Termo de produto: gerador de mapas de calor
Uma folha de cálculo pode conter todos os números de que uma equipa necessita, mas ainda assim dificultar a visualização do padrão mais importante.
Imagine um gerente de suporte ao cliente analisando o volume de chamados por dia da semana e hora do dia. No conjunto de dados de exemplo utilizado neste artigo, o volume de terça-feira sobe de 34 chamados às 9h para 68 às 11h, enquanto quarta-feira e quinta-feira apresentam aumentos semelhantes por volta do meio-dia.
Todos os números constam na tabela. Mas é provável que o gerente não se interesse apenas pelo fato de que terça-feira, às 11h, foram registrados 68 chamados.
As perguntas mais úteis são as mais abrangentes.
A demanda atinge picos repetidamente por volta do meio-dia? Os períodos de maior movimento estão concentrados em dias específicos? Existe um intervalo de tempo que se mostra invulgarmente diferente dos valores registados nos períodos adjacentes? Os níveis de pessoal devem ser alterados durante esse horário?
Encontrar essas respostas a partir de uma grelha requer comparações repetidas entre linhas e colunas.
Um mapa de calor altera essa tarefa ao usar a intensidade da cor para tornar os valores mais altos, mais baixos ou incomuns visualmente distintos.
O objetivo não é simplesmente tornar uma tabela mais colorida, mas sim facilitar o reconhecimento de padrões em duas dimensões.
Neste artigo, o termo “mapa de calor” refere-se principalmente a uma matriz de dados com codificação por cores, e não aos mapas de calor de cliques ou rolagem de sites.
Uma tabela exibe os valores, mas o padrão é mais difícil de identificar
As tabelas são eficazes quando alguém precisa recuperar um valor exato.
Se um gestor quiser saber exatamente quantos tickets de suporte chegaram às 10h de terça-feira, a célula correspondente pode fornecer a resposta imediatamente.
A tarefa se torna mais difícil quando a questão deixa de se referir a um único valor e passa a abordar um padrão.
Para determinar se os finais da manhã são sistematicamente mais movimentados do que as tardes, é necessário comparar várias células ao longo de vários dias. Uma tabela ainda contém a resposta, mas o padrão pode não ser imediatamente visível.
Dados Densos Criam um Problema de Comparação
A dificuldade surge frequentemente quando duas dimensões significativas se cruzam repetidamente.
As estruturas comuns incluem:
Dia × Hora
Produto × Região
Departamento × Métrica
Máquina × Turno
Campanha × Canal
Cada célula representa uma interseção entre essas dimensões.
À medida que o número de combinações aumenta, os leitores precisam comparar mais valores com as linhas e colunas adjacentes. É nesse ponto que um mapa de calor pode ser útil.
Essa utilização de cores entre linhas e colunas também está alinhada com as orientações do Tableau sobre a comparação de dados categóricos na sua documentação de “Criar uma tabela de destaque ou um mapa de calor”.
De uma tabela de tickets de suporte a um padrão visível
O conjunto de dados de tickets de suporte utilizado aqui compreende sete períodos de uma hora, das 9h às 15h, e cinco dias úteis, de segunda a sexta-feira.
Todos os números de bilhetes já estão visíveis na tabela original. O desafio consiste em identificar se os valores mais elevados formam um padrão significativo.
Apenas a leitura da tabela permite visualizar valores individuais, como 55 bilhetes na terça-feira às 10h, 68 na terça-feira às 11h, 64 na quarta-feira às 11h e 66 na quinta-feira às 11h.
Uma vez que os mesmos valores sejam exibidos como um mapa de calor, o padrão mais amplo torna-se mais fácil de identificar.
Terça-feira às 11h apresenta o valor individual mais elevado, com 68 bilhetes.
No entanto, a descoberta mais útil não se limita apenas a essa única célula.
O volume de chamados permanece elevado ao longo de terça-feira, quarta-feira e quinta-feira, aproximadamente entre as 10h e as 13h. As células de alto valor adjacentes formam um agrupamento visível no período do meio-dia.
Para um gerente de suporte, esse padrão pode ser mais relevante para as decisões de alocação de pessoal do que o único pico de horas registrado.
A tabela continua a ser útil para verificar as contagens exatas. O mapa de calor acrescenta uma camada adicional, facilitando a identificação da concentração geral antes da análise dos valores individuais.
A cor transforma valores individuais num padrão visível
Um mapa de calor atribui a cada valor um sinal visual adicional.
Valores mais elevados podem parecer mais intensos, enquanto valores mais baixos permanecem menos proeminentes. Em outros casos, as cores podem indicar um movimento acima ou abaixo de um ponto de referência significativo.
Os valores exatos continuam a ser importantes. A cor apenas ajuda os leitores a decidir para onde devem olhar primeiro.
