11  Visualización de Datos con data.table

En este capítulo dominarás

• Integración perfecta con ggplot2 para gráficos estáticos
• Gráficos interactivos con plotly y DT
• Workflows optimizados data.table → visualización
• Dashboards dinámicos con tablas interactivas
• Técnicas avanzadas de presentación de datos

11.1 Integración con ggplot2: Gráficos Estáticos Profesionales

11.1.1 1. El Workflow Fundamental: data.table → ggplot2

La filosofía es clara: hacer toda la manipulación pesada de datos con data.table y pasar el resultado final limpio a ggplot2.

# PASO 1: Preparación con data.table (rápido y eficiente)
ventas_mensuales <- ventas_detalladas[,
  .(
    revenue_total = sum(revenue),
    unidades_vendidas = sum(cantidad),
    ticket_promedio = round(mean(revenue), 2),
    num_transacciones = .N,
    satisfaccion_media = round(mean(satisfaccion_cliente), 2)
  ),
  by = .(año, mes)
][, `:=`(
  fecha_mes = as.Date(paste(año, mes, "01", sep = "-")),
  crecimiento = (revenue_total / data.table::shift(revenue_total, 1) - 1) * 100
)]

# PASO 2: Visualización con ggplot2 (hermoso y profesional)
p1 <- ggplot(ventas_mensuales, aes(x = fecha_mes, y = revenue_total)) +
  geom_line(color = "#2E8B57", size = 1.3, alpha = 0.8) +
  geom_point(color = "#2E8B57", size = 3, alpha = 0.9) +
  geom_smooth(method = "loess", se = TRUE, color = "#FF6B35", alpha = 0.3) +
  scale_y_continuous(
    labels = dollar_format(prefix = "$", suffix = "K", scale = 1e-3),
    expand = expansion(mult = c(0.02, 0.1))
  ) +
  scale_x_date(
    date_labels = "%b %Y", 
    date_breaks = "3 months",
    expand = expansion(mult = c(0.02, 0.02))
  ) +
  labs(
    title = "Evolución del Revenue Mensual",
    subtitle = "Tendencia de ventas con línea de regresión suavizada",
    x = NULL,
    y = "Revenue Total",
    caption = "Datos procesados con data.table | Visualización: ggplot2"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(color = "#2E8B57", size = 16, face = "bold", hjust = 0),
    plot.subtitle = element_text(color = "gray40", size = 12, hjust = 0),
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid.minor = element_blank(),
    plot.caption = element_text(color = "gray50", size = 9)
  )

print(p1)

11.1.2 2. Gráficos Multidimensionales Avanzados

# Análisis complejo con múltiples dimensiones
analisis_completo <- ventas_detalladas[,
  .(
    revenue_total = sum(revenue),
    margen_promedio = round(mean(1 - descuento), 3),
    satisfaccion_media = round(mean(satisfaccion_cliente), 2),
    variacion_precios = sd(precio_final) / mean(precio_final),
    dias_activos = uniqueN(fecha)
  ),
  by = .(region, producto, año)
][, `:=`(
  revenue_per_dia = revenue_total / dias_activos,
  categoria_revenue = cut(revenue_total, 
                         breaks = quantile(revenue_total, c(0, 0.33, 0.66, 1)),
                         labels = c("Bajo", "Medio", "Alto"),
                         include.lowest = TRUE)
)]

