Visualización de datos con R

Introducción

Una gráfica o una representación gráfica o un gráfico, es un tipo de representación de datos, generalmente cuantitativos, mediante recursos visuales (líneas, vectores, superficies o símbolos), para que se manifieste visualmente la relación matemática o correlación estadística que guardan entre sí.

Wikipedia

En esta unidad vamos a revisar cómo elegir y construir gráficos que apoyen el análisis en administración y mercadeo. La idea es que cada visualización responda a una pregunta concreta (por ejemplo: ¿qué producto vende más?, ¿cómo se comporta la demanda en el tiempo?, ¿qué segmentos son diferentes?) y no sea solo un adorno.

Paquetes de R para gráficos

R posee numerosos paquetes para visualizar datos con excelente presentación: desde las funciones del núcleo base hasta bibliotecas que producen gráficos interactivos.

En el trabajo profesional, el objetivo es comunicar hallazgos a equipos y directivos. Por eso aquí verás opciones desde gráficos rápidos en R base hasta alternativas más flexibles e interactivas, útiles para reportes ejecutivos y tableros.

Paquetes de R para gráficos y soluciones gráficas

Categoría	Paquetes (ejemplos)	¿Para qué sirven?
Gráficos base / extensiones de ggplot2	`ggthemes`, `ggrepel`, `patchwork`, `cowplot`, `ggpubr`, `ggridges`, `GGally`	Mejorar estética, etiquetas, combinar gráficos, figuras tipo “paper”, ridgelines, matrices de dispersión
Dashboards y reportes	`rmarkdown`, `quarto`, `shinydashboard`, `bslib`, `golem`, `htmlwidgets`	Reportes reproducibles, dashboards en Shiny, estilos Bootstrap, estructura profesional de apps, widgets embebibles
Interactivos (además de plotly)	`leaflet`, `mapview`, `DT`, `echarts4r`, `apexcharter`, `ggiraph`	Mapas interactivos, tablas interactivas, gráficos web modernos, interactividad (hover/click) sobre ggplot
Mapas y análisis espacial	`sf`, `terra`, `raster`, `tmap`, `ggspatial`	Manejo de datos espaciales (vectores/raster), cartografía estática/interactiva, elementos cartográficos en ggplot
Redes y diagramas	`igraph`, `ggraph`, `DiagrammeR`, `networkD3`	Redes (nodos/aristas), grafos con gramática tipo ggplot, diagramas de flujo, redes interactivas tipo D3
Visualizaciones “especiales”	`corrplot`, `ggcorrplot`, `pheatmap`, `ComplexHeatmap`, `treemapify`, `waffle`	Correlaciones, heatmaps avanzados, treemaps, gráficos waffle

Elegir el gráfico adecuado es tan importante como construirlo. La decisión depende del tipo de variable, la pregunta de análisis y el público al que se dirige.

Antes de graficar, identifica la variable principal (cualitativa o cuantitativa) y el objetivo del análisis (comparar, describir distribución, identificar tendencias, etc.). Esa decisión guía el tipo de gráfico.

En términos prácticos, los gráficos se pueden agrupar según la pregunta que quieres responder:

Comparación: barras y columnas para contrastar categorías (marcas, productos, canales).
Composición: tortas o barras apiladas para mostrar participación o cuota.
Distribución: histogramas, densidades y cajas para entender cómo se dispersan los datos.
Relación: dispersión para ver asociaciones entre dos variables (precio vs. demanda).
Evolución en el tiempo: líneas o series de tiempo para observar tendencias y estacionalidad.
Jerarquía o composición con muchas categorías: treemap o barras apiladas.
Patrones en dos dimensiones: mapas de calor para cruces como día y hora.
Indicadores frente a una meta: bullet chart o barras con una línea de referencia.

Pregunta	Gráfico recomendado	Evita
¿Qué categoría tiene mayor valor?	Barras ordenadas o lollipop	Tortas con muchas categorías
¿Cómo cambia una métrica en el tiempo?	Línea	Barras para series largas
¿Cómo se distribuyen los valores?	Histograma, densidad o violín	Mostrar solo el promedio
¿Existe relación entre dos variables?	Dispersión	Ejes truncados sin advertencia
¿Dónde se concentran dos variables categóricas?	Mapa de calor	Tablas extensas sin jerarquía visual
¿El lector necesita explorar detalles?	Gráfico o tabla interactiva	Interacción sin instrucciones

También es clave considerar el público. Si el gráfico va dirigido a directivos o clientes, prioriza claridad y mensajes clave. Si es para análisis técnico, puedes incluir más detalle (como distribución o valores atípicos).

Ejemplos aplicados:

Comparación: ventas por línea de producto en un trimestre.
Composición: participación de mercado por marca en un sector.
Distribución: variabilidad del ticket promedio por cliente.
Relación: inversión en pauta digital vs. conversiones.
Evolución en el tiempo: visitas al sitio web mes a mes y picos en campañas.

