Visualización de datos - ¿Qué es y por qué es importante?

¿Cuántas veces lee un artículo de investigación y pasa directamente a las tablas y figuras? Esto se debe a que las visualizaciones de datos tienen el poder de hacer comprensibles los grandes y complejos proyectos de investigación con miles de puntos de datos cuando los autores presentan los datos al público. Los investigadores crean representaciones visuales para ayudar a resumir los datos y dejar claras las vías para obtener información práctica.

Echemos un vistazo al proceso que emplean los investigadores para crear visualizaciones de datos y cómo ATLAS.ti puede ayudarle a proporcionar una representación visual de su investigación.

Visualizaciones de datos

En situaciones cotidianas, una imagen siempre vale más que mil palabras. Las ilustraciones, figuras y gráficos transmiten mensajes que las palabras por sí solas no pueden. En el ámbito de la investigación, la visualización de datos puede ayudar a explicar de forma ordenada los conocimientos científicos, las pruebas de las percepciones de los datos y los indicadores clave de rendimiento a partir de datos que, de otro modo, no estarían estructurados.

A pesar de los diversos formatos de datos de que disponen los investigadores, una parte significativa de la investigación cualitativa y en ciencias sociales sigue basándose en textos. Los ensayos, los informes y los artículos de investigación siguen basándose en prácticas de redacción destinadas a reempaquetar la investigación en forma de prosa. Esto puede dar la impresión de que escribir más persuadirá al público investigador. Sin embargo, enmarcar la investigación en formas visuales que sean fáciles de entender para los lectores a los que va dirigida facilita que la investigación se publique en revistas académicas revisadas por pares o que encuentre participación en conferencias académicas. Incluso en entornos profesionales o de mercado, la visualización de datos es esencial para comunicar a los demás los resultados de la investigación y las recomendaciones basadas en los datos.

La visualización de datos es importante porque facilita la comprensión de las conclusiones por parte del público al que se dirige la investigación. Además, la visualización de datos te ayuda a organizarlos de forma más eficiente. Como ilustrará más adelante la explicación de las herramientas de ATLAS.ti, la visualización de datos puede indicarle investigaciones de las que quizá ni siquiera sea consciente, ayudándole a sacar el máximo partido de sus datos.

La investigación emplea numerosas visualizaciones para ayudar a los investigadores a explicar sus datos, incluyendo

• tablas
• gráficos de líneas
• gráficos de barras
• gráficos circulares
• gráficos de dispersión
• pictogramas
• nubes de palabras
• mapas de calor

Cualquiera que sea la visualización de los datos, una buena visualización transmite sucintamente los puntos principales de los resultados de la investigación, al tiempo que ilustra los puntos de los datos con tal detalle que permite al público de la investigación comprender los datos y el análisis. En última instancia, la tarea de visualizar datos es inevitable en contextos de análisis de datos porque las visualizaciones pueden hacer visibles características o patrones en los datos que se habrían pasado por alto en enfoques basados en texto. Incluso en las ciencias sociales y otras disciplinas académicas, la publicación de un manuscrito de investigación depende de que se explique a los revisores cómo se recopilan, analizan y sintetizan los datos, lo que hace que la visualización de datos sea importante.

De los datos brutos a la visualización de datos

En sentido estricto, la función principal de la visualización de datos es aclarar el análisis de los datos, si no los propios datos. Especialmente en la investigación en ciencias sociales, la visualización de datos facilita ver cómo los científicos recopilan y analizan los datos.

Piense, por ejemplo, en la descripción minuto a minuto de un partido de fútbol. La secuencia de acontecimientos que describen una jugada tras otra, quién tiene el balón, quién se lo pasa a quién, quién marca un gol y cómo lo ha marcado constituyen los datos brutos que hay que analizar. Los expertos analizan los datos generando estadísticas como goles, asistencias, pases clave, ratios de posesión y paradas del portero. Estas estadísticas se visualizan de todo tipo de formas en los marcadores de caja y los perfiles de los jugadores, que ayudan a los aficionados a comprender los aspectos de un partido o un jugador en particular y a tomar decisiones sobre la calidad del juego que están viendo.

