Buenas prácticas en el diseño de gráficos (II): Gráficos de barras

En esta categoría de gráficos incluimos tanto a los denominados gráficos de columnas (representaciones rectangulares verticales) como los gráficos de barras (representaciones rectangulares horizontales). En ambos casos son similares al gráfico de sectores…


En esta categoría de gráficos incluimos tanto a los denominados gráficos de columnas (representaciones rectangulares verticales) como los gráficos de barras (representaciones rectangulares horizontales).  En ambos casos son similares al gráfico de sectores (ver entrada anterior), en cuanto a que los valores de los grupos de datos son representados en porciones proporcionales al número (frecuencia) o porcentaje (frecuencia relativa) del valor de cada grupo.

Detalle de la vista CataList de Roambi Analytics

Cuando diseñes o revises gráficos de barras, ten presente lo siguiente:

  • Se debe señalar las unidades representadas por el tamaño de las barras y qué significan los resultados.
  • Observar cual es el punto inicial del eje donde se encuentran las cantidades o porcentajes, lo usual y recomendable es que inicie en 0. Por ejemplo, si el punto inicial del eje es 30, todas las barras aparecerán cortadas por la parte inferior, por lo que las diferencias que hubiera entre 0 y 100, parecerán más importantes de lo que deberían
  • Prestar atención al tamaño entre cada punto, por ejemplo, si las alturas de las barras fluctúan entre 200 y 300 pero el eje comienza en 0, las diferencias parecerán poco relevantes.
  • Comprueba el rango de valores en el eje donde se señalan las cantidades o porcentajes:
    • Verifica si el gráfico tiene más espacio de lo que requieren los valores representados (demasiado espacio libre o en blanco), las diferencias entre las barras serían difíciles de apreciar.
    • Por el contrario, si hay apenas espacio en blanco, las barras aparecerán más estiradas de lo que deberían, las diferencias entre ellas se percibirán mayor de lo que realmente son.

CardexView de Roambi Analytics

Buenas prácticas en el diseño de gráficos (I): Gráficos de sectores

Los gráficos es una potente herramienta de análisis de la información, pero en su diseño encontramos muchos vicios, en la mayoría de veces de manera no intencionada, más por las prisas, falta de experiencia o desconocimiento. En las siguientes entradas compartiremos algunos tips que podríamos tener presente.


Los gráficos son una potente herramienta de análisis de la información, pero en su diseño encontramos muchos vicios, en la mayoría de los casos de manera no intencionada, más por las prisas, falta de experiencia o desconocimiento.  En las siguientes entradas compartiremos algunos tips que podríamos tener presente en el diseño de visualizaciones.

PieView de Roambi Analytics, excelente herramienta para el diseño de visualizaciones en dispositivos móviles

Gráficos de Sectores

Nos referimos en especial a los gráficos circulares que representan los datos en forma de pastel o tarta, divididos en porciones (sectores) que corresponden al porcentaje (frecuencia relativa) de elementos pertenecientes a distintos grupos.  Los grupos de datos representan una variable categórica, como puede ser sexo, situación laboral o ubicación geográfica. Para este tipo de gráficos ten presente lo siguiente:

  • La suma de los porcentajes siempre debe ser 100% (Si fuera diferente, se podría aceptar si la diferencia es mínima y se debe a un error de redondeo).
  • Evita o no aceptes una porción con la denominación “Otros” (o cualquier denominación similar) cuyo tamaño sea mayor al de cualquier otro sector con una denominación concreta. Debería informarse su contenido o dividir este sector.
  • Un gráfico con demasiados sectores no aporta información valiosa que motiven conclusiones inmediatas. Desvirtúa el objetivo que debe brindar todo gráfico: lectura inmediata de la información relevante.
  • Los gráficos tridimensionales pueden distorsionar la información que representa cada porción, las porciones de primer plano pueden parecer más grandes de lo que realmente deberían ser.

Las opiniones 2.0 cada vez menos fiables

Alguna vez nos unimos al “coro” que reclamaba “escuchar” a las redes sociales, blogs y demás medios 2.0 para analizar opiniones, y en función de ellas, tomar decisiones. Después de lo visto en los últimos meses, llegamos a la conclusión que en muchos casos la elección de los medios sociales como fuentes de información debería ser una decisión muy bien valorada, porque los resultados podrían ser poco útiles o contraproducentes.


