Todos hemos estado ahí. En una presentación, aparece una diapositiva abarrotada de números, con un gráfico de barras de 12 colores diferentes, líneas de cuadrícula por todas partes y un título genérico como “Ventas Q3”. El ponente dice: “Como pueden ver, los datos son claros”, pero la audiencia está perdida, sin saber dónde mirar ni qué conclusión sacar. A esto se le llama “data dump”: una descarga de datos sin historia, sin mensaje y sin impacto.
En 2015, Cole Nussbaumer Knaflic publicó un libro que se convertiría en la biblia para combatir este problema: “Storytelling with Data: A Data Visualization Guide for Business Professionals”. Este libro no es un manual técnico sobre cómo usar un software, sino una guía metodológica sobre cómo pensar. Nos enseña a pasar de simplemente mostrar datos a comunicar un mensaje de forma clara, concisa y convincente.
Este post es un resumen práctico de sus lecciones fundamentales, una guía que transformará la forma en que presentas tus insights.
El cambio de mentalidad fundamental: Exploración vs. Explicación
El primer y más importante concepto del libro es la distinción entre dos fases del trabajo con datos:
Análisis exploratorio: Esta es la fase en la que “buscas”. Te sumerges en los datos, los cortas, los visualizas de mil maneras, buscas patrones, outliers y correlaciones. El objetivo es entender los datos para ti mismo. Aquí, la complejidad es tu aliada.
Análisis explicativo: Esta es la fase en la que comunicas. Ya has encontrado los insights clave y ahora tu objetivo es transmitirlos a tu audiencia de la forma más simple y directa posible. Aquí, la simplicidad es tu mejor arma.
El error que la mayoría cometemos es presentar nuestro análisis exploratorio. Mostramos todos los caminos que tomamos, en lugar de mostrar solo el destino al que llegamos. “Storytelling with Data” se centra exclusivamente en el análisis explicativo.
Las 6 lecciones clave para contar historias con datos
El libro se estructura en torno a seis lecciones prácticas y secuenciales. Dominarlas te convertirá en un comunicador de datos mucho más efectivo.
1. Entiende el contexto
Antes de siquiera pensar en un gráfico, debes responder a tres preguntas cruciales:
¿A quién le estás hablando? (Tu audiencia): ¿Son expertos o novatos? ¿Qué saben ya del tema? ¿Qué prejuicios pueden tener?
¿Qué necesitas que sepan o hagan? (Tu mensaje): ¿Cuál es la única cosa que, si no recuerdan nada más, deben recordar de tu presentación? ¿Quieres que tomen una decisión, que cambien de opinión, que actúen?
¿Cómo puedes usar los datos para probar tu punto? (El soporte): ¿Qué datos tienes disponibles para respaldar tu mensaje de forma convincente?
Sin un contexto claro, estás diseñando a ciegas.
2. Elige una visualización efectiva
No todos los gráficos son iguales. Knaflic aboga por un arsenal pequeño pero potente de tipos de gráficos que son fáciles de interpretar.
Texto simple: Cuando solo tienes uno o dos números que mostrar, no necesitas un gráfico. Simplemente, muéstralos en grande.
Gráfico de barras: Es el caballo de batalla de la visualización. Úsalo siempre para datos categóricos. Son increíblemente fáciles de leer. (Y sí, el eje Y debe empezar en cero).
Gráfico de líneas: Ideal para mostrar datos continuos a lo largo del tiempo.
Diagrama de dispersión: Para explorar la relación entre dos variables numéricas.
¿Y los gráficos de tarta? Knaflic es famosa por su postura: evítalos. Los humanos somos muy malos para juzgar ángulos y áreas. Un gráfico de barras casi siempre comunicará la misma información de forma más clara y precisa.
3. Elimina el desorden (Clutter)
Esta es quizás la lección más famosa del libro. El desorden es cualquier elemento visual en tu gráfico que no añade valor informativo. Cada elemento debe tener un propósito. Si no lo tiene, elimínalo.
