Entrevista con Ainoa Abella

Esta semana tenemos la oportunidad de entrevistar a Ainoa Abella Garcia, apasionada y curiosa ingeniera en diseño industrial, profesora e investigadora científica. En los últimos años ha estado centrada en la docencia universitaria y en los proyectos de investigación e innovación sobre las emociones, el bienestar y la percepción de materiales.

¿Cómo surge tu interés por la visualización de datos?

Mi interés por la visualización de datos empezó en el grado durante el desarrollo del trabajo final. Este tenía un enfoque de investigación con muchos datos recopilados y algunos de los conceptos que trabajaba eran complejos, necesitaba una forma de transformar ese caos numérico e ideas intangibles en elementos comprensibles, ordenados, funcionales y bellos. De esta experiencia educativa se abrió un mar de posibilidades y finalmente se materializó en un doctorado codirigido por la Universidad Politécnica de Cataluña –específicamente en el departamento de estadística e investigación operativa– y Elisava, Escuela Universitaria de Diseño e Ingeniería de Barcelona –Elisava Research–. En la unión y colaboración de estas dos disciplinas, la estadística y el diseño, fue donde la pasión y el interés por la visualización de datos tomó más relevancia y pasé a integrarlo en todos los proyectos.

La visualización de datos es una herramienta que nos permite asimilar información de manera más efectiva. ¿Por qué?

La visualización de datos, ya sean infografías o visualizaciones, pretende presentar y facilitar una historia –información– para que sea más fácil de comprender para el lector.

Para ello, el autor o autora de la visualización debe trabajar de forma responsable transformando los datos crudos en una interpretación, para ser más exactos, una visualización que sea clara, honesta y con todos los elementos necesarios para contextualizar al usuario. La idea es que sea la misma persona lectora, después de explorar los datos, quien saque sus propias conclusiones –tendencias, valores atípicos, patrones, relaciones entre variables, etc.–; y así haya una respuesta, un aprendizaje y/o una nueva adquisición de conocimiento.

Para que lo anterior funcione, previamente la visualización ha estado trabajada siguiendo unos principios, tanto de percepción visual y cognición como de diseño (Few, 2011). Estas reglas permiten hacer una abstracción del contexto para traducirlo en elementos visuales donde sus aspectos más característicos puedan ser detectados rápidamente por el usuario.

¿Cómo influye la visualización de datos en la toma de decisiones?

Actualmente nos encontramos en un contexto donde se generan y se pueden obtener grandes cantidades de datos en muy poco tiempo. Toda esta información recolectada se preprocesa, se analiza y finalmente se transforma en una visualización de datos.

Tiene sentido pensar que si se dispone de este recurso tan valioso se utilice para ayudar a tomar decisiones importantes. Si las decisiones recaen en elementos que se pueden medir, estos datos pueden ayudar a confirmar las intuiciones del equipo, comprender mejor el contexto, el cliente o las necesidades y reajustar para ofrecer un producto, servicio o experiencia más adecuada, entre otros. A mí personalmente me parece muy interesante la aproximación del Data-Driven Design (Deustch, 2015) como herramienta para la incorporación de los datos en todo el proceso creativo.

¿Qué características debería tener una buena visualización de datos?

Una buena visualización de datos debería mantener equilibrados tres aspectos: la utilidad –incluye la funcionalidad y la usabilidad–, la robustez –implementación técnica– y el atractivo –aspectos estéticos y formales– (Minguillón, 2018). En mi opinión, los dos primeros aspectos son los más trabajados tradicionalmente y con este tercero, aunque se está fomentando más, hay mucho recorrido por hacer.

En una era de saturación de información o infoxicación, la atractividad permite captar la atención del lector, ya que hay una reacción más intensa y una influencia positiva por la estimulación de las emociones estéticas –se experimentan ante las obras de arte y ante la belleza– (Bisquerra, 2015).

Una vez los tres aspectos están en armonía, entramos en más detalle en el desarrollo de la visualización en sí. Podemos encontrar fácilmente varios consejos elaborados por profesionales o recomendaciones de las propias herramientas o plataformas de creación, como por ejemplo los que proponen Ignasi Alcalde, Javier Cantón o el propio software Tableau.

¿Las visualizaciones de datos son siempre digitales? ¿Puedes recomendarnos algún ejemplo analógico?

Actualmente sí que un gran porcentaje de las visualizaciones son digitales, al final este contenido se adapta a las distintas formas en las que se consume la información. De todos modos, cabe destacar que las visualizaciones, gracias al tercer aspecto que comentábamos anteriormente –el atractivo–, tienen un gran potencial para trabajar en formato analógico. Este último, cada vez más se utiliza para proyectos expositivos o performativos, los resultados y el impacto son muy interesantes. Recomendaría echar un vistazo a los trabajos de Giorgia Lupi, Domestic Data Streamers, Couple in Data y Carla Molins como buenas referencias de visualizaciones analógicas.

