Contar Historias Con Datos

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/339433944
Contar una historia con datos: El arte de su visualización
Technical Report · May 2022

DOI: 10.13140/RG.2.2.23093.63208
CITATIONS READS
0 20,740
2 authors:
Gumersindo Feijoo Maria Teresa Moreira

University of Santiago de Compostela University of Santiago de Compostela
541 PUBLICATIONS 16,878 CITATIONS 534 PUBLICATIONS 17,011 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Enzyme-Magnetic Nanoparticle Reactor for the advanced oxidation of micropollutants in wastewaters View project
Water footprint View project
All content following this page was uploaded by Gumersindo Feijoo on 16 May 2022.
The user has requested enhancement of the downloaded file.

COLECCIÓN CRETUS – BIOGROUP Nº 1b
CONTAR UNA HISTORIA CON DATOS
EL ARTE DE LA VISUALIZACIÓN DE DATOS EN FLOURISH
Mayo 2022
Autores
Gumersindo Feijoo
Grupo de Biotecnología Ambiental. Departamento de Ingeniería Química
Centro Interdisciplinar en Tecnologías Ambientales (CRETUS)
Universidad de Santiago de Compostela
Correo-e: [email protected]
LinkedIn & Twitter: @feijoo_costa
Portal Investigación: GUMERSINDO FEIJOO COSTA - Universidade de Santiago de Compostela (usc.gal)
María Teresa Moreira

Grupo de Biotecnología Ambiental. Departamento de Ingeniería Química
Centro Interdisciplinar en Tecnologías Ambientales (CRETUS)
Universidad de Santiago de Compostela
Correo-e: [email protected]
Portal Investigación: MARIA TERESA MOREIRA VILAR - Universidade de Santiago de Compostela (usc.gal)
Páginas web:
Biogroup: www.usc.gal/biogroup
Departamento: www.usc.gal/enxqu
CRETUS: www.usc.gal/cretus
2
INDICE
Índice
1. PARADIGMA EN LA VISUALIZACIÓN DE DATOS 4
2. ERRORES COMUNES Y NO TAN COMUNES 6
3. APLICACIÓN FLOURISH 11
4. CASOS PRÁCTICOS 14
4.1. Caso A. Gráfico relacional: visualización de los datos en un Ranking 14
4.2. Caso B. Gráfico de jerarquía: visualización de la producción científica 17
4.3. Caso C. Gráfico de Burbujas: sistema multiparámetro 21
4.4. Caso D. Mapas: Geolocalización de los datos 30
4.5. Caso E. Gráfico de redes: colaboración entre investigadores y universidades 33
4.6. Caso F. Diagrama bidimensional - Cuadrante de Gartner 38
4.7. Caso G. Gráficos combinados: mapa y barras 42
4.8. Caso H. Gráficos combinados: pictogramas 43
5. REFERENCIAS 47
3
PARADIGMA ERRORES COMUNES Y APLICACIÓN EN CASOS PRÁCTICOS
NO TAN COMUNES FLOURISH
1. PARADIGMA EN LA VISUALIZACIÓN DE DATOS

Los cambios actuales en el campo de la visualización de datos están derivados
fundamentalmente por dos fuerzas impulsoras (Figura 1): (i) la gran cantidad de datos que se
generan en cualquier disciplina, alcanzando en algunos casos valores de “Big Data”; (ii) la
disponibilidad de herramientas que permiten la integración y visualización efectiva de los
datos para alcanzar una gestión efectiva de los mismos. De hecho, muchos de los modelos de
negocio empresariales están evolucionando a una orientación de análisis de datos, ya que
disponer de información fidedigna es determinante para una adecuada toma de decisiones.
Figura 1. La gran cantidad de datos necesita una visualización tal que permita un análisis sencillo de
los mismos
Al igual que un buen cuento, novela o relato implica saber hilar una historia con palabras, una
buena visualización de los datos implica saber contar una historia con los datos,
convirtiéndose en un arte en el cual es necesario seguir un procedimiento que combine tanto
el diseño de la historia como la herramienta adecuada. Esta herramienta nos permitirá
visualizar el diseño seleccionado.
En este manual simplificado se propone una metodología con las etapas para una visualización
de datos que facilite su análisis. MS Excel (u otras hojas de cálculo) incluye funcionalidades de
representación de datos; por ejemplo, en las últimas versiones la mayor parte de las
actualizaciones han sido realizadas en los epígrafes relacionados con la visualización. Ahora
4
bien, conocer otras herramientas específicas de diseño pueden permitir una representación
de los datos más allá de las capacidades de herramientas de “Office”, introduciéndonos en el
mundo de la infografía. En disciplinas como Periodismo o Ciencias de la Comunicación este
tipo de herramientas se incluyen como elemento básico en su formación. Obviamente, este
manual está dirigido fundamentalmente a disciplinas de Ciencias e Ingeniería para tener una
mayor variedad de opciones a la hora de realizar una presentación o artículos mediante la
evolución del tipo de gráficos, permitiendo capacidades ampliadas a las que proporciona MS
Excel. La plataforma sobre la que se centrará los casos prácticos es el software Flourish 1 ,
desarrollada por Duncan Clark y Robin Houston.
1
https://flourish.studio/
5
2. ERRORES COMUNES Y NO TAN COMUNES

Centrar el discurso con los datos
Una falta de planificación con las metas que se quieren alcanzar en la visualización de los datos
puede llevar a usar las herramientas disponibles como un mero repositorio de datos. Así, al
monitorizar la efectividad de un sistema de análisis de evidencias en función del número, se
puede considerar inicialmente un gráfico de barras verticales que se genera muy fácilmente
en MS Excel (Figura 2). No cabe duda de que esta figura aporta mucha información, pero el
entorno no es amigable ya que el lector debe realizar un esfuerzo considerable para reconocer
los datos de la tabla en la figura y, consecuentemente, la deducción de conclusiones es
bastante ardua.
Evidencias
Mes Recibidas Analizadas
Enero 155 155
Febreo 173 173
Marzo 217 211
Abril 139 138
Mayo 183 169
Junio 159 140
Julio 133 113
Agosto 201 153
Septiembre 162 128
Octubre 137 102
Noviembre 149 124
Diciembre 176 139
Figura 2. Gráfico de barras sencillo para la representación de las evidencias recibidas y analizadas
correctamente a lo largo de un año por la unidad encargada de su gestión
MS Excel (versión 2010 o superiores) es capaz de proponer automáticamente diversos diseños

manteniendo el mismo tipo de gráfico (Figura 3). En esta nueva figura ya existe una mejor
configuración en la exposición de los datos de la tabla, ya que permite vislumbrar la diferencia
de efectividad en cada uno de los meses. De todas formas, sigue existiendo un exceso de
información que obstaculiza el fin último del análisis, esto es, la evolución temporal de la
efectividad en el tratamiento de las evidencias.
6
Figura 3. Gráfico de barras propuesto por MS Excel 2017 de forma automática
Evolucionar a un gráfico de líneas (sin añadir marcadores) puede ser una buena idea para
introducir la evolución temporal del tratamiento de las evidencias (Figura 4). Con este gráfico
se visualiza perfectamente que es a partir de mayo cuando comienza a producirse una
desviación entre las evidencias recibidas para su gestión y a aquellas que son analizadas
correctamente. También se observa que esa desviación va aumentando paulatinamente hasta
estabilizarse a partir de agosto en una diferencia constante y, por tanto, sistemática.
Figura 4. El gráfico de líneas visualiza la evolución temporal del sistema
7
No obstante, sigue existiendo un cierto exceso de información que se traduce en un efecto de

saturación con información no relevante. Así, la eliminación de algunas etiquetas de datos
(Figura 5), junto con la presentación más destacada de las evidencias analizadas permite
evolucionar a un gráfico que ya no es un repositorio de todos los datos, sino que se enfatizan
aquellos que son relevantes para el análisis de la unidad.
Figura 5. Gráfico de líneas donde se ha depurado la información más relevante
Una de las cuestiones que permite evolucionar a una infografía (esto es, una representación
visual informativa o diagrama de textos escritos) que sirva de resumen ejecutivo implicaría la
combinación de figuras y textos (Figura 6). En este último caso la infografía describe
directamente tanto los elementos como las explicaciones esenciales propuestas en la meta
inicial para el tratamiento y visualización de los datos.
8
Problemas con el sistema de codificación. Desde mayo se produce un cambio en

el sistema de codificación de los informes que llevan a una diferencia sistemática
entres las evidencias recibidas y las analizadas
Figura 6. Gráfico de líneas en la que se integra un texto con la explicación de la evolución

