Mejores prácticas de visualización de datos: una guía práctica para crear gráficos claros, honestos y efectivos

Richard Tomlinson ha pasado la mayor parte de su carrera ayudando a las organizaciones a trabajar con sus propios datos, lo que incluye lograr que su propio personal confíe en ellos. Tanto en roles de BI como de producto, ha visto repetirse el mismo patrón de fracaso: dashboards creados con buenas intenciones que la gente dejó de usar silenciosamente. Ahora que la AI puede generar un gráfico en segundos, su experiencia le dice que el "autoservicio" tiene que significar algo más que rapidez.

En esta conversación, Richard explica por qué los dashboards pierden la confianza mucho antes de perder un buen diseño, qué cambia realmente la AI respecto a ese problema y qué debe aportar la gente a un gráfico que ninguna asistencia de AI puede proporcionar por sí sola.

¿Por qué la gente deja de usar los dashboards de BI?

Cuéntame sobre algún dashboard que hayas visto fracasar. No uno que se viera mal, sino uno que la gente simplemente dejó de abrir.

Richard Tomlinson: Los dashboards que fracasan no son necesariamente feos. A menudo fallan porque alguien ve un número en el que no cree y no puede entender rápidamente por qué está ahí.

Imagina a un ejecutivo que abre un dashboard de ingresos el lunes por la mañana y ve una cifra diferente a la del informe que Finanzas distribuyó el viernes. No sabe si el dashboard está utilizando una definición de ingresos diferente, un tiempo de actualización distinto, un filtro diferente o simplemente datos incorrectos. Si tiene que preguntar a un analista para averiguarlo, el dashboard ya ha fallado en una de sus tareas más importantes.

La confianza suele desaparecer mucho más rápido de lo que se construye. Los usuarios rara vez abren un ticket para decir que ya no confían en la plataforma de BI. Simplemente dejan de abrirla sin decir nada y vuelven a las hojas de cálculo, a los analistas o a los informes preparados manualmente.

Por eso creo que una buena visualización comienza antes de la visualización misma. Un gráfico claro no puede compensar una métrica poco clara, una fuente dudosa o una definición de negocio inconsistente. En un entorno de analítica impulsado por AI, esto importa aún más, porque los usuarios pueden generar muchos más análisis mucho más rápido. Si los datos subyacentes, la semántica y la gobernanza son inconsistentes, la AI terminará ayudándote a producir gráficos inconsistentes más rápido.

Las mejores experiencias de analítica modernas vuelven a conectar la visualización con sus datos y su significado, de modo que haya una única versión de la verdad en cada interfaz en lugar de cinco. Por ejemplo, los conjuntos de datos de Databricks AI/BI Dashboard heredan la gobernanza de Unity Catalog, y la plataforma mantiene el linaje entre los activos de datos. Eso significa que un usuario que dude de un número puede rastrearlo hasta su origen en lugar de descartar todo el sistema.

¿Qué deberían priorizar los líderes al adoptar herramientas de dashboards de AI?

A medida que la AI transforma la forma en que usamos los datos e interactuamos con ellos, ¿qué deberían priorizar los líderes al incorporar nuevas herramientas de dashboards de AI?

Richard Tomlinson: Me gusta la idea de la "deuda de confianza", porque las organizaciones la acumulan cada vez que los usuarios encuentran dos versiones de la misma métrica, una discrepancia sin explicar, un dashboard desactualizado o una respuesta que no pueden verificar.

La AI puede empeorar sustancialmente esa deuda, porque cambia la economía de la analítica. Las organizaciones solían crear cientos o incluso miles de dashboards seleccionados a lo largo de los años. Con la AI generativa, cualquiera puede crear un nuevo gráfico en segundos y, con la creación agéntica, la AI ahora puede crear rápidamente un dashboard completo de varias páginas, incluidos conjuntos de datos, visualizaciones, filtros y diseño.