Además, las visualizaciones analógicas tienen una ventaja, ya que, por su carácter expositivo, pueden funcionar también como herramienta de recolección de datos. En el proyecto Emotional Analogous Data (Araya et al., 2019) pudimos explorar y trabajar con esta doble función. En este caso cada día se recolectaban las emociones de los usuarios de un espacio de trabajo y su intensidad para un proyecto de investigación; a raíz de estar expuesto justo en la entrada de la oficina, surgieron otras ideas y colaboraciones.

¿En qué ámbitos se utiliza la visualización de datos?

Me atrevería a decir que la visualización de datos se ha vuelto una herramienta necesaria en todos los ámbitos. Podemos observar que actualmente las distintas disciplinas presentan una mayor hibridación y conexión entre ellas. Lo anterior favorece nuevas perspectivas y aproximaciones relacionadas con el uso de las visualizaciones en cada una de las especialidades.

¿Puedes citarnos algunos autores de la disciplina a los que sea interesante seguirles la pista?

Aparte de los que he citado anteriormente, Giorgia Lupi, Domestic Data Streamers, Couple in Data, algunos de los autores que más me gustan son: Frederica Fragapane, Valentina D’Efilippo, Refik Anadol, Karim Douïeb, StoryData, Vladan Joler y Aaron Koblin. Además, como hay muchos otros autores interesantes, recomiendo seguir Data Visualization Society, ya que comparte los trabajos realizados por los miembros de su comunidad.

¿Por qué la visualización debe ser el último paso en la recogida y tratamiento de datos?

Si utilizamos el modelo que comentaba antes del Data-Driven Design, se pueden detallar tres fases principales: «recolección», «análisis» y «comunicación». Además, con los distintos proyectos y la bibliografía consultada en la tesis doctoral propongo la relevancia de cada disciplina por fase (ver Imagen 3).

La visualización de datos está dentro de la fase de «comunicación», y al ser la última viene condicionada por las dos anteriores. Para tener una buena visualización de datos hay que asegurar previamente que estos han sido recolectados correctamente con un diseño experimental válido, posteriormente se han tratado y preprocesado para aplicar las técnicas de análisis más adecuadas. Es decir, la manera como se recolectan los datos marcará las posibilidades de análisis y, por tanto, de comunicación. Si los datos son de mala calidad –poco fiables–, no se podrá llegar a conclusiones válidas por muy sofisticado que sea el análisis estadístico, y esto afectará también a la visualización.

Además, me gustaría volver a destacar la importancia de la fase de «comunicación» para poder mostrar el potencial del trabajo realizado y compartir el conocimiento.

La visualización de datos puede adoptar diferentes estilos y formatos. ¿Por qué es importante adecuar estos estilos al tipo de usuario al que se dirigen?

Durante el proceso de diseño y creación de una visualización de datos hay que tener siempre presente o detectar el usuario al cual nos dirigimos. Hacer este paso es importante para poder utilizar un modelo centrado y adaptado a nuestro público objetivo. Esto pasa por entender si los usuarios o clientes son expertos o no en la temática, en qué medio se va a publicar, cuál va a ser la interacción o la participación activa, las posibles necesidades o funciones que querrán los usuarios hacer para explorar los datos, la dificultad que puede comportar, etc.

Al final, todo lo anterior influenciará la experiencia del usuario y la manera en que la visualización se formaliza –terminología, idioma, simbología, paleta de colores, identidad corporativa, metáfora–. Así como el recibimiento y la valoración de esta por parte del público objetivo. Por ejemplo, una misma visualización se puede clasificar como una buena práctica o mala práctica en función de los usuarios y los clientes. Si son profesionales de la temática y la visualización se ha planteado para un gran público probablemente la valoración será negativa, en cambio, para usuarios no expertos podría ser una excelente representación gráfica.

¿La visualización de datos ha sido una buena herramienta de comunicación durante la pandemia? ¿Se ha usado de forma correcta? ¿Destacarías algún caso de mala práctica?

Personalmente creo que la visualización de datos ha sido una muy buena herramienta para poder comunicar lo que estaba y está sucediendo y acercar a la población una información de un contexto nuevo para todos y que está en constante cambio.

En primer lugar destacaría el uso de las infografías, estas en general se han usado de forma correcta. Este recurso permite presentar y sintetizar de forma gráfica las recomendaciones y las restricciones de una forma sencilla para que todos las puedan aplicar. En un contexto en que cambian constantemente las regulaciones, en función de la situación, y la población sufre o puede sufrir una fatiga pandémica es importante hacer llegar la información de una forma ágil y clara.

