Diseño de visualización para cosas que aún no existen

• La mayoría de las visualizaciones de datos tratan sobre el pasado y, aun cuando muestran el futuro, suelen limitarse a extender una sola línea hacia adelante, sin reflejar adecuadamente las características estructurales de la incertidumbre
• Cuando el objeto de la visualización cambia de los 'datos' al 'espacio de posibilidades', desde predicciones hasta escenarios contrafactuales, surgen tres desafíos clave: multiplicidad, incertidumbre y dependencia
• Incertidumbre en capas, líneas de tiempo ramificadas y superficies de escenarios son tres patrones que pueden sustituir la visualización predictiva tradicional centrada en una sola trayectoria con un enfoque estructural
• Mediante casos reales como el cono de pronóstico de huracanes, las curvas de COVID, los escenarios climáticos y los mapas de riesgo sísmico, se explica de forma concreta el problema de las interpretaciones engañosas en la visualización predictiva tradicional
• El objetivo de la visualización del futuro no es predecir, sino diseñar estructuras explorables que permitan entender cuántos futuros son posibles y qué factores los moldean

---

Problemas de la visualización predictiva

• La mayoría de los gráficos de predicción muestran una sola línea limpia que continúa hacia adelante, rodeada por una banda sombreada, dando una impresión de precisión y control
• Esa línea única implica supuestos erróneos: que existe un futuro más probable, que las desviaciones son simétricas y predecibles, y que la incertidumbre no es una propiedad estructural sino un simple margen
• En los sistemas reales, el futuro no se extiende: se ramifica; la incertidumbre aumenta de forma compuesta con el tiempo y los resultados son no lineales y asimétricos
• Caso del cono de pronóstico de huracanes: muchas veces se interpreta como si la tormenta se hiciera más grande, pero en realidad representa la incertidumbre sobre la ubicación a lo largo del tiempo
• Caso de las predicciones de COVID: muchas visualizaciones mostraban una sola curva, pero los resultados reales llevaron a desenlaces completamente distintos según el comportamiento, las políticas y el momento
• Alberto Cairo abordó en su artículo de Nightingale, "The Day I Thought I Misled the President of the United States", cómo la visualización predictiva puede distorsionar involuntariamente la comprensión pública, y exploró métodos alternativos para comunicar mejor la incertidumbre en una visualización interactiva de pronóstico de huracanes para The New York Times

Desafío central: visualizar lo que aún no ha ocurrido

• Al trabajar con predicciones, simulaciones y escenarios contrafactuales, el objeto ya no es un dataset sino el espacio de resultados (space of outcomes)
• La pregunta cambia de "¿qué dicen los datos?" a "¿en qué podrían convertirse los datos?"
• Existen tres desafíos clave
  • Multiplicidad (Multiplicity): no hay un solo futuro, sino muchos
  • Incertidumbre (Uncertainty): no todas las posibilidades son igual de probables
  • Dependencia (Dependency): los resultados cambian según decisiones, eventos y condiciones
• La mayoría de las visualizaciones predictivas aplanan estas dimensiones en una sola trayectoria por facilidad de lectura, pero ese enfoque reduce la fidelidad a la verdad

Escenarios contrafactuales (Counterfactuals)

• Los escenarios contrafactuales del tipo "¿qué habría pasado si...?" no existen en los datos: son escenarios hipotéticos construidos y, a menudo, dependen del modelo
• Aun así, plantean preguntas importantes: ¿qué habría pasado si el tsunami hubiera sido más fuerte?, ¿si la predicción del modelo hubiera estado equivocada?, ¿si la política hubiera cambiado?
• Los escenarios contrafactuales implican el desafío de mostrar una versión de la realidad que no ocurrió, es decir, hacer visible una 'ausencia' (absence)
• La mayoría de las visualizaciones lo ignoran por completo o lo reducen a un simple cambio con toggle, y eso no basta
• La solución al problema de comprimir la posibilidad en un único camino es aceptar la estructura en lugar de priorizar la simplicidad

Patrón 1: incertidumbre en capas (Layered Uncertainty)

