電子表格可以包含團隊需要的所有數字，但仍然使最重要的模式難以看到。
考慮一位客戶支持經理按一週中的一天和一天中的一小時查看票量。在本文使用的示例數據集中，週二從上午9點的34張票增加到上午11點的68張票，而週三和週四在中午前後顯示類似的增長。
表格中的每個數字都有。但是經理可能不僅僅對週二上午11點記錄了68張票這一事實感興趣。
更有用的問題更廣泛。
需求是否在中午前後反覆達到峯值？最繁忙的時期是否集中在特定的日子？一個時間段是否與周圍的值異常不同？在這些時間裏，人員配置水平應該改變嗎？
從網格中找到這些答案需要跨行和列重複比較。
熱圖通過使用顏色強度使更高、更低或不尋常的值在視覺上不同來更改該任務。
目的不僅僅是讓桌子更加豐富多彩。這是爲了讓二維圖案更容易識別。
在本文中，“熱圖”主要是指顏色編碼的數據矩陣，而不是網站點擊或滾動熱圖。
表顯示值，但模式更難看到
當有人需要檢索精確值時，表是有效的。
如果經理想知道週二上午10點到底有多少支持票到達，相應的單元可以立即提供答案。
當問題從一個值變成一個模式時，任務就變得更難了。
確定上午晚些時候是否總是比下午更忙需要在多天內比較幾個單元格。表格仍然包含答案，但模式可能不會立即可見。
密集數據會產生比較問題
困難往往出現在兩個有意義的維度反覆交叉時。
常見的結構包括：
日×小時
產品×地區
部門×公制
機器×班次
活動×頻道
每個單元格代表這些維度之間的一個交集。
隨着組合數量的增加，讀者需要將更多的值與周圍的行和列進行比較。這就是熱圖變得有用的地方。
這種跨行和列的顏色使用也符合Tableau在其“構建突出顯示錶或熱圖”留檔中關於比較分類數據的指導。
從支持工單表到可見模式
此處使用的支持工單數據集包含從上午9點到下午3點的七個小時時段和從週一到週五的五個工作日。
每個票證計數在原始表中已經可見。挑戰在於確定較高的值是否形成有意義的模式。
僅閱讀表格就會顯示個人價值，例如週二上午10點55張票，週二上午11點68張，週三上午11點64張，週四上午11點66張。
一旦相同的值顯示爲 熱圖，更廣泛的模式變得更容易定位。
週二上午11點包含最高的個人價值，68張門票。
然而，更有用的發現不僅限於那個單元格。
門票數量在週二、週三和週四從大約上午10點到下午1點保持上升。鄰近的高價值細胞形成一個可見的中午集羣。
對於支持經理來說，這種模式可能比單個最高小時更與人員配置決策相關。
該表對於檢查確切的計數仍然很有用。熱圖通過在查看單個值之前更容易識別整體濃度來增加另一層。
顏色將個人價值轉化爲可見的模式
熱圖爲每個值提供一個額外的視覺信號。
較高的值可能看起來更強烈，而較低的值仍然不太突出。在其他情況下，顏色可以指示高於或低於有意義的參考點的運動。
準確的值仍然很重要。顏色只是幫助讀者決定首先看哪裏。
讀者可以注意到一個集中的區域，找出是哪些行-列組合創建了它，然後返回底層數字，而不是一個接一個地瀏覽幾十個單元格。
這可以改變讀者處理密集電子表格的方式：
可見圖案→相關單元格→精確值
當問題涉及集中而不是一個孤立的數字時，這種順序特別有用。
最有用的見解通常是集羣，而不是單個細胞
熱圖中最強烈的細胞不會自動成爲最重要的發現。
支持票證示例說明了原因。
星期二上午11點最多有68張票。如果分析停在那裏，結論可能只是星期二上午11點是最繁忙的時期。
周圍的細胞講述了一個更有用的故事。
週二上午10點到下午1點記錄了55張、68張、63張和57張門票。
週三記錄了52、64、61和55。
週四記錄了57、66、65和58。
這在相鄰的幾天和幾個小時內創建了一個持續的高容量波段。
