Excel es excelente para explorar y organizar información. R resulta decisivo cuando el análisis debe automatizarse, escalarse, documentarse y repetirse con los mismos criterios.

Excel forma parte del trabajo cotidiano de estudiantes, investigadores y equipos técnicos porque permite revisar tablas, realizar cálculos rápidos y construir gráficos sin programar. En muchas tareas, esa facilidad lo convierte en la opción correcta. El problema aparece cuando una base crece, el análisis debe repetirse cada mes o varias personas necesitan comprobar cómo se obtuvo un resultado. Entonces surgen archivos lentos, fórmulas difíciles de auditar y versiones con nombres como «final», «final_2» o «ahora_si_final». R no elimina la utilidad de Excel, pero amplía lo que puede hacerse con datos complejos y procesos recurrentes.

R es un lenguaje y entorno para análisis estadístico que permite convertir una secuencia de decisiones en código. Cada filtro, transformación, modelo y figura puede quedar registrado en un script. Esto hace posible actualizar un producto sin reconstruirlo manualmente y revisar con precisión qué cambió. En información pesquera, esa ventaja resulta especialmente valiosa cuando se integran años, estados, especies, embarcaciones, artes de pesca y sitios de desembarque. Las siguientes cinco tareas muestran dónde R lleva el análisis más lejos y cuándo conviene combinar ambas herramientas.

Figura 1. Comparación conceptual entre un flujo manual y un proceso reproducible mediante código.

1. Automatizar un flujo completo y auditable

En Excel es habitual copiar datos, arrastrar fórmulas, actualizar tablas dinámicas y modificar gráficos cada vez que llega un archivo nuevo. Excel también puede automatizar tareas mediante macros, VBA y Power Query, por lo que esta capacidad no es exclusiva de R. La ventaja de R aparece cuando la secuencia completa queda escrita en un script legible, revisable y reutilizable sobre archivos actualizados. Ese script puede importar, limpiar, unir, resumir, visualizar y exportar resultados en un mismo flujo. La automatización no significa prescindir de la revisión humana, sino reservarla para validar decisiones y resultados.

Considérese un programa de monitoreo que recibe cada mes registros de captura, esfuerzo y tallas de varios sitios de desembarque. En una hoja de cálculo, cada archivo puede requerir copiado, homologación de nombres y actualización de fórmulas. Con R, una carpeta puede leerse completa, aplicar reglas comunes y producir una tabla de control que señale archivos o registros problemáticos. Si cambia una regla, se modifica el script y se vuelve a ejecutar todo el historial. Así se evita que cada periodo sea procesado con criterios ligeramente distintos.

capturas <- readr::read_csv("datos/capturas_2024.csv")

resumen <- capturas %>%
  dplyr::group_by(anio, estado, especie) %>%
  dplyr::summarise(captura_kg = sum(captura_kg, na.rm = TRUE))

2. Integrar grandes bases sin depender de una hoja

Una hoja de Excel admite hasta 1,048,576 filas, pero alcanzar el límite no es el único problema práctico. Mucho antes, el desempeño puede depender de la memoria, la cantidad de fórmulas, los vínculos y la complejidad del libro. R también depende de los recursos de la computadora, por lo que no es ilimitado, pero permite trabajar sin cargar cada operación en una cuadrícula visible. Además, puede leer múltiples archivos, seleccionar columnas, filtrar registros y conectarse con formatos o sistemas especializados. La ventaja real no es solo «tener más filas», sino controlar de forma programática cómo se integran.

Una reconstrucción histórica de producción pesquera puede reunir décadas de registros organizados por estado, año, especie y oficina de pesca. Si cada archivo contiene nombres distintos, unidades mezcladas o categorías agregadas, unirlos manualmente se vuelve difícil de auditar. En R pueden definirse diccionarios taxonómicos, reglas de conversión y llaves de unión antes de combinar la información. Después se pueden generar diagnósticos sobre registros sin correspondencia o categorías inesperadas. El resultado es una integración que puede repetirse cuando aparecen nuevas fuentes.

3. Regenerar series completas de gráficas consistentes

Excel permite construir gráficos con rapidez y es muy útil para una exploración inicial. Sin embargo, cuando se necesitan decenas de figuras con la misma tipografía, escalas, colores y reglas de exportación, el trabajo manual se vuelve difícil de mantener. Con ggplot2, la gráfica se describe mediante capas y sus decisiones visuales quedan en el código. Una misma función puede aplicarse por especie, estado, sexo o arte de pesca. Si cambia el periodo, el título o la escala, todas las figuras pueden actualizarse desde una sola instrucción.

