2

Vista previa del material en texto

Taller de Modelos de
Análisis y Decisión
1.4 Forma de Presentación Gráfica
Un gráfica, una representación gráfica o un gráfico es un tipo de representación de Datos, generalmente cuantitativos, mediante recursos visuales (líneas, vectores, superficies o símbolos), para que se manifieste visualmente la relación matemática o correlación estadística que guardan entre si.
Ahora practicaremos algunos tipos de representación grafica, para poder asociar que tipo de gráficos tenemos y a que tipos de variables pueden asociarse. Empezaremos con el mas básico el grafico de Línea.
Los gráficos de líneas permiten visualizar los cambios a lo largo de un rango continuo, como el tiempo o la distancia. La visualización del cambio con un grafico de líneas permite ver de una solo vez la tendencia general y comparar simultáneamente varias tendencias.
El siguiente grafico a observar es el grafico de barras, este grafico es una forma de resumir un conjunto de datos por categorías. Muestra los datos usando varias barras de la misma anchura, cada una de las cuales representa una categoría concreta. La Altura de cada barra es proporcional a una agregación especifica (por ejemplo, la suma de los valores de la categoría a representar). Las categorías podrían ser desde grupos de edad a ubicaciones geográficas.
Los gráficos circulares se dividen en sectores; cada uno muestra el tamaño de un fragmento de información relacionado. Los gráficos circulares suelen utilizarse para mostrar tamaños relativos de partes de un todo.
La siguiente forma de grafico es la de dispersión, estos gráficos se usan para trazar puntos de datos de un eje vertical y uno horizontal, mediante lo que se trata de mostrar cuanto afecta una variable a otra.
Cada fila de la tabla de datos la representa un indicador cuya posición depende de sus valores en las columnas en las columnas que se establecen en los ejes X e Y. Se pueden usar varias escalas en el eje Y cuando se desea comparar varios indicadores con rangos de valor significativamente distintos. Se puede establecer una tercera variable para que se corresponda con el color o el tamaño (por ejemplo, un grafico de burbujas) 
La relación entre dos variables se llama correlación. Si los indicadores forman una línea casi recta en el gráfico de dispersión, las dos variables tendrán una correlación alta.
¿Qué es el Big Data?
Son datos que contienen una mayor variedad y que se presentan en volúmenes crecientes y a mayor velocidad. Esto se conoce también como “Las tres V”.
Dicho de otro modo, el big data esta formado por conjuntos de datos de mayor tamaño y mas complejos, especialmente procedentes de nuevas fuentes de datos. Estos conjuntos de datos son tan voluminosos que el software de procesamiento de datos convencional sencillamente no puede gestionarlos. Sin embargo, estos volúmenes masivos de datos pueden utilizarse para aprobar problemas empresariales que antes no hubiera sido posible solucionar.
¿Qué son las 3 V de Big Data?
	3V de Big Data		
	Volumen		La cantidad de datos importa. Con big data, tendrá que procesar grandes volúmenes de datos no estructurados de baja densidad. Puede tratarse de datos de valor desconocido, como feeds de datos de Twitter, secuencias de clics en una página web o aplicación móvil, o equipos con sensores. Para algunas organizaciones, esto puede suponer decenas de terabytes de datos. Para otras, incluso cientos de petabytes.
			
	Velocidad		La velocidad es el ritmo al que se reciben los datos y (posiblemente) al que se aplica alguna acción. La mayor velocidad de los datos normalmente se transmite directamente a la memoria, en vez de escribirse en un disco. Algunos productos inteligentes habilitados para Internet funcionan en tiempo real o prácticamente en tiempo real y requieren una evaluación y actuación en tiempo real.
			
	Variedad		La variedad hace referencia a los diversos tipos de datos disponibles. Los tipos de datos convencionales eran estructurados y podían organizarse perfectamente en una base de datos relacional. Con el auge del big data, los datos se presentan en nuevos tipos de datos no estructurados. Los tipos de datos no estructurados y semiestructurados, como el texto, audio o vídeo, requieren un preprocesamiento adicional para poder entender su significado y admitir metadatos.
Pero….. ¿Qué creen falte para que esta información pueda ayudar a una correcta toma de decisión?
