Analítica visual

La analítica visual es un campo científico y tecnológico multidisciplinario que surgió de la visualización de la información y la visualización científica . Se centra en cómo se puede facilitar el razonamiento analítico mediante interfaces visuales interactivas . ^[1]

La analítica visual es "la ciencia del razonamiento analítico facilitado por interfaces visuales interactivas". ^[2] Puede abordar ciertos problemas cuyo tamaño, complejidad y necesidad de un análisis humano y de máquinas estrechamente acoplado pueden hacerlos de otra manera intratables. ^[3] La analítica visual promueve los desarrollos científicos y tecnológicos en razonamiento analítico, interacción, transformaciones y representaciones de datos para computación y visualización, informes analíticos y transición tecnológica. ^[4] Como agenda de investigación, la analítica visual reúne a varias comunidades científicas y técnicas de la ciencia informática, la visualización de la información, las ciencias cognitivas y perceptivas, el diseño interactivo, el diseño gráfico y las ciencias sociales.

El análisis visual integra nuevas herramientas computacionales y basadas en teoría con técnicas interactivas innovadoras y representaciones visuales para permitir el discurso de información humana. El diseño de las herramientas y técnicas se basa en principios cognitivos , de diseño y perceptivos . Esta ciencia del razonamiento analítico proporciona el marco de razonamiento sobre el cual se pueden construir tecnologías de análisis visual tanto estratégicas como tácticas para el análisis, la prevención y la respuesta ante amenazas. El razonamiento analítico es fundamental para la tarea del analista de aplicar los juicios humanos para llegar a conclusiones a partir de una combinación de evidencia y suposiciones. ^[2]

El análisis visual tiene algunos objetivos y técnicas que se superponen con la visualización de la información y la visualización científica . Actualmente no hay un consenso claro sobre los límites entre estos campos, pero en términos generales las tres áreas se pueden distinguir de la siguiente manera:

• La visualización científica trata con datos que tienen una estructura geométrica natural (por ejemplo, datos de resonancia magnética o flujos de viento).
• La visualización de información maneja estructuras de datos abstractas como árboles o gráficos.
• El análisis visual se ocupa especialmente de combinar representaciones visuales interactivas con procesos analíticos subyacentes (por ejemplo, procedimientos estadísticos, técnicas de minería de datos ) de modo que se puedan realizar de manera eficaz actividades complejas de alto nivel (por ejemplo, comprensión, razonamiento, toma de decisiones).

La analítica visual busca combinar técnicas de visualización de información con técnicas de transformación computacional y análisis de datos. La visualización de información forma parte de la interfaz directa entre el usuario y la máquina, amplificando las capacidades cognitivas humanas de seis maneras básicas: ^{[2] [5]}

1. aumentando los recursos cognitivos, por ejemplo utilizando un recurso visual para ampliar la memoria de trabajo humana,
2. reduciendo la búsqueda, por ejemplo representando una gran cantidad de datos en un espacio pequeño,
3. al mejorar el reconocimiento de patrones, como cuando la información se organiza en el espacio según sus relaciones temporales,
4. al apoyar la fácil inferencia perceptiva de relaciones que de otro modo serían más difíciles de inducir,
5. mediante el monitoreo perceptivo de un gran número de eventos potenciales, y
6. Al proporcionar un medio manipulable que, a diferencia de los diagramas estáticos, permite la exploración de un espacio de valores de parámetros.

Estas capacidades de visualización de información, combinadas con el análisis computacional de datos, se pueden aplicar al razonamiento analítico para respaldar el proceso de búsqueda de sentido.