# Gráfico de burbujas multivariable
p2 <- ggplot(analisis_completo, 
             aes(x = margen_promedio, y = satisfaccion_media)) +
  geom_point(aes(size = revenue_total, color = region, shape = factor(año)), 
             alpha = 0.7, stroke = 1) +
  geom_text(aes(label = producto), 
            vjust = -1.2, hjust = 0.5, size = 2.5, color = "gray30") +
  scale_size_continuous(
    name = "Revenue Total", 
    labels = dollar_format(prefix = "$", suffix = "K", scale = 1e-3),
    range = c(3, 15),
    guide = guide_legend(override.aes = list(alpha = 1))
  ) +
  scale_color_brewer(
    name = "Región", 
    type = "qual", 
    palette = "Set2"
  ) +
  scale_shape_manual(
    name = "Año",
    values = c(16, 17),
    guide = guide_legend(override.aes = list(size = 5))
  ) +
  scale_x_continuous(
    labels = percent_format(),
    expand = expansion(mult = c(0.05, 0.05))
  ) +
  labs(
    title = "Análisis Multidimensional: Performance por Región y Producto",
    subtitle = "Margen vs Satisfacción vs Revenue | Tamaño = Revenue, Color = Región, Forma = Año",
    x = "Margen Promedio",
    y = "Satisfacción Media del Cliente",
    caption = "Cada punto representa una combinación región-producto-año"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(color = "#2E8B57", size = 15, face = "bold"),
    plot.subtitle = element_text(color = "gray40", size = 11),
    legend.position = "bottom",
    legend.box = "horizontal",
    panel.grid.minor = element_blank()
  ) +
  guides(
    color = guide_legend(title.position = "top", title.hjust = 0.5),
    size = guide_legend(title.position = "top", title.hjust = 0.5),
    shape = guide_legend(title.position = "top", title.hjust = 0.5)
  )

print(p2)

11.1.3 3. Series Temporales con Múltiples Métricas

# Preparar datos para series temporales múltiples
series_temporales <- datos_temporales[,
  .(
    cpu_promedio = round(mean(cpu_usage), 1),
    memory_promedio = round(mean(memory_usage), 1),
    response_time_p95 = round(quantile(response_time, 0.95), 0),
    error_total = sum(error_count),
    load_promedio = round(mean(load_score), 1)
  ),
  by = .(fecha, hora)
][, timestamp := as.POSIXct(paste(fecha, sprintf("%02d:00:00", hora)))]

# Transformar a formato largo para ggplot
series_largo <- melt(series_temporales, 
                    id.vars = c("timestamp", "fecha", "hora"),
                    measure.vars = c("cpu_promedio", "memory_promedio", "load_promedio"),
                    variable.name = "metrica",
                    value.name = "valor")

# Mapear nombres más descriptivos
series_largo[, metrica_clean := fcase(
  metrica == "cpu_promedio", "CPU Usage (%)",
  metrica == "memory_promedio", "Memory Usage (%)",
  metrica == "load_promedio", "Load Score",
  default = as.character(metrica)
)]

# Gráfico de series temporales múltiples
p3 <- ggplot(series_largo[fecha >= as.Date("2024-01-01") & fecha <= as.Date("2024-01-07")], 
             aes(x = timestamp, y = valor, color = metrica_clean)) +
  geom_line(size = 0.8, alpha = 0.8) +
  geom_smooth(method = "loess", se = FALSE, size = 1.2, alpha = 0.9) +
  scale_color_viridis_d(name = "Métrica", option = "plasma", end = 0.8) +
  scale_x_datetime(
    date_labels = "%d %b\n%H:%M",
    date_breaks = "12 hours"
  ) +
  scale_y_continuous(
    expand = expansion(mult = c(0.02, 0.1))
  ) +
  labs(
    title = "Monitoreo de Sistema - Primera Semana de Enero 2024",
    subtitle = "Tendencias de CPU, Memoria y Load Score con líneas de regresión suavizada",
    x = "Timestamp",
    y = "Valor",
    caption = "Datos agregados por hora | Líneas suavizadas con método LOESS"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(color = "#2E8B57", size = 14, face = "bold"),
    plot.subtitle = element_text(color = "gray40", size = 11),
    axis.text.x = element_text(angle = 45, hjust = 1),
    legend.position = "bottom",
    panel.grid.minor.x = element_blank(),
    strip.text = element_text(size = 10, face = "bold")
  ) +
  facet_wrap(~ metrica_clean, scales = "free_y", ncol = 1)

print(p3)

