Cómo armar un flujo de trabajo para periodismo de datos desde cero

El periodismo de datos ya no es un nicho reservado para redacciones con recursos millonarios. Cualquier cronista con curiosidad y disciplina puede incorporar datos a su cobertura diaria. Lo que marca la diferencia no es tener acceso a supercomputadoras, sino armar un flujo de trabajo claro, reproducible y que respete los estándares éticos del oficio.

En este artículo repasamos cómo construir ese flujo desde cero, con decisiones concretas que tomamos en redacción cuando no hay un programador sentado al lado. La idea es pasar de la intuición a la evidencia sin perder el relato ni la verificación.

Definir la pregunta antes de abrir una planilla

El error más frecuente es empezar por los datos. En cambio, la primera reunión editorial debe girar alrededor de una pregunta periodística precisa: ¿qué queremos demostrar o desmentir? Esa pregunta guía todo lo que sigue y evita que el periodista se pierda en bases de datos enormes que no responden a nada concreto.

Una vez definida la pregunta, se traduce en indicadores medibles. Por ejemplo, si la cobertura es sobre la distribución de fondos educativos, los indicadores pueden ser monto por alumno, tiempo de demora en la transferencia y porcentaje de ejecución presupuestaria por provincia. Sin esos indicadores, la base de datos es solo ruido.

Buscar y evaluar la fuente primaria

No todo lo que está en internet es dato usable. Priorizamos siempre la fuente primaria: actas, resoluciones, bases oficiales, registros administrativos. Cuando la fuente es un organismo público, verificamos si la información está actualizada, si tiene metadata y si viene acompañada de un diccionario de variables. Si falta el diccionario, hay que pedirlo por nota formal o por acceso a la información pública.

En casos donde la fuente es privada o de terceros, evaluamos sesgos obvios: ¿quién compiló esos números y con qué interés? Esa evaluación debe quedar registrada en el cuaderno de bitácora del proyecto, aunque no salga publicada.

Limpieza sin magia

La limpieza ocupa entre el 60 y el 80 por ciento del tiempo real de un proyecto de datos. En redacción enseñamos a hacerlo con herramientas gratuitas o de bajo costo: OpenRefine para limpiar duplicados y estandarizar textos, Google Sheets para correcciones masivas simples y Python (con Pandas) cuando el volumen crece.

Lo importante no es la herramienta sino el registro de cada transformación. Cada vez que se elimina una fila, se corrige un valor o se imputa un dato faltante, se anota el criterio. Esa bitácora es la que permite defender el trabajo ante un eventual reclamo de inexactitud.

Análisis que respete el contexto

Una vez limpios, los datos permiten calcular promedios, variaciones, correlaciones o rankings. Pero el número solo cobra sentido cuando se lo cruza con el contexto humano. Un aumento del 40 % en denuncias de violencia de género puede reflejar más casos o mayor confianza en las instituciones. Sin entrevistas a especialistas y a víctimas, el dato se vuelve engañoso.

Por eso el flujo de trabajo alterna constantemente entre la planilla y la calle. El dato orienta las preguntas, pero las fuentes vivas orientan la interpretación.

Visualización como herramienta narrativa, no como adorno

El gráfico debe surgir de la necesidad del relato, no al revés. Si el dato clave es una brecha que se amplía con el tiempo, un gráfico de líneas es más honesto que un mapa de calor. Elegimos siempre la visualización más sencilla que transmita la idea central sin forzar la mirada del lector.

Herramientas recomendadas para empezar: Datawrapper y Flourish. Ambas permiten exportar visualizaciones interactivas sin necesidad de código avanzado y mantienen un estándar de accesibilidad razonable.

Publicación y mantenimiento del dato

Una pieza de periodismo de datos no termina cuando se publica. Los datos envejecen. Por eso incluimos siempre la fecha de extracción, la metodología resumida y un link a la base procesada (cuando es posible). En algunos casos creamos una versión actualizable que el lector puede consultar meses después.

Esta transparencia no solo refuerza la credibilidad: también permite que otros periodistas o investigadores retomen el trabajo, algo que fortalece el ecosistema de medios independientes.

Errores comunes que vemos en talleres

• Confundir correlación con causalidad.
• Publicar rankings sin explicar la metodología de ponderación.
• Usar escalas truncadas en gráficos para exagerar diferencias.
• Olvidar el margen de error en encuestas o muestreos.

Todos estos errores se evitan con un checklist básico que entregamos a los participantes de los talleres: ¿la pregunta es periodística? ¿La fuente es primaria? ¿Se registraron todas las transformaciones? ¿El gráfico miente menos que el anterior? ¿Se consultaron voces que contradigan la tendencia principal?

Armar un equipo mínimo viable

No hace falta ser data scientist. Un periodista con manejo básico de planillas, otro con buen olfato para fuentes y un diseñador que sepa hacer gráficos claros forman un equipo suficiente para la mayoría de las coberturas. Lo que sí hace falta es tiempo protegido: un proyecto de datos serio rara vez sale en dos días.

En redacciones pequeñas, la solución pasa por reservar una tarde por semana exclusivamente para limpieza y análisis. Esa rutina es la que transforma el periodismo de datos de excepción a herramienta habitual.

El periodismo de datos no reemplaza el trabajo de campo ni la entrevista profunda. Es un complemento que, cuando se hace con rigor, permite ver patrones que de otra forma quedarían ocultos. Armar el flujo de trabajo es, en definitiva, una decisión editorial que prioriza la evidencia sobre la impresión y la transparencia sobre la velocidad.