# Comparación: ventas por línea de producto
ventas_prod <- data.frame(
  producto = c("A", "B", "C", "D"),
  ventas = c(120, 95, 140, 80)
)
barplot(
  ventas_prod$ventas,
  names.arg = ventas_prod$producto,
  col = c11,
  main = "Ventas por línea de producto",
  ylab = "Unidades"
)

# Composición: participación de mercado por marca
participacion <- data.frame(
  marca = c("Marca 1", "Marca 2", "Marca 3", "Otros"),
  share = c(35, 25, 20, 20)
)
pie(
  participacion$share,
  labels = paste0(participacion$marca, " (", participacion$share, "%)"),
  main = "Participación de mercado por marca",
  col = paleta4
)

# Distribución: ticket promedio por cliente
set.seed(123)
ticket <- rnorm(120, mean = 85, sd = 20)
hist(
  ticket,
  col = c21,
  main = "Distribución del ticket promedio",
  xlab = "Ticket (miles de $)",
  ylab = "Frecuencia"
)

# Relación: inversión en pauta digital vs conversiones
inv <- c(10, 15, 20, 25, 30, 35, 40)
conv <- c(120, 150, 190, 210, 260, 300, 330)
plot(
  inv, conv,
  pch = 19, col = c11,
  main = "Inversión vs conversiones",
  xlab = "Inversión (millones)",
  ylab = "Conversiones"
)

# Evolución en el tiempo: visitas al sitio web
mes <- c("Ene","Feb","Mar","Abr","May","Jun","Jul","Ago","Sep","Oct","Nov","Dic")
visitas <- c(12, 14, 15, 18, 22, 25, 30, 28, 24, 20, 18, 16)
plot(
  visitas,
  type = "o", col = c31, lwd = 2, pch = 19,
  xaxt = "n",
  main = "Visitas al sitio web por mes",
  xlab = "Mes",
  ylab = "Miles de visitas"
)
axis(1, at = 1:12, labels = mes)

Gráficos variables cualitativas con R base

Gráfico de tortas

Este gráfico es útil para mostrar participaciones o cuotas de mercado. Se recomienda cuando hay pocas categorías y se desea resaltar la proporción de cada una.

a=rep("Cultural", 360145)
b=rep("Pastoral", 61496)
c=rep("Bienestar",49912)
d=rep("Deportivo",11777)
data=c(a,b,c,d)
t=table(data)
lbs=c("Cultural", "Pastoral", "Bienestar", "Deportivo")
pct=round(t/sum(t)*100)
labs=paste(lbs, pct)
labs=paste(labs, "%", sep = " ") 
pie(t, labels=labs, main=" Participación eventos Medio Universitario",
    col = paleta4)

Diagrama de barras

Las barras permiten comparar categorías con facilidad. En mercadeo se usan, por ejemplo, para comparar niveles de satisfacción o respuestas a encuestas por opciones.

ev=c(4,  8, 12, 43, 32)
names(ev)=c("Muy regular", "Regular", "Bueno", "Muy bueno","Excelente")
barplot(ev, col = paleta_curso[1:5], main = "Evaluación del proceso de inducción")

Diagrama de barras dos variables

Cuando se cruzan dos variables categóricas, las barras agrupadas permiten comparar combinaciones (p. ej., tipo de producto vs. canal). Esto ayuda a detectar patrones por segmento.

set.seed(123)
canal <- sample(c("Digital", "Tienda fisica"), 150, replace = TRUE, prob = c(0.6, 0.4))
categoria <- sample(c("Aseo", "Bebidas", "Snacks"), 150, replace = TRUE)
counts <- table(canal, categoria)
barplot(
  counts,
  main = "Ventas por categoría y canal",
  xlab = "Categoría de producto",
  col = c(c11, c41),
  legend = rownames(counts)
)

Gráficas variables cuantitativas con R base

En variables numéricas nos interesa describir la distribución, la tendencia y la dispersión. Los siguientes gráficos ayudan a responder preguntas como: ¿hay valores atípicos?, ¿la distribución es simétrica?, ¿existen agrupaciones?

Diagrama de árbol

El diagrama de tallos y hojas permite ver valores individuales y su frecuencia sin perder detalle. Es una buena alternativa cuando el conjunto de datos no es muy grande.

nf=c(4.1, 2.7, 3.1, 3.2, 3.0, 3.2, 2.0, 2.4, 1.6, 3.2, 3.1, 2.6, 2.0, 2.4, 2.8, 3.3, 4.0, 3.4, 3.0, 3.1, 2.7, 2.7, 3.0, 3.8, 3.2, 2.2, 3.5, 3.5, 3.8, 3.5, 3.9, 4.2, 4.3, 3.9, 3.2, 3.5, 3.5, 3.7, 4.1, 3.7, 3.5, 3.6, 3.2, 3.1, 3.4, 3.0, 3.0, 3.0, 2.7, 1.7, 3.6, 2.1, 2.4, 3.0, 3.1, 2.5, 2.5, 3.6, 2.2, 2.4, 3.1, 3.3, 2.7, 3.7, 3.0, 2.7, 3.0, 3.2, 3.1, 2.4, 3.0, 2.7, 2.5, 3.0, 3.0, 3.0, 3.2, 3.1, 3.8, 4.1, 3.7, 3.5, 3.0, 3.7, 3.7, 4.1, 3.7, 3.9, 3.7, 2.0)
stem(nf)


  The decimal point is at the |

  1 | 67
  2 | 00012244444
  2 | 555677777778
  3 | 0000000000000011111111222222223344
  3 | 555555566677777777888999
  4 | 0111123

Este diagrama ordena los datos y permite identificar rápidamente el mínimo, el máximo y el rango donde se concentra la mayor parte del ticket promedio por cliente.

