Portada del artículo: Historia de la visualización de datos: de Playfair a los agentes de IA

Historia de la visualización de datos: de Playfair a los agentes de IA

Línea de tiempo de la visualización de datos: Playfair (1786), John Snow (1854), Minard, Bertin, Tufte y lo que cambia ahora que la IA genera las gráficas.

La historia de la visualización de datos en una línea: empezó en 1786 con los gráficos de William Playfair, ganó el mapa de John Snow en 1854 su primera victoria práctica, se volvió sistema con Jacques Bertin en 1967 y hoy entra en una etapa donde la gráfica la propone la IA. Debajo, cada hito con su fecha.

La visualización de datos como la conocemos empieza en 1786, cuando el escocés William Playfair publicó el primer gráfico de barras y el primer gráfico de líneas en su Atlas Comercial y Político. Antes de él, los datos económicos se presentaban en tablas. Playfair fue el primero en argumentar que una imagen podía comunicar una cantidad mejor que una columna de cifras — y tuvo que defenderlo durante años contra críticos que lo consideraban poco serio.

Esa tensión entre rigor y claridad sigue viva hoy, solo que ahora quien dibuja la gráfica puede ser un modelo de lenguaje.

1786 — Playfair inventa el vocabulario

Playfair no solo hizo el primer gráfico de barras. También creó el de líneas para series de tiempo y, en 1801, el gráfico circular. Es decir: una sola persona inventó tres de los cuatro tipos de gráfica que sigues viendo en cualquier tablero corporativo.

Su intuición fue que el ojo humano compara longitudes y posiciones mucho mejor de lo que la mente compara números. Doscientos cuarenta años después, la investigación en percepción gráfica le dio la razón — y de paso explicó por qué el gráfico circular, el único de sus inventos que codifica ángulos, es el más problemático de los tres. Sobre eso escribimos en por qué no usar gráficos circulares.

1854 — El mapa que detuvo una epidemia

Cuando el cólera azotó el Soho londinense, la teoría dominante era que la enfermedad se transmitía por el aire. El médico John Snow hizo algo distinto: dibujó un mapa marcando cada muerte con una línea sobre su domicilio.

El patrón fue inmediato. Los casos se agrupaban alrededor de una bomba de agua en Broad Street. Snow convenció a las autoridades de retirar la manija de esa bomba y los contagios cayeron.

Es el caso fundacional de la visualización de datos, y por una razón que se pasa por alto: Snow ya tenía los datos antes de hacer el mapa. Lo que le faltaba no era información, era una forma de verla que hiciera evidente lo que la tabla escondía. Ese sigue siendo el argumento central de toda la disciplina.

1858 — Nightingale y la visualización como instrumento político

Florence Nightingale, enfermera durante la Guerra de Crimea, quería demostrar que la mayoría de los soldados británicos no morían en combate sino por enfermedades prevenibles en los hospitales militares.

Diseñó lo que hoy se conoce como su diagrama de rosa: un gráfico polar donde el área de cada segmento representaba las muertes por causa, mes a mes. La masa azul de muertes por enfermedad aplastaba visualmente a la roja de muertes por heridas.

Funcionó. Las reformas sanitarias que impulsó salvaron miles de vidas. Y dejó una lección incómoda: la visualización no es neutral. Nightingale eligió esa forma porque era persuasiva, no porque fuera la más precisa para comparar cantidades. Un gráfico de barras habría sido más exacto y menos eficaz para mover al Parlamento.

1869 — Minard y la densidad de información

Charles Minard, ingeniero civil francés, publicó un diagrama de flujo de la campaña napoleónica en Rusia que suele citarse como la mejor gráfica jamás hecha.

En una sola imagen codificó seis variables: el tamaño del ejército (grosor de la banda), su posición geográfica en dos dimensiones, la dirección del avance y el retroceso, y la temperatura durante la retirada. La banda que entra a Rusia con 422,000 hombres sale con 10,000, y la caída de temperatura corre en paralelo abajo.

Nadie necesita explicación para entender la magnitud del desastre. Es la prueba de que la restricción real de una visualización no es cuántos datos caben, sino cuántos puede procesar el ojo cuando están bien codificados.

1967 — Bertin convierte el oficio en gramática

Hasta aquí, la visualización era talento individual. El cartógrafo francés Jacques Bertin la volvió sistema con Sémiologie Graphique.

Bertin identificó las variables visuales disponibles para codificar información — posición, tamaño, forma, color, orientación, textura, valor — y analizó qué tipo de dato representa bien cada una. Su aporte fue establecer que la elección de una gráfica no es cuestión de gusto, sino de correspondencia entre el tipo de dato y la variable visual.

Esa idea es la base de todo lo que vino después, incluidas las reglas que hoy aplica cualquier herramienta de BI cuando te sugiere un tipo de gráfica.

1977–1984 — La evidencia empírica

Dos hitos convirtieron la teoría en ciencia medible.

El estadístico John Tukey publicó Exploratory Data Analysis en 1977, argumentando que graficar no es el paso final para presentar conclusiones, sino la herramienta principal para encontrarlas. Introdujo el diagrama de caja y la idea de mirar los datos antes de modelarlos.

