Morfologías visuales de representación de datos como aumento de capacidades analíticas humanas: Una revisión de literatura

Abstract

RESUMEN La representación visual de datos es una técnica de extracción de conocimiento que permite tener una percepción de toda la información disponible dentro de Big Data. Para lograr el objetivo de captación de la atención humana, es necesario representar el conjunto de datos de una manera intuitiva. De esta forma, el usuario pueda tomar decisiones adecuadas. Consecuentemente, el mejoramiento de la experiencia humano computador se basa en el uso de técnicas de análisis de datos, donde los recursos computacionales deben ser optimizados. En este trabajo, se desarrolla una metodología con una investigación de tipo descriptivo, exploratorio y documental con los diferentes enfoques de visualización de datos orientados al análisis exploratorio para el descubrimiento científico y aumento de las capacidades humanas como apoyo a las decisiones automáticas. Palabras Claves: Big data, minería de datos, morfología visual, visualización. Abstract Visual representation is an approach to extract knowledge, which enables users to perceive the information whitin a context of Big Data. To involve the human perception into the data analysis, an inuitive data representation is needed. Consequently, any user will be able to make more adequate decisions. Indeed, the enhancement of human-computer interaction is based on the use of data anaylisis techniques while computational broad is optimized. In this work, a descriptive, exploratory and documental methodology is presented aimed at highlighting the benefit of involving the human skills within the process of automatic decision making.

Full text

CAPÍTULO
CAPÍTULO
MORFOLOGÍAS VISUALES DE REPRESENTACIÓN DE DATOS COMO
AUMENTO DE CAPACIDADES ANALÍTICAS HUMANAS: UNA REVISIÓN
DE LITERATURA
Andrés Javier Anaya Isaza1,2, Ana Crisna Umaquinga Criollo3, Gabriela Narváez Olmedo3, Paúl David Rosero
Montalvo3, Diego Hernán Peluo Ordóñez4 *
1Universidad Surcolombiana – Colombia,
2Universidad Tecnológica de Pereira - Colombia,
3Universidad Técnica del Norte - Ecuador,
4Universidad Yachay Tech- Ecuador
* dpeluffo@yachaytech.edu.ec
RESUMEN
La representación visual de datos es una técnica de extracción de conocimiento que permite tener una percepción
de toda la información disponible dentro de Big Data. Para lograr el objetivo de captación de la atención humana,
es necesario representar el conjunto de datos de una manera intuitiva. De esta forma, el usuario pueda tomar
decisiones adecuadas. Consecuentemente, el mejoramiento de la experiencia humano computador se basa en el
uso de técnicas de análisis de datos, donde los recursos computacionales deben ser optimizados. En este trabajo,
se desarrolla una metodología con una investigación de tipo descriptivo, exploratorio y documental con los diferentes
enfoquesdevisualizacióndedatosorientadosalanálisisexploratorioparaeldescubrimientocientícoyaumentode
las capacidades humanas como apoyo a las decisiones automáticas.
Palabras Claves: Big data, minería de datos, morfología visual, visualización.
Abstract
Visual representation is an approach to extract knowledge, which enables users to perceive the information whitin a
context of Big Data. To involve the human perception into the data analysis, an inuitive data representation is needed.
Consequently, any user will be able to make more adequate decisions. Indeed, the enhancement of human-computer
interaction is based on the use of data anaylisis techniques while computational broad is optimized. In this work, a
descriptive,exploratoryanddocumentalmethodologyispresentedaimedathighlightingthebenetofinvolvingthe
human skills within the process of automatic decision making.
Keywords: Big data, data mining, visual morphology, visualization.
34
34

376
INTRODUCCIÓN
Las representaciones visuales de conjuntos de datos que generan los sistemas de visualización computarizados,
normalmente, estánorientados a lamejora de lausabilidad que permitedenir al ser humano, de una manera
adecuada,algunosparámetrosasociadosconlaeciencia,ecaciaysatisfacciónparaejecutartareas(Riquelme,
Ruiz,&Gilbert,2006),(Logreira,2011),(Haoetal.,2012)also called motifs, in data streams has been recognized
asanimportanttask.Tondthesemotifs,weuseanadvancedeventencodingandpatterndiscoveryalgorithm.As
a large time series can contain hundreds of motifs, there is a need to support interactive analysis and exploration.
