Está en la página 1de 123

La visualitzaci del Big Data

Pol Gurdia Pujol

Grau en Disseny Grfic


Curs: 2014/2015
Tutor: David Torrents
2015

Dedicat a la Natlia, per tot.

ndex
Resum
Introducci i presentaci
Hiptesis

13
17
19

1. Big Data
1.1. Qu s el Big Data
1.2. Nmeros del Big Data
1.3. Caracterstiques del Big Data
1.4. Procedncia de les dades
1.5. Tipus de dades
1.5.1. Dades estructurades
1.5.2. Dades no estructurades
1.5.3. Dades semiestructurades

21
22
24
26
26
27
27
27

1.6. Arquitectura dun sistema Big Data actual


1.6.1. Recollida de dades
1.6.2. Emmagatzematge
1.6.3. Processament i anlisi de dades
1.6.4. Visualitzaci

28
28
29
30
31

2. Dades, informaci, coneixement.


2.1. La Dada
2.2. La Informaci
2.3. El Coneixement

33
34
35

3. La visualitzaci de la informaci.
3.1. Breu histria de la visualitzaci.
3.2. Disseny de la visualitzaci.
3.2.1. Format
3.2.1.1. Esttic
3.2.1.2. Animat
3.2.1.3. Interactiu

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

39
46
47

3.2.2. Enfocament
3.2.3. Requeriments pel disseny de la visualitzaci
3.2.3.1. Solidesa
3.2.3.2. Utilitat i comprensi
3.2.3.3. Bellesa i atracci
3.2.3.4. Retenci
3.2.4. Transformaci de dades a grfica
3.2.4.1. Tipus de dades
3.2.4.2. Relaciones grfiques
3.2.5. Models de representaci grfica
3.2.5.1. Grfics
4. Visualitzaci del Big Data
4.1. s comercial
4.2. Periodisme de dades
4.3. Recerca
4.3.1. Models de sintaxis grfica
4.3.1.1. Diagrames darbres
4.3.1.2. Grfics de mosaic
4.3.1.3. Grfics de xarxes
4.3.1.4. Nvols de paraules
4.4. Artstic
5. Casos destudi
5.1. Google Analytics
5.2. The New York Times
5.3. WikiGalaxi
5.4. Writing Without Words
Conclusions
Referncies bibliogrfiques o electrniques
Annexos
Perfil professional de linvestigador

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

49
50

54

56

61
63
64
66

72

75
79
80
83
85
89

Al meu tutor David Torrents, per esperonar-me durant tot el cam


Als meus pares, per deixar-me estudiar el que em venia de gust
A en Marc Novella, per la vigilncia i els bons consells
A en Sergi Garca, per les referncies i la pacincia
A la Natlia Armenter, per les correccions i el suport
A lHelena Gurdia, per les traduccions
Als entrevistats, pel seu temps i dedicaci:
Jaime Serra, Dani Llugany i Pablo Martnez

Resum
El Big Data s el terme aplicat al conjunt de grans volums de dades digitals que necessiten obligatriament sistemes informtics per a la seva captura, emmagatzematge, anlisi i
visualitzaci. Els lmits de la capacitat de captura i emmagatzematge de dades creix constantment i el processament i lanlisi daquestes dades s vital per tal que tinguin alguna
utilitat. Un cop analitzades s necessari la visualitzaci dels resultats perqu una persona
humana les pugui entendre i interpretar per poder utilitzar-les per un fi concret. Una dada
s un element cru que s susceptible a ser processat i transformat en informaci precisa i
esdevenir, en ser interpretada per un observador final, en coneixement.
s necessari veure levoluci de la visualitzaci de la informaci a travs de la histria
per conixer les eines existents i poder, aix, enfocar el mapeig destructures visuals des
duna ptica ms rigorosa i precisa. Ser necessari recopilar les bases teriques que composen el disseny de la visualitzaci des de la definici dels possibles formats, els diferents
enfocaments per encarar el procs de sintaxi, els requisits destructura bsica i elemental
duna comunicaci visual dinformaci i les diferents relacions entre dades i les corresponents representacions formals.
Sanalitzaran quatre aplicacions possibles de Big Data on la visualitzaci intervingui duna
manera directe i necessria. Com sobservar, cada un daquests casos requereix diferents
models de visualitzaci de la informaci com tamb diferents nivells dintervencions per
part del disseny grfic que ja no ser noms una pea necessria al final del procs danlisi,
sin que participar en tots els processos delaboraci destratgies darquitectures Big Data.

Paraules clau: Big Data, anlisi de dades, disseny de la informaci, visualitzaci de la


informaci, infografia, dades massives, dada, informaci, coneixement.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

13

Resumen
El Big Data es el trmino aplicado al conjunto de grandes volmenes de datos digitales
que necesitan obligatoriamente sistemas informticos para su captura, almacenamiento,
anlisis y visualizacin. Los lmites de la capacidad de captura y almacenamiento de datos crece constantemente y el procesamiento y el anlisis de estos datos es vital para que
tengan alguna utilidad. Una vez analizados es necesaria la visualizacin de los resultados
para que una persona humana los pueda entender e interpretar para poder utilizarlas para
un fin concreto.
Un dato es un elemento crudo que es susceptible a ser procesado y transformado en informacin precisa y convertirse, al ser interpretada por un ltimo receptor, en conocimiento.
Es necesario observar la evolucin de la visualizacin de la informacin a travs de la
historia para conocer las herramientas existentes y poder as, enfocar el mapeo de estructuras visuales desde una ptica ms rigurosa y precisa. Para ello ser necesario recopilar
las bases tericas que componen el diseo de la visualizacin desde la definicin de los
posibles formatos, los distintos enfoques para resolver el proceso de sintaxis, los requisitos de estructura bsica y elemental de una comunicacin visual de informacin hasta las
diferentes relaciones entre datos y las correspondientes representaciones formales.
Se analizarn cuatro aplicaciones posibles del Big Data donde la visualizacin intervenga
de un modo directo y necesario. Al observar cada uno de estos casos se requieren distintos modelos de visualizacin de la informacin como tambin diferentes niveles de
intervenciones por parte del diseo grfico. ste ltimo, ya no ser solo una pieza clave
al final del proceso de anlisis, sino que participar en todos los procesos de elaboracin
de estrategias de arquitecturas del Big Data.

Palabras clave: Big Data, anlisis de datos, diseo de informacin, visualizacin de la


informacin , infografa, datos masivos, dato, informacin, conocimiento.

14

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Summary
Big Data is the term applied to large volume digital data sets that require computerized
systems for its capture, storage, analysis and visualization. The limitations for huge data
capture and data storage are expanding day by day, and processing and analysis of this
data is key in order to make them useful. Once we have analysed data its necessary to
visualize the results so humans can read it and grasp its contents, in order to use them for
a particular purpose.
Data is a raw element which can be processed and transformed into accurate information.
Once this information reaches an observer who can understand it, then it becomes wisdom.
It is fundamental to analyse the evolution of information visualization through history to
know the existing tools and thus focus on the visual mapping of structures from a more
rigorous and precise standpoint. It will be necessary to collect the theoretical bases that
define the visual display of information, ranging from the definition of the possible forms,
the different approaches to face the process of syntax, the requirements of basic structure
and elemental visual communication of information, to the variety of data relationships
and its natural visual representation.
Four possible Big Data applications will be analysed where the display takes part in a direct and necessary way. As it will be observed, each of these cases require different types
of information display as well as different levels of intervention on the graphic design
side. Graphic design wont be just a key piece in the final process, but will also participate
in the whole developing process of Big Data architecture strategies development.

Key words: Big Data, data analysis, information design, data visualization, computer
graphics, massive data, data, information, and knowledge.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

15

16

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Introducci
El Big Data s un concepte relativament nou que fa referncia a totes aquelles dades digitals que a causa del seu gran volum requereixen sistemes informtics per a la seva captura, emmagatzematge, exploraci, anlisis i visualitzaci. Larticle Big Data i els nous
mtodes de visualitzaci de la informaci escrit per Ferran Adell i Ariel Guersenzavaig
i publicat en el nmero 29 de la revista Temes de disseny, introdueix breument el concepte Big Data i la necessitat de generar equips multidisciplinaris compostos per analistes,
programadors i dissenyadors per poder abordar el tractament de dades massives. Aquesta
afirmaci juntament amb el creixent s de dispositius tecnolgics que permeten la generaci daquestes immenses quantitats de dades, provoquen inevitablement la necessitat
de la present investigaci.
Cal analitzar quins efectes pot tenir el Big Data en la nostra societat i concretament en la
figura del dissenyador grfic que hauria de ser part important en lelaboraci de les estratgies daquests sistemes en lapartat que comporta la visualitzaci final dels resultats.
Alhora, s necessari analitzar els diferents patrons de visualitzaci existents i determinar
si segueixen sent vlids per a la representaci de grans volums de dades o s necessari
ampliar, dissenyar o investigar noves sintaxis visuals.
Tot sembla indicar que el Big Data ha vingut per quedar-se i que la seva presncia en
molts sectors ja s una realitat. En aquest sentit no podem determinar amb certesa si el
Big Data s un fenomen tecnolgic, digital o fins i tot social, noms podem adonar-nos
que s ms que tot aix perqu la seva matria primera s la dada i en conseqncia la
informaci i, si aquesta s susceptible a interpretaci i comprensi, parlem llavors del
coneixement. Per tant cal tenir en compte que el Big Data no s tan sols una evoluci
tecnolgica ms, sin que afecta directament als pilars on es sustenta la nostra societat.

El professor de lOxford Internet Institute, Victor Mayer afirmava en to irnic que N = all.
Ho deia en el sentit que el Big Data eliminava la necessitat de mostrejar estadsticament,
ja que controlava totes les variables, per si ho mirem sense lptica estadista, la idea del
control del coneixement, a priori, requereix un moment de reflexi.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

17

La investigaci comenar analitzant laspecte ms teric dels sistemes de gesti del Big
Data, buscant entendre la veritable dimensi daquest fenomen i els seus efectes a la nostra societat com tamb les parts que componen la seva estructura, el volum i la tipologia
de dades que pot suportar, aix com els sistemes actuals de captura, emmagatzematge i
anlisi de les dades. Tamb es procura fer un parntesi per aclarir els conceptes de dada,
informaci i coneixement des duna vessant tecnolgica per tal de facilitar el procs de
comprensi de la present investigaci.
A partir daqu la investigaci, com es veur ms endavant, versar en una recerca de
carcter histric per buscar els antecedents i exemples que han fet s de la representaci
visual dinformaci i dades per transferir coneixement. Aquest procs permetr tamb
analitzar les diferents motivacions, enfocaments i necessitats que han portat a la realitzaci daquesta prctica. Es busca entendre aix la situaci actual de la infografia a travs
de levoluci en la prctica de la visualitzaci del coneixement. Un cop sarribi a lpoca
actual, sanalitzar exhaustivament els requisits indispensables que ha de tenir un correcte disseny de la visualitzaci de la informaci. Es posar la mirada en la visualitzaci
estadstica, ja que, com es veur, les representacions ms pictriques i illustratives no
serveixen per a la representaci de dades massives ja que no es poden automatitzar en
processos informtics.
Com a fase final del treball dinvestigaci es presentaran quatre exemples de camps on
sapliquen tecnologies Big Data i que presenten diferents models per a la visualitzaci de
grans volums de dades. I finalment sanalitzaran quatre exemples representatius de cada
un dels camps descrits a partir de lanlisi dels principals requisits formals del disseny
de visualitzaci dinformaci que haurem descrit durant la investigaci. Com sha pogut
observar en la present introducci, la metodologia emprada en aquesta investigaci s
per al disseny, es nodreix principalment de fonts bibliogrfiques per a teoritzar sobre la
visualitzaci de dades massives i trobar respostes als objectius que ens plantegem. Tamb
es busca el contrapunt de lexperincia mitjanant tres entrevistes a diferents actors relacionats dalguna manera amb la visualitzaci de dades a Barcelona.

18

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Hiptesis
La rpida i imparable evoluci de les tecnologies de la informaci i les comunicacions en
lltima dcada han provocat, entre altres, laparici del fenomen conegut amb el nom de
Big Data, que engloba tota aquella tecnologia encarregada de gestionar volums de dades
duna mida superior a les capacitats dels ordenadors convencionals.
En aquest nou paradigma on grans volums de dades sn capturats, emmagatzemats i
analitzats a travs de complexes sistemes de processament informtics, ens fem diverses
preguntes que afecten possiblement al camp del disseny grfic:
a. Com es visualitzen els resultats dels processos que impliquen grans volums de dades.
Estudiant els models de representaci existents i investigant quines sintaxis visuals seran
les ms adequades per a la visualitzaci dels resultats dels diferents processaments de
dades massives.
b. Quina ser la funci del dissenyador grfic en els processos delaboraci destratgies
Big Data i amb quins altres professionals de diferents mbits haur de collaborar.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

19

20

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

1. Big Data
1.1. Qu s Big Data
El terme Big Data es va fer servir per primer cop en un article publicat el juliol de 1997
pels investigadors del Ames Research Center de la NASA Michael Cox i David Ellsworth, i lempraren per explicar que el ritme de creixement del volum de les dades comenava a ser un problema pels sistemes informtics de lpoca.
Per no fou fins al 2011 quan una de les consultories estratgiques ms prestigioses del
mn: McKinsey & Company, present linforme Big data: The next frontier for innovation, competition, and productivity i intent definir novament el terme. James Manyika,
co-autor de linforme, definia el Big Data com el conjunt de dades les quals la seva mida
va ms enll de la capacitat de captura, lemmagatzematge, la gesti i lanlisis. (Manyika, et al., 2011)
Ms recentment el 2012, Gartner, empresa americana de consultoria i investigaci de les
tecnologies de la informaci, completava la definici: Sn actius dinformaci caracteritzats pel seu alt volum, velocitat i varietat, que demanen solucions innovadores i eficients
de processat per la millora del coneixement i la presa de decisions en les organitzacions
(Lapkin, 2012).
Tamb el 2012 la consultoria internacional de fons dinversi Fidelity Worldwide Ivestment, public larticle In Perspective on defineix Big Data com: el terme que designa
el conjunt de dades de gran volum i generalment desestructurades que resulten difcils de
manipular usant les aplicacions de bases de dades convencionals. (Fidelity, 2012)
Ticbeat.com s una publicaci digital independent que definia en el seu informe de
loctubre de 2012 Big Data: Es refereix a lenorme quantitat de dades que des de fa anys
es genera constantment a partir de qualsevol activitat que impliqui ls de la informtica
dalguna manera.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

21

Wikipedia defineix Big Data com un terme aplicat a conjunts de dades que superen la
capacitat del programari habitual per ser capturats, gestionats i processats en un temps
raonable. Rayn (2014) introdueix la idea de que el Big Data s la tecnologia que t
com a obsessi eliminar el mostreig per sempre. Entenem mostreig, en la seva excepci
estadstica, com a tcnica per a la selecci duna mostra a partir duna poblaci. s a
dir que el Big Data s la voluntat de controlar totes les variables sense la necessitat de
discriminar cap dada.
Com es pot observar, el concepte Big Data encara no est del tot definit, tampoc ho estan
les seves verdaderes possibilitats i els seus lmits. Sembla per que totes les veus expertes
en la matria, coincideixen en dos punts bsics de la definici: el gran volum de dades i
la tecnologia necessria per poder-les captar, emmagatzemar i analitzar.
De fet, la denominaci de Big Data sembla ser ms un truc comercial per fer ms atractiva
lestadstica nua i crua de sempre que no pas una nova invenci revolucionria. Potser s
que el punt ms innovador aportat per aquest nou concepte s la seva referncia al volum
de les dades. El creixement que sest produint en la generaci del volum daquestes dades s que s un aspecte significatiu que mereixeria la menci dautntica revoluci. En el
segent apartat analitzem quina s la situaci daquest volum.

1.2. Els nmeros del Big Data


En lltima dcada hem vist com la tecnologia ha patit un fort desenvolupament i una
evoluci extraordinria, massificant i estandarditzant nous productes del sector de la tecnologia de la informaci i la comunicaci TIC. Aquesta evoluci de la tecnologia, juntament amb labaratiment progressiu de lemmagatzematge, dels dispositius, servidors i
les tecnologies necessries per unir-los entre si, ha provocat lexplosi del fenomen Big
Data. Per els principals culpables del naixement daquesta disciplina i causants directes
de lincrement de volum de dades sn tres: els dispositius mbils amb connexi a internet, el comer electrnic i les xarxes socials. Aquests tres elements permeten generar, a
un sol usuari, una gran quantitat de dades. Sabem que actualment, en el mn, existeixen
uns 5.200 milions de dispositius mbils en actiu, per tant el volum de dades s exponencial i sincrementa cada any. El 2013 el total de connexions amb dispositius mbils fou de

22

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

7.000 milions de connexions un increment del 8% respecte a lany anterior, per sestima
que per lany 2018 les connexions arribin a 10.200 milions. Aquest fet suposa que en els
segents quatre anys el trfic de dades creixer un 63% en els smartphones, un 87% en
tablets i un 30% en porttils. A ms cal afegir un increment dun 113% en dispositius
M2M (Machine to Machine) que permeten lintercanvi de dades entre dispositius com ara
terminals de punts de venda TPV, GPS o alarmes (Abad, 2014).
Les xarxes socials, per la seva banda, tamb faciliten aquest augment del volum de dades.
Per exemple, Twitter t aproximadament 200 milions dusuaris que produeixen 340 milions de piulades al dia, uns 4.000 per segon, que generen 12 gigabytes, per lecosistema
Twitter (fotos, vdeos i altres continguts) genera fins a 8 terabytes per segon.
Facebook, la xarxa social ms important del mn, ja ha superat els 901 milions dusuaris actius. Aquests usuaris consumeixen 700 bilions de minuts al mes a la pgina, creen ms de 90
tipus diferents de continguts i pengen 750 milions de fotografies cada 2 dies (Abad, 2014).
En el comer electrnic Amazon lidera el mercat de la venda en lnia de tot tipus de productes. T un catleg disponible online de ms de 22 milions de productes i un rcord de
vendes en un dia de 36,8 milions darticles a tot el mn, el que suposa la venda de 426
productes per segons. Walmart, lempresa de venda al detall ms gran del mn, gestiona
ms dun mili de transaccions en lnia per hora (Martin, 2013).
Si analitzem les dades que es transmeten a escala global observem que en noms 60
segons es publiquen 6 articles a Wikipedia, senvien 204 milions de correus electrnics,
sobren 100 comptes nous a Linkedin, 320 a Twitter, es logegen 277.000 usuaris a Facebook i es miren 6 milions de perfils, sescriuen 100.000 tweets, es descarreguen un total
de 47.000 aplicacions a dispositius mbils, es pugen ms de 30 hores de vdeo a YouTube
i es visualitzen 1,3 milions de vdeos, sescolten 61.141 hores de msica, es veuen 20 milions de fotos, es produeixen $83.000 en ventes online, i hi ha 20 vctimes de suplantaci
didentitat (Intel, n.d.).
Lany 2011 el CEO de Google, Erci Schmidtt va afirmar que la humanitat havia creat
des dels seus inicis fins al 2003 una quantitat equivalent a 5 exabytes, uns 5.000.000.000
de gigabytes, i va afegir que actualment aquesta xifra es generava cada 2 dies. Per tant

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

23

podem afirmar que durant el dia davui es generaran 2,5 trilions de bytes de dades. El
2010 McKinsey Global Institute (MGI) va estimar, que durant lany 2020 es generaran
35 zetabytes de dades, el que significa un increment del 1.845% respecte al 2010 (Turner,
Schroeck i Shockley, 2013).
Bit (b) = 1 o 0
Byte (B) = 8 bits
Kilobyte (KB) = 103= 1.000 bytes
Megabyte (MB) = 106 = 1.000.000 bytes
Gigabyte (GB) = 109 = 1,000,000,000 bytes
Terabyte (TB) = 1012 = 1,000,000,000,000 bytes
Petabyte (PB) = 1015 = 1,000,000,000,000,000 bytes
Exabyte (EB) = 1018 = 1,000,000,000,000,000,000 bytes
Zetabyte (ZB) = 1021 = 1,000,000,000,000,000,000,000 bytes
Yottabyte (YB) = 1024 = 1,000,000,000,000,000,000,000,000 bytes
Nick Heudecker director de recerca de Gartner afirma que lany 2013 va ser lany de
lexperimentaci i els primers projectes de Big Data i el 2014 ha seguit el mateix cam
amb un increment del 5% dels projectes implantats en organitzacions en els Estats Units.
Sembla a priori un increment poc destacable, per pel 2015 les estimacions preveuen que
el sector del Big Data generar un total de 4,4 milions de llocs de treball a tot el mn i
sinvertir un total de 132.000 milions de dlars en tecnologia i serveis relacionats (Abad,
2014). Els sectors que rebran majoritriament aquestes inversions en Big Data seran el
comer, la indstria, la salut, la informaci i la comunicaci, la banca i finances, les asseguradores i ladministraci pblica. Sestima que limpacte de la inversi en Big Data
sobre el Producte Interior Brut (PIB) de la Uni Europea ser dun 1,9% el 2020.

