Tendencias del Mercado Laboral Brasileño a Partir de Indicadores Socioeconómicos de Ocupación: Aplicación Bi

Alice Juliane da Costa Rodrigues; Fernando Celso de Campos

DOI: 10.22167/2675-6528-202602631

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El análisis de indicadores socioeconómicos resultó fundamental para comprender las dinámicas del mercado laboral brasileño, históricamente marcado por desigualdades raciales, regionales y económicas. Con el objetivo de simular el análisis de estos fenómenos y apoyar el desarrollo de competencias analíticas, se desarrolló un dashboard interactivo en MS Power BI®. La metodología adoptada fue descriptiva y cuantitativa, basada en una base de datos ficticia, estructurada a partir de características y variables inspiradas en la Encuesta Nacional por Muestra de Domicilios (PNAD Continua), abarcando el período de 2022 a 2024. Se definieron indicadores clave como tasas de ocupación y desocupación, renta media y distribuciones demográficas. El panel permitió la exploración interactiva de estos indicadores, facilitando la identificación de patrones, tendencias y desigualdades. Los resultados simulados reprodujeron comportamientos coherentes con la literatura y bases reales, evidenciando variaciones en los niveles de ocupación y rendimiento entre grupos poblacionales, además de disparidades estructurales influenciadas por escolaridad y género. Se concluyó que la aplicación demostró potencial como herramienta de apoyo al análisis y a la toma de decisiones para fines académicos y de aprendizaje en ciencia de datos.

Palabras clave: Datos para negocios; MS Power BI®; Visualización de datos.

1. Introducción

El análisis de indicadores socioeconómicos es fundamental para la comprensión de las dinámicas del mercado laboral brasileño, un escenario históricamente marcado por profundas desigualdades. El legado del período colonial, que priorizó la extracción de riquezas en detrimento del desarrollo nacional, dejó marcas que persisten en la formación del país republicano. Estas disparidades se manifiestan en la contemporaneidad, especialmente en dimensiones raciales y regionales (Nogueira y Souza, 2017).

La abolición formal de la esclavitud, en 1888, no fue acompañada por políticas estructuradas de inclusión que promovieran la integración de la población liberada a la sociedad. La ausencia de acceso a empleo, vivienda y educación resultó en la ocupación de áreas periféricas, que evolucionaron hacia las actuales favelas. Tales problemas históricos aún contribuyen al mantenimiento de desigualdades sociales y económicas, con muchas de estas regiones careciendo de políticas públicas esenciales, como saneamiento, salud y educación (Schwarcz y Starling, 2015).

Estas desigualdades son corroboradas por datos recientes. En 2022, la población blanca presentaba una renta superior a la de la población negra en un 87%, según el Instituto de Investigación Económica Aplicada (IPEA). El mismo estudio revela que hombres y mujeres negros componen aproximadamente el 80% del diez por ciento más pobre de Brasil. Regionalmente, el Mapa de la Desigualdad Regional (Grin et al., 2021) indica que la mayor parte del Producto Interno Bruto nacional se concentra en las regiones Sur y Sudeste, evidenciando características estructurales del desarrollo económico y desafíos para políticas públicas eficaces.

Ante este complejo escenario, la visualización de datos emerge como un recurso estratégico para la comprensión de las tendencias del mercado laboral brasileño y para el subsidio a la formulación de políticas públicas. Al transformar grandes volúmenes de datos en información clara, accesible e interpretable, la visualización contribuye a ampliar el entendimiento de los fenómenos sociales y económicos, fortaleciendo la toma de decisiones basada en evidencia (Concannon et al., 2019).

En este contexto, herramientas de visualización de datos, como MS Power BI, ofrecen recursos para el análisis eficiente de grandes volúmenes de información. Permiten el seguimiento de indicadores a través de paneles interactivos, la identificación de tendencias y el soporte a la planificación estratégica (Becker y Gould, 2019). Power BI, reconocido como una herramienta de Business Intelligence (Microsoft, 2025), posibilita la integración, modelado y visualización de datos de múltiples fuentes, convirtiéndolos en informes y dashboards interactivos de fácil interpretación.

La capacidad de Power BI se amplía mediante el uso de lenguajes como Data Analysis Expressions (DAX) para la creación de medidas analíticas y el lenguaje M, empleado en Power Query para los procesos de extracción, transformación y carga de datos (ETL). Estos recursos permiten la construcción de análisis complejos y la preparación avanzada de datos, incluso en contextos con gran volumen de información (Microsoft, s.d.). De esta manera, la herramienta contribuye a la democratización del uso de datos y al fortalecimiento de una cultura orientada por la evidencia en las organizaciones (Davenport y Patil, 2012).

