Data Storytelling en 4 Pasos

¿Qué es data storytelling?

 

Harvard define data storytelling como la capacidad de comunicar de manera efectiva insights de un conjunto de datos mediante narrativa y visualizaciones.

 

¿Por qué es importante el data storytelling?

Un estudio realizado por el profesor Chip Heath de Stanford encontró que el 63% de las personas podía recordar historias, mientras que solo el 5% podía recordar estadísticas.

 

Otro estudio encontró que los humanos principalmente aprendemos de manera visual, reteniendo el 80% de lo que vemos en imágenes, en comparación con el 20% de lo que leemos en texto.

 

Estos hallazgos sugieren que al combinar historias con imágenes podemos lograr una fuerte retención de nuestro mensaje, un factor crítico al querer inspirar acción de una audiencia.

 

Cómo contar una historia con datos

Para un data storytelling efectivo, se requieren los siguientes 4 pasos:

 

1. Datos – Elegir las fuentes de datos para analizar
2. Análisis – Realizar el análisis de datos
3. Insight – Identificar un insight
4. Historia – Crear la historia

 

Datos

En primer lugar, es necesario seleccionar las fuentes de datos para analizar. Estas serán la base de tu historia de datos.

 

A continuación hay un par de ejemplos de dónde puedes encontrar fuentes de datos:

 

• Fuentes externas. Puedes encontrar datasets existentes, como los que se encuentran de forma gratuita en Kaggle o en Google Dataset Search. Alternativamente, también puedes crear tus propios datasets utilizando herramientas de terceros, APIs o web scraping.
• Fuentes internas. Si estás realizando un proyecto en el trabajo, puedes adicionalmente utilizar las tablas existentes en la base de datos de tu empresa, las herramientas de BI disponibles, o una combinación de ambas.

 

Si ya sabes qué pregunta estás tratando de resolver o qué hipótesis quieres validar, eso puede darte ideas sobre qué fuentes de datos son requisitos básicos para el análisis y cuáles podrían ser interesantes para agregar. Podrías utilizar una combinación de fuentes internas y externas. 

 

Por ejemplo, si trabajas en una empresa de alquiler de barcos y quieres crear un informe de ventas, será un requisito básico tener acceso a una tabla histórica de ventas. Además, también puede ser interesante agregar una fuente de datos externa, como el clima histórico, para evaluar el posible impacto en las ventas, especialmente si te encuentras en un mercado donde el clima cambia con frecuencia.

 

Los datos están en el corazón de cada gran historia de datos. Sin embargo, debes tener precaución y asegurar que tus fuentes de datos sean confiables y que las comprendas a profundidad para evitar problemas. Una gran historia construida sobre datos incorrectos es una receta para el desastre. En Internet, un error puede amplificarse debido a lo fácil que es compartir información.

 

Siempre es una buena práctica familiarizarse con la documentación disponible de las fuentes de datos que se utilizarán y también realizar una limpieza adecuada de los datos antes de comenzar el análisis.

 

Análisis

Aquí es donde empieza lo más divertido. Supongamos que ya tienes un dataset listo, has hecho data cleaning, te has familiarizado con su estructura, tienes una pregunta que deseas responder o una hipótesis para validar, ahora es el momento de iniciar el análisis.

 

Los cuatro principales tipos de análisis de datos y las principales preguntas que buscan responder, son los siguientes:

 

• Descriptivo – ¿Qué ocurrió?
• Diagnóstico – ¿Por qué ocurrió?
• Predictivo – ¿Qué es probable que suceda en el futuro?
• Prescriptivo – ¿Cuál es el mejor curso de acción?

 

Para cada uno de estos, existen varias técnicas de análisis de datos que se pueden aplicar.

 

En mi artículo Cómo Aprender Análisis de Datos, menciono algunos de los cursos y herramientas que utilicé para aprender a analizar datos e ingresar a este apasionante campo.

