Un foglio di calcolo può contenere ogni numero di cui una squadra ha bisogno e rendere ancora difficile vedere il modello più importante.
Considera un responsabile dell'assistenza clienti che rivede il volume dei biglietti per giorno della settimana e ora del giorno. Nel set di dati di esempio utilizzato in questo articolo, martedì passa da 34 biglietti alle 9: 00 alle 68 alle 11: 00, mentre mercoledì e giovedì mostrano aumenti simili intorno a mezzogiorno.
Ogni numero è disponibile nella tabella. Ma il gestore probabilmente non è interessato solo al fatto che martedì alle 11 del mattino ha registrato 68 biglietti.
Le domande più utili sono più ampie.
La domanda raggiunge ripetutamente il picco intorno a mezzogiorno? I periodi più affollati sono concentrati in giorni particolari? Una fascia oraria è insolitamente diversa dai valori circostanti?I livelli di personale dovrebbero cambiare durante quelle ore?
Trovare quelle risposte da una griglia richiede un confronto ripetuto tra righe e colonne.
Una mappa di calore modifica tale attività utilizzando l'intensità del colore per rendere visivamente distinti valori più alti, più bassi o insoliti.
Lo scopo non è semplicemente quello di rendere un tavolo più colorato. È quello di rendere i modelli su due dimensioni più facili da riconoscere.
In questo articolo, "heatmap" si riferisce principalmente a una matrice di dati codificata a colori piuttosto che alle heatmap di clic o scorrimento del sito Web.
Una tabella mostra i valori, ma il modello è più difficile da vedere
Le tabelle sono efficaci quando qualcuno ha bisogno di recuperare un valore esatto.
Se un manager vuole sapere esattamente quanti ticket di supporto sono arrivati alle 10 del mattino di martedì, la cella corrispondente può fornire immediatamente la risposta.
Il compito diventa più difficile quando la domanda cambia da un valore a un modello.
Determinare se la tarda mattinata è costantemente più affollata del pomeriggio richiede il confronto di diverse celle in più giorni. Una tabella contiene ancora la risposta, ma il modello potrebbe non essere immediatamente visibile.
I dati densi creano un problema di confronto
La difficoltà appare spesso quando due dimensioni significative si intersecano ripetutamente.
Le strutture comuni includono:
Giorno × Ora
Prodotto × Regione
Dipartimento × Metrico
Macchina × Shift
Campagna × Canale
Ogni cella rappresenta una intersezione tra queste dimensioni.
Man mano che il numero di combinazioni aumenta, i lettori devono confrontare più valori con le righe e le colonne circostanti. È qui che una mappa di calore può diventare utile.
Questo uso del colore tra righe e colonne si allinea anche con la guida di Tableau sul confronto dei dati categoriali nella sua "Costruisci una tabella di evidenziazione o una mappa di calore" documentazione.
Da una tabella di ticket di supporto a un modello visibile
Il set di dati del ticket di supporto utilizzato qui contiene sette periodi orari dalle 9: 00 alle 15: 00 e cinque giorni feriali dal lunedì al venerdì.
Ogni conteggio dei biglietti è già visibile nella tabella originale. La sfida è identificare se i valori più alti formano un modello significativo.
La sola lettura della tabella mostra valori individuali come 55 biglietti il martedì alle 10, 68 il martedì alle 11, 64 il mercoledì alle 11 e 66 il giovedì alle 11.
Una volta che gli stessi valori vengono visualizzati come una mappa di calore, il modello più ampio diventa più facile da individuare.
Martedì alle 11 AM contiene il più alto valore individuale a 68 biglietti .
Tuttavia, la scoperta più utile non è limitata a quella cella.
Il volume dei biglietti rimane elevato tra martedì, mercoledì e giovedì da circa 10 AM a 1 PM . Le celle vicine di alto valore formano un cluster visibile di mezzogiorno.
Per un responsabile del supporto, questo modello può essere più rilevante per le decisioni sul personale rispetto alla singola ora più alta.
La tabella rimane utile per controllare i conteggi esatti. La mappa di calore aggiunge un altro livello rendendo la concentrazione complessiva più facile da identificare prima di rivedere i singoli valori.
Il colore trasforma i singoli valori in un modello visibile
Una mappa di calore fornisce a ciascun valore un segnale visivo aggiuntivo.
I valori più alti possono apparire più intensi, mentre i valori più bassi rimangono meno prominenti. In altri casi, i colori possono indicare un movimento sopra o sotto un punto di riferimento significativo.
I valori esatti contano ancora. Il colore aiuta semplicemente i lettori a decidere dove guardare prima.
Invece di muoversi attraverso dozzine di celle una per una, un lettore può notare un'area concentrata, identificare quali combinazioni riga-colonna l'hanno creata e quindi tornare ai numeri sottostanti.
