elementos que tu memoria de trabajo retiene a la vez — no 7, según la creencia popular (Cowan, 2001)
Un dashboard no es una decisión. Esto es cómo diseño para que sí lo sea.
scroll ↓
El problema
La otra mitad es diseñar cómo se lee. Un gráfico técnicamente correcto puede seguir siendo ilegible: si compite por atención, si obliga a hacer cálculo mental, o si no deja clara la conclusión, nadie decide con él — por buenos que sean los datos detrás.
niveles de precisión perceptual identificados por Cleveland & McGill (1984) — de "posición sobre eje común" (el más preciso) a "color" (el menos preciso). El tipo de gráfico que eliges no es estético: es una decisión de precisión.
lo que tarda el sistema pre-atencional del cerebro en detectar color, tamaño u orientación distintos — antes de razonar nada (Ware, Perception for Design). Si no diriges ese primer segundo, lo dirige el elemento más ruidoso de tu gráfico.
Cómo lo abordo
Es el compendio que uso en cada proyecto — fundamentos de percepción, principios de diseño y construcción de la narrativa — contrastado con la bibliografía de referencia del sector (Knaflic, Tufte, Cairo, Few, Munzner, Duarte…).
Fundamentos
Qué es contar una historia con datos y qué no lo es.
Entender el contexto
Audiencia, pregunta de negocio y nivel de detalle antes de abrir Power BI.
Cómo percibe el cerebro
Memoria de trabajo, pre-atención y por qué "más" no es "más claro".
Reducir el ruido
Data-ink ratio (Tufte): todo lo que no ayuda a decidir, sobra.
Dirigir la atención
Color, tamaño y posición como herramientas, no como decoración.
Elegir el visual
Qué gráfico responde mejor a cada pregunta (FT Visual Vocabulary).
Componer como diseñador
Jerarquía visual, alineación, espacio en blanco.
El texto que acompaña
Títulos que dicen la conclusión, no la variable.
Construir la historia
Pirámide de Minto y el arco "qué es → qué podría ser".
El proceso completo
De la pregunta de negocio al dashboard publicado.
Galería de ejemplos
Antes / después aplicados a casos reales de Power BI.
Ejemplo ilustrativo
Reducir el "data-ink ratio" (Tufte, The Visual Display of Quantitative Information) no es simplificar por simplificar: es quitar todo lo que no cambia la conclusión, para que lo que sí la cambia se vea primero.
Categorías sin ordenar, un color distinto por barra sin motivo, leyenda aparte, eje Y con líneas de rejilla pesadas y valores redundantes flotando fuera de la barra.
Un único color con énfasis en el valor más alto, orden descendente, etiquetado directo, sin rejilla ni leyenda. La conclusión ("la primera categoría domina") se lee en dos segundos.
Mismos cinco valores en ambos gráficos — la única variable que cambia es la decisión de diseño.
Cómo dirige la vista el cerebro
El procesamiento pre-atencional detecta color, tamaño y forma distintos en milisegundos, sin esfuerzo consciente (Ware). Mira la cuadrícula: no tienes que buscar el punto diferente, simplemente lo ves.
Ese mismo efecto es el que uso para resaltar un KPI, un umbral incumplido o el punto que importa en un dashboard — con color, no con texto.
Por qué elijo un gráfico y no otro
No todos los canales visuales se leen con la misma precisión. Cuanto más abajo en esta lista, más le cuesta al cerebro comparar valores con exactitud — por eso evito el color o el área para comparar cantidades cuando la posición o la longitud pueden hacerlo mejor.
Por eso un gráfico de barras (posición/longitud) casi siempre gana a un gráfico de tarta (área/ángulo) cuando lo que importa es comparar magnitudes.
Construir la historia
Aplico la lógica de la Pirámide de Minto y el arco narrativo de Duarte (DataStory, 2019): empezar por la conclusión, no por el proceso.
La situación actual, en una frase y un número — sin rodeos ni diez gráficos antes de llegar al punto.
La comparación o tendencia que convierte el dato en una señal de negocio: ¿respecto a qué es alto, bajo o raro?
La decisión concreta que ese dato habilita. Si el dashboard no la deja clara, ha informado pero no ha decidido nada.
En qué me apoyo
El manual completo cita cada afirmación. Estas son algunas de las fuentes que sostienen los principios de esta página.
Esto es la teoría. En mis dashboards de Power BI es donde se aplica.