In addition, for certain applications, such as data center resource management, service managers want to be able
to predict the next day’s power consumption from the previous months’ data. For this purpose, we introduce four
novelvisualanalyticsmethods:(i. En efecto las representaciones pueden realizarse con otras formas de interacción
humana, pero el campo de la visualización ha surgido para utilizar la visión humana en búsqueda del aumento de las
capacidades de percepción del entorno, dado que es el sentido más efectivo y con mayor ancho de banda.
Losejerciciosdevisualizaciónsonasertivoscuandosejusticalanecesidad,porpartedelserhumano,deaumentar
las capacidades sensoriales, en lugar de reemplazar al factor humano con modelos computacionales que ejercen
la toma de decisiones. El enorme espacio de búsqueda de posibles diseños de visualización es incluyente y por
tanto abarca las metodologías para la creación e interactividad de las representaciones visuales que mejoran la
experiencia de usuario frente al ecosistema lógico de los servicios del contexto.
Los problemas que enfrenta el análisis visual son diversos y pueden intersectar diversas áreas del conocimiento,
talescomo:Percepciónhumana,representacióndedatos,algoritmia,computaciónintensiva,einteligenciaarticial,
entreotras(Holzinger&Jurisica,2014).Portanto,plantearseuncaminoparadesarrollarinvestigaciónpuedeserun
temaescurridizoyrequieredeunpanoramatécnicoycientícoquepermitadeterminarunovariosenfoques.
A esto se suma el hecho de que los límites de la cognición y la memoria humana hacen necesario el aumento de las
capacidadesnaturalesdelaconguraciónhumana.Portanto,eldiseñadordeherramientasdevisualizacióndebe
considerar dentro de sus modelos las limitantes, no sólo técnicas sino también de los usuarios. Por ejemplo, debe
consideraraspectosrelacionadosconlaspantallas,elhardwareengeneralylapercepciónhumana(Crisanetal.,
2016).El uso dela visualización, seanaliza de acuerdocon la necesidaddel usuario, comúnmentellamado “el
porqué”,ademásdelosdatosaservisualizadosycómosediseñatodasaquellasestructurasdedatosomorfologías
visualesderepresentación,lasquesedenominan“Modismos”(Idioms).
Para realizar un diagnóstico del estado del arte e instituir un foco para proponer soluciones factibles a los problemas
delavisualización,enestetrabajoseproponerealizarunarevisiónactualdeliteraturacientícacorrespondientea
losenfoquesderepresentaciónvisualcomo:factorhumano,HCIHumanComputerInteraction,análisisexploratorio
paraeldescubrimientocientícoyaumentodelascapacidadeshumanascomoapoyoalasdecisionesautomáticas.
Esto permite validar hipótesis respecto a la explotación de las propiedades del espectro visible a nivel de percepción,
como una herramienta asertiva que faculta al campo visual, para caracterizar adecuadamente la transmisión de
información.
El resto de este documento está organizado así: En la Sección 2, se presenta la metodología empleada para
estructurar el documento en el sentido conceptual y de sistematización de las referencias bibliográcas. En la
Sección3,sepresentaunabrevediscusión.Yporúltimo,enlaSección4,sepresentaloscomentariosnales.
METODOLOGÍA
La presente investigación es de tipo descriptivo, exploratorio y documental, se realiza una revisión de literatura
especializada y el análisis enfocado a la representación visual de datos.