1.3. Caracterstiques del Big data


Quan es mirava dexplicar el concepte Big Data en lapartat anterior, podrem destacar un
dels punts en qu tots els experts en la matria estaven dacord i era el que feia referncia
al gran volum de dades que comportava la disciplina Big Data. Per no s lnic punt caracterstic, Doug Laney, analista de Gartner, introdua, en el seu article de 2001 3D Data

24

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Management: Controlling Data Volume, Velocity, and Variety, el concepte de les 3V per
entendre millor les caracterstiques del Big Data:
Volum: Un sistema Big Data ha de ser capa demmagatzemar grans quantitats de dades
de lordre de petabytes o superiors.
Varietat: Parlem de origens mltiples que proporsionen dades en un gran ventall de formats diferent. Aquesta informaci no sempre est estructurada, un sistema Big Data ha de
ser capa demmagatzemar qualsevol tipus de dada sense la necessitat de pre-processar-la
o ni tan sols dindexar-la.
Velocitat: La tecnologia Big Data ha de ser capa de rebre, emmagatzemar i processar
grans volums de dades. A ms a ms, ha de permetre mostrar els resultats en temps real o
en un temps molt ms curt que els sistemes tradicionals.
Darrerament diferents autors com Serrat (2013) i Moreno (2014) acostumen a afegir 2
V ms que amplien i ajuden a definir les caracterstiques del Big Data:
Variabilitat: Cal tenir en compte que la dada acostuma a ser capturada automticament
fruit duna acci variable que provoca lalteraci constant dels resultats. Aix doncs, les
tecnologies Big Data han de ser flexibles a lhora de rebre i emmagatzemar dades variables en mltiples formats i que evolucionen constantment.
Valor: Per tal que el Big Data sigui important en una organitzaci s indispensable que
la informaci obtinguda desprs de lanlisis de les dades captades tingui un benefici directe com per exemple la optimitzaci logstica o la reducci de costos.
Aix doncs, un sistema Big Data ha dextreure valor qualitatiu, en forma de nova informaci de grans volums de dades estructurades o no, de la manera ms rpida i eficient,
adaptar-se a tots els formats actuals i futurs.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

25

1.4. Procedncia de les dades


La digitalitzaci en qu es troba immersa la societat actual afecta a tots els nivells i capes daquesta, des de lmbit domstic fins al mn empresarial i industrial. Creix ls
dinfinitat de dispositius domstics tecnolgics, les xarxes socials ja formen part de la
vida quotidiana de la gran majoria de ciutadans, les ciutats comencen a incorporar sensors
(smartcities) i, a causa de tot aix, la informaci generada pels mateixos usuaris i tamb
per les empreses es multiplica duna manera exponencial fins ara mai vista.
Aix doncs, les dades procedeixen duna gran varietat de fonts, una de les principals s
sense dupte internet. Lenorme nmero de pgines web, la blogosfera, les xarxes i els
mitjans socials, wikipedia, les agncies de notcies digitals, els comentaris i opinions dels
usuaris, les seves cerques als buscadors, els vdeos i imatges penjats cada minut, les transaccions de comer purament electrnic, mails, etc. I a ms a ms dinternet apareixen
nous generadors massius de dades com els mbils, amb comunicacions 3G, 4G i GPS, els
registres de trucades (CDR), fins al desplegament massiu de sensors o mesuradors que
capturen qualsevol esdeveniment particular (velocitat, temperatura, pressi, variables
meteorolgiques, qumiques, etc.). La informaci considerada biomdica com les empremtes dactilars, escaneig de retina, reconeixement facial, gentica, etc. Aquesta llista s
noms una petita mostra de la capacitat de generaci de dades que permet la tecnologia
actual (Moreno, 2014).
Actualment noms el 3% de les dades potencialment tils estan sent analitzades per sistemes Big data per, es preveu que a lany 2016 saugmenti laprofitament de tot aquest
univers digital fins el 23% (643 exabytes) (Manyika, et al., 2011).

1.5. Tipus de dades


Totes aquestes fonts de dades, descrites en lanterior punt, comporten una gran varietat de
formats de dades. Aquest fet ha generat levoluci dels sistemes dexplotaci de dades cap
al Big Data, que s capa de capturar, emmagatzemar i analitzar totes aquestes dades de
fonts i formats tan diversos. Es poden classificar, segons Serrat (2013) i Lpez (2013), en
tres grans grups: dades estructurades, dades no estructurades i dades semiestructurades.

26

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

1.5.1. Dades Estructurades


Sn aquelles dades que tenen definida la seva longitud i el seu format, s informaci ja
processada, filtrada i en format estructurat. Les dades estructurades sn els fonaments de
les bases de dades relacionals. En aquests tipus de models, tota la informaci es guarda
en taules amb diferents camps que es troben relacionats entre ells. Acostumen a ser dades numriques, dates, cadenes de carcters que es consulten mitjanant sistemes SQL.
Aquestes dades sobtenen a partir de dues fonts molt diferents: les dades generades per
persones i per les mquines. Les dades generades directament per persones poden ser registres de comptabilitat, llistats telefnics, llistes de clients, formularis de contacte online,
navegaci per una web, etc. I les dades generades per mquines poden ser qualsevol tipus
de sensor com ara un termmetre digital o un GPS, equips mdics, comptadors elctrics,
lectors de codi de barres, radars de trnsit, aplicacions, xarxes, servidor, operacions bancries, compra i venda daccions, etc.

1.5.2. Dades no estructurades


s tota aquella informaci processada i amb un format definit per que no es troba estructurada o que t una estructura variable. Lpez (2013) destaca que el 80% de les dades
que genera una empresa en lmbit intern sn no estructurades. Sobtenen a partir de
dues fonts de procedncia similar a les dades estructurades: les generades directament
per lacci de les persones i les generades per mquines. Les primeres sn les dades generades per les persones, com ara textos de word, mails, whatsapps, 140 carcters duna
piulada, un comentari en una web, informaci escrita a Linkedin, etc. I tamb el que no
s text, per que prov duna acci humana com ara: vdeos, infografies, fotografies, gifs,
etc. I les segones, les dades generades per accions automtiques de mquines com ara les
imatges per satllit, captures de fotografies o vdeo des de cmeres de vigilncia, grfics
meteorolgics, etc.

1.5.3. Dades semiestructurades


s informaci no processada que es pot presentar en qualsevol format i estructura. s a

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

27

dir, aquestes dades segueixen una estructura implcita per no tan regular com per poderse gestionar i automatitzar de la mateixa manera que la informaci estructurada.
Les dades semiestructurades tenen les seves prpies meta dades incorporades que generen aquesta estructura implcita per tant es pot afirmar que s una estructura dinformaci
viva i que es fa difcil analitzar-la. Un dels exemples ms clars de dades semiestructurades s una pgina web.

1.6. Arquitectura dun sistema Big Data actual


Prenent com a referncia principal lextensa classificaci de Serrat (2013) en quan a
larquitectura dun sistema Big Data es redissenya la seva visualitzaci i sexpliquen els
quatre passos que el componen.

Grfic 1. Funcionament duna estructura de Big Data. Font: Elaboraci prpia.

1.6.1. Recollida de dades


Existeixen dos maneres mitjanant les quals un sistema Big Data es connecta de manera
peridica a les seves fonts de dades. Per lots (Batch) que funciona com una cpia de segretat, recull noms la informaci nova comparant-la amb la informaci ja recollida en
anteriors conexions, i per transmissi en temps reals (Streaming) que consisteix en estar
conectar permanentment, es fa servir molt en sistemes de seguretat i de vigilancia que
necessiten monitoritzar en temps real totes les dades possibles.

28

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

1.6.2. Emmagatzematge
A grans trets lemmagatzematge del Big Data es pot dividir en dos elements principals:
el sistema de fitxers i la base de dades. El ms com, fins al moment, era ls de les bases
de dades, per amb la necessitat de capturar la mxima varietat de dades s necessari
combinar aquestes dues tecnologies per operar correctament.
Els sistemes de fitxers sn el pilar bsic de larquitectura dun sistema Big Data per dues
raons: sn imprescindibles per poder treballar amb fitxers no estructurats i sn sistemes
escalables. Per tant permeten acceptar multitud de formats darxius i es pot augmentar i
reduir la seva capacitat demmagatzematge sense afectar el rendiment de tot el sistema.
Aquest sistema consisteix en una xarxa dordinadors interconnectats que funcionen com
un de sol.
Daltra banda, les bases de dades emmagatzemen dades en taules que es poden relacionar
entre elles, aquest sistema va originar una estandarditzaci del llenguatge per a sistemes
de gesti de bases de dades relacionals conegut com a SQL (Structuret Query Language).
Aquests llenguatges permeten realitzar, duna manera molt senzilla i rpida, consultes
sobre informaci dinters. Per aconseguir que el sistema sigui rpid cal crear prviament
ndexs de les dades introdudes en el mateix, fet que comporta un gran cost de creaci
i manteniment. Tampoc permet fer canvis en les taules un cop ja han estat definides i el
rendiment de tot el sistema es veu afectat quan es supera el volum demmagatzematge de
lordre de terabytes.
Per tots aquests problemes que comporten aquests sistemes de bases de dades, les grans
empreses han comenat a treballar amb les bases de dades NoSQL o Not-only SQL.
Aquests sistemes de dades aporten ms flexibilitat, ja que no necessiten estructures
fixes com les taules, sin que sn totalment escalables i no s necessria la creaci, gesti i manteniment dels ndexs, ja que la informaci semmagatzema horitzontalment.
Els sistemes SQL sn ms fcils dusar a una velocitat superior, per en contrapartida
no sn escalables i demanen un hardware especialitzat i ms car. Els sistemes NoSQL,
en canvi, permeten volums ms grans de dades, ms varietat de les mateixes i que el
hardware sigui ms flexible. Per altra banda, s un sistema molt ms lent i ms complex
de configurar i programar.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

29

Un bon sistema Big Data no descarta cap dels dos sistemes descrits, s ms, utilitza
ambds paradigmes. Es crea un sistema de fitxers o una base de dades NoSQL per emmagatzemar grans volums de dades estructurades o no, es processen i sanalitzen i finalment semmagatzemen en taules del sistema SQL aconseguint ms velocitat en les
consultes dels resultats.

1.6.3. Processament i anlisi de dades


La gesti de dades pot arribar a ser un procs molt complex, especialment quan grans
volums de dades provenen de mltiples fonts. Analitzar aquestes dades implica vincular,
connectar i correlacionar-les entre elles mitjanant algoritmes i frmules matemtiques
que impliquen tcniques de predicci, associaci, segmentaci (clustering), arbres taxonmics, sries temporals i xarxes algortmiques (Lpez, 2013) i aix poder-ne extreure
informaci. Per tal dobtenir solucions i resultats ptims daquests processos danlisi
de grans volums de dades shan popularitzat i estandarditzat diversos models de programaci, dos dells destaquen per damunt la resta: MapReduce i les Massive Parallel
Procesing (MPP).
El MapReduce fou creat per Google, t lobjectiu de millorar el processament de grans
volums de dades de lordre de gigabytes i terabytes realitzant processos de computaci
amb tractament de qualsevol tipologia de dades (estructurades, semi estructurades i no
estructurades). s un sistema que no necessita grans estructures de hardware, t molt bon
rendiment i permet ser escalable. Com a principal inconvenient proposa un temps de processament lent, ja que ha dexecutar mltiples processos a lhora. Consta de dues fases
principals executades en un sistema format per mltiples nodes o ordinadors: el Map i
el Reduce. La primera divideix arxius entrants en diferents blocs i cada un daquest bloc
es processa independentment amb una funci algortmica que dota dun ordre lgic a les
dades entrant. La segona executa diferents funcions (agregaci, divisi, suma, percentual,
mxim, etc.) a partir dels valors generats per els algoritmes del procs previ del Map.
El concepte del MPP s similar al sistema MapReduce perqu intenta distribuir en parallel
els processos danlisis en diferents nodes. Per noms funciona amb dades estructurades
i el fa menys til en sistemes complexos de Big Data. Utilitza llenguatges de consultes

30

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

SQL perqu actua sobre bases de dades relacionals. El principal atribut s que ofereix una
gran velocitat de consulta sobre grans volums de dades. Per contra, sn sistemes ms cars
degut a que cal desenvolupar software i hardware conjuntament.
Larquitectura de processament necessria per un sistema Big Data, majoritriament amb
mltiples tipus de dades capturades, s aquella que combina els dos sistemes per potenciar els seus punts forts. Un exemple darquitectura mixta ideal per a dades no estructurades, s aquella que combina, en primer lloc, un sistema de fitxer o sistema NoSQL per
a lemmagatzematge de les dades i les pre processa a partir dun model MapReduce i,
en segon lloc, incorpora els resultats a un sistema de bases de dades SQL per, finalment,
amb un model de processament MPP, aconseguir resultats de les consultes a una gran
velocitat.

1.6.4. Visualitzaci
Un cop analitzades totes les dades es necessita un sistema de visualitzaci que ofereixi
els resultats duna manera fcil, comprensible i prctica per a la seva comprensi. Ara
b, sobserva que aquest apartat s el que ha tingut una atenci i, en conseqncia, una
evoluci menys important comparada amb tots els altres aspectes del Big Data que han
patit una transformaci molt important en els darrers anys.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

31

32

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

2. Dada, informaci, coneixement.

Linformaci no s coneixement i el coneixement no s saviesa. James Gleick


Grfic 2. Representaci del procs dobtenci del coneixement. Font: Elaboraci prpia.

2.1. La Dada
Del llat datum (el que es dna) all que, com a tal, s irreductible al subjecte i
a qualsevol deducci apriorstica. (Gran Enciclopdia Catalana). Wikipedia defineix
dada com Una representaci simblica duna entitat. La dada no t valor semntic
(sentit) en si mateix, per convenientment tractada (processada) es pot emprar en la
realitzaci de clculs o en la presa de decisions. i afegeix que s lexpressi mnima
de contingut sobre un tema.
Shedroff (1999) tamb afirmava que una dada s un producte fruit del descobriment, la
investigaci, la recopilaci o la creaci. s lelement material ms cru i bsic que es fa
servir per construir les nostres comunicacions.
Ferrell, Hirt i Ferrell (2004) afirmen tamb que Les dades sn descripcions numriques
o verbals sobre estadstiques o altres coses que no han sigut analitzades o resumides.
Daquesta manera podem afirmar que les dades, per elles mateixes, no representen informaci, no sn un missatge complet, sin que sn elements discontinus que representen
un o diferents fets.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

33

En un sistema Big Data la dada representa la unitat mnima que prov directament del
mostreig de diferents fonts de captura. Sn expressions generals que descriuen entitats
bsiques sobre les quals operen diferents algoritmes i parmetres de processat. Que aquestes dades es transformin en informaci vera, legtima i til dependr, precisament, de la
detecci encertada de les correlacions entre elles i la correcta elecci dels parmetres i
algoritmes necessaris en el seu processament.

2.2. La Informaci
La informaci, segons laccepci del mot en el context de les telecomunicacions i de la
teoria de la informaci, est constituda per un grup de dades supervisades i ordenades,
que serveixen per construir un missatge sobre algun fet. Wikipedia permet ampliar la
dimensi del significat i defineix la informaci com el fet de processar, manipular i organitzar dades duna forma que produeixin coneixement i evadeixin el desordre. s tan
sols una extensi del que Claude E. Shannon, considerat el pare de la teoria de la informaci, va descriure en la publicaci Teoria Matemtica de la Informaci la informaci
s el que redueix la incertesa. (Shannon, 1948).
En altres paraules, i ms recentment, Chiveanato (2006) afirmava que la informaci s
aquell conjunt de dades que possexen un significat, de tal manera que augmenten el
coneixement de qui saproxima a contemplar-los.
Per altra banda, Ferrell et al. (2010) afirmaven en clau ms empresarial que la informaci comporta una interpretaci de dades i coneixements que tenen sentit i que serveixen
per prendre decisions. Aquest s lenfoc empresarial, tot i tenir algunes contradiccions,
que explica una de les principals aplicacions i funcions dels sistemes Big Data, com tamb el fenomen de la seva rpida evoluci i creixent inversi econmica.
La informaci s, segurament, lactiu ms important per a qualsevol tipus dorganitzaci.
Igual que, histricament, els estats i organitzacions de tot el mn shan barallat per controlar territoris, per disposar de matries primeres i de m dobra econmica, segons Lyotard (1987) no s agosarat dir que ara es barallin pel control de la informaci. s important perqu ladequat aprofitament racional de la informaci s la base del coneixement.

