Una hoja de cálculo puede contener todos los números que un equipo necesita, pero aun así puede dificultar la visualización del patrón más importante.
Imagina a un responsable de atención al cliente revisando el volumen de tickets por día de la semana y hora del día. En el conjunto de datos de ejemplo utilizado en este artículo, el martes el número de tickets sube de 34 a las 9 de la mañana a 68 a las 11 de la mañana, mientras que el miércoles y el jueves presentan aumentos similares alrededor del mediodía.
Todos los números están disponibles en la tabla. Pero es probable que al gerente no le interese únicamente el hecho de que el martes a las 11 de la mañana se registraron 68 tickets.
Las preguntas más útiles son las más generales.
¿La demanda alcanza picos repetidamente alrededor del mediodía? ¿Los periodos de mayor actividad se concentran en días concretos? ¿Hay un intervalo horario que presente valores inusualmente diferentes a los de su entorno? ¿Deberían modificarse los niveles de personal durante esas horas?
Encontrar esas respuestas en una cuadrícula requiere realizar comparaciones repetidas entre filas y columnas.
Un mapa de calor modifica esa tarea al utilizar la intensidad del color para que los valores más altos, más bajos o inusuales sean visualmente diferenciables.
El objetivo no es simplemente hacer que una tabla sea más colorida, sino facilitar la identificación de patrones en dos dimensiones.
En este artículo, el término «mapa de calor» se refiere principalmente a una matriz de datos codificada por colores, y no a los mapas de calor de clics o desplazamiento de sitios web.
Una tabla muestra los valores, pero el patrón es más difícil de distinguir
Las tablas son eficaces cuando alguien necesita recuperar un valor exacto.
Si un gerente quiere saber exactamente cuántos tickets de soporte llegaron a las 10 a. m. del martes, la celda correspondiente puede proporcionar la respuesta de inmediato.
La tarea se vuelve más difícil cuando la pregunta pasa de referirse a un único valor a un patrón.
Para determinar si las horas tardías de la mañana son sistemáticamente más concurridas que las tardes, es necesario comparar varias celdas a lo largo de varios días. La tabla sigue conteniendo la respuesta, pero es posible que el patrón no sea inmediatamente visible.
La densidad de datos genera un problema de comparación
La dificultad suele surgir cuando dos dimensiones significativas se cruzan de forma repetida.
Las estructuras comunes incluyen:
Día × Hora
Producto × Región
Departamento × Métrica
Máquina × Turno
Campaña × Canal
Cada celda representa una intersección entre esas dimensiones.
A medida que aumenta el número de combinaciones, los lectores necesitan comparar más valores con las filas y columnas circundantes. Ahí es cuando un mapa de calor puede resultar útil.
Este uso del color en filas y columnas también se alinea con la guía de Tableau sobre la comparación de datos categóricos en su documentación de “Crear una tabla resaltada o un mapa de calor”.
De una tabla de tickets de soporte a un patrón visible
El conjunto de datos de tickets de soporte utilizado aquí contiene siete periodos horarios de 9 de la mañana a 3 de la tarde y cinco días laborables de lunes a viernes.
Todos los recuentos de entradas ya son visibles en la tabla original. El reto consiste en determinar si los valores más altos conforman un patrón significativo.
Solo con leer la tabla se pueden observar valores individuales, como 55 entradas el martes a las 10 de la mañana, 68 el martes a las 11 de la mañana, 64 el miércoles a las 11 de la mañana y 66 el jueves a las 11 de la mañana.
Una vez que estos mismos valores se muestran como un mapa de calor, el patrón general resulta más fácil de identificar.
El martes a las 11 a. m. registra el valor individual más alto, con 68 entradas.
Sin embargo, el hallazgo más útil no se limita a esa única célula.
El volumen de tickets se mantiene elevado durante los martes, miércoles y jueves, aproximadamente de 10:00 a. m. a 1:00 p. m. Las celdas de alto valor vecinas forman un grupo visible a mediodía.
Para un responsable de soporte, ese patrón puede ser más relevante para las decisiones de dotación de personal que el único valor de horas más alto.
La tabla sigue siendo útil para comprobar los recuentos exactos. El mapa de calor añade una capa adicional, ya que facilita la identificación de la concentración general antes de revisar los valores individuales.
El color convierte los valores individuales en un patrón visible
Un mapa de calor asigna a cada valor una señal visual adicional.
Los valores más altos pueden parecer más intensos, mientras que los valores más bajos permanecen menos prominentes. En otros casos, los colores pueden indicar un movimiento por encima o por debajo de un punto de referencia significativo.
Los valores exactos siguen siendo importantes. El color simplemente ayuda a los lectores a decidir dónde mirar primero.
En lugar de desplazarse por decenas de celdas una por una, el lector puede notar un área concentrada, identificar qué combinaciones de filas y columnas la crearon y luego volver a los números subyacentes.
