Un tableur peut contenir tous les chiffres dont une équipe a besoin, tout en rendant le plus important des schémas difficile à percevoir.
Imaginons un responsable du support client qui analyse le volume de tickets par jour de la semaine et par heure de la journée. Dans l'ensemble de données d'exemple utilisé dans cet article, le mardi, le nombre de tickets passe de 34 à 9 heures du matin à 68 à 11 heures, tandis que le mercredi et le jeudi présentent des augmentations similaires autour de midi.
Toutes les valeurs figurent dans le tableau. Mais le responsable ne s'intéresse probablement pas uniquement au fait que 68 tickets ont été enregistrés mardi à 11 h.
Les questions les plus utiles sont celles qui sont plus générales.
La demande atteint-elle à plusieurs reprises un pic autour de midi ? Les périodes les plus chargées sont-elles concentrées sur des jours particuliers ? Un créneau horaire se distingue-t-il de manière inhabituelle des valeurs qui l'entourent ? Les effectifs doivent-ils être modifiés pendant ces horaires ?
Pour trouver ces réponses à partir d'une grille, il est nécessaire d'effectuer des comparaisons répétées entre les lignes et les colonnes.
Une carte de chaleur modifie cette tâche en utilisant l'intensité des couleurs pour rendre visuellement distinctes les valeurs élevées, faibles ou inhabituelles.
Le but n’est pas simplement de rendre un tableau plus coloré. Il s’agit de faciliter la reconnaissance de schémas sur deux dimensions.
Dans cet article, le terme « heatmap » désigne principalement une matrice de données à codage couleur, et non les cartes de chaleur de clics ou de défilement de sites web.
Un tableau affiche des valeurs, mais le schéma est plus difficile à percevoir
Les tableaux sont efficaces lorsqu'une personne doit récupérer une valeur exacte.
Si un responsable souhaite savoir précisément combien de tickets de support ont été reçus mardi à 10 heures, la cellule correspondante peut lui fournir la réponse immédiatement.
Lorsque la question passe d'une valeur unique à un schéma récurrent, la tâche devient plus complexe.
Pour déterminer si les fins de matinée sont systématiquement plus chargées que les après-midis, il faut comparer plusieurs cellules sur plusieurs jours. La table contient toujours la réponse, mais le schéma peut ne pas être immédiatement visible.
La densité des données crée un problème de comparaison
La difficulté apparaît souvent lorsque deux dimensions significatives se croisent de manière répétée.
Les structures courantes incluent :
Jour × Heure
Produit × Région
Département × Métrique
Machine × Poste
Campagne × Canal
Chaque cellule représente une intersection entre ces dimensions.
À mesure que le nombre de combinaisons augmente, les lecteurs doivent comparer davantage de valeurs avec les lignes et colonnes adjacentes. C’est là qu’une carte de chaleur peut s’avérer utile.
Cette utilisation de la couleur sur l'ensemble des lignes et des colonnes est également conforme aux recommandations de Tableau sur la comparaison de données catégorielles dans sa documentation « Créer un tableau de surbrillance ou une carte thermique ».
De la table de tickets de support à un motif visible
Le jeu de données de tickets de support utilisé ici comporte sept plages horaires d'une heure, allant de 9 h à 15 h, et cinq jours ouvrables, du lundi au vendredi.
Tous les comptages de billets sont déjà visibles dans le tableau d'origine. Le défi consiste à déterminer si les valeurs les plus élevées forment un schéma significatif.
La simple lecture du tableau permet de distinguer des valeurs individuelles, par exemple 55 billets mardi à 10 heures, 68 mardi à 11 heures, 64 mercredi à 11 heures et 66 jeudi à 11 heures.
Une fois que ces mêmes valeurs sont affichées sous forme de carte thermique, le schéma d'ensemble devient plus facile à repérer.
Mardi à 11 h affiche la valeur individuelle la plus élevée, à 68 billets.
Cependant, la conclusion la plus utile ne se limite pas à cette seule cellule.
Le volume de tickets reste élevé tout au long de mardi, mercredi et jeudi, entre environ 10 heures et 13 heures. Les cellules à forte valeur voisines forment un groupe visible en milieu de journée.
Pour un responsable du support, cette tendance est plus pertinente pour les décisions relatives aux effectifs que le seul pic d'horaires le plus élevé.
Ce tableau reste utile pour vérifier les comptages exacts. La carte de chaleur ajoute une couche supplémentaire en facilitant l’identification de la concentration globale avant l’examen des valeurs individuelles.
La couleur transforme les valeurs individuelles en un motif visible
Une carte de chaleur attribue un signal visuel supplémentaire à chaque valeur.
Des valeurs plus élevées peuvent sembler plus intenses, tandis que des valeurs plus faibles restent moins marquées. Dans d’autres cas, les couleurs peuvent indiquer un mouvement au-dessus ou au-dessous d’un point de référence significatif.
Les valeurs exactes restent importantes. La couleur aide simplement les lecteurs à décider où regarder en premier.
Plutôt que de parcourir des dizaines de cellules une par une, le lecteur peut repérer une zone concentrée, déterminer quelles combinaisons ligne-colonne l'ont générée, puis revenir aux chiffres sous-jacents.