Los colores señalan lo esencial
El exceso de colores sin un patrón definido dificulta claramente el seguimiento de la
información que se quiere trasladar al lector, justo el objetivo contrario al inicialmente
pretendido con una diferenciación cromática pronunciada. La Figura 7 muestra este problema,
pues la estimación de los impactos a corte y medio plazo en diferentes rangos se ve dificultada
por el notorio exceso de colorido, sin conocer si existe algún rango en el cual se necesite seguir
especialmente su evolución por su relevancia.
Figura 7. El exceso de color implica una clara dificultad en el seguimiento de la información
9
Un pequeño cambio en los colores y en las etiquetas puede suponer una gran diferencia en la
interpretación del gráfico de barras (Figura 8). La utilización de dos colores en el relleno de las
barras supone una clasificación implícita de los impactos en dos tipos, siendo la intensidad del
color una analogía de la importancia de los impactos y, por tanto, donde nos debemos centrar
la atención. Además, el gráfico informa explícitamente la importancia del impacto acumulado
por los rangos 2, 3 y 4, pues se añade el porcentaje acumulada en los tres.
Figura 8. Uso del color con un criterio definido (en este caso se relaciona con la mayor o menor
importancia del impacto derivado de cada rango)
10
3. APLICACIÓN EN FLOURISH
Elementos básicos
Flourish es una aplicación en la nube que tiene una excelente biblioteca de gráficos (muchos
de ellos interactivos) que permiten mejorar significativamente la calidad de la visualización de
las figuras que se emplean en las presentaciones, así como en los artículos científicos. La
complejidad multiparamétrica de los análisis que necesita la investigación actual hace que
junto con MS Excel se necesiten software que den respuesta a esta demanda creciente en el
relato de la “historia de los datos”.
Figura 9. Una vez realizado el registro en la plataforma y pulsar “New visualization” surge una
pantalla donde se recogen agrupados los diferentes tipos de gráficos clasificados según su tipología
Al pulsar en la pestaña de “New visualization” surge una pantalla donde se despliega los
diferentes tipos de gráficos con una pequeña explicación del ámbito o posibilidades de
aplicación (Figura 9). Al seleccionar cualquiera de ellos se entrará en una nueva pantalla de
trabajo dividida en dos ventanas que se modifican en función de las dos pestañas principales:
• “Preview”: Pantalla donde se visualiza el gráfico a realizar. El ejemplo indicado en la

Figura 10 corresponde al denominado “Sankey diagram” 2. En la ventana derecha se
2
Se emplea en la metodología del Flujo de Análisis de Materiales (MFA en inglés)
11
encuentra el menú con las diferentes opciones que permiten seleccionar las
características tipográficas.
Figura 10. Ventanas de la pantalla “Preview”: (i) visualización de la figura y (ii) menú para el cambio
de las características tipográficas
• “Data”: Pantalla donde se introducen, copian o cargan los datos (Figura 11). Consta de
un sistema similar a una hoja de cálculo y de un menú que determina las columnas (o
sea, datos) que finalmente se visualizarán en el gráfico.
Figura 11. Pantalla de introducción de los datos del gráfico seleccionado
12
Los gráficos realizados se pueden exportar en formato .jpg o .png. En algunos navegadores
esta función presenta dificultades.
Metodología para el diseño de una visualización

Con el objetivo de sacarle todo el partido a cualquier herramienta de visualización, sea tanto
para hojas de cálculo como MS Excel como plataformas de diseño como Flourish, es
importante seguir un proceso sistemático en el diseño. A continuación, se propone la
metodología que hemos aplicado en los últimos años:
Definir la meta del proceso que determinará el diseño

final. Definir el objetivo del mensaje o información
que se quieren destacar con la visualización
Parámetros a incluir en el análisis pensando una

distribución de los datos para un modelo cartesiano
similar al empleado en una hoja de cálculo
Selección de la tipología de gráfico y del subgráfico

que más se adapte a las necesidades de la
visualización requerida
Realización del gráfico y configuración de las

características tipográficas deseadas
13
4. CASOS PRÁCTICOS
4.1. Caso A. Gráfico relacional: visualización de los datos de un Ranking
El CSIC elabora un Ranking 3 de investigadores que realizan su trabajo tanto en Instituciones
Españolas como Extranjeras en función del índice h 4 obtenido a partir de su perfil público en
la plataforma Google Académico. Al analizar el número de investigadores incluidos en el
TOP5.000 se puede recoger los datos de la Tabla I en relación con los que tengan su afiliación
en las universidades gallegas.
Tabla I. Número de investigadores e investigadoras de las tres universidades

gallegas agrupados en función de la gran área de conocimiento a la que
pertenecen
CIENCIAS CC SALUD CC SOCIALES INGENIERÍA

Universidad de Santiago de
Compostela (USC) 47 26 11 11
Universidad de Vigo (UVigo) 35 1 3 17
Universidad de la Coruña
(UDC) 14 3 2 5
Las etapas en el proceso de diseño de la visualización son:

1. Meta: Evaluación comparativa o relacional en función de la gran área de conocimiento
y de las universidades a las que están adscritos los investigadores presentes en el
ranking
2. Parámetros: número de investigadores, gran área y universidad de adscripción.
3. Opción de gráfico: Relacional (“Chord diagram”) de carácter direccional.
Una vez seleccionado el modelo correspondiente es necesario introducir los datos con las
directrices adecuadas del gráfico considerado (Figura 12).
3
http://www.webometrics.info/es/node/24
4
Fue creado por Jorge Hirsch en el año 2005 con el objetivo de definir la excelencia en la investigación procurando
un equilibrio entre la producción científica y el impacto de la misma. Un investigador tiene un índice h dado al
publicar h trabajos con por lo menos h citas cada uno. Hirsch, J.E. (2005). "An index to quantify an individual's
scientific research output". PNAS 102(46): 16569–16572.
14
Figura 12. Datos para el gráfico relacional, con la definición de las columnas adecuadas y la selección
de las mismas para su visualización
Al terminar de introducir los datos (el gráfico que se va formando se puede ver en el cuadro
inferior derecho de la pantalla) tendremos el gráfico objetivo que al pulsar la pestaña
“preview” se podrá observar y navegar sobre el mismo (Figura 13). De esta visualización se
puede visualizar:
1. “Benchmarking”. El tramo de arco de la USC es superior al tramo de arco de UVigo y
UDC, prácticamente representa la suma de los otros dos.
2. Relación entre Áreas. El Área de Ciencias tiene un mayor impacto en este ranking, casi
equivale a la suma del resto.
3. Interrelación entre parámetros. La USC tiene la exclusividad en CC de la Salud y CC
Sociales, y aproximadamente un 50 % en Ciencias e Ingeniería.
15
Figura 13. Gráfico relacional del número

de investigadores de las tres
universidades gallegas presentes en el
TOP5.000 del ranking del CSIC en función
de la gran área de conocimiento a la que
están adscritos
El concepto de “navegación” por la figura, una de las funcionalidades más interesantes para
utilizar en las presentaciones, implica que al desplazar el ratón sobre las áreas se resalta cada
una de ellas con la denominación de la línea de flujo y sus valores (Figura 14).
Figura 14. Resultado de la

navegación sobre el gráfico, donde se
resalta las diferentes líneas de flujo.
16
4.2. Gráfico de jerarquía: visualización de la producción científica