Valor y Veracidad: Los datos poseen un valor intrínseco. Sin embargo, no tienen ninguna utilidad hasta que dicho valor se descubre. Resulta igualmente importante: ¿Cuál es la veracidad de sus datos y cuanto puede confiar en ellos?
Hoy en día, el big data se ha convertido en un activo crucial. Piense en algunas de las mayores empresas tecnológicas del mundo. Gran parte del valor que ofrecen procede de sus datos, que analizan constantemente para generar una mayor eficiencia y desarrollar nuevos productos.
Identificar el valor del big data no pasa solo por analizarlo (que es ya una ventaja en sí misma). Se trata de todo un proceso de descubrimiento que requiere que los analistas, usuarios empresariales y ejecutivos se planteen las preguntas correctas, identifiquen patrones, formulen hipótesis informadas y predigan comportamientos
Historia de Big Data
Los orígenes de los grandes conjuntos de datos se remontan a las décadas de 1960 y 1970, cuando el mundo de los datos acababa de empezar con los primeros centros de datos y el desarrollo de las bases de datos relacionales.
Alrededor de 2005, la gente empezó a darse cuenta de la cantidad de datos que generaban los usuarios a través de Facebook, YouTube y otros servicios online. Ese mismo año, se desarrollaría Hadoop, un marco de código abierto creado específicamente para almacenar y analizar grandes conjuntos de datos. En esta época, también empezaría a adquirir popularidad NoSQL.
El desarrollo de marcos de código abierto tales como Hadoop (y, más recientemente, Spark) sería esencial para el crecimiento del big data, pues estos hacían que el big data resultase más fácil de usar y más barato de almacenar. En los años siguientes, el volumen de big data se ha disparado. Los usuarios continúan generando enormes cantidades de datos, pero ahora los humanos no son los únicos que lo hacen.
Historia de Big Data
Con la llegada de Internet of Things (Internet de las cosas), hay un mayor número de objetos y dispositivos conectados a Internet que generan datos sobre patrones de uso de los clientes y el rendimiento de los productos. La aparición del Machine Learning ha producido aún más datos.
Aunque el big data ha llegado lejos, su utilidad no ha hecho más que empezar. El Cloud Computing ha ampliado aún más las posibilidades del big data. La nube ofrece una escalabilidad realmente flexible, donde los desarrolladores pueden simplemente incorporar clústeres ad hoc para probar un subconjunto de datos. Además, las bases de datos orientadas a grafos son cada vez más importantes, gracias a su capacidad para mostrar enormes cantidades de datos de forma que la analítica sea rápida y completa.
Historia de Big Data
Ventajas de big data:
El big data le permite obtener respuestas más completas, ya que dispone de mayor cantidad de información.
La disponibilidad de respuestas más completas significa una mayor fiabilidad de los datos, lo que implica un enfoque completamente distinto a la hora de abordar problemas.
Casos de Uso de Big Data
El big data puede ayudarle a abordar una serie de actividades empresariales, desde la experiencia del cliente hasta la analítica. A continuación, recopilamos algunas de ellas.
	Desarrollo de Productos	 	Empresas como Netflix y Procter & Gamble usan big data para prever la demanda de los clientes. Construyen modelos predictivos para nuevos productos y servicios clasificando atributos clave de productos anteriores y actuales, y modelando la relación entre dichos atributos y el éxito comercial de las ofertas. Además, P&G utiliza los datos y la analítica de grupos deinterés, redes sociales, mercados de prueba y avances de salida en tiendas para planificar, producir y lanzar nuevos productos.
	 	 	 
	Mantenimiento Predictivo	 	Los factores capaces de predecir fallos mecánicos pueden estar profundamente ocultos entre datos estructurados (año del equipo, marca o modelo de una máquina) o entre datos no estructurados que cubren millones de entradas de registros, datos de sensores, mensajes de error y temperaturas de motor. Al analizar estos indicadores de problemas potenciales antes de que estos se produzcan, las organizaciones pueden implantar el mantenimiento de una forma más rentable y optimizar el tiempo de servicio de componentes y equipos.
