Parte VIII · Los datos
Visualizar datos
Se construye sobre: Datos, Estadística
Te leo treinta y seis números, uno por mes: 100, 109, 116, 122, 125, 125, 123, 121, 120, 123, 129, 139, 151… ¿Qué tienen?
Al tercer número dejaste de seguirme. Con mucho esfuerzo podrías decir que crecen. Lo que casi seguro no viste es que cada año se frenan a mitad de camino, bajan un poco y vuelven a subir. Dibujados, esos mismos números lo cuentan en un segundo: una escalera que sube con un vaivén. Nada nuevo entró en el dibujo. Lo único que cambió es quién hace el trabajo: en la tabla lo hace tu memoria, que es lenta y corta; en el gráfico lo hace tu sistema visual, que es rapidísimo y trabaja en paralelo.
Este capítulo es sobre ese trabajo: por qué funciona, qué se ve bien y qué se ve mal, y cómo el mismo gráfico puede contar la verdad o mentir con números que son todos ciertos.
Por qué dibujamos
En el capítulo anterior, el cuarteto de Anscombe mostraba cuatro conjuntos de datos con las mismas medias, varianzas y correlación, y cuatro dibujos que no se parecen en nada. Los resúmenes comprimen; el dibujo deja que el ojo vea lo que la compresión botó. Y el ojo no es una cámara: la retina ya procesa la luz antes de mandarla, y el cerebro arma con eso una escena, con sus atajos y sus ilusiones. Ver es construir.
Esos atajos tienen nombre. En mis notas de ciencia de datos tengo una lista de los principios de la Gestalt, que describen cómo agrupamos sin proponérnoslo: juntamos lo que está cerca (proximidad), lo que se parece en color, forma o tamaño (similitud), lo que se mueve en la misma dirección (destino común); seguimos los caminos más suaves (continuidad) y completamos figuras incompletas (cierre). Un buen gráfico pone esos atajos a trabajar a favor de los datos. Uno malo los pone a trabajar en contra.
Lo que el ojo compara bien
En 1984 William Cleveland y Robert McGill hicieron experimentos para medir qué tan bien la gente lee distintas codificaciones visuales: les mostraban dos marcas y les pedían estimar qué porcentaje era una de la otra. El resultado fue un orden. Lo que mejor se lee es la posición sobre una escala común (puntos o extremos de barras alineados sobre el mismo eje); después, la posición sobre escalas no alineadas; luego la longitud, la dirección y el ángulo; más abajo el área; y al final el volumen, la saturación y el color.
De ahí sale la vieja pelea entre barras y tortas. Una barra codifica el valor con posición y longitud, arriba en la lista; una torta lo codifica con ángulo y área, más abajo. Si dos tajadas son del 23 % y el 26 %, a ojo es difícil decir cuál es mayor; dos barras de esa altura, una al lado de la otra, se ordenan solas. Una torta con dos o tres partes, para decir “casi la mitad”, funciona. Con ocho tajadas, se vuelve un acertijo.
La psicofísica le da una forma a por qué el área engaña. Stanley Smith Stevens, el mismo de las escalas de medida, propuso que la intensidad que percibimos crece como una potencia del estímulo :
Para la longitud el exponente que suele reportarse está muy cerca de 1: una línea el doble de larga se ve el doble de larga. Para el área anda alrededor de 0,7: un círculo con el doble de área parece bastante menos que el doble. Son valores promedio de experimentos, no constantes de la naturaleza, pero bastan para entender por qué las comparaciones por área se quedan cortas.
Tinta que no dice nada
Edward Tufte, en The Visual Display of Quantitative Information (1983), propuso mirar un gráfico como un presupuesto de tinta. Su razón dato-tinta es la parte de la tinta que muestra datos:
Las rejillas gruesas, los fondos con degradado, las sombras y el falso 3D gastan tinta sin decir nada; a eso lo llamó chartjunk, basura gráfica. La regla no es borrarlo todo (un gráfico sin ejes ni rótulos también es ilegible, y la minimalidad extrema tiene sus críticos), sino que cada trazo justifique su lugar. En mis notas de Platzi Master quedaron dos frases en esa línea: un tablero no es solo gráficas, y peor aún sin etiquetas ni ejes; y muchas veces es mejor no mostrar nada que mostrar algo que no aporta.
