Cuando se desarrolla un Dashboard, sobre todo al iniciar en aquel mundo, es común querer dar todas las facilidades visuales posibles al usuario del mismo para que entienda sus datos y profundice en los mismos. No medirse en aquellas facilidades visuales puede ser un error, al final podría contener tantísimos aspectos visuales que la lectura de la información se complica. A continuación, se muestran las 5 dificultades visuales más comunes a la hora de construir un Dashboard:
1. Abusar de los colores
Los colores tienen una gran importancia a la hora de establecer alertas, llamados a la atención o darle un aspecto amigable al Dashboard. Cuando estos colores son malinterpretados, todo un análisis podría ser errado, aunque los colores corporativos son importantes quizás no es la mejor opción para una visualización.
- Un color como por ejemplo el rojo en occidente significa peligro: alerta de cifras negativas, decrecimientos; en oriente significa buena suerte y abundancia. No siempre el color da un solo significado.
- En la audiencia puede haber personas daltónicas, a tener cuidado con los colores que se utilizan para las gráficas. (Evitar colores Verde y Rojo)
- El contraste entre colores de la misma gama bajo un mismo objeto de análisis o incluso con el fondo del dashboard puede llevar a lecturas erróneas.
- Los colores y las formas contrastando juntas pueden llevar a ilusiones ópticas de percepción del tamaño.
- Se recomienda Utilizar paleta de colores bajo la teoría del proceso oponente de la visión cromática (blanco, negro, azul, amarillo, verde, rojo)
2. Uso indebido de los gráficos de torta
Podría decirse que el gráfico de torta es, entre los demás, uno de los más apetecidos a ser incluidos en un tablero, y seguramente es el que menos valor aporta en el proceso de análisis visual. Un gráfico de torta es difícil de leer, provoca ilusiones ópticas de percepción de tamaño y es una terrible idea para comparar datos. Si se intenta incluir demasiada información sobre el mismo se obtendrá como resultado pequeñas porciones de un todo que no están ni cerca de ser comparables o legibles.
El exceso de datos sobre la gráfica lleva a que el usuario del tablero que insatisfecho con su lectura e incluso confundido por la complejidad de la identificación de cada concepto de análisis sobre la gráfica. Si por el contrario el conjunto de datos a plasmar es limitado, cuenta con máximo 5 conceptos de análisis distinguibles entre ellos y la lectura de cada sector del gráfico no se dificulta, podría llegar a ser una opción de objeto de análisis, sin embargo, hay mejores opciones de visualización.
- Cabe recordar que un gráfico de torta está correctamente utilizado si se comparan partes de un todo y no comparar diferentes conjuntos de datos.
- Es indispensable ordenar los sectores del gráfico de mayor a menor para que la lectura sea mucho más cómoda y se eviten ilusiones de percepción óptica.
3. Poca claridad visual
Todo exceso es malo. Igual ocurre en los datos, el exceso de información sobre un mismo objeto de análisis sumado a los elementos gráficos innecesarios sobre el gráfico (diferentes diseños de barras, demasiadas métricas, escalas entre datos muy diferentes, colores que no contrastan, entre otros) sobrecargan la visualización y pueden llevar por caminos equivocados al analista, la información oculta en los datos no saldrá a la luz y por tanto las conclusiones serán imprecisas e incluso erradas. A continuación, brindamos algunos consejos:
- Utiliza dos ejes en las gráficas que sea posible, como por ejemplo en gráficas de barras, cuando las métricas a comparar difieran demasiado en sus valores, por ejemplo, para comparar Ventas en dinero vs Ventas en cantidad.
- Se recomienda tener un máximo de entre cinco y nueve KPI construidos y utilizados a lo largo del modelo analítico.
- Menos es más. No es necesario saturar la capa visual con visualizaciones con múltiples dimensionalidades y métricas sobre un mismo objeto, entre menos información para interpretar, mucho más sencillo será entender el flujo de datos y sacar conclusiones.
- Mantenga el tablero limpio, elimine elementos visuales que recarguen la visualización, pero no aporten al análisis de la información: los bordes de tabla, títulos de muchos colores, textos difuminados, etiquetas estáticas de valores, íconos que consuman espacio, diferentes fondos de dashboard; si es cierto que algunos de éstos harán ver mejor el reporte/tablero pero es probable que sea muy pesado a la vista.
4. Diseño deficiente
Una gráfica bonita no es equivalente a una gráfica funcional. Toda gráfica tiene su razón de ser y un porqué para ser utilizada, habrá gráficos con diferentes finalidades de análisis, por ejemplo:
- Gráficos para comparar: Gráfico de barras, Gráfico de líneas
- Gráficos para relacionar: Gráfico de dispersión
- Gráficos para ver composición: Gráfico de barras, gráfico de líneas, gráfico de torta, gráfico de cascada, treemap.
- Gráficos para distribuir: Histograma, gráfico de dispersión, gráfico de distribución, gráfico de cajas.
- Gráficos para evaluar desempeño: Tacómetro, KPI, Texto e Imagen
- Gráficos de detalle: Tabla simple, Tabla pivotante.
- Gráficos de geografía: Mapas
Para que las gráficas hablen por si solas deben ser utilizadas con la finalidad correcta, según sea la necesidad de negocio. No está bien crear objetos de análisis por crearlos con el fin de obtener un tablero de control bonito, es necesario caer en el diseño de los mismos, trabajar de la mano con diseñadores para que las gráficas, entre ellas, guíen al usuario en su análisis y sea lo más efectivo posible.
5. Datos incorrectos
Se escucha mucho en tecnología la siguiente frase: Garbage in, Garbaje out (GIGO). Es natural pensar que en la capa visual todo será análisis fluido y veraz, pero lo cierto es que: datos erróneos que entren al sistema, son datos erróneos que se verán reflejados en los tableros de control. Si por alguna razón se obtienen datos inesperados o atípicos en la capa visual entonces probablemente hay existencia de datos incorrectos en la fuente de datos.
Por suerte, la misma capa visual guiará el proceso para detectar aquellos problemas con los datos, aunque claro, con conocimiento de negocio de por medio. Los problemas de datos deben ser abordados antes de presentar la información resultante de los mismos en el cuadro de mando. Por medio de transformación, limpieza y calidad del dato, se logrará plasmar una única verdad oportunamente para el consumo de todos los analistas de la compañía.
Algunos consejos son:
- Recuerde que las visualizaciones simplemente mostrarán los datos que se carguen al modelo analítico.
- Aprenda a identificar casos de descubrimientos inesperados y casos de problemas con los datos.
- En fuentes de datos con alto porcentaje de probabilidad de existencia de error humano, mantenga lineamientos para diligenciar los datos junto con su tratamiento. No olvide los estándares, la revisión constante, la depuración, eliminación de duplicidad, etc.
- Tenga en mente siempre las seis dimensiones de la calidad de datos: Completitud, Conformidad, Consistencia, Precisión, Duplicidad, Integridad.
Sobre nosotros:
En nuestra experiencia desarrollando soluciones de toma de decisiones, hemos sido participes de la evolución del movimiento ágil. Ponemos a tu disposición este conocimiento. Te invitamos a conocer las soluciones de Business Intelligence (BI), y Planificación Financiera que Rollup Consulting puede ofrecerte para involucrarte en la cultura de la analítica de datos ágil.