	 	 	 
	Experiencia del Cliente	 	La carrera por conseguir clientes está en marcha. Disponer de una vista clara de la experiencia del cliente es más posible que nunca. El big data le permite recopilar datos de redes sociales, visitas a páginas web, registros de llamadas y otras fuentes para mejorar la experiencia de interacción, así como maximizar el valor ofrecido. Empiece a formular ofertas personalizadas, reducir las tasas de abandono de los clientes y gestionar las incidencias de manera proactiva.
	 	 	 
	Fraude y Cumplimiento	 	En lo que a seguridad se refiere, no se enfrenta a simples piratas informáticos deshonestos, sino a equipos completos de expertos. Los entornos de seguridad y requisitos de cumplimiento están en constante evolución. El big data le ayuda a identificar patrones en los datos que pueden ser indicativos de fraude, al tiempo que concentra grandes volúmenes de información para agilizar la generación de informes normativos.
Casos de Uso de Big Data
	Machine Learning	 	El machine learning o aprendizaje automático es un tema candente en la actualidad. Y los datos, concretamente big data, son uno de los motivos de que así sea. Ahora, en lugar de programarse, las máquinas pueden aprender. Esto es posible gracias a la disponibilidad de big data para crear modelos de machine learning.
	 	 	 
	Eficiencia Operativa	 	Puede que la eficiencia operativa no sea siempre noticia, pero es el área en la que big data tiene un mayor impacto. El big data le permite analizar y evaluar la producción, la opinión de los clientes, las devoluciones y otros factores para reducir las situaciones de falta de stock y anticipar la demanda futura. El big data también puede utilizarse para mejorar la toma de decisiones en función de la demanda de mercado en cada momento.
	 	 	 
	Impulse la innovación	 	El big data puede ayudarle a innovar mediante el estudio de las interdependencias entre seres humanos, instituciones, entidades y procesos, y, posteriormente, mediante la determinación de nuevas formas de usar dicha información. Utilice las perspectivas que le ofrecen los datos para mejorar sus decisiones financieras y consideraciones de planificación. Estudie las tendencias y lo que desean los clientes para ofrecer nuevos productos y servicios. Implemente precios dinámicos. Las posibilidades son infinitas.
No todo es color de rosa…..
El big data se caracteriza por su gran tamaño. Aunque se han desarrollado nuevas tecnologías para el almacenamiento de datos, el volumen de datos duplica su tamaño cada dos años aproximadamente. Las organizaciones continúan esforzándose por mantener el ritmo de crecimiento de sus datos y por encontrar formas de almacenarlos eficazmente.
No basta con almacenar los datos. Para ser de algún valor, los datos deben poder utilizarse, y esto depende de su conservación. Disponer de datos limpios —es decir, datos relevantes para el cliente y organizados de tal modo que permitan un análisis significativo— requiere una gran cantidad de trabajo. Los científicos de datos dedican entre un 50 y un 80 por ciento de su tiempo a seleccionar y preparar los datos antes de que estos puedan utilizarse.
La tecnología de big data cambia a un ritmo rápido. Hace unos años, Apache Hadoop era la tecnología más conocida utilizada para gestionar big data. Más tarde, en 2014, entraría en juego Apache Spark. Hoy en día, el enfoque óptimo parece ser una combinación de ambos marcos. Mantenerse al día en cuanto a tecnología de big data supone un desafío constante.
¿Cómo funciona el Big Data? 
El Big Data le aporta nuevas perspectivas que abren paso a nuevas oportunidades y modelos de negocio. Empezar a explorar debe tener 3 líneas muy delimitadas que debemos considerar:
Integre: El big data concentra datos de numerosas fuentes y aplicaciones distintas. Los mecanismos de integración de datos convencionales, como extracción, transformación y carga (ETL), generalmente no están a la altura de dicha tarea. Analizar conjuntos de big data de uno o más terabytes, o incluso petabytes, de tamaño requiere de nuevas estrategias y tecnologías. 