11.1.4 4. Heatmaps y Visualizaciones de Correlación

# Preparar matriz de correlación usando data.table
correlacion_por_region <- ventas_detalladas[,
  .(
    precio_promedio = mean(precio_final),
    revenue_promedio = mean(revenue),
    satisfaccion_promedio = mean(satisfaccion_cliente),
    descuento_promedio = mean(descuento),
    cantidad_promedio = mean(cantidad)
  ),
  by = .(region, producto)
]

# Crear heatmap de performance por región-producto
heatmap_data <- correlacion_por_region[, .(
  region, producto,
  revenue_normalizado = scale(revenue_promedio)[,1],
  satisfaccion_normalizada = scale(satisfaccion_promedio)[,1],
  eficiencia = (scale(revenue_promedio)[,1] + scale(satisfaccion_promedio)[,1]) / 2
)]

p4 <- ggplot(heatmap_data, aes(x = region, y = producto, fill = eficiencia)) +
  geom_tile(color = "white", size = 0.3) +
  geom_text(aes(label = round(eficiencia, 2)), 
            color = ifelse(heatmap_data$eficiencia > 0, "white", "black"),
            size = 3.5, fontface = "bold") +
  scale_fill_gradient2(
    name = "Índice de\nEficiencia",
    low = "#d73027", mid = "#f7f7f7", high = "#1a9850",
    midpoint = 0,
    guide = guide_colorbar(title.position = "top", title.hjust = 0.5)
  ) +
  labs(
    title = "Mapa de Calor: Eficiencia por Región y Producto",
    subtitle = "Índice combinado de Revenue y Satisfacción del Cliente (valores estandarizados)",
    x = "Región",
    y = "Producto",
    caption = "Verde = Alta eficiencia, Rojo = Baja eficiencia"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(color = "#2E8B57", size = 14, face = "bold"),
    plot.subtitle = element_text(color = "gray40", size = 11),
    axis.text.x = element_text(angle = 45, hjust = 1),
    axis.text.y = element_text(size = 10),
    legend.position = "right",
    panel.grid = element_blank()
  )

print(p4)

11.2 Gráficos Interactivos con Plotly

11.2.1 1. Conversión de ggplot2 a Plotly

# Crear gráfico base con ggplot2
datos_interactivos <- ventas_detalladas[,
  .(
    revenue_diario = sum(revenue),
    unidades = sum(cantidad),
    transacciones = .N,
    satisfaccion_avg = round(mean(satisfaccion_cliente), 2),
    productos_unicos = uniqueN(producto)
  ),
  by = .(fecha, region)
]

# Gráfico base para conversión
grafico_base <- ggplot(datos_interactivos[fecha >= as.Date("2024-01-01") & fecha <= as.Date("2024-03-31")], 
                       aes(x = fecha, y = revenue_diario, color = region)) +
  geom_line(alpha = 0.8, size = 1) +
  geom_point(aes(size = transacciones, 
                text = paste("Fecha:", fecha,
                           "<br>Región:", region,
                           "<br>Revenue:", scales::dollar(revenue_diario),
                           "<br>Transacciones:", transacciones,
                           "<br>Satisfacción:", satisfaccion_avg)),
             alpha = 0.7) +
  scale_color_brewer(type = "qual", palette = "Set2") +
  scale_size_continuous(range = c(2, 8)) +
  labs(
    title = "Revenue Diario por Región (Interactivo)",
    x = "Fecha",
    y = "Revenue Diario",
    color = "Región",
    size = "Transacciones"
  ) +
  theme_minimal() %>% suppressWarnings()

# Convertir a plotly
if(requireNamespace("plotly", quietly = TRUE)) {
  grafico_interactivo <- plotly::ggplotly(grafico_base, tooltip = "text") %>%
    plotly::layout(
      title = list(text = "Revenue Diario por Región<br><sub>Hover para detalles | Click en leyenda para filtrar</sub>"),
      hovermode = "closest"
    )
  
  grafico_interactivo
} else {
  grafico_base
  cat("💡 Instala 'plotly' para ver la versión interactiva: install.packages('plotly')\n")
}