Alguna vez nos unimos al “coro” que reclamaba “escuchar” a las redes sociales, blogs y demás medios 2.0 para analizar opiniones, y en función de ellas, tomar decisiones.  Después de lo visto en los últimos meses, llegamos a la conclusión que en muchos casos la elección de los medios sociales como fuentes de información debería ser una decisión muy bien valorada, porque los resultados podrían ser poco útiles o contraproducentes.

La principal característica que debe cumplir una fuente de información es la fiabilidad,  y desde hace mucho tiempo vemos como se venden y comparan comentarios o tweets que hablen bien de empresas, servicios o productos sobre los que no se tiene ni experiencia o conocimiento. Esta práctica se denomina astroturfing, y al parecer empresas que se autodenominan “especialistas” en SEO (Search Engine Optimization, Optimización/Posicionamiento en buscadores) se han excedido en el retoque de reputaciones 2.0, tanto, que han motivado la intervención del FBI para desmantelar una red, de ámbito internacional, por inundar internet con falsas opiniones.

Lamentablemente el FBI no dará abasto para desbaratar las redes de falsos SEOs, Community Managers y demás inventos creados alrededor de Internet en todo el mundo para “retocar” opiniones 2.0.  Ante este panorama, volverá a ser más recomendable utilizar las clásicas técnicas de la estadística para recopilar información u opiniones: la encuesta y la experimentación.

Referencia: aquí y aquí

La «Nota Central» de HANABPC para BPC NW 10.0 on HANA

Sea con la expresión “Collective Note” o con “Central Note” existen notas centrales que recopilan, a modo de índice, las notas SAP sobre un determinado producto, componente o inclusive, necesidad, como puede ser la mejora de rendimiento de una herramienta.


Sea con la expresión “Collective Note” o con “Central Note” existen notas centrales que recopilan, a modo de índice, las notas SAP sobre un determinado producto, componente o inclusive, necesidad, como puede ser la mejora de rendimiento de una herramienta.

En el caso del componente HANABPC esta nota es la 1734706, en este documento se señalan las notas de cada Service Pack (SP) relacionadas al componente que posibilita el uso de SAP Business Planning and Consolidation 10.0 NW (SAP BPC) sobre la plataforma SAP HANA.  En la actualidad este componente se encuentra en  el nivel de actualización SP05 (para HANABPC 800) y SP02 (para HANABPC 801) que corresponden al SP11 de SAP BPC 10.0 NW

Se debe recordar que existen dos versiones de componentes HANABPC, la 800 para BPC 10.0 NW para entornos NW 7.30 y la 801 para BPC 10.0 NW para NW 7.31 y 7.40.  La nota 1734706 debe ser consultada cuando se publique una actualización para ver las correcciones o mejoras que incluyen. Para SAP BPC NW 7.5 existe una versión para HANA (aquí y aquí posts al respecto) pero apenas vemos novedades para este componente.

El Big Data no necesariamente se debe vincular a las redes sociales

Hay varias definiciones sobre el Big Data, varios enfoques para tratarlo, lo más usual es la sugerencia o reclamo de ir a las redes sociales para “explotar” todo lo que se dice sobre algo o alguien. Pero encontramos en la ponencia que adjuntamos otros elementos claves muy pocas veces mencionados sobre la necesidad de analizar los grandes volúmenes de datos a los que podemos tener acceso:


Hay varias definiciones sobre el Big Data, varios enfoques para tratarlo, lo más usual es la sugerencia o reclamo de ir a las redes sociales para “explotar” todo lo que se dice sobre algo o alguien. Pero encontramos en la ponencia que adjuntamos, otros elementos claves muy pocas veces mencionados sobre la necesidad de analizar los grandes volúmenes de datos a los que podemos tener acceso:

La información valiosa no necesariamente esta en los medios sociales 2.0, la tienen las personas, se debe buscar medios que brinden fiabilidad e inmediatez para captarla y procesarla.