Gestione: Requiere almacenamiento. Su solución de almacenamiento puede residir en la nube, on premises o en ambos. Puede almacenar sus datos de cualquier forma que desee e incorporar los requisitos de procesamiento de su preferencia y los motores de procesamiento necesarios a dichos conjuntos de datos on-demand. Muchas personas eligen su solución de almacenamiento en función de dónde residan sus datos en cada momento. La nube está aumentando progresivamente su popularidad porque es compatible con sus requisitos tecnológicos actuales y porque le permite incorporar recursos a medida que los necesita
Analice: La inversión en big data se rentabiliza en cuanto se analizan y utilizan los datos. Adquiera una nueva claridad con un análisis visual de sus diversos conjuntos de datos. Continúe explorando los datos para realizar nuevos descubrimientos. 
Minería de Datos 
¿Qué es?
La minería de datos es el proceso de hallar anomalías, patrones y correlaciones en grandes conjuntos de datos para predecir resultados. Empleando una amplia variedad de técnicas, puede utilizar esta información para incrementar sus ingresos, recortar costos, mejorar sus relaciones con clientes, reducir riesgos y más.
El proceso de hurgar en los datos para descubrir conexiones ocultas y predecir tendencias futuras tiene una larga historia. Conocido algunas veces como "descubrimiento de conocimientos en bases de datos", el término "minería de datos" no se acuño sino hasta la década de 1990. Pero su base comprende tres disciplinas científicas entrelazadas: 
Estadística (el estudio numérico de relaciones de datos) 
Inteligencia artificial (inteligencia similar a la humana exhibida por software y/o máquinas) 
machine learning (algoritmos que pueden aprender de datos para hacer predicciones). 
Lo que era antiguo es nuevo otra vez, ya que la minería de datos continúa evolucionando para igualar el ritmo del potencial sin límites del big data y poder de cómputo asequible.
Minería de Datos 
En la última década, los avances en el poder y la velocidad de procesamiento nos han permitido llegar más allá de las prácticas manuales, tediosas y que toman mucho tiempo al análisis de datos rápido, fácil y automatizado. Cuanto más complejos son los conjuntos de datos recopilados, mayor es el potencial que hay para descubrir insights relevantes. Los comerciantes detallistas, bancos, fabricantes, proveedores de telecomunicaciones y aseguradoras, entre otros, utilizan la minería de datos para descubrir relaciones entre todas las cosas, desde precios, promociones y demografía hasta la forma en que la economía, el riesgo, la competencia y los medios sociales afectan sus modelos de negocios, ingresos, operaciones y relaciones con clientes.
Minería de Datos 
¿Por qué es importante?
Ha podido apreciar los números asombrosos – el volumen de datos producidos se duplica cada dos años. Los datos no estructurados por sí solos conforman el 90% del universo digital. Pero más información no significa necesariamente más conocimientos.
La minería de datos le permite:
Filtrar todo el ruido caótico y repetitivo en sus datos.
Entender qué es relevante y luego hacer un buen uso de esa información para evaluar resultados probables.
Acelerar el ritmo de la tomade decisiones informadas. 
Minería de Datos 
¿Quién lo utiliza?
La minería de datos se sitúa en el corazón de esfuerzos analíticos en diversas industrias y disciplinas.
Comunicaciones
En un mercado sobrecargado donde la competencia es cerrada, las respuestas se encuentran a menudo en los datos de sus consumidores. Las compañías de multimedia y telecomunicaciones pueden utilizar modelos analíticos para entender montañas de datos de clientes, ayudándoles así a predecir el comportamiento de sus clientes y ofrecer campañas altamente dirigidas y relevantes.
Seguros
Con conocimientos analíticos, las compañías de seguros pueden resolver problemas complejos concernientes a fraude, cumplimiento, gestión de riesgo y separación de clientes. Las compañías han utilizado técnicas de minería de datos para asignar precios a productos con mayor eficacia en líneas de negocios y hallar nuevas formas de ofrecer productos competitivos a su base de clientes existente.
Bancos
Los algoritmos automatizados ayudan a los bancos a entender a su base de clientes y también los miles de millones de transacciones en el corazón del sistema financiero. La minería de datos ayuda a las compañías de servicios financieros a tener una mejor vista de los riesgos del mercado, a detectar el fraude en menos tiempo, a gestionar las obligaciones de cumplimiento de las regulaciones y a obtener retornos óptimos de sus inversiones en marketing.