34

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

2.3. El Coneixement
Aquest aspecte s una mica ms complex de definir pel seu component abstracte i per les
mltiples perspectives des don es pot abordar. Sense voler entrar en la reflexi histrica
que la filosfica, la epistemolgica i la cientfica han aportat a la matria, prenem com a
punt de referncia la definici del principi cognitiu de lsser hum, que s la facultat de
processar i valorar la informaci a partir de la percepci, lexperincia i la subjectivitat.
En la mateixa lnia Ferrell et al. (2010) comentaven El coneixement s la comprensi de
dades mitjanant el seu estudi o per lexperincia.
Per entendre millor el concepte de coneixement cal diferenciar-lo de la simple informaci. Ambds conceptes es nodreixen dafirmacions certes per si b la informaci pot
existir independentment de qui la fa sevir i es pot emmagatzemar en diferents tipus de
suports, el coneixement noms existeix si hi ha una ment amb la intelligncia suficient
per a posse-lo i fer-lo servir. Un dels aspectes ms diferenciadors del coneixement
envers la informaci sn les correlacions que la ment intelligent genera entre diferents
informacions per generar-lo (Shedroff, 1999).
El coneixement t diverses accepcions i un significat ms ampli, tamb existeixen molts
tipus de coneixements adaptats directament a propsits finals com ara el saber artstic,
coneixement de la llengua, lexperincia, etc. Per lafirmaci que la interpretaci i la
comprensi terica dinformacions s la base del procs del coneixement, ens proporciona laproximaci ms eficient per entendre la seva importncia en un procs del Big Data.
Si es vol entendre els sistemes Big Data cal interpretar les paraules de Lyotard (1987) que
predeia, ja lany 1979, la importncia que tindria levoluci de la tecnologia en la generaci i distribuci del coneixement: s raonable pensar que la multiplicaci de les mquines dinformaci (entenem per mquines dinformaci aparells tecnolgics que possibiliten ladquisici, classificaci, disposici i explotaci de continguts informatius) afecta
i afectar la circulaci dels coneixements tant com ho ha fet el desenvolupament dels
mitjans de circulaci de persones primer (transport) i de sons i imatges desprs (media).
Tot seguit afirmava que la naturalesa del coneixement es veuria afectada dalguna manera
per aquesta transformaci tecnolgica i creia fermament que si el coneixement no podia
ser tradut en el llenguatge de les mquines (digital) aquest es deixaria de banda. Sembla

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

35

doncs que la idea de digitalitzar-ho tot, com la nova corrent tecnolgica de la internet de
les coses, respon a aquesta previsi de Lyotard i, en laltre extrem de lequaci, sembla
que aquesta informaci i el consegent coneixement, resultant de lanlisi daquesta digitalitzaci, provoca la ja estesa i coneguda mercantilitzaci del saber.
Aix doncs i en conclusi, no s agosarat dir que ladequat mostreig i processament de
les dades produeix informaci que, amb una correcta gesti i visualitzaci, s susceptible a ser interpretada per un receptor final que aconseguir, aix, incrementar el seu
nivell de coneixement. Aquests coneixements tenen una valor cada vegada ms important, ja que, en un mn globalitzat molt competitiu, permeten augmentar les possibilitats dencert en la presa de decisions, la resoluci adequada de problemes i lanticipaci
i previsi del futur.
El fet que la informaci i el coneixement estiguin patint una revaloritzaci tan gran del
seu valor, juntament amb la reducci del cost en els processos de capturar, mostrejar,
processar i en definitiva transformar grans volums de dades en informaci han provocat
que el Big Data shagi convertit en una eina estratgica de vital importncia per a les
principals organitzacions, empreses i governs darreu del tot el mn.
La capacitat de transformar la dada en informaci sest convertint, doncs, en un nou
sector econmic valorat en ms de 132.000 milions de dlars (Abad, 2014), una xifra
molt important que tan sols s una estimaci aproximada en un entorn de canvis molt
rpids. Un exemple de la tendncia s la compra per part de Hewlett-Packard el 2011 per
11.000 milions de dlars de lempresa informtica Autonomy especialitzada en lanlisi
de grans conjunts de dades, poc desprs HP va presentar una nova plataforma anomenada
HP Next Generation Information Platform (Fidelity, 2014). El professor Vicktor Mayer
(2013) afirmava que la dada s el nou or per afegia que noms podia ser desenterrada mitjanant processos que en facin aflorar la informaci que amagaven i aports coneixement.
En definitiva, una dada s un element cru (100.000), la informaci s quelcom ms precs (llibres venuts lany 2014 = 100.000), i finalment, el coneixement sobt mitjanant
lanlisi daquesta informaci (el 2014 s lany amb ms vendes des del 2010).

36

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

37

38

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

3. La visualitzaci de la informaci.
Les paraules divideixen, les imatges generen connexions Otto Neurath (creador del
sistema estndard internacional de llenguatge visual ISOTYPE el 1940)
Entenem la visualitzaci de la informaci com el procs manual o automtic mitjanant el
qual aconseguim representar informaci, objectivament i amb la mnima prdua de dades,
mitjanant diferents tcniques i recursos visuals (Crdoba., Alatriste, 2012). El professor
Hearst (2003) de la Universitat de Califrnia amplia, per la seva banda, la definici de
visualitzaci de la informaci: consisteix en mostrar la informaci en una representaci
espacial o grfica, per facilitar-ne la comparaci, el reconeixement de patrons, la detecci
de canvis i aprofitar altres aptituds cognitives prpies del sistema visual. En la cerca
duna definici ms propera al sector del Big Data trobem que Moere i Purchase (2011)
saventuren a definir la visualitzaci dinformaci com un conjunt de mtodes ideats per
donar suport als ssers humans per comprendre i
analitzar grans i complexos conjunts de dades.
A partir del 1990 es popularitza la paraula infografia per referir-se a les imatges generades
per ordinador, per actualment i com en els seus orgens la infografia es refereix a la representaci grfica de dades, informacions o coneixements per tal que siguin reconeguts
i entesos duna forma clara i rpida. Per tant, quan en les segents ocasions sanomeni
infografia far referncia a la visualitzaci grfica de dades i informaci, no necessriament generades a partir de processos digitals.

3.1. Breu histria de la visualitzaci.


Tot i que existeix un corrent intellectual que afirma que les pintures rupestres tenien
un sentit purament esttic i decoratiu. Altres defensen que, algunes daquestes pintures,
sn les primeres visualitzacions que coneixem que contenien informaci i daquesta
manera pretenien transmetre coneixement de fets i esdeveniments destacables. Deixant
de banda aquesta discrepncia, aquestes pintures, sn la primera evidncia del fet que
lhome possea una ment abstracta capa de representar elements figuratius per explicar
fets (De Jorge, 2014).

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

39

La generaci de sistemes visuals evoluciona impulsada per la necessitat de transmetre,


didcticament, el coneixement de les principals cincies de lpoca com ara lastronomia,
la cartografia, la medicina, la botnica, larquitectura i lenginyeria. Al llarg de la histria
apareixen mltiples proves de la necessitat dillustrar tcnica i cientficament el coneixement. Sutilitza la obra de Christianson (2012) en la majoria de referncies histriques i
sexposen les infografies comentades en els annexos daquesta investigaci.
Un dels ms antics testimonis daquesta tcnica visual el trobem a la segona part del
llibre Hangdi Neijing escrit entre el 425 i el 221 aC, popularment conegut com a Cnon
Intern de lEmperador o Cnon Interior de Huangdi, on sexplica la tcnica millenria de
lacupuntura amb gran detall a travs dillustracions del cos hum amb indicacions espacials dels punts escaients on fer les puncions, les normes i els procediments per dominar
aquesta tcnica millenria. (Annex A, Foto 01)
Claudi Ptolomeu fou un matemtic, astrnom i gegraf greco egipci que pels voltants
de 145 dC va presentar de forma visual el model dunivers geocntric, que explicava de
forma visual que la terra estava immbil i ocupava el centre de lunivers, i que el sol, la
lluna, la resta de planetes i estrelles rotaven al seu voltant. (Annex A, Foto 02)
Tamb el mateix Ptolomeu va recopilar, analitzar i presentar el coneixement geogrfic
que hi havia fins aleshores. A lany 150 d.C. va presentar tot aquell coneixement en forma de mapamundi dissenyat i dibuixat pel gegraf Agatdemon tamb grec i resident a
Alexandria. (Annex A, Foto 03)
Al voltant del 300 dC el filsof neoplatnic Porfiri illustr en forma darbre els conceptes que anaven des de luniversal fins a lmbit particular. Una obra clau per a les futures
normes de classificaci taxonmiques i tamb per a la futura obra de 1296 Arbre de la
cincia de Ramon Llull (Annex A, Foto 04) que tamb empr la illustraci per explicar
grficament a un pblic no universitari, en 16 arbres, els principis bsics de cada cincia
(Christianson, 2012) (Lima, 2012).
Ja lany 1019, Abu Rayhan al-Biruni, un erudit matemtic, fsic, astrnom, filsof, historiador, farmacutic i viatger que fou un dels intellectuals ms destacats del mn islmic, feu servir la illustraci acompanyada danotacions per explicar diferents teories i

40

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

descobriments. Una de les ms clebres fou una illustraci que apareix en el seu Llibre
dInstruccions sobre els Principis de lart de lAstrologia on exposa duna forma molt
clara i entenedora les diferents fases de la lluna. (Annex A, Foto 05)
Amb laparici de la impremta de Jahanes Gutenberg aproximadament el 1454 es va
donar limpuls definitiu per a la reproducci industrial de llibres i en conseqncia la
normalitzaci de les representacions visuals en el seu interior.
Les nombroses illustracions de les invencions de Leonardo da Vinci entre els anys 1493 i
1505 van ser un clar referent per a les visualitzacions tcniques sobre mecnica i enginyeria. Da Vinci tamb fou conegut, entre altres coses, per les seves illustracions de biologia
i concretament per ser la primera persona que illustr correctament el fetus hum en les
diferents posicions fetals i va permetre aportar ms comprensi envers el sistema reproductiu hum. (Annex A, Foto 06)
Per laportaci ms important per a la divulgaci visual mdica vingu amb la publicaci de De Humani Corporis Fabrica de Andreas Vesalius el 1543, notable metge que feu
un estudi exhaustiu i de gran qualitat a partir de disseccions de cadvers humans, amb
el previ consentiment de lesglsia, provinents de presos condemnats a mort. Es creu
que les illustracions eren obra de Jan van Calcar deixeble de Tici, mxim exponent de
lescola Veneciana. Les obres grfiques eren artsticament notables i tenien una qualitat
excellent, foren reprodudes mitjanant xilografia sobre fusta de boix i impresos a Basilea per un dels millor impressor de lpoca: Joannis Oporini. (Annex A, Foto 07)
Al mateix any es publica el De revolutionibus ornitun coelestium (Sobre les revolucions
de les esferes celestes) de lastrnom Nicolau Coprnic on formula, per primera vegada,
el model heliocntric amb el sol al centre de lunivers. Aquest model soposava frontalment amb el pensament general just 1688 anys desprs de la publicaci del model
geocntric de Claudi Ptolomeu, anteriorment comentat. En la publicaci illustrava la revolucionria i nova vista de lunivers en un simple diagrama, on 9 cercles representaven
les rbites al voltant dun punt central: el sol. (Annex A, Foto 08)
Una visualitzaci grfica destacable per a la seva vistositat i importncia fou la roda de
colors generada per Moses Harris entre 1766, a partir dels estudis amb prismes per se-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

41

parar els colors de la llum blanca dIsaac Newton. Harris publica una taula circular on
explica que a partir dels tres colors primitius: blau, groc i vermell, es poden generar 18
colors diferents i a ms a ms descobreix que la suma dels tres colors primaris generen el
negre. (Annex A, Foto 09)
Joseph Priestley fou un teleg, filsof, fsic i qumic que per tal de facilitar laprenentatge
dels seus alumnes, invent les primeres i sorprenents taules de lnies de temps, que permetien visualitzar grans quantitats de dades duna manera molt didctica. El 1769 present la seva obra magna titulada A New Chart of History on es representava tota la histria
de la humanitat en una nica taula grfica, quelcom revolucionari en aquella poca. (Annex A, Foto 10)
Lany 1786 William Playfair economista, enginyer i illustrador escocs es va inspirar en
les lnies de temps de Priestley, a qui admirava, per inventar el diagrama de barres i el
grfic de lnies o grfic sectorial per a la publicaci Comercial and Political Atlas. Tamb
el 1801 public Statistical Brevary on tornava a innovar presentant dades en un diagrama
circular, el conegut popularment com a grfic de pasts.
Playfair s de vital importncia en la representaci de dades, ja que fou la primera persona en plasmar informaci estadstica mitjanant grfics. La seva invenci suposava la
soluci al problema de la representaci numrica abstracta i la comparaci quantitativa
directa daquestes. (Annex A, Foto 11)
Seguint les innovacions de Playfair el 1858, Florence Nightingale va presentar un informe
al parlament britnic en qu denunciava les males condicions higiniques i la insuficient
atenci mdica, que oferien els hospitals de campanya de lexrcit en la guerra de Crimea
(1853-1856) on ella havia fet dinfermera voluntria. Linforme era el resultat dun intens
treball de recopilaci estadstica que concloa que el 88,8% de les morts de soldats era
per culpa dinfeccions i malalties contretes en els hospitals. Nightingale utilitz grfics
circulars per explicar les causes de la mortalitat a lexrcit en la guerra de lEst, aquestes
expressions grfiques provocaren un gran impacte i aconseguiren una reforma sanitria
sense precedents. (Annex A, Foto 12)
En la lnia de Nightingale destaca el doctor John Snow que el 1854 genera un mapa de
Londres per identificar els pous infectats de colera mitjanant la collocaci de punts

42

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

damunt el mapa, indicant les persones mortes per aquesta epidmia. El mapa va ser
dissenyat per Charles Cheffins i publicat finalment el 1855 en lampliaci del seu estudi
anomenat On the Mode of Communication of Cholera. (Tufle, 2001) (Annex A, Foto 13)
Destaca tamb el treball realitzat per Charles J. Minard, enginyer civil francs, que innov en els temes de la traducci grfica aplicada a lenginyeria civil i lestadstica. Els
seus esquemes grfics tractaven molts temes diferents sempre des del rigor i el vessant
ms estadstic. El 1869 present la seva obra ms coneguda: Carte figurative des perdes
successives en hommes de lArmee francaise dans la campagne de Russie en 1812-1813,
on es mostra duna manera impressionantment clara i senzilla el moviment, les prdues
humanes i les temperatures suportades durant la campanya de Napole contra Rssia
el 1812. Aquesta obra ha estat considerada per diversos experts en la matria, com ara
Edward Tufte o Howard Wainer, com una pea cabdal i de gran valor en la histria dels
grfics informatius. (Annex A, Foto 14)
Els ltims autors: Priestley, Playfair, Nightingale, Snow i Minard es poden considerar els
pioners de la representaci grfica moderna. Des de la seva basant ms estadista desenvolupen i evolucionen genials i eficaos mtodes de representaci de dades abstractes.
(Lankow, Ritchie i Crooks, 2012)
A continuaci destaquem a tres autors ms per les seves aportacions en les respectives
rees i tamb per la seva posterior influncia en la investigaci sobre les bases del disseny
de la informaci.
El primer autor destacable s el professor i qumic rus Dimitri Mendeleev que va presentar el 1869 la primera versi de lactual taula peridica que organitza els elements
a partir de les seves propietats atmiques. Aquesta taula de mltiples colors fou ideada
amb la intenci de millorar latenci dels seus alumnes a les classes de qumica, desprs es converteix en una pea indispensable pel desenvolupament de les bases de la
qumica moderna.
Pocs anys desprs, concretament el 1875, Francis Galton cientfic angls multidisciplinari, va idear i publicar al diari The Times un sistema per a la representaci grfica de
la previsi meteorolgica. Es va basar en els primers mapes meteorolgics coneguts

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

43

ideats per Edmond Halley el 1686 que estudiaven els efectes dels vents alisis i els monsons a tot el planeta.
El 1908 es van unificar les 5 companyies de ferrocarrils que operaven en el subsl de
Londres en nic mapa que mostrava les diferents lnies en diferents colors damunt el
mapa geogrfic de Londres. El 1920 MacDonald Gil elimina el fons geogrfic, fet que
representa una evoluci molt important que permetr, onze anys ms tard, a Harry Beck,
dissenyar un mapa clar i de fcil comprensi que elimina els traats fidels de les vies per
mostrar noms els recorreguts de les lnies en horitzontal, vertical i amb una inclinaci de
45, les estacions i els intercanviadors entre lnies, tan sols deixa com a punt de referncia
el riu Tmesi (Christianson, 2012) (Garland, 1994).
El segle XX representa un dels perodes ms convulsos de la histria de la humanitat
per la primera i la segona guerres mundials, les descolonitzacions, la guerra freda i tots
els conflictes derivats. Tot i aix, s lpoca on el ritme de canvis cientfics, tecnolgics
i socials saccelera duna manera vertiginosa: teoria de la relativitat, descobriment de la
penicillina i lADN, lhome conquereix la lluna, apareix la televisi, el telfon, la informtica, internet, etc. Al completar-se la revoluci industrial apareix la informtica que
accelera el desenvolupament de lanomenada revoluci del coneixement i de les comunicacions i converteix el planeta en una economia globalitzada.
Neix el disseny grfic com a disciplina i es multipliquen els mitjans de comunicaci,
aquests dos factors ms els avanos tecnolgics provoquen que sigui necessari desenvolupar noves formes dexpressi.
Un dels autors potser menys coneguts per segurament un dels ms importants en el
disseny grfic i ms concretament el primer en practicar el disseny de la informaci s
Ladislav Sutnar, xec de naixement i americ dadopci per culpa de la invasi de Xecoslovaquia per part dels nazis. Va treballar per a diferents i importants empreses americanes dissenyant, entre altres coses, els catlegs de serveis. Va ser un revolucionari per ser
el primer en enfocar lestructuraci del contingut, en aquests catlegs, a partir delements
com els parntesis, claudtors, miniatures dimatges, icones per a jerarquitzar dades i informaci en estructures visuals molt senzilles. El 1961 va publicar el llibre Visual Design
in Action que era un resum dels seus treballs i es considera un testimoni excepcional per
veure la seva contribuci a la visualitzaci de la informaci. (Grady, i Grady, 2008)

44

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

A partir de la segona meitat del segle XX la cincia deixa de ser lnic generador de
visualitzacions que tenen lobjectiu dajudar en el procs i el la comprensi de dades,
i irromp amb molta fora la visualitzaci de dades mitjanant illustracions i grfics en
el mn editorial. Les revistes i els diaris comencen a dissenyar visualitzacions de dades
amb lobjectiu datraure al pblic sense deixar dinformar amb el rigor necessari sobre
un fet concret. Per mantenir aquest rigor es comenaren a crear departaments de disseny i
illustraci que sespecialitzaren en la visualitzaci de la informaci, alguns dels primers
professionals en aquesta nova disciplina foren Nigel Holmes pel Times, Peter Sullivan
en el The Sunday Times, Alejandro Malofiej al diari La Opinin de Buenos Aires i que el
seu cognom dna nom a un dels premis ms importants de la infografia periodstica dels
mn, conjuntament amb una estreta collaboraci amb estadistes i periodistes. (Lankow
et Al, 2012, p.122) (Cairo, 2012)
Aproximadament lany 2007 es popularitza en massa ls dinternet, saccelera la dinmica social, les relacions personals, la instantanetat de les comunicacions i laccs a
la informaci. En una sobresaturaci dinformaci apareix la necessitat de jerarquitzar,
esquematitzar i ordenar totes aquestes dades, aix doncs, es revaloritzen i popularitzen
les visualitzacions grfiques de la informaci. Les infografies, els esquemes didctics,
mapes, responen sobretot a la facilitat de comprensi per part del receptor, la velocitat del
per el seu consum i tamb, per la seva atracci esttica. A causa daquest esclat en la demanda dinfografies es veu afectat immediatament el nivell de qualitat en el seu disseny
i provoca que la comunitat acadmica i cientfica la critiqui i la menystingui a causa de
la manca de rigor i la falta, sovint, de coneixements i preparaci necessria per part dels
seus autors, pel que fa al domini del llenguatge esquemtic i els codis de comunicaci en
el disseny de la informaci. Aix doncs, la qualitat del les representacions dinformaci
queden cada vegada ms supeditades a les capacitats creatives dels autors i a la percia
autodidacta que aquests vulguin sotmetres (Costa, 1991) (Lankow et Al, 2012).

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

45

3.2. Disseny de la visualitzaci.


El disseny de la informaci transforma la informaci complexa en fcil, comprensible i
til. AIGA Aigo.com
Un cop realitzades les parts de captura, emmagatzematge i processament de les dades arriba el moment de transformar-les en informaci, s lacci que es coneix amb el nom de
mapeig destructures visuals (Ware, 2013). s el moment on el dissenyador ha daplicar
el coneixement i raonament teric per prendre decisions que afectaran directament a la
forma visual final. Per tal que aquestes decisions es prenguin en les millors condicions cal
passar per a cinc processos que, si b semblen obvis, s necessari que estiguin presents
en el disseny de la visualitzaci: lanlisi hum de les dades obtingudes desprs del seu
correcte processament tecnolgic, la conceptualitzaci, la cerca de la idea dexpressi, la
verificaci i avaluaci de possibles solucions, i finalment, la presa de decisions (Moere et
all, 2011). Byron i Watternberg (2008) demostraven que la correcta articulaci daquestes
bones prctiques en disseny aconsegueixen resultats innovadors en laplicaci de les tcniques de visualitzaci.
El coneixement teric per a la correcta visualitzaci de dades comena pel domini dels
principis de la percepci visual desenvolupats per lescola de psicologia alemanya Gestalt, que expliquen com percebem patrons dorganitzaci de les formes dels elements que
observem i, per tant, afecten directament a la transmissi de la comunicaci visual (Few,
2012). Els principis de la Gestalt sn:
Principi de la proximitat: Els objectes que estan junts entre ells es perceben com a grup.
Principi de similitud: Els objectes que tenen atributs similars tamb es perceben com
un grup.
Principi de encerclament: Els objectes que apareixen amb un lmit al seu entorn es perceben com a grup.
Principi de tancament: La nostra ment afegeix els elements que falten per completar una
figura.
Principi de continutat: La nostra ment percep com a grup objectes que estan alineats
conjuntament i permet continuar el patr tot i que aquest desaparegui.
Principi de connectivitat: Els objectes que estan connectats mitjanant una lnia es perceben com a grup.