Histograma

El histograma resume la distribución de una variable. En contextos de negocio puede servir para ver la dispersión de tiempos de entrega o el rango de ventas por cliente.

nf=c(4.1, 2.7, 3.1, 3.2, 3.0, 3.2, 2.0, 2.4, 1.6, 3.2, 3.1, 2.6, 2.0, 2.4, 2.8, 3.3, 4.0, 3.4, 3.0, 3.1, 2.7, 2.7, 3.0, 3.8, 3.2, 2.2, 3.5, 3.5, 3.8, 3.5, 3.9, 4.2, 4.3, 3.9, 3.2, 3.5, 3.5, 3.7, 4.1, 3.7, 3.5, 3.6, 3.2, 3.1, 3.4, 3.0, 3.0, 3.0, 2.7, 1.7, 3.6, 2.1, 2.4, 3.0, 3.1, 2.5, 2.5, 3.6, 2.2, 2.4, 3.1, 3.3, 2.7, 3.7, 3.0, 2.7, 3.0, 3.2, 3.1, 2.4, 3.0, 2.7, 2.5, 3.0, 3.0, 3.0, 3.2, 3.1, 3.8, 4.1, 3.7, 3.5, 3.0, 3.7, 3.7, 4.1, 3.7, 3.9, 3.7, 2.0)

h1 = hist(nf, main = "Distribución del ticket promedio por cliente", xlab = "ticket (decenas de miles COP)", ylab="frecuencias absolutas", labels=TRUE, col=c21, ylim = c(0,30))
abline(v=3,col=c31, lwd=2)

h1

$breaks
[1] 1.5 2.0 2.5 3.0 3.5 4.0 4.5

$counts
[1]  5 11 23 27 18  6

$density
[1] 0.1111111 0.2444444 0.5111111 0.6000000 0.4000000 0.1333333

$mids
[1] 1.75 2.25 2.75 3.25 3.75 4.25

$xname
[1] "nf"

$equidist
[1] TRUE

attr(,"class")
[1] "histogram"

Diagrama de densidad

La densidad muestra la forma general de la distribución suavizada. Es útil para comparar rápidamente perfiles de consumo o niveles de gasto.

nf=c(4.1, 2.7, 3.1, 3.2, 3.0, 3.2, 2.0, 2.4, 1.6, 3.2, 3.1, 2.6, 2.0, 2.4, 2.8, 3.3, 4.0, 3.4, 3.0, 3.1, 2.7, 2.7, 3.0, 3.8, 3.2, 2.2, 3.5, 3.5, 3.8, 3.5, 3.9, 4.2, 4.3, 3.9, 3.2, 3.5, 3.5, 3.7, 4.1, 3.7, 3.5, 3.6, 3.2, 3.1, 3.4, 3.0, 3.0, 3.0, 2.7, 1.7, 3.6, 2.1, 2.4, 3.0, 3.1, 2.5, 2.5, 3.6, 2.2, 2.4, 3.1, 3.3, 2.7, 3.7, 3.0, 2.7, 3.0, 3.2, 3.1, 2.4, 3.0, 2.7, 2.5, 3.0, 3.0, 3.0, 3.2, 3.1, 3.8, 4.1, 3.7, 3.5, 3.0, 3.7, 3.7, 4.1, 3.7, 3.9, 3.7, 2.0)
plot(density(nf), main="Distribución del ticket promedio de clientes", col=c21, lwd=2)

Diagrama de cajas

El boxplot resume mediana, cuartiles y valores atípicos. Es ideal para comparar desempeño entre productos, tiendas o periodos.

nf=c(4.1, 2.7, 3.1, 3.2, 3.0, 3.2, 2.0, 2.4, 1.6, 3.2, 3.1, 2.6, 2.0, 2.4, 2.8, 3.3, 4.0, 3.4, 3.0, 3.1, 2.7, 2.7, 3.0, 3.8, 3.2, 2.2, 3.5, 3.5, 3.8, 3.5, 3.9, 4.2, 4.3, 3.9, 3.2, 3.5, 3.5, 3.7, 4.1, 3.7, 3.5, 3.6, 3.2, 3.1, 3.4, 3.0, 3.0, 3.0, 2.7, 1.7, 3.6, 2.1, 2.4, 3.0, 3.1, 2.5, 2.5, 3.6, 2.2, 2.4, 3.1, 3.3, 2.7, 3.7, 3.0, 2.7, 3.0, 3.2, 3.1, 2.4, 3.0, 2.7, 2.5, 3.0, 3.0, 3.0, 3.2, 3.1, 3.8, 4.1, 3.7, 3.5, 3.0, 3.7, 3.7, 4.1, 3.7, 3.9, 3.7, 2.0)
boxplot(nf, main="Ticket promedio por cliente",col=c21, las=1)
abline(h=3, col=c41)

Diagrama de cajas

Aquí se compara la distribución por grupos. Esta lógica es muy útil para comparar resultados por canal, sede, segmento o región.

nf=c(4.1, 2.7, 3.1, 3.2, 3.0, 3.2, 2.0, 2.4, 1.6, 3.2, 3.1, 2.6, 2.0, 2.4, 2.8, 3.3, 4.0, 3.4, 3.0, 3.1, 2.7, 2.7, 3.0, 3.8, 3.2, 2.2, 3.5, 3.5, 3.8, 3.5, 3.9, 4.2, 4.3, 3.9, 3.2, 3.5, 3.5, 3.7, 4.1, 3.7, 3.5, 3.6, 3.2, 3.1, 3.4, 3.0, 3.0, 3.0, 2.7, 1.7, 3.6, 2.1, 2.4, 3.0, 3.1, 2.5, 2.5, 3.6, 2.2, 2.4, 3.1, 3.3, 2.7, 3.7, 3.0, 2.7, 3.0, 3.2, 3.1, 2.4, 3.0, 2.7, 2.5, 3.0, 3.0, 3.0, 3.2, 3.1, 3.8, 4.1, 3.7, 3.5, 3.0, 3.7, 3.7, 4.1, 3.7, 3.9, 3.7, 2.0)
set.seed(123)
canal <- sample(c("Digital", "Tienda física", "Mayorista"), length(nf), replace = TRUE)
labs=c("Digital","Tienda física","Mayorista")
boxplot((nf~canal),main="Ticket promedio por canal de venta", 
        col=c(c21,c51,c41), names=labs, xlab = "canal", ylab = "ticket")
abline(h=3, col=c31,  lwd=2)
abline(h=4, col=c11, lwd=2)

