Fake news en Visualización de datos

Durante los últimos años, el concepto de Fake News se ha oído más que nunca. Unos mensajes de Whatsapp que servían para tener trazabilidad de reenvíos bajo la amenaza de "si no reenvías este mensaje a 10 personas", fueron los precursores de lo que ya conocemos comúnmente como Fake News.

Cuando pensamos en Fake News, pensamos en textos que intentan explicar una historia que no se ajusta a la realidad, en periódicos que intentan difundir una imagen demasiado sesgada o en datos fuera de contexto que pueden llegar a alterar el razonamiento del lector. 

Pero si bien es cierto que estos son los más comunes, no son los únicos ni los que más nos deben preocupar, ya que son los que se pueden detectar más fácilmente, porque ¿cuán fácil detectar las Fake news de visualización de datos?

Para empezar, ¿qué son las Fake news en la visualización de datos? 

Son aquellas alteraciones visuales en la representación de información que se muestran distorsionados para dar un mensaje deformado al que el dato expresa.

A continuación, encontramos algunos ejemplos de Fake News en este campo. No son las únicas, porque evolucionan tan rápido como lo hacen las nuevas tecnologías, pero ayudarán a estar alerta en patrones.

Eje distorsionado

El objetivo en este caso, es mostrar una diferencia mayor a la que realmente es, poniendo como base un eje que no está centrado en 0. 

¿Cómo podríamos solucionarlo? Simplemente, utilizando el mismo gráfico pero con el eje horizontal centrado en 0, tal como se muestra en la imagen a continuación.

Si bien es cierto que la diferencia es notable entre las dos barras, en este último gráfico es proporcional y la comparación se puede hacer de forma inequívoca.

Proporcionalidad no aplicada

La proporcionalidad visual es lo que nos permite comparar de forma rápida unos valores respecto a otros. En este caso, la comparativa de los valores positivos y los negativos induce a error, pues un valor positivo de +1.4% en 2014 es proporcionalmente superior al negativo de -2.6% o -1.7% de 2012 y 2013 respectivamente.

¿Cómo podríamos solucionarlo? Aplicando la misma proporcionalidad en las diferentes barras, de forma que la comparativa visual sea honesta y no genere confusión.

Segundo eje no proporcional

La visualización de datos nos lleva a realizar una comparativa por proporcionalidad y similitud. En este caso, no sabemos si por error o intencionadamente, La 1 ajustó la visualización de la evolución del PIB para mostrar la caída.

Como espectador, el gráfico nos lleva a comparar la caída de 2008 con la de 2020, y la proporcionalidad indica que no están tan desalineadas una de la otra. Esto sucede porque en 2020 se decide cortar el eje utilizado hasta entonces, para crear una nueva proporcionalidad.

¿Cómo podríamos solucionarlo? Tal y como hizo la propia cadena en las horas posteriores, mostrando el gráfico con un único eje, evitando la confusión del lector.

Para prevenir estas confusiones, en algunos casos inducidas y en otras por inexperiencia de quién está realizando la Visualización de datos, la recomendación es:

• Entender el contexto más allá de la visualización, para poder ponderar el dato mostrado
• Revisar que los ejes están centrados en 0
• Revisar la proporcionalidad aplicada

Si queréis seguir indagando en este tema, os recomiendo dos recursos:

1. Un libro de una eminencia en visualización de datos, Alberto Cairo: How charts lie?
2. Más enfocado al concepto de las Fake news, el video-resumen del trabajo sobre Fake News de Nuria Segura