En el ejemplo anterior, las visualizaciones dependen de los análisis estadísticos que extraen la información pertinente de los datos brutos. En consecuencia, para visualizar los datos con rigor, es necesario tener una estrategia bien intencionada para analizar los datos brutos. En otras palabras, ¿cómo se miran los datos? ¿Qué busca cuando examina los datos?

Las decisiones que tome para recopilar y analizar los datos influirán en su visualización. Por ejemplo, si está realizando un estudio de mercado sobre la satisfacción de los clientes con un producto, puede plantearse las siguientes preguntas:

• ¿Cómo se identifica la satisfacción del cliente?
• ¿Cuál es la definición de cliente "satisfecho"?
• ¿En qué datos debería fijarse para interpretar la satisfacción del cliente?

Tal vez podría entrevistar a los clientes y escuchar qué palabras clave positivas y negativas utilizan para hablar de un producto. Como resultado, una nube de palabras podría ser la visualización de datos más adecuada para ese análisis. Sea cual sea el análisis que persiga, elegir la mejor visualización de datos para su investigación es una decisión importante.

Software de visualización de datos

Por supuesto, los científicos de datos con un conocimiento exhaustivo de sus datos pueden producir manualmente una visualización de datos significativa en plataformas como Microsoft Excel y Google Drawings. Sin embargo, es la organización y codificación de la investigación lo que es esencial para visualizar sus datos, que es donde ATLAS.ti puede ayudar. Por muy intuitiva que sea la mejor herramienta de visualización de datos, la preparación de los datos recopilados es esencial para que los procesos de análisis y visualización sean más fáciles y rápidos, tanto para usted como para otros usuarios.

Organizar los datos

Para facilitar el uso de las técnicas de visualización de datos, es importante tener en cuenta cómo deben organizarse los datos de tu proyecto de investigación. Una encuesta de mercado puede producir cientos o miles de registros de respuestas, por lo que es posible que desee separar las respuestas de los clientes satisfechos de las respuestas de los clientes insatisfechos para analizar las diferencias. Del mismo modo, si está realizando un estudio de entrevistas, podría beneficiarse de separar los documentos por características de los entrevistados.

Sin embargo, ¿qué ocurre si ha realizado múltiples entrevistas a los encuestados? Los grupos de documentos en ATLAS.ti pueden ayudarle a categorizar los documentos que comparten una característica común. Los grupos de documentos proporcionan una unidad conveniente de análisis para muchas de las herramientas de análisis de ATLAS.ti. Puede pensar en un grupo de documentos como una carpeta que contiene un conjunto de documentos individuales.

A diferencia de los documentos físicos en carpetas de archivos, los documentos en ATLAS.ti se pueden asignar a múltiples grupos que pueden resultar útiles para la posterior visualización de datos. En el ejemplo del estudio de entrevistas, los documentos que representan entrevistas individuales pueden clasificarse en múltiples grupos según el género, grupo de edad, etnia o satisfacción del cliente. Junto con las herramientas de codificación y visualización de datos de ATLAS.ti, los grupos de documentos pueden ayudarle a crear visualizaciones útiles comparando conjuntos más amplios de datos. En lugar de comparar entrevistados individuales, por ejemplo, puede comparar la satisfacción del cliente a través de diferentes grupos de edad o etnias.

Codificación de datos

La visualización de datos sólo es eficaz para explicar la investigación a otras personas si el investigador o el científico de datos pueden dar sentido a los datos que tienen delante. La investigación con datos no estructurados y no numéricos (en otras palabras, cualitativos) exige codificar los datos con códigos breves y descriptivos que puedan analizarse posteriormente.

Estos códigos constituyen los datos básicos de un análisis cualitativo significativo. Representan la estructura de los conjuntos de datos cualitativos, sin la cual no puede generarse una visualización rigurosa. En la mayoría de los aspectos, la visualización de datos de un proyecto de investigación cualitativa requiere codificar todo el conjunto de datos para que los códigos representen adecuadamente los datos recopilados.

Visualización de macrodatos

Sin embargo, los macrodatos plantean un reto importante para este proceso, especialmente cuando la enorme cantidad de trabajo que implica el análisis de macrodatos hace que el proceso de codificación manual que conduce a la visualización de datos sea prácticamente inviable. Como resultado, la ciencia de datos ha desarrollado la inteligencia artificial y el aprendizaje automático para analizar y predecir el significado de datos complejos.