Diagrama de dispersión

Este gráfico permite analizar la relación entre dos variables numéricas. En administración es clave para explorar asociaciones como inversión publicitaria vs. ventas.

set.seed(123)
inversion_digital <- runif(90, 8, 40)
ventas_mensuales <- 60 + 9 * inversion_digital + rnorm(90, 0, 25)
plot(inversion_digital, ventas_mensuales, main="Inversión digital vs ventas", xlab = "Inversión (millones COP)", ylab = "Ventas (millones COP)",col=c11,pch=19)
grid()

Gráfica de series de tiempo

Las series de tiempo muestran el comportamiento a lo largo de meses o años. Son fundamentales para analizar tendencias, estacionalidad y cambios en la demanda.

ventas_ts <- ts(c(120, 132, 128, 140, 155, 162, 170, 168, 160, 158, 166, 180), frequency = 12, start = c(2025, 1))
plot(ventas_ts, main="Ventas mensuales de la compañía", ylab = "Ventas (millones COP)", xlab = "Mes", col=c31, lwd = 2)

Resumen

El siguiente bloque resume varios tipos de gráficos en una sola vista. Úsalo como referencia rápida de qué gráfico elegir según el tipo de variable y el objetivo del análisis.

x=rnorm(100,100,20)
y=rnorm(100,100,25)
z=rbinom(100,4,0.30)
t=1:100
par(mfrow=c(2, 2))
pie(table(z))
barplot(table(z))
stem(x)


  The decimal point is 1 digit(s) to the right of the |

   6 | 89
   7 | 01114445556899
   8 | 0002345566688999
   9 | 00001122333344555668899
  10 | 11122244566779
  11 | 01122344455568
  12 | 01223556
  13 | 3489
  14 | 0234
  15 | 
  16 | 5

hist(x)
boxplot(x)

plot(x,y)
plot(t,y, type="l")
plot(density(x))
par(mfrow=c(1, 1))

Gráficos con ggplot2

ggplot2 es el paquete más usado en R para visualización. Su lógica por capas facilita construir gráficos claros y consistentes, lo cual es muy útil para reportes académicos y corporativos.

Data: capa de los datos. Aquí defines el dataset, por ejemplo una tabla de ventas, clientes o campañas.
Aesthetics: capa estética (aes), definimos las variables a utilizar en el gráfico. Ejemplo: x = mes, y = ventas, color = canal.
Geometries: capa de geometrías, se define el tipo de gráfica a realizar. Por ejemplo barras para comparar productos o líneas para ver tendencias.
Facets: capa de facetas, permite detallar la gráfica por categorías. Útil para comparar sedes, segmentos de clientes o regiones.
Statistics: capa de estadística, permite agregar modelos. Por ejemplo, una línea de tendencia para evaluar crecimiento de ingresos.
Coordinates: capa de coordenadas, permite ajustar las escalas de los ejes. Ayuda a enfocar rangos relevantes (p. ej. solo 2023-2025).
Theme: capas de características del gráfico que no dependen de los datos. Se usa para estilos y legibilidad en reportes ejecutivos.

Primer paso: Instalar y cargar la libreria

Primero instalamos y cargamos la librería. Esto se hace una sola vez por equipo (instalación) y luego se carga en cada sesión de trabajo.

# Instalar ggplot2 si no lo tienes
install.packages("ggplot2")

# Cargar la librería ggplot2
library(ggplot2)

# Instalar ggplot2 si no lo tienes
install.packages("ggplot2")

# Cargar la librería ggplot2
library(ggplot2)

Segundo paso: Declarar la base de datos y las variables

Aquí definimos la base y las variables que vamos a comparar. El ejemplo relaciona inversión en pauta y ventas por canal, incorporando variabilidad entre campañas para representar una situación comercial más realista.

campanas <- tibble(
  inversion = c(8, 10, 12, 15, 18, 20, 22, 25, 28, 30, 35, 40),
  ventas = c(139, 115, 192, 144, 185, 165, 198, 171, 157, 214, 149, 216),
  canal = factor(c("Digital", "Digital", "Retail", "Retail", "Mayorista", "Digital",
                   "Retail", "Mayorista", "Digital", "Retail", "Mayorista", "Digital"))
)
p <- ggplot(campanas, aes(x = inversion, y = ventas))
p

Tercer paso : Crear grafico base con las diferentes geometrías

Con la geometría definimos el tipo de gráfico. El geom_point() crea el diagrama de dispersión, muy usado para visualizar relaciones entre variables.

p <- p + geom_point()  
p

geo_point()	geom_bar()	geom_col()	stat_count()
geom_boxplot()	stat_boxplot()	geom_density()	stat_density()
geom_histogram()	geom_violin()

Cuarto paso: Agregar características adicionales

Se pueden incluir colores, tamaños y transparencia para resaltar grupos o categorías. Esto ayuda a hacer comparaciones por segmentos.