Aunque existen bases de datos oficiales ampliamente utilizadas, como las proporcionadas por el Instituto Brasileño de Geografía y Estadística (IBGE) a través de la Encuesta Nacional por Muestreo de Hogares Continua (PNAD Contínua), este trabajo opta por una base de datos ficticia. Esta base fue estructurada a partir de características y variables inspiradas en la PNAD Contínua, con el objetivo de simular escenarios y viabilizar la aplicación práctica de técnicas de análisis y visualización de datos.

La elección de datos simulados se justifica por la necesidad de proporcionar un entorno controlado para el desarrollo de competencias analíticas y la exploración de escenarios plausibles, promoviendo un análisis integrado y orientado a la evidencia, útil para fines académicos y de aprendizaje en análisis de datos. Así, el objetivo de este trabajo es desarrollar un dashboard que explore indicadores del mercado laboral brasileño, a partir de una base de datos simulada, permitiendo la identificación de patrones y tendencias y contribuyendo al desarrollo de análisis orientados al apoyo a la toma de decisiones y a la formulación de estrategias de inclusión social.

2. Material y Métodos

La presente investigación se caracterizó como un estudio aplicado de naturaleza descriptiva, con enfoque cuantitativo. Tuvo como objetivo principal desarrollar una aplicación orientada a la presentación visual de las tendencias del mercado laboral brasileño, buscando generar información que pudiera subsidiar la toma de decisiones en diversos contextos. Para ello, se utilizó una base de datos ficticia, construida para simular la estructura y las variables de la Encuesta Nacional por Muestra de Domicilios Continua (PNAD Contínua), del Instituto Brasileño de Geografía y Estadística (IBGE).

La metodología adoptada se estructuró en seis etapas secuenciales, orientadas a la construcción del panel analítico. En primer lugar, se realizó la recopilación de datos, seguida por el tratamiento, modelado y análisis. Posteriormente, se definieron los aspectos de visualización, se procedió al desarrollo del panel y, finalmente, se llevaron a cabo las pruebas y la implementación de la solución. Este flujo de procesos guió la construcción del trabajo, desde la definición de los parámetros hasta la elaboración del panel analítico.

En la primera etapa, de recopilación de datos, se definieron los parámetros y las referencias metodológicas basándose en información pública del IBGE, especialmente aquella de la PNAD Continua. A partir de estas referencias, se construyó una base de datos sintética, generada con el apoyo de inteligencia artificial, con el propósito de simular el comportamiento y la estructura de la información original. El recorte temporal adoptado para la simulación comprendió el período de 2022 a 2024, alineado con los objetivos analíticos del estudio.

Se definieron como ejes principales de análisis la dinámica del mercado laboral, el perfil educacional de la población ocupada, la cualificación técnica y el rendimiento del trabajo formal. Adicionalmente, se establecieron filtros analíticos para segmentación por género, escolaridad, año, ubicación y rango de edad, que estructuraron la interactividad del panel. Estos elementos fueron esenciales para la construcción de un ambiente analítico que permitiera la exploración de escenarios plausibles.

La segunda etapa consistió en el tratamiento de los datos, con el fin de garantizar su consistencia y fiabilidad. Este proceso incluyó la estandarización de formatos y estructuras, la eliminación de duplicados y el tratamiento de valores ausentes (Redman, 2001). También se realizó la uniformización de variables, como fechas y valores monetarios, y se efectuaron agregaciones temporales en diferentes niveles de granularidad, además de verificaciones manuales por muestreo para validar la calidad de las transformaciones aplicadas (Kimball y Ross, 2013).

En la tercera etapa, de modelado y análisis de datos, con los datos debidamente preparados, se inició la estructuración del entorno analítico. El modelado siguió el paradigma dimensional, organizando la información en una tabla de hechos central, denominada `base_dashboard_pnad`, y múltiples tablas de dimensión, como género, raza, nivel educativo, grupo de edad, unidad federativa e ingresos (Kimball y Ross, 2013).

Las relaciones entre las tablas se definieron en el formato uno a muchos (1:N), asegurando la correcta propagación de filtros en el entorno de MS Power BI® y la consistencia de los análisis. Se desarrollaron medidas utilizando el lenguaje Data Analysis Expressions (DAX), posibilitando la construcción de métricas derivadas, análisis comparativos y cruces dinámicos. El análisis exploratorio empleó técnicas de estadística descriptiva y análisis de series temporales, según Chatfield (2004).