Questo può cambiare il modo in cui il lettore si avvicina a un foglio di calcolo denso:
Modello visibile → Celle pertinenti → Valori esatti
Questa sequenza è particolarmente utile quando la domanda riguarda la concentrazione piuttosto che un numero isolato.
L'intuizione più utile è spesso un cluster, non una singola cella
La cella più intensa in una mappa di calore non è automaticamente il risultato più importante.
L'esempio del ticket di supporto mostra perché.
Martedì alle 11: 00 è il massimo a 68 biglietti. Se l'analisi si fermasse lì, la conclusione potrebbe essere semplicemente che martedì alle 11: 00 è il periodo più affollato.
Le cellule circostanti raccontano una storia più utile.
Martedì registra 55, 68, 63 e 57 biglietti tra le 10 e le 13.
Il mercoledì registra 52, 64, 61 e 55.
Il giovedì registra 57, 66, 65 e 58.
Questo crea una banda ad alto volume sostenuta in diversi giorni e ore vicini.
Per le decisioni sul personale, il cluster di mezzogiorno ripetuto conta più di un massimo isolato.
Le zone calde ripetute mostrano dove si concentra l'attività
Gruppi di cellule ad alta intensità possono rivelare dove l'attività si concentra ripetutamente.
Per un team di supporto, il modello può indicare diverse ore adiacenti che richiedono una copertura aggiuntiva.
Un rivenditore potrebbe utilizzare una mappa di calore per identificare le combinazioni prodotto-regione che hanno prestazioni elevate o deboli.
Nella produzione, la concentrazione ripetuta intorno a determinate macchine e turni potrebbe dirigere l'attenzione verso problemi operativi.
I team di marketing possono utilizzare lo stesso principio per confrontare le prestazioni tra campagne e canali.
Il contesto aziendale cambia, ma la domanda analitica rimane simile:
Dove i valori importanti si verificano insieme piuttosto che in isolamento?
Le celle isolate possono indicare eccezioni
I cluster non sono gli unici modelli degni di nota.
Una singola cella che differisce nettamente dai valori circostanti può indicare un'eccezione che merita ulteriori indagini.
Se un periodo normalmente tranquillo diventa improvvisamente molto più attivo di periodi vicini, la mappa di calore può rendere tale deviazione più facile da notare.
Non può spiegare la causa.
Il passo successivo sarebbe ancora quello di controllare i record sottostanti e gli eventi aziendali rilevanti. Un rilascio del prodotto, un'interruzione del servizio, una campagna, un problema di fatturazione o un altro evento potrebbero spiegare il cambiamento.
Questa distinzione è importante.
Una visualizzazione può mostrare dove indagare senza dimostrare perché è successo qualcosa .
Il colore può rendere una mappa di calore più chiara o più fuorviante
Il colore è il principale meccanismo visivo in una mappa di calore, ma è anche uno degli elementi più facili da interpretare male.
Lo stesso set di dati può apparire molto diverso a seconda della scala, del punto medio e dell'intervallo utilizzato per codificare i valori.
I lettori dovrebbero quindi evitare di trattare l'intensità visiva come se fosse la misura originale.
Il colore rappresenta i dati. Non sono i dati stessi.
La scala cambia ciò che sembra importante
Immagina che la maggior parte dei valori scenda tra 90 e 100.
Se la scala dei colori è strettamente adattata a tale intervallo, la differenza visiva tra 91 e 99 può apparire drammatica.
Questo può essere appropriato quando un cambiamento di otto punti conta operativamente.
Ma se l'azienda considera valori da 90 a 100 essenzialmente simili, lo stesso design potrebbe esagerare visivamente una piccola differenza.
Il problema inverso si verifica quando la scala è troppo ampia.
Supponiamo che i valori importanti cadano tra 40 e 80, mentre il fondo scala va da 0 a 1.000. Le differenze all'interno dell'intervallo che conta in realtà possono diventare difficili da vedere.
Una mappa di calore dovrebbe quindi essere letta insieme alla sua legenda e ai valori sottostanti.
Una cella più scura ha significato solo in relazione alla scala che l ha prodotta.
Un punto medio significativo può contare più del massimo
Alcune mappe di calore non riguardano semplicemente il passaggio dal basso all alto.
La varianza del budget fornisce un utile esempio.
Un valore pari a zero può significare che la spesa corrisponde al budget.
I valori positivi potrebbero rappresentare un eccesso di spesa, mentre i valori negativi rappresentano un sottoutilizzo.
In questo caso, le informazioni importanti sono la direzione e la distanza da zero.
Una scala di colori divergente può distinguere i valori sui lati opposti di quel punto di riferimento.