Tener un resumen ejecutivo de los indicios de calidad de la actividad investigadora es cada vez
más relevante. En las convocatorias de proyectos competitivos de la Agencia Estatal de
Investigación se indica en el Currículo Vitae Abreviado (CVA) un apartado específico para
señalar los indicadores de calidad.
Uno de los indicadores que se manejan en la investigación son el número de artículos
publicados en revistas JCR 5, donde cada una de ellas están recogidas en una o más categorías
o campos científicos (por ejemplo, “Agricultural Engineering, Chemical Engineering, Food
Technology, Water Resources”, etc.) y son identificadas con un factor de impacto anual 6. Por
lo tanto, la meta sería visualizar de forma compacta una lista de publicaciones que tendría un
investigador como las que se señalan en la tabla II.
Tabla II. Lista del número de artículos publicados en diferentes revistas indicando
el campo o campos científicos del JCR
Revista Campo Científico

FI Número
(Columna A) (Columna B)
J CLEAN PROD ENVIRONMENTAL ENGINEERING 6.395 26
J CLEAN PROD ENVIRONMENTAL SCIENCES 6.395 26
STOTEN ENVIRONMENTAL SCIENCES 5.589 28
INT J LIFE CYCLE ASS ENVIRONMENTAL ENGINEERING 4.838 19
INT J LIFE CYCLE ASS ENVIRONMENTAL SCIENCES 4.838 19
RESOUR CONSERV RECY ENVIRONMENTAL SCIENCES 7.044 9
J ENVIRON MANAGE ENVIRONMENTAL SCIENCES 4.865 7
BIORESOURCE TECHNOL AGRICULTURAL ENGINEERING 6.669 5
BIORESOURCE TECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 6.669 5
BIORESOURCE TECHNOL ENERGY AND FUELS 6.669 5
BIOTECHNOL LETT BIOTECHNOLOGY & APPLIED MICROBIOLOGY 2.154 7
WATER RES WATER RESOURCES 7.913 6
WATER RES ENVIRONMENTAL SCIENCES 7.913 6
WATER RES ENVIRONMENTAL ENGINEERING 7.913 6
BIOTECHNOL PROG BIOTECHNOLOGY & APPLIED MICROBIOLOGY 2.406 6
5
JCR: Journal Citation Report - https://clarivate.com/webofsciencegroup/solutions/journal-citation-reports/
6
El factor de impacto o índice de impacto mide l frecuencia con la que una revista ha sido citada en un año
concreto. Es un indicador que permite comparar revistas y evaluar la importancia relativa de una revista dentro
de un mismo campo científico. Se calcula con la siguiente fórmula: X = Y/Z
X = Factor de impacto de la revista en el año “n”
Y = Número de citas recibidas por la revista en el año “n” de los artículos publicados en el año “n-1” y “n-2”
Z = Número de artículos publicados en la revista en el año “n-1” y “n-2”
17
BIOCATAL BIOTRANSFOR BIOTECHNOLOGY & APPLIED MICROBIOLOGY 1.627 5

IND CROP PROD AGRICULTURAL ENGINEERING 4.191 1
INT BIODETER BIODEGR BIOTECHNOLOGY & APPLIED MICROBIOLOGY 3.824 3
J BIOTECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 3.163 7
BIOCHEM ENG J BIOTECHNOLOGY & APPLIED MICROBIOLOGY 3.371 3
BIOCHEM ENG J CHEMICAL ENGINEERING 3.371 3
BIODEGRADATION BIOTECHNOLOGY & APPLIED MICROBIOLOGY 2.534 4
BIOTECHNOL BIOENG BIOTECHNOLOGY & APPLIED MICROBIOLOGY 4.260 4
CHEMOSPHERE ENVIRONMENTAL SCIENCES 5.108 4
ENZYME MICROB TECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 3.553 5
APPL MICROB BIOTECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 3.670 3
FISH RES FISHERIES 2.343 3
J INDUS ECOL ENVIRONMENTAL ENGINEERING 4.826 3
J INDUS ECOL ENVIRONMENTAL SCIENCES 4.826 3
RENEW SUSTAIN ENERGY REV ENERGY AND FUELS 10.556 3
WASTE MANAG ENVIRONMENTAL ENGINEERING 5.431 2
WASTE MANAG ENVIRONMENTAL SCIENCES 5.431 2
APPL BIOCHEM BIOTECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 2.140 2
APPL ENVIRON MICROB BIOTECHNOLOGY & APPLIED MICROBIOLOGY 4.077 3
BIOFUEL BIOPROD BIOR ENERGY AND FUELS 4.224 2
BIOPROCESS BIOSYST ENG CHEMICAL ENGINEERING 2.371 4
BIOMASS BIOENERG AGRICULTURAL ENGINEERING 3.537 2
CHEM ENG J CHEMICAL ENGINEERING 8.355 3
ENVIRON SCI POLICY ENVIRONMENTAL SCIENCES 4.816 2
ENVIRON SCI TECHNOL ENVIRONMENTAL ENGINEERING 7.149 3
RENEW ENERG ENERGY AND FUELS 5.439 2
TRENDS FOOD SCI TECHNOL. FOOD SCIENCE & TECHNOLOGY 8.519 1
PROCESS BIOCHEM CHEMICAL ENGINEERING 2.883 2
APPL ENERG ENERGY AND FUELS 8.246 1
DESALINATION WATER RESOURCES 6.035 1
TRENDS BIOTECHNOL BIOTECHNOLOGY & APPLIED MICROBIOLOGY 13.747 1
ENERG POLICY ENERGY AND FUELS 4.880 2
J HAZAR MATER ENVIRONMENTAL ENGINEERING 7.650 2
CHEM ENG J ENVIRONMENTAL ENGINEERING 8.355 2
Los resultados de aplicar las etapas en el proceso de diseño de la visualización son:

1. Meta: Tener una representación en diferentes tipos de gráficos del número de
artículos publicados en revistas JCR.
18
2. Parámetros: el campo científico o categoría donde se incluye la revista, índice de

impacto y número de artículos publicados en cada revista
3. Opción de gráfico: Jerarquía (“Hierarchy”) que permite una visualización priorizada de
los datos.
Una vez seleccionado el modelo correspondiente
se introducen los datos con las directrices del
gráfico considerado. En este caso se ha
seleccionado el modelo radial y el campo científico
como primer nivel de visualización de la jerarquía
(Columna B), con un segundo nivel estaría el
nombre de la revista (Columna A). El orden en la
visualización puede ser por el número de artículos
o el factor de impacto (Figura 14 y 15).
Figura 13. Definir o nivel de jerarquía
Figura 14. Los artículos se

distribuyen en un círculo o sector
en función de las categorías y el
número de artículos publicados
en cada una de las revistas.
19
Figura 15. Los artículos

también se pueden distribuir
en función de las categorías y
el factor de impacto de cada
una de las revistas
Dado que el lector puede no estar familiarizado con los índices de impacto de las revistas en
cada campo científico y, por tanto, la relevancia de la revista en cada campo, se puede
combinar la figura con un texto adicional que ayude en este sentido (Figura 16). Estos últimos
efectos se pueden realizar en otro software; por ejemplo, MS PowerPoint.
Revistas JCR en las que se

publica la investigación
Figura 16. Visualización final donde se indica una referencia de la relevancia del FI
20
Esta modalidad de gráfico permite realizar

una modificación de la visualización con un
solo a (Figura 17): “Treemap” (sobre un
tablero rectangular existe una subdivisión
sucesiva en cada uno de los niveles; “Circles”
(la misma idea, pero en base a círculos con
tamaño proporcional de cada uno de los
parámetros); “Sunburst” (dos anillos
concéntricos con sectores relacionados con
cada parámetro); “Bar” (gráfico de barras
donde los diversos tramos son función del
número de artículos). Figura 17. Diversas opciones de representación
para el modelo jerárquico
4.3. Caso C. Gráfico de burbujas: sistema multiparamétrico