ATLAS.ti tiene una serie de herramientas de IA que ayudan con el proceso de codificación para que pueda crear visualizaciones de big data, datos de negocio, o simplemente datos de proyectos de cualquier tamaño o escala. Mediante la aplicación de aprendizaje automático a los grandes datos, ATLAS.ti puede sugerir automáticamente códigos para sus datos, ahorrando tiempo cuando se trabaja en grandes proyectos y haciendo más fácil los proyectos más pequeños cuando usted está buscando ideas útiles o nuevas vías para analizar los datos.

Codificación AI le da automáticamente un informe sobre los códigos que aplica con más frecuencia a sus datos, así como qué códigos co-ocurren juntos con más frecuencia. Se trata de una herramienta útil para la visualización de datos de conceptos que la inteligencia artificial detecta en su proyecto de investigación.

Reconocimiento de entidades nombradas

La IA puede distinguir los nombres propios (por ejemplo, Nueva York, Universidad de Oxford) de los nombres comunes (por ejemplo, árbol, libro), que es una capacidad útil cuando se está llevando a cabo una investigación sobre marcas, empresas, instituciones o grupos de personas. ATLAS.ti incluye esta capacidad de IA en su herramienta de Reconocimiento de Entidades Nombradas para facilitar la aplicación de códigos a nombres propios.

Supongamos que está realizando entrevistas para un estudio de mercado en el que se pregunta a los encuestados por los nombres de marca más comunes que reconocen. Si el objetivo de su investigación es determinar las marcas más reconocibles, el Reconocimiento de Entidades Nombradas puede examinar las transcripciones de las entrevistas, identificar esas marcas y aplicar los códigos correspondientes a esos segmentos de datos. A continuación, puede observar las frecuencias de los códigos en su proyecto para hacerse una idea de qué códigos, y por tanto qué marcas, mencionan con más frecuencia los entrevistados.

Herramientas de visualización de datos de ATLAS.ti

Entre las diversas herramientas de visualización de datos del mercado, ATLAS.ti es una plataforma de análisis de datos ideal para producir representaciones visuales de datos cualitativos. Tanto si está desarrollando inteligencia de negocio o teoría de ciencias sociales, ATLAS.ti tiene múltiples métodos de visualización de datos para ayudarle a ilustrar el análisis de su investigación a usted mismo y a su audiencia de investigación.

Frecuencias de Palabras

En Frecuencias de Palabras, la Nube de Palabras y el Mapa de Árbol son herramientas útiles de visualización de datos para mostrar qué palabras aparecen con más frecuencia que otras. Puede limitar el análisis a un conjunto de documentos o a un conjunto de citas de un código concreto. Incluso puede ajustar la configuración para limitar la nube de palabras a determinadas partes de la oración (por ejemplo, los verbos más utilizados). La nube de palabras resultante ilustra qué palabras se utilizan con más frecuencia en sus datos.

Análisis de Co-Ocurrencias

El Análisis de Co-Ocurrencia es una poderosa herramienta para demostrar la relación entre códigos, representada por el número de veces que "co-ocurren" o se aplican juntos en sus datos. En la investigación cualitativa, esta co-ocurrencia es esencial para comprender en qué medida los distintos fenómenos sociales se relacionan entre sí.

Por ejemplo, supongamos que su investigación se refiere a los sentimientos sobre los nombres de marca. Supongamos que ha utilizado el Reconocimiento de Entidades Nombradas para identificar marcas junto con las herramientas de Análisis de Sentimiento o Minería de Opinión para codificar los sentimientos positivos y negativos. En ese caso, puede cruzar los códigos de las marcas con los códigos de los sentimientos para determinar si las marcas coinciden con sentimientos positivos o negativos. La visualización de datos en la herramienta Análisis de co-ocurrencias puede adoptar la forma de una simple tabla, un gráfico de barras, un gráfico de fuerzas o un diagrama de Sankey. El diagrama de Sankey es una potente visualización de datos que ilustra la fuerza de una relación entre códigos relativa a otras relaciones.