Esto puede cambiar la forma en que el lector aborda una hoja de cálculo densa:
Patrón visible → Celdas relevantes → Valores exactos
Esa secuencia resulta especialmente útil cuando la pregunta se refiere a una concentración y no a un número aislado.
La información más útil suele ser un grupo, no una sola celda
La celda más intensa de un mapa de calor no es automáticamente el hallazgo más importante.
El ejemplo del ticket de soporte muestra el porqué.
El martes a las 11 a. m. se registra el máximo, con 68 entradas. Si el análisis se detuviera ahí, la conclusión simplemente podría ser que el martes a las 11 a. m. es el periodo más concurrido.
Las células circundantes ofrecen una información mucho más útil.
El martes se registran 55, 68, 63 y 57 tickets entre las 10 de la mañana y la 1 de la tarde.
El miércoles se registran las temperaturas de 52, 64, 61 y 55.
El jueves se registran temperaturas de 57, 66, 65 y 58.
Esto genera una banda sostenida de alto volumen a lo largo de varios días y horas adyacentes.
Para las decisiones de dotación de personal, el grupo repetido a mediodía tiene más importancia que un máximo aislado.
Las zonas de calor recurrentes muestran dónde se concentra la actividad
Los grupos de células de alta intensidad pueden revelar los lugares donde la actividad se concentra de forma recurrente.
Para un equipo de soporte, este patrón puede indicar que varias horas consecutivas requieren cobertura adicional.
Un minorista podría utilizar un mapa de calor para identificar aquellas combinaciones de producto y región que registran un rendimiento sistemáticamente alto o bajo.
En el sector manufacturero, la concentración repetida en determinadas máquinas y turnos podría dirigir la atención hacia los problemas operativos.
Los equipos de marketing pueden utilizar el mismo principio para comparar el rendimiento entre campañas y canales.
El contexto empresarial cambia, pero la pregunta analítica sigue siendo similar:
«¿En qué lugar los valores importantes se presentan de forma conjunta, en lugar de de manera aislada?»
Las células aisladas pueden indicar la existencia de excepciones
Los clústeres no son los únicos patrones que merecen la pena ser observados.
Una única celda que difiera marcadamente de los valores circundantes puede indicar una excepción que merece una investigación adicional.
Si un periodo que normalmente es tranquilo se vuelve repentinamente mucho más activo que los periodos vecinos, el mapa de calor puede facilitar la detección de dicha desviación.
No puede explicar la causa.
El siguiente paso consistiría en verificar los registros subyacentes y los eventos comerciales relevantes. Un lanzamiento de producto, una interrupción del servicio, una campaña, un problema de facturación u otro evento podrían explicar dicho cambio.
Esta distinción es importante.
Una visualización puede indicar dónde investigar sin demostrarpor qué ocurrió algo.
El color puede hacer que un mapa de calor sea más claro o más engañoso
El color es el principal mecanismo visual de un mapa de calor, pero también es uno de los elementos que más fácilmente se prestan a interpretaciones erróneas.
Un mismo conjunto de datos puede presentar un aspecto muy distinto según la escala, el punto medio y el intervalo utilizados para codificar sus valores.
Por lo tanto, los lectores deben evitar tratar la intensidad visual como si se tratara de la medición original.
El color representa los datos. No es los datos en sí mismos.
La escala modifica lo que parece importante
Imagina que la mayoría de los valores se sitúan entre 90 y 100.
Si la escala de colores se ajusta estrictamente a ese intervalo, la diferencia visual entre 91 y 99 puede parecer drástica.
Esto puede ser adecuado cuando un cambio de ocho puntos tiene relevancia a nivel operativo.
Pero si la empresa considera que los valores comprendidos entre 90 y 100 son esencialmente similares, ese mismo diseño podría exagerar visualmente una diferencia mínima.
El problema inverso se produce cuando la escala es demasiado amplia.
Supongamos que los valores importantes se sitúan entre 40 y 80, mientras que la escala completa va de 0 a 1000. Las diferencias dentro del intervalo que realmente importa pueden volverse difíciles de percibir.
Por lo tanto, un mapa de calor debe leerse junto con su leyenda y los valores subyacentes.
Una celda más oscura solo tiene sentido en relación con la escala que la generó.
Un punto medio significativo puede importar más que el máximo
Algunos mapas de calor no se limitan simplemente a mostrar una progresión de valores bajos a altos.
La variación presupuestaria ofrece un ejemplo útil.
Un valor de cero puede significar que el gasto coincidió con el presupuesto.
Los valores positivos podrían representar un gasto excesivo, mientras que los valores negativos representan un gasto insuficiente.
En ese caso, la información importante es la dirección y la distancia respecto al cero.
Una escala de colores divergente puede distinguir los valores situados en lados opuestos de ese punto de referencia.