El gráfico de burbujas es un gráfico de dispersión que permite aumentar de 2 variables (x e y
valores típicos de una dispersión bidimensional) hasta 3 dimensiones numéricas (z
corresponde al tamaño de la burbuja). Además, permite dos criterios adicionales de
identificación: el nombre de cada burbuja y el color de un grupo que comparta la misma
característica.
Este tipo de gráficos son muy adecuadas cuando se analizan variables a comparar entre países:
• Dimensión x: PIB per cápita
• Dimensión y: variable principal a analizar
• Dimensión z: tamaño de la población de cada país
• Color de la burbuja: continente del país
• Nombre de la burbuja: cada país
La fundación sin ánimo de lucro Gapminder 7 con sede en Estocolmo tiene en acceso abierto
diferentes tipos de datos con el objetivo de promover opiniones fundamentadas en datos y
no estereotipos. Además, tiene una potente herramienta gráfica para para analizar diferentes
tipos de datos de diferentes países en forma de secuencia temporal.
7
www.gapminder.org/whc
21
Para ejemplarizar la potencialidad de un gráfico de burbujas se presenta el análisis de la

dispersión entre el índice de fecundidad (hijos por mujer) y el PIB per cápita ($/año) entre los
diferentes países (Tabla III). En los países occidentales el índice de fecundidad es uno de los os
indicadores que se sigue con más preocupación, pues los problemas demográficos a medio y
largo plazo afectarán a todos los sectores económicos.
Tabla III. Índice de fecundidad vs. PIB per cápita para cada país (www.gapminder.org). También se
indica la población total. Para efectos comparativos se ha mostrado la situación para Galicia, cuyos
valores se han obtenido de: (i) índice de fecundidad- periódico Expansión 8, (ii) la población total -
Instituto Gallego de Estadística 9; (iii) el PIB per cápita -Instituto Nacional de Estadística 10.
Índice de
fecundidad
País (en inglés) Continente PIB per cápita ($/año) (hij@s/mujer) Población
Galicia Europa 31.247 1,05 2.699.499
Afghanistan Asia 1.870 4,33 36.400.000
Albania Europa 12.400 1,71 2.930.000
Algeria África 13.700 2,64 42.000.000
Angola África 5.850 5,55 30.800.000
Antigua and Barbuda América 21.000 2,03 103.000
Argentina América 18.900 2,26 44.700.000
Armenia Asia 8.660 1,60 2.930.000
Australia Oceanía 45.800 1,83 24.800.000
Austria Europa 44.600 1,52 8.750.000
Azerbaijan Asia 16.600 2,04 9.920.000
Bahamas América 21.900 1,75 399.000
Bahrain Asia 44.300 1,99 1.570.000
Bangladesh Asia 3.720 2,05 166.000.000
Barbados América 16.000 1,80 286.000
Belarus América 17.200 1,72 9.450.000
Belgium Europa 42.800 1,80 11.500.000
Belize América 7.710 2,44 382.000
Benin América 2.170 4,84 11.500.000
Bhutan Asia 9.930 1,99 817.000
Bolivia América 6.980 2,80 11.200.000
8
https://datosmacro.expansion.com/demografia/natalidad/espana-comunidades-autonomas/galicia
9
https://www.ige.eu/web/index.jsp?paxina=001&idioma=gl
10
https://www.ine.es/
22
Bosnia and
Herzegovina Europa 12.100 1,39 3.500.000
Botswana África 16.500 2,64 2.330.000
Brazil América 14.300 1,70 211.000.000
Brunei Asia 76.900 1,85 434.000
Bulgaria Europa 18.900 1,59 7.040.000
Burkina Faso África 1.710 5,19 19.800.000
Burundi África 691 5,53 11.200.000
Cambodia Asia 3.830 2,50 16.200.000
Cameroon África 3.170 4,57 24.700.000
Canada América 43.800 1,56 37.000.000
Cape Verde África 6.420 2,27 553.000
Central Áfrican
Republic África 689 4,72 4.740.000
Chad África 1.860 5,75 15.400.000
Chile América 23.400 1,76 18.200.000
China Asia 16.000 1,64 1.420.000.000
Colombia América 13.700 1,82 49.500.000
Comoros África 1.440 4,20 832.000
Congo, Dem. Rep. África 751 5,92 84.000.000
Congo, Rep. África 5.620 4,54 5.400.000
Costa Rica América 16.200 1,75 4.950.000
Cote d'Ivoire América 3.760 4,78 24.900.000
Croatia Europa 22.600 1,45 4.160.000
Cuba América 20.000 1,72 11.500.000
Cyprus Europa 32.200 1,34 1.190.000
Czech Republic Europa 32.300 1,57 10.600.000
Denmark Europa 46.600 1,76 5.750.000
Dominican Republic América 15.200 2,36 10.900.000
Ecuador América 10.200 2,43 16.900.000
Egypt África 10.800 3,15 99.400.000
El Salvador América 8.290 2,04 6.410.000
Equatorial Guinea África 20.500 4,51 1.310.000
Eritrea África 1.250 3,99 5.190.000
Estonia Europa 29.500 1,66 1.310.000
Ethiopia África 1.800 3,97 108.000.000
Fiji Oceanía 9.420 2,47 912.000
Finland Europa 40.300 1,78 5.540.000
France Europa 39.000 1,97 65.200.000
23
Gabon África 17.500 3,66 2.070.000

Gambia África 1.570 5,29 2.160.000
Georgia Europa 10.100 1,98 3.910.000
Germany Europa 45.200 1,48 82.300.000
Ghana África 4.380 3,87 29.500.000
Greece Europa 25.500 1,30 11.100.000
Grenada América 13.500 2,06 108.000
Guatemala América 7.530 2,87 17.200.000
Guinea África 1.280 4,70 13.100.000
Guinea-Bissau África 1.550 4,48 1.910.000
Guyana América 7.740 2,46 782.000
Haiti América 1.710 2,82 11.100.000
Honduras América 4.590 2,39 9.422.000
Hungary Europa 26.900 1,40 9.690.000
Iceland Europa 47.400 1,91 338.000
India Asia 6.890 2,28 1.350.000.000
Indonesia Asia 11.700 2,31 267.000.000
Iran Asia 17.400 1,61 82.000.000
Iraq Asia 15.900 4,25 39.300.000
Ireland Europa 65.600 1,98 4.800.000
Israel Europa 33.400 2,92 8.450.000
Italy Europa 35.200 1,50 59.300.000
Jamaica América 8.520 1,98 2.900.000
Japan Asia 39.100 1,48 127.000.000
Jordan Asia 8.450 3,24 9.900.000
Kazakhstan Asia 24.200 2,57 18.400.000
Kenya África 3.110 3,74 51.000.000
Kiribati África 1.890 3,57 118.000
Kuwait Asia 68.400 1,95 4.200.000
Kyrgyz Republic Asia 3.490 2,91 6.130.000
Lao Asia 6.310 2,59 6.960.000
Latvia Europa 25.500 1,57 1.930.000
Lebanon Asia 13.400 1,71 6.090.000
Lesotho África 2.960 3,00 2.260.000
Liberia África 801 4,45 4.850.000
Libya África 18.300 2,20 6.470.000
Lithuania Europa 30.400 1,67 2.880.000
Macedonia, FYR Europa 14.000 1,55 2.090.000
24
Madagascar África 1.460 4,08 26.300.000