Entre los principales indicadores construidos, destacaron la tasa de desocupación, la tasa de ocupación, el nivel de participación y el rendimiento medio. Adicionalmente, se desarrollaron indicadores relacionados con la subutilización de la fuerza de trabajo, como el desaliento y la subocupación. Estos indicadores fueron fundamentales para representar las dinámicas del mercado laboral brasileño en el panel.

La cuarta etapa se centró en la definición y modelado de los aspectos de visualización, buscando garantizar claridad, accesibilidad y eficiencia en la comunicación de los datos. La construcción de las visualizaciones se orientó por principios de percepción visual y buenas prácticas de “data storytelling”, priorizando la legibilidad de la información, la comparabilidad entre categorías y la reducción de ruido visual (Knaflic, 2015; Few, 2013).

Para el análisis temporal, se utilizaron gráficos de línea, mientras que para comparaciones entre grupos, como categorías de escolaridad, género y unidades federativas, se optó por gráficos de barras. Se incorporaron elementos interactivos, como filtros y segmentaciones de datos, permitiendo al usuario explorar diferentes recortes analíticos de forma dinámica, como año, grupo de edad, escolaridad, género y ubicación.

La estandarización visual fue un aspecto central, con la definición de patrones consistentes de colores, escalas y leyendas para facilitar la interpretación de los indicadores y reducir ambigüedades (Cairo, 2016). Se asociaron colores específicos a tipos de indicadores, con tonalidades de crecimiento y estabilidad para aspectos positivos, y colores de alerta para indicadores críticos, como desocupación y subutilización.

En la quinta etapa, de desarrollo del panel, con la base de datos estructurada y los elementos visuales definidos, se desarrolló el “dashboard” interactivo en MS Power BI®. Las medidas creadas en DAX se integraron a la interfaz, permitiendo la exploración dinámica de los datos por medio de filtros y segmentación. El panel se estructuró en pestañas temáticas, organizadas de acuerdo con los ejes analíticos definidos en la etapa de levantamiento de requisitos.

Las pestañas temáticas contemplaron la dinámica del mercado laboral, el perfil educativo de la población ocupada, la cualificación técnica y el rendimiento del trabajo. Esta organización permitió al usuario navegar entre diferentes perspectivas analíticas, manteniendo coherencia visual y lógica en la exploración de los datos, proporcionando una visión integrada e interactiva de las principales dinámicas del mercado laboral brasileño.

La sexta y última etapa implicó las pruebas y la implementación del panel, con el objetivo de validar la consistencia de los datos, la confiabilidad de los indicadores y la usabilidad de la solución. Se realizaron pruebas de validación de los cálculos implementados en DAX, comparando los resultados del panel con los valores de la base de datos. También se probaron la consistencia de los filtros interactivos, evaluando el comportamiento de las segmentaciones por género, escolaridad, rango de edad, ubicación y período.

La usabilidad del panel se evaluó cualitativamente, considerando la claridad de la información, la organización visual, la legibilidad de los gráficos y la facilidad de navegación. Después de las pruebas, se realizaron ajustes puntuales relacionados con el formato de los indicadores, la organización de los elementos visuales y el refinamiento de las interacciones. El panel se consolidó como una aplicación funcional para el análisis de datos socioeconómicos, adecuada para fines exploratorios y educativos.

3. Resultados y Discusión

A partir de las etapas metodológicas previamente definidas, se presentan, analizan e interpretan los resultados obtenidos, respetando la secuencia lógica del desarrollo del proyecto y fundamentados en buenas prácticas de modelado de datos y visualización de la información. Inicialmente, se realizó el levantamiento de requisitos para estructurar un panel analítico enfocado en la comprensión de las dinámicas del mercado laboral brasileño, utilizando datos simulados inspirados en la Encuesta Nacional por Muestra de Domicilios Continua (PNAD Continua). Este proceso permitió la definición de los ejes de análisis y de los filtros interactivos que guiarían la exploración de los datos.

Se definieron como ejes principales de análisis la dinámica del mercado laboral, el perfil educacional de la población ocupada, la cualificación técnica y el rendimiento del trabajo formal. Adicionalmente, se establecieron filtros analíticos por género, escolaridad, año, ubicación y rango de edad, que estructuran la interactividad del panel. La etapa de recolección consistió en la construcción de una base de datos sintética, fundamentada en parámetros y referencias de la PNAD Continua, abarcando el período de 2022 a 2024. Esta base resultó en un conjunto de datos estructurados, que contienen variables socioeconómicas relevantes como ocupación, desocupación, renta y características demográficas.