p <- ggplot(campanas, aes(x = inversion, y = ventas, color = canal)) +
          geom_point(size = 2, alpha = 0.7)  # Tamaño y transparencia de los puntos
p

Quinto paso: Agregar título, etiquetas a los ejes y leyenda

Los títulos y etiquetas convierten un gráfico técnico en uno comunicativo. En contextos de negocio, esto facilita que el lector entienda el mensaje sin leer el código.

p <- p + labs(title = "Relación entre inversión y ventas",
              subtitle = "Clasificación por canal comercial",
              x = "Inversión en pauta (millones COP)",
              y = "Ventas (millones COP)",
              color = "Canal"
              )
p

Sexto paso: Agregar una línea de tendencia

La línea de tendencia resume la relación general entre las variables. Es útil para explicar patrones de crecimiento o caída en términos gerenciales.

p <- p + geom_smooth(method = "lm", se = FALSE, linetype = "dashed", color = c31)
p

Séptimo paso: Agregar un tema o fondo

El tema define el estilo visual. Un tema limpio mejora la legibilidad, especialmente en presentaciones o informes.

p <- p + tema_curso(base_size = 14)
p

`geom_smooth()` using formula = 'y ~ x'

Octavo paso: Ajustar la escala de colores

La escala de color debe ser coherente y fácil de interpretar. En dashboards o reportes, colores consistentes ayudan a comparar gráficos entre sí.

library(ggplot2)

# Crear el gráfico desde cero
p <- ggplot(campanas, aes(x = inversion, y = ventas, color = canal)) +
  geom_point(size = 4, alpha = 0.7) +  # Agregar puntos
  scale_color_manual(values = paleta_curso) +  # Paleta oficial del sitio
  labs(
    title = "Relación entre inversión y ventas",
    subtitle = "Clasificación por canal comercial",
    x = "Inversión en pauta (millones COP)",
    y = "Ventas (millones COP)",
    color = "Canal"
  ) +
  tema_curso(base_size = 12)

# Mostrar el gráfico
p

Warning: No shared levels found between `names(values)` of the manual scale and the data's colour values.
No shared levels found between `names(values)` of the manual scale and the data's colour values.

gráfico completo !!

Otros gráficos

A continuación se muestran ejemplos adicionales para ampliar el repertorio. La idea es que puedas reconocer qué gráfico usar según la pregunta del análisis.

library(ggplot2)
data=data.frame(linea_producto=c("Aseo","Bebidas","Snacks","Hogar","Tecnología","Mascotas"),frecuencia=c(48, 59, 65, 41, 36, 28))

ggplot(data, aes(x=linea_producto, y=frecuencia)) +
  geom_bar(stat="identity", fill=c11)+
  geom_text(aes(label=frecuencia), vjust=2.5, color="white", size=4)+
  labs(x = "Línea de producto", y = "Ventas (miles de unidades)") +
  tema_curso()

set.seed(123)
df_ticket <- tibble(ticket = rlnorm(500, meanlog = log(90), sdlog = 0.35))
ggplot(df_ticket, aes(ticket)) +
       geom_histogram(bins = 7, fill = c11, color = c41, alpha = 0.9) +
       tema_curso() +
       labs(x = "Ticket promedio (miles COP)", y = "frecuencia absoluta") +
       ggtitle("Distribución del ticket de compra")

set.seed(123)
df_canal <- tibble(
  canal = sample(c("Digital", "Tienda física", "Mayorista"), 400, replace = TRUE),
  ticket = rlnorm(400, meanlog = log(95), sdlog = 0.3)
)
ggplot(df_canal, aes(x=ticket, y=canal)) +
  geom_boxplot(fill=c(c12,c32,c42),  # color de relleno
               color = c41,    # color de lineas
               alpha=0.5)+
  geom_point(color=c11,alpha=0.2) +
  labs(x = "Ticket promedio (miles COP)", y = "Canal") +
  tema_curso()

Visualizaciones modernas para decisiones

Los gráficos modernos no tienen que ser complejos. Deben reducir ruido, dirigir la atención al hallazgo y permitir explorar detalles cuando esa interacción aporte valor. Los siguientes ejemplos conservan la identidad cromática del sitio.

Lollipop: comparación compacta

El gráfico lollipop es una alternativa ligera a las barras. Funciona bien para rankings ejecutivos cuando interesa destacar la posición y el valor de cada categoría.

ranking <- tibble(
  producto = c("Aseo", "Bebidas", "Snacks", "Hogar", "Tecnología", "Mascotas"),
  ventas = c(48, 59, 65, 41, 36, 28)
) |>
  arrange(ventas) |>
  mutate(producto = factor(producto, levels = producto))

ggplot(ranking, aes(ventas, producto)) +
  geom_segment(aes(x = 0, xend = ventas, yend = producto),
               linewidth = 1.4, color = c32) +
  geom_point(size = 4.5, color = c31) +
  geom_text(aes(label = ventas), hjust = -0.8, color = c41, fontface = "bold") +
  scale_x_continuous(expand = expansion(mult = c(0, .1))) +
  labs(
    title = "Ventas por línea de producto",
    subtitle = "Ranking de unidades vendidas",
    x = "Miles de unidades", y = NULL,
    caption = "Fuente: datos simulados"
  ) +
  tema_curso()

Mapa de calor: concentración de actividad

Un mapa de calor revela patrones en dos dimensiones. Aquí permite detectar los momentos de mayor tráfico sin obligar al lector a revisar una tabla extensa.