Checklist para eliminar el desorden: * Quita los bordes del gráfico. Son innecesarios. * Quita las líneas de la cuadrícula (gridlines). Si necesitas ayudar al lector a comparar valores, usa etiquetas de datos directamente. * Limpia las etiquetas de los ejes. Elimina decimales innecesarios y texto redundante. * Usa el color con moderación. No uses un color diferente para cada barra si no representa una categoría diferente.
El objetivo es maximizar la ratio de datos-tinta: la proporción de “tinta” (píxeles) usada para mostrar los datos frente a la tinta total del gráfico.
4. Enfoca la atención de tu audiencia
Una vez que has eliminado el desorden, tu gráfico es un lienzo limpio. Ahora, debes usar herramientas visuales para guiar la atención de tu audiencia exactamente hacia donde quieres que miren.
Para ello, usamos los atributos pre-atentivos: propiedades visuales que nuestro cerebro procesa en milisegundos, antes de que empecemos a pensar conscientemente. Los más importantes son:
Color: Usa un color neutro (como el gris) para la mayor parte de tu gráfico y un color de acento brillante para resaltar el dato más importante.
Tamaño y grosor: Haz que los elementos más importantes sean más grandes o más gruesos.
Posición: Nuestros ojos suelen empezar a leer en la esquina superior izquierda.
No uses estos atributos para decorar, úsalos para jerarquizar la información.
5. Piensa como un diseñador
Un buen diseño no es solo estética, es funcionalidad. Knaflic nos anima a adoptar principios básicos de diseño:
Alineación: Asegúrate de que los elementos estén alineados. Evita centrar el texto; alinear a la izquierda (para texto) o a la derecha (para números) es más limpio.
Espacio en blanco: No tengas miedo de los espacios vacíos. El espacio en blanco ayuda a reducir la carga cognitiva y a enfocar la atención.
Accesibilidad: Usa un contraste adecuado y elige paletas de colores que sean amigables para personas con daltonismo.
6. Cuenta una historia
Finalmente, une todas las piezas en una narrativa. Una historia tiene un principio, un desarrollo y un final. En una presentación de datos, esto se traduce en:
El principio (El contexto): Presenta el problema o la pregunta que estás abordando. Prepara el terreno.
El desarrollo (El análisis): Muestra los datos y los hallazgos clave. Guía a la audiencia a través de tu razonamiento, mostrando la evidencia que soporta tu mensaje.
El final (La conclusión y la llamada a la acción): Resume tu mensaje principal y, lo más importante, di a tu audiencia qué es lo que deben hacer ahora con esta información.
Ejemplo práctico en R: Antes y después
Veamos cómo aplicar estos principios a un gráfico básico de ggplot2.
Escenario: Queremos mostrar las ventas por categoría de producto, destacando que la categoría “Tecnología” es la que más vende.
Code
library(tidyverse)library(showtext) # La librería clave para las fuentes# --- PASO 2: Añadir la fuente desde Google Fonts ---# Le damos un nombre de "familia" que usaremos en ggplot: "robotocondensed"font_add_google("Roboto Condensed", "robotocondensed")# --- PASO 3: Activar showtext para que R lo use al renderizar gráficos ---showtext_auto()# Datos de ejemploventas <-tibble(categoria =c("Mobiliario", "Material de Oficina", "Tecnología"),total_ventas =c(742000, 719047, 836154))colores <-c("Mobiliario"="lightgray", "Material de Oficina"="lightgray", "Tecnología"="steelblue")
El “Antes”: Un gráfico por defecto (El Data Dump)
Este es el tipo de gráfico que ggplot2 produce por defecto. Es funcional, pero está lleno de desorden y no tiene un mensaje claro.
Code
ggplot(ventas, aes(x = categoria, y = total_ventas)) +geom_col() +labs(title ="Ventas por Categoría")
Antes: Un gráfico por defecto, funcional pero desordenado y sin foco.