Esta base de datos simulada permitió la exploración de diferentes escenarios del mercado laboral, preservando patrones estructurales observados en datos reales, como desigualdades regionales y variaciones en los niveles de ingresos y ocupación. Aunque la utilización de datos ficticios limita la inferencia directa sobre la realidad empírica, este enfoque resultó adecuado al objetivo del estudio, permitiendo el desarrollo y la aplicación de técnicas analíticas y de visualización en un entorno controlado. La construcción de dashboards, como destacado por Few (2013), debe centrarse en el usuario y en objetivos analíticos claros para evitar la sobrecarga informacional y favorecer la toma de decisiones.

En la etapa de tratamiento de los datos, los procedimientos aplicados buscaron asegurar la consistencia, estandarización y confiabilidad analítica de la información. Esto incluyó la verificación de los tipos de datos, la estandarización de variables como fechas y valores monetarios, y validaciones por muestreo para garantizar la coherencia de los registros. No se identificaron ocurrencias relevantes de duplicidades o valores ausentes que demandaran tratamientos más complejos, lo cual se atribuye a la naturaleza sintética de la base de datos.

Adicionalmente, se realizaron adecuaciones estructurales para preparar los datos para el entorno analítico, garantizando su compatibilidad con las etapas subsecuentes de modelado y análisis. Estas acciones fueron cruciales para asegurar la integridad de los datos y la confiabilidad de los indicadores construidos. De acuerdo con Redman (2001), la calidad de los datos es un factor determinante para la generación de información confiable, y el proceso de tratamiento es esencial para reducir inconsistencias y mejorar la precisión de los análisis.

La etapa de tratamiento, aunque eficiente para garantizar la calidad mínima necesaria de los datos, presentó baja complejidad en las intervenciones. Esto se debe a la utilización de una base sintética, que reduce la representatividad de esta fase cuando se compara con contextos reales, donde problemas como datos ausentes, inconsistencias estructurales y ruidos informacionales son más frecuentes y exigen mayor esfuerzo técnico. Sin embargo, el proceso adoptado fue suficiente para asegurar la confiabilidad de los datos utilizados en las etapas subsecuentes del estudio.

Con los datos debidamente preparados, se inició la etapa de modelado y análisis, con el objetivo de estructurar el entorno analítico y posibilitar la construcción de indicadores representativos de las dinámicas del mercado laboral brasileño. El modelado se realizó con base en el paradigma dimensional, organizando la información en una tabla de hechos central, denominada `base_dashboard_pnad`, y múltiples tablas de dimensión. Las tablas de dimensión incluyeron género, raza, escolaridad, grupo de edad, unidad federativa e ingresos, permitiendo la segmentación y el análisis desde diferentes perspectivas.

Las relaciones entre las tablas se definieron en el formato uno a muchos (1:N), lo que aseguró la correcta propagación de filtros en el entorno de MS Power BI® y garantizó la consistencia de los análisis. Este tipo de modelado favorece tanto el rendimiento de las consultas como la comprensión de los datos por parte de los usuarios finales, tal como lo destacaron Kimball y Ross (2013). A partir de esta estructura, se desarrollaron medidas utilizando el lenguaje Data Analysis Expressions (DAX), posibilitando la creación de indicadores analíticos y métricas derivadas.

Entre los principales indicadores construidos con DAX, se destacan la tasa de desocupación, tasa de ocupación, nivel de participación, ingreso promedio, además de indicadores relacionados con la subutilización de la fuerza de trabajo, como el desaliento y la subocupación. Las medidas DAX permitieron la realización de análisis dinámicos y comparativos, incluyendo variaciones temporales, agregaciones por diferentes niveles de granularidad y cruces entre variables socioeconómicas, ampliando la capacidad exploratoria del panel y permitiendo análisis interactivos y personalizados.

En el marco del análisis exploratorio, se observó que los indicadores presentaron variaciones a lo largo del período analizado (2022-2024), evidenciando diferencias entre grupos poblacionales. Se identificaron variaciones en los niveles de ocupación y rendimiento al considerar recortes como escolaridad, rango de edad y ubicación geográfica, reflejando desigualdades estructurales en el mercado laboral. El análisis temporal de los indicadores permitió identificar comportamientos de oscilación a lo largo de los períodos, sugiriendo la influencia de factores económicos y sociales sobre la dinámica del empleo y la renta, conforme a la importancia del análisis de series temporales para identificar patrones y tendencias (Chatfield, 2004).

El modelado dimensional junto con el uso de Data Analysis Expressions (DAX) demostró ser eficaz para estructurar el entorno analítico y posibilitar la construcción de indicadores relevantes. El enfoque adoptado permitió flexibilidad en la exploración de los datos, favoreciendo análisis multidimensionales y comparativos. Sin embargo, al tratarse de una base sintética, los resultados obtenidos deben interpretarse como simulaciones de comportamiento, no reflejando directamente la realidad empírica. Aun así, la estructura construida demuestra adherencia a las buenas prácticas de modelado y análisis de datos, siendo plenamente aplicable a escenarios reales con datos oficiales.