set.seed(123)
trafico <- expand_grid(
  dia = factor(c("Lun", "Mar", "Mié", "Jue", "Vie"),
               levels = rev(c("Lun", "Mar", "Mié", "Jue", "Vie"))),
  hora = 8:18
) |>
  mutate(visitas = round(40 + 35 * exp(-((hora - 13)^2) / 10) +
                          if_else(dia == "Vie", 18, 0) + rnorm(n(), 0, 6)))

ggplot(trafico, aes(hora, dia, fill = visitas)) +
  geom_tile(color = "white", linewidth = .8) +
  scale_fill_gradientn(colors = c(c42, c31, c61), name = "Visitas") +
  scale_x_continuous(breaks = seq(8, 18, 2)) +
  labs(
    title = "Tráfico digital por día y hora",
    subtitle = "Los tonos intensos indican mayor actividad",
    x = "Hora", y = NULL, caption = "Fuente: datos simulados"
  ) +
  tema_curso()

Tabla interactiva: detalle bajo demanda

Cuando el lector necesita buscar, ordenar o filtrar registros, una tabla interactiva complementa al gráfico. La búsqueda y la paginación evitan sobrecargar la página.

library(DT)

datatable(
  campanas,
  rownames = FALSE,
  filter = "top",
  options = list(pageLength = 6, dom = "ftip", autoWidth = TRUE),
  colnames = c("Inversión (millones COP)", "Ventas (millones COP)", "Canal")
) |>
  formatStyle(
    "canal",
    color = "white",
    backgroundColor = styleEqual(levels(campanas$canal), unname(paleta_curso[1:3]))
  )

Cuándo usar interactividad

Úsala cuando el lector necesite comparar puntos, consultar valores exactos, filtrar categorías o ampliar un periodo. Para informes impresos o para comunicar un único hallazgo, una figura estática bien anotada suele ser más efectiva.

Gráficos con plotly

plotly permite convertir gráficos en interactivos. Esto es útil para presentaciones donde el usuario puede pasar el mouse y ver detalles sin saturar la pantalla.

# install.packages("plotly") # ejecutar una sola vez si fuera necesario

# Cargar librerías necesarias
library(ggplot2)
library(plotly)

# Crear base ejemplo para campañas
campanas <- tibble(
  inversion = c(8, 10, 12, 15, 18, 20, 22, 25, 28, 30, 35, 40),
  ventas = c(139, 115, 192, 144, 185, 165, 198, 171, 157, 214, 149, 216),
  canal = factor(c("Digital", "Digital", "Retail", "Retail", "Mayorista", "Digital",
                   "Retail", "Mayorista", "Digital", "Retail", "Mayorista", "Digital"))
)

# Crear gráfico base con ggplot2
p <- ggplot(campanas, aes(
  x = inversion, y = ventas, color = canal,
  text = paste(
    "Canal:", canal, "<br>",
    "Inversión:", inversion, " millones COP<br>",
    "Ventas:", ventas, " millones COP"
  )
)) +
  geom_point(size = 2, alpha = 0.7) +  # Agregar puntos
  scale_color_manual(values = paleta_curso) +  # Paleta oficial del sitio
  labs(
    title = "Relación entre inversión y ventas",
    subtitle = "Datos de campañas comerciales",
    x = "Inversión en pauta (millones COP)",
    y = "Ventas (millones COP)",
    color = "Canal"
  ) +
  tema_curso(base_size = 14)

# Convertir el gráfico de ggplot2 a un gráfico interactivo con Plotly
p_interactivo <- ggplotly(p, tooltip = "text") |>
  layout(legend = list(orientation = "h", x = 0, y = -0.2)) |>
  config(displaylogo = FALSE, responsive = TRUE)

# Mostrar el gráfico interactivo
p_interactivo

https://gganimate.com/

Anàlisis de datos con R Cap,7 ggplot2
ggplot2 resumen

Gráficos con highcharter

highcharter es otra opción para gráficos interactivos con estética profesional. Suele usarse en tableros ejecutivos por su estilo limpio y opciones de personalización.

# Instalar paquetes si es necesario
# install.packages("highcharter")
# install.packages("dplyr")

# Cargar librerías necesarias
library(highcharter)
library(dplyr)

# Crear base para campañas comerciales
campanas <- tibble(
  inversion = c(8, 10, 12, 15, 18, 20, 22, 25, 28, 30, 35, 40),
  ventas = c(139, 115, 192, 144, 185, 165, 198, 171, 157, 214, 149, 216),
  canal = factor(c("Digital", "Digital", "Retail", "Retail", "Mayorista", "Digital",
                   "Retail", "Mayorista", "Digital", "Retail", "Mayorista", "Digital"))
)

# Crear gráfico interactivo con highcharter
hchart(campanas, "scatter", hcaes(x = inversion, y = ventas, group = canal, name = canal)) %>%
  hc_colors(colors = unname(paleta_curso[1:3])) %>%
  hc_title(text = "Relación entre inversión y ventas") %>%
  hc_subtitle(text = "Datos de campañas comerciales por canal") %>%
  hc_xAxis(title = list(text = "Inversión (millones COP)")) %>%
  hc_yAxis(title = list(text = "Ventas (millones COP)")) %>%
  hc_tooltip(
    useHTML = TRUE,
    pointFormat = "<b>Canal:</b> {point.name}<br>
                   <b>Inversión:</b> {point.x} millones COP<br>
                   <b>Ventas:</b> {point.y} millones COP"
  ) %>%
  hc_chart(zoomType = "xy")

Estética en la visualización

Además de la elección del gráfico, el diseño visual influye en la interpretación. Una buena estética mejora la comprensión y evita confusiones en la lectura de resultados.