Minería de Datos 
Cómo funciona
La minería de datos, como una disciplina compuesta, representa diversos métodos o técnicas que se utilizan en diferentes capacidades analíticas que abordan una gama de necesidades organizacionales, hacen diferentes tipos de preguntas y utilizan diferentes niveles de aportación humana o reglas para llegar a una decisión.
Modelado descriptivo 
Descubre similitudes o agrupaciones compartidas en datos históricos para determinar razones detrás del éxito o el fracaso, como la clasificación de clientes por preferencias de productos o sentimiento. Algunas técnicas de ejemplo incluyen:
Minería de Datos 
Modelado predictivo
Este modelado llega más a fondo para clasificar eventos en el futuro o calcular resultados desconocidos – por ejemplo, el uso de evaluación de crédito para determinar la probabilidad de que una persona pague un préstamo. El modelado predictivo también ayuda a descubrir insights de cosas como la rotación de clientes, respuesta a campañas o coberturas por impago de créditos. Algunas técnicas de ejemplo incluyen:
Minería de Datos 
Modelado prescriptivo: Con el incremento de los datos no estructurados de la Web, campos de comentarios, libros, correo electrónico, PDFs, audio y otras fuentes de texto, la adopción de la minería de texto como disciplina relacionada con la minería de datos también ha crecido de manera considerable. Necesita la posibilidad de analizar, filtrar y transformar con éxito datos no estructurados para incluirlos en modelos predictivos para mejorar la precisión de las predicciones.
Al final, no debe ver la minería de datos como una entidad independiente porque el preprocesamiento (preparación y exploración de datos) y el posprocesamiento (validación de modelos, calificación y monitoreo del desempeño de modelos) son igualmente esenciales. El modelado prescriptivo se centra en variables y restricciones internas y externas para recomendar uno o más cursos de acción – por ejemplo, determinar la mejor oferta de marketing para enviar a cada cliente. Algunas técnicas de ejemplo incluyen:
Metadatos 
Los metadatos son datos sobre datos. En otras palabras……. Es información que se usa para describir los datos contenido en algo como una pagina web, documento o archivo.
La etimología del término 
Consta de 2 palabras, una griega y otra en latina. Por un lado la palabra griega “meta”, que significa después de o mas allá de, y por otro lado el vocablo latino “datum”, que significa dato. Por tanto, la expresión metadatos significa mas allá de los datos. 
Metadatos son un conjunto de datos que describen el contenido informativo de un recurso de archivos o de información de los mismos. 
¿Qué es?
Metadatos 
Entre las principales características de los metadatos se encuentran las siguientes: 
Son paquetes de información altamente estructurados que explican contenido, calidad y características de los datos del sitio web
Son precisos y en muchos casos cortos e integrados por palabras simples
Ofrecen puntos de acceso a la información del sitio web
Codifican la descripción del sitio web
Características de los metadatos
Metadatos 
Los metadatos sirven para una variedad de propósitos, siendo el descubrimiento de recursos uno de los más comunes. Aquí, se puede comparar con una catalogación efectiva, que incluye identificar recursos, definirlos por criterios, reunir recursos similares y distinguir entre los que son diferentes.
También es un medio eficaz para organizar los recursos electrónicos, que es un uso importante dado el crecimiento de los recursos basados ​​en la Web. Normalmente, los enlaces a los recursos se han organizado como listas y se han creado como páginas web estáticas, con los nombres y recursos codificados en HTML. Sin embargo, una práctica más eficaz es utilizar metadatos para crear estas páginas. Para fines web, la información se puede extraer y reformatear mediante el uso de herramientas de software.
Los metadatos también facilitan la identificación digital a través de números estándar que identifican de forma única el recurso que definen los metadatos. En esta línea, otra práctica es combinar metadatos para que actúen como un conjunto de datos identificativos que diferencian objetos o recursos, apoyando las necesidades de validación.
Finalmente, los metadatos son una forma importante de proteger los recursos y su accesibilidad futura
¿Para qué sirven?
Metadatos 
Los metadatos son una herramienta a través de la que las empresas que dominan una gran cantidad de información obtienen la ayuda necesaria para organizar esa información y facilitar el trabajo de los usuarios, incrementando su productividad.