En la etapa de definición y modelado de los aspectos de visualización, se buscó representar los datos de forma clara, accesible y pedagógicamente adecuada, guiada por principios de percepción visual y buenas prácticas de “data storytelling”. Para el análisis temporal, se utilizaron gráficos de líneas, capaces de evidenciar tendencias y variaciones. Para comparaciones entre grupos, como categorías de escolaridad, género y unidades federativas, se optó por gráficos de barras, que facilitan la lectura y la ordenación de los valores.

Se incorporaron elementos de interactividad, como filtros y segmentaciones de datos, permitiendo al usuario explorar diferentes recortes analíticos, como año, rango de edad, escolaridad, género y ubicación, de forma dinámica. Este enfoque amplió la capacidad de análisis del panel, posibilitando la construcción de diferentes perspectivas a partir de un mismo conjunto de datos. La estandarización visual fue un aspecto central, con definición de patrones consistentes de colores, escalas y leyendas, para facilitar la interpretación de los indicadores y reducir ambigüedades.

Según Knaflic (2015), la elección adecuada de elementos visuales es esencial para la comunicación eficaz de los datos, priorizando la claridad y la eliminación de elementos innecesarios. Complementariamente, Few (2013) destaca que los dashboards eficientes deben diseñarse con enfoque en el usuario, presentando información de forma organizada y sin sobrecarga cognitiva. La definición de los aspectos de visualización resultó adecuada para cumplir los objetivos del estudio, contribuyendo a la construcción de un panel claro, interactivo y de fácil interpretación. Sin embargo, la eficacia de las visualizaciones depende directamente del perfil del usuario y de su nivel de familiaridad con herramientas analíticas, lo que puede influir en la interpretación de los datos. Aun así, las elecciones adoptadas siguen buenas prácticas consolidadas en la literatura, favoreciendo la comunicación de los resultados de forma accesible y estructurada.

En la etapa de desarrollo del panel, con la base de datos estructurada, los indicadores definidos y los aspectos de visualización modelados, se desarrolló un panel interactivo en MS Power BI®, con el objetivo de presentar de forma integrada las principales dinámicas del mercado laboral brasileño. El dashboard se estructuró en una visión segmentada por pestañas temáticas, organizadas de acuerdo con los ejes analíticos definidos en la etapa de levantamiento de requisitos, contemplando la dinámica del mercado laboral, el perfil educacional, la cualificación técnica y el rendimiento del trabajo.

Esta organización permitió al usuario navegar entre diferentes perspectivas analíticas, manteniendo coherencia visual y lógica en la exploración de los datos. Además de la estructura en pestañas, el panel fue diseñado para ser altamente interactivo, incorporando filtros y segmentaciones que permiten el análisis por variables como año, género, rango de edad, escolaridad y ubicación geográfica. Esta interactividad posibilitó tanto una visión general de los indicadores como análisis más específicos, de acuerdo con el interés del usuario.

La primera sección del panel, centrada en la dinámica del mercado laboral, presentó indicadores como la población en edad de trabajar, la tasa de participación, la tasa de ocupación, el desempleo, el desaliento y la subutilización de la fuerza de trabajo. La evolución de la población en edad de trabajar reveló variaciones regionales y temporales a lo largo del período de 2022 a 2024. La tasa de desempleo general y la tasa de participación también mostraron oscilaciones y diferencias significativas entre grupos demográficos, como grupos de edad y razas, evidenciando la complejidad del mercado laboral.

La distribución de la fuerza laboral por género y unidad federativa indicó disparidades regionales y de género en la inserción en el mercado. La evolución de los desocupados, del desaliento y de la subocupación de la fuerza laboral a lo largo de los trimestres de 2022 a 2024 demostró fluctuaciones, con picos y valles que sugieren la influencia de factores estacionales o económicos. El análisis de estos indicadores permitió observar variaciones a lo largo del período, sugiriendo cambios en la dinámica del mercado laboral, y reforzando la importancia de análisis segmentados para comprender las oscilaciones en los niveles de participación y ocupación, así como las diferencias entre grupos poblacionales.

La segunda sección del panel, dedicada al perfil educativo de la población ocupada, permitió observar la distribución de los individuos según niveles de escolaridad. Los resultados indicaron que los niveles de escolaridad influyen directamente en la inserción en el mercado laboral, reflejando desigualdades estructurales en el acceso a oportunidades. La distribución de la población ocupada por escolaridad y actividad económica, así como el diferencial de rendimiento entre mujeres y hombres por escolaridad y tipo de empleo, y entre blancos y negros, evidenciaron la persistencia de brechas significativas.

