Ein Tabellenkalkulationsblatt kann alle Zahlen enthalten, die ein Team benötigt, und dennoch das Erkennen des wichtigsten Musters erschweren.
Stellen Sie sich einen Kundensupport-Manager vor, der das Ticketaufkommen nach Wochentag und Tageszeit auswertet. In dem in diesem Artikel verwendeten Beispieldatensatz steigt die Anzahl der Tickets am Dienstag von 34 um 9 Uhr auf 68 um 11 Uhr, während am Mittwoch und Donnerstag ähnliche Anstiege um die Mittagszeit zu verzeichnen sind.
Alle Zahlen sind in der Tabelle verfügbar. Aber der Manager interessiert sich wahrscheinlich nicht nur dafür, dass am Dienstag um 11 Uhr morgens 68 Tickets erfasst wurden.
Nützlichere Fragen sind weitaus umfassender.
Tritt die Nachfrage wiederholt um die Mittagszeit auf ihrem Höchststand auf? Konzentrieren sich die verkehrsreichsten Zeiträume auf bestimmte Tage? Weicht ein bestimmtes Zeitfenster ungewöhnlich stark von den umliegenden Werten ab? Sollte die Personalausstattung während dieser Zeit angepasst werden?
Um diese Antworten aus einem Raster zu ermitteln, sind wiederholte Vergleiche zwischen Zeilen und Spalten erforderlich.
Eine Heatmap vereinfacht diese Aufgabe, indem sie mithilfe der Farbintensität höhere, niedrigere oder ungewöhnliche Werte optisch deutlich voneinander abhebt.
Dabei geht es nicht einfach darum, eine Tabelle farbenfroher zu gestalten, sondern darum, Muster über zwei Dimensionen hinweg leichter erkennbar zu machen.
In diesem Artikel bezieht sich der Begriff „Heatmap“ in erster Linie auf eine farbcodierte Datenmatrix und nicht auf Heatmaps für Klicks oder Scrollvorgänge auf Websites.
Eine Tabelle zeigt Werte, aber das Muster ist schwerer zu erkennen
Tabellen sind effektiv, wenn jemand einen exakten Wert abrufen muss.
Wenn ein Manager genau wissen möchte, wie viele Support-Tickets am Dienstag um 10 Uhr eingegangen sind, kann die entsprechende Zelle die Antwort sofort liefern.
Wenn sich die Frage von einem einzelnen Wert zu einem Muster wandelt, wird die Aufgabe schwieriger.
Um festzustellen, ob die späten Vormittage durchweg stärker frequentiert sind als die Nachmittage, müssen mehrere Zellen über mehrere Tage hinweg verglichen werden. Die Antwort befindet sich nach wie vor in der Tabelle, doch das Muster ist unter Umständen nicht sofort erkennbar.
Dichte Daten verursachen ein Vergleichsproblem
Die Schwierigkeit tritt häufig dann auf, wenn zwei aussagekräftige Dimensionen wiederholt aufeinandertreffen.
Übliche Strukturen umfassen:
Tag × Stunde
Produkt × Region
Abteilung × Metrik
Maschine × Schicht
Kampagne × Kanal
Jede Zelle stellt eine Schnittstelle zwischen diesen Dimensionen dar.
Wenn die Anzahl der Kombinationen steigt, müssen Leser mehr Werte mit den umgebenden Zeilen und Spalten vergleichen. Genau hier kann eine Heatmap nützlich werden.
Diese farbliche Gestaltung über Zeilen und Spalten hinweg steht zudem im Einklang mit den Empfehlungen von Tableau zum Vergleich kategorialer Daten in dessen Dokumentation „Erstellen einer Hervorhebungstabelle oder Heatmap“.
Vom Support-Ticket-Tabelle zu einem sichtbaren Muster
Der hier verwendete Datensatz für Support-Tickets umfasst sieben stündliche Zeiträume von 9 bis 15 Uhr sowie fünf Werktage von Montag bis Freitag.
Alle Ticketzahlen sind bereits in der ursprünglichen Tabelle ersichtlich. Die Herausforderung besteht darin, zu erkennen, ob die höheren Werte ein aussagekräftiges Muster bilden.
Allein das Lesen der Tabelle ergibt einzelne Werte wie 55 Tickets am Dienstag um 10 Uhr, 68 am Dienstag um 11 Uhr, 64 am Mittwoch um 11 Uhr und 66 am Donnerstag um 11 Uhr.
Sobald dieselben Werte als Heatmap dargestellt werden, lässt sich das übergeordnete Muster leichter erkennen.
Dienstag um 11 Uhr weist den höchsten Einzelwert auf, nämlich 68 Tickets.