46

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Daquests principis de la Gestalt sen deriven directament els fonaments generals del disseny i la gramtica visual, els quals sn atributs bsics com la forma, tant geomtrica com
orgnica, el color i la seva saturaci, el contrast, lluminositat, degradaci, transparncia;
les diferents composicions de formes en funci de lespai i les corresponents relacions
entre elles per repetici, radiaci, gradaci, semblana, concentraci, contrast; la generaci destructures i retcules bidimensionals i tridimensionals; i lestudi de conceptes
relacionals com la similitud, radiaci, anomalia, contrast, concentraci, textura, espai,
etc. (Wong , 2012).
Daltra banda cal tenir en consideraci daltres aspectes, no solament plstics, que es consideren indispensables per a la correcta comunicaci dinformaci. Sanalitzaran aspectes
com el format, lenfoc, els requeriments destructura (solidesa, utilitat i bellesa), requeriments de percepci (atracci, comprensi, retenci), les relacions entre dades i grfica i
els diferents models de representaci.

3.2.1. Format
Els principals formats que permeten visualitzar informaci en els medis de qu es disposa
actualment sn tres: les representacions esttiques, les interfcies interactives i el contingut en moviment. Lelecci dun format o altre dependr de lefectivitat de contenir i
transmetre la informaci i de lobjectiu final que persegueixi la visualitzaci.
3.2.1.1. Esttic
Edward Tofte (1990) deia al principi del seu llibre Envisioning Information El mn s
complex, dinmic, multidimensional; el paper s esttic i pla. Tot i que a lany de la
publicaci del llibre el mitj digital no estava tan evolucionat ni instaurat en la societat
com ho est actualment, la seva afirmaci segueix representant perfectament el principi
de complexitat que pot arribar a representar la visualitzaci esttica tant sobre paper com
en els nous formats digitals.
El format esttic s el ms antic i ests, consisteix en imatges esttiques que contenen informaci i que permeten la seva comprensi. Aquesta informaci es pot presentar en for-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

47

ma descriptiva, narrativa o interpretativa (Valero, 2014), ampliarem aquests enfocaments


ms endavant. Aquest format expressa informaci esttica, s a dir, que no permet ser
modificada un cop generada la visualitzaci. Permet adaptar-se a mltiples formats tant
analgics com digitals, les seves aplicacions van des de la visualitzaci de grfics senzills
passant per la infografia empresarial fins a les elaborades i, sovint, illustrades infografies
periodstiques. s el ms habitual de tots per ser el ms fcil de crear i per tant el ms
econmic (aquest fet pot variar en funci de la complexitat de les dades i lelecci dels
recursos per a la visualitzaci que podrien ser molt elaborats i augmentar considerablement el seu cost). s molt apreciat per la seva immediatesa i la facilitat de ser compartit i
viralitzat en xarxes socials i medis digitals.
3.2.1.2. Animat
Sn els grfics en moviment que expressen informaci duna manera dinmica mitjanant
elements propis de lanimaci grfica. El sistema visual hum s molt susceptible a prestar atenci al moviment, ja que el medi natural on es desenvolupa qualsevol activitat
humana implica lanlisis visual constant com a part natural del principi de supervivncia
(Ware, 2013). Aix doncs, el grfic en moviment posseeix un atractiu natural per a involucrar al receptor de la comunicaci duna manera diferent de les visualitzacions esttiques.
A ms a ms, la visualitzaci animada, pot incorporar un segon mitj de transmissi com
s el so, tant en format musical i defectes sonors com de veu en off que, correctament
utilitzats, permeten acompanyar i recolzar el moviment grfic aconseguint una atenci i
resultats destacables en lobjectiu de la comunicaci (Lankow et al, 2012). La interacci
de lusuari es limita a poder pressionar inici/pausa i desplaar-se per la lnia de temps. Per
tant s un format que acostuma a tenir una funci narrativa a partir duna histria lineal.
Cal considerar, per, levoluci i la popularitzaci de leina de Youtube que permet incorporar interacci als vdeos, s molt bsica i no permet interacci total home-mquina,
per permet a lusuari prendre decisions en certs moments del vdeo que permeten canviar el desenvolupament lineal duna histria. Tamb cal tenir en compte el potencial de
la tecnologia del codi HTML5, CSS3 i JavaScript que sest implementant en les noves
webs i que permeten visualitzar grfics en moviment en navegadors web de prcticament
tots els dispositius (ordinadors, smarthphones, tablets, rellotges, etc.).
3.2.1.3. Interactiu
Ens referim a visualitzacions de format interactiu a aquelles representacions, generalment

48

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

en medis digitals, que permeten al receptor controlar el missatge comunicatiu duna manera no-lineal dins els parmetres establerts per lemissor.
Es considera que la interrelaci entre el medi interactiu i lusuari augmenta la capacitat
datenci i retenci de lobservador (Mazza, 2009). En aquests tipus de visualitzacions
destaca, a ms de lesttica de la informaci, la importncia la usabilitat de la interfcie
i lexperincia de lusuari que afectar directament la relaci emotiva en la comunicaci
de la informaci (Purchase et al, 2008).
La visualitzaci dinformaci interactiva es pot classificar segons el tipus de dades i tamb per la intenci narrativa-interactiva. Les dades poden ser dactualitzaci manual o automtica, les primeres necessiten que cada vegada que shagi de modificar alguna dada o
informaci calgui la intervenci humana per substituir o afegir la dada de manera manual.
Lactualitzaci automtica permet, mitjanant programaci, que la visualitzaci obtingui
les dades duna o diferents fonts, principalment bases de dades ja processades (Lankow
et al, 2012). Pel que fa a la intenci narrativa trobem tres formes generals dafrontar la interacci amb la informaci. En primer lloc trobem lestructura tradicional de presentaci
interactiva, que consisteix en un pas lineal de diapositives que contenen la informaci. En
segon lloc trobem lestructura de copa de Martini que introdueix al lector en una narraci
lineal per que, un cop finalitzada, permet explorar lliurement totes les dades. I per ltim,
lestructura daprofundiment que est composada per diferents capes que permeten organitzar la informaci de manera que lusuari pugui navegar lliurement per totes les dades
a la seva voluntat (Segel i Heer, 2010).

3.2.2. Enfocament
Existeix un debat entorn de la qesti de lenfocament formal en les visualitzacions de la
informaci, a grans trets podrem dir que hi ha dos grans pensaments que intenten justificar lelecci dels diferents recursos visuals per transmetre la informaci. El primer corrent s lanomenat enfocament exploratori, que representa a la visi ms formal i tcnica
en aplicacions prpies de la investigaci acadmica, la cincia, el mn empresarial i a
lanlisi de dades dentorn estadstic i panells de control. Un dels seus mxims exponents
s el professor de la Universitat de Yale i pioner en lestudi sobre visualitzaci de dades
Edward Tufte, que sost que tots els elements grfics de disseny que no comuniquen in-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

49

formaci especfica sn innecessaris i cal eliminar-los per a una correcta transmissi de


la informaci (Tufte, 2001).
Daltra banda trobem lenfoc explicatiu o narratiu, la informaci a travs duna histria,
que s precisament loposat a lexploratori, contempla ls delements decoratius de manera predominant per ajudar a atraure el receptor i facilitar la retenci de la informaci.
Les aplicacions que contemplen aquest enfoc sn principalment les infografies en publicacions tant analgiques com digitals com ara diaris i revistes, blogs, en continguts de
mrqueting i branding. Un dels mxims representants daquest enfoc s el dissenyador
grfic, teric i escriptor expert en disseny de la informaci Nigel Holmes, que defensa,
segurament influenciat pel seu pas per la secci infogrfica del Times, la utilitzaci de
la metfora visual per emfatitzar i reforar el tema de la visualitzaci. (Holmes, 1991;
Lankow et al, 2012; Frankel i DePace 2012).
Ambds enfocaments sn correctes, ja que responen a objectius diferents. El primer mostra la informaci duna manera ms neutra per tal que lobservador pugui valorar-la com
a representaci objectiva i el segon busca cridar latenci de lespectador i alhora donar
un judici de valor previ per ajudar al receptor a emfatitzar amb la informaci (Lankow et
al, 2012) (Serra, 2015, entrevista personal del 10 de Maig, Annex D)
Aquests objectius dependran en primera instncia de qui s lemissor, de la funci per
la qual es dissenya i finalment el pblic a qui es dirigeix la visualitzaci. Segons Nathan
Yau (2011) podrem classificar en quatre diferents objectius la visualitzaci de dades: Informar, Emocionar, Entretenir o Persuadir.

3.2.3. Requeriments pel disseny de la visualitzaci


Larquitecte, enginyer i tractadista grecorom Marcus Vitruvius fou lautor, el 20 aC, De
Architectura el tractat sobre arquitectura ms antic que ha arribat fins als nostres temps on
assegurava que existien tres estndards que qualsevol estructura havia de tenir: solidesa,
utilitat i bellesa. Aquests mateixos estndards es poden aplicar al disseny de la informaci
(Moere i Pruchase, 2011). Per una banda la visualitzaci ha de ser slida, adequada per a
la informaci que representa, tamb cal que sigui til en quan a ser interpretada correc-

50

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

tament per lusuari. I per ltim cal que disposi de bellesa esttica per atraure al receptor
final i proporcionar una experincia agradable.

Grfic 2. Representaci del procs dobtenci del coneixement. Font: Elaboraci prpia.

Aquests tres estndards sentenen des de lptica de lestructura que lemissor ha de tenir
en compte en el moment de dissenyar una correcta visualitzaci de la informaci.
Si ho fem des de lptica dels principis de percepci del receptor es complementa el concepte bellesa amb el datracci, el concepte dutilitat semparella amb el de la comprensi
i apareix un quart concepte molt important en la visualitzaci de la informaci com s la
retenci (Lankow et al, 2012). Aix doncs de la forma original del triangle (triangle de
color blau) passem a una forma rombodal.
3.2.3.1 Solidesa
La fiabilitat de la informaci, el seu tractament i linters que pugui tenir per un pblic determinat marcar el grau de solidesa de la visualitzaci. En el mateix context,
lexcellncia en la visualitzaci es considera slida en funci de la qualitat de la procedncia de les dades, la rigorositat en el seu processament i la claredat, precisi i eficcia en
la transformaci de les conclusions en elements de representaci visuals (Tufte, 2001). En
el Big Data aquesta solidesa es valora principalment en la correcta elecci i funcionament
dels diferents algoritmes i la eficincia del codi de programaci (Moere i Pruchase, 2011).

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

51

3.2.3.2 Utilitat i comprensi


La utilitat fa referncia a lefectivitat i eficincia en lassoliment de lobjectiu de la visualitzaci. Lefectivitat pretn mantenir al mxim la integritat de les dades en la seva
transformaci a informaci visual. I leficincia busca la utilitzaci mnima de recursos
visuals i ls mnim despai per aconseguir la correcta comunicaci (Tufte, 2001). En
un format de visualitzaci interactiu leficincia es contempla, tamb, en la recerca de la
funcionalitat i usabilitat de la interfcie (Moere i Pruchase, 2011).
Sense entrar a fons en el tema i a tall destablir un marc adequat cal tenir en compte a
Colin Ware (2013) per entendre la percepci humana. Afirma que els humans hem evolucionat i tenim optimitzat el sistema visual. I destaca tres caracterstiques generals: la
capacitat de captar visualment a gran velocitat elements sense la necessitat de processament conscient, lhabilitat dorganitzar mentalment el que sobserva en esquemes predeterminats, i finalment la forta interrelaci amb els altres sentits. Costa (1991) coincideix
en lafirmaci que el sistema visual s el sistema cognitiu dels humans ms desenvolupat,
i afegeix que funciona com una mquina de reconixer que ens permet una enorme capacitat de processament per buscar models de connectivitat i recodificaci de dades noves
i/o antigues molt sovint sedimentades (dades emmagatzemades sense una conscincia
plena) que permet la comprensi immediata de conceptes i didees.
La utilitat tamb es refereix a ladequaci del missatge al pblic objectiu susceptible a
percebre la visualitzaci. Costa (1991) destaca tres criteris a tenir en compte: la capacitat datenci, la duraci de la transferncia del missatge i el nivell cultural. La primera
respon a la situaci fsica previsible on es realitzar la comunicaci, la segona el temps
mitj que ha de durar la comunicaci per poder ser entesa correctament i finalment el
grau de figuraci i iconitzaci del missatge grfic. Aix doncs, des del punt de vista de
lobservador, el concepte dutilitat en la visualitzaci de la informaci es tradueix en la
capacitat dinteracci amb la visualitzaci i la comprensi de la informaci.
3.2.3.3 Bellesa i atracci
James Gleick (2012) afirmava que Quan la informaci s barata, latenci es torna
cara. Steve Jobs, des de la seva visi personal, afegia que El bon disseny no solament
aconsegueix un atractiu addicional dun element sin que en realitat tamb pot iniciar una
reacci emocional al receptor final. En aquesta mateixa lnia diversos investigadors han

52

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

argumentat que lesttica pot influir positivament en lexecuci duna tasca i a la satisfacci general dels usuaris en ls dobjectes diaris (Norman, 2002).
En un mn cada vegada ms saturat de dades i informaci s necessari i prcticament
obligatori presentar la informaci amb un cert atractiu esttic per atraure els lectors o
usuaris finals i mantenir la seva atenci per tal que profunditzin en el contingut (Lankow
et al, 2012) i fer, alhora, ms efica la mateixa comunicaci de la informaci (Salimun et
al, 2010), sempre tenint en compte lobjectiu pel qual est dissenyada la visualitzaci i el
pblic a qui es dirigeix.
s difcil discutir, criticar o comparar objectivament la qualitat, en conceptes com atracci, bellesa, eficcia, adequaci, etc. de la forma visual (Moere i Purchase, 2011), tanmateix, el concepte esttic, tot i dependre de mltiples variables, en lmbit de la visualitzaci de la informaci necessita indispensablement lequilibri entre forma i funci. La
forma correspon a ls adequat dels elements que representen visualment la informaci,
la funci respon a la qualitat daquesta representaci per facilitar la rpida i correcta interpretaci de la informaci per part del receptor (Tufte, 2001).
Diferents estudis demostren empricament que les visualitzacions amb un contingut esttic agradable aconsegueixen millor atenci per part dels seus observadors. Alhora altres
estudis asseguren que la presncia delements visuals aparentment innecessaris que formen metfores visuals no afecten negativament a la correcta interpretaci de la informaci (Moere i Purchase, 2011). Per s important tenir en compte que aquests elements han
destar tractats el ms objectivament possible, ja que poden distorsionar la representaci
de la informaci precisa (Lankow et al, 2012) (Tufte, 2001).
3.2.3.4 Retenci
Existeixen tres tipus principals de memries relacionades amb lexposici a imatges: la
memria a curt termini, la de llarg termini i memria visual. La memria a curt termini
s la considerada icnica, que s instantnia i noms semmagatzema definitivament si
es connecta amb alguna idea o concepte emmagatzemat al nostre cervell. La memria a
llarg termini s la que semmagatzema durant llargs perodes de temps i es divideix en
tres rees ms: la memria episdica que sn aquelles vivncies viscudes en un temps
i espai concret, la memria procedimental que fa referncia a les tcniques apreses per

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

53

mimetisme o repetici (llegir o cordar-se les sabates) i la memria semntica que socupa
dels conceptes abstractes que no tenen un context especfic o experincia associada. I
finalment la memria de treball visual sactiva quant ens fixem en alguna cosa que estem
observant, i en menys de 100 mili segons el nostre cervell compara la informaci icnica
de la memria de curt termini amb la memria semntica de llarg termini emmagatzemada i entendre, aix, el que sest observant (Ware, 2013) (Grady, i Grady, 2008).
Joseph Priestley va dissenyar el 1789 A new Chart of History, una nica taula molt visual
on es presentava la histria de la humanitat en un format en lnia de temps (Christianson,
2012) amb lobjectiu de facilitar laprenentatge als seus alumnes.
Priestley s un dels pioners en fer servir la visualitzaci de dades per, no noms facilitar
la comprensi sin tamb, per tal que els seus alumnes, utilitzant la memria de treball
visual, poguessin memoritzar una gran quantitat de dades ms rpidament i eficientment.
A lapartat 3.2.2 quan parlvem de lenfocament, explicvem les diferncies entre les
visions de Tufte i Holmes pel que fa a la inclusi delements decoratius aparentment innecessaris per a facilitar la comprensi de la informaci en visualitzacions, i en lapartat
3.2.3.3 comentvem que diversos estudis asseguraven que la presncia daquests no
afecten negativament a la comprensi, Lankow et al (2012) asseguren que la disposici
delements com ara la metfora visual, el smbol i la iconografia i elements decoratius
esttics augmenten, a part de latracci, tamb la retenci de la informaci.

3.2.4. Transformaci de dades a grfica


3.2.4.1. Tipus de dades
Segons de la Fuente (2011) les dades qualitatives sn aquells valors que representen
diferents qualitats, caracterstiques o modalitats i no es poden expressar ni mesurar
numricament. Poden ser dicotmics (noms poden tenir dos valors possibles, com si/
no, home/dona, etc.) o politnics (poden tenir tres o ms valors). Existeixen tres variants de dades qualitatives:
Ordinals: els valors sordenen mitjanant una escala establerta no necessriament uniforme (labecedari, els mesos de lany, intervals com: lleu, moderat, fort).

54

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Nominals: els valors no poden sotmetres a criteris dordre (colors, estat civil duna
persona: solter, separat, divorciat. viudo, casat)
Per interval: provenen de valors quantitatius que shan agrupat en intervals. Sn com
les dades ordinals per poden calcular distncies numriques entre dos nivells de lescala
establerta (el sou anual, els dies del ms, ledat, el nivell de colesterol).
Les dades quantitatives sn aquelles que sexpressen mitjanant valors numrics i matemtics.
Discretes: sn aquelles dades que noms accepten valors que pertanyin a un conjunt numerable finit. I pot presentar separacions, salts o interrupcions entre els valors que formen
part del conjunt (nombre de fills, nota de lexamen, nombre de persones dun grup, etc.).
Continues: sn dades que poden tenir qualsevol valor (nombre infinit de valors) dins
un cert interval (el pes o laltura dun grup de persones, la temperatura, la densitat dun
lquid, etc.).
3.2.4.2. Relacions grfiques
Els grfics permeten donar forma a les relacions que existeixen entre diferents dipus de
dades. Acostumen a ser tcniques amb funcions reduccionistes que busquen poder filtrar
totes les dades per poder donar el mnim indispensable nmeros delements per a una correcta visualitzaci. Per tal daconseguir una correcta comunicaci de la informaci mitjanant grfics, Stephen Few (2012) amplia a vuit les cinc categoritzacions de relacions
grfiques que proposava inicialment Gene Zelazny el 2001:
Comparaci nominal: Quan els valors representen una escala categrica i es comparen
entre ells duna manera simple. Respon a frases com: ms gran que, ms petit que, recorden aquesta relaci de la informaci.
Srie Temporal: Quan un valor quantitatiu varia en el temps. Les dades susceptibles a
ser seriades temporalment responen a conceptes de canvi, augment, decreixement, fluctuaci, creixement, declinaci, disminuci o tendncia.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

55

Classificaci: Quan els valors quantitatius es relacionen entre si de forma seqencial i


sordenen per mida de major a menor o viceversa. Les dades susceptibles a classificaci
responen a conceptes com mes gran que, ms petit que, igual que, millor que o pitjor que.
Part del tot: Quan els valors individuals dun conjunt es comparen entre si i amb el
mateix valor total del conjunt. Sacostuma a fer servir percentatges. Les paraules que
suggereixen relacions de part del tot sn: part o taxa del total, percentatge del total, valor
del X per cent, quota.
Desviaci: Quan un o diferents grups de valors quantitatius difereixen del o dels valors
de referencia. El grfic haur dexpressar la diferencia entre els dos grups de valors. Es dedueix relaci de desviaci amb paraules com: Ms o menys, variaci, diferncia i relatiu a.
Distribuci: Quan es distribueixen valors quantitatius a travs duna franja que va de
menys a ms. Les paraules que suggereixen aquestes relacions sn: Freqncia, distribuci, franja, concentraci, corba i corba de campana.
Correlaci: Quan dos grups de valors quantitatius varien entre ells en relaci a la direcci (positiva o negativa) i al grau (alt o baix). Les paraules que suggereixen relaci de
correlaci sn: incrementa amb, decreix amb, canvia amb, causat per, afectat per, prxim.
Geoespacial: Quan la relaci s espacial, quan els valors estan localitzat en un punt dun
mapa. Paraules relacionades a aquest concepte: geografia, localitzaci, on, regi, territori,
pas, estat, ciutat.