La tercera sección abordó aspectos relacionados con la cualificación técnica de la población, permitiendo analizar la relación entre formación e inserción en el mercado laboral. Las visualizaciones de esta sección buscaron evidenciar cómo diferentes niveles de cualificación impactan indicadores como ocupación y rendimiento, a través de gráficos comparativos. El análisis sugiere que mayores niveles de cualificación están asociados a mejores condiciones de inserción en el mercado, aunque esta relación no es uniforme entre todos los grupos, indicando la influencia de otros factores estructurales.

La última sección del panel presentó indicadores relacionados con el rendimiento del trabajo, con un enfoque en el análisis de la distribución del ingreso entre diferentes grupos poblacionales. Se utilizaron gráficos de barras y comparaciones segmentadas para evidenciar diferencias de rendimiento por escolaridad, género y ubicación. Los resultados evidenciaron disparidades significativas en los niveles de ingreso, reforzando la existencia de desigualdades estructurales en el mercado laboral, especialmente cuando se consideran factores como la escolaridad y el género. La evolución del rendimiento real del trabajo formal y su variación por grupos revelaron la persistencia de estas desigualdades.

A partir del análisis integrado de las diferentes secciones del panel, fue posible destacar la existencia de variaciones temporales en los indicadores del mercado laboral a lo largo del período analizado, así como diferencias relevantes en los niveles de ocupación y participación entre grupos poblacionales. La influencia directa de la escolaridad en la inserción y permanencia en el mercado laboral y la asociación entre cualificación técnica y mejores condiciones de ocupación fueron evidentes. Además, la presencia de desigualdades estructurales en los niveles de rendimiento, especialmente entre diferentes niveles educativos y grupos sociales, fue un hallazgo consistente.

El desarrollo del panel en MS Power BI® permitió consolidar, en un único entorno, diferentes dimensiones del mercado laboral, proporcionando una visión integrada e interactiva de los datos. La estructura en pestañas temáticas contribuyó a la organización de la información, facilitando la navegación y la interpretación de los resultados. La interactividad del panel, posibilitada por filtros y segmentaciones, amplió la capacidad analítica de la herramienta, permitiendo la exploración de diferentes escenarios a partir de un mismo conjunto de datos.

Sin embargo, al tratarse de una base de datos sintética, los resultados deben interpretarse con cautela, siendo más adecuados para fines analíticos y educativos que para inferencias directas sobre la realidad. Además, la ausencia de variables externas limita la comprensión de factores macroeconómicos que influyen en el mercado laboral. Aun así, el panel desarrollado demuestra el potencial de las herramientas de business intelligence en el análisis de datos socioeconómicos, evidenciando su aplicabilidad en contextos reales.

Un aspecto relevante en el desarrollo del panel fue la estandarización de la paleta de colores y la consistencia visual de los indicadores. Se buscó establecer un patrón cromático que permitiera al usuario identificar rápidamente la naturaleza de cada métrica, reduciendo ambigüedades y facilitando la interpretación de la información. Se asociaron colores específicos a tipos de indicadores: tonalidades de crecimiento y estabilidad para aspectos positivos (ocupación, rendimiento), y colores de alerta para indicadores críticos (desocupación, subutilización).

Esta estandarización contribuyó a la creación de un lenguaje visual intuitivo, permitiendo que el usuario reconozca patrones y relaciones de forma más rápida. La consistencia en la aplicación de colores en categorías similares a lo largo de diferentes visualizaciones evitó la reinterpretación de leyendas y redujo la carga cognitiva durante el análisis, lo que es crucial en paneles interactivos. De acuerdo con Cairo (2016), el uso consistente de elementos visuales es fundamental para la construcción de representaciones gráficas eficaces, contribuyendo a la organización de la información y a la comprensión rápida de los datos.

La definición de una paleta de colores consistente ha demostrado ser eficaz para mejorar la legibilidad y la interpretación de los indicadores. Sin embargo, la percepción del color puede variar entre los usuarios, especialmente en casos de daltonismo o diferentes contextos de visualización, lo que puede afectar parcialmente la eficacia de la comunicación visual. Aun así, la estrategia adoptada sigue las buenas prácticas de diseño de la información, contribuyendo a una experiencia analítica más intuitiva y estructurada.