Die nützlichere Erkenntnis beschränkt sich jedoch nicht auf diese eine Zelle.
Das Ticketaufkommen bleibt an Dienstag, Mittwoch und Donnerstag zwischen etwa 10:00 und 13:00 Uhr auf einem hohen Niveau. Die benachbarten hochwertigen Zellen bilden ein sichtbares Mittagscluster.
Für einen Support-Manager ist dieses Muster für Personalentscheidungen möglicherweise relevanter als die einzelne Spitzenstunde.
Die Tabelle ist nach wie vor nützlich, um exakte Zählwerte zu überprüfen. Die Heatmap fügt eine weitere Ebene hinzu, indem sie die Gesamtkonzentration leichter erkennbar macht, bevor einzelne Werte geprüft werden.
Farbe macht einzelne Werte zu einem sichtbaren Muster
Eine Heatmap weist jedem Wert ein zusätzliches visuelles Signal zu.
Höhere Werte können intensiver erscheinen, während niedrigere Werte weniger auffällig bleiben. In anderen Fällen können Farben Bewegungen oberhalb oder unterhalb eines aussagekräftigen Referenzpunkts anzeigen.
Die exakten Werte sind nach wie vor von Bedeutung. Farbe hilft Lesern lediglich dabei, zu entscheiden, wohin sie zuerst blicken.
Anstatt sich Zelle für Zelle durch Dutzende von Feldern zu bewegen, kann ein Leser eine konzentrierte Region erkennen, feststellen, welche Zeilen-Spalten-Kombinationen diese erzeugt haben, und anschließend zu den zugrundeliegenden Zahlen zurückkehren.
Dies kann die Art und Weise verändern, wie der Leser sich einer umfangreichen Tabellenkalkulation nähert:
Sichtbares Muster → Relevante Zellen → Exakte Werte
Diese Reihenfolge ist besonders nützlich, wenn es bei der Frage um eine Konzentration und nicht um eine einzelne isolierte Zahl geht.
Die nützlichste Erkenntnis ist oft ein Cluster, keine einzelne Zelle
Die intensivste Zelle in einer Heatmap ist nicht automatisch das wichtigste Ergebnis.
Das Beispiel mit dem Support-Ticket macht dies deutlich.
Dienstag um 11 Uhr morgens ist der Spitzenwert mit 68 Tickets. Würde die Analyse an dieser Stelle enden, würde die Schlussfolgerung lauten, dass Dienstag um 11 Uhr morgens die verkehrsreichste Zeitspanne ist.
Die umliegenden Zellen liefern aussagekräftigere Erkenntnisse.
Am Dienstag werden zwischen 10:00 und 13:00 Uhr 55, 68, 63 und 57 Tickets erfasst.
Am Mittwoch wurden Werte von 52, 64, 61 und 55 verzeichnet.
Am Donnerstag werden Werte von 57, 66, 65 und 58 verzeichnet.
Dadurch entsteht über mehrere aufeinanderfolgende Tage und Stunden hinweg eine anhaltende Hochlastphase.
Bei Personalentscheidungen ist das wiederkehrende Mittagsaufkommen wichtiger als ein einzelner Spitzenwert.
Wiederkehrende Hotspots zeigen, wo sich die Aktivität konzentriert
Gruppen hochintensiver Zellen können Aufschluss darüber geben, wo sich Aktivität wiederholt konzentriert.
Für ein Supportteam kann dieses Muster auf mehrere aufeinanderfolgende Stunden hinweisen, in denen zusätzliche Besetzung erforderlich ist.
Ein Einzelhändler kann eine Heatmap verwenden, um Produkt-Region-Kombinationen zu identifizieren, die durchgängig stark oder schwach abschneiden.
In der Fertigung kann eine wiederholte Konzentration auf bestimmte Maschinen und Schichten die Aufmerksamkeit auf betriebliche Probleme lenken.
Marketingteams können dasselbe Prinzip anwenden, um die Leistung verschiedener Kampagnen und Kanäle zu vergleichen.
Der Geschäftskontext ändert sich, aber die analytische Fragestellung bleibt ähnlich:
„Wo treten wichtige Werte gemeinsam auf, statt isoliert zu bestehen?“
Isolierte Zellen können auf Ausnahmen hinweisen
Cluster sind nicht die einzigen Muster, die Beachtung verdienen.
Ein einzelner Wert, der sich deutlich von den umgebenden Werten unterscheidet, kann auf eine Ausnahme hinweisen, die einer weiteren Untersuchung bedarf.