Acontinuación,sepresentalosprincipalesenfoquessereerelapresenteinvestigación:

377
Big Data
Las organizaciones de todo tipo enfrentan varios desafíos para el tratamiento y análisis de información y datos
masivos(estructurados,noestructuradosysemiestructurados),medianteusodeherramientasdedescubrimiento
de conocimiento en base de datos (DCBD o KDD )(Morales, Aguilar, & Marín, 2015), ésta diversidad de datos
generadaprincipalmenteporfuentescomo:personas,redessociales,transacciones,empresas,interconexiónentre
máquinas(M2M),biometría,señalesGPS,lecturasconRFID,datosemitidosporsensores,Internetdelascosas
(IoT)tiendeaincrementarse(Weietal.,2016)(Salazar-Castro,Rosas-Narváez,Pantoja,Alvarado-Pérez,&Peluffo-
Ordóñez,2015)(IBM,2012).Estoproduceunimpactotrascendentalenlasociedad,ciencia,tecnologíayeconomía
(IBM&Martins,2017)
IBMyGartherplanteanunmodeloparareferenciarlascaracterísticaspropiasdeBigDatade3V:Volumen, Veracidad
y Variedad,gracias al avancetecnológicoycrecimientodel volumende datosseañaden3V:Veracidad, Valor y
Visualización(Weietal.,2016).
Sinembargo, existen barrerasorganizacionales y tecnológicasa superar,entre lasquese encuentran(TDWI&
Halper,2016):
Tabla 1. Identicación de barreras organizacionales y tecnológica de Big Data
Barrerasidenticadas %
• Falta de profesionales especializados en análisis de big data 40%
• Propiedad de los datos y otras políticas 36%
• Falta de gobierno o administración 29%
• Costo 28%
• Falta de profesionales capacitados en gestión de grandes volúmenes de datos 27%
• Falta de patrocinio comercial 25%
• Falta de soporte ejecutivo 24%
• Conanza/Cultura 23%
• Proyecto correcto 21%
• No se puede acceder a los datos necesarios 15%
• Otro 6%
Fuente (TDWI & Halper, 2016)
Big data: Pre-procesamiento y visualización
Eldescubrimientodeconocimientoenbasesdedatos(DCBDoKDD)permiterecuperarinformaciónoculta,posee
un proceso que a partir de éstos datos, combina el descubrimiento y análisis de información que conlleva a la
extraccióndepatronesenformadereglasofunciones,conelndegarantizaralusuariolarealizacióndelanálisis
respectivo,constade3etapas:Pre-procesamiento,Mineríadedatos(Datamining)yvisualizacióndeinformación
(Riquelme,Ruiz,&Gilbert,2006),(Logreira,2011),(Haoetal.,2012).
Estas formas de representación del conocimiento requieren de analistas con habilidades en la interpretación de
patronesyextraccióndeconocimiento(Wong,1999),éstaesunadelasrazonesporlasquesurgenlastécnicas
dereducción de dimensionalidad (RD)parareducirelproblemadedimensiónparadichosresultadosalpresenta
resultados visuales en objetos de 1D, 2D, 3D más legibles para los seres humanos.
Actualmente existen herramientas de visualización que permiten una mejor comprensión de información, algunas de
ellasseenfocanenlasetapasdepre-procesamientopost-procesamientoy/ovisualización,quenoseintegranen
todaslasetapasterminandoendatosabstractosoambigüedadenelanálisisvisual.(Wong,1999),(Kerren,Ebert,
&Meyer,20016).

378
Visualización de datos
Los sistemas de visualización de datos pretenden ayudar al ser humano en la ejecución de tareas efectivamente,
utilizando el sentido más efectivo y mayor ancho de banda(Lam, Tory, & Munzner, 2017) para aumentar las
capacidades de percepción del entorno.
Eldiseñadordevisualizacióndebeconsiderarparámetrosolimitantesanivelderecursoscomo:pantallas,hardware,
decomputadoras,ysereshumanos(Bendoly,2016),quedebenseranalizadosdependiendodelasnecesidadesdel
usuario,morfologías,modismos(Moten,Newton,&Jackson,2016).Lagura1.Presentaelanchodebandadel
campo visual humano
Figura.1.
a) Ejes son fundamentalmente diferentes del eje de profundidad.