Por ejemplo, Genie Code de Databricks puede tomar un objetivo en lenguaje natural, encontrar los datos relevantes, crear conjuntos de datos, generar visualizaciones, configurar filtros, organizar páginas y perfeccionar el resultado mucho más rápido de lo que solía tardar. Eso representa una ganancia real de productividad, pero cambia lo que los líderes deben gobernar, ya que no se puede revisar a mano cada gráfico generado por AI.

Por lo tanto, mi respuesta es que priorizaría cuatro cosas:

1. Gobernar los datos, para que la AI herede los mismos permisos y controles que se aplican en cualquier otro lugar.
2. Gobernar el significado, para que las medidas y dimensiones importantes provengan de definiciones de negocio reutilizables en lugar de reinventarse cada vez que alguien genera un gráfico.
3. Preservar la procedencia, para que el usuario pueda entender qué datos y qué cálculos produjeron un resultado importante.
4. Diseñar para la inspección, de modo que las visualizaciones inviten a hacer preguntas de seguimiento, filtrar y profundizar, en lugar de presentar una respuesta sin explicar como un hecho absoluto.

Una buena gobernanza en realidad permite un mayor autoservicio. Con bases sólidas, la AI puede generar de manera segura muchas más experiencias analíticas sin que un equipo central de BI tenga que diseñar cada una a mano.

¿Dónde fallan los gráficos generados por AI?

Cuando un asistente de AI genera el gráfico, toma decisiones basadas en la estructura de los datos, no en la decisión que la persona intenta tomar. ¿Dónde falla eso?

Richard Tomlinson: Ajustaría un poco esa premisa. Los asistentes de AI modernos utilizan más que solo la estructura de los datos. También pueden interpretar la solicitud y su contexto. Si digo: "Muestra cómo han cambiado los ingresos en los últimos 12 meses", eso implica una serie temporal. Si pregunto: "¿Cuáles son las cinco regiones que generan más ingresos?", los mismos datos podrían apuntar a un gráfico de barras ordenado. Idealmente, los autores deberían poder describir las visualizaciones en lenguaje natural, razón por la cual Databricks ya permite que Genie Code planifique y cree múltiples visualizaciones como parte de un objetivo de dashboard más amplio.

Donde la AI todavía tiene dificultades es en el propósito. Un conjunto de datos te dice qué valores están disponibles. Un prompt te dice qué preguntó alguien. Ninguno de los dos te dice de manera confiable quién va a usar la visualización, qué decisión está intentando tomar, qué comparación importa más, qué debería llamar la atención primero, qué nivel de precisión se requiere, qué contexto ya entiende la audiencia o qué podría interpretarse erróneamente.

Supongamos que una métrica ha bajado del 94% al 91%. La AI puede graficar esa disminución correctamente, pero el hecho de que sea catastrófica o un ruido irrelevante depende completamente del contexto de negocio, el cual no se encuentra en ningún lugar del conjunto de datos. Por eso, el rol humano está pasando de dibujar gráficos a especificar la intención y aplicar el criterio. La AI puede hacer el trabajo mecánico de crear una visualización, pero alguien todavía tiene que decidir qué se supone que debe comunicar y si es precisa.

¿Por qué el BI heredado produce analíticas deficientes incluso cuando los datos son precisos?

¿Cuáles son los otros desafíos que surgen en los sistemas heredados, más allá de los datos inexactos o faltantes?

Richard Tomlinson: Los problemas más difíciles no surgen por la falta de filas, sino por la falta de contexto. Un entorno de BI heredado puede contener datos precisos y, aun así, producir analíticas deficientes porque la lógica de negocio se ha fragmentado en dashboards, campos calculados, extractos, modelos semánticos, hojas de cálculo y conocimiento institucional.

Terminas con cinco definiciones diferentes del mismo KPI y nadie está seguro de qué dashboard es el canónico. La lógica de cálculo reside dentro de informes individuales, los usuarios tienen que saber qué herramienta y pestaña contienen la respuesta, y cambiar una definición significa rastrear cada lugar donde se duplicó.