11.2.2 2. Gráficos 3D y Superficies

if(requireNamespace("plotly", quietly = TRUE)) {
  # Preparar datos para superficie 3D
  superficie_data <- ventas_detalladas[año == 2024,
    .(
      revenue_total = sum(revenue),
      satisfaccion_media = mean(satisfaccion_cliente),
      margen_promedio = mean(1 - descuento)
    ),
    by = .(mes, region)
  ]
  
  # Crear matriz para la superficie
  matriz_revenue <- dcast(superficie_data, mes ~ region, value.var = "revenue_total", fill = 0)
  matriz_vals <- as.matrix(matriz_revenue[, -1])
  
  # Gráfico 3D
  p3d <- plotly::plot_ly(
    z = matriz_vals,
    x = colnames(matriz_vals),
    y = matriz_revenue$mes,
    type = "surface",
    colorscale = "Viridis"
  ) %>%
    plotly::layout(
      title = "Superficie 3D: Revenue por Mes y Región",
      scene = list(
        xaxis = list(title = "Región"),
        yaxis = list(title = "Mes"),
        zaxis = list(title = "Revenue")
      )
    )
  
  p3d
} else {
  cat("💡 Instala 'plotly' para ver gráficos 3D interactivos\n")
}

11.3 Tablas Interactivas con DT

11.3.1 1. Dashboard de Datos con DT

# Preparar datos comprehensivos para tabla
tabla_comprehensiva <- ventas_detalladas[,
  .(
    Revenue_Total = round(sum(revenue), 2),
    Unidades_Vendidas = sum(cantidad),
    Num_Transacciones = .N,
    Ticket_Promedio = round(mean(revenue), 2),
    Satisfaccion_Media = round(mean(satisfaccion_cliente), 2),
    Descuento_Promedio = round(mean(descuento) * 100, 1),
    Precio_Promedio = round(mean(precio_final), 2),
    Revenue_por_Transaccion = round(sum(revenue) / .N, 2)
  ),
  by = .(Región = region, Producto = producto, Año = año)
][, `:=`(
  Ranking_Revenue = frank(-Revenue_Total),
  Eficiencia = round((Satisfaccion_Media * Revenue_Total) / 1000, 2)
)][order(-Revenue_Total)]

# Crear tabla interactiva avanzada
tabla_interactiva <- DT::datatable(
  tabla_comprehensiva,
  caption = "Dashboard Interactivo de Ventas - Análisis Completo",
  options = list(
    pageLength = 15,
    scrollX = TRUE,
    scrollY = "400px",
    dom = 'Bfrtip',
    buttons = list(
      list(extend = 'copy', text = 'Copiar'),
      list(extend = 'csv', text = 'Descargar CSV'),
      list(extend = 'excel', text = 'Descargar Excel'),
      list(extend = 'pdf', text = 'Descargar PDF')
    ),
    columnDefs = list(
      list(className = 'dt-center', targets = c(3, 4, 5, 6, 7, 8, 9, 10)),
      list(width = '100px', targets = c(0, 1, 2))
    ),
    initComplete = DT::JS(
      "function(settings, json) {",
      "$(this.api().table().header()).css({'background-color': '#2E8B57', 'color': '#fff'});",
      "}"
    )
  ),
  extensions = c('Buttons', 'Scroller'),
  rownames = FALSE,
  class = 'cell-border stripe hover'
) %>%
  DT::formatCurrency(c("Revenue_Total", "Ticket_Promedio", "Precio_Promedio", "Revenue_por_Transaccion"), 
                     currency = "$", digits = 2) %>%
  DT::formatRound(c("Satisfaccion_Media", "Eficiencia"), digits = 2) %>%
  DT::formatPercentage("Descuento_Promedio", digits = 1) %>%
  DT::formatStyle(
    "Eficiencia",
    background = DT::styleColorBar(range(tabla_comprehensiva$Eficiencia), "#4CAF50"),
    backgroundSize = "100% 90%",
    backgroundRepeat = "no-repeat",
    backgroundPosition = "center"
  ) %>%
  DT::formatStyle(
    "Satisfaccion_Media",
    backgroundColor = DT::styleInterval(
      cuts = c(3, 4),
      values = c("#ffebee", "#e8f5e8", "#c8e6c9")
    )
  ) %>%
  DT::formatStyle(
    "Ranking_Revenue",
    color = DT::styleInterval(
      cuts = c(5, 10),
      values = c("#d32f2f", "#ff9800", "#4caf50")
    ),
    fontWeight = "bold"
  )