(b)Alolargodelejedeprofundidadesposibleverunpuntoporcadarayo,frenteamillonesderayosparalosotros
dosejes(Munzner,2014)
Apoyo al Aumento de las Capacidades Humanas como Herramienta Analítica
La visualización permite al ser humano realizar sencillos análisis de cualquier expresión generalizada de
datos, especialmente cuando no se conoce con previamente y con exactitud que interrogantes se requiere
responder(Munzner,2014),conelincrementodedatosmasivosydediferentetipo,seprecisadelasinergiaefectiva
deáreascomolaestadística,probabilidadyaprendizajeautomático(Brehmer,Ng,Tate,&Munzner,2016),(Crisan,
Gardy,&Munzner,2016).
El 72% de problemas de análisis visual, se debe a un mal planteamiento o especicación o especicación del
mismo;porunaparte“laspersonasnosabencómoabordarelproblema”(Crisanetal.,2016),mientrasqueporotra,
no tienen una certeza para determinar cuál de estas preguntas candidatas son correctas a priori o de antemano
(Borkinetal.,2016).
Las herramientas visuales pueden ser transitorias, con el ánimo de maximizar procesos tempranos de transición
exploratorios, donde obtener una comprensión más clara de los requisitos de análisis juega un papel importante
antesdeldesarrolloformaldemodelosmatemáticos,computacionalesosolucionesautomáticas(Handler,Blodgett,
&O’Connor,2016)(Crisanetal.,2016).

379
Análisis Exploratorio para el Descubrimiento Cientíco: El caso más frecuente es el análisis exploratorio para el
descubrimientocientíco,cuyoobjetivoes”acelerarymejorarlacapacidaddeunusuarioparagenerarycomprobar
hipótesis”
La Visualización en Minería de Datos
Mineríadedatos(DataMining),Tambiénllamadaexplotacióndeinformación(Moine,Haedo,&Gordillo,2011),se
denecomoelprocesodedescubrimientodepatrones,tendenciasyrelacionessignicativasalexaminargrandes
volúmenesdedatosparadeterminarlainformaciónsumergida(informaciónoculta).
La visualización de datos se encuentra íntimamente relacionado con una correcta gestión de los datos y la información
(Holzinger&Jurisica,2014).
Reducción de dimensión
La RD tiene como objetivo extraer información de datos de alta dimensión a baja dimensión, lo que permite un
mejor rendimiento computacional del sistema de reconocimiento de patrones, una visualización de datos de manera
inteligible, entre otros
Visualización de datos desde la RD
La percepción humana va más allá de una presentación especial y geométrica. Existen otros factores importantes de
estosaspectosyotrosrelacionadosconelanálisisvisualdedatos,comolavisualización(visualizacióndeinformación
- InfoVis). Esta área se ocupa de todo lo relacionado con la comunicación entre un usuario y la computadora,
(Pimentel,Cataldi,&Muñiz,2013),lainterfazvisualeinteractivacuyoobjetivoprincipalesrepresentarconlamínima
entropíavisualunaseriededatosalusuarionalconlamínimapérdidadeinformación,intuitivo.
Ciertos estudios se han enfocado en el estudio de técnicas de visualización
DISCUSIÓN
Deacuerdoconlosenfoquesdelarepresentaciónvisualmencionados,searmaamododehipótesisnula,quela
codicaciónvisualapoyadirectamenteprocesosqueaumentanlascapacidadesanalíticashumanas,enbeneciode
establecer aquellas morfologías visuales que tengan un alto grado de correspondencia en métricas de efectividad y
expresividadencuantoaCanales(Color,Movimiento,Forma,RegiónEspacial.)yMarcas(PrimitivasGeométricas).
Valela penaresaltarque procesoscomo:Espacio deDiseño y Lenguajede Visualización, puedenser un poco
ambiguos.Estosedebealfactorcreativoysubjetivodeldiseñadordelmodismo.Talarmacióndemuestraqueno
hayunaúnicametodologíaparallegaracrearcodicacionesvisualesquerepresentenaltosíndicesdeexpresividad
y efectividad aplicada a datos con un solo modismo, el cual sigue siendo un problema abierto. Contrariamente a
estaarmación,sepuedecrearunamplioespaciodediseñoquedesarrolleunmejoríndicedeposibilidadespara
manipular, una o varias formas de un modismo, a través de la interactividad como una posible hipótesis alternativa
basadoenlasarmacionesde(Munzner).
