Permíteme pintar una escena: obtienes un nuevo conjunto de datos y necesitas explorarlo, así que no cambias ni un solo número, pero haces tres visualizaciones diferentes. Si mostrara esas visualizaciones a tres personas diferentes, probablemente se irían con tres impresiones ligeramente diferentes de lo que significan los datos. Eso es una de las cosas que más me fascinan de la visualización de datos. A menudo hablamos de la visualización como si fuera simplemente el paso final en un pipeline de análisis de datos, ¡pero eso no es exacto en absoluto! La visualización no es solo una imagen de los datos; es una capa de interpretación entre los datos y la persona que los mira. Eso significa que cuando elegimos un gráfico, un eje, una escala, una agrupación, o incluso qué omitir, estamos tomando decisiones sobre la historia que el lector verá.

Cualquiera que trabaje con datos sabe que la parte difícil rara vez es solo poner un gráfico en la pantalla. La parte difícil es decidir qué gráfico mostramos. ¿Debemos centrarnos en la tendencia? ¿La diferencia entre grupos? ¿La variabilidad? ¿Los valores atípicos? Dos visualizaciones pueden ser completamente precisas y aún así llevar al espectador a conclusiones muy diferentes. Una pregunta importante aquí es: ¿Qué gráfico debo usar? Pero una mejor pregunta es: ¿Qué aspecto de los datos estoy pidiendo al lector que note?

Supongamos que quiero representar la relación entre cuánto tiempo alguien ha estado entrenando y su fuerza. Usando un gráfico de líneas simple, puedes ver que a medida que aumenta el tiempo de entrenamiento, la fuerza aumenta. Pero la línea hace que la relación parezca continua y casi lineal. En cambio, una representación escalonada enfatiza que la fuerza tiende a aumentar en etapas. Usar una escala logarítmica para la fuerza puede enfatizar grandes mejoras al principio, conocidas como "ganancias de novato". Ninguna escala es inherentemente más veraz.

Podemos ir aún más lejos: un diagrama de caja podría enfatizar la variabilidad entre sesiones de entrenamiento, un gráfico de barras podría comparar diferentes períodos de entrenamiento, y un diagrama de dispersión podría mostrar observaciones individuales. Los números no han cambiado; nuestra interpretación ha cambiado, y también el mensaje que estamos transmitiendo.