El análisis visual es un campo multidisciplinario que incluye las siguientes áreas de enfoque: ^[2]

• Técnicas de razonamiento analítico que permiten a los usuarios obtener conocimientos profundos que apoyan directamente la evaluación, la planificación y la toma de decisiones.
• Representaciones y transformaciones de datos que convierten todo tipo de datos conflictivos y dinámicos de manera que favorezcan la visualización y el análisis.
• Técnicas para apoyar la producción, presentación y difusión de los resultados de un análisis para comunicar información en el contexto apropiado a una variedad de audiencias.
• Representaciones visuales y técnicas de interacción ^[6] que aprovechan el amplio ancho de banda del ojo humano hacia la mente para permitir a los usuarios ver, explorar y comprender grandes cantidades de información a la vez.

Las técnicas de razonamiento analítico son el método mediante el cual los usuarios obtienen información profunda que respalda directamente la evaluación de situaciones, la planificación y la toma de decisiones. La analítica visual debe facilitar un juicio humano de alta calidad con una inversión limitada del tiempo de los analistas. Las herramientas de analítica visual deben permitir diversas tareas analíticas como: ^[2]

• Comprender rápidamente las situaciones pasadas y presentes, así como las tendencias y eventos que han producido las condiciones actuales.
• Identificación de posibles futuros alternativos y sus señales de advertencia
• Monitoreo de eventos actuales para detectar la aparición de señales de advertencia, así como eventos inesperados.
• Determinar indicadores de la intención de una acción o de un individuo
• Apoyando al tomador de decisiones en tiempos de crisis.

Estas tareas se llevarán a cabo mediante una combinación de análisis individual y colaborativo, a menudo bajo una presión extrema de tiempo. El análisis visual debe permitir técnicas analíticas basadas en hipótesis y escenarios, que brinden apoyo al analista para razonar en función de la evidencia disponible. ^[2]

Las representaciones de datos son formas estructuradas adecuadas para las transformaciones basadas en ordenador. Estas estructuras deben existir en los datos originales o ser derivables de los propios datos. Deben conservar el contenido de información y conocimiento y el contexto relacionado dentro de los datos originales en la mayor medida posible. Las estructuras de las representaciones de datos subyacentes no suelen ser accesibles ni intuitivas para el usuario de la herramienta de análisis visual. Con frecuencia son de naturaleza más compleja que los datos originales y no necesariamente de menor tamaño que estos. Las estructuras de las representaciones de datos pueden contener cientos o miles de dimensiones y ser ininteligibles para una persona, pero deben poder transformarse en representaciones de dimensiones inferiores para su visualización y análisis. ^[2]

Las teorías de visualización incluyen: ^[3]

• Semiología del grafismo de Jacques Bertin (1967)
• Los lenguajes del arte de Nelson Goodman (1977)
• Diseño automatizado de visualización óptima (APT) de Jock D. Mackinlay (1986)
• Gramática de los gráficos de Leland Wilkinson (1998)

Las representaciones visuales traducen los datos a un formato visible que resalta las características importantes, incluidos los puntos en común y las anomalías. Estas representaciones visuales permiten a los usuarios percibir rápidamente los aspectos más destacados de sus datos. Aumentar el proceso de razonamiento cognitivo con el razonamiento perceptivo mediante representaciones visuales permite que el proceso de razonamiento analítico sea más rápido y más centrado. ^[2]

• 
  Gráfico de barras que representa la distribución relativa de la satisfacción laboral
• 
  Gráfico circular que representa la distribución relativa de la satisfacción laboral según la Encuesta Longitudinal Nacional de Jóvenes, cohorte de 1997, año de encuesta 2008

La entrada para los conjuntos de datos utilizados en el proceso de análisis visual son fuentes de datos heterogéneas (es decir, Internet, periódicos, libros, experimentos científicos, sistemas expertos ). De estas ricas fuentes, se eligen los conjuntos de datos S = S ₁ , ..., S _m , donde cada S _i , i ∈ (1, ..., m) consta de atributos A _i1 , ..., A _ik . El objetivo o resultado del proceso es la información I . La información se obtiene directamente del conjunto de visualizaciones creadas V o mediante la confirmación de hipótesis H como resultados de métodos de análisis automatizados. Esta formalización del proceso de análisis visual se ilustra en la siguiente figura. Las flechas representan las transiciones de un conjunto a otro.