Malawi África 1.130 4,44 19.200.000
Malaysia Asia 27.200 2,00 32.000.000
Maldives África 13.000 2,01 444.000
Mali África 2.020 5,88 19.100.000
Malta Europa 37.900 1,48 432.000
Mauritania África 3.670 4,55 4.540.000
Mauritius África 21.000 1,43 1.270.000
Mexico América 17.300 2,12 131.000.000
Micronesia, Fed. Sts. Oceanía 3.410 3,05 106.000
Moldova Europa 5.330 1,23 4.040.000
Mongolia Asia 12.100 2,67 3.120.000
Montenegro Europa 16.600 1,65 629.000
Morocco África 7.720 2,42 36.200.000
Mozambique África 1.200 5,12 30.500.000
Myanmar Asia 6.100 2,17 53.900.000
Namibia África 10.500 3,30 2.590.000
Nepal Asia 2.420 2,05 29.600.000
Netherlands Europa 48.500 1,75 17.100.000
New Zealand Oceanía 36.400 1,97 4.750.000
Nicaragua América 5.470 2,14 6.280.000
Niger África 949 7,13 22.300.000
Nigeria África 5.570 5,39 196.000.000
North Korea Asia 1.390 1,89 25.600.000
Norway Europa 64.800 1,83 5.350.000
Oman Asia 38.900 2,52 4.830.000
Pakistan Asia 5.220 3,35 201.000.000
Palestine Asia 2.700 3,88 5.050.000
Panama América 23.400 2,46 4.160.000
Papua New Guinea Oceanía 2.800 3,56 8.420.000
Paraguay América 9.280 2,43 6.900.000
Peru América 12.700 2,34 32.600.000
Philippines Asia 7.960 2,86 107.000.000
Poland Europa 27.700 1,29 38.100.000
Portugal Europa 27.900 1,24 10.300.000
Romania Europa 23.400 1,54 19.600.000
Russia Europa 24.800 1,76 144.000.000
Rwanda África 1.930 3,74 12.500.000
25
Samoa Oceanía 5.950 3,88 198.000

Sao Tome and Principe América 3.190 4,33 209.000
Saudi Arabia Asia 50.100 2,45 33.600.000
Senegal Asia 2.570 4,62 16.300.000
Serbia Europa 14.800 1,62 8.760.000
Seychelles África 27.500 2,25 95.200
Sierra Leone África 1.490 4,26 7.720.000
Singapore Asia 83.900 1,26 5.790.000
Slovak Republic Europa 31.400 1,47 5.450.000
Slovenia Europa 30.900 1,65 2.080.000
Solomon Islands Oceanía 2.110 3,74 623.000
Somalia África 629 6,08 15.200.000
South África África 12.300 2,40 57.400.000
South Korea Asia 36.800 1,33 51.200.000
South Sudan África 1.820 4,70 12.900.000
Spain Europa 34.700 1,39 46.400.000
Sri Lanka Asia 12.400 2,02 21.000.000
St. Lucia América 10.900 1,44 180.000
St. Vincent and the
Grenadines América 11.400 1,89 110.000
Sudan África 4.440 4,41 41.500.000
Suriname América 13.200 2,32 568.000
Swaziland África 7.600 2,98 1.390.000
Sweden Europa 47.500 1,91 9.980.000
Switzerland Europa 57.100 1,55 8.540.000
Syria Asia 2.900 2,82 18.300.000
Tajikistan Asia 2.920 3,27 9.110.000
Tanzania África 2.780 4,89 59.100.000
Thailand Asia 16.900 1,45 69.200.000
Timor-Leste Asia 1.490 5,28 1.320.000
Togo África 1.480 4,32 7.990.000
Tonga África 5.500 3,56 109.000
Trinidad and Tobago América 30.300 1,73 1.370.000
Tunisia África 11.600 2,15 11.700.000
Turkey Europa 24.900 2,02 81.900.000
Turkmenistan Asia 17.900 2,79 5.850.000
Uganda África 1.820 5,41 44.300.000
Ukraine Europa 8.330 1,56 44.000.000
26
United Arab Emirates Asia 68.200 1,72 9.540.000

United Kingdom Europa 40.100 1,87 66.600.000
United States América 54.900 1,90 327.000.000
Uruguay América 21.300 1,97 3.470.000
Uzbekistan Asia 6.690 2,23 32.400.000
Vanuatu Oceanía 2.900 3,20 282.000
Venezuela América 14.200 2,27 32.400.000
Vietnam Asia 6.550 1,95 96.500.000
Yemen África 2.430 3,79 28.900.000
Zambia África 3.870 4,87 17.600.000
Zimbabwe África 1.950 3,61 16.900.000
Las etapas en el proceso de diseño de la visualización han sido:

1. Meta: Analizar la relación entre PIB per cápita y el índice de fecundidad (hijos por
mujer) para cada país
2. Parámetros: PIB per capita ($/año), índice de fecundidad (hijos por mujer), población
total en cada país y continente al que pertenecen
3. Opción de gráfico: Diagrama de burbujas interactivo (Bubble Chart). Modelo de gráfica
que permite una representación de hasta cinco parámetros de forma simultánea
jugando con el tamaño y los colores de la burbuja.
Una vez seleccionado el modelo correspondiente se introducen los datos con las directrices
adecuadas del gráfico considerado (Figura 18).
Figura 18. Pantalla para la introducción de datos en el gráfico de burbujas
27
El resultado que se obtiene se muestra en la Figura 19 a partir de las siguientes características

tipográficas:
Figura 19. Relación entre o índice de fecundidad y el PIB per cápita para diversos países para efectos
comparativos también se indica el valor para Galicia
28
La Figura 19 muestra que al aumentar el PIB per cápita se reduce el índice de fecundidad. Para
Galicia destaca el dato sorprendente de que el índice de fecundidad es el más bajo en
comparación con todos los países analizados. Al tratarse de un gráfico interactivo se puede
navegar por el gráfico (Figura 20):
 Al pulsar sobre la burbuja aparecen los datos de todos los parámetros.
 Al tener los países agrupados por continente, se puede realizar una selección de los
que se representan pinchando sobre la leyenda.
2018
Galicia España
Figura 20. Visualización de los datos para los países europeos y africanos, con sus correspondientes
líneas de tendencia. En la figura se muestran los datos de Nigeria al pulsar sobre la misma
29
4.4. Caso D. Mapas: Geolocalización de los datos

El cambio climático es una de las preocupaciones
medioambientales que más ha impactado en la sociedad en
los últimos años, alcanzando en todas las capas de la
sociedad. El Objetivo de Desarrollo Sostenible (ODS) nº 13
hace referencia a esta amenaza, siendo las emisiones de CO2
uno de los indicadores que se deben monitorizar.
Diversas páginas Web recogen las emisiones de CO2 per cápita en cada uno de los países; por
tanto, evolucionar de una tabla a un mapa de emisiones permite una visualización clara de la
situación comparativa en cada país (Tabla IV).
Tabla IV. Emisiones de CO2 per cápita en el mundo en 2018
(Fuente: International Energy Agency - https://www.iea.org/statistics/)
PAÍS* 2018 PAÍS 2018