 

Eventualmente, te familiarizaras con las diferentes técnicas y sabrás cuál es mejor para el tipo de análisis que deseas realizar. Personalmente, me gusta observar cómo otras personas realizan análisis de datos para aprender de ellos. Lugares como Kaggle son excelentes para ese tipo de investigación.

 

A medida que realizo mi análisis, me gusta crear gráficos que me parecen interesantes, guardarlos en un documento o en un spreadsheet en orden consecutivo y escribir una nota breve debajo de cada uno explicando la conclusión principal de ese gráfico y por qué es importante.

 

Esto será útil más adelante cuando sea el momento de armar tu historia.

 

Insight

Si buscas la definición de insight en Google, encontrarás una gran variedad de definiciones. Muchas empresas de analytics tienen su propia definición, que a menudo es innecesariamente compleja.

 

Para simplificar las cosas, un insight es un hallazgo dentro de los datos que desafía una creencia común.

 

Es encontrar algo nuevo y emocionante que contar. Muchas veces, incluso lo sentirás físicamente. Es posible que se te ponga la piel de gallina si sientes que has encontrado algo extremadamente nuevo o que desafía el status y se lo quieres contar a todo el mundo o a toda la empresa.

 

Una vez encuentres ese insight, intenta agregar más capas de información, como:

 

• Causa: Identificar la causa de lo que has encontrado
• Efecto: Identificar los efectos causados ​​por lo que has encontrado
• Solución: Identificar una posible solución al problema causado por lo que has encontrado

 

Veamos cómo se ve esto en un ejemplo:

 

• En este ejemplo, supongamos que trabajas en una startup tecnológica y estás en una reunión con la gerencia para revisar el rendimiento de las métricas del funnel de compra de la app. Un descenso reciente en la conversión del paso A al B preocupa a la gerencia y nadie sabe qué lo ha causado. El momento de esta caída es similar a cuando se introdujeron nuevos cambios de precios en la app. La gerencia cree que el aumento de precios provocó la disminución de la conversión y está considerando volver a la estructura de precios anterior en los próximos días. De manera proactiva, decides analizar los datos de uso de la app. Después de un análisis exhaustivo, descubres que para la mayoría de los modelos de teléfonos no hubo una disminución, pero que la tasa de conversión en el modelo de smartphone XYZ ha caído por completo del paso A al B desde hace dos semanas. Vas al app store del smartphone XYZ y descubres que las reseñas de los usuarios durante las últimas 2 semanas han sido bastante buenas, igual que antes. Presentas tus hallazgos al equipo de producto y, después de revisarlo, identifican que los trackers de eventos no han estado funcionando para ese modelo de smartphone.
• Insight: La caída en la conversión no se debió al aumento de precios, como pensaban otros.
• Causa: Los trackers de eventos que se rompieron en el modelo de teléfono XYZ causaron la caída.
• Efecto: Si la gerencia revierte los precios, la empresa podría perder la oportunidad de generar mayores ingresos, ya que el análisis de conversión en otros modelos de smartphone mostró que la conversión se mantuvo estable después del aumento de precios inicial.
• Solución: Arreglar los trackers de eventos para regresar la tasa de conversión a la normalidad en los dashboards, permitiendo que la empresa pueda mantener los nuevos precios y generar mayores ingresos.

 

Los insights no solamente se encuentran en datos de uso de una app, sino en cualquier lugar e industria. Por ejemplo, en este artículo que escribí hace unos años, el insight principal era que, en contra de la creencia común, el interés global en la industria del surf había disminuido drásticamente durante una década, junto con la salud financiera de algunas de las compañías de ropa de surf más grandes del mundo. El hallazgo fue tan impactante que se volvió viral y el artículo fue leído por más de 20.000 personas a nivel global.