Estos son los principales tipos de metadatos:
Según la función que tengan esos metadatos, se dividen en:
Lógicos
Son datos que explican de qué forma los datos simbólicos pueden utilizarse para hacer deducciones de resultados lógicos, por lo que se caracterizan por la compresión.
Simbólicos
Son los datos que detallan los datos subsimbólicos, por lo que introducen sentido.
Subsimbólicos
Son aquellos datos que no contienen ninguna información sobre su significado.
Tipos de Metadatos
Metadatos 
Según su variabilidad
En este caso, los metadatos se dividen en dos tipos:
Inmutables
Son los datos que no cambian independientemente de la parte del recurso que sea visible.
Mutables
Son los datos diferentes de los demás e incluso difieren de parte a parte.
Según su contenido
En este caso, los metadatos son fraccionados por su contenido. Así, se da la opción de diferenciar entre los metadatos que detallan el recurso en sí y los metadatos que describen el contenido de ese recurso.
Tipos de Metadatos
Metadatos 
Acabas de tomar una foto de un oso en el bosque. La subes a tu computadora y la colocas en tu base de datos de imágenes. Para encontrarlo rápidamente, utilizarás los descriptores de metadatos para buscar la foto en el futuro. Esto es especialmente importante porque tienes muchas otras fotografías de osos y quieres poder recordar algunas específicas.
Los metadatos ayudan a acotar su búsqueda utilizando descriptores que identifican la imagen. Primero, se anota la fecha en que se tomó la foto y el autor. Esta fecha da una buena base de dónde comenzar tu búsqueda de la imagen. A continuación, se pueden adjuntar a la imagen algunas palabras clave como oso o bosque. Estos son sus metadatos. Usando una combinación de las palabras clave de metadatos, podrás encontrar las imágenes exactas. Estos tipos de metadatos se incluyen en la categoría “descriptiva”.
Otros ejemplos de uso de metadatos son los siguientes:Ejemplos de Metadatos
Metadatos 
Búsquedas de metadatos y sitios web
Los metadatos incrustados en los sitios web son de vital importancia para el éxito del sitio. Incluye una descripción del sitio web, palabras clave, metaetiquetas y más, todos los cuales juegan un papel en los resultados de búsqueda.
Algunos términos de metadatos comunes que se utilizan al crear una página web incluyen metatítulo y meta descripción. El metatítulo explica brevemente el tema de la página para ayudar a los lectores a comprender qué obtendrán de la página si la abren. La meta descripción es más información, aunque breve, sobre el contenido de la página.
Ambas piezas de metadatos se muestran en los motores de búsqueda para que los lectores tengan una idea rápida de lo que trata la página. El motor de búsqueda utiliza esta información para agrupar elementos similares, de modo que cuando busque una palabra clave específica o un grupo de palabras clave, los resultados sean relevantes para su búsqueda.
Los metadatos de una página web también pueden incluir el idioma en el que se escribió la página, como si es una página HTML.
Metadatos 
Metadatos en archivos de computadora
Cada archivo que guardas en tu computadora incluye información básica sobre el archivo para que el sistema operativo entienda cómo manejarlo, y para que tu u otra persona pueda recopilar rápidamente de los metadatos cuál es el archivo.
Por ejemplo, en Windows, cuando ve las propiedades de un archivo, puede ver claramente el nombre del archivo, el tipo de archivo, dónde está almacenado, cuándo fue creado y modificado por última vez, cuánto espacio ocupa en el disco duro, quién es el propietario del archivo y más.
La información puede ser utilizada por el sistema operativo así como por otros programas. Por ejemplo, puedes usar una utilidad de búsqueda de archivos para encontrar rápidamente todos los archivos en tu computadora que se crearon en algún momento de hoy y que pesen más de 3 MB.
Metadatos en las redes sociales
Cada vez que haces amigo de alguien en Facebook, escuchas la música que Spotify recomienda para ti, publicas un estado o compartes el tweet de alguien, los metadatos funcionan en segundo plano. Los metadatos online son útiles en situaciones de redes sociales muy específicas, como cuando estás buscando a alguien en Facebook. Puedes ver una imagen de perfil y una breve descripción del usuario de Facebook para aprender solo los conceptos básicos sobre él antes de decidirte a hacerle amigo o enviarle un mensaje.