3.2.5. Models de visualitzaci


Un cop es coneixen les dades que es vol visualitzar i les possibles relacions grfiques
entre elles cal tenir coneixement dels diferents models de representaci visuals per escollir el ms adient i complir lobjectiu dexpressar amb la mxima claredat la complexitat
(Yau, 2011) (Lankow et al, 2012). Tot seguit sexposen els principals grfics, mapes i
diagrames utilitzats per expressar tant dades qualitatives com quantitatives. Existeixen
ms solucions, per acostumen a ser variacions o combinacions de les principals.

56

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Alastrair Cambell (2000) agrupa els models de visualitzaci de la informaci en cinc


grans grups: diagrames illustratius, diagrames estadstics, diagrames relacionals, diagrames dorganitzaci i grfics de temps. Per la present investigaci farem una taxaci
ms enfocada a les diferents formes i sintaxis visuals necessries per a la visualitzaci de
grans quantitats dinformaci (Lima, 2014). El volum de dades que shan de representar
necessiten nous models de visualitzaci amb noves sintaxis visuals que necessiten codis
de programaci que permetin lautomatitzaci dels processos. Degut aix, no es contemplaran aquelles tcniques plstiques que no puguin ser concebudes mitjanant un procs
tecnolgic. Cybu Richi en una entrevista de (Klanten, 2008) afirmava en relaci a aquest
tema que la dada defineix el model de visualitzaci.
Tot i que, potser caldria fer una classificaci a partir de criteris ms tcnics com els tipus
de dades que es mostren o les eines que sutilitzen per a la exploraci i visualitzaci de
les dades, es considera apropiada la classificaci realitzada per a diversos autors (Few,
Lima, Yau) que valoren aspectes esttics generals com la forma, la estructura i el tipus
de relacions entre les dades. En primer lloc descrivim els grfics de caire ms estadstic,
a continuaci desglossem els diagrames destructura darbre amb la seva evoluci ms
tcnica dels grfics de mosaic, els grfics de xarxes i per acabar els grfics composats per
nvols dades.
3.2.5.1. Grfics
Sn les representacions ms utilitzades per a representar dades quantitatives i qualitatives i permeten una comunicaci molt efica dinformaci. La seva extensa presncia fa
que sigui molt fcil la seva comprensi i acceptaci per part de la gran majoria de pblic
(Lankow et al, 2012; Lima, 2013, 2014 i Few, 2009).
De Punts: Permeten presentar dades discretes i contnues mitjanant comparacions nominals, sries temporals, classificacions i relacions de parts del
tot. Els valors qualitatius i/o quantitatius es colloquen en dos eixos (X i Y).
De lnies: s el grfic de punts unit mitjanant una lnia. Permeten visualitzar relacions de sries de temps amb dades contnues. Leix X acostuma
a representar el valor de temps. Molt prctics per interpretar evolucions en
el temps i observar tendncies.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

57

De barres: Podem subdividir els grfics de barres en tres categories, tot i ser similars es
diferencien en alguns petits aspectes que fan que lelecci dun o altre sigui important.
- Verticals: Per a dades discretes i continues per expressar comparacions
nominals, sries temporals, classificacions i relacions amb parts del tot.
Leix X per als valors qualitatius i leix Y per als quantitatius i sempre amb
la lnia base a zero.
- Horitzontals: Per a dades discretes i continues que mostren comparacions nominals, classificacions i relacions amb parts del tot. Les sries
temporals no sn recomanables. Leix Y contempla els valors qualitatius i
leix X els valors quantitatius.
- Apilades: Per a dades discretes o contnues, sobretot, per exhibir relacions de parts del tot. Leix X sacostuma a utilitzar per presentar dades
qualitatives i ly les dades quantitatives.
Circulars: Permeten utilitzar dades discretes o contnues per a comparacions de parts del tot. La suma de totes les parts ha de ser igual al cent per
cent. Permeten una rpida comprensi entre relacions de dades. Tamb
poden derivar fcilment a grfics en forma de dnut, eliminant el centre
de la circumferncia.
Bombolles: Permeten utilitzar dades discretes o continues per exposar
generalment classificacions i relacions nominals. El total de lrea de la
circumferncia representa el valor quantitatiu. s una opci no gaire precisa i necessita grans diferncies entre els diferents valors per tal que resulti til. Sutilitzen sovint combinats amb mapes geogrfics que permeten relacionar el valor de la bombolla en un lloc concret molt rpidament.
Diagrama: de dispersi A partir de la collocaci de les dades en forma
de punts sobre una taula bidireccional o tridimensional permet mostrar
grficament la relaci que hi ha entre dues variables quantitatives. Les
dades qualitatives es mostren en leix X i les quantitatives en leix Y i, en

58

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

el cas dhaver-hi espai tridimensional, leix z permet una tercera variable


compartida per les dues primeres. s molt til per comprovar resultats i la
identificar les causes de fets variables.
Diagrames de radar: Permet la visualitzaci de valors quantitatius disposat en diferents eixos (mnim tres) que radien dun mateix punt central.
Sacostumen a unir, mitjanant lnies rectes, els diferents valors collocats
en els eixos per grups i aix saconsegueix comparar grups de dades en
relaci a diferents variables.
Diagrames dembut: O diagrama de funnel, s similar al grfic de barres
apilades, mostra valors proporcionals que disminueixen progressivament.
La mida de lrea est determinada pel conjunt de percentatges del total
dels valors.
Lnia de temps i calendari: Podrien entrar en la categoria de grfics de
barres, ja que sn els principals elements que hi actuen per s important
destacar-los perqu proporcionen una rpida i efectiva visualitzaci de dades en relaci a una variable temporal.
Diagrama de Sankey: s una visualitzaci utilitzada per representar les
transferncies de dades entre processos a partir de fletxes que mostren la
direcci i el comportament del flux de transferncia. Prenen el nom dun
capit irlands que utilitz el 1898 aquest diagrama per mostrar el flux
denergia duna mquina de vapor. Per el diagrama de Sankey ms popular s el creat, vint-i-nou anys abans, per Charles Minard, comentat en el
punt 3.1, per explicar la invasi napolenica de Rssia.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

59

60

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

4. Visualitzaci del Big Data.


Existeixen mltiples aplicacions del Big Data que tenen models de visualitzaci com a
ltim pas de tot el procs. Per tal de poder introduir-nos en aquest ampli sector en constant expansi hem categoritzat les visualitzacions en funci del camp final de treball a
que pertanyen i al seu us final: s comercial, periodstic, recerca i art. Tot i que, no s una
classificaci del tot encertada ja que si, per exemple, tenim una investigaci en el camp
del periodisme de dades aquesta aplicaci formaria part de dos categories alhora. Caldria
doncs reflexionar en establir una categoritzaci en base al tipus de dades i les eines utilitzades en els processos de treball amb les dades. (Martnez, 2015, entrevista personal del
7 de Maig, Annex D). Per la categoritzaci proposada ens permet mostrar les quatre maneres ms habituals alhora dencarar projectes de visualitzaci de grans volums de dades.

4.1. s comercial
Una de les aplicacions ms habitual i que actualment shi dediquen ms esforos i recursos en tecnologia Big Data s lanomenada intelligncia empresarial, intelligncia
de negocis o BI (de langls Business Intelligence). La BI consisteix en el conjunt
destratgies enfocades en fer s de totes les dades produdes per una organitzaci i
les procedents del entorn, per obtenir coneixement per a la correcta administraci de
lorganitzaci. Aquesta gesti necessita dun sistema dindicadors (KPIs) que facilitin
la presa de decisions i poden ser des daspectes financers com el retorn de la inversi
o la rendibilitat, passant per indicadors de mrqueting com la quota de mercat fins a
qestions de recursos humans ndexs de freqncia o de gravetat.
Una correcta parametritzaci de les dades i lelecci dun adequat sistema dindicadors
permet visualitzar duna forma clara, til i resumida els parmetres fonamentals del
negoci o de lorganitzaci a travs dun panell de control (Dashboard). Els panells de
control o quadres de comandament, sn sistemes interactius per a la gesti i administraci dinformaci que mostren, mitjanant una presentaci grfica, diferents tipus
de dades. Daquesta manera, usuaris sense coneixement de programaci, poden tenir
accs a informaci rellevant de lorganitzaci a on pertanyen i del seu entorn, i assolir
suficient coneixement per realitzar millors preses de decisions, avanar-se a possibles

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

61

problemes i detectant situacions de risc i doportunitat.


Les principals caracterstiques que ha de tenir un panell de control destinat a la BI per
complir correctament la seva funci sn per una banda, la simplicitat en el disseny que
permeti visualitzar informaci duna manera eficient, la potencia per donar resultats
rpids i profunds (en referncia a la capacitat de penetrar al diferents nivells i capes
de la base de dades per extreuren el millor contingut), la compatibilitat en diferents
dispositius (ordenadors, tauletes, telfons intelligents, etc.) i la capacitat de personalitzaci per adaptar-se a diferents sectors (empresarials, governamentals, etc.) i en
diferents departaments dins duna mateixa organitzaci (pel fet que no tots necessiten
de la mateixa informaci).
La intelligncia de negocis requereix dinformaci prpia de lempresa i tamb
dinformaci del medi ms immediat en que es troba, dades del sector, del municipi, de les
regions on exporta o previsions de creixement del pas on es preveu obrir mercat, etc. Els
dashboards de BI permeten agafar dades de mltiples fonts i combinar-les en una mateixa
interfcie. Per una banda trobem els sistemes genrics de Big Data (Actian Vectorwise,
Amazon RDS, Amazon EC2, Amazon Redshift, Apache Spark, Claudera Hadoop Hive,
DataStax, Google BigQuery, Google Cloud SQL, Gidhub, IBM DB2, IBM Netezza, Postrgre SQL, Salesforce, Twilio, CSV File Uploads, Google BigQuery, Google Adwords,
Ozata, Zendesk, Sendgrid, Marketo, Heroku, Oracle, Rackspace Cloud, Microsoft SQL
Server, Windows Azure Cloud, Sap, Cognos, etc.) que processen i ofereixen les dades
procedents de fonts de la prpia activitat de empresa i daltres fonts externes, i per una
altre banda, poden mostrar informaci interna organitzada en sistemes bsics (MySQL,
Microsoft Excel, Microsoft Acces, Google drive, Box, Dropbox, entre daltres). I tamb
poden centralitzar dades procedents de serveis online que poden generar grans quantitats
de dades (Shopify, PayPal, WordPress, PrestaShop, MailChimp, Google Analytics, etc.)
Alguns exemples de panells de control que permeten la visualitzaci i el control de diferents tipologies de dades massives sn els mateixos panells dels sistemes genrics de
Big Data que es comentaven en el pargraf anterior tot i que existeixen eines especfiques
per mesclar diferents fonts de dades en un mateix panell, alguns daquests exemples sn:
IBM Cognos, MicroStrategy, Data Hero, Sumall, Birst Visualizer, Cahrtio, Qlik, Roambi,
Micrososft Power BI, Google Analytics entre daltres.

62

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Com a innovaci en matria de dashboards destaca el Multitouch Executive Dashboard


(MED-E) una proposta fruit de la collaboraci entre Lockheed Martin (empresa estatunidenca global de tecnologia aeroespacial avanada) i Vizrt acrnim de Visualization in
Real-Time (empresa Noruega que crea productes de visualitzaci danaltiques despots,
tecnologia 3D per mapes, i transmissions de contingut digitals tot en temps real). s una
proposta innovadora en la visualitzaci del Big Data ja que elimina el 2D per presentar
totes les dades en 3D, per, apart de la seva esttica amb clares pretensions futurstiques,
no deixa de ser un producte fsic que s bsicament una pantalla de 82 polzades multi
tctil que permet lentrada i visualitzaci de dades massives. (www.vizrt.com)

4.2. Periodisme de dades


Existeix tamb un periodisme de dades, consisteix en utilitzar software especialitzat per
capturar i analitzar grans quantitats de dades i fer-les servir per informar. En aquest aspecte la infografia periodstica sha adaptat als nous mitjans utilitzant lenorme quantitat
de dades que pot obtenir de les noves eines disponibles, cada dia ms diaris i revistes
disposen de seccions especialitzades, en les seves webs i versions digitals, on informen
a travs dinfografies interactives. Tot i que els diaris han sigut un dels principals representants i desenvolupadors de les tcniques infogrfiques des dels inicis del segle XX,
ara centrem el nostre enfocament en la infografia interactiva que permet transmetre ms
quantitat dinformaci. Aquestes visualitzacions permeten lleugeres o escasses capacitats
dinteracci enfocades a navegar per damunt de grfiques esttiques i obtenir informaci
mitjanant el desplaament del cursor per damunt del grfic. Permet tamb la selecci
dalguns parmetres que permeten mostrar o esborrar diferents elements de la infografia,
tamb en alguns casos, permeten seleccionar diferents perodes de temps per observar
evolucions i tendncies. En aquesta aplicaci periodstica de la visualitzaci de dades segueix essent vlida la classificaci dels tres models de narraci (3.2.1.3.), el pas lineal de
diapositives, la estructura de copa de Martini i lestructura de profunditzaci. No obstant
aix, la ltima s la que ofereix ms facilitat de navegaci per a grans quantitats de dades.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

63

4.3. Recerca
La visualitzaci de la complexitat s un fenomen tecnolgic cultural sense precedents que
ens els ltims anys ha patit una gran evoluci. Aquesta evoluci s en gran mesura per la recerca que diferents collectius han realitzat utilitzant grans volums de dades. Generalment
aquests estudis de Big Data basen el seu model danlisis precisament en la visualitzaci
perqu permet entendre les dades ja que per elles mateixes sn incomprensibles. Per tant
s imprescindible la utilitzaci de programaci informtica (software i hardware) en tot
el procs de transformaci de les dades en informaci visual. Accedir a la informaci en
el seu estat brut permet analitzar-la correctament (Martnez, 2015, entrevista personal del
7 de Maig, Annex D) s a dir, que s necessria la programaci de codi per actuar en totes
les etapes que intervenen en processos de recerca amb dades massives, des de la captura
de les dades, els algoritmes danlisis fins a la elecci de patrons per transformar dades
en sintaxis visuals per a la visualitzaci final (Yau, 2012). Aquesta premissa tecnolgica
no exclou cap dels tres formats de visualitzaci: esttic, animaci i interactiu. En aquests
nous models de visualitzaci de la informaci ja no es fan servir de la mateixa manera els
recursos i models de visualitzaci tradicionals desenvolupats a partir de la meitat del segle
vint com poden ser el grfics de perfil estadstics descrits a lapartat 3.2.5. Degut a principalment a tres raons: per una banda sintenta representar un volum de dades considerablement molt ms gran, en segon lloc, perqu es pretn representar relacions entre diferents
dimensions de dades cosa que no s possible amb els antics mtodes, i tercera, fa referncia a la funci esttica i ideolgica, que proposa una evoluci dels paradigmes reduccionistes emprats per transformar dades en representaci grfica (3.2.4.2.) a partir de lenfoc
des de nous raonament terics que abordin el problema de la complexitat com ara la teoria
del caos, teoria del pensament complex o pensament fractal. (Manovich en Lima, 2014).
En els darrers anys, es desconeix si per convicci moral o per estratgia poltica, els governs de tot el mn, organismes pblics, organismes internacionals i grans corporacions
en un afany de transparncia, ofereixen accs pblic a les dades estadstiques que genera
la seva prpia activitat mitjanant portals i pgines dinternet. Aquestes dades abaten
temes tan diversos com lagricultura, clima, negocis, educaci, poltica, govern local,
energia, economia, salut, producci, oce, seguretat pblica, cincia i recerca, ocupaci
i condicions de treball, qestions socials, transport, dades dorganismes internacionals,
geografia i comunicacions entre daltres.

64

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Un dels primers en realitzar aquesta publicaci de les dades institucionals fou el govern dEstats Units mitjanant la pgina www.data.gov. El va seguir el govern britnic
amb el domini www.data.gov.uk amb la mateixa finalitat. La uni europea tamb disposa
dun portal daccs obert anomenat www.open-data.europa.eu que disposa de infinitats
destadstiques de la uni europea i dels seus pasos. Ms a prop trobem la pgina www.
opendata.bcn.cat de lajuntament de Barcelona. Per altra banda Google des del 2009 publica a www.google.com/transparencyreport un informe on mostra les sollicituds, que
rep regularment, de governs i de jutjats de tot el mn per proporcionar dades dels seus
usuaris. Facebook fa el mateix des de 2013 mitjanant www.facebook.com/about/government_requests. Organitzacions com International Energy Agency publiquen les emocions
de dixid de carboni produdes per la combusti de petroli, Nacions Unides dna accs
als nivells de mortalitat, fertilitat, gana, salut de la poblaci mundial, tamb els ndexs de
creixement en consum de menjar, lagncia nacional de la cincia dAustrlia publica regularment el nivell del mar en diferents localitzacions del planeta, lagncia destadstica
Match exposa els nivells de salut a nivell mundial, impactes econmics de grans esdeveniments com el mundial de futbol de Brasil de lagost de 2014, dades estadstiques de la
supervivncia al cncer, consum durani, extraccions de tones dor, etc. Aix mateix, cal
recordar que es pot accedir lliurement a dades que es troben a les xarxes socials on els
usuaris publiquen informaci de domini pblic com Twitter, Instagram, Flickr, Forsquare, Pinterest, etc. i no sha doblidar que moltes daquestes informacions contenen tamb
dades de geolocalitzaci.
Aquest s un minscul recull de la immensa xarxa de fonts pbliques i gratutes de dades que demostren que laccs a les dades ja no s exclusiu per a les elits cientfiques
i/o empresarials, actualment aquesta barrera ja no existeix i la tendncia mostra que la
informaci cada cop s i ser ms imperativa en la nostra societat, aix ja no s noms
una reflexi personal ni tan sols una opini, s un fet (Lima, 2013). La ubiqitat de la
informaci ha fet i far augmentar la interconnexi entre diferents mbits que fan aflorar
noves rees de recerca com la social data, la neo-cartografia, la visualitzaci dambients,
la intelligncia collectiva, la digitalitzaci massiva i la interconnexi de sensors.
La facilitat daccs a aquestes dades ha provocat laparici duna gran quantitat de visualitzacions on es proposen mltiples maneres dinterpretar les dades mitjanant vi-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

65

sualitzaci. Tracten tot tipus de temtica, des de notcies, econmica demogrfica, salut,
xarxes, esdeveniments mundials o locals fins a aspectes ms socials. Qualsevols tema s
susceptible a ser visualitzat si existien dades accessibles o susceptibles a ser-ho. Aquestes
visualitzacions permeten una representaci directa entre informaci i espectador amb una
clara intenci per part del creador, aquestes intencions sn tan amplies com creadors hi
hagin, algunes noms informen, daltres cerquen models nous de representaci. Tamb
existeixen recerques que indaguen en la superposici de dades aparentment inconnexes
i com es poden relacionar visualment, maneres ms teriques de visualitzar conjunts de
dades, altres busquen transportar una hiptesis directament demostrable en el model de
visualitzaci, etc.
El principal aspecte a destacar daquestes visualitzacions, seguint en la lnia dels dos
primers pargrafs inicials daquest apartat, s que la informaci final presentada t els
seu origen conceptual i la seva ra dexistir en com enfoca el seu creador la elecci de les
diferents fonts de procedncia de les dades, la tecnologia que emprar per a capturar-les
i processar-les i els algoritmes i mtriques necessries per a desenvolupar la parametritzaci i sintaxis visual final. s essencial entendre aquest aspecte per poder interpretar les
diferents propostes que existeixen.

