Graph Analysis and Visualization

Obra técnica publicada por Wiley en 2015 centrada en el análisis visual y cuantitativo de redes complejas y datos conectados (linked data). Escrita por Richard Brath y David Jonker, traslada los principios matemáticos de la teoría de grafos desde el laboratorio académico hacia el entorno empresarial y de Big Data, resolviendo problemas de fraude financiero, marketing relacional, ciberseguridad, jerarquías de organizaciones y optimización de flujos. El libro está orientado a analistas de datos, científicos de datos, arquitectos de visualización y profesionales de inteligencia de negocio de nivel intermedio que dominan el tratamiento de estructuras tabulares y desean aprender a modelar e interpretar visualmente relaciones no lineales.

El texto cubre de principio a fin el flujo de ingeniería de grafos: recolección, limpieza y estructuración de entidades en listas de nodos y aristas; algoritmos de distribución y maquetación espacial (force-directed, circular, radial o jerárquico); y cálculo de métricas fundamentales de redes (centralidad de grado, intermediación, cercanía, densidad y modularidad para la detección de comunidades). En cuanto a herramientas de escritorio sin código («point-and-click»), enseña a manejar Excel, NodeXL, Gephi, Cytoscape y yEd para explorar, filtrar y segmentar redes. En la sección de programación ligera, introduce scripts en Python para extraer y formatear datos relacionales a partir de registros desestructurados (como correos electrónicos y registros de transacciones) y recurre a JavaScript con D3.js y SVG para generar grafos interactivos en la web. Además, clasifica las tipologías de red en cinco patrones visuales: relaciones directas, jerarquías (árboles y treemaps), comunidades, flujos (diagramas de Sankey y aluviales) y redes geospaciales, sin dejar de lado el análisis de grafos dinámicos en el tiempo.

A través de conjuntos de datos reales y casos de estudio de sectores como finanzas corporativas, redes sociales, deporte y seguridad informática, el lector aprende a traducir relaciones intrincadas en diagramas legibles y a codificar métricas analíticas en atributos gráficos (grosor de enlaces, color y tamaño de nodos). Su mayor virtud reside en la rigurosa educación en diseño gráfico y taxonomía visual, enseñando a comunicar información sin caer en el típico desorden visual («hairball») de los grafos saturados. Por contra, no aborda la administración ni consulta profunda de bases de datos de grafos nativas como Neo4j ni el lenguaje Cypher, pues su enfoque está deliberadamente centrado en la exploración analítica y el diseño visual. Conviene tener conocimientos básicos de Python y manejo de archivos tabulares (CSV) o JSON para aprovechar los ejemplos de código.