Albania 1,51 Kazakhstan 14,18
Algeria 3,16 Kenya 0,33
Angola 0,61 Kuwait 21,61
Argentina 4,14 Latvia 3,77
Armenia 1,76 Lithuania 4,16
Australia 15,32 Luxembourg 14,77
Austria 7,03 Malaysia 6,67
Azerbaijan 3,12 Malta 3,26
Bahrain 19,97 Mexico 3,54
Belgium 7,89 Morocco 1,63
Bolivia 1,98 Namibia 1,59
Bosnia and Herzegovina 6,37 Netherlands 8,60
Botswana 3,37 New Zealand 6,25
Brazil 2,04 Nicaragua 0,82
Bulgaria 6,05 Nigeria 0,45
Cambodia 0,67 Norway 7,05
Cameroon 0,26 Oman 14,13
Canada 15,46 Pakistan 0,93
Chile 4,68 Panama 2,35
China 6,67 Paraguay 1,12
Colombia 1,53 Peru 1,54
Costa Rica 1,55 Philippines 1,21
Croatia 3,92 Poland 8,06
Cuba 2,28 Portugal 4,49
30
Cyprus 7,75 Qatar 30,36

Czechia 9,47 Republic of Serbia 6,57
Denmark 5,46 Romania 3,61
Dominican Republic 1,99 Russia 10,64
Ecuador 2,06 Saudi Arabia 16,16
Egypt 2,14 Senegal 0,52
Estonia 10,3 Singapore 8,45
Finland 7,92 Slovakia 5,89
France 4,35 Slovenia 6,51
Gabon 1,66 South África 7,43
Georgia 2,35 South Korea 12,08
Germany 8,24 Spain 5,23
Greece 5,74 Sweden 3,56
Guatemala 0,93 Switzerland 4,18
Honduras 1,02 Thailand 3,54
Hong Kong S.A.R. 5,96 Tunisia 2,27
Hungary 4,69 Turkey 4,56
Iceland 5,84 Ukraine 3,82
India 1,61 United Arab Emirates 20,21
Indonesia 1,88 United Kingdom 5,32
Iran 6,99 United States of America 14,93
Ireland 7,15 Uruguay 1,7
Israel 7,00 Venezuela 3,56
Italy 5,20 Vietnam 2,00
Japan 8,69 Zimbabwe 0,59
*El nombre de los países se han escrito en inglés para facilitar la inclusión de los datos en la
aplicación
Las consideraciones para o proceso de diseño de la visualización son:

1. Meta: Representar las emisiones de CO2 per cápita a nivel mundial, superponiendo la
distribución de la población de las principales ciudades
2. Parámetros: Emisiones de CO2 por país y la población de las principales ciudades
3. Opción de gráfico: Mapa (simulación de los sistemas de información geográficos para
territorializar los datos).
Una vez seleccionado el modelo correspondiente se introducen los datos (Figura 21). En este
caso se han aprovechado los datos ya cargados por defecto en el ejemplo y solamente es
necesario añadir las emisiones en la columna H.
31
Figura 21. Pantalla para introducir de datos de las emisiones de CO2 per cápita
El resultado que se obtiene se muestra en la Figura 22 al introducir las siguientes

características tipográficas:
• Proyección: Robinson
• Capa de los países: el color escogido ha sido el rojo con una leyenda por segmentos y
secuencial. El color relaciona los valores más altos con un impacto negativo.
• Capa de cuadrícula activada con separación de latitud y longitud de 20º
• Leyenda: Umbral (“Threshold”)
• Título: Emisiones CO2
• Subtítulo: Tm per cápita
32
Figura 22. Emisión de CO2 per cápita en cada país con la superposición de las ciudades más pobladas
del planeta (están representadas en círculos)
4.5. Caso E. Gráficos de redes: colaboración entre investigadores y universidades

Las redes de colaboración entre investigadores y universidades es un elemento fundamental
en el avance de la ciencia, siendo un indicador más de la capacidad de colaboración de un
grupo de investigación. Además, en los estudios bibliométricos el índice de coautoría también
es un indicador que cada vez tiene mayor importancia para evaluar el potencial impacto de la
ciencia. Obviamente los gráficos de redes están diseñados para visualizar las diversas
relaciones, desde un punto de vista neuronal, de los diversos elementos de un sistema.
A modo de ejemplo, se ha considerado la visualización de las interacciones internas dentro
del PDI permanente de nuestro Grupo de Investigación y también externas con universidades
y centros de investigación gallegos, españoles, europeos, iberoamericanos, norteamericanos
y de otras regiones (Tabla V).
33
Tabla V. Selección de las interacciones de la red de colaboración de dos de los miembros del
Biogroup 11 (solamente se han consideraron aquellas interacciones con 2 o más artículos en
colaboración)
“Source” “Target” “Value”
G. Feijoo UAB 17
G. Feijoo Univ. Aveiro 13
G. Feijoo PUC Perú 11
G. Feijoo WUR 11
G. Feijoo UVigo 7
G. Feijoo Imperial College 7
G. Feijoo CIB-CSIC 4
G. Feijoo Univ. Milán 4
G. Feijoo Univ. Catholique de Louvain 4
G. Feijoo UB 4
G. Feijoo UPC 3
G. Feijoo US 3
G. Feijoo IRTA 3
G. Feijoo IMDEA-Energía 3
G. Feijoo Delft Univ. Technology 3
G. Feijoo Univ. Lorraine 3
G. Feijoo LIT 3
G. Feijoo UAM 2
G. Feijoo UNICAN 2
G. Feijoo UDG 2
G. Feijoo UHU 2
G. Feijoo UPV 2
G. Feijoo URL 2
G. Feijoo UV 2
G. Feijoo UNIZAR 2
G. Feijoo ICP 2
G. Feijoo AZTI 2
G. Feijoo Ghent Univ. 2
G. Feijoo Leiden Univ. 2
11
https://www.usc.gal/biogroup/
34
G. Feijoo Univ. Arizona 2

G. Feijoo King Abdulaziz Univ. 2
G. Feijoo Univ. Frontera 2
G. Feijoo Brunel Univ. London 2
G. Feijoo Univ. Verona 2
G. Feijoo Univ. Genoa 2
G. Feijoo PCU Valparaiso 2
G. Feijoo Forestry Research Institute of Sweden 2
M.T. Moreira UAB 16
M.T. Moreira Univ. Aveiro 14
M.T. Moreira PUC Perú 11
M.T. Moreira Univ. Milán 9
M.T. Moreira WUR 9
M.T. Moreira Imperial College 7
M.T. Moreira UVigo 6
M.T. Moreira EHU 5
M.T. Moreira Brunel Univ. London 5
M.T. Moreira Univ. Verona 4
M.T. Moreira Univ. Catholique de Louvain 4
M.T. Moreira US 3
M.T. Moreira IRTA 3
M.T. Moreira Delft Univ. Technology 3
M.T. Moreira Leiden Univ. 3
M.T. Moreira PCU Valpariso 3
M.T. Moreira Univ. Lorraine 3
M.T. Moreira Univ. Frontera 3
M.T. Moreira LIT 3
M.T. Moreira UJA 2
M.T. Moreira UVA 2
M.T. Moreira CIB-CSIC 2
M.T. Moreira ICP 2
M.T. Moreira IMDEA-Energía 2
M.T. Moreira AZTI 2
M.T. Moreira Ghent Univ. 2
M.T. Moreira Univ. Wollongong 2
35
M.T. Moreira National Technical University of Athens 2

M.T. Moreira Univ. Genoa 2
M.T. Moreira Univ. Arizona 2
M.T. Moreira King Abdulaziz Univ. 2
M.T. Moreira Forestry Research Institute of Sweden 2
El proceso de diseño de la visualización tiene las siguientes etapas:

1. Meta: Representar la red de colaboración entre los miembros del Grupo de
Investigación y a su vez con las universidades y centros de investigación (por lo menos
2 o más artículos).
2. Parámetros: Artículos de colaboración entre los diferentes elementos de la red de
colaboración, clasificando los agentes externos en función de su área geográfica:
Galicia, España, Europa, Iberoamérica, USA y Otras Regiones.
3. Opción de gráfico: Gráfico de redes (“Network graph·).
Una vez seleccionado el modelo correspondiente se han introducido los datos de la Figura 23.
El tamaño de cada nodo de la red fue: 12 (Biogroup), 8 (Galicia, USA y Otras Regiones), 7
(España), 5 (Europa) y 4 (Iberoamérica)
Figura 23. Rede de colaboración interna (investigadores) y externa (universidades) del Biogroup
36
Al igual que otros tipos de gráficos, este modelo permite la navegación con lo que consigue la
priorización en la visualización de los datos:
 Red de conexión con un tipo de institución externa específico (Figura 24)
 Visualización de los nodos vecinos, tanto a partir de un nodo primario como de
un nodo secundario (Figura 25).
Figura 24. Priorización de la visibilización de la red de colaboración europea
Figura 25. Visualización de nodos “vecinos”
37
4.6. Caso F. Diagrama bidimensional – Cuadrante de Gartner

El análisis bidimensional se utiliza ampliamente en la empresa para estudiar escenarios y
poder visualizar el impacto de las acciones y estrategias que se llevan a cabo a partir de dos
parámetros claves. También se utiliza para representar el desempeño de diversas
empresas/organismos/productos con el objetivo de realizar una evaluación comparativa 12. La
visualización de estos datos permite definir un gráfico con 4 cuadrantes, donde a partir de
unos umbrales prefijados de ambas variables se determina la zona óptima, lo que se denomina
el cuadrante mágico de Gartner 13. Por ejemplo, la ISO 14045 que define la ecoeficiencia se
basa en esta metodología, ya que se trata de evolucionar un producto o empresa a la zona de
menor impacto ambiental y mayor desempeño económico.
A modo de ejemplo, se considerará el análisis comparativo de las universidades españolas a
partir de su desempeño investigador (Tabla VI) combinando una variable de productividad
(artículos por profesor/a) y otra relacionada con el impacto de la actividad (% de artículos
publicados en revistas del primer cuartil – las denominadas Q1-).
Tabla VI. Análisis de la productividad e impacto de la actividad investigadora de las universidades

públicas españolas durante el año 2020 en función del número de artículos publicados por profesor/a
y el % de artículos publicados en revistas Q1
ARTÍCULOS por
Universidad Comunidad %Q1
PROFESOR/A
UAB Cataluña 4.1 68.8
UCM Madrid 1.9 54.6
UJI Valencia 1.4 59.1
UMH Valencia 1.7 60.5
UPC Cataluña 1.9 70.6
UPV Valencia 1.6 62.7
UPF Cataluña 3.9 72.7
UPN Navarra 1.2 65.2
UPCar Murcia 1.3 58.6
UPM Madrid 1.3 63.5
UAM Madrid 3.5 62.4
UC3 Madrid 1.4 65.4
UBU Castilla y León 1.0 60.2
12
Las dietas más populares, a examen: ¿cuál es la más saludable y sostenible? (theconversation.com)
13
The Guide to Digital Service and Technology Partners | Gartner
38
UNICAN Cantabria 1.6 62.6

URIO La Rioja 1.2 59.9
USAL Castilla y León 1.2 56.6
UPO Andalucía 1.2 58.3
URJC Madrid 0.9 55.4
URV Cataluña 2.2 68.5
UdC Galicia 1.3 51.8
UAH Madrid 1.5 60.8
UA Valencia 1.2 54.1
UAL Andalucía 1.4 49.5
UB Cataluña 3.1 64.7
UCA Andalucía 1.1 58.4
UCLM Castilla La Mancha 1.2 52.8
UCO Andalucía 1.5 63
UNEX Extremadura 1.0 50.1
UdG Cataluña 1.6 63.3
UGR Andalucía 1.4 62.5
UHU Andalucía 1.0 50.4
UJA Andalucía 1.2 52.6
ULL Islas Canarias 1.1 71.6
ULPGC Islas Canarias 0.9 58.9
ULE Castilla y León 1.1 61.5
ULL Cataluña 1.5 64.1
UMA Andalucía 1.1 55.5
UMU Murcia 1.2 57.5
UNA Navarra 1.7 64.6
UNIOVI Asturias 1.5 58.5
USC Galicia 1.7 59.8
US Andalucía 1.2 59.8
UIB Islas Baleares 1.4 68
EHU/UPV País Vasco 1.2 66.4
UV Valencia 2.2 58.6
UVA Castilla y León 0.9 54.7
UVigo Galicia 1.4 60.2
39
UNIZAR Aragón 1.4 55.5
El proceso de diseño de la visualización tiene las siguientes etapas (Figura 26):

1. Meta: Representar un análisis bidimensional del desempeño investigador en cuanto a
la productividad e impacto de la investigación realizada por las universidades públicas
españolas.
2. Parámetros: Artículos publicados en revistas JCR de cada institución normalizadas al
número de profesores, así como el porcentaje de artículos Q1.
3. Opción de gráfico: Gráfico de cuadrante (“Quadrant chart – Scatter”).
Figura 26. Artículos por profesor/a versus %Q1 de las publicaciones en revistas del JCR
40
El gráfico permite, al igual que otros modelos, la definición de diversas características de

formato como, por ejemplo, el tipo de símbolo (color, tamaño), formato y escala del eje X e Y,
etc. La particularidad de este gráfico es la definición de los cuatro cuadrantes a partir de los
umbrales objetivo. En este caso, se considera como líneas de división de los cuadrantes el
valor medio de ambas variables analizadas: 1,69 artículos por profesor/a y 60,3 %Q1. Así, en
el apartado “Annotations” del menú se selecciona estos umbrales para su representación
(Figura 27).
Figura 27. Umbrales para la definición de los cuadrantes. Se sombrean las áreas con un color gris
creciente, correspondiendo el de mayor intensidad en el color al cuadrante de Gartner.
41
4.7. Caso F. Gráficos combinados: mapas y barras

La monitorización de los datos es esencial para determinar si
las acciones surgen los efectos deseados. Así, en el ODS
número 5, los datos especificados por género permiten
definir y calcular los indicadores adecuados para realizar un
seguimiento de los planes de igualdad a diferentes escalas.
El Grupo DIH 14 ha incorporado a su ranking, basado en el
índice h, un análisis específico teniendo en cuenta el género
y provincia de la institución de la afiliación de las
investigadoras.
A partir de los datos básicos se ha elaborado una primera tabla de datos relacionando las
investigadoras con las autonomías (Tabla VII). A continuación, se realizó una búsqueda en
Google Académico para su afiliación (Tabla VIII).
Tabla VII. Número de investigadoras
por autonomía
Comunidade AUTÓNOMA Número
Madrid 109
Cataluña 102 Tabla VIII. Número de investigadoras en Galicia en función de
Andalucia 51 su posición en el ranking
Valencia 46
Galicia 23 Número
Pais Vasco 23 Universidades TOP 50 TOP 100 TOP 250 TOP 500
Murcia 14 USC 3 4 8 14
Aragón 14 UVigo 1 3 5 5
Asturias 11 UDC 0 0 0 0
Castilla y León 10 CSIC 1 1 2 4
Navarra 7
Canarias 6
Cantabria 3
Baleares 3
La Rioja 2
Extremadura 1
Catilla La Mancha 1
Los resultados de aplicar las etapas en el proceso de diseño de la visualización son (Figuro 28):
1. Meta: Representar el número de investigadoras del SUG en el ranking del Grupo DIH
relacionado con el resto de las autonomías
14
Grupo DIH: https://indice-h.webcindario.com/
42
2. Parámetros: Nº de investigadoras en las diversas autonomías con la especificación

para Galicia de los datos de las tres universidades gallegas y el CSIC.
3. Opción de gráfico: Mapa de España por Comunidad Autónomas y gráfica de barras
para la especificación dentro de Galicia.
Figura 28. Número de investigadoras en el ranking elaborado por el Grupo DIH en cada Comunidad
Autónoma con la especificación de las universidades gallegas y los centros del CSIC a los que
pertenecen
4.8. Caso H. Gráficos combinados: pictogramas