El “Después”: Aplicando los principios de Storytelling with Data
Ahora, vamos a transformar este gráfico siguiendo las lecciones de Knaflic.
Code
# (El dataframe 'ventas' y el vector 'colores' se mantienen igual)ggplot(ventas, aes(x =reorder(categoria, total_ventas), y = total_ventas)) +geom_col(aes(fill = categoria), show.legend =FALSE, width =0.7) +# Lección 4: Enfocar la atención con etiquetas de datos directas# Las colocamos DENTRO de las barras para un look más limpiogeom_label(aes(label =paste0(scales::dollar(total_ventas, prefix ="", suffix =" €", big.mark =".", decimal.mark =",", scale =1/1000, accuracy =1), "K")), hjust =1.2, # Justificación horizontal para ponerlo dentrocolor ="steelblue", size =4.5, fontface ="bold",family ="robotocondensed" ) +# Lección 3: Eliminar el desorden y mejorar los ejes# Usamos coord_flip() para tener barras horizontales, mejor para etiquetas de categoríacoord_flip() +# MEJORA: Usamos scales para formatear el eje de ventasscale_y_continuous(labels = scales::dollar_format(prefix ="", suffix ="K €", scale =0.001),expand =expansion(mult =c(0, 0.05)) # Elimina el espacio al inicio del eje ) +scale_fill_manual(values = colores) +# Lección 6: Contar una historia (con el título)labs(title ="La categoría de Tecnología lidera las ventas con 836.154 €",subtitle ="Supera a las otras dos categorías, que se mantienen en niveles similares.",caption ="Fuente: Datos internos de ventas 2023" ) +# Lección 3 (continuación): Limpieza final con theme()theme_minimal(base_size =20) +theme(text =element_text(family ="robotocondensed"),panel.grid.major.y =element_blank(), # Quitamos líneas de grid verticales (ahora son Y)panel.grid.minor.x =element_blank(),panel.grid.major.x =element_line(color ="gray90", linetype ="dotted"), # Mantenemos líneas horizontales suavesaxis.title =element_blank(), # Quitamos títulos de ejesplot.title.position ="plot", # Alinea el título con el gráficoplot.title =element_text(face ="bold", size =18),plot.subtitle =element_text(size =12, margin =margin(b =15)),plot.caption =element_text(size =8, color ='steelblue', face ='bold') )
Después: Un gráfico limpio, enfocado y que cuenta una historia.
Análisis de los cambios: * Lección 2 (Visual efectiva): Mantuvimos el gráfico de barras, pero lo ordenamos de menor a mayor para facilitar la comparación. * Lección 3 (Eliminar desorden): Quitamos el fondo gris, las líneas de la cuadrícula y las etiquetas innecesarias de los ejes. * Lección 4 (Enfocar atención): Usamos el color gris para relegar a un segundo plano las categorías de comparación y un azul brillante para destacar “Tecnología”. Añadimos etiquetas de datos directas para que el lector no tenga que consultar el eje Y. * Lección 6 (Contar una historia): El título ya no es una descripción, es una conclusión. El subtítulo añade contexto.
Conclusión
“Storytelling with Data” no es un libro sobre reglas de diseño, es un manifiesto sobre la comunicación efectiva. Nos enseña que cada gráfico que creamos es una oportunidad para guiar, persuadir e informar. Al aplicar estas lecciones, dejas de ser un mero generador de gráficos para convertirte en un narrador de historias, un rol mucho más valioso en cualquier organización.
La próxima vez que vayas a crear una visualización, no te lances directamente al código. Detente un momento, piensa en tu audiencia, en tu mensaje y en la historia que quieres contar. Haz un borrador. Ese pequeño cambio de enfoque marcará toda la diferencia.
Para saber más
El libro: Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business professionals. John Wiley & Sons.