Esta consistencia es importante en informes técnicos y artículos científicos. Comparar tendencias de captura entre regiones exige que las diferencias observadas provengan de los datos y no de escalas o formatos elegidos de forma accidental. R permite controlar dimensiones, resolución y formato de salida, además de incluir intervalos de incertidumbre, líneas de referencia o paneles. También facilita construir mapas y gráficos que combinan varias fuentes. El ahorro de tiempo aumenta conforme crece el número de productos.

grafica <- ggplot2::ggplot(datos, ggplot2::aes(anio, captura_t, color = especie)) +
  ggplot2::geom_line(linewidth = 0.8) +
  ggplot2::facet_wrap(~ estado) +
  ggplot2::theme_minimal()

ggplot2::ggsave("figuras/tendencias.png", grafica,
                width = 10, height = 7, dpi = 300)

4. Aplicar análisis estadísticos especializados

Excel incluye funciones estadísticas y complementos útiles, pero R ofrece un ecosistema amplio para análisis especializados. Se pueden ajustar regresiones, modelos mixtos, modelos aditivos generalizados, series de tiempo, análisis espaciales, métodos bayesianos y simulaciones. Los paquetes permiten acceder a métodos desarrollados y revisados por comunidades científicas de distintas disciplinas. Además, el código hace visibles la fórmula, los datos, los supuestos y las opciones utilizadas. Esto facilita comparar modelos y conservar evidencia de cada decisión.

En pesquerías, R puede apoyar la estandarización de la captura por unidad de esfuerzo, el análisis de indicadores basados en tallas, los modelos de crecimiento o la evaluación de escenarios de manejo. La herramienta, sin embargo, no elige automáticamente el modelo apropiado. La estructura de muestreo, la biología de la especie y el proceso pesquero deben orientar el análisis. También es necesario revisar diagnósticos y comunicar la incertidumbre. R amplía la capacidad técnica, pero el criterio científico sigue siendo central.

5. Reproducir y compartir el análisis completo

En una hoja de cálculo, una celda puede modificarse o una fila eliminarse sin que el cambio sea evidente después. Las fórmulas muestran parte del proceso, pero la lógica puede quedar distribuida entre hojas, vínculos, filtros y acciones manuales. En R, cada paso puede registrarse en scripts ordenados y acompañarse de comentarios. Un proyecto permite separar datos originales, datos procesados, código, figuras y resultados. Otra persona puede revisar el flujo, ejecutarlo y señalar exactamente dónde surge una diferencia.

La reproducibilidad también permite generar documentos dinámicos. Herramientas como Quarto combinan texto, código, tablas y gráficos para producir informes en HTML, PDF o Word. Cuando cambian los datos, el documento puede regenerarse con las mismas reglas. Esta práctica reduce errores de copiar y pegar cifras entre archivos y fortalece la trazabilidad. En proyectos institucionales, facilita la continuidad cuando cambia el personal responsable.

Entonces, ¿Excel o R?

La elección no debe plantearse como una competencia absoluta. Excel suele ser más conveniente para capturar o inspeccionar tablas pequeñas, realizar cálculos rápidos y comunicarse con personas que no programan. R es preferible cuando el proceso debe repetirse, combinar muchas fuentes, utilizar métodos especializados o generar productos consistentes. En numerosos proyectos, la mejor solución es trabajar con ambos: Excel como formato de intercambio o revisión y R como motor del análisis. Lo importante es definir qué herramienta ofrece mayor control para cada etapa.

Aprender R desde problemas reales

Aprender R no exige convertirse de inmediato en programador. El proceso comienza con objetos, tipos de datos, funciones y proyectos sencillos. Después se incorporan tareas de importación, limpieza, transformación, visualización y análisis. La práctica resulta más efectiva cuando utiliza preguntas cercanas a la experiencia profesional del participante. En lugar de memorizar comandos, se aprende a construir un flujo que pueda explicarse y repetirse.

En el curso R desde Cero de SIRBAA, los ejercicios se conectan con situaciones reales de análisis de datos. El acompañamiento está a cargo de investigadores con formación doctoral y experiencia en docencia, programación y ciencia pesquera. La meta es que cada participante avance desde los fundamentos hasta la construcción de proyectos ordenados y reproducibles. No se trata de abandonar Excel, sino de reconocer cuándo conviene dar el siguiente paso. Esa transición permite dedicar menos tiempo a tareas manuales y más a interpretar resultados.

Conclusión

Excel continúa siendo una herramienta valiosa, pero R ofrece ventajas claras cuando el análisis necesita automatización, escala, especialización y reproducibilidad. En datos pesqueros, estas capacidades permiten integrar series históricas, actualizar indicadores, generar figuras consistentes y documentar métodos complejos. El mayor cambio no consiste en usar un programa distinto, sino en pasar de una secuencia manual a un proceso verificable. Esa transición requiere práctica y criterio, pero produce resultados más fáciles de revisar y actualizar. R no reemplaza el conocimiento del analista: lo vuelve más transparente y reutilizable.

Autor: L. Daniel Carrillo-Colín. Investigador y docente especializado en ciencia pesquera, análisis de datos y aplicación de R a problemas biológicos y de manejo. Edición: Oscar G. Zamora-García.