Análisis Código-Documento

La herramienta de Análisis Código-Documento funciona de forma similar al Análisis de Co-Ocurrencia en que puede realizar una visualización de datos a través de gráficos, tablas o diagramas de Sankey. La Tabla Código-Documento es útil para ilustrar las relaciones entre documentos (o grupos de documentos) y códigos (o grupos de códigos).

Si ha estructurado sus datos por documentos (por ejemplo, entrevistas con diferentes encuestados, observaciones por días, etc.), un Análisis Código-Documento puede darle una idea de qué códigos están asociados con qué documentos. Con esta visualización de datos, puede distinguir entre distintos tipos de documentos (p. ej., entrevistados con sentimientos positivos, entrevistados con sentimientos negativos) y limitar su análisis en consecuencia.

Redes

Cuando necesite una visualización de datos que ilustre teorías o conceptos generados a partir de sus datos, o simplemente necesite organizar visualmente su pensamiento analítico, puede utilizar la herramienta Redes para dibujar conexiones entre sus códigos. Una red es una serie de nodos que representan los distintos elementos de su proyecto (por ejemplo, códigos, citas, documentos, notas, grupos). Cuando se conecta visualmente a través de enlaces, una red puede proporcionar un sentido visual de la teoría o el marco que se deriva de la investigación. De lo contrario, puede ayudarle a desarrollar su pensamiento de forma visual para apoyar su análisis.

TreeMaps

La herramienta TreeMaps produce una visualización ilustrativa de datos de códigos y documentos, donde el desarrollo de cada elemento del proyecto está representado por el espacio que ocupa en el TreeMap. Al igual que con los mapas de árbol de la herramienta Frecuencia de palabras, un mapa de árbol de los códigos de un proyecto puede indicarle qué códigos aparecen con más frecuencia en sus datos. Su prominencia en un TreeMap puede indicar dónde se encuentran los patrones potencialmente significativos, y al hacer clic en cualquier espacio de un TreeMap se mostrarán las citas relevantes en un solo lugar para permitir un fácil análisis de los datos más significativos.

Otras herramientas de visualización

En ciertos puntos del proceso de análisis de datos, una representación gráfica más detallada de sus datos requerirá herramientas fuera de ATLAS.ti. Los investigadores a menudo utilizan un programa de análisis de datos como ATLAS.ti junto con programas como Microsoft Excel. Puede exportar datos de ATLAS.ti a Microsoft Excel para crear visualizaciones de datos como diagramas de dispersión, gráficos circulares y gráficos de líneas. Los usuarios más avanzados de Microsoft Excel también pueden crear gráficos interactivos, pero todo comienza con el análisis cualitativo de los datos en ATLAS.ti.

¿Cuál es la herramienta de visualización de datos adecuada para su investigación?

¿Cómo elegir la mejor herramienta de visualización de datos para su proyecto? Como con cualquier herramienta analítica, la herramienta de visualización adecuada depende de la naturaleza de su investigación.

Describir conceptos

Uno de los principales objetivos de la investigación cualitativa es describir los aspectos de un fenómeno social. ¿Qué factores considera importantes la gente para definir la felicidad? ¿Qué cualidades hacen que una película sea buena? ¿Cuáles son las diferentes consideraciones relativas a la satisfacción del cliente?

En ATLAS.ti, las herramientas de visualización de datos proporcionan la capacidad de ilustrar los códigos utilizados con más frecuencia en su proyecto. Como se ha explicado anteriormente, TreeMaps puede ayudar a identificar las cualidades o consideraciones representadas por los códigos de su proyecto e ilustrarlas a su audiencia de investigación.

Dibujar conexiones

Alternativamente, puede tomar los códigos más frecuentes y representarlos y vincularlos en una red para ilustrar mejor las correlaciones y relaciones causales dentro de una teoría de trabajo representada por códigos. La visualización de una teoría identifica los elementos clave de los fenómenos sociales en los datos brutos no ordenados, así como las conexiones entre ellos.

Las herramientas Análisis de Co-ocurrencias y Análisis de Código-Documento pueden crear visualizaciones como gráficos de barras o diagramas de Sankey para proporcionar pruebas de apoyo de las conexiones en sus datos. Las redes también son útiles para comprender las conexiones entre los elementos de su proyecto. Dentro de las redes, puede establecer manualmente vínculos entre códigos si percibe una relación entre códigos que desea explicar al público de su investigación.