Luego, en 1984, William Cleveland y Robert McGill hicieron algo que faltaba: experimentos controlados para medir con qué precisión las personas leen distintas codificaciones visuales. Su resultado ordenó la jerarquía que seguimos usando:

PrecisiónCodificación
Más precisaPosición sobre una escala común
↓Posición sobre escalas no alineadas
↓Longitud
↓Ángulo y pendiente
↓Área
Menos precisaVolumen, saturación de color

Esta tabla explica de una sola vez por qué las barras funcionan mejor que los circulares, por qué las burbujas engañan y por qué las gráficas en 3D son casi siempre un error.

1983 — Tufte y la ética del gráfico

Edward Tufte publicó The Visual Display of Quantitative Information y le dio a la disciplina su vocabulario crítico: chartjunk para la decoración que no aporta información, data-ink ratio para la proporción de tinta que representa datos reales, lie factor para cuantificar cuánto exagera una gráfica.

Su tesis central es sencilla y sigue siendo la más incumplida: cada elemento gráfico que no representa un dato compite con los que sí lo hacen.

2006–2011 — La visualización se vuelve masiva

Dos cosas democratizaron el campo. Hans Rosling demostró, con sus presentaciones de Gapminder, que una gráfica animada bien contada podía cambiar la percepción de una audiencia sobre el desarrollo global. Y en 2011 Mike Bostock liberó D3.js, que puso en manos de cualquier programador la capacidad de construir visualizaciones a medida en el navegador.

En paralelo, herramientas como Tableau sacaron la creación de gráficas del área técnica y la pusieron en manos del negocio. Ese fue el cambio de escala real: de decenas de personas capaces de hacer una visualización a millones.

Hoy — Cuando la gráfica la propone la IA

El cambio actual no es una técnica nueva de visualización. Es que cada vez más la gráfica no la elige una persona: la propone un modelo a partir de una pregunta en lenguaje natural.

Eso resuelve un problema viejo — la barrera técnica desaparece — y crea uno nuevo. Un modelo puede generar una gráfica impecable a partir de datos mal definidos, o elegir una codificación que exagera una diferencia sin intención de engañar. La gráfica se ve profesional, y por eso nadie la cuestiona.

Ahí es donde la historia de esta disciplina resulta útil de forma práctica. Playfair tuvo que argumentar que su gráfica era confiable. Snow tuvo que convencer a las autoridades. Tufte nos enseñó a auditar. Con la IA, ese escrutinio no desaparece: se traslada una capa más abajo, a las definiciones de los datos que alimentan la gráfica.

Si dos áreas de tu organización tienen definiciones distintas de la misma métrica, un agente va a graficar una de ellas sin avisarte cuál eligió. La visualización deja de ser el punto de control y pasa a serlo la capa semántica.

Línea de tiempo resumida

AñoHitoAporte
1786William Playfair, Commercial and Political AtlasGráfico de barras y de líneas
1801PlayfairGráfico circular
1854John Snow, mapa del cólera en LondresUn mapa revela la fuente del brote
1858Florence NightingaleDiagrama polar para persuadir al Parlamento
1869Charles MinardSeis variables en una sola gráfica
1967Jacques BertinGramática de variables visuales
1977John TukeyEl análisis exploratorio con gráficas
1984Cleveland y McGillJerarquía de precisión perceptual
2011Mike BostockD3.js

Las fechas coinciden con las de las fuentes divulgativas más citadas, como las reseñas de Dundas y de Tableau; algunas ubican el mapa de Snow en 1855 en lugar de 1854, y aquí usamos 1854, el año del brote.

¿Quién inventó las gráficas?

William Playfair inventó el gráfico de barras y el de líneas en 1786 y el circular en 1801, según se documenta en las reseñas históricas del campo. Lo que vino después, de Minard a Tufte, fue refinar cuándo usar cada una.

Lo que se repite en 240 años

Tres cosas atraviesan toda esta historia y siguen igual de vigentes:

El dato ya estaba ahí. Snow no consiguió información nueva; la vio distinto. La mayoría de los hallazgos que un tablero produce ya estaban en los datos, esperando una representación que los hiciera evidentes.

La forma condiciona la conclusión. Nightingale eligió persuadir. Cada decisión de codificación empuja al lector hacia una lectura, y vale la pena hacerla consciente. En errores comunes en visualización de datos están los casos donde esto se sale de control.

La restricción es la percepción, no la tecnología. Minard codificó seis variables en 1869 sin computadora. Hoy puedes graficar cualquier cosa en segundos, y eso hace que la disciplina importe más, no menos.


En EGOS BI llevamos más de 10 años construyendo analítica sobre este oficio, con Tableau, Omni y Power BI; también ofrecemos analítica y decisiones con inteligencia. Si tus tableros existen pero nadie decide con ellos, platiquemos — suele ser un problema de definiciones antes que de gráficas.

¿Te resultó útil?

Agenda una discovery call de 30 minutos para hablar de cómo aplicar esto en tu organización.

Agenda discovery call

¿Qué tan AI-ready
está tu data hoy?

Agenda una sesión de 30 minutos con uno de nuestros consultores senior. Salimos con un diagnóstico inicial y un siguiente paso claro.