• En lugar de un solo intervalo de confianza, la incertidumbre debe clasificarse por capas
• Estructura por capas
  • Resultados de alta confianza: áreas estrechas y oscuras
  • Rangos de confianza media: áreas más amplias y claras
  • Extremos de baja probabilidad: áreas fragmentadas y casi invisibles
• Estas capas deben cambiar de forma porque la incertidumbre no es uniforme
  • Puede sesgarse hacia una dirección, dividirse en varios clústeres o contraerse bajo ciertas condiciones
• El objetivo no es mostrar cuánto existe la incertidumbre, sino "cómo funciona"
• Los pronósticos meteorológicos por ensambles ya avanzan en esta dirección: los "spaghetti plots" visualizan decenas de resultados posibles al mismo tiempo, y la densidad y agrupación de las líneas expresan mucho mejor la confianza, la divergencia y la inestabilidad que una sola línea de pronóstico suavizada

Patrón 2: líneas de tiempo ramificadas (Branching Timelines)

• Una sola trayectoria sugiere inevitabilidad, pero una estructura ramificada revela puntos de decisión
• Hay que pensar no en "una línea → múltiples desviaciones posibles", sino en "un punto de partida → múltiples caminos que se bifurcan"
• Cada rama representa una condición, una decisión o el cruce de un umbral, y permite construir visualizaciones interactivas significativas donde el usuario explora no los datos, sino las consecuencias (consequences)
• Es especialmente potente para simulaciones de políticas, escenarios climáticos y comportamiento de modelos bajo distintas entradas
• La narrativa cambia de "esto es lo que va a pasar aquí" a "esto es lo que podría pasar dependiendo de qué cambie"
• La visualización climática es el caso más claro: distintos escenarios de emisiones generan trayectorias de calentamiento completamente diferentes a lo largo del tiempo, y el futuro cambia según las políticas, el uso de energía y la acción colectiva (fuente: IPCC 2021)

Patrón 3: superficies de escenarios (Scenario Surfaces)

• En lugar de graficar futuros individuales, este enfoque visualiza el espacio mismo
• En una superficie 2D o 3D, cada punto representa un escenario; los ejes representan variables (tiempo, intensidad, probabilidad, etc.), y el color o la textura codifican la calidad del resultado o el riesgo
• Esto permite al usuario identificar zonas estables, regiones volátiles y transiciones bruscas entre resultados
• Se centra más en la exploración (exploration) que en el storytelling
• Los mapas de riesgo sísmico funcionan de forma similar: en vez de predecir un único evento, visualizan zonas de riesgo según combinaciones de magnitud, profundidad y ubicación, y están diseñados para ayudar a entender la topografía de los posibles impactos (fuente: USGS)
• Reconoce algo que la mayoría de las visualizaciones ignoran: el futuro no es discreto, sino continuo

Diseño para la interpretación (Designing for Interpretation)

• La parte más difícil de estos enfoques no es técnica, sino cognitiva
• Mostrar muchos futuros puede abrumar a los usuarios, hacer menos claros los patrones y exigir más esfuerzo de interpretación
• Al simplificar para que la visualización sea "fácil", muchas veces se termina creando una visualización incorrecta
• El objetivo debe cambiar de reducir la complejidad a estructurar la complejidad
• Aquí es donde la interacción se vuelve importante
  • Revelación progresiva (Progressive disclosure)
  • Recorridos guiados por escenarios (Guided pathways)
  • Anclaje del usuario mediante puntos de referencia (Reference points)
• No solo se diseña una visualización, sino también una manera de pensar sobre la incertidumbre

Conclusión: principios clave para visualizar el futuro

• Para visualizar algo que aún no existe, hay que dejar de tratarlo como si ya existiera
• Tres principios clave
  • Representar múltiples posibilidades, no una sola
  • Representar estructura, no solo rango
  • Diseñar para la exploración, no para el consumo
• El objetivo no es predecir el futuro, sino ayudar a entender cuántos futuros son posibles y qué es lo que los moldea