Tras el desarrollo del panel, se realizaron pruebas con el objetivo de validar la consistencia de los datos, la fiabilidad de los indicadores y la usabilidad de la solución. Estas pruebas fueron fundamentales para asegurar que el dashboard cumpliera con los objetivos analíticos definidos y proporcionara una experiencia adecuada al usuario final. Inicialmente, se llevaron a cabo pruebas de validación de los cálculos implementados en Data Analysis Expressions (DAX), comparando los resultados presentados en el panel con los valores obtenidos directamente en la base de datos, verificando la correcta aplicación de las medidas y la precisión de los indicadores.

A continuación, se realizaron pruebas de consistencia de los filtros interactivos, evaluando el comportamiento de las segmentaciones por género, nivel educativo, rango de edad, ubicación y período. Estas pruebas aseguraron que las interacciones del usuario resultaran en actualizaciones coherentes y alineadas con la lógica del modelo de datos, sin distorsiones o inconsistencias en las visualizaciones. Adicionalmente, la usabilidad del panel se evaluó de forma cualitativa, considerando aspectos como la claridad de la información, la organización visual, la legibilidad de los gráficos y la facilidad de navegación entre las diferentes pestañas, buscando garantizar que el panel fuera intuitivo para usuarios con diferentes niveles de familiaridad con herramientas analíticas.

Tras la realización de las pruebas, se efectuaron ajustes puntuales relacionados con el formato de indicadores, la organización de los elementos visuales y el refinamiento de las interacciones, contribuyendo a la mejora de la experiencia del usuario y a la robustez de la solución. La etapa de pruebas demostró ser esencial para garantizar la fiabilidad y la calidad de la solución desarrollada, evidenciando la importancia de la validación en proyectos de análisis de datos. Sin embargo, al tratarse de una aplicación basada en datos sintéticos y sin implementación en un entorno productivo, no fue posible evaluar aspectos como el rendimiento a gran escala, el uso simultáneo por múltiples usuarios o la integración con fuentes externas en tiempo real. Aun así, la solución demuestra potencial de aplicabilidad práctica, especialmente en contextos educativos y de simulación analítica.

Un análisis comparativo entre el escenario anterior y posterior a la implementación de la solución en business intelligence reveló una evolución significativa. Antes de la aplicación, la productividad analítica se caracterizaba por procesos manuales y lentos, con el uso de hojas de cálculo aisladas para la consolidación de datos. Después de la aplicación, las visualizaciones se volvieron automatizadas y actualizadas en tiempo real a través del dashboard, resultando en una reducción expresiva en el tiempo necesario para el análisis.

El tiempo de respuesta para la elaboración de informes y la atención de demandas analíticas, que antes era demorado, se ha transformado en respuestas rápidas obtenidas a través de filtros interactivos y paneles dinámicos, aumentando la agilidad en la toma de decisiones. El ahorro de recursos, que antes exigía un elevado esfuerzo operativo y presentaba mayor riesgo de retrabajo, pasó a contar con procesos automatizados y menor dependencia de intervención manual, optimizando el uso de recursos humanos y tecnológicos.

La calidad de la información, que inicialmente era descentralizada, inconsistente y sin estandarización, evolucionó hacia una base estructurada, consistente y actualizada automáticamente, aumentando la confiabilidad y precisión de los análisis. La visión estratégica, antes enfocada en el nivel operativo y con dificultad en la identificación de patrones, se volvió integrada y multidimensional, permitiendo análisis más amplios y fortaleciendo el soporte a la planificación estratégica. Finalmente, el monitoreo de indicadores, que era manual y con baja frecuencia de actualización, pasó a ser automatizado y actualizado conforme los datos son procesados, mejorando la gobernanza y el seguimiento continuo de los indicadores.

En resumen, el dashboard desarrollado exploró indicadores del mercado laboral brasileño a partir de una base de datos simulada, reproduciendo comportamientos coherentes con la literatura y bases reales. La herramienta permitió la identificación de patrones, tendencias y desigualdades, evidenciando variaciones en los niveles de ocupación y rendimiento entre grupos poblacionales, además de disparidades estructurales influenciadas por escolaridad y género. La aplicación demostró potencial como herramienta de apoyo al análisis y a la toma de decisiones para fines académicos y de aprendizaje en Data Science / Ciencia de datos, a pesar de las limitaciones inherentes al uso de datos sintéticos para inferencias directas sobre la realidad empírica.

