Capitulo 12
Storytelling con datos
Conecta contexto, evidencia y recomendación sin convertir una asociación en una promesa
Transforma análisis en una narrativa para una audiencia concreta: pregunta, hallazgo, evidencia, límites y acción. Integra principios de usabilidad, visuales con contexto y una primera aproximación a mapas.
No inventa una trama para que los datos «suenen mejor». Selecciona evidencia relevante, muestra el contexto y explicita qué decisión puede apoyar. Si los resultados no sostienen una recomendación, la historia debe decirlo.
Empieza por la decisión que la audiencia debe tomar; termina con la evidencia y los límites que la hacen defendible.
— Principio de storytelling analítico
12.1 Del análisis a una audiencia
Un análisis puede ser técnicamente correcto y aun así no servir: quizá presenta veinte gráficos a alguien que solo necesita decidir el inventario de la próxima semana. Antes de comunicar, identifica:
- Audiencia: qué sabe y qué responsabilidad tiene.
- Decisión: qué puede cambiar después de leer.
- Contexto: período, unidad, población y restricciones.
- Hallazgo: qué observaste, cuantificado y verificable.
- Acción: qué propones y qué evidencia falta para ejecutarla con seguridad.
Este capítulo corresponde al Módulo 13 del PDF, que también introduce análisis espacial y mapas en Python; aquí se establece su papel narrativo y M13 desarrolla proyecciones y métodos espaciales.
Una estructura narrativa que se puede defender
| Parte | Pregunta | Ejemplo en retail |
|---|---|---|
| Contexto | ¿Qué situación estamos observando? | Ventas comparables de tiendas durante el último trimestre |
| Tensión | ¿Qué cambió o no está resuelto? | Los ingresos subieron, pero las devoluciones crecieron aún más en una categoría |
| Evidencia | ¿Qué dato demuestra el hallazgo? | Tasa de devolución por categoría, con numerador, denominador y tendencia |
| Interpretación | ¿Qué explicaciones son plausibles? | Cambio de surtido, talla o calidad; aún no sabemos cuál causa domina |
| Acción | ¿Qué siguiente paso es proporcional? | Auditar dos productos y probar una descripción mejorada |
| Límite | ¿Qué no sabemos? | Datos observacionales; el resultado no prueba que la descripción cause devoluciones |
12.2 Títulos que comunican el hallazgo
Un título descriptivo nombra el objeto: «Devoluciones por categoría». Un título de acción sintetiza el resultado: «La categoría X concentra el aumento de devoluciones desde mayo». El segundo ahorra inferencia, siempre que el gráfico realmente lo respalde.
Una buena secuencia de diapositivas o de bloques de dashboard sigue un hilo:
- La decisión y por qué importa.
- Qué datos y periodo se analizaron.
- Qué ocurrió y cómo se compara con una base.
- Dónde se concentra la diferencia.
- Qué explicación tiene evidencia y cuál sigue siendo hipótesis.
- Qué acción se recomienda, cómo se medirá y cuándo se revisará.
Cada visual debería responder una pregunta concreta. Si un gráfico no cambia la comprensión o la decisión, probablemente es material de respaldo y no parte del relato principal.
12.3 Usabilidad y honestidad visual
- Usa términos y unidades que la audiencia reconoce; explica los términos técnicos que no puede evitar.
- Mantén orden, etiquetas, colores y filtros consistentes entre páginas.
- Muestra fuente, fecha de actualización y estado de los filtros.
- Anota eventos conocidos (promoción, cambio de precio, interrupción) sin tratarlos automáticamente como explicación causal.
- Facilita volver de un resumen al detalle necesario para verificarlo.
- Permite una lectura sin color, con teclado y con texto alternativo o tabla de datos.
En mapas, la geografía aporta contexto, pero también puede sesgar: áreas grandes atraen la mirada, zonas con poca población pueden parecer importantes y límites administrativos cambian la interpretación. Para comparar zonas, muestra también una tabla o tasa con denominador.