 

¿Recuerdas los gráficos que estabas haciendo en la sección anterior llamada ‘Análisis’? Ahora es el momento de seleccionar los que mejor te ayuden a comunicar y sustentar el insight que has encontrado. Es posible que se necesiten varios gráficos para hacerlo de manera efectiva. Por ejemplo, en el artículo mencionado en el párrafo anterior tenía (1) un gráfico que mostraba la disminución general en el volumen de búsquedas del deporte de surf, (2) otro gráfico que mostraba cómo el volumen de búsquedas del deporte de surf se correlaciona con el de las empresas de ropa de surf y (3) un último gráfico que mostraba cómo el precio de las acciones de las empresas de ropa de surf había disminuido de manera proporcional durante el mismo tiempo.

 

Historia

Ahora que tienes listos tus insights y visualizaciones de datos, es hora de vincularlos con una narración cautivadora para crear una historia .

  

Los gráficos principalmente muestran datos, mientras que la narrativa es la mejor manera de decirle al lector por qué esos datos son importantes.

 

Cada vez que comunicas tu análisis a alguien — a través de un artículo, presentación, podcast, etc. – seguramente tienes un objetivo.

 

Por ejemplo, tu objetivo podría incluir alguno de los siguientes:

 

• Obtener aprobación en el trabajo por parte de tus ‘stakeholders’
• Convencer a un posible cliente para que compre tu producto
• Hacer que los lectores compartan, den ‘like’ o comenten en tu post

 

Cualquiera que sea tu objetivo, tendrás una mayor probabilidad de lograrlo compartiendo una historia de datos, en vez de simplemente compartir datos. La probabilidad podría ser hasta 12 veces mayor, según el estudio de Stanford mencionado anteriormente.

 

La definición de Oxford de la palabra narrativa es que es “un relato hablado o escrito de eventos conectados; una historia” y una historia de datos debe ser similar, pero sumándole visualizaciones para maximizar la comprensión y el recuerdo del lector.

 

En esta definición de Oxford, la palabra clave es “conectados”. 

 

¿Recuerdas los gráficos imaginarios que creaste al final de la sección “Análisis” y que luego filtraste en la sección “Insight” para conservar únicamente aquellos que ayuden a sustentar el insight que encontraste? Bueno, ahora es el momento de conectarlos a través de la narrativa y convertirlos en una historia.

 

Antes de empezar a escribir la historia, es importante considerar que los humanos tienen un periodo de atención muy corto, con un promedio de 8.25 segundos. Afortunadamente, hay varias mejores prácticas de escritura que puedes aprovechar para mantener a tus lectores interesados, como:

 

• Mantén la historia centrada en un concepto principal. Utiliza argumentos y visualizaciones para sustentar ese concepto.
• Empieza fuerte. No esperes hasta el final para entregarle todo el valor a los lectores. Después de todo, las personas tienen una capacidad de atención corta y es posible que no lleguen hasta el final. ¿Quién mejor que los científicos para darnos un buen ejemplo? El trabajo de investigación científica estándar comienza con un breve resumen que explica el punto principal y el hallazgo del estudio, después del cual el lector puede optar por continuar leyendo para conocer todos los detalles. En nuestro caso, no estamos escribiendo estudios científicos, entonces no es necesario un párrafo entero, sino 1 o 2 oraciones fuertes para comenzar y brindar algo de valor al lector.
• Usa lenguaje fácil de entender y evite palabras innecesarias. Comprender los datos, estadísticas y gráficos que estás presentando puede ser suficientemente desafiante para el lector, así que hagámosle la vida un poco más fácil y evitemos lenguaje complejo y palabras que estén de más.

 

Además, te invito a indicarle al lector que cierta información es clave, importante o crítica, cuando lo consideres necesario. Por ejemplo, en mi post de LinkedIn con mayor engagement, leído por más de 90,000 personas, especifiqué en el texto que cierta información era de “lectura obligatoria” para los profesionales de una determinada industria. Decirle al lector que algo es una lectura obligada puede parecer agresivo, pero si crees firmemente que es importante que lo lea y que se beneficiará de hacerlo, puede ser una manera muy eficaz de captar su atención.