Il punto medio dovrebbe quindi riflettere il significato commerciale dei dati.
Zero, target, media o un'altra soglia possono essere più informativi del semplice enfatizzare il numero più alto.
Una Heatmap funziona meglio quando la posizione ha un significato
La decisione di utilizzare una mappa di calore non dovrebbe iniziare con la dimensione del foglio di calcolo.
Dovrebbe iniziare con la struttura del confronto.
Una matrice come Hour × Day funziona perché ogni posizione rappresenta una combinazione temporale significativa.
Questo è esattamente ciò che accade nell'esempio del ticket di supporto. Muoversi orizzontalmente confronta la stessa ora in giorni diversi, mentre spostarsi verticalmente confronta ore diverse nello stesso giorno.
Altre strutture possono funzionare per lo stesso motivo.
Prodotto × Regione può mostrare come i singoli prodotti si comportano in tutti i mercati.
Metric × Department può posizionare le stesse misure su più team.
Machine × Shift può rendere più facili da identificare le concentrazioni operative ricorrenti.
In ogni caso, la posizione della cella contribuisce all'interpretazione.
Questo è ciò che dà il valore analitico della mappa di calore.
Le mappe di calore supportano ripetuti confronti di righe e colonne
Le mappe di calore sono più utili quando il lettore deve confrontare la stessa misura attraverso ripetute intersezioni riga-colonna.
Un grande set di dati da solo non è un motivo sufficiente per usarne uno.
Migliaia di osservazioni possono ancora essere meglio rappresentate come tendenza, classifica, distribuzione o relazione a seconda della domanda.
La struttura della matrice conta più del numero di righe.
Quando è più facile leggere un altro grafico?
Una mappa di calore non dovrebbe sostituire un grafico più semplice quando quel grafico risponde alla domanda in modo più diretto.
Se un'azienda vuole confrontare le vendite su cinque prodotti, un grafico a barre rende la classifica più facile da giudicare.
Le entrate mensili in un anno sono fondamentalmente una tendenza temporale ordinata, quindi un grafico a linee è di solito più chiaro.
Quando l'obiettivo è quello di indagare la relazione tra due variabili numeriche continue, un grafico a dispersione è più appropriato.
Una distribuzione delle singole osservazioni può essere più facile da capire con un istogramma.
Più dati non significa automaticamente che una mappa di calore è il grafico giusto.
La struttura del confronto conta di più.
I modelli diventano utili quando portano a una decisione
Trovare la cella più scura non è lo scopo finale di una mappa di calore.
Il risultato utile è capire se il modello visibile cambia ciò che qualcuno dovrebbe indagare, dare priorità o decidere.
Torna ai dati del ticket di supporto.
Un'interpretazione restrittiva sarebbe:
Martedì alle 11: 00 ha il più alto volume di biglietti a 68.
Questo riporta un valore.
Un'interpretazione più utile è:
Il volume dei biglietti rimane elevato intorno a mezzogiorno da martedì a giovedì, suggerendo che la copertura del personale durante quelle ore merita una revisione.
Ora la visualizzazione si è spostata attraverso quattro fasi:
Colore → Modello → Interpretazione → Decisione
La stessa logica si applica in altri settori.
Una concentrazione di problemi alle apparecchiature può indirizzare i team di manutenzione verso una particolare combinazione di cambio macchina.
Un cluster di prestazioni regionali può dire ai team di vendita quali combinazioni prodotto-mercato meritano una revisione più approfondita.
Una matrice di varianza del budget può mostrare quali dipartimenti si allontanano ripetutamente dall'obiettivo.
Nessuna di queste decisioni dovrebbe venire solo dal colore.
I valori di origine, le unità, la scala, le etichette e il contesto aziendale devono ancora essere controllati prima che la visualizzazione venga utilizzata per supportare l'azione.
L'esempio del ticket di supporto mostra anche perché questo è importante. La mappa di calore rende il cluster di mezzogiorno dal martedì al giovedì visivamente ovvio, ma decidere se il personale debba effettivamente cambiare richiederebbe ulteriori informazioni come la complessità del ticket, il tempo di risoluzione, i livelli di personale attuali e gli obiettivi di servizio.
Il grafico identifica un modello. Il contesto aziendale determina cosa fare con esso.
La migliore mappa di calore non è quindi necessariamente quella con i colori più forti.
È quello che rende più facile riconoscere un confronto importante senza distorcere le differenze sottostanti.
Quando i dati formano già una matrice riga-colonna significativa, un generatore di mappe di calore può ridurre il lavoro manuale richiesto per trasformare quei valori in un modello visivo. La scala, le etichette e i valori di origine risultanti dovrebbero comunque essere rivisti prima che il grafico venga utilizzato per una decisione.