Cela peut modifier la manière dont le lecteur aborde un tableur dense :
Motif visible → Cellules pertinentes → Valeurs exactes
Cette séquence est particulièrement utile lorsque la question porte sur une concentration plutôt que sur un nombre isolé.
L’insight le plus utile est souvent un cluster, pas une seule cellule
La cellule la plus intense dans une carte thermique n'est pas automatiquement la découverte la plus importante.
L'exemple du ticket de support illustre parfaitement la raison.
Mardi à 11 heures, le pic atteint 68 billets. Si l’analyse s’arrêtait là, la conclusion serait simplement que mardi à 11 heures est la période la plus achalandée.
Les cellules environnantes livrent des informations beaucoup plus pertinentes.
Mardi, entre 10 h et 13 h, on enregistre respectivement 55, 68, 63 et 57 tickets.
Mercredi, les relevés sont de 52, 64, 61 et 55.
Jeudi, les enregistrements sont de 57, 66, 65 et 58.
Cela crée une bande à volume élevé et soutenu sur plusieurs jours et heures voisins.
Pour les décisions en matière d'effectifs, le regroupement répété en milieu de journée a plus d'importance qu'un maximum isolé.
Des zones à forte activité récurrentes révèlent les lieux où l'activité se concentre
Des groupes de cellules à haute intensité peuvent révéler les zones où l'activité se concentre de manière répétée.
Pour une équipe de support, ce schéma peut indiquer plusieurs heures consécutives nécessitant une couverture supplémentaire.
Un détaillant peut utiliser une carte de chaleur pour identifier les combinaisons produit-région qui affichent systématiquement de bonnes ou de mauvaises performances.
Dans le secteur manufacturier, la concentration répétée autour de certaines machines et de certains postes de travail pourrait attirer l'attention sur des problèmes opérationnels.
Les équipes marketing peuvent appliquer le même principe pour comparer les performances des différentes campagnes et canaux.
Le contexte commercial évolue, mais la question analytique reste similaire :
« Où les valeurs importantes se manifestent-elles conjointement plutôt que de manière isolée ? »
Certaines cellules isolées peuvent révéler des exceptions
Les amers ne sont pas les seuls motifs dignes d'intérêt.
Une cellule unique qui diffère nettement des valeurs environnantes peut indiquer une exception méritant une investigation plus approfondie.
Si une période normalement calme devient soudainement beaucoup plus active que les périodes voisines, la carte thermique permet de repérer plus facilement cet écart.
Cela ne peut pas expliquer la cause.
L'étape suivante consiste toujours à vérifier les enregistrements sous-jacents et les événements métier associés. Une mise à jour de produit, une interruption de service, une campagne, un problème de facturation ou un autre événement pourrait expliquer ce changement.
Cette distinction est importante.
Une visualisation peut indiquer les pistes d'investigation sans pour autant démontrerpourquoi un événement s'est produit.
La couleur peut rendre une carte thermique plus claire ou plus trompeuse
La couleur est le principal mécanisme visuel d'une carte thermique, mais c'est aussi l'un des éléments les plus faciles à mal interpréter.
Un même jeu de données peut sembler très différent selon l'échelle, le point médian et l'intervalle utilisés pour encoder les valeurs.
Les lecteurs doivent donc éviter de considérer l'intensité visuelle comme s'il s'agissait d'une mesure originale.
La couleur représente les données. Elle n'est pas les données elles-mêmes.
L'échelle modifie ce qui semble important
Imaginons que la plupart des valeurs se situent entre 90 et 100.
Si l'échelle de couleurs est strictement adaptée à cette plage, la différence visuelle entre 91 et 99 peut sembler spectaculaire.
Lorsqu'une variation de huit points a une incidence opérationnelle, cette approche peut être appropriée.
Mais si l'entreprise considère que les valeurs comprises entre 90 et 100 sont essentiellement similaires, ce même graphique pourrait exagérer visuellement une différence minime.
Le problème inverse se produit lorsque l'échelle est trop large.
Supposons que les valeurs importantes se situent entre 40 et 80, tandis que l’échelle complète s’étend de 0 à 1 000. Les différences au sein de la plage qui importe réellement peuvent alors devenir difficiles à distinguer.
Par conséquent, une carte de chaleur doit être lue conjointement avec sa légende et les valeurs sous-jacentes.
Une cellule plus sombre n'a de signification que par rapport à l'échelle qui l'a générée.
Une médiane pertinente peut avoir plus d'importance que la valeur maximale
Certaines cartes de chaleur ne traduisent pas simplement une progression du niveau bas au niveau élevé.
La variance budgétaire constitue un exemple pertinent.
Une valeur nulle peut signifier que les dépenses correspondent au budget.
Les valeurs positives peuvent représenter des dépenses excessives, tandis que les valeurs négatives représentent des dépenses insuffisantes.
Dans ce cas, les informations importantes sont la direction et la distance par rapport à zéro.
Une échelle de couleurs divergente permet de distinguer les valeurs situées de part et d'autre de ce point de référence.