tabla_interactiva

11.3.2 2. Tablas con Gráficos Embebidos (Sparklines)

# Preparar datos para sparklines (tendencias mensuales)
tendencias_mensuales <- ventas_detalladas[,
  .(revenue_mensual = sum(revenue)),
  by = .(region, producto, año, mes)
][order(region, producto, año, mes)]

# Crear sparklines para cada combinación región-producto
sparkline_data <- tendencias_mensuales[,
  .(
    Revenue_Total = sum(revenue_mensual),
    Meses_Activos = .N,
    Revenue_Promedio = round(mean(revenue_mensual), 2),
    Tendencia = list(revenue_mensual),
    Max_Mes = max(revenue_mensual),
    Min_Mes = min(revenue_mensual)
  ),
  by = .(Región = region, Producto = producto)
][order(-Revenue_Total)]

# Crear función para sparklines
crear_sparkline <- function(values) {
  paste0('<span class="sparkline">', paste(values, collapse = ','), '</span>')
}

# Aplicar sparklines
sparkline_data[, Tendencia_Visual := sapply(Tendencia, crear_sparkline)]

# Tabla con sparklines
tabla_sparklines <- DT::datatable(
  sparkline_data[, .(Región, Producto, Revenue_Total, Revenue_Promedio, 
                    Max_Mes, Min_Mes, Tendencia_Visual)],
  caption = "Análisis de Tendencias con Sparklines",
  options = list(
    pageLength = 10,
    scrollX = TRUE,
    columnDefs = list(
      list(className = 'dt-center', targets = c(2, 3, 4, 5, 6))
    ),
    fnDrawCallback = DT::JS(
      'function(){
        $(".sparkline").sparkline("html", {
          type: "line",
          width: "100px",
          height: "30px",
          lineColor: "#2E8B57",
          fillColor: "#e8f5e8",
          spotColor: "#FF6B35",
          minSpotColor: "#FF6B35",
          maxSpotColor: "#FF6B35"
        });
      }'
    )
  ),
  escape = FALSE,
  rownames = FALSE
) %>%
  DT::formatCurrency(c("Revenue_Total", "Revenue_Promedio", "Max_Mes", "Min_Mes"), 
                     currency = "$", digits = 0)

# Note: Para que las sparklines funcionen completamente, se necesita incluir la librería jQuery Sparklines
cat("💡 Para sparklines completas, incluye: <script src='https://cdn.jsdelivr.net/gh/garethflowers/jquery-sparkline/jquery.sparkline.min.js'></script>\n")

tabla_sparklines

11.4 Dashboards Integrados: Combinando Todo

11.4.1 1. Dashboard Ejecutivo Completo

# Preparar datos para dashboard ejecutivo
resumen_ejecutivo <- ventas_detalladas[,
  .(
    revenue_total = sum(revenue),
    unidades_total = sum(cantidad),
    transacciones_total = .N,
    satisfaccion_promedio = round(mean(satisfaccion_cliente), 2)
  )
]

kpis_por_region <- ventas_detalladas[,
  .(
    Revenue = sum(revenue),
    Unidades = sum(cantidad),
    Transacciones = .N,
    Satisfacción = round(mean(satisfaccion_cliente), 2),
    Ticket_Promedio = round(mean(revenue), 2)
  ),
  by = region
][order(-Revenue)]

tendencia_mensual <- ventas_detalladas[,
  .(revenue = sum(revenue)),
  by = .(año, mes)
][, fecha := as.Date(paste(año, mes, "01", sep = "-"))]

top_productos <- ventas_detalladas[,
  .(revenue = sum(revenue), satisfaccion = round(mean(satisfaccion_cliente), 2)),
  by = producto
][order(-revenue)]