Más formalmente, el proceso de análisis visual es una transformación F: S → I , mientras que F es una concatenación de funciones f ∈ {D _W , V _X , H _Y , U _Z } definidas de la siguiente manera:

D _W describe la funcionalidad básica de preprocesamiento de datos con D _W  : S → S y W ∈ {T, C, SL, I} incluyendo funciones de transformación de datos D _T , funciones de limpieza de datos D _C , funciones de selección de datos D _SL y funciones de integración de datos D _I que son necesarias para que las funciones de análisis sean aplicables al conjunto de datos.

V _W , W ∈ {S, H} simboliza las funciones de visualización, que son funciones que visualizan datos V _S  : S → V o funciones que visualizan hipótesis V _H  : H → V .

H _Y , Y ∈ {S, V} representa el proceso de generación de hipótesis. Distinguimos entre funciones que generan hipótesis a partir de datos H _S  : S → H y funciones que generan hipótesis a partir de visualizaciones H _V  : V → H .

Además, las interacciones del usuario U _Z , Z ∈ {V, H, CV, CH} son una parte integral del proceso de análisis visual. Las interacciones del usuario pueden afectar solo a las visualizaciones U _V  : V → V (es decir, seleccionar o hacer zoom), o pueden afectar solo a las hipótesis U _H  : H → H generando una nueva hipótesis a partir de las dadas. Además, se puede extraer información de las visualizaciones U _CV  : V → I o de las hipótesis U _CH  : H → I .

El preprocesamiento de datos típico que aplica funciones de limpieza, integración y transformación de datos se define como D _P = D _T (D _I (D _C (S ₁ , ..., S _n ))) . Después del paso de preprocesamiento, se aplican a los datos métodos de análisis automatizados H _S = {f _s1 , ..., f _sq } (es decir, estadísticas, minería de datos, etc.) o métodos de visualización V _S  : S → V, V _S = {f _v1 , ..., f _vs } , para revelar patrones como se muestra en la figura anterior. ^[7]

En general se utiliza el siguiente paradigma para procesar los datos:

Analizar primero – Mostrar lo importante – Ampliar, filtrar y analizar más a fondo – Detalles a pedido ^[8]

• imc FAMOS (1987), análisis gráfico de datos

• Boris Kovalerchuk y James Schwing (2004). Análisis visual y espacial: avances en minería de datos, razonamiento y resolución de problemas
• Guoping Qiu (2007). Avances en sistemas de información visual: 9ª Conferencia internacional (VISUAL).
• Personal del IEEE, Inc. (2007). Ciencia y tecnología de análisis visual (VAST), simposio del IEEE 2007.
• May Yuan, Kathleen y Stewart Hornsby (2007). Computación y visualización para comprender la dinámica en dominios geográficos.
• Daniel Keim, Gennady Andrienko, Jean-Daniel Fekete, Carsten Görg, Jörn Kohlhammer y Guy Melançon (2008). Visual Analytics: Definition, Process, and Challenges (Análisis visual: definición, proceso y desafíos) . En Andreas Kerren, John T. Stasko, Jean-Daniel Fekete y Chris North (Eds.), Information Visualization - Human-Centered Issues and Perspectives (Visualización de la información: problemas y perspectivas centrados en el ser humano), páginas 154-175, Lecture Notes in Computer Science 4950 (Apuntes de clase en informática 4950), Springer Berlin Heidelberg.
• Dominando la era de la visualización: solución de problemas con análisis visual (2010) (pdf)
• Kawa Nazemi (2014). Visualización semántica adaptativa. Eurographics Association [1]. Tesis doctoral en la TU Darmstadt. Eurographics.

• Medios relacionados con Analítica visual en Wikimedia Commons