Los gráficos de pictogramas emplean iconos para ofrecer una visión general más atractiva de
pequeños conjuntos de datos discretos. Estos iconos pueden tener una relación de semejanza
con la idea que se quiere representar. A continuación, se muestra el gráfico empleado en un
tuit del día 4 de marzo de 2022 15 para representar, con el motivo del día de la mujer, la
estructura de personal, por categoría y género, del departamento de ingeniería química.
Los resultados de aplicar las etapas del proceso de diseño de la visualización son:
1. Meta: Representar la estructura de personal docente e investigador (PDI), por
categoría y género, del departamento.
2. Parámetros: PDI del departamento (Tabla IX).
3. Opción de gráfico: Pictograma de barra múltiple.
15
https://twitter.com/feijoo_costa/status/1499843494017437698
43
Tabla IX. Datos del PDI do Departamento de Ingeniería Química
Categoría Hombres Mujeres

Catedrático/a 3 3
Titular 7 6
Contratado Doctor 3 4
Ayudante de Universidad 2 1
RyC y asimilables 2 4
La introducción de los datos en Flourish se realiza tal y como se muestra en la Figura 29. La
pestaña “Icons” permite elegir entre los iconos ya diseñados por defecto, o bien construir el
icono deseado. Es importante que el nombre de los parámetros de la categoría “Icon ID” de la
ventana “Data” coincida plenamente con la pestaña “Icon” de la ventana “Icons”, en este caso
son las palabras “Home” y “Muller” (Figura 30).
Figura 29. Datos de personal (vista parcial) en la ventana “data” y la indicación de los parámetros
para la visualización.
Figura 30. Especificación de los iconos. El nombre de los mismos debe estar en minúscula.
44
El listado de los iconos ya pre-diseñados es alto (unas 70): male, female, child, wheelchair,
angry, frown, meh, smile, smile-beam, thumbs-up, thumbs-down, hands-helping, hand-rock,
hand-peace, dollar-sign, euro-sign, etc. Los nombres del título, subtítulo, en los ejes y de la
leyenda se realiza de forma análoga a lo que se ha señalado en los casos prácticos previos. Así,
la visualización que se obtendría sería la indicada en la Figura 31.
Figura 31. Representación del pictograma (con círculos) de la estructura del departamento.
Al emplear, por ejemplo, como iconos “male” y “female” el resultado sería como se indica en
la Figura 32.
Figura 32. Representación del pictograma con iconos de hombre y mujer.
45
Para visualizar de forma más atractiva el gráfico se exportó la imagen al programa MS

PowerPoint donde se añadió el símbolo de género y los porcentajes para cada categoría junto
con la leyenda de los símbolos de las categorías profesionales (Figura 33).
Figura 33.
Figura 33. Visualización final combinando la figura creada en Flourish con los elementos gráficos
adicionales realizadas en MS PowerPoint.
46
5. REFERENCIAS
Cole Nussbaumer Knaflic (2017). Storytelling con datos. Ediciones Anaya Multimedia, Madrid.
Hans Rosling, Ola Rosling y Anna Rosling (2018). Factfulness: Diez razones por las que estamos
equivocados sobre el Mundo. Y por qué las cosas están mejor de lo que piensa.
Editorial Deusto, Barcelona.
Lorenzo-Toja, Y, Vázquez-Rowe, I., Amores, M.J., Termes-Rifé, M., Marín-Navarro, D., Moreira,
M.T., Feijoo, G. (2016). Benchmarking wastewater treatment plants under eco-
efficiency perspective. Science of the Total Environment 566-567:468-479
Sandra Rendgen, Julius Wiedemann (2018). Information Graphics. TASCHEN, London
Stephen Few (2013). Information Dashboard Design: Displaying Data for At-A-Glance
Monitoring. Analytics Press, El Dorado Hills (USA).
47
View publication stats

Contar Historias Con Datos

Cargado por

Copyright:

Formatos disponibles

Contar Historias Con Datos

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Contar Historias Con Datos

Cargado por

Copyright:

Formatos disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Contar una historia con datos: El arte de su visualización

Technical Report · May 2022

Gumersindo Feijoo Maria Teresa Moreira

SEE PROFILE SEE PROFILE

Water footprint View project

The user has requested enhancement of the downloaded file.

CONTAR UNA HISTORIA CON DATOS

EL ARTE DE LA VISUALIZACIÓN DE DATOS EN FLOURISH

María Teresa Moreira

1. PARADIGMA EN LA VISUALIZACIÓN DE DATOS

2. ERRORES COMUNES Y NO TAN COMUNES

MS Excel (versión 2010 o superiores) es capaz de proponer automáticamente diversos diseños

Figura 3. Gráfico de barras propuesto por MS Excel 2017 de forma automática

Figura 4. El gráfico de líneas visualiza la evolución temporal del sistema

No obstante, sigue existiendo un cierto exceso de información que se traduce en un efecto de

Figura 5. Gráfico de líneas donde se ha depurado la información más relevante

Problemas con el sistema de codificación. Desde mayo se produce un cambio en

Figura 6. Gráfico de líneas en la que se integra un texto con la explicación de la evolución

Figura 7. El exceso de color implica una clara dificultad en el seguimiento de la información

• “Preview”: Pantalla donde se visualiza el gráfico a realizar. El ejemplo indicado en la

Figura 11. Pantalla de introducción de los datos del gráfico seleccionado

Metodología para el diseño de una visualización

Definir la meta del proceso que determinará el diseño

Parámetros a incluir en el análisis pensando una

Selección de la tipología de gráfico y del subgráfico

Realización del gráfico y configuración de las

Tabla I. Número de investigadores e investigadoras de las tres universidades

CIENCIAS CC SALUD CC SOCIALES INGENIERÍA

Las etapas en el proceso de diseño de la visualización son:

Figura 13. Gráfico relacional del número

Figura 14. Resultado de la

4.2. Gráfico de jerarquía: visualización de la producción científica

Revista Campo Científico

BIOCATAL BIOTRANSFOR BIOTECHNOLOGY & APPLIED MICROBIOLOGY 1.627 5

Los resultados de aplicar las etapas en el proceso de diseño de la visualización son:

2. Parámetros: el campo científico o categoría donde se incluye la revista, índice de

Figura 14. Los artículos se

Figura 15. Los artículos

Revistas JCR en las que se

Esta modalidad de gráfico permite realizar

4.3. Caso C. Gráfico de burbujas: sistema multiparamétrico

Para ejemplarizar la potencialidad de un gráfico de burbujas se presenta el análisis de la

Gabon África 17.500 3,66 2.070.000

Madagascar África 1.460 4,08 26.300.000

Samoa Oceanía 5.950 3,88 198.000

United Arab Emirates Asia 68.200 1,72 9.540.000

Las etapas en el proceso de diseño de la visualización han sido:

Figura 18. Pantalla para la introducción de datos en el gráfico de burbujas

El resultado que se obtiene se muestra en la Figura 19 a partir de las siguientes características

4.4. Caso D. Mapas: Geolocalización de los datos

PAÍS* 2018 PAÍS 2018

Cyprus 7,75 Qatar 30,36

Las consideraciones para o proceso de diseño de la visualización son:

El resultado que se obtiene se muestra en la Figura 22 al introducir las siguientes

4.5. Caso E. Gráficos de redes: colaboración entre investigadores y universidades

G. Feijoo Univ. Arizona 2

M.T. Moreira National Technical University of Athens 2