Em vez de percorrer dezenas de células uma a uma, o leitor pode notar uma área concentrada, identificar quais combinações de linha e coluna a criaram e depois retornar aos números subjacentes.
Isso pode mudar a forma como o leitor aborda uma planilha densa:
Padrão visível → Células relevantes → Valores exatos
Essa sequência é especialmente útil quando a questão se refere a uma concentração, e não a um número isolado.
A percepção mais útil geralmente é um conjunto, não uma única célula
A célula mais intensa num mapa de calor não é automaticamente a descoberta mais importante.
O exemplo do ticket de suporte ilustra o motivo.
Terça-feira às 11h registou o máximo de 68 bilhetes. Se a análise parasse por aí, a conclusão poderia ser simplesmente que terça-feira às 11h é o período de maior movimento.
As células vizinhas revelam informações muito mais úteis.
Na terça-feira, entre as 10h e as 13h, foram registados 55, 68, 63 e 57 bilhetes, respetivamente.
Quarta-feira regista os valores 52, 64, 61 e 55.
Quinta-feira regista os valores 57, 66, 65 e 58.
Isso cria uma faixa sustentada de alto volume ao longo de vários dias e horas vizinhos.
Para as decisões de pessoal, o agrupamento repetido ao meio-dia tem mais importância do que um pico isolado.
Zonas Quentes Recorrentes Indicam Onde a Atividade se Concentra
Agrupamentos de células de alta intensidade podem revelar os locais onde a atividade se concentra repetidamente.
Para uma equipa de suporte, este padrão pode indicar várias horas consecutivas que necessitam de cobertura adicional.
Um varejista pode usar um mapa de calor para identificar combinações de produto e região que apresentam desempenho consistentemente forte ou fraco.
No setor manufatureiro, a concentração recorrente em determinadas máquinas e turnos pode direcionar a atenção para problemas operacionais.
As equipes de marketing podem usar o mesmo princípio para comparar o desempenho entre campanhas e canais.
O contexto de negócios muda, mas a questão analítica permanece semelhante:
“Onde os valores importantes ocorrem em conjunto, e não de forma isolada?”
Células isoladas podem indicar exceções
Aglomerados não são os únicos padrões que valem a pena notar.
Uma única célula que difira acentuadamente dos valores circundantes pode indicar uma exceção que mereça uma investigação mais aprofundada.
Se um período que normalmente é de baixa atividade de repente se tornar muito mais ativo do que os períodos vizinhos, o mapa de calor pode facilitar a percepção desse desvio.
Isso não consegue explicar a causa.
O próximo passo ainda seria verificar os registros subjacentes e os eventos de negócios relevantes. Um lançamento de produto, interrupção de serviço, campanha, problema de faturamento ou outro evento pode explicar a alteração.
Essa distinção é importante.
Uma visualização pode indicar onde investigar, sem provar por que algo aconteceu.
A cor pode tornar um mapa de calor mais claro ou mais enganador
A cor é o principal mecanismo visual de um mapa de calor, mas também é um dos elementos mais fáceis de interpretar de forma incorreta.
O mesmo conjunto de dados pode parecer muito diferente dependendo da escala, do ponto médio e do intervalo utilizados para codificar os valores.
Por conseguinte, os leitores devem evitar tratar a intensidade visual como se se tratasse da medição original.
A cor representa os dados. Não é os dados em si.
A escala altera o que parece ser importante
Imagine que a maioria dos valores se situe entre 90 e 100.
Se a escala de cores for ajustada com precisão a esse intervalo, a diferença visual entre 91 e 99 pode parecer acentuada.
Isso pode ser apropriado quando uma variação de oito pontos tiver relevância operacional.
Mas se a empresa considerar que os valores de 90 a 100 são essencialmente semelhantes, o mesmo design pode exagerar visualmente uma pequena diferença.
O problema inverso ocorre quando a escala é demasiado ampla.
Suponha que os valores importantes se situem entre 40 e 80, enquanto a escala completa vai de 0 a 1000. As diferenças dentro do intervalo que realmente importa podem tornar-se difíceis de distinguir.
Por conseguinte, um mapa de calor deve ser interpretado em conjunto com a sua legenda e os valores subjacentes.
Uma célula mais escura só tem significado em relação à escala que a gerou.
Um ponto intermediário significativo pode ser mais importante que o valor máximo
Alguns mapas de calor não se limitam simplesmente a representar uma progressão de valores baixos para valores altos.
A variação orçamentária fornece um exemplo útil.
Um valor igual a zero pode significar que os gastos corresponderam ao orçamento.
Valores positivos podem representar gastos excessivos, enquanto valores negativos representam gastos insuficientes.
Nesse caso, as informações importantes são a direção e a distância em relação ao zero.
Uma escala de cores divergente consegue distinguir valores situados em lados opostos desse ponto de referência.