La AI expone ese problema muy rápidamente. Un asistente puede entender correctamente la pregunta y, aun así, no tener una forma confiable de determinar cuál de las cinco definiciones de ingresos considera autorizada la empresa. Por eso, la pieza que falta no es simplemente conectar un modelo de lenguaje a una capa de visualización. Los dashboards impulsados por AI necesitan una base de datos gobernados, además de semántica y contexto de negocio reutilizables.

Incluso Microsoft advierte en su guía actual de Power BI que los resultados de Copilot pueden ser de baja calidad o engañosos si los datos subyacentes, el modelo semántico y los usuarios no se han preparado adecuadamente. Databricks aborda el mismo problema al reunir dashboards, conjuntos de datos gobernados, semántica de negocio y analítica conversacional en una sola base de datos gobernada. Los conjuntos de datos de AI/BI pueden extraerse directamente de tablas, vistas y Metric Views, así como heredar los permisos de Unity Catalog. Esa arquitectura importa más en un mundo donde la AI es lo primero, porque la AI necesita reutilizar el significado de negocio en lugar de reconstruirlo cada vez que crea un gráfico.

¿Cómo escribir mejores prompts de AI para gráficos y dashboards?

¿Cuáles son los hábitos de las personas que obtienen constantemente lo que necesitan de un asistente de AI sin tener que hacer tres rondas de seguimiento?

Richard Tomlinson: Los usuarios exitosos proporcionan contexto de decisión, no solo instrucciones para el gráfico. Un prompt débil es: "Muestra las ventas por producto". Uno mucho más fuerte es: "Estoy preparando nuestra revisión semanal de ventas. Muestra qué categorías de productos contribuyeron más al cambio en los ingresos en comparación con el trimestre anterior. Haz que los mayores contribuyentes positivos y negativos sean fáciles de identificar". La segunda versión le indica a la AI la audiencia, la comparación, la métrica y el propósito de la visualización.

Proporcionar este tipo de contexto puede mejorar drásticamente los prompts analíticos. ¿Qué estoy intentando entender? Plantea la pregunta de negocio en lugar de simplemente nombrar un conjunto de datos. ¿Qué debería comparar? Períodos de tiempo, regiones, segmentos, plan frente a real o antes frente a después. ¿Qué definición de métrica importa? Si hay alguna ambigüedad, especifica la métrica de negocio en lugar de dejar que la AI invente una. ¿Para quién es esto? Un dashboard ejecutivo y la exploración de un analista generalmente necesitan niveles de detalle completamente diferentes. ¿And qué decisión debería respaldar esto? Esta es la parte que la gente suele omitir con más frecuencia.

También está ocurriendo otra transición. Unos mejores sistemas de AI deberían reducir, en primer lugar, la cantidad de prompt engineering que se necesita realizar. Los sistemas agénticos pueden, cada vez más, aclarar requisitos ambiguos, inspeccionar los datos disponibles, diseñar un plan analítico e iterar sobre el resultado. Por ejemplo, Genie Code puede descubrir datos, crear conjuntos de datos y visualizaciones, y perfeccionar progresivamente un dashboard en lugar de requerir que el autor detalle cada paso de la implementación. Esto no significa que en el futuro todo el mundo tenga que convertirse en un experto en prompt engineering de primer nivel; se trata de que los humanos se vuelvan buenos expresando su intención mientras los agentes mejoran en la gestión de la implementación.

¿Cuáles son las mejores prácticas de visualización de datos en la era de la AI?

A medida que las personas comienzan a realizar consultas de AI directamente sobre dashboards, consultas y pipelines, ¿cómo cambian las características de un "buen" diseño de visualización?

Richard Tomlinson: Este podría ser el cambio más interesante de todos. Antes, una visualización solía ser el destino final. Alguien abría un dashboard para ver gráficos predefinidos por un analista. Esto les ayudaba a comprender los datos, pero ahí es donde se detenía la transferencia de información.

Con la AI, interactuar con las visualizaciones se parece más a una conversación. Un usuario hace una pregunta, el sistema genera una respuesta y tal vez un gráfico, el gráfico revela algo interesante, el usuario pregunta sobre eso, luego el sistema ejecuta otro análisis y produce otra visualización. La experiencia es dinámica, no predefinida.