Le point médian doit donc refléter la signification métier des données.
Zéro, cible, moyenne ou un autre seuil peut fournir davantage d’informations que de simplement mettre l’accent sur le nombre le plus élevé.
Une carte de chaleur est plus efficace lorsque la position revêt une signification
La décision d'utiliser une carte de chaleur ne doit pas être dictée par la taille du tableur.
Il convient de commencer par la structure de la comparaison.
Une matrice du type Heure × Jour fonctionne car chaque position représente une combinaison temporelle significative.
C’est exactement ce qui se passe dans l’exemple des tickets d’assistance : un déplacement horizontal permet de comparer la même heure sur différents jours, tandis qu’un déplacement vertical permet de comparer différentes heures au sein d’un même jour.
D'autres structures peuvent fonctionner pour la même raison.
Produit × Région permet d'illustrer la performance de chaque produit sur l'ensemble des marchés.
Indicateur × Département permet de déployer les mêmes mesures au sein de plusieurs équipes.
Machine × Poste permet de faciliter l'identification des concentrations opérationnelles récurrentes.
Dans chaque cas, la position de la cellule contribue à l'interprétation.
C’est ce qui confère à la carte thermique sa valeur analytique.
Les cartes thermiques prennent en charge les comparaisons répétées entre lignes et colonnes
Les cartes de chaleur sont particulièrement utiles lorsque le lecteur doit comparer une même mesure à travers les intersections répétées entre lignes et colonnes.
Un grand jeu de données à lui seul ne constitue pas une raison suffisante pour y recourir.
Selon la question posée, des milliers d'observations peuvent encore être mieux représentées sous forme de tendance, de classement, de distribution ou de relation.
La structure de la matrice est plus importante que le nombre de lignes.
Quand un autre graphique est-il plus facile à lire ?
Lorsqu’un graphique plus simple répond plus directement à la question, une carte de chaleur ne doit pas le remplacer.
Si une entreprise souhaite comparer les ventes de cinq produits différents, un graphique à barres permet d'évaluer plus facilement leur classement.
Le chiffre d'affaires mensuel sur une année correspond fondamentalement à une tendance temporelle ordonnée, c'est pourquoi un graphique linéaire est généralement plus clair.
Lorsque l'objectif est d'étudier la relation entre deux variables numériques continues, un diagramme de dispersion est plus approprié.
Pour comprendre la distribution des observations individuelles, un histogramme peut s'avérer plus intuitif.
Plus de données ne signifie pas automatiquement qu'une carte de chaleur est le graphique adapté.
La structure de la comparaison est plus importante.
Les schémas ne deviennent utiles que lorsqu'ils conduisent à une décision
Trouver la cellule la plus sombre n'est pas l'objectif final d'une carte de chaleur.
Le résultat concret est de comprendre si le schéma observable modifie ce qu’une personne doit examiner, prioriser ou décider.
Retourner aux données du ticket de support.
Une interprétation restrictive serait la suivante :
Mardi à 11 h affiche le volume de tickets le plus élevé, avec 68 tickets.
Cela rapporte une valeur.
Une interprétation plus utile est la suivante :
Le volume de tickets reste élevé autour de midi du mardi au jeudi, ce qui indique qu'il convient de revoir la couverture en personnel pendant ces horaires.
À présent, la visualisation a traversé quatre étapes :
Couleur → Motif → Interprétation → Décision
La même logique s'applique dans d'autres domaines.
Une concentration de problèmes d’équipement peut orienter les équipes de maintenance vers une combinaison machine-poste de travail spécifique.
Un pôle de performance régional permet aux équipes commerciales d'identifier les combinaisons produit-marché qui méritent un examen plus approfondi.
Une matrice des écarts budgétaires peut indiquer quels départements s'écartent régulièrement des objectifs fixés.
Aucune de ces décisions ne devrait se fonder uniquement sur la couleur.
Avant d’utiliser la visualisation pour étayer une prise de décision, il convient de vérifier au préalable les valeurs sources, les unités, l’échelle, les étiquettes ainsi que le contexte métier associé.
L'exemple des tickets de support illustre également pourquoi cela est important. La carte thermique rend le regroupement des tickets à midi, du mardi au jeudi, visuellement évident, mais pour décider si les effectifs doivent réellement être ajustés, il faudrait disposer d'informations supplémentaires telles que la complexité des tickets, le temps de résolution, les niveaux d'effectifs actuels et les objectifs de service.
Ce graphique met en évidence un schéma, et le contexte opérationnel détermine la marche à suivre.
La meilleure carte de chaleur n'est donc pas nécessairement celle dont les couleurs sont les plus intenses.
C’est elle qui permet de mieux percevoir une comparaison importante sans pour autant déformer les différences sous-jacentes.
Lorsque les données forment déjà une matrice lignes-colonnes cohérente, un générateur de cartes thermiques permet de réduire le travail manuel nécessaire pour transformer ces valeurs en un motif visuel. Il convient néanmoins de vérifier l'échelle, les étiquettes et les valeurs sources obtenues avant d'utiliser le graphique pour prendre une décision.