Tres dibujos que cambiaron cómo se pensaba
En el verano de 1854 hubo un brote de cólera en el barrio del Soho, en Londres. La teoría dominante decía que el cólera se transmitía por el aire viciado, el miasma. El médico John Snow sospechaba del agua. Fue casa por casa anotando muertes y las marcó en un mapa de las calles: las rayitas se amontonaban alrededor de una bomba de agua pública, la de Broad Street, y se ralaban a medida que otra bomba quedaba más cerca. Con su análisis convenció a las autoridades locales de quitarle la manija a la bomba (para entonces el brote ya venía cediendo, así que la manija no fue lo que lo frenó). El mapa, publicado poco después, se volvió el ejemplo clásico de un argumento hecho con un dibujo.

Florence Nightingale había vuelto de la guerra de Crimea con una convicción: la mayoría de los soldados británicos no morían por las heridas, sino por enfermedades que se podían prevenir con saneamiento. En 1858 la presentó con unos diagramas de área polar, parecidos a una rosa: un pétalo por mes, partido según la causa de muerte. Las enfermedades prevenibles ocupaban casi toda la flor. Un detalle técnico la pone del lado correcto de la sección que viene: en su diagrama el área de cada pétalo, no su radio, es la que corresponde a las muertes.

Y en 1869 el ingeniero francés Charles Joseph Minard dibujó la campaña de Napoleón en Rusia de 1812 como una banda cuyo ancho es el tamaño del ejército: unos 422.000 hombres al cruzar el Niemen, unos 100.000 al llegar a Moscú, unos 10.000 de regreso. Debajo, la temperatura durante la retirada. En un solo plano caben el tamaño del ejército, su posición, su dirección, las fechas y el frío. El de Minard no cambió una decisión; cambió cómo se recuerda una. Tufte lo ha puesto como candidato a mejor gráfico estadístico jamás dibujado.

Cómo engaña un gráfico
Ahora la parte incómoda. Todos los trucos que siguen usan datos ciertos. Lo que mienten es la forma.
Las alturas son proporcionales a los valores: lo que ves es lo que es. Del mes 1 al 36 creció 217 %; el último mes es 3,17 veces el primero.
Datos de juguete: 36 meses que crecen 3,5 % por mes con un vaivén estacional. Las marcas ámbar son las dos que el texto compara.
El eje que no empieza en cero. Pulsa “el truco del eje”: son los meses 31 a 36 con el eje vertical recortado. La última barra mide 2,7 veces lo que la primera, y el ojo, que lee barras por su largo, concluye que el valor casi se triplicó. En realidad creció 13 %. Lo que el ojo compara es la altura sobre la base del eje:
Solo coinciden si la base es cero. Por eso las barras tienen que arrancar en cero. Con una línea es distinto: una línea se lee por posición y pendiente, no por largo, así que recortar el eje para ver los detalles es legítimo, siempre que los números del eje estén a la vista. Cambia a “línea” con el eje recortado y mira cómo cambia el veredicto del texto.
La escala logarítmica. En una escala lineal, subir lo mismo es sumar lo mismo. En una logarítmica, subir lo mismo es multiplicar por lo mismo: la altura de un valor es proporcional a , y por eso pasar de 10 a 100 ocupa el mismo espacio que pasar de 100 a 1.000. Una curva exponencial, que en escala lineal parece estallar, se vuelve una recta, y su pendiente es la tasa de cambio relativa. Pulsa “en logaritmo”: la serie completa, que crece 217 %, se ve como una recta con su vaivén, a unos 3,4 % por mes. Al comienzo de la pandemia de covid-19 las curvas de contagios se mostraban así, y con razón: lo que importaba era si el ritmo de duplicación se frenaba, y eso solo se ve como un cambio de pendiente en log. Lo mismo vale para los precios de muchas décadas, donde lo que interesa es la inflación, un porcentaje. El mal uso es mostrar log a quien lo va a leer como lineal, o poner barras en log: en log no existe el cero, la base del eje es arbitraria y con ella el largo de cada barra.