# Layout del dashboard usando grid.arrange
library(gridExtra)

# Gráfico 1: KPIs por región
g1 <- ggplot(kpis_por_region, aes(x = reorder(region, Revenue), y = Revenue)) +
  geom_col(fill = "#2E8B57", alpha = 0.8) +
  geom_text(aes(label = scales::dollar(Revenue, scale = 1e-3, suffix = "K")), 
            hjust = -0.1, color = "#2E8B57", fontface = "bold") +
  coord_flip() +
  labs(title = "Revenue por Región", x = NULL, y = "Revenue") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", color = "#2E8B57"))

# Gráfico 2: Tendencia temporal
g2 <- ggplot(tendencia_mensual, aes(x = fecha, y = revenue)) +
  geom_line(color = "#2E8B57", size = 1.2) +
  geom_point(color = "#2E8B57", size = 2) +
  scale_y_continuous(labels = scales::dollar_format(scale = 1e-3, suffix = "K")) +
  labs(title = "Tendencia Mensual", x = NULL, y = "Revenue") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", color = "#2E8B57"))

# Gráfico 3: Top productos
g3 <- ggplot(top_productos, aes(x = reorder(producto, revenue), y = revenue)) +
  geom_col(fill = "#FF6B35", alpha = 0.8) +
  coord_flip() +
  labs(title = "Top Productos", x = NULL, y = "Revenue") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", color = "#FF6B35"))

# Gráfico 4: Satisfacción vs Revenue
g4 <- ggplot(top_productos, aes(x = satisfaccion, y = revenue)) +
  geom_point(size = 4, color = "#8E44AD", alpha = 0.7) +
  geom_text(aes(label = producto), vjust = -0.5, size = 3) +
  labs(title = "Satisfacción vs Revenue", x = "Satisfacción", y = "Revenue") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", color = "#8E44AD"))

# Combinar todos los gráficos
grid.arrange(
  g1, g2, g3, g4,
  ncol = 2, nrow = 2,
  top = grid::textGrob("DASHBOARD EJECUTIVO DE VENTAS", 
                      gp = grid::gpar(fontsize = 20, fontface = "bold", col = "#2E8B57"))
)

# Mostrar métricas clave
cat("\n📊 MÉTRICAS CLAVE DEL PERÍODO:\n")
#> 
#> 📊 MÉTRICAS CLAVE DEL PERÍODO:
cat("━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━\n")
#> ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
cat("💰 Revenue Total:", scales::dollar(resumen_ejecutivo$revenue_total), "\n")
#> 💰 Revenue Total: $907,171
cat("📦 Unidades Vendidas:", scales::comma(resumen_ejecutivo$unidades_total), "\n")
#> 📦 Unidades Vendidas: 1,534
cat("🛒 Total Transacciones:", scales::comma(resumen_ejecutivo$transacciones_total), "\n")
#> 🛒 Total Transacciones: 731
cat("⭐ Satisfacción Promedio:", resumen_ejecutivo$satisfaccion_promedio, "/5\n")
#> ⭐ Satisfacción Promedio: 3.7 /5
cat("🎯 Ticket Promedio:", scales::dollar(resumen_ejecutivo$revenue_total / resumen_ejecutivo$transacciones_total), "\n")
#> 🎯 Ticket Promedio: $1,241.00