4.3.1. Models de sintaxis grfica


Latracci esttica s un valor a explotar en molts daquests casos per no s lnic ni el
ms valus. s ms important i vital descobrir quines sn les noves opcions per a sintetitzar i estructurar el gran volum de dades que sest tractant. Cal trobar nous models
destructuraci visual que permetin transformar les dades en informaci comprensible
per una correcta comunicaci. Tot seguit exposem algunes daquestes noves maneres de
representar dades i tamb de molt antigues que, amb laplicaci de sistemes de programaci es doten dun nou significat i esdevenen un recurs molt necessari per la labor de la
visualitzaci de dades massives.
4.3.1.1. Diagrames darbre (Tree charts)
Tamb anomenats destructura arbrada (tree structure) o el diagrama darbre (tree diagrams), sha utilitzat des de lantiguitat fins als nostres temps per representar i organitzar

66

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

el coneixement. s un sistema visual procedent de la taxonomia, que s la cincia de la


classificaci. Utilitza sistemes basats en lestructura darbre per ordenar jerrquicament
elements en qu hi ha superiors i subordinats en diferents estats o capes diferenciades.
Aquests models de representaci permeten connectar un gran nombre de dades duna
manera clara i fcilment reconeixibles. (Lima, 2013, 2014)
Figuratius: s un dels sistemes ms omnipresents en la classificaci visual dinformaci. s la representaci ms fidel a un arbre natural, es distribueix de baix a dalt, des dun tronc central que es separa en branques i
tiges ms petites per representaci les diferents connexions entre les dades
que, normalment, es colloquen en el lloc on hi hauria les fulles, les flors o
els fruits de larbre. Acostumen a ser representacions de dades qualitatives.
Verticals: Molt similars als arbres figuratius per totalment invertits, el
punt de sortida es troba a dalt i es va ramificant cap a baix a mesura que
es desenvolupa. Destaca, respecte del figuratiu, perqu acostuma a perdre
la representaci de tronc central i sovint sutilitzava en informaci que era
susceptible de canviar o evolucionar, per tant tenia marge de creixement en
el sentit natural de lescriptura. Un dels seus usos ms coneguts sn els anomenats arbres genealgics que expliquen la descendncia duna persona.
Horitzontals: s el resultat de girar noranta graus els arbres verticals. Es
creu que els primers mapes darbres horitzontals responen a ladequaci al
format horitzontal que formen dues pgines enfrontades en un llibre, des
de la invenci del sistema de carpetes en sistemes operatius informtics
aquesta representaci es troba molt estesa. s una de les formes de visualitzaci ms emprades en la taxonomia.
Multidireccionals: Permeten una jerarquitzaci ms flexible tant en ordre
com en la distribuci en els diferents eixos. Resulten molt adequats per visualitzar grans volums de dades i s habitual el desenvolupament dalgoritmes
per a optimitzar la distribuci de les dades en el mnim espai possible.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

67

Radials: s una de les formes ms esteses en la visualitzaci dinformaci.


Des del comenament de la humanitat sutilitzava aquesta forma per emfatitzar la unitat en el pensament i la formaci de sistemes visuals per presentar coneixements dastronomia, cartografia, fsica i geometria. Aprofiten molt lespai i acostumen a llegir-se des del centre fins a lexterior de
la circumferncia i es marquen etapes o capes a partir danells concntrics
que permeten jerarquitzar.
Hiperblics s una variaci recent dels arbres radials provocada per la
utilitzaci dalgoritmes generats per ordenadors. Aquests algoritmes fan
servir lanomenada tcnica focus i context que posa lmfasi en un determinat conjunt de dades, basant-se en diferents parmetres establerts
prviament, i les centra i amplia respecte a daltres que en conseqncia
es fan ms petites i les apropa al permetre de la circumferncia exterior.
Aquesta forma de visualitzaci permet optimitzar molt lespai necessari i
segueix mantenint una correcta visualitzaci per a la comprensi de grans
volums de dades.
4.3.1.2. Grfics de mosaic
Els grfics de mosaic sn models de visualitzaci que no utilitzen nodes de connexi taxonmica, en lloc daix, farceixen lespai a travs drees de diferents colors i textures
per representar el valor de cada una de les dades i la seva categoria. Permet visualitzar
grans quantitats de dades i percebre amb gran exactitud el seu volum a travs de la comparaci entre les diferents rees que conformen lestructura. En angls, aquesta mena de
representaci, sobretot les rectangulars, tamb sacostumen a anomenar Treemap, per
no lesmentarem aix per evitar confusions amb els diagrames darbre Tree charts.
Rectangulars Funcionen distribuint dades en rectangles (rajoles) que poden ser subdividits com les branques o les tiges dels mapes destructura
darbre. Permeten visualitzar jerarquies per tamb dades quantitatives i a
ms, a partir del color permet indicar una qualitat o categoria addicional.
Actualment sutilitzen molt perqu permeten la visualitzaci efectiva i
ls de lespai eficient en visualitzacions de grans quantitats de dades.

68

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Diagrames de Voroni Prenen el nom del matemtic ucrans Georgy Voroni qui va definir les propietats generals dun procs de segmentaci de
lespai pla basat en la distncia euclidiana. Aquests diagrames es creen mitjanant les mediatrius dels segments generats entre dos punts. Les interseccions de diverses mediatrius generen una srie de polgons en un espai
bidimensional. Lrea daquests espais mostren el valor quantitatiu de les
dades, la posici dins lestructura permet visualitzar la seva influncia respecte als valors vens i el color permet donar un tercer parmetre qualitatiu.
Circulars Similars als grfics de mosaic rectangulars per amb la representaci espacial del valor de dades en forma de circumferncia. Totes les
dades es troben dins dun cercle principal que acostuma a representar la
categoria i a quantificar lescala que hauran de respectar els cercles de les
categories inferiors. s un grfic molt jerrquic que accepta dades quantitatives per que presenta problemes alhora de collocar informaci escrita
en els cercles ms petits.
Radials (Sunbursts) Similar als grfics circulars i als arbres radials organitza la informaci en formes radials. Habitualment es comena a jerarquitzar des del centre expandint-se cap al permetre exterior segmentant
amb anells concntrics i subdivisions cellulars. El seu comportament s
similar al dels mosaics rectangulars per la distorsi circular els fa una
mica ms complicats alhora de comparar els diferents valors que representen.
Caramelles (Icicle) Similars als arbres verticals i horitzontals per sense
nodes de connexi. Permeten visualitzar grans volums de dades quantitatives per funcionen molt millor en la seva funci taxonmica, ja que
si sassocia lrea de cada un dels quadrats al valor de la dada, el mapa
requereix un gran volum per la seva naturalesa exponencial.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

69

4.3.1.3. Grfics de xarxes


Sn levoluci dels grfics basats en lestructura darbres, alguns sn molt similars per
requereixen, sovint, una interfcie digital interactiva per poder ser consultats correctament tot i que poden visualitzar-se estticament ja que generen formes visuals molt esttiques i plstiques. Sn ideals per a la taxonomia de grans volums de dades i mostren la
multi-connectivitat entre dades en dos i tres dimensions a partir nodes que en determinen
el seu grau relacional. Trobem diferents sintaxis visuals que permeten expressar diferents
tipologies de dades (Lima, 2013).
Anells centralitzats: Idntics als diagrames arbrats radials, amb la possible
diferncia que poden existir connexions entre dades de diferents branques.
Llaos circulars: Diferents dades amb ms jerarquia i relacionades entre
elles que posseeixen connexions amb mltiples dades que es disposen al
seu entorn en forma circular, alhora tamb es relacionen mitjanant nodes
amb daltres dades.
Embrancaments: Similars als diagrames darbres multidireccionals per
amb la variaci prpia de les xarxes que permet que, per exemple, una
dada a la ltim embrancament pugui estar connectada mitjanant un node
amb una dada dun altre tronc que aparentment no formen part de la mateixa base en com.
Lot zonal (area grouping): Sn multi-connexions entre diferents dades
que alhora es troben agrupades en subgrups interrelacionats entre ells.
Explosi cntrica (centralized burst): s la forma ms similar a una galxia, no hi ha forma definida, les dades es reparteixen de forma aleatria
i sense un centre o punt de partida definit.
Implosi radial: Prcticament igual a la explosi cntrica per la massa
final de dades t forma circular per segueix sense definir-se el centre ni
el punt de partida.

70

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Implosi ellptica Igual que la implosi radial per amb forma final
ellptica.
Convergncia radial Sn un de les representacions de xarxes de dades
ms populars dels ltims anys, disposa les dades al permetre duna circumferncia i les relaciona entre elles mitjanant nodes i multi nodes. Sn
visualitzacions molt esttiques que permeten veure tendncies clares a primer cop dull per la superposici de nodes, per que, degut precisament a
aix, requereixen un sistema interactiu per poder ser del tot funcionals si
es vol seguir la traabilitat dels nodes individualment.
Convergncia radial segmentada Igual que la convergncia radial per
amb la incorporaci de una o ms circumferncies a mode danells concntrics que permeten incloure ms dades i ms interrelacions entre elles.
Rizoma orgnic Similars a les ramificacions per amb la diferncia que
els nodes, degut a la distribuci de les dades en lespai, no sn mai rectes
que generen formes orgniques molt plstiques i esttiques. Acostumen a
ser visualitzacions molt clares ja que els nodes marquen una traabilitat
molt exagerada fcil de seguir pticament.
Diagrames darc Presenten les dades qualitatives en fila horitzontal o vertical i representa les connexions que existeixen entre elles traant nodes en
forma darc. s una visualitzaci molt esttica per necessita dun sistema
interactiu per tal que sigui funcional. Ha de permetre la selecci dels nodes
o la discriminaci daltres per tal de seguir millor la seva traabilitat.
Diagrama de flux Similars als diagrames de Sankey, visualitzen la transferncia de valors entre dos o ms variables qualitatives. Permeten generar
formes molt esttiques i alhora molt fcils dinterpretar.
Cercles (Scaling circles) Sn estructures que poden prendre formes similars a les explosions, galxies o estructures arbrades, permeten expressar
dades qualitatives i quantitatius unint variables a partir de nodes. Cada

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

71

variable es representa en forma de circumferncia o esfera i la mida representa directament el seu valor.
Globus terraqui circumdat (cicled globe) Sutilitza sempre el globus terraqui com a base per a connectar, mitjanant nodes interns o externs,
diferents punts geolocalitzats.
Esfera Es connecten diferents dades a partir de nodes, la distribuci de
les dades o el recorregut del tra dels nodes dibuixen una estructura final
esfrica.

4.3.1.4. Nvols de paraules


Sn molt populars com a men alternatiu en blogs i webs que tenen el seu contingut
etiquetat mitjanant paraules claus. La particularitat daquestes visualitzacions s que
permeten quantificar dades mitjanant dues variables a travs de la seva mida i la transparncia sense importar la disposici en lespai.

4.4. Artstic
Podria ser perfectament un subapartat del punt 4.3. anterior ja que un del seu component ms important s la recerca, tamb utilitza en moltes ocasions els mateixos models
de sintaxis visual o la combinaci entre ells. Per a diferncia de la visualitzaci de la
informaci, que sempre ha tingut la voluntat i funci dexplicar dades i transmetre informaci, la visi artstica busca altres funcions en la visualitzaci. Mitjanant la dada, ara
vista com a un material, sexperimenten noves tcniques per processar-la i tractar-la en
busca de visualitzacions particulars que comuniquin una idea sobre la mateixa dada i/o
transmetre emocions a lobservador. Sn propostes de caire ms personal que tracten una
temtica concreta amb una intenci totalment subjectiva. Aquest art informatiu utilitza la
dada pura i la processa mitjanant codi per transforma-la en una expressi visual totalment personal. Aix doncs, els artistes contemporanis generen propostes visuals esttiques, animades o interactives a traves dalgoritmes en grans paquets de dades. Escollint
unes dades o altres els artistes poden parlar del mn que els rodeja i intervenir com a veus

72

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

influents que qestionen i raonen sobre la societat o qualsevol altre aspecte datificat o
susceptible a ser-ho.
Dins el mateix enfoc artstic existeix una prctica que busca anar ms enll de la visualitzaci de dades en els formats digital habituals com sn les pantalles o projectors.
Busca traspassar aquest lmits transformant les dades mitjanant expressions fsiques que
les representin. Utilitza la metfora per aconseguir aquest trasps entre els dos medis.
Daquesta manera refora la idea de que el mitj esdev el propi missatge.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

73

74

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

5. Casos destudi
En aquest ltim apartat sanalitzaran quatre exemples representatius de cada un dels
camps descrits en lanterior captol. Es contemplaran els principals requisits formals del
disseny de visualitzaci dinformaci que shan comentat al llarg de la present investigaci. Es realitza des duna metodologia senzilla dobservaci en que es valorar la composici formal de la visualitzaci i la soluci en quant a sintaxis visual per a lexpressi
de dades massives.

5.1. Google Analytics


www.google.com/analytics
Google Analytics s un servei gratut que ofereix lempresa Google destadstiques de
pgines web. Permet obtenir informes de visites, llocs de procedncia, de rendiment
de segments dusuaris, resultats de campanyes de mrqueting, tipus de tecnologia de
lusuari, el comportament i tendncies de navegaci, taxes de rebot i temps de permanncia, parmetres de disseny web, etc. Necessita de la collocaci prvia dun codi dins de
la programaci del lloc web que es vulgui controlar.
Es presenta en format de panell de control on hi han mltiples opcions per visualitzar
diferents aspectes importants per a la gesti de lactivitat duna pgina web. En la nostra
investigaci noms destacarem les qestions que facin referncia a la visualitzaci de
dades, no sentrar a valorar aspectes dusabilitat ni de adequada utilitzaci de recursos.
Google Analytics utilitza un ampli ventall de grfics estadstics i sorprenentment alguns
altres que no ho sn. Una de les particularitats ms destacables s la opci que ofereix la
plataforma per visualitzar les mateixes dades amb diferents models de visualitzaci i la
comparaci entre diferents variables.
En una dimensi primria utilitza els grfics de lnies i punts per expressar sries temporals on leix Y cont dades quantitatives amb una gran repertori de variables per escollir
i on leix X es disposa sempre la variable temporal que en tot moment es pot acotar per
mitj de la selecci de dos valors de perode en un calendari. Aquestes mateixes dades

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

75

es poden explorar a partir dun diagrama de dispersi de bombolles on el comportament


dels eixos s quantitatiu i de mltiple selecci de variables, per tant permet la comparaci
visual a partir de lenfrontament de variables. Disposa duna lnia temporal que permet
animar automticament o manualment les variacions de les variables en funci del temps
en un perode concret prviament acotat. Amb el mateix esquema deixos es disposa de
lopci de visualitzar-ho en format de grfic de barres verticals i grfic de lnies.

Grfic 4. Vista de la visi primria del panell de control de Google Analytics. Font: Captura prpia de pantalla.

En la visi secundria es comparen les mateixes dades amb ms detall i mitjanant factors de relacions diferents, sovint utilitza el model de part del tot. Es disposa de quatre
sistemes per visualitzar aquesta informaci: amb grfics circulars, grfics de barres horitzontals duna banda amb percentatges sumatoris i laltre de comparaci, i finalment en
format de taula.
Per representar dades referents a la procedncia fsica de les visites sutilitza mapes on
somplen els lmits poltics dels pasos amb una escala dun nic color (blau) on la densitat del color emfatitza en la quantitat de visites. Dna lopci de visualitzar en el mateix
mapa la segmentaci de les mateixes dades per continents i subcontinents, tamb per
ciutats mitjanant el posicionament de bombolles amb variaci del dimetre en funci
del nmero de visites.

76

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Grfic 5. Vista de la visi secundria del panell de control de Google Analytics. Font: Captura prpia de pantalla.

En la secci de flux dusuaris es mostren els comportament de navegaci que els diferents
usuaris han generat al entrar al lloc web. Per aquesta visualitzaci sutilitzen els diagrames de Sankey. Es desplaa desquerra a dreta en leix X i permet veure la evoluci de la
navegaci dels usuaris a partir de qualsevol de les mtriques de navegaci que permet el
sistema: des de fonts dadquisici, comportament, publicitat, ambit social fins a usuaris
naturals. Per a observar la procedncia dadquisici del trnsit es disposa la informaci
a partir dun mapa de mosaic rectangular. s molt adequat per veure sobretot la procedncia de les seccions de nous usuaris a la web, un com es disposa el diagrama permet
penetrar en cada un dels rectangles per veure la segmentaci que hi ha dins duna dada.

Grfic 6. Vista del grfic de fluxes del panell de control de Google Analytics. Font: Captura prpia de pantalla.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

77

Grfic 7. Comportament del mouse a la infografia Guantnamo de The New York Times.
Font: Captura prpia de pantalla.

Grfic 8. Tercer nivell de profunditat de la infografia Guantnamo de The New York Times.
Font: Captura prpia de pantalla.

78

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

5.2. The New York Times


http://projects.nytimes.com/guantanamo
El diari The New York Times aposta fermament per un tipus dinfografies interactives
que funcionen com a semipanells de controls amb la intenci dinformar duna manera precisa grans quantitats de dades. El 14 de gener de 2015 el diari publica a la seva
web una infografia on mostra levoluci dels 771 presos que hi han o han passat per la
pres de Guantnamo. Presenta les dades en un senzill grfic interactiu amb estructura
daprofundiment de diferents sistemes i controls de navegaci. Utilitza dades quantitatives i qualitatives i les disposa en una visualitzaci principal a travs dun grfic de
barres horitzontal on leix X disposa en el valor negatiu els presos que es troben interns
a Guantnamo i el valor positiu per al presos que han estat repatriats a altres pasos. En
leix Y hi han 4 valors qualitatius que categoritzen els presos respecte la nacionalitat:
Afganistan, Arbia Saudita, Iemen i resta de pasos. Les barres estan subdividides per
formes quadrades que cada una representa un pres i amb un codi de 3 colors per separar
els presos pel seu el valor de la detenci, detinguts en pasos de la OTAN i presos morts
sota custodia. El grfic evoluciona a partir duna srie temporal que es disposa just a sobre el grfic representat per una lnia de temps que ens permet reproduir automticament
o desplaar-nos a partir del 11 de gener de 2002, que fou quan ingressa el primer detingut
a la pres, fins el gener de 2015.
Els quadrats que representen cada pres presenten dos nivells de interacci, el primer quan
ens posicionem al damunt apareix la foto, el nom, lestatus i la nacionalitat. En segon terme podem clicar en el mateix quadrat i accedim a la fitxa del pres amb tota la informaci
relativa a la seva detenci, la estncia i, si s el cas, la seva extradici.
Disposa daltres nivell de navegaci que permeten navegar per una taula amb tots els detinguts, la seva nacionalitat, i el pas de extradici. Dos grfics de barres amb informaci
del volum de presos en relaci a la seva nacionalitat i pel pas dextradici. Un altre nivell
amb la successi temporal de detencions, ingressos i extradicions.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

79

5.3. WikiGalaxy
http://wiki.polyfra.me/
Owen Cornec visualitza una mostra de ms de 100.000 articles de la Viquipdia a partir
dun algoritme molt elaborat. Fruit de la uni entre els diferents articles genera un grfic
de xarxa dembrancament rectes i tamb mitjanant rizomes en tres dimensions. Els nodes corresponen als articles, que sagrupen dacord amb la seva relaci amb daltres articles. Es indispensable la exploraci interactiva per tal que tingui utilitat comunicativa.
Per aix es presenta com un panell de control senzill per molt til pel seu propsit. A la
part superior esquerra trobem un cercador que permet introduir directament larticle que
busquem. Tamb es pot explorar en primera persona mitjanant dos sistemes immersius
de navegaci diferents per que sn complementaris: Fly i Map. El primer permet desplaaments de 360 graus en un nic pla. El segon permet una navegaci a vista docell
que permet una posici dominant de tota la galxia. Es navega mitjanant el zoom del
ratol o els botons de direcci del teclat.
Els articles es categoritzen mitjanant un codi de color: histria taronja; societat lila; geografia blau; cultura vermell; persones groc; cincia verd; altres blancs. Al desplaar sobre
un node apareix el ttol de larticle que representa. En fer clic apareix una vista prvia
dels articles i tamb illumina els enllaos relacionals amb altres articles. Si es fa clic en
un daquests enllaos es desplaa la vista fins a larticle corresponent i es visualitza la
vista prvia daquest amb els seus corresponents enllaos. Es visualitzen 20 enllaos per
cada article, si nexisteixen ms, cal prmer la barra despai del teclat per poder visualitzar els 20 enllaos segents i aix successivament.
Com a fet curis mentre es navega es pot observar punts en moviment que representen
altres usuaris en temps real que naveguen per la visualitzaci.

