1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis de Maestría
7. Tesis de Maestría en Computación

Title:	Caracterización y selección de herramientas de visualización con orientación a la solución de problemas en Ciencia de Datos
Authors:	González Aguila, Marian%1316548
metadata.dc.subject.other:	Caracterización, herramientas de visualización de datos, métodos de toma de decisiones multicriterio, MATCH-Vis.
Issue Date:	2025-09-04
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Description:	En el contexto actual de la Ciencia de Datos, la visualización juega un papel fundamental tanto en la exploración como en la comunicación de los hallazgos derivados del análisis. Sin embargo, el creciente número de herramientas de visualización disponibles, junto con la diversidad de características, precios y niveles de complejidad técnica que presentan, hace que la selección de la herramienta más adecuada para un problema específico resulte una tarea compleja. Esta investigación tuvo como propósito desarrollar un método sistemático que facilite la selección de herramientas de visualización de datos considerando criterios técnicos, contextuales y funcionales. Para ello, se diseñó y propuso el método MATCH-Vis, una metodología de seis pasos basada en la caracterización de herramientas de acuerdo con cinco dimensiones clave: Meta (objetivo de la visualización), Almacenamiento (ubicación de los datos), Tipo de datos, Contexto (perfil del usuario y sus restricciones), y Herramienta (que surge como resultado de las anteriores). Estas dimensiones permiten delimitar claramente los requisitos del escenario de uso y fundamentar la selección con base en criterios relevantes. A partir de una revisión de la literatura especializada, se identificaron 24 herramientas de visualización ampliamente utilizadas en entornos de Ciencia de Datos, de las cuales se seleccionaron 11 para su análisis detallado. Estas fueron caracterizadas de acuerdo con las dimensiones MATCH y evaluadas empíricamente mediante una encuesta aplicada a 21 especialistas del dominio. Como parte del diseño metodológico, se definieron 11 criterios de evaluación agrupados en cinco categorías (Usabilidad, Complejidad, Integración, Costo y Calidad). Para cuantificar las valoraciones cualitativas, se desarrolló una escala de puntuación de 0 a 5 para evaluar las herramientas de acuerdo con los criterios. La evaluación se concretó sobre seis herramientas de visualización: Matplotlib, Seaborn, Plotly, Ggplot2, Tableau y Power BI. Es decir, se eliminaron de la evaluación aquellas herramientas con más del 50 % de datos faltantes por parte de los participantes en la evaluación. Posteriormente, se construyó una matriz de decisión con las valoraciones obtenidas y se calcularon los pesos objetivos de los criterios usando el método de la entropía, lo cual permitió reducir el sesgo subjetivo en el análisis. Entre los criterios con mayor peso destacaron el Costo, la Asistencia en la selección del tipo de gráfico, y la Exploración interactiva de los datos. Para comparar las herramientas evaluadas fueron utilizados los siguientes métodos de decisión multicriterio: Ponderación Aditiva Simple (SAW) y la Técnica para el Orden de Preferencia por Similitud a la Solución Ideal (TOPSIS). Los resultados mostraron consistencia entre ambos métodos al aplicar TOPSIS con distancia de Manhattan. Las herramientas Power BI y Plotly se posicionaron como las mejor evaluadas, seguidas por Tableau. Las herramientas más valoradas coincidieron con aquellas que ofrecen mayor grado de interactividad, facilidad de uso y capacidades para integrar fuentes de datos diversas, lo que pone en evidencia la importancia de la experiencia de usuario y la funcionalidad práctica en entornos reales. El método MATCH-Vis se integró como un procedimiento estructurado que guía al usuario desde la definición del escenario de uso hasta la interpretación de los resultados, permitiendo una selección fundamentada, reproducible y adaptable. Esta propuesta responde a una necesidad práctica en el campo de la Ciencia de Datos: contar con una guía clara y objetiva para elegir herramientas de visualización según las características del problema, los datos y el perfil del usuario.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Tesis de Maestría en Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License