La estética juega un papel fundamental en la visualización de datos, ya que ayuda a hacer que la información sea más comprensible y atractiva para el espectador. Entre las diferentes formas de estética utilizadas en la visualización, se encuentran:

Forma
Tamaño
Color
Ancho línea
Tipo línea
1D, 2D, 3D

La posición se refiere a la ubicación de los elementos dentro de la visualización y es fundamental para transmitir información espacial. Por lo general haciendo referencia al plano cartesiano (2D) e indicando relaciones de asociación y correlación entre variables.

La forma se refiere a la apariencia de los elementos, que puede ser útil para representar categorías o para resaltar ciertos datos, como pueden ser: circulos, cuadrados, triangulos, estrellas, entre otras formas.

El tamaño, por otro lado, se utiliza para indicar magnitudes y hacer que ciertos elementos destaquen sobre otros.

El color es una de las estéticas más poderosas en la visualización, ya que puede transmitir información de manera rápida y efectiva. Se puede utilizar para representar categorías, resaltar elementos importantes o crear jerarquías visuales. Tambien reforzando el significado de la variable, por ejemplo en presentación de resultados de clima laboral se utilizan colores relacionados con el semaforo (escalas entre rojo y verde), para representar magnitudes desde colores suaves a colores fuertes para indicar grandes cantidades. Por último tambien se emplean colores para resaltar un nivel u objeto dentro de todo el grupo.

El ancho de línea y el tipo de línea se utilizan para diferenciar entre elementos y resaltar ciertos aspectos de la visualización.

La dimensión (1D, 2D, 3D) se refiere a la cantidad de dimensiones que se utilizan en la visualización. Mientras que las visualizaciones 1D se limitan a una sola dimensión, como una línea de tiempo, las visualizaciones 2D y 3D pueden representar información en dos o tres dimensiones, lo que permite una representación más detallada y compleja de los datos. Es recomendable no utilizar 3D para que las visializaciones sean más limpias y sencillas

Formas

Es posible utilizar circulos, cuadrados, triangulos y en general figuras geométricas para resaltar puntos que represente valores numéricos en un plano 2D y de esta forma representar una secuencia o tendencia de la información.

Paletas

Las paletas ayudan a mantener consistencia y a diferenciar categorías. En mercadeo, una paleta bien elegida refuerza la identidad visual del informe.

Tomada de Pinteres

Normas APA

En trabajos académicos y corporativos es clave seguir normas de presentación. Esto asegura que los gráficos sean claros, comparables y bien documentados.

Aquí tienes el texto ajustado al enfoque de las normas APA (7.ª edición) para figuras y gráficos, manteniendo una estructura similar a la que tenías:

Las normas APA orientan la elaboración y presentación de figuras (gráficos, diagramas, mapas, etc.) para asegurar claridad, precisión y consistencia en la comunicación académica. En términos prácticos, estas recomendaciones se reflejan en los siguientes criterios:

Claridad y legibilidad

El gráfico debe entenderse con rapidez y sin esfuerzo. Evita elementos decorativos innecesarios y prioriza un diseño limpio. Usa tipografías legibles, tamaños adecuados y un contraste suficiente entre elementos (líneas, puntos, barras y texto).

Precisión y fidelidad de los datos

La figura debe representar los datos de manera exacta, sin distorsiones. Utiliza escalas apropiadas y proporcionales, indica unidades de medida, y cuida que las comparaciones visuales sean correctas. Si se presentan porcentajes, verifica coherencia (por ejemplo, totales consistentes cuando aplique).

Rotulación y organización según APA

En APA, un gráfico se presenta como Figura y debe incluir:

Número de figura (por ejemplo, Figura 1).
Título de la figura (claro y descriptivo).
El gráfico (contenido visual).
Nota de figura si es necesaria (para aclarar abreviaturas, describir símbolos, indicar fuente o explicar detalles metodológicos).

Consistencia y estilo académico

Mantén coherencia en el formato a lo largo del informe: mismos estilos de ejes, tamaños de letra, criterios de color y formato de leyendas. Las etiquetas de ejes deben ser claras, con nombres completos (o abreviaturas explicadas en nota).

Accesibilidad y uso del color

Usa el color solo cuando aporte información. Evita combinaciones que dificulten la lectura y procura que el gráfico sea interpretable incluso en escala de grises (por ejemplo, con patrones, formas o distintos tipos de línea). Esto mejora la accesibilidad y la calidad de impresión.

Ejemplos

set.seed(123)
ventas_dia <- tibble(ventas = rlnorm(400, meanlog = log(2.6), sdlog = 0.35))
ggplot(ventas_dia, aes(x = ventas)) +
  geom_histogram(fill = "steelblue", bins = 10, color = "black", alpha = 0.7) +
  labs(
    title = "Distribución de ventas por transacción",
    x = "Ventas por transacción (millones COP)",
    y = "Frecuencia",
    caption = "Fuente: Datos simulados de ventas"
  ) +
  tema_curso()

Este ejemplo muestra cómo incluir títulos, ejes y fuente, cumpliendo criterios de claridad y fidelidad en la presentación de datos.