Por lo tanto, el punto medio debe reflejar el significado comercial de los datos.
El cero, el valor objetivo, la media u otro umbral puede aportar más información que limitarse a destacar el número más elevado.
Un mapa de calor funciona mejor cuando la posición tiene significado
La decisión de utilizar un mapa de calor no debe partir del tamaño de la hoja de cálculo.
Debe comenzar con la estructura de la comparación.
Una matriz como Hora × Día funciona porque cada posición representa una combinación de tiempo significativa.
Esto es exactamente lo que ocurre en el ejemplo de los tickets de soporte: el desplazamiento horizontal compara la misma hora en distintos días, mientras que el desplazamiento vertical compara distintas horas dentro de un mismo día.
Otras estructuras pueden funcionar por la misma razón.
Producto × Región puede mostrar el rendimiento de cada producto en los distintos mercados.
Métrica × Departamento permite ubicar las mismas métricas en varios equipos.
Máquina × Turno puede facilitar la identificación de concentraciones operativas recurrentes.
En cada caso, la posición de la celda contribuye a la interpretación.
Es esto lo que otorga valor analítico al mapa de calor.
Los mapas de calor admiten comparaciones repetidas de filas y columnas
Los mapas de calor son especialmente útiles cuando el lector necesita comparar la misma métrica a través de intersecciones repetidas entre filas y columnas.
Contar solo con un conjunto de datos grande no es razón suficiente para utilizar uno.
Según la pregunta en cuestión, es posible que miles de observaciones se representen mejor como una tendencia, una clasificación, una distribución o una relación.
La estructura de la matriz es más importante que el número de filas.
¿Cuándo es más fácil de leer otro gráfico?
Cuando un gráfico más sencillo responde a la pregunta de forma más directa, un mapa de calor no debería sustituirlo.
Si una empresa quiere comparar las ventas de cinco productos, un gráfico de barras facilita la evaluación de su clasificación.
Los ingresos mensuales a lo largo de un año representan fundamentalmente una tendencia temporal ordenada, por lo que un gráfico de líneas suele ser más claro.
Cuando el objetivo es investigar la relación entre dos variables numéricas continuas, un diagrama de dispersión es más apropiado.
La distribución de observaciones individuales puede ser más fácil de comprender mediante un histograma.
Más datos no significan automáticamente que un mapa de calor sea el gráfico adecuado.
La estructura de la comparación es lo que más importa.
Los patrones resultan útiles cuando conducen a tomar una decisión
Encontrar la celda más oscura no es el propósito final de un mapa de calor.
El resultado útil consiste en comprender si el patrón visible modifica aquello que una persona debe investigar, priorizar o decidir.
Volver a los datos del ticket de soporte.
Una interpretación estricta sería la siguiente:
El martes a las 11 a. m. se registra el volumen de tickets más alto, con 68.
Que informa un valor.
Una interpretación más útil es la siguiente:
El volumen de tickets se mantiene elevado alrededor del mediodía de martes a jueves, lo que sugiere que la cobertura de personal durante esas horas merece una revisión.
En la actualidad, la visualización ha pasado por cuatro etapas:
Color → Patrón → Interpretación → Decisión
La misma lógica se aplica en otros ámbitos.
La concentración de problemas en los equipos puede dirigir a los equipos de mantenimiento hacia una combinación específica de máquina y turno.
Un clúster de rendimiento regional puede indicar a los equipos de ventas qué combinaciones de producto y mercado merecen una revisión más detallada.
Una matriz de variación presupuestaria puede mostrar qué departamentos se desvían repetidamente de los objetivos establecidos.
Ninguna de esas decisiones debe basarse únicamente en el color.
Antes de utilizar la visualización para respaldar la toma de decisiones, aún es necesario verificar los valores de origen, las unidades, la escala, las etiquetas y el contexto empresarial.
El ejemplo de los tickets de soporte también ilustra por qué esto es importante. El mapa de calor hace que el grupo de incidencias del mediodía entre martes y jueves sea visualmente evidente, pero para decidir si realmente es necesario modificar la dotación de personal se requeriría información adicional, como la complejidad de los tickets, el tiempo de resolución, los niveles de personal actuales y los objetivos de servicio.
El gráfico identifica un patrón. El contexto empresarial determina qué hacer con él.
Por lo tanto, el mejor mapa de calor no es necesariamente aquel que presenta los colores más intensos.
Es el elemento que facilita la identificación de una comparación importante sin distorsionar las diferencias subyacentes.
Cuando los datos ya forman una matriz de filas y columnas con sentido, un generador de mapas de calor puede reducir el trabajo manual necesario para convertir esos valores en un patrón visual. Aun así, la escala, las etiquetas y los valores de origen resultantes deben revisarse antes de que el gráfico se utilice para tomar una decisión.