Comoultimaconsideraciónynomenosimportante,elanálisisexploratorioparaeldescubrimientocientíco,permite
renar,depuraroampliarmodelosmatemáticosyalgoritmos,paratenerunentendimientodelfenómenodecómo
se afectan las salidas determinísticas de tales modelos a través de los eventos mediante el paso de parámetros.

380
CONCLUSIONES
Estetrabajoidenticalanecesidaddeunarevisiónprofundadelaliteraturaactual,enbeneciodelaportedelas
representaciones de morfologías visuales como apoyo al aumento de las capacidades analíticas humanas en la era
delosdatosmasivos.Talesaportesesbozantemáticasrelacionadasa:VisualizacióndeDatos,comoherramienta
deexplotacióndelcanalconelmayoranchodebandahumano“lavisión”,AnálisisExploratorio,comoherramienta
probatoriaenbúsquedadehipótesis,renamientoydepuraciónparadeterminarpatronesqueclaramenteaportana
componentes relacionados con labores de minería de datos y descubrimiento de conocimiento.
En materia de argumentos con altas complejidades de orden matemático como el campo de la reducción de la
dimensión,sepuedearmarquelarepresentacióndedatosmediantemodismos,ayudaalentendimientointuitivo
en topologías de datos de alta dimensionalidad y que los procesos de interactividad soportados en representaciones
decodicaciónvisualesayudanalentendimientodelfenómeno,paradeterminarlosprocesosintermediosasícomo
también las salidas dentro de los conceptos de representaciones de menor dimensión.
REFERENCIAS BIBLIOGRÁFICAS
Bendoly, E. (2016). Fit, Bias, and Enacted Sensemaking in Data Visualization: Frameworks for Continuous
DevelopmentinOperations and Supply Chain ManagementAnalytics.JournalofBusiness Logistics, 37(1), 6–17.
https://doi.org/10.1111/jbl.12113
Borkin, M. A., Bylinskii, Z., Kim, N. W., Bainbridge, C. M., Yeh, C. S., Borkin, D., … Oliva,A. (2016). Beyond
Memorability:Visualization Recognitionand Recall.IEEE Transactions on Visualizationand ComputerGraphics,
22(1),519–528.https://doi.org/10.1109/TVCG.2015.2467732
Brehmer,M.,Ng,J.,Tate,K.,&Munzner,T.(2016).Matches,Mismatches,andMethods:Multiple-ViewWorkowsfor
EnergyPortfolioAnalysis.IEEETransactionsonVisualizationandComputerGraphics,22(1),449–458.https://doi.
org/10.1109/TVCG.2015.2466971
Crisan,A.,Gardy,J.L.,&Munzner,T.(2016).OnRegulatoryandOrganizationalConstraintsinVisualizationDesign
and Evaluation. En Proceedings of the Sixth Workshop on Beyond Time and Errors on Novel Evaluation Methods for
Visualization(pp.1–9).NewYork,NY,USA:ACM.https://doi.org/10.1145/2993901.2993911
Handler,A., Blodgett, S. L., & O’Connor, B. (2016). Visualizing textual models with in-text and word-as-pixel
highlighting.arXiv:1606.06352[cs,stat].Recuperadoapartirdehttp://arxiv.org/abs/1606.06352
Hao,M.,Marwah,M.,Janetzko,H.,Dayal,U.,Keim,D.,Patnaik,D.,…Sharma,R.(2012).Visualexplorationoffrequent
patternsinmultivariatetimeseries.InformationVisualization,11(1),71–83.https://doi.org/10.1177/1473871611430769
Holzinger,A.,& Jurisica, I.(2014). Knowledge Discoveryand Data MininginBiomedical Informatics:TheFuture
IsinIntegrative,InteractiveMachineLearning Solutions. EnInteractive KnowledgeDiscovery andData Miningin
BiomedicalInformatics (pp. 1–18). Springer,Berlin, Heidelberg.Recuperado apartir dehttps://link.springer.com/
chapter/10.1007/978-3-662-43968-5_1
IBM.(2012,junio18).¿QuéesBigData?Recuperadoel19denoviembrede2017,apartirdehttp://www.ibm.com/
developerworks/ssa/local/im/que-es-big-data/index.html
IBM,&Martins,A.(2017,agosto23).Cómoseconstruyeunaempresacognitiva.Recuperadoel24deoctubrede
2017,apartirdehttps://www.ibm.com/blogs/transformacion/2017/08/23/se-construye-una-empresa-cognitiva/
Kerren,A., Ebert,A., &Meyer,J. (20016).Human-Centered Visualization Environments- GI-Dagstuhl |Andreas
Kerren|Springer.Recuperadoapartirde//www.springer.com/gp/book/9783540719489

381
Lam,H.,Tory,M.,&Munzner,T.(2017).Bridging FromGoalstoTaskswithDesignStudyAnalysisReports.IEEE
TransactionsonVisualizationandComputerGraphics.https://doi.org/10.1109/TVCG.2017.2744319
Logreira,C.(2011).MineríadedatosysuincidenciaenlatomadedecisionesempresarialesenelcontextodeCRM.