set.seed(123)
camp <- tibble(
  inversion = runif(120, 8, 45),
  ventas = 65 + 8.5 * inversion + rnorm(120, 0, 30)
)
ggplot(camp, aes(x = inversion, y = ventas)) +
  geom_point(color = c41, size = 2, alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE, color = c11, linetype = "dashed") +
  labs(
    title = "Relación entre inversión publicitaria y ventas",
    x = "Inversión (millones COP)",
    y = "Ventas (millones COP)",
    caption = "Fuente: Datos simulados de campañas"
  ) +
  tema_curso()

Este segundo ejemplo integra una tendencia lineal para apoyar la interpretación, algo útil en análisis de productividad o eficiencia.

library(ggplot2)
library(ggthemes)

ggplot(campanas, aes(inversion, ventas)) +
  geom_point(size=2) +
  theme_economist() +
  labs(title="ggthemes: inversión vs ventas")

library(ggplot2)
library(ggrepel)

df <- campanas
df$campana <- paste0("Campaña ", seq_len(nrow(df)))

ggplot(df, aes(inversion, ventas, label = campana)) +
  geom_point(size=2) +
  geom_text_repel() +
  labs(title="ggrepel: etiquetas de campañas")

library(ggplot2)
library(ggiraph)
par(mar=c(5,16,4,2)+0.1)
p <- ggplot(campanas, aes(inversion, ventas, tooltip = canal)) +
  geom_point_interactive(size = 3, color = c31) +
  tema_curso()

girafe(ggobj = p)

# install.packages("likert")
library(likert)
par(mar=c(5,16,4,2)+0.1)
# Datos simulados (respuestas tipo Likert)
set.seed(123)
n <- 120
datos <- data.frame(
  Servicio = factor(sample(c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                             "De acuerdo","Totalmente de acuerdo"), n, TRUE),
                    levels = c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                               "De acuerdo","Totalmente de acuerdo"),
                    ordered = TRUE),
  Precio   = factor(sample(c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                             "De acuerdo","Totalmente de acuerdo"), n, TRUE),
                    levels = c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                               "De acuerdo","Totalmente de acuerdo"),
                    ordered = TRUE),
  Calidad  = factor(sample(c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                             "De acuerdo","Totalmente de acuerdo"), n, TRUE),
                    levels = c("Totalmente en desacuerdo","En desacuerdo","Neutral",
                               "De acuerdo","Totalmente de acuerdo"),
                    ordered = TRUE)
)

# Construir objeto Likert y graficar
lk <- likert(datos)

p =plot(lk,
     centered = TRUE,
     main = "Encuesta de satisfacción (Likert)",
     xlab = "Porcentaje de respuestas")
p +
  theme(
    legend.text = element_text(angle = 0, hjust = 1, vjust = 1)
  )

# install.packages("plotly")
library(plotly)

set.seed(123)
df <- data.frame(
  Edad   = round(rnorm(100, mean = 35, sd = 5),0),
  Ingreso = rnorm(100, mean = 5500, sd = 1000),
  Grupo  = sample(c("A", "B", "C"), 100, replace = TRUE)
)

p <- plot_ly(
  data = df,
  x = ~Edad, y = ~Ingreso,
  type = "scatter", mode = "markers",
  color = ~Grupo, colors = unname(paleta_curso[1:3]),
  text = ~paste0("Grupo: ", Grupo,
                 "<br>Edad: ", round(Edad, 1),
                 "<br>Ingreso: ", round(Ingreso, 0)),
  hoverinfo = "text",
  marker = list(size = 10, opacity = 0.8)
) %>%
  layout(
    title = "Dispersión interactiva (Plotly)",
    xaxis = list(title = "Edad (años)"),
    yaxis = list(title = "Ingreso (COP)")
  )

p

Una imagen dice mas que mil palabras…

Las imágenes también comunican contexto y refuerzan la narrativa del informe. En presentaciones de mercadeo, una foto puede conectar datos con la realidad del entorno.

Daniel Enrique González Gómez

Imagen tomada de :https://javerianacali.edu.co/noticias/la-javeriana-bogota-y-cali-1-de-colombia

Visualización de datos con R

Introducción

Paquetes de R para gráficos

Paquetes de R para gráficos y soluciones gráficas

Gráficos variables cualitativas con R base

Diagrama de barras

Diagrama de barras dos variables

Gráficas variables cuantitativas con R base

Diagrama de árbol

Histograma

Diagrama de densidad

Diagrama de cajas

Diagrama de cajas

Diagrama de dispersión

Gráfica de series de tiempo

Resumen

Gráficos con ggplot2

gráfico = data + aesthetics + geometries + facets + statistics + coordinates + themes

Primer paso: Instalar y cargar la libreria

Segundo paso: Declarar la base de datos y las variables

Tercer paso : Crear grafico base con las diferentes geometrías

Cuarto paso: Agregar características adicionales

Quinto paso: Agregar título, etiquetas a los ejes y leyenda

Sexto paso: Agregar una línea de tendencia

Séptimo paso: Agregar un tema o fondo

Octavo paso: Ajustar la escala de colores

gráfico completo !!

Otros gráficos

Visualizaciones modernas para decisiones

Lollipop: comparación compacta

Mapa de calor: concentración de actividad

Tabla interactiva: detalle bajo demanda

Cuándo usar interactividad

Gráficos con plotly

Gráficos con highcharter

Estética en la visualización

Formas

Paletas

Normas APA

Claridad y legibilidad

Precisión y fidelidad de los datos

Rotulación y organización según APA

Consistencia y estilo académico

Accesibilidad y uso del color

Ejemplos

Una imagen dice mas que mil palabras…