El sonido detrás de mis líneas de código
Explorando cómo la música influye en mi productividad
Nicolas Moccagatta
01 · Introducción
Este trabajo explora la relación entre hábitos de escucha musical y actividad de desarrollo de software a partir de datos personales extraídos de Spotify y GitHub.
La consigna propone contar una historia con datos personales, apoyada en visualizaciones con RAWGraphs, Flourish, Datawrapper y Tableau.
La premisa: Si ambos registros comparten la misma línea de tiempo, ¿Aparecen regularidades visibles al cruzarlos? El objetivo es explorar co-ocurrencia, no probar causalidad.
Alcance: Datos de un único usuario y un período acotado. Las observaciones son personales y exploratorias.
02 · Datos y metodología
El análisis parte de dos fuentes independientes que se integran a través de una clave temporal común: La fecha.
Fuente 1 · Spotify
Historial de reproducción exportado y agregado por día: Artista más escuchado, género predominante y minutos totales.
Fuente 2 · GitHub
Contribuciones diarias (commits, pull requests, etc.). Indicador aproximado de actividad de desarrollo.
Integración
Ambas series se alinean por fecha en un dataset unificado: cada fila es un día con sus variables de escucha y actividad.
Repositorio del proyecto: nicomoccagatta/infovis
Limitaciones: Las contribuciones en GitHub reflejan actividad registrada, no esfuerzo real. El tiempo de escucha no distingue entre escucha activa y música de fondo.
03 · RAWGraphs
Utilizamos un Bubble Chart para visualizar la relación entre artistas y/o géneros musicales escuchados y volumen de contribuciones.
04 · Flourish
Utilizamos un Scatter Plot para visualizar la relación entre géneros musicales y volumen de contribuciones.
05 · Datawrapper
Volvemos a utilizar un scatter plot, pero esta vez para visualizar la cantidad de días que se escucha cada artista o género musical a lo largo del año, en relación a la cantidad de contribuciones realizadas ese día para ese artista o género musical.
Cómo leer esta visualización
06 · Tableau
Utilizamos un Heat Map para visualizar la productividad día a día en relacion a la escucha.
Cómo leer esta visualización
07 · Hallazgos
Los patrones más relevantes identificados a lo largo de las cuatro visualizaciones.
Hallazgo 01
No se observa una tendencia clara de mayor productividad en relacion a un artista o género musical en particular.
Hallazgo 02
Parecería que el genero músical si puede estar asociado a una baja tendencia en la productividad de acuerdo al día de la semana.
Hallazgo 03
El artista Bad Bunny aparece como el que más se escucho en el año, pero no se observa una tendencia clara respecto a la productividad en relacion a su escucha en el año.
Hallazgo 04
Al analizar la productividad día a día en relacion al artista mas escuchado, se puede tener una visión sesgada de la productividad debido a que no se consideran los demás artistas escuchados en el día, sino solo al artista mas escuchado.
08 · Cierre
¿Qué podemos leer cuando cruzamos dos registros personales?
El objetivo fue hacer visibles patrones que, sin cruzar ambos registros, permanecerían ocultos. Trabajar con datos propios enriquece la lectura pero también la condiciona: Las observaciones son personales y acotadas a un período.
Lo que el análisis muestra en los gráficos es casi tan relevante como lo que no muestra. El dataset queda disponible para que otros puedan seguir explorando con nuevas preguntas, nuevas variables o nuevas herramientas.