Ingenieríasolidaria,7(13),68–71.
Moine,J.M.,Haedo,A.S.,&Gordillo,S.E.(2011).Estudiocomparativodemetodologíasparamineríadedatos.
PresentadoenXIIIWorkshopdeInvestigadoresenCienciasdelaComputación.Recuperadoapartirdehttp://hdl.
handle.net/10915/20034
Morales, M. D. O., Aguilar, L. J., & Marín, L. M. G. (2015). Los desafíos del marketing en la era del big data.
e-CienciasdelaInformación,6(1),1–31.
Moten,C.I.,Newton,H.,&Jackson,L.(2016).TRACInnovativeVisualizationTechniques(No.TRAC-M-TR-17-003).
ARMY TRADOC ANALYSIS CENTER MONTEREY CA MONTEREY United States, ARMY TRADOC ANALYSIS
CENTER MONTEREY CA MONTEREY United States. Recuperado a partir de http://www.dtic.mil/docs/citations/
AD1025683
Munzner,T.(2014).VisualizationAnalysisandDesign.CRCPress.
Pimentel,D.,Cataldi,M.,&Muñiz,G. (2013). Dela Visualización a laSensorización de Información.En Blucher
DesignProceedings(Vol.1,pp.129–133). Recuperado apartirdehttp://www.proceedings.blucher.com.br/article-
details/de-la-visualizacin-a-la-sensorizacin-de-informacin-14109
Riquelme,J. C., Ruiz,R.,& Gilbert, K.(2006).Minería deDatos:Conceptos y Tendencias. InteligenciaArticial.
RevistaIberoamericanadeInteligenciaArticial,10(29),11–18.
Salazar-Castro,J.A.,Rosas-Narváez,Y.C.,Pantoja,A.D.,Alvarado-Pérez,J.C.,&Peluffo-Ordóñez,D.H.(2015).
Interactiveinterfaceforefcientdatavisualizationviaageometricapproach.En201520thSymposiumonSignal
Processing,ImagesandComputerVision(STSIVA)(pp.1–6).https://doi.org/10.1109/STSIVA.2015.7330397
TDWI, & Halper, F. (2016, diciembre). Best Practices Report | Data Science and Big Data: Enterprise Paths to
Success | Transforming Data with Intelligence. Recuperado a partir de https://tdwi.org/research/2016/12/best-
practices-report-data-science-and-big-data.aspx
Wei, Y., Liu, S., Sun, J., Cui, L., Pan, L., & Wu, L. (2016). Big Datasets for Research: A Survey on Flagship
Conferences. En 2016 IEEE International Congress on Big Data (BigData Congress) (pp. 394–401). https://doi.
org/10.1109/BigDataCongress.2016.62
Wong, P. C. (1999). Visual data mining. IEEE Computer Graphics and Applications, 19(5), 20–21. https://doi.
org/10.1109/MCG.1999.788794