Elegir la gráfica correcta para comunicar resultados es uno de los retos más frecuentes en el análisis de datos. Muchas veces, quienes trabajan con datos dominan la parte técnica pero fallan al momento de transmitir hallazgos a audiencias no técnicas. Herramientas de inteligencia artificial como ChatGPT pueden ayudar tanto en la selección del tipo de gráfico como en la generación del código necesario para construirlo, acelerando el proceso de visualización y data storytelling.
¿Cómo puede la IA ayudarte a seleccionar el gráfico adecuado?
El punto de partida es formular una pregunta clara. En este caso, la pregunta planteada es: ¿cómo se distribuyen las ventas entre diferentes categorías y subcategorías de productos? Al incluir además el contexto de que el gráfico debe ser fácil de entender, el modelo puede ofrecer recomendaciones más acertadas [0:38].
ChatGPT responde con varias opciones válidas:
- Diagrama de barras apiladas (stacked bars): cada barra representa una categoría y los colores dentro de ella muestran las subcategorías.
- Treemap: un mapa de áreas rectangulares proporcionales al valor de cada segmento.
- Sunburst: un diagrama circular jerárquico que permite ver la relación entre categorías y subcategorías en capas concéntricas.
Cada uno tiene ventajas y desventajas dependiendo del volumen de datos y la audiencia. Lo relevante es que la IA ofrece opciones fundamentadas que el analista puede evaluar según sus necesidades [1:10].
¿Cómo generar el código de una gráfica con ChatGPT?
Una vez elegido el tipo de gráfico —en este ejemplo un sunburst— se puede pedir directamente el script de Python. Para ello es fundamental proporcionar la estructura del data frame, es decir, las columnas y tipos de datos que contiene, pegando esa información en el prompt [1:30].
ChatGPT genera un bloque de código listo para copiar y pegar en el IDE. Sin embargo, al ejecutarlo puede haber errores. En la demostración, el código arrojó un problema con valores nulos en las columnas de categoría o subcategoría, lo que impedía construir correctamente las hojas del sunburst [2:05].
¿Qué hacer cuando el código generado tiene errores?
Aquí entra en juego otra herramienta de IA: GitHub Copilot, integrado en el IDE. Al detectar el error, Copilot sugirió eliminar los valores nulos del data frame. Tras aceptar la corrección y volver a ejecutar con fig.show(), la gráfica se renderizó correctamente [2:18].
El resultado fue un diagrama sunburst interactivo donde:
- Las ventas se distribuyen de forma equilibrada entre Furniture, Office Supplies y Technology.
- Al hacer clic en Technology, se revela que la mayor proporción corresponde a teléfonos.
- En Furniture, las sillas dominan la subcategoría.
Esta interactividad hace que el gráfico sea intuitivo para audiencias no técnicas, lo cual es el objetivo central del data storytelling [2:38].
¿Por qué el criterio del analista sigue siendo indispensable?
Aunque la IA acelera significativamente el flujo de trabajo, los modelos pueden presentar alucinaciones —respuestas que parecen correctas pero contienen errores— o carecer de contexto suficiente sobre el negocio [3:08]. Es responsabilidad del analista:
- Validar que el gráfico elegido realmente responde la pregunta planteada.
- Revisar que el código generado funcione con los datos reales.
- Decidir si la visualización es la más adecuada para la audiencia de la organización.
La combinación de pensamiento crítico con herramientas de IA permite pasar rápidamente de una idea a una gráfica funcional, pero nunca debe sustituir el juicio profesional. Si te interesa profundizar en visualización de datos y data storytelling, comparte en los comentarios qué tipo de gráficos utilizas con más frecuencia y cuáles te generan más dudas al momento de elegir.