Área contra radio. En un gráfico de burbujas, si el valor se duplica y quien lo dibuja duplica el radio, el área se multiplica por cuatro, porque . Lo correcto es hacer el radio proporcional a la raíz del valor, , como en los pétalos de Nightingale. Y aun bien hecho, recuerda el exponente de Stevens: el área se percibe por lo bajo.
El doble eje. Dos series con dos ejes verticales, uno a cada lado. Como quien dibuja elige las dos escalas, puede hacer que las curvas se crucen donde quiera, que vayan pegadas o que diverjan. Se presta para sugerir relaciones que los datos no sostienen, y la correlación ya es bastante traicionera sin ayuda.
Elegir las fechas. Pulsa “elegir las fechas”: del mes 29 al 33 la serie cae 4 %, y con el eje recortado parece un derrumbe, aunque en el total crezca 217 %. Toda serie con estaciones tiene tramos que bajan; quien quiere contar una caída solo tiene que escoger uno. En series de tiempo se ve por qué separar tendencia y estación es lo primero, antes de decir que algo subió o bajó. La pregunta de control es simple: ¿por qué empieza el gráfico justo ahí?
El color
El color está al final de la lista de Cleveland y McGill para comparar cantidades, pero es excelente para otras cosas, y hay tres tipos de paleta según lo que tenga que decir. Una secuencial va de claro a oscuro en un solo tono, para una magnitud que solo crece: densidad de población, lluvia. Una divergente tiene un centro con significado y dos tonos que se alejan de él: por encima y por debajo de la meta, más caliente y más frío que el promedio. Una categórica usa tonos distintos de luminosidad parecida para cosas que no tienen orden: partidos, especies, marcas. El error típico es usar el arcoíris para una magnitud: sus tonos no tienen un orden que el ojo lea solo y su brillo sube y baja, así que dibuja fronteras donde los datos no las tienen. Paletas como las de ColorBrewer, de la cartógrafa Cynthia Brewer, o la viridis, diseñada para que el brillo crezca de forma pareja, existen para evitarlo.
Y hay que pensar en quien ve distinto. Como cuenta el capítulo de la visión, el daltonismo rojo-verde es mucho más común en hombres; en poblaciones de ascendencia europea se suele estimar en cerca de uno de cada doce. Un gráfico que distingue lo bueno de lo malo solo con rojo y verde es ilegible para ellos. La solución es redundar: que además del tono cambie la luminosidad, que haya rótulos directos o formas distintas.
Tableros: pensar con datos todos los días
Un tablero (dashboard) es un puñado de gráficos e indicadores que alguien mira todos los días para decidir. Bien hecho, es una forma de pensar en voz alta con los datos: las ventas por semana, el inventario, los procesos abiertos, sacados de una base de datos y actualizados solos. En mis notas de Platzi Master hay una distinción que me sigue sirviendo: explorar datos es distinto de explicar datos. Un tablero para explorar puede ser denso y feo, porque lo usa quien conoce los datos para preguntarse qué hay. Uno para explicar tiene que elegir: buenos títulos, lo que importa arriba y una sola pregunta por gráfico. La pregunta que dejé anotada es qué vamos a contar ahí.
Y un tablero también es una elección de qué se mide. Lo que está en la pantalla recibe atención; lo que no, desaparece. Cuando un indicador del tablero se vuelve la meta de alguien, pasa lo que cuenta qué cuenta como real: deja de medir lo que medía. Un tablero honesto muestra también lo que no va bien, y dice de dónde salen sus números.
Un gráfico es un argumento
Me quedo con eso. Un gráfico no es una foto de los datos; es un argumento hecho con ellos, y como todo argumento puede ser honesto o tramposo con las mismas premisas. Las preguntas para leerlo son pocas: ¿dónde empieza el eje?, ¿es lineal o logarítmico?, ¿qué codifica el área?, ¿por qué empieza en esa fecha?, ¿qué datos quedaron por fuera? Las mismas que conviene hacerse al dibujarlo, porque quien hace el gráfico decide qué va a ver otra persona, y engañar con un dibujo sigue siendo engañar, que es una cuestión de ética antes que de diseño.