Por conseguinte, o ponto médio deve refletir o significado comercial dos dados.
Zero, uma meta, a média ou outro limite pode ser mais informativo do que simplesmente enfatizar o número mais alto.
Um mapa de calor funciona melhor quando a posição tem significado
A decisão de utilizar um mapa de calor não deve começar pelo tamanho da folha de cálculo.
Ele deve começar pela estrutura da comparação.
Uma matriz como Hora × Dia funciona porque cada posição representa uma combinação de tempo significativa.
É exatamente isso que acontece no exemplo do ticket de suporte: o movimento horizontal compara a mesma hora em dias diferentes, enquanto o movimento vertical compara horas diferentes no mesmo dia.
Outras estruturas podem funcionar pelo mesmo motivo.
Produto × Região permite visualizar o desempenho de cada produto em diferentes mercados.
Métrica × Departamento permite alocar as mesmas métricas em várias equipes.
Máquina × Turno pode facilitar a identificação de concentrações operacionais recorrentes.
Em cada caso, a posição da célula contribui para a interpretação.
É isso que confere valor analítico ao mapa de calor.
Mapas de Calor Suportam Comparações Repetidas entre Linhas e Colunas
Mapas de calor são mais úteis quando o leitor precisa comparar a mesma métrica em interseções repetidas entre linhas e colunas.
Um grande conjunto de dados por si só não é um motivo suficiente para utilizá-lo.
Milhares de observações ainda podem ser melhor representadas como uma tendência, classificação, distribuição ou relação, dependendo da questão em análise.
A estrutura da matriz é mais importante do que o número de linhas.
Quando outro tipo de gráfico é mais fácil de ler?
Quando um gráfico mais simples responde à pergunta de forma mais direta, um mapa de calor não deve substituí-lo.
Se uma empresa quiser comparar as vendas de cinco produtos, um gráfico de barras facilita a avaliação do ranking.
A receita mensal ao longo de um ano é fundamentalmente uma tendência temporal ordenada, portanto, um gráfico de linhas geralmente é mais claro.
Quando o objetivo é investigar a relação entre duas variáveis numéricas contínuas, um gráfico de dispersão é mais adequado.
A distribuição de observações individuais pode ser mais fácil de compreender com um histograma.
Mais dados não significam automaticamente que um mapa de calor é o gráfico adequado.
A estrutura da comparação é o que mais importa.
Os padrões só se tornam úteis quando levam a uma decisão
Encontrar a célula mais escura não é o objetivo final de um mapa de calor.
O resultado útil é compreender se o padrão visível altera o que uma pessoa deve investigar, priorizar ou decidir.
Voltar aos dados do ticket de suporte.
Uma interpretação restrita seria a seguinte:
Terça-feira às 11h registou o maior volume de bilhetes, com 68 unidades.
Isso informa um valor.
Uma interpretação mais útil é a seguinte:
O volume de chamados permanece elevado por volta do meio-dia entre terça-feira e quinta-feira, o que sugere que a cobertura de pessoal nesses horários merece ser revista.
Agora, a visualização passou por quatro etapas:
Cor → Padrão → Interpretação → Decisão
A mesma lógica se aplica a outras áreas.
Uma concentração de problemas de equipamento pode direcionar as equipes de manutenção para uma combinação específica de máquina e turno.
O agrupamento de desempenho regional pode indicar às equipes de vendas quais combinações de produto e mercado merecem uma análise mais aprofundada.
Uma matriz de variação orçamentária pode indicar quais departamentos se desviam repetidamente da meta estabelecida.
Nenhuma dessas decisões deve ser tomada apenas com base na cor.
Os valores de origem, unidades, escala, rótulos e contexto comercial ainda precisam ser verificados antes que a visualização seja utilizada para embasar a tomada de decisão.
O exemplo do ticket de suporte também ilustra por que isso é relevante. O mapa de calor torna o agrupamento de chamadas ao meio-dia entre terça e quinta-feira visualmente evidente, mas decidir se o efetivo de pessoal realmente precisa ser ajustado exigiria informações adicionais, como a complexidade dos tickets, o tempo de resolução, os níveis atuais de pessoal e as metas de serviço.
O gráfico identifica um padrão. O contexto de negócios define como lidar com ele.
Portanto, o melhor mapa de calor não é necessariamente aquele com as cores mais intensas.
É ele que permite que uma comparação importante seja mais facilmente reconhecida, sem distorcer as diferenças subjacentes.
Quando os dados já formam uma matriz de linhas e colunas com significado, um gerador de mapas de calor pode reduzir o trabalho manual necessário para transformar esses valores em um padrão visual. A escala, os rótulos e os valores de origem resultantes ainda devem ser revisados antes que o gráfico seja usado para uma tomada de decisão.