Los Dashboards de AI/BI ya tienen esto en cuenta. Un dashboard publicado puede incluir un Genie Agent complementario que permite a los espectadores hacer preguntas en lenguaje natural sobre los datos subyacentes en lugar de limitarse a algo estático.

Esto significa que el primer gráfico no necesita anticipar cada pregunta posible. Solo tiene que comunicar la información clave de forma clara y hacer que la siguiente pregunta sea obvia y fácil de formular.

Todo esto nos lleva a las cuatro características que desea ver en sus visualizaciones de la era de la AI. Deben ser:

1. Autoexplicativas, porque un gráfico generado puede aparecer fuera del dashboard donde se originó, por lo que los títulos, las unidades, los períodos de tiempo y las métricas deben entenderse por sí solos.
2. Trazables, para que los usuarios puedan entender de dónde proviene un número importante.
3. Interactivas, de modo que el filtrado, la exploración en profundidad y el seguimiento conversacional le permitan pasar de forma natural de la observación a la investigación.
4. Sensibles al contexto, para que la visualización refleje la pregunta del usuario y la terminología empresarial, en lugar de simplemente graficar cualquier campo que se haya devuelto.

También hay una implicación más profunda aquí. Los dashboards, las consultas, los pipelines y los documentos ya no son solo cosas que consumen los humanos. Los artefactos analíticos ahora pueden convertirse en parte del conocimiento legible por máquina de una organización, no solo en su capa de presentación. Pueden convertirse en el contexto que los sistemas de AI utilizan para comprender cómo funciona la organización. Por ejemplo, Genie Code ya permite a los autores hacer referencia a tablas, pipelines, notebooks, consultas y archivos como contexto al crear una experiencia analítica.

¿Por qué los usuarios dejan de confiar en la analítica de autoservicio?

¿Cuál es el patrón justo antes de que alguien deje de confiar en la analítica de autoservicio y vuelva a preguntar directamente a un analista?

Richard Tomlinson: Por lo general, el problema no es que el sistema no le dé nada a alguien. Más bien, les da algo plausible que no pueden conciliar con lo que ya saben. Tal vez un número parece incorrecto, o cambian un filtro y obtienen un resultado inesperado, o dos dashboards no coinciden y no pueden saber qué definición se está utilizando. Es posible que hagan una pregunta de seguimiento y obtengan otro gráfico, pero este no explica la discrepancia.

En ese momento, alguien tiene dos opciones: seguir depurando el sistema analítico por sí mismo o enviar un mensaje a alguien y preguntarle. Una vez que preguntar a una persona es más rápido que verificar la respuesta del autoservicio, el autoservicio ya ha fallado.

Es por eso que la métrica crítica para la BI moderna no solo debería ser el tiempo de respuesta. También debería ser el tiempo para confiar. La AI mejora drásticamente la primera métrica. Las consultas, las visualizaciones y dashboards enteros se pueden generar en segundos. Pero a menos que la segunda métrica también mejore, lo único que habrá hecho es acelerar la producción de cosas en las que la gente no confía.

Hacer esto bien significa combinar tres cosas que la BI tradicional a menudo ha tratado por separado: respuestas que son fáciles de entender, evidencia que hace que la respuesta sea creíble y un camino para investigar cuando algo no parece correcto. Una buena experiencia de autoservicio no es aquella que elimina al analista del proceso a toda costa. Es aquella en la que las personas solo necesitan al analista cuando una pregunta requiere genuinamente experiencia humana, no porque no puedan entender o confiar en el sistema que tienen delante.

En última instancia, es por eso que la visualización sigue siendo importante en la era agéntica. La AI puede generar una enorme cantidad de análisis. Una buena visualización significa que ese análisis se puede inspeccionar, cuestionar y, lo más importante, utilizar para tomar medidas.

Vea cómo la creación asistida por AI y los datos gobernados crean dashboards en los que la gente confía. Explore los Dashboards de AI/BI.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original