11.4.2 2. Tabla de Métricas Interactiva Final

# Crear tabla final con todas las métricas
metricas_finales <- ventas_detalladas[,
  .(
    Revenue = round(sum(revenue), 2),
    Unidades = sum(cantidad),
    Transacciones = .N,
    Días_Activos = uniqueN(fecha),
    Satisfacción = round(mean(satisfaccion_cliente), 2),
    Descuento_Avg = round(mean(descuento) * 100, 1),
    Revenue_per_Día = round(sum(revenue) / uniqueN(fecha), 2)
  ),
  by = .(Región = region, Producto = producto, Año = año)
][, `:=`(
  Performance_Score = round((Revenue / 1000) * Satisfacción * (1 - Descuento_Avg/100), 2),
  Ranking = frank(-Revenue, ties.method = "min")
)][order(-Performance_Score)]

# Tabla final con formato avanzado
tabla_final <- DT::datatable(
  metricas_finales,
  caption = "MÉTRICAS INTEGRALES DE PERFORMANCE | Dashboard Interactivo Final",
  options = list(
    pageLength = 20,
    scrollX = TRUE,
    scrollY = "500px",
    dom = 'Bfrtip',
    buttons = list(
      list(extend = 'copy', text = '📋 Copiar'),
      list(extend = 'csv', text = '📊 CSV'),
      list(extend = 'excel', text = '📈 Excel'),
      list(extend = 'print', text = '🖨️ Imprimir')
    ),
    columnDefs = list(
      list(className = 'dt-center', targets = c(3:10)),
      list(orderSequence = c('desc', 'asc'), targets = c(3, 9, 10))
    ),
    initComplete = DT::JS(
      "function(settings, json) {",
      "$(this.api().table().header()).css({",
      "'background': 'linear-gradient(90deg, #2E8B57, #3CB371)',",
      "'color': '#fff',",
      "'text-align': 'center',",
      "'font-weight': 'bold'",
      "});",
      "}"
    )
  ),
  extensions = c('Buttons', 'Scroller'),
  rownames = FALSE,
  class = 'cell-border stripe hover compact'
) %>%
  DT::formatCurrency(c("Revenue", "Revenue_per_Día"), currency = "$", digits = 0) %>%
  DT::formatRound(c("Satisfacción", "Performance_Score"), digits = 2) %>%
  DT::formatPercentage("Descuento_Avg", digits = 1) %>%
  DT::formatStyle(
    "Performance_Score",
    background = DT::styleColorBar(range(metricas_finales$Performance_Score), "#2E8B57"),
    backgroundSize = "100% 90%",
    backgroundRepeat = "no-repeat",
    backgroundPosition = "center",
    color = "white",
    fontWeight = "bold"
  ) %>%
  DT::formatStyle(
    "Ranking",
    backgroundColor = DT::styleInterval(
      cuts = c(3, 7, 15),
      values = c("#FFD700", "#C0C0C0", "#CD7F32", "#f5f5f5")  # Oro, Plata, Bronce, Normal
    ),
    fontWeight = "bold",
    textAlign = "center"
  ) %>%
  DT::formatStyle(
    "Satisfacción",
    color = DT::styleInterval(
      cuts = c(3.5, 4.5),
      values = c("#e74c3c", "#f39c12", "#27ae60")
    ),
    fontWeight = "bold"
  )

tabla_final

11.5 Próximo Capítulo: Aplicaciones del Mundo Real

En el siguiente capítulo exploraremos: - Aplicaciones Shiny para dashboards dinámicos - Integración con tidymodels para machine learning - Conexión con bases de datos y herramientas Big Data - Casos de uso industriales reales

---

🎯 Puntos Clave de Este Capítulo

1. data.table + ggplot2 = Combinación perfecta para análisis visual profesional
2. Plotly añade interactividad sin sacrificar la estética de ggplot2
3. DT transforma tablas estáticas en dashboards interactivos potentes
4. El workflow óptimo: Procesar con data.table → Visualizar con ggplot2/plotly/DT
5. Sparklines y formato avanzado elevan las tablas a herramientas de análisis
6. Los dashboards integrados combinan múltiples visualizaciones para insights completos

Has dominado la visualización de datos con data.table. En el próximo capítulo veremos cómo construir aplicaciones completas del mundo real.