Wenn eine normalerweise ruhige Periode plötzlich deutlich aktiver wird als die benachbarten Perioden, lässt sich diese Abweichung mithilfe der Heatmap leichter erkennen.
Es kann die Ursache nicht erklären.
Der nächste Schritt besteht weiterhin darin, die zugrunde liegenden Datensätze und relevanten Geschäftsereignisse zu prüfen. Eine Produktveröffentlichung, eine Dienstunterbrechung, eine Kampagne, ein Abrechnungsproblem oder ein anderes Ereignis könnte die Änderung erklären.
Diese Unterscheidung ist wichtig.
Eine Visualisierung kann aufzeigen, wo nachgeforscht werden muss, ohne zu belegen, warum etwas passiert ist.
Farbgebung kann Heatmaps verständlicher machen – oder sie irreführender gestalten
Farben sind das wichtigste visuelle Element einer Heatmap, zugleich aber auch einer der am häufigsten falsch interpretierten Bestandteile.
Derselbe Datensatz kann sehr unterschiedlich erscheinen, je nach Skala, Mittelpunkt und Wertebereich, die zur Kodierung der Werte verwendet werden.
Leser sollten daher vermeiden, die visuelle Intensität so zu behandeln, als wäre sie die ursprüngliche Messgröße.
Die Farbe repräsentiert die Daten. Sie ist nicht die Daten selbst.
Der Maßstab verändert, was wichtig erscheint
Stellen Sie sich vor, dass die meisten Werte zwischen 90 und 100 liegen.
Wenn die Farbskala eng an diesen Wertebereich angepasst ist, kann der visuelle Unterschied zwischen 91 und 99 sehr ausgeprägt wirken.
Dies kann angemessen sein, wenn eine Veränderung um acht Punkte aus betrieblicher Sicht relevant ist.
Wenn das Unternehmen jedoch Werte im Bereich von 90 bis 100 als im Wesentlichen ähnlich betrachtet, kann dasselbe Design einen kleinen Unterschied visuell übertreiben.
Das umgekehrte Problem tritt auf, wenn die Skala zu breit angelegt ist.
Nehmen wir an, die relevanten Werte liegen zwischen 40 und 80, während der gesamte Skalenbereich von 0 bis 1000 reicht. Dann lassen sich Unterschiede innerhalb des tatsächlich relevanten Bereichs nur schwer erkennen.
Daher sollte eine Heatmap stets zusammen mit ihrer Legende und den zugrundeliegenden Werten interpretiert werden.
Eine dunklere Zelle erhält ihre Bedeutung ausschließlich in Bezug auf die Skala, aus der sie hervorgeht.
Ein sinnvoller Mittelwert kann wichtiger sein als das Maximum
Einige Heatmaps stellen nicht einfach einen Verlauf von niedrigen zu hohen Werten dar.
Die Budgetabweichung liefert ein anschauliches Beispiel.
Ein Wert von Null kann bedeuten, dass die Ausgaben mit dem Budget übereinstimmten.
Positive Werte können für Ausgabenüberschreitungen stehen, während negative Werte auf nicht ausgeschöpfte Budgets hinweisen.
In diesem Fall sind die wichtigen Informationen die Richtung und der Abstand zum Nullpunkt.
Eine divergierende Farbskala kann Werte auf gegenüberliegenden Seiten dieses Bezugspunkts voneinander unterscheiden.
Der Mittelwert sollte daher die geschäftliche Bedeutung der Daten widerspiegeln.
Nullwerte, Zielwerte, Durchschnittswerte oder ein anderer Schwellenwert können aussagekräftiger sein, als lediglich die höchste Zahl hervorzuheben.
Heatmaps liefern die besten Ergebnisse, wenn die Position eine Bedeutung hat
Die Entscheidung zur Verwendung einer Heatmap sollte nicht von der Größe der Kalkulationstabelle ausgehen.
Es sollte mit der Struktur des Vergleichs beginnen.
Eine Matrix wie Stunde × Tag funktioniert, weil jede Position eine aussagekräftige Zeitkombination darstellt.
Genau das passiert im Beispiel mit den Support-Tickets: Eine horizontale Bewegung vergleicht die gleiche Stunde an verschiedenen Tagen, während eine vertikale Bewegung verschiedene Stunden innerhalb desselben Tages vergleicht.
Auch andere Strukturen können aus demselben Grund funktionieren.
Produkt × Region kann aufzeigen, wie einzelne Produkte in verschiedenen Märkten abschneiden.
Kennzahl × Abteilung kann dieselben Kennzahlen mehreren Teams zuordnen.
Maschine × Schicht erleichtert die Identifizierung wiederkehrender betrieblicher Konzentrationen.