4. Conclusión

El estudio tuvo como objetivo desarrollar un dashboard que explorara indicadores del mercado laboral brasileño, a partir de una base de datos simulada, permitiendo la identificación de patrones y tendencias y contribuyendo al desarrollo de análisis orientados al apoyo a la toma de decisiones y a la formulación de estrategias de inclusión social. Se verificó que la construcción de un panel interactivo en MS Power BI®, utilizando una base de datos ficticia inspirada en la Encuesta Nacional por Muestra de Domicilios Continua para el período de 2022 a 2024, posibilitó el análisis de indicadores clave como tasas de ocupación y desocupación, renta media y distribuciones demográficas. Los resultados simulados reprodujeron comportamientos coherentes con la literatura y bases reales, evidenciando variaciones en los niveles de ocupación y rendimiento entre grupos poblacionales y disparidades estructurales influenciadas por escolaridad y género. El modelado dimensional y el uso de Data Analysis Expressions (DAX) demostraron ser eficaces en la estructuración del entorno analítico, y la estandarización visual contribuyó a la claridad e interpretación de los datos. La principal contribución reside en el potencial de la aplicación como herramienta de apoyo al análisis y al aprendizaje en Data Science / Ciencia de datos, ofreciendo una visión integrada e interactiva de las dinámicas del mercado laboral.

Como principal limitación, cabe destacar que el uso de una base de datos sintética restringe las inferencias directas sobre la realidad empírica. Además, la ausencia de variables externas limitó la comprensión de factores macroeconómicos que influyen en el mercado laboral, y la no implementación en un entorno productivo impidió la evaluación de aspectos como la escalabilidad y el uso multiusuario en tiempo real. Para futuros estudios, se sugiere el uso de bases de datos reales y la integración con fuentes externas de datos, como indicadores macroeconómicos e información sobre políticas públicas, para ampliar la capacidad analítica del panel. Se recomienda también la inclusión de nuevos indicadores y la realización de pruebas de usabilidad con usuarios finales para una evaluación más profunda del impacto de la herramienta en la toma de decisiones.

Referencias Bibliográficas

Becker, L. T.; Gould, E.M. 2019. Microsoft Power BI: Extending Excel to Manipulate, Analyze, and Visualize Diverse Data, Serials Review 45(3): 184-188.

CAIRO, Alberto. The truthful art: data, charts, and maps for communication. Berkeley: New Riders, 2016.

Chatfield, C.. 2004. The Analysis of Time Series: An Introduction. 6th Edition, Chapman and Hall, London.

Concannon D.; Herbst K.; Manley E. 2019. Developing a Data Dashboard Framework for Population Health Surveillance: Widening Access to Clinical Trial Findings. JMIR Form Res. 3(2): 1-13.

DAVENPORT, Thomas H.; PATIL, D. J. 2012. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, Boston, out. 2012. Link disponível em: https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century. Acesso em: 28 out. 2025.

FEW, Stephen. 2013. Information Dashboard Design: Displaying Data for At-a-Glance Monitoring. 2. ed. Burlingame, CA: Analytics Press.

GRIN, Eduardo José; PIMENTEL DOS SANTOS, Fernando Burgos; FERNANDES, Gustavo Andrey de Almeida Lopes; BRESCIANI, Luís Paulo. 2021. O mapa regional das múltiplas desigualdades e do desenvolvimento humano no Brasil. São Paulo: Fundação Getulio Vargas. Link Disponível em: https://eaesp.fgv.br/sites/eaesp.fgv.br/files/pesquisa-eaesp-files/arquivos/b1_-_d521976c-0e1d-2ab6-d285-cacde252c490.pdf?utm_source=chatgpt.com. Acesso em: 23 set. 2025.

Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3ed. John Wiley & Sons, Indianapolis, IN, EUA. Link disponível em: https://ia801609.us.archive.org/14/items/the-data-warehouse-toolkit-kimball/The%20Data%20Warehouse%20Toolkit%20-%20Kimball.pdf. Acesso em: 23 set. 2025.

Knaflic, Cole Nussbaumer. 2015. Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley, 2015.

MICROSOFT 2025. Power BI documentation. Disponível em: https://learn.microsoft.com/power-bi/. Acesso em: 28 out. 2025.

NOGUEIRA, Oracy; SOUZA, Jessé. 2017. A elite do atraso: da escravidão à Lava Jato. Rio de Janeiro: Leya.

Redman, T.C. 2001. Data Quality: The Field Guide. Digital Press, Burlington, MA, EUA. Link disponível em: https://books.google.com.br/books?hl=pt-BR&lr=&id=iE2qsxDyEEYC&oi=fnd&pg=PR11&dq=Redman,+T.+2001.+Data+Quality:+The+Field+Guide&ots=6mnT-dJYPG&sig=qZWOzruirk06PVKpp_IXCfTgFio#v=onepage&q=Redman%2C%20T.%202001.%20Data%20Quality%3A%20The%20Field%20Guide&f=false. Acesso em: 23 set. 2025.

SCHWARCZ, Lilia Moritz; STARLING, Heloisa Murgel. 2015. Brasil: uma biografia. São Paulo: Companhia das Letras.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy