITBS (programa de evaluación de Iowa). En el gráfico superior comparé ambas evaluaciones y observé resultados sorprendentes. Mientras que las calificaciones de la WASL aumentaron a través del tiempo, las del ITBS se mantuvieron prácticamente constantes. Dado que las calificaciones del ITBS constituyen una muestra representativa de los estudiantes de la nación, llegué a la conclusión de que no se podía confiar en los números de la WASL. La moraleja de esta historia es: siempre cuestione los datos. Haga preguntas acerca del origen de los datos y use sistemas visuales para asegurarse de poder comprenderlos y confiar en lo que estos indican. 16 Revisión: Lecciones aprendidas Repasemos algunas de las lecciones sencillas que pueden ayudarnos a contar historias de manera eficaz. Lección 1: La confianza es un aspecto fundamental del diseño. Si no diseña sus vistas de manera adecuada, es probable que los expertos que las analicen no confíen en ellas. Lección 2: Asegúrese de que sus representaciones visuales sean expresivas y reflejen los datos con precisión. Lección 3: Haga un uso eficaz de las representaciones visuales explotando la percepción humana. Las siguientes reglas lo ayudarán a crear representaciones visuales eficaces: • Use el vocabulario gráfico adecuadamente. • Use espacios en blanco. • Evite los elementos innecesarios y la saturación. Lección 4: Asegúrese de que sus vistas incluyan contexto. Los títulos, las leyendas, las unidades y los comentarios ayudan al público a comprender mejor su vista de datos. Esfuércese por contar historias con sus datos y sus representaciones visuales. Comprenda que las buenas historias incluyen más que datos y considere lo siguiente: • Tenga en cuenta el aspecto estético y sepa que lo eficaz suele apelar a los sentimientos. En otras palabras, una vista eficaz puede generar una respuesta emotiva y una comunicación auténtica con su público. • El estilo también es importante. Asegúrese de que sus vistas sean consistentes y atractivas. Sus vistas reflejan su identidad y sus intereses. • Las vistas pueden ser divertidas. Las vistas interactivas con las que las personas pueden jugar son muy atractivas. Los elementos interactivos permiten a su público manipular los datos, hacer y responder preguntas, y hacer descubrimientos por su cuenta. Esto contribuye a generar confianza en sus datos. • Diseñe vistas llamativas y memorables. Preste atención a la estructura y el contexto. 17 Acerca de Tableau Tableau Software ayuda a las personas a ver y comprender los datos. Tableau ayuda a todas las personas a analizar, visualizar y compartir información rápidamente. Más de 15 000 cuentas de clientes obtienen resultados rápidos con Tableau en la oficina o en cualquier otro lugar. Además, decenas de miles de personas usan Tableau Public para compartir datos en sus blogs y sitios web. Para ver la forma en que Tableau puede ayudarlo, descargue la versión de prueba gratuita en www.tableausoftware.com/es-es/products/trial. Recursos adicionales Descargar versión de prueba gratuita Explore otros recursos · Demostraciones de productos · Capacitación y tutoriales · Comunidad y soporte · Historias de clientes · Soluciones Referencias [1] http://www.henry-davis.com/MAPS/AncientWebPages/100B.html [2] http://www.math.yorku.ca/SCS/Gallery/milestone/sec2.html [3] http://www.henry-davis.com/MAPS/AncientWebPages/101.html [4] http://www.henry-davis.com/MAPS/Ren/Ren1/406B.htm [5] http://www.math.yorku.ca/SCS/Gallery/images/playfair2.jpg [6] http://www.math.yorku.ca/SCS/Gallery/images/minard.gif [7] Darrell Huff. How to Lie With Statistics. Norton, Nueva York. 1955. [8] Jacques Bertin. Semiology of Graphics. University of Wisonson Press. 1983 (Semiologie Graphique Gauthier-Villars, París 1967). [9] Stuart K. Card, Jock D. Mackinlay y Ben Shneiderman. Readings in Information Visualization: Using Vision to Think. Morgan Kaufman, San Francisco. 1999. Tableau y Tableau Software son marcas comerciales de Tableau Software, Inc. Todos los demás nombres de productos y empresas pueden ser marcas comerciales de las respectivas empresas con que se asocian.