In jedem Fall trägt die Position der Zelle zur Interpretation bei.
Genau das verleiht der Heatmap ihren analytischen Wert.
Heatmaps unterstützen wiederholte Zeilen- und Spaltenvergleiche
Heatmaps sind besonders nützlich, wenn der Leser denselben Messwert über wiederholte Schnittpunkte von Zeilen und Spalten hinweg vergleichen muss.
Ein großer Datensatz allein ist kein ausreichender Grund, ihn zu verwenden.
Tausende von Beobachtungen lassen sich je nach Fragestellung möglicherweise besser als Trend, Rangfolge, Verteilung oder Beziehung darstellen.
Die Matrixstruktur ist wichtiger als die Anzahl der Zeilen.
Wann ist ein anderes Diagramm einfacher zu lesen?
Wenn ein einfacheres Diagramm eine Frage direkter beantwortet, sollte eine Heatmap dieses Diagramm nicht ersetzen.
Der monatliche Umsatz über ein Jahr hinweg stellt grundsätzlich einen geordneten Zeittrend dar, daher ist ein Liniendiagramm in der Regel übersichtlicher.
Wenn das Ziel darin besteht, die Beziehung zwischen zwei stetigen numerischen Variablen zu untersuchen, ist ein Streudiagramm geeigneter.
Die Verteilung einzelner Beobachtungen lässt sich mithilfe eines Histogramms oft leichter nachvollziehen.
Mehr Daten bedeuten nicht automatisch, dass eine Heatmap das richtige Diagramm ist.
Die Struktur des Vergleichs ist von größerer Bedeutung.
Muster werden erst dann nützlich, wenn sie zu einer Entscheidung führen
Das Auffinden der dunkelsten Zelle ist nicht der endgültige Zweck einer Heatmap.
Der nützliche Erkenntnisgewinn besteht darin, zu verstehen, ob das sichtbare Muster Einfluss darauf hat, was jemand untersuchen, priorisieren oder entscheiden sollte.
Zurück zu den Support-Ticket-Daten.
Eine enge Auslegung wäre:
Dienstag um 11 Uhr verzeichnet mit 68 das höchste Ticketaufkommen.
Das gibt einen Wert zurück.
Eine nützlichere Interpretation lautet:
Von Dienstag bis Donnerstag bleibt das Ticketaufkommen um die Mittagszeit auf einem hohen Niveau, was darauf hindeutet, dass die Personalausstattung in diesen Stunden überprüft werden sollte.
Mittlerweile hat die Visualisierung vier Phasen durchlaufen:
Farbe → Muster → Interpretation → Entscheidung
Die gleiche Logik gilt auch für andere Bereiche.
Gehäufte Geräteprobleme können Wartungsteams auf eine bestimmte Kombination aus Maschine und Schicht lenken.
Ein regionales Leistungscluster kann Vertriebsteams aufzeigen, welche Produkt-Markt-Kombinationen einer näheren Prüfung bedürfen.
Eine Budgetabweichungsmatrix kann aufzeigen, welche Abteilungen wiederholt vom Ziel abweichen.
Keine dieser Entscheidungen sollte allein auf der Farbe beruhen.
Vor der Verwendung der Visualisierung zur Handlungsunterstützung müssen die Quellwerte, Einheiten, Skalen, Beschriftungen und der betriebswirtschaftliche Kontext noch überprüft werden.
Das Beispiel mit den Support-Tickets zeigt zudem, warum dies von Bedeutung ist. Die Heatmap macht die Häufung von Tickets am Mittag zwischen Dienstag und Donnerstag visuell deutlich, doch um zu entscheiden, ob die Personalausstattung tatsächlich angepasst werden soll, bedarf es zusätzlicher Informationen wie Ticketkomplexität, Bearbeitungsdauer, aktuelle Personalbestände und Serviceziele.
Das Diagramm zeigt ein Muster. Der betriebliche Kontext entscheidet darüber, wie damit umzugehen ist.
Daher ist die beste Heatmap nicht unbedingt diejenige mit den intensivsten Farben.
Diese Lösung erleichtert das Erkennen wichtiger Vergleichspunkte, ohne die zugrundeliegenden Unterschiede zu verfälschen.
Wenn Daten bereits eine aussagekräftige Zeilen-Spalten-Matrix bilden, kann ein Heatmap-Generator den manuellen Aufwand reduzieren, der erforderlich ist, um diese Werte in ein visuelles Muster umzuwandeln. Die resultierende Skala, Beschriftungen und Quellwerte sollten dennoch überprüft werden, bevor das Diagramm für eine Entscheidung verwendet wird.