Grfic 8. Vista general de laplicaci WikiGalaxy. Font: Captura prpia de pantalla.

80

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Grfic 9 i 10. Vista general i navegador de laplicaci WikiGalaxy. Font: Captura prpia de pantalla.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

81

Grfic 11. Vista general lobra On the Road de Jack Kerouac. Font: www.stefanieposavec.co.uk.

82

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

5.4. Writing Without Words


http://www.stefanieposavec.co.uk/
Stephanie Posavec genera una srie de visualitzacions amb la intenci dexplorar les diferncies entre els estils descriptura de diversos autors de la literatura clssica. La imatge
que analitzarem aqu representa la primera part del llibre On the Road de Jack Kerouac.
Titulada Literary Organism, s una obra artstica que pren el llibre de Kerouac i en desgrana jerrquicament totes les parts que el composen. Per fer-ho utilitza una sintaxis
grfica basada en un diagrama arbrat on les seves ramificacions principals representen els
captols del llibre i parteixen dun mateix punt. Aquestes troncs principals es separen en
funci dels pargrafs que alhora es divideixen en consonncia amb els nmeros de frases
que finalment es ramifiquen en les paraules que contenen. Existeix una categoritzaci per
color que fa referncia al to que fa servir lautor.
Posavec a travs de la seva obra vol visualitzar el ritme i lestructura dun espai literari
dun autor concret. Crea una representaci esttica que, al mateix temps, exhibeix cert
rigor cientfic per la precisi topogrfica en la seva formulaci meticulosa al representar
fidelment la longitud, la prosa i els temes que cont el text.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

83

84

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Conclusions
Si no puc dibuixar-ho, s que no ho entenc s una frase dAlbert Einstein que resumeix perfectament la finalitat de la visualitzaci de dades. La visualitzaci de la
informaci apareix de la necessitat de transmetre duna manera didctica i entenedora
el coneixement. Des dels inicis de la humanitat aquesta necessitat ha fet que evolucionessin les tcniques de representaci de la informaci fins als nostres dies.
Actualment la tecnologia ha multiplicat exponencialment la capacitat de generar i emmagatzemar dades i, en conseqncia, ha provocat que els models de visualitzaci hagin devolucionar per poder representar ms volums de dades. Per la visualitzaci ja
no s noms una representaci final dunes dades concretes com ho era abans, sin que
en volums de Big Data la representaci visual de dades s una eina imprescindible en
el procs mateix dexploraci de les dades. s a dir, la mateixa visualitzaci de dades
s un pas ms en lanlisi de les dades massives. Aquest nou rol es deu principalment
al fet que la tecnologia, de moment, s incapa de jerarquitzar ni valorar qualitativament la informaci en funci de resultats, entendre-la, jutjar-la i raonar conclusions
intelligents. Per aix s necessria una ment humana que pugui llegir-la, interpretar-la
i utilitzar-la per prendre decisions en conseqncia.
A linici daquesta investigaci es feia la pregunta de si eren suficients els models
de visualitzaci de dades clssics per representar grans volums de dades. Sobserva
en lmbit general que els dashboards, per exemple, que sutilitzen en diferents eines
danlisis i monitoratge de dades es limiten a visualitzar a travs de grfics estadstics.
En aquests casos la funci del disseny es limita a solucionar problemes formals com
la distribuci i elecci dels diferents elements visuals com color, degradaci, traat,
transparncia, etc., per no hi ha cap canvi substancial en el model de visualitzaci de
dades. Aquest fet es deu, en primer lloc, a que la gran majoria de dades sn quantitatives i, en segon lloc, a que la seva aplicaci final respon a usos purament comercials.
Un s que obliga a utilitzar patrons estndard per tal que lusuari no perdi temps en
interpretar nous models de visualitzaci i que pugui desxifrar i entendre la informaci
que contenen els grfics com ms rpidament millor.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

85

Per altra banda, en altres aplicacions del Big Data com ara en projectes de recerca o de
carcter ms artstic, on les dades sn de dominncia qualitativa o responen a volums
grans de connexions nodals, es combinen diferents algoritmes per desenvolupar evolucions de diagrames arbrats o grfics de mosaic. El procs devoluci sempre est marcat per la naturalesa de la dada i leina emprada en el desenvolupament del seu anlisi.
Per podem afirmar que les visualitzacions prpies de lestadstica com els grfics de
barres, lnies, bombolles, etc, no sn suficients per expressar tots els sistemes de dades
basats en Big Data. La navegaci a partir de sistemes interactius obre realment noves
possibilitats que permeten endinsar-nos en una visi exploratria de la informaci tot i
que encara cal estudiar si aconsegueix una millor comunicaci de la informaci.
La segona pregunta daquesta investigaci versava sobre la funci del dissenyador
grfic en els nous processos delaboraci destratgies Big Data i amb quins altres
professionals de diferents mbits haur de collaborar. En el segon pargraf daquestes
conclusions es fa constar que la visualitzaci en un sistema Big Data ja no s noms
una representaci final dunes dades concretes sin que s una eina ms de lexploraci
de les dades per extreuren informaci rellevant. Aix doncs s necessari augmentar la
participaci proactiva de la figura del dissenyador grfic en el camp de la visualitzaci
de la informaci. El disseny s un procs inevitable per la seva capacitat de proposar
nous mtodes de visualitzaci ms eficaos en la comunicaci de paquets de dades cada
vegada ms imponents. El dissenyador grfic professional aporta els coneixements necessaris per estructurar correctament la informaci a travs de principis universals com
la solidesa, la utilitat i la bellesa. T en compte, en totes les decisions de disseny, a
lobservador final posant especial atenci en els conceptes datracci, comprensi i de
retenci que afecten la comunicaci. I evidentment, coneix sobradament els fonaments
generals del disseny i la gramtica visual que li permeten representar qualsevol tipus
dabstracci en contingut comunicacional.
Per per tal que realment pugui participar com a data-visualizer en la nova etapa de
collaboraci al costat daltres disciplines com els data-scientists, data-analysts i datadevelopers, cal que domini aspectes relacionats amb lestadstica com: la tipologia de
les dades entre quantitatives o qualitatives i els subgneres de cada una i els models
de relacions que existeixen entre dades i grfica; i els diferents models de visualitzaci
basats en grfics.

86

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Tamb s important que conegui aspectes bsics de larquitectura Big Data i que pugui
distingir els processos de recollida, emmagatzematge, processament, anlisi i, finalment, la visualitzaci. Ha de ser conscient de les caracterstiques essencials dels sistemes de dades que fan referncia al volum, la varietat, la velocitat, la variabilitat i el
valor de les dades. I tamb s necessari que spiga les diferents fonts de procedncia
de les dades i la tipologia destructuraci que tenen: estructurades, semiestructurades
o no estructurades.
Daquesta manera el dissenyador es considerar til per collaborar en el disseny
darquitectures de Big Data participant en cada un dels processos aportant la seva experincia com a sintetitzador conceptual per millorar les solucions de mtodes de representaci existents. El dissenyador de visualitzacions de Big Data ha de tenir en
compte i conixer tots i cada un dels parmetres i restriccions que normalment no ha
de controlar, i aportar valor afegit articulant lequilibri entre la funcionalitat i la forma
amb el domini del medi visual formal.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

87

88

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Bibliografia
Chiavenato, I., 2006. Introduccin a la teora general de la administracin. Mxic: McGraw-Hill Interamericana.
Christianson, S., 2012. 100 diagrams that changed the world. London: Plume
Costa, J., Moles, A., 1991. Imagen Didctica. Barcelona: CEAC.
Ferrell, O. C., Hirt, G. A., Ferrell, L., 2010. Introduccin a los negocios en un mundo
cambiante. Mxico: McGraw - Hill.
Few, S., 2012. Show me the numbers. Oakland: Analytics Press.
Frankel, F.C., DePace, A. H., 2012. Visual Strategies. New Haven: Yale University Press.
Garland. K., 1994. Mr Becks Underground Map. London: Capital Transport.
Gleick, J., 2012. La informacin: Historia y realidad. Barcelona: Crtica
Grady, J. V. O., Gr ady, V. O., 2008. The information design handbook. Switzerland:
RotoVision.
Holmes, N., 1991. Designers Guide to Creating Charts and Diagrams. New-York: Watson-Guptill.
Klanten, R., 2010. Data flow 2: visualising information in graphic design. Berlin: Gestalten.
Lankow, J., Ritchie, J., Crooks, R. (2012). Infografas. Barcelona: Grupo Planeta.
Lima, M., 2014. The book of trees. New York: Princeton Architectural Press.
Lima, M., 2013. Visual Complexity. Mapping Patterns of Information. New York: Prin-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

89

ceton Architectural Press.


Lyotard, J.F., 1987. La condicin postmoderna. Informe sobre el saber. Madrid: Ediciones Ctedra.
Mayer, V., Cukier, K., 2013. Big Data: A Revolution That Will Transform How We Live,
Work, and Think. London: John Murray.
Mazza, R., 2009. Introduction to information visualization. Switzerland: Springer Science & Business Media.
Shannon, E., 1948. La Teoria Matemtica de la comunicacin. Bell System Technical
Tufle, E.R., 1990. Envisioning Information. Cheshire, Connecticut: Graphics Press.
Tufle, E.R., 2001. The Visual Display of Quantitative Information. Cheshire, Connecticut: Graphics Press.
Valero, J. L., 2002. La infografa: tcnicas, anlisis u usos peridsticos. Barcelona. Univesidad Autnoma de Barcelona.
Ware, C., 2013. Information Visualization. Waltham: Elsevier.
Wong, W., 1993. Fundamentos del diseo. Barcelona: Gustavo Gili.
Yau, N., 2011. Visualize This. Inidanapolis: Wiley

Enciclopedia
Gran Enciclopedia Catalana, 2012. [online] Barcelona: Gran Enciclopedia Catalana
(CAT). Accesible a: < http://www.enciclopedia.cat/search/site/dada > [Accs 5
Febrer 2015].

90

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Webgrafia
Cairo, A., 2012. Quin fue realmente Alejandro Malofiej. [online] El Pais. Disponible
a: < http://blogs.elpais.com/periodismo-con-futuro/2012/02/alejandromalofiej.
html > [Accs 28 Febrer 2015].
Crdoba, C. i Alatriste, Y., 2012. Hacia una taxonoma de investigacin entre Visualizacin de Informacin y Diseo. [blog] No Solo Usabilidad. Disponible a: < http://
www.nosolousabilidad.com/articulos/taxonomia_visualizacion.htm> [Accs 27
Abril 2015].
De Jorge, J., 2014. Arte rupestre en Indonesia ms antiguo que el de Altamira. [online]
Diario abc. Disponible a: <http://www.abc.es/ciencia/20141008/abci-hallan-indonesia-unas-pinturas-201410081759.html> [Accs 28 Gener 2015].
Intel, N/D. What Happens in an Internet Minute? [online] Accesible a:

<http://www.intel.com/content/www/us/en/communications/internet-minuteinfographic.html> [Accs 10 Desembre 2014].
Lapkin, A., 2012. Hype Cycle for Big Data. [pdf] Stamford: Gartner, Inc. Accesible a: <

http://www.gartner.com/newsroom/id/2819918> [Accs 25 Gener 2015].
Martn, J., 2013 Amazon crece en ventas, per cae en prdidas. [online] El pas, Madrid. Accesible a: <http://tecnologia.elpais.com/tecnologia/2013/01/30/actualidad/1359538068_820100.html> [Accs 14 Gener 2015].
Rayn, A., 2014. Poniendo los datos a trabajar: el Big Data. [Blog]. Accesible a: <http://
alexrayon.es/2014/04/30/poniendo-los-datos-a-trabajar-el-big-data-parte-i>
[Accs 25 Gener 2015].

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

91

Documents PDF
Abad, S., 2014. Big Data en nmeros. (Informe 2014). [pdf] Online Busines School
(OBS). Accesible a (Prvia sollicitud per mail): <https://docs.google.com/
forms/d/1lRyLiqU9vhi4hQM5hWF0aSJTuDqSYPffldo4AgOOSU0/viewform?
formkey=dGdRMDMzZmgyQ1VlaUlmRHY2SkdTMWc6MQ#gid=0> [Accs
6 Mar 2015].
Byron, L., Wattenberg, M., 2008. Stacked Graphs. Geometry & Aesthetics. [pdf] IEEE
Transactions on Visualization and Computer Graphics. Disponible a: < http://
leebyron.com/streamgraph/stackedgraphs_byron_wattenberg.pdf> [Accs 4
Mar 2015].
De la Fuente, S., 2011. Tablas contingncia. [pdf] Universidad Autonoma de Madrid,
UAM. Disponible a: <http://www.fuenterrebollo.com/Economicas/ECONOMETRIA/CUALITATIVAS/CONTINGENCIA/tablas-contingencia.pdf> [Accs 20 Abril 2015].
Fidelity, 2012. In Perspective. [pdf] Fidelity Worldwide Investment. Disponible a: <
https://www.fondosfidelity.es/static/pdfs/informes-fondos/Fidelity_ArgInvSXXI_BigData_Sept12_ES.pdf > [Accs 25 Gener 2015].
Hearst, M., 2003. Information visualization: Principles, promise, and pragmatics. [PPT]
In Handouts of the tutorial at Conference on Human Factors in Computing Systems. Disponible a: <http://bailando.sims.berkeley.edu/talks/chi03-tutorial.ppt>
[Accs 20 Gener 2015].
Laney, D.,2001. 3D data management: Controlling data volume, velocity and variety.
[pdf] META Group Research Note, 6. Disponible a: <http://blogs.gartner.com/
doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf> [Accs 28 Gener 2015].
Lpez, D., 2013. Anlisis de las posiblidades de uso de Big Data en las organizaciones. [pdf] Universidad de Cantabria, UdC. Disponible a: < http://reposito-

92

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

rio.unican.es/xmlui/bitstream/handle/10902/4528/TFM%20-%20David%20
L%C3%B3pez%20Garc%C3%ADaS.pdf?sequence=1> [Accs 30 Mar 2015].
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., ... & McKinsey Global Institute (MGI)., 2011. Big data: The next frontier for innovation,
competition, and productivity. [pdf] Disponible a: < http://bigdatawg.nist.gov/
MGI_big_data_full_report.pdf> [Accs 25 Gener 2015].
Michael Cox and David Ellsworth, 1997. Application-Controlled Demand Paging for
Out-of-Core Visualization. [pdf] NASA Ames Research Center. Disponible a:
<http://www.nas.nasa.gov/assets/pdf/techreports/1997/nas-97-010.pdf> [Accs
25 Gener 2015].
Moere, A. V., Purchase, H. C., 2011. On the role of design in information visualization.
[pdf] Information Visualization. Disponible a: < http://infoscape.org/publications/ivs12.pdf> [Accs 18 Gener 2015].
Moreno, J. P., 2014. Una aproximacin a Big Data. An approach to Big Data. [pdf] Revista de Derecho de la UNED (RDUNED), (14), 471-506. Disponible a: <http://
revistas.uned.es/index.php/RDUNED/article/download/13303/12174> [Accs
28 Gener 2015].
Norman D., 2002. Emotion & Design: Attractive Things Work Better. [pdf] Interactions.
Disponible a: < http://www.jnd.org/dn.mss/CH01.pdf> [Accs 2 Maig 2015].
Purchase, H. C., Andrienko, N., Jankun-Kelly, T. J., Ward, M., 2008. Theoretical foundations of information visualization. [pdf] Information Visualization. Disponible
a: < http://geoanalytics.net/and/papers/springer08a.pdf> [Accs 25 Abril 2015].
Salimun, C., Purchase, H. C., Simmons, D. R., Brewster, S., 2010. The effect of aesthetically pleasing composition on visual search performance. [pdf] 6th Nordic
Conference on Human-Computer Interaction: Extending Boundaries ACM.
Disponible a: < http://www.researchgate.net/profile/Stephen_Brewster/publication/221248098_The_effect_of_aesthetically_pleasing_composition_on_vi-

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

93

sual_search_performance/links/0fcfd50b24b546d4de000000.pdf > [Accs 13


Gener 2015].
Segel, E., Heer, J., 2010. Narrative visualization: Telling stories with data.Visualization
and Computer Graphics. [pdf] IEEE Transactions. Disponible a: < http://vis.
stanford.edu/files/2010-Narrative-InfoVis.pdf>[Accs 3 Maig 2015].
Serrat, R., 2013. Big Data: anlisis de herramientas y soluciones. [pdf] Facultat
dInformtica de Barcelona, UPC. Disponible a: < http://upcommons.upc.edu/
pfc/bitstream/2099.1/19855/1/90807.pdf> [Accs 2 Febrer 2015].
Shedroff, N., 1999. Information interaction design: A unified field theory of design. [pdf]
Information design, 267-292. Disponible a: < http://kisd.de/~tom/ia/downloads/
andere_shedroff_uft.pdf > [Accs 30 Mar 2015].
Ticbeat, 2012. Big Data. Cmo la avalancha de datos se ha convertido en un importante
beneficio. [pdf] Informe Ticbeat.com Octubre 2012.
Disponible a: <http://s3.amazonaws.com/invattur/documentos/big-data-cmo-la-avalancha-de-datos-se-ha-convertido-en-un-importante-beneficio-e-book/big_data.
pdf> [Accs 28 Desembre 2014].
Turner, D., Schroeck, M., & Shockley, R., 2013. Analytics: The real-world use of Big Data
in financial services. [pdf] IBM Global Business Services. Disponible a: <http://
www-935.ibm.com/services/multimedia/Analytics_The_real_world_use_of_
big_data_in_Financial_services_Mai_2013.pdf> [Accs 26 Gener 2015].