Un primer mapa por áreas puede ser suficiente para ubicar un patrón; el siguiente capítulo profundiza la validez geométrica y temporal:
import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
zones = gpd.read_file("data/zones.geojson")
sales_by_zone = pd.read_csv("data/sales_by_zone.csv") # una fila por zone_id
map_data = zones.merge(sales_by_zone, on="zone_id", validate="one_to_one")
ax = map_data.plot(column="sales_per_store", cmap="Blues", legend=True,
edgecolor="white", linewidth=0.3, missing_kwds={"color": "lightgrey"})
ax.set_title("Ventas por tienda y zona")
ax.set_axis_off()
plt.show()
Este ejemplo requiere un GeoJSON con identificador de zona y una tabla con el mismo grano. Confirma ambos CRS y que sales_per_store tenga un denominador comparable antes de interpretar el color.
12.4 Ejemplo: redactar sin saltar de correlación a causa
Supón que un análisis encuentra que clientes con contrato mensual tienen una tasa de churn más alta que clientes con contrato anual. Una narración prudente podría decir:
Hallazgo: En la cohorte observada, el churn de clientes con contrato mensual fue mayor que el de clientes con contrato anual durante el período definido. Decisión sugerida: priorizar una prueba de retención para clientes mensuales elegibles. Lo que falta: confirmar diferencias por antigüedad, precio y canal; el contrato podría estar asociado con otros factores y esta comparación no demuestra causalidad.
La visualización correspondiente debe mostrar la tasa, el número de clientes de cada grupo, intervalo o incertidumbre cuando sea pertinente y el período. Mostrar solo barras de conteo puede ocultar tamaños de grupo distintos.
import matplotlib.pyplot as plt
import seaborn as sns
# df tiene una fila por cliente y columnas contract, churn (0/1).
summary = (
df.groupby("contract", as_index=False)
.agg(churn_rate=("churn", "mean"), customers=("churn", "size"))
)
ax = sns.barplot(data=summary, x="contract", y="churn_rate", color="#087e8b")
ax.set(title="El churn observado varía por tipo de contrato",
xlabel="Contrato", ylabel="Clientes que cancelaron (%)")
ax.set_yticks([0, 0.1, 0.2, 0.3, 0.4], labels=["0%", "10%", "20%", "30%", "40%"])
for index, row in summary.iterrows():
ax.text(index, row.churn_rate, f"n={row.customers:,}", ha="center", va="bottom")
plt.tight_layout()
plt.show()
El código resume observaciones, no corrige confusores ni calcula intervalos. Para un informe inferencial, usa un método adecuado a la muestra y al diseño, y explica su incertidumbre.
12.5 Preparar una recomendación accionable
Una recomendación es útil si incluye:
| Elemento | Pregunta de control |
|---|---|
| Acción | ¿Qué se propone cambiar o probar? |
| Alcance | ¿A quién o a qué segmento afecta? |
| Evidencia | ¿Qué dato respalda el cambio? |
| Riesgo | ¿Qué podría salir mal o excluir a alguien? |
| Medición | ¿Qué indicador y grupo de comparación dirán si funcionó? |
| Revisión | ¿Cuándo se detiene, amplía o modifica? |
Si existe incertidumbre, recomienda una prueba acotada con criterio de salida, no una intervención irreversible basada en una correlación exploratoria. En modelos predictivos, añade revisión humana y controles de uso apropiado cuando la decisión afecta personas.
Título de acción
M12Título que comunica el hallazgo principal de una visualización en lugar de limitarse a nombrar el gráfico o variable.
Ej: «Las devoluciones de calzado crecieron después del cambio de surtido» solo es adecuado si el periodo y la evidencia muestran esa asociación; no afirma que el cambio la causó.
Elige un hallazgo de un análisis real de ventas o churn. Escribe una audiencia, decisión, título de acción, visual principal, fuente, denominador y tres limitaciones. Redacta una recomendación con una prueba medible. Pide a alguien de la audiencia que explique el hallazgo y la acción; revisa el material si ambas personas entendieron algo distinto.
💡 Uno describe evidencia; la otra propone una acción.
Q: ¿Cómo presentarías un resultado que contradice la hipótesis inicial?
Lo reportaría con el mismo rigor que cualquier otro, aclararía hipótesis, población, método e incertidumbre, revisaría errores de calidad y propondría qué nueva evidencia ayudaría a entenderlo.
🪤 Cambiar la pregunta o excluir observaciones después de ver los resultados para conservar la historia deseada.Para continuar
Una historia puede incluir una dimensión geográfica. M13 profundiza cómo representar lugares, elegir sistemas de referencia y comparar zonas sin distorsionar sus áreas ni exponer datos sensibles.
Tu espacio de estudio
Notas privadas
Se guardan solo en este navegador y no se publican.