TiposCuándo utilizarlaCuándo no utilizarla
Gráfica de barras
Para comparar 2 o más valores en la misma categoría. 
Usa barras apiladas para mostrar cómo se relacionan 
entre sí múltiples conjuntos de datos similares.
Si la categoría tiene un valor asociado a ella
Gráfica de mapas
Si la geografía es una parte importante de tu historia 
de datos.
Para mostrar puntos de datos precisos. Si la geografía 
no es un elemento importante de la historia general del 
dashboard.
Gráfica de líneas
Para comprender tendencias, patrones y fluctuaciones 
en tus datos. O si quieres comparar diferentes 
conjuntos de datos relacionados con múltiples series.
Para demostrar un análisis profundo de los datos.
Diagramas de 
dispersión
Para crear un informe interactivo o crear una 
visualización compacta de datos.
No lo uses si deseas escanear información 
rápidamente o requieres visualizar puntos de datos 
claros y/o precisos.
Minigráficos 
(sparklines)
Úsala junto con una métrica que tenga un valor de su 
estado actual monitoreado durante un período de 
tiempo específico, o si quieres mostrar una tendencia
Si requieres graficar múltiples series. Illustrar puntos 
de datos precisos (es decir, valores individuales).
Gráfica de pastel o 
circular
Para comparar valores relativos o escanear métricas 
rápidamente.
No lo uses si vas a comparar datos con precisión
¿Cuándo utilizar cada tipo de gráfica?
TiposCuándo utilizarlaCuándo no utilizarla
Gráfica de bala
Uno de los tipos de gráfica que sirve para monitorear 
métricas individuales que tengan un objetivo claro en 
este momento.
No la utilices para monitorear múltiples métricas o 
visualizar puntos de datos precisos.
Tabla
Para mostrar conjuntos de datos bidimensionales que 
pueden ser organizados categóricamente. De manera 
desglosada se utiliza para dividir grandes conjuntos de 
datos a través de una ventana desplegable.
Para mostrar grandes cantidades de datos
Gráfica de embudo
Cuando necesitamos hacer un seguimiento de cómo 
un conjunto inicial de visitantes o usuarios abandonan 
un proceso o flujo
Cuando se tienen menos de tres etapas que visualizar 
o si todas las etapas tienen aproximadamente el 
mismo tamaño.
Gráfica de gauge o de 
medidor radial
Cuando tienes un rango lineal de información 
progresiva y quieres representar cómo cambia
Cuando quieras representar una información compleja 
o múltiples escalas en una esfera.
Gráfica de burbujaCuando tus datos tengan al menos tres dimensiones.
Si las dimensiones adicionales no añaden suficiente 
valor incremental para compensar su presencia.
Gráfico de mapa de 
calor
Cuando quieres que el usuario identifique rápidamente 
las áreas de interés y señalar dónde debe producirse 
el cambio
Puedes usar otro tipo de gráfica si tienes pocas 
categorías o pocos datos complejos.
¿Cuándo utilizar cada tipo de gráfica?
Análisis de componentes principalesDetección de relaciones entre variables.
Agrupación por afinidad
Agrupación de personas con intereses comunes o metas 
similares (por ejemplo, personas que compran X a menudo 
compran Y y posiblemente Z).
Agrupación en clústeresAgrupación de registros similares.
Detección de anomalíasIdentificación de valores atípicos multidimensionales.
Aprendizaje de reglas de asociaciónDetección de relaciones entre registros.
Máquinas vectoriales de 
soporte
Modelos de aprendizaje supervisado con 
algoritmos de aprendizaje asociados.
Regresión
Medida de la solidez de la relación entre 
una variable dependiente y una serie de 
variables independientes.
Redes neurales
Programas de computadora que detectan 
patrones, hacen predicciones y aprenden.
Árboles de decisión
Diagramas en forma de árbol en los que 
cada rama representa una incidencia 
probable.
Analítica predictiva más 
reglas
Creación de reglas qué pasaría si/entonces 
a partir de patrones y predicción de 
resultados.
Optimización del 
marketing
Simulación de la mezcla de medios más 
ventajosa en tiempo real para lograr el más 
alto ROI posible.