Por otro lado, en referencia con las visualizaciones de datos, en mi opinión hay buenas y malas prácticas. Si empezamos por las malas prácticas, una de las más extendidas es comparar datos que no han estado normalizados o que no tienen las mismas variables, es decir, comparar países y sus curvas –tanto de contagios como de defunciones–. Esto no es correcto si los países han contabilizado con criterios distintos. No es lo mismo si se cuenta como infectados únicamente la gente ingresada o si también se cuentan las personas que se encuentran en casa con síntomas; u otro ejemplo, si un país realiza test masivos a la población, la detección de casos positivos –tanto asintomáticos como sintomáticos– será mucho mayor. También hay que tener en cuenta si los registros se han hecho en una temporalidad distinta, en función del orden de los brotes y rebrotes, las medidas aplicadas y el conocimiento de los expertos, las cifras se verán afectadas. Cabe destacar que en una situación extrema y de caos es muy complejo ser preciso en la recolección de datos, además, la transparencia de estos no siempre se ha aplicado.

Lo anterior puede afectar a otra mala práctica: la interpretación. En ocasiones los datos presentados son sesgados, con correlaciones sin sentido o conducen a una interpretación errónea; e incluso algunas veces a contradecir, desinformar o estigmatizar. Por último, para cerrar en tres usos incorrectos destacaría la deshumanización. Si bien es cierto que la situación es grave y compleja de gestionar, y es necesario que todos seamos conscientes, las visualizaciones se han enfocado a mostrar mayoritariamente las defunciones y los contagios. Esta información con una connotación más bien negativa, repetida varias veces al día durante un período bastante o muy extenso, al final favorece que veamos solo cifras y lo normalicemos. Estoy convencida de que seguramente lo hacemos como un proceso involuntario porque ya es algo con lo que nos hemos familiarizado o porque esta saturación de información sobre COVID nos afecta a nuestra salud mental o emocional, pero al final, y no hay que olvidarlo, esos números son personas. Quizás se pueden fomentar las visualizaciones para informar a la población sobre el potencial de sus actos o las posibles mejoras con las medidas tomadas.

En la parte positiva, han surgido buenas prácticas de cooperación y colaboración entre departamentos y organizaciones, así como equipos multidisciplinares con una visión más completa. Además, esta situación ha vuelto a poner en relieve la importancia de la investigación, su complejidad, sus tiempos y sus procesos necesarios. Finalmente, ha acercado un poco más a toda la población a algunas disciplinas, como por ejemplo la estadística, las matemáticas, la interacción, el periodismo, el diseño o la visualización. Eso se nota en la terminología, por ejemplo: la curva de contagios, aplanar la curva, el pico de la ola, incremento de las cifras, el punto de inflexión, la reproducción del virus –R0–, entre otros.

Por último, ¿podrías recomendarnos una de tus visualizaciones de datos favoritas o alguna que te guste especialmente?

Es difícil escoger, ya que hoy en día hay muchos trabajos excelentes y muy variados en cuanto a temática. Una de las visualizaciones que me gusta especialmente, también por el tema que aborda, es Universo de Emociones de Eduard Punset, Rafael Bisquerra y PalauGea. Una representación gráfica que estructura 307 emociones utilizando como metáfora el universo y su composición. El resultado es un mapa gráfico didáctico y estéticamente muy llamativo que sirve como herramienta para entender el mundo de las emociones.

Enlaces relacionados

ARAYA, M.J. et al. Emotional Analogous Data: Interacción en el Espacio Laboral. En: ENCIAS, F., ARCE, G., FUENTES, P. (eds.), Actas Congreso Intersecciones 2018: III Congreso Interdisciplinario de Investigación en Arquitectura, Diseño, Ciudad y Territorio. Santiago, Chile, 2019. Págs. 718-733.

BISQUERRA, R. Universo de emociones. Valencia: PalauGea, 2015.

DEUTSCH, R. Data-Driven Design and Construction: 25 Strategies for Capturing, Analyzing and Applying Building Data. Nueva Jersey: Wiley, 2015.

FEW, Stephen. Data Visualization for Human Perception. En: The Interaction Design Foundation (eds.). The Encyclopedia of Human-Computer Interaction 2a. ed., 2011. Cap. 35.

MINGUILLÓN, J. Guia de lectures en l’àmbit de la visualització de dades. Universitat Oberta de Catalunya (UOC), 2018.

Cita recomendada: MOSAIC. Entrevista con Ainoa Abella. Mosaic [en línea], enero 2021, no. 189. ISSN: 1696-3296. DOI: https://doi.org/10.7238/m.n189.2105