94

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatges
Imatge 01., n.d. [imatge online] Disponible a: < http://upload.wikimedia.org/wikipedia/
commons/e/e0/Hua_t08.jpg > [Accs 2 de Maig 2015].
Imatge 02., n.d. [imatge online] Disponible a: <http://upload.wikimedia.org/wikipedia/
commons/7/7b/Bartolomeu_Velho_1568.jpg > [Accs 2 de Maig 2015].
Imatge 03., n.d. [imatge online] Disponible a: <http://3.bp.blogspot.com/-73K8uS9D4Oc/UhVL4HE0puI/AAAAAAAAA0E/NmxYGvuPDwk/s1600/Ptolomeu.
jpg > [Accs 2 de Maig 2015].
Imatge 04., n.d. [imatge online] Disponible a: http://www.scottbot.net/HIAL/wp-content/uploads/2013/09/Arbor-scientiae1.png > [Accs 2 de Maig 2015].
Imatge 05., n.d. [imatge online] Disponible a: <http://upload.wikimedia.org/wikipedia/
commons/6/62/Lunar_eclipse_al-Biruni.jpg > [Accs 2 de Maig 2015].
Imatge 06., n.d. [imatge online] Disponible a: <https://hannahloughridge.files.wordpress.
com/2014/03/screen-shot-2014-03-31-at-20-10-36.png > [Accs 2 de Maig
2015].
Imatge 07., n.d. [imatge online] Disponible a: <http://www.nlm.nih.gov/dreamanatomy/
images/1200-dpi/I-B-1-07.jpg > [Accs 2 de Maig 2015].
Imatge 08., n.d. [imatge online] Disponible a: < http://upload.wikimedia.org/wikipedia/
commons/thumb/9/95/Copernican_heliocentrism_theory_diagram.svg/2000pxCopernican_heliocentrism_theory_diagram.svg.png > [Accs 2 de Maig 2015].
Imatge 09., n.d. [imatge online] Disponible a: < https://fbcdn-sphotos-c-a.akamaihd.net/
hphotos-ak-xaf1/t31.0-8/470543_443049725749234_14264677_o.jpg > [Accs
2 de Maig 2015].
Imatge 10., n.d. [imatge online] Disponible a: < http://upload.wikimedia.org/wikipedia/

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

95

commons/1/1e/A_New_Chart_of_History_color.jpg > [Accs 2 de Maig 2015].


Imatge 11., n.d. [imatge online] Disponible a: < https://s-media-cache-ak0.pinimg.com/
originals/bc/03/78/bc0378bf1aaac89e23eeeb1336a58eaf.jpg > [Accs 2 de
Maig 2015].
Imatge 12., n.d. [imatge online] Disponible a: < https://cdn0.vox-cdn.com/thumbor/xd5hEYKF9RDCmO0HJNM7S3qBD74=/cdn0.vox-cdn.com/uploads/chorus_asset/file/3477846/Nightingale-mortality.0.jpg > [Accs 2 de Maig 2015].
Imatge 13., n.d. [imatge online] Disponible a: < http://static.guim.co.uk/sys-images/
Guardian/Pix/pictures/2013/3/14/1363276044871/John-Snows-cholera-mapof-009.jpg > [Accs 2 de Maig 2015].
Imatge 14., n.d. [imatge online] Disponible a: < http://upload.wikimedia.org/wikipedia/
commons/2/29/Minard.png > [Accs 2 de Maig 2015].

96

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

97

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Annexos
Annex - A
Imatge 01

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 02

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 03

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 04

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 05

Imatge 06

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 07

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 08

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 09

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 10

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 11

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 12

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Imatge 13

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Imatge 14

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Annex - B
Entrevista a Jaime Serra, 2015. Barcelona. Entrevistat per Pol Gurdia [gravadora de
veu], 10 de Maig de 2015. 17:00.
Jaime Serra s considerat linfografista ms influent del mn en el perode 1992-2012.
Ha expandit i revolucionat els lmits de la infografia periodstica amb els seus treballs en
multituds de medis de diferents pasos, sobretot durant el seu perode en el diari argent
Clarn. Columnista i director dinfografia i illustraci del diari La Vanguardia des de
2007. Ponent habitual en cites internacionals de periodisme i disseny, professor, i jurat
dels premis internacionals de periodisme infogrfic ms importants del mn.

Qu s per tu la infografia?
La infografia s una eina de comunicaci dalta precisi per explicar realitats amb figures
abstractes quan sn dades i amb figures realistes quan sn fets.
Quan parles de la infografia fas referncia a ltica i lesttica. A qu et refereixes? I
qu s el ms important per tu?
Em refereixo bsicament als conceptes de forma i contingut. El ms important per mi
sempre s el contingut per tant ltica, per lesttica s inevitable, s el canal. Sempre
que contraposo aquests dos conceptes ho faig sovint per parlar del fet que en la infografia
periodstica o cientfica hi ha una espcie de convenci que si lesttica s ms neutre, la
informaci ser ms tica, i no t res a veure. Si sn, per exemple, grfics que necessiten illustracions sacostumen a fer amb programes vectorials o ltimament en 3D per
sempre amb un look molt realista i en el cas de les dades tamb es fa amb una vocaci
ms aviat freda, molt neutra, com si aix fos una garantia dobjectivitat. Per el debat
envers lobjectivitat en la infografia s estril perqu lobjectivitat no existeix. Est b
que hi hagi una intensi de voler prendre distncia de les coses, per s impossible ser
objectius. Arribats a aquest punt, una de dos: pots prendre partit i militar en la subjectivitat mitjanant la teva opini o fer servir lesttica com a eina de recolzament de ltica.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Lesttica s el primer nivell de lectura i correctament utilitzada permet, que sense entrar
en el contingut, puguis deduir la temtica i el contingut de la infografia.
Estaries dacord amb lafirmaci de que existeixen dos grans corrents a lhora denfocar
el disseny duna infografia? La ms exploratria (cientfica, estadstica) amb Eduard
Tufte com a mxim defensor i la corrent ms explicativa (esttica, metafrica) amb
Nigel Holmes com a gran representant.
Crec que hi ha un moment per a cada cosa, depenent de lobjectiu i de si amb un daquests
enfocs trobes la manera idnia dexpressar el que vols. Nigel Holmes sempre utilitzava
la illustraci amb la voluntat dinformar i potenciar el contingut generalment amb dades,
eren els anys 70 i illustrava generalment dades estadstiques. Tamb era esclau del seu
propi estil ja que el Times havia comprat aquella manera de fer. Per altra banda Tufte s
un teric i planteja un rigor molt ms cientfic. Jo estticament estic ms a prop de Tufte
per em mereix ms respecte la vessant ms explicativa ja que s molt ms difcil i arriscat generar infografies amb un gran contingut esttic que potenci el contingut, que no pas
representar estadstica cientficament o acadmica. Cal valorar en tot moment, almenys
en la infografia periodstica, el sacrifici de cert rigor cientfic per guanyar comunicaci,
sense caure en lerror de lesttica per lesttica.
El diari The New York Times s uns dels referents actuals en infografia periodstica,
genera grans quantitats dinformaci grfica sovint sense text. Creus que imposar
aquesta tendncia a la resta de diaris sobretot en la modalitat dinfografies interactives
de grans volums de dades?
S, el The New York Times imposa clarament la tendncia i no noms en la infografia,
tamb en tots els altres aspectes periodstics. Crec que bsicament s una decisi empresarial el fet dapostar per la infografia, tot i que a part de ser una qesti econmica en
aquest diari en concret hi ha molt talent i una molt alta qualitat, les idees que generen
acostumen a ser excellents a tots els nivells.
Creus que per aquestes noves aplicacions ms tecnolgiques de la infografia s necessria la connexi entre diferents departament o professions com programadors, estadistes, periodistes i dissenyadors?

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Si, per cada un daquests professionals ha de ser multitasques, s a dir, no pots treballar
amb un programador que noms vol programar, sin que aquesta ha de tenir coneixements
o almenys un cert inters en una o vries de les professions que intervenen en el procs.
En la teva faceta ms artstica de la infografia, podrem dir que utilitzes la dada com
un material ms?
S, totalment, utilitzo un discurs personal, subjectiu i dades. Crec que s millor que aquestes siguin prpies, fruit de la teva experincia perqu daquesta manera aconsegueixes un
producte nic i irrepetible que transcendeix ms enll de lobra grfica.
Qu nopines de la generaci de grfics a partir del Big Data?
Darrerament explico, en algunes classes que dono, el cas del mapa de Twitter desenvolupat per Eric Fischer, el que ha creat una srie de mapes recopilant un total de 6,3 trilions
de tweets geolocalitzats. Crec sincerament que no aporta cap tipus dinformaci, s molt
esttic s, per no ajuda a entendre millor res. Saber que a frica no hi ha gaireb activitat
de Twitter ja s quelcom que tots sabem o podem deduir. Si ho fa des dun discurs artstic
i/o personal s que pot tenir sentit per llavors no es tracta dinfografia periodstica.
Creus que la infografia interactiva acabar per eliminar la infografia esttica?
No, de fet no sempre es necessria la infografia interactiva. Primer de tot hem de saber
si val la pena fer una infografia per explicar algun tema ja que, per exemple, explicar
filosofia s difcil i potser s millor escriure text i punt. Un cop decidit que cal fer una
infografia cal fer-se les preguntes adequades com: qu hem dexplicar i com ho volem
explicar i a partir daqu valorarem si s necessari una infografia interactiva que permeti
ms profunditat de lectura o que permeti comparar dades en temps real, etc. Val la pena
tenir totes les eines possibles per poder escollir la realment til per tal de contestar les
preguntes adequades. Una bona pregunta s millor que una bona resposta.
Per la infografia interactiva pot suportar ms volum de dades.
S, exactament, hi ha informacions que no poden representar-se daltres maneres que no

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

siguin interactives. Recordo un grfic de The New York Times sobre els presos dEstats
Units a la pres de Guantnamo (http://projects.nytimes.com/guantanamo) en el que existia un primer nivell de grfic per la versi impresa on es veien els presos que havien
passat per la pres. I desprs, en la versi digital, existien diversos nivells de profunditat daccs a una quantitat molt gran de dades, que permetien a lobservador descobrir
cada un dels presos, amb documents oficials classificats, els pasos de procedncia, els
dextradici posteriors, etc. En aquest cas s impossible expressar-ho en una infografia
esttica, cal quelcom ms.
Thas trobat mai en un cas en que tenies un excs dinformaci? Se s aix, com acostumes a solucionar-ho?
S, moltes vegades. El que fas en aquests casos s editar manualment la informaci, la
dissecciones i la tries en funci dels teus criteris periodstics.
Podrem dir que tot el procs tcnic previ i la prpia visualitzaci del Big Data es podria
comparar amb el procs dedici (tria) dinformaci que es fa per a la generaci duna
infografia periodstica?
Exactament, a partir de la visualitzaci del mapa de Twitter que hem comentat, podries
fer una infografia. Quan tens 6.3 trilions de dades no veus la informaci, no pots saber
quin ser el resultat o ni tan sols pots saber el que busques, noms visualitzant-les pots
veure si tens una resposta interessant o realment no tens res. Si no pots visualitzar les
dades, aquestes dades no et serveixen per res.
Qu creus que passar amb el Big Data amb aquests grans volums de dades?
El fenomen del Big Data ha desenvolupat la capacitat de captaci, emmagatzematge,
anlisi i visualitzaci de dades per est prescindint de la subjectivitat que podrien tenir,
per exemple, les enquestes a peu de carrer i aix pot ocasionar que les dades en elles mateixes no tinguin cap importncia a nivell de coneixement til per a la societat. Si que ho
tindran a nivell comercial, que s precisament on sest invertint ms recursos i esforos
en el seu desenvolupament. A mi personalment no minteressa gens laplicaci de les
dades en lmbit consumista, ja siguin Big o Little Data.

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Annex - C
Entrevista a Dani Llugany, 2015. Barcelona. Entrevistat per Pol Gurdia [gravadora de
veu], 10 de Maig de 2015. 12:00.
Membre cofundador del collectiu Domestic Data Streamers. Realitzen installacions en
espais a partir de dades obtingudes en temps real a lineractuar amb el pblic. En menys
de dos anys de vida han participat en alguns dels esdeveniments creatius ms importants
del sector i gaudeixen duna projecci internacional important.

Qu s per Domestic Data Streamers la visualitzaci dinformaci?


Per nosaltres visualitzar informaci o dades s principalment sintetitzar tota una srie
delements que en principi no sn comprensibles, en un codi concret, a travs de lordre
i la jerarquia, el qual esdevingui accessible per un pblic especfic.
Quin objectiu perseguiu a lhora de generar els vostres projectes?
Als inicis de Domestic Data Streamer ens vrem fer una pregunta concreta: en un mn
extremadament datificat com lactual, el medi digital s ladient per expressar les dades?
I tamb, si la gent s conscient de lallau dinformaci a que est sotmesa diriament. A
partir daqu vrem comenar les nostres investigacions amb el propsit de fer arribar a
la gent missatges i dades a partir duna experincia per tal de crear debat, reflexi i alhora
emocions que ajudin a fer transcendent el missatge.
Qu s per vosaltres la dada?
Entenem les dades com un element ms, com un material i lutilitzem per explicar histries a traves delements simblics que ens ajuden a crear un llenguatge i explicar aix
les dades.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Quin s el procs per generar les vostres metfores grfiques i sintaxis visuals?
Varia depenent del projecte. Si ve donat per un client que vol explicar les seves dades
concretes, llavors busquem la manera dexpressar el que les dades representen a partir
deines i materials que facin que aquest missatge arribi de la manera ms senzilla i impactant possible. En el cas dun projecte ms personal on partim de tots els element en
blanc, busquem una mica el nostre propi mbit personal per sempre amb dos aspectes
vitals: generar una proposta interactiva per al pblic i generar un estudi estadstic amb
rigor cientfic.
Les vostres installacions finals sn en elles mateixes un missatge?
El missatge es genera a partir de les persones que hi intervenen. Intentem establir unes
regles de joc en un determinat context en el qual les persones creen a travs de les seves
prpies dades, s a dir, nosaltres generem lesquelet perqu sigui la gent qui lompli i per
tant, donin sentit a les dades i a la prpia installaci.

Teniu pensat desenvolupar un projecte que impliqui un volum de dades que es pugui
considerar Big Data?
S, estem treballant en un projecte per un museu on pretendrem visualitzar de forma fsica
qu vol dir un Zetabyte. Per no ens interessa distingir entre Big Data o Little Data sin
poder donar la presncia adequada a les dades en relaci al seu valor.

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Annex - D
Entrevista a Pablo Martnez Dez, 2015. Barcelona. Entrevistat per Pol Gurdia [e-mail],
07 de Maig de 2015. 10:30.
Pablo Martnez Dez es dedica al disseny dobjectes i espais, participant en diferents
projectes arquitectnics, artstics i de comissionat amb lobjectiu de generar un dileg
crtic sobre el paper de la illuminaci a travs de la prctica professional, lensenyana
i la investigaci. Reconegut per la seva trajectria (Idda Ecellence Award, ArtFad 2012,
Mooi Award 2012, Artsponsor, Injuve, Philips LUMEC). s professor del Centre Universitari de Disseny de Barcelona BAU (UVIC) i professor del Mster de Restauraci
de Monuments (UPC), del mster de Lighting Design (UPC School), del Grau de Disseny dInteriors i el curs especialitzat en Illuminaci despais (IED). s cocreador del
projecte atNight que versa, a grans trets, sobre la utilitzaci de Big Data per generar
cartografies de la ciutat nocturna.
Creus que es podrien classificar les visualitzacions de grans volums de dades pel seu
camp daplicaci, com per exemple comercial, periodstic, recerca o artstic?
s difcil diferenciar entre categories pel camp final de treball. Per exemple els projectes
de recerca ms interessants que existeixen ara estan orientats a ls comercial. Aix que
de sobte ja tenim dues categories que sens creuen. Molts dels treballs de visualitzaci
quan sn bons acaben explicant molt ms enll del tema aparent que tracten. Acaben per
convertir-se en peces seductores que transcendeixen el seu objectiu inicial i al final sn
contemplades com a obres dart. No he trobat encara cap visualitzaci que estigui concebuda amb objectius de no explicar res concret i que transcendeixi aquesta explicaci.
Aqu tamb hi ha una manera particular dentendre lart.
En aquestes visualitzacions, haurem de pensar ms en classificacions sobre el tipus
de dada que tracten i sobre les eines que sutilitzen per a realitzar-les, que no sobre
lobjectiu el qual pot ser mltiple. Establir una categoritzaci potser implica una reflexi sobre els processos de treball amb les dades.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

Creus que la visualitzaci de grans quantitats de dades sha de realitzar obligatriament amb eines informtiques per aconseguir una automatitzaci en alguns dels seus
processos? s a dir lnic cam per visualitzar Big Data requereix dalgoritmes?
s imprescindible. Si els processos dexploraci de dades ja estiguessin pre-configurats
aix implicaria que la dada ja estaria prviament construda duna manera especfica i que
gaireb coneixerem el que vol dir aquesta dada. Accedir a la informaci en el seu estat
brut s lnic que ens permet analitzar-la correctament. Programar s indispensable perqu
cal conixer com treballa la mquina. El 90% del nostre temps consisteix a escriure codi.
Creus que la representaci del Big Data t ms sentit en interfcies interactives que
permetin navegar amb estructura daprofundiment de la informaci?
No, la publicaci de la dada no ha de ser interactiva. De fet que lanlisi de dades es publiqui duna manera interactiva no garanteix que sinterpreti correctament. Gaireb convida
al lector a caure en errors dinexperincia en la lectura de dades. A lusuari li agrada molt
tocar botons per han de ser interaccions molt dirigides. No obstant aix, a lhora de treballar s necessari utilitzar interfcies grfiques que ens permetin difuminar les lnies de
vegades existents entre els processos danlisi i els processos de representaci. Lanlisi
sha de realitzar mitjanant el dibuix i no entendrel com un procs posterior. Aix es
dna grcies a les interfcies grfiques (programables).
Creus que la visualitzaci de grans quantitats de dades necessita la suma de diferents
disciplines com el disseny grfic, periodisme, analistes i programadors?
S, actualment una oficina que treballa amb dades t: data-sciencists, que poden provenir
perfectament duna formaci humanstica i que desenvolupen els conceptes a analitzar
com a caps de projecte, data-analysts que acostumen a ser matemtics, estadistes, etc.; data-developers: exclusivament programadors i data-visualizers, que sn els situats actualment al final de la cadena com a mera representaci de taules de dades. No obstant aix,
en el nostre estudi (atNight) estem exercint de data-sciencists ats que els nostres models
danlisi sn grfics. Aix que aquestes categories encara segueixen sent ambiges.

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

BAU, Centre Universitari de Disseny / TFG 2015 / Pol Gurdia

Perfil professional de linvestigador


Estudis
1999 / 2001
2001
2002 / 2008
Actualitat
Actualitat

Graduat Batxillerat Tecnolgic, Girona.


P.A.U., Udg, Girona.
Graduat Superior en Disseny Grfic, BAU Centre Universitari de
Disseny de Barcelona, UVic.
Re-titulaci en Grau en Disseny Grfic, BAU. [...]
Mster en Mrqueting Digital i Social Media, Seeway. Barcelona

Idiomes
Catal
Castell
Frans
Angls

Primera llengua. Parlada i escrita


Primera llengua. Parlada i escrita
Llengua materna. Parlada
Comprensi i parla bsica

Software

Photoshop; LightRoom; Illustrator; Indesign; Premiere; After Effects;


Acrobat Pro; Paquet Office.

Experincia
2011 - Actual
2010 - Actual
2009 - 2011
2009 - 2011
2008
2007

Fundador. Estudi disseny grfic: Paalco, Barcelona.


Directiu departament de comunicaci. Pujol Verdaguer, Barcelona.
Director artstic. Estudi disseny grfic: Stuido, Barcelona.
Membre. Collectiu audiovisual: Syncronic Arts, Barcelona.
Dissenyador en prctiques. Ruiz&Company, Barcelona.
Dissenyador en prctiques. Cronek, Barcelona.

Premis
2013
2008
2007

Selecci Premios Clap (Veredictas). Mejor Envase y lnea de productos.


Finalista Durex Design Awards - Condoms package.
Finalista Durex Design Awards - Condoms package.

BAU, Centre Universitari de Disseny / TFG 2015/ Pol Gurdia

También podría gustarte