
El gráfico que pusiste en la reunión de revisión del martes se veía limpio. Los colores combinaban con la marca. Todos asintieron. Tres semanas después alguien señala que el eje y empezaba en 78 %, no en cero, por lo que la caída del 2 % que habías marcado como 'nos mantenemos estables' era todo el punto visual del gráfico — y la sala lo había leído exactamente como el gráfico lo dibujaba. No tenías la intención de engañar a nadie. Usaste el Excel predeterminado que te ofreció. Este curso es para las personas que ponen datos frente a quienes toman decisiones y se han dado cuenta de que la línea entre un gráfico defendible y uno engañoso es más delgada de lo que pensaban — y gran parte reside en valores predeterminados que nadie estableció a propósito. A lo largo de treinta y ocho lecciones enseña la capa debajo de los menús de selección de gráficos: la jerarquía perceptual que explica por qué las barras y los pasteles de los mismos datos cuentan historias diferentes, el vocabulario de tipos de datos y tareas que convierte '¿qué gráfico?' de un gusto a un procedimiento, los arquetipos de paneles (ejecutivo, operativo, analítico) que se adaptan a diferentes audiencias y ritmos de actualización, y el pequeño catálogo de reglas de visualización honesta — líneas de base cero para barras, paletas secuenciales para datos ordenados, denominadores en cada tasa, una lista de verificación antes de enviar. Está fundamentado en el trabajo que los profesionales realmente citan — los experimentos perceptuales de Cleveland y McGill, Tufte sobre tinta de datos, Few sobre taxonomía de paneles, Knaflic sobre narrativa, Cairo sobre cómo mienten los gráficos, ColorBrewer para paletas — y en las herramientas de BI que la audiencia abre todos los días: Tableau, Power BI, Looker, Metabase. Al final, el gráfico en la reunión de revisión del martes se lee como pretendías, y el panel que envías tiene un resumen ejecutivo, un propietario y una lista de verificación de revisión escrita que detecta el eje y truncado antes de que alguien más lo haga.
The common thread in Arjun Mehta’s work is the journey from an uncertain question to a decision someone can defend. He has forecast demand for retail operations, modeled customer attrition for subscription products, built language systems that classify support conversations, and analyzed healthcare data to identify variations in patient outcomes. Depending on the problem, Arjun may design an experiment, train a predictive model, construct a data pipeline, or conclude that a simpler statistical analysis provides the more reliable answer. He works primarily with Python, SQL, Spark, and cloud-based machine-learning platforms, but places equal emphasis on data quality, model monitoring, privacy, and clear communication. Now leading a multidisciplinary data-science team, he remains closely involved in the work between prototype and production, where analytical promise must become a dependable part of everyday operations.
i like it
Expected more depth.
Too basic, nothing new.
helpful
分かりやすかった