對於人員配置決定來說，重複的中午集羣不僅僅是一個孤立的最大值。
重複的熱點區域顯示活動集中在哪裏
高強度細胞羣可以揭示活動反覆集中的地方。
對於支持團隊，該模式可能表明需要額外覆蓋的幾個相鄰小時。
零售商可以使用熱圖來識別持續表現強勁或疲軟的產品區域組合。
在製造業中，圍繞某些機器和班次的重複集中可能會將注意力引向操作問題。
營銷團隊可以使用相同的原則來比較跨活動和渠道的績效。
商業環境發生了變化，但分析問題仍然相似：
“重要的價值觀是一起出現的，而不是孤立出現的？”
孤立的單元格可以指向異常
集羣並不是唯一值得注意的模式。
與周圍值明顯不同的單個單元格可能表示值得進一步研究的異常。
如果一個通常平靜的時期突然變得比相鄰時期活躍得多，熱圖可以使這種偏差更容易注意到。
它無法解釋原因。
下一步仍然是檢查基礎記錄和相關業務事件。產品發版、服務中斷、活動、計費問題或其他事件可能會解釋更改。
這種區分很重要。
可視化可以顯示在哪裏進行調查，而無需證明事情發生的原因。
顏色會使熱圖更清晰或更具誤導性
顏色是熱圖中的主要視覺機制，但它也是最容易被誤解的元素之一。
根據用於編碼值的尺度、中點和範圍，相同的數據集可能會出現非常不同的情況。
因此，讀者應避免將視覺強度視爲原始測量值。
顏色代表數據。它不是數據本身。
天平改變了看起來重要的東西
想象一下，大多數值都在90到100之間。
如果色階與該範圍緊密匹配，91和99之間的視覺差異可能會顯得戲劇性。
當八點變化在操作上很重要時，這可能是合適的。
但是，如果企業認爲90到100之間的值本質上是相似的，那麼相同的設計可能會在視覺上誇大微小的差異。
當規模過於寬泛時，就會出現相反的問題。
假設重要值落在40到80之間，而滿刻度從0到1,000。真正重要的範圍內的差異可能變得難以看到。
因此，應將熱圖與其圖例和基礎值一起閱讀。
一個較暗的細胞只與產生它的規模有關。
一個有意義的中點比最大值更重要
一些熱圖不僅僅是簡單地從低到高移動。
預算差異提供了一個有用的例子。
值爲零可能意味着支出與預算相符。
正值可能代表超支，負值代表支出不足。
在這種情況下，重要的信息是距離零的方向和距離。
發散色階可以區分參考點相對兩側的值。
因此，中點應反映數據的業務含義。
零、目標、平均值或其他閾值可能比簡單地強調最高數字更具信息性。
當位置有意義時，熱圖效果最好
使用熱圖的決定不應從電子表格的大小開始。
它應該從比較的結構開始。
像小時×天這樣的矩陣有效，因爲每個位置代表一個有意義的時間組合。
這正是支持工單示例中發生的情況。水平移動比較不同日子的相同小時，而垂直移動比較同一天內的不同小時。
其他結構也可以出於同樣的原因工作。
產品×地區可以顯示單個產品在市場上的表現。
指標×部門可以在多個團隊中放置相同的度量。
機器×Shift可以使重複的操作濃度更容易識別。
在每種情況下，單元的位置有助於解釋。
這就是賦予熱圖分析價值的原因。
熱圖支持重複的行和列比較
熱圖是最有用的，當讀者需要跨重複的行-列交叉點比較相同的措施。
單獨使用大型數據集並不足以成爲使用大型數據集的理由。
數以千計的觀察結果仍然可以更好地表示爲趨勢、排名、分佈或關係，具體取決於問題。
矩陣結構比行數更重要。
什麼時候另一個圖表更容易閱讀？
當圖表更直接地回答問題時，熱圖不應取代更簡單的圖表。
如果一家企業想比較五種產品的銷售額，條形圖 使排名更容易判斷。
一年中的月收入基本上是有序的時間趨勢，因此 折線圖 通常更清晰。
當目標是研究兩個連續數值變量之間的關係時，散點圖 更合適。
用直方圖可能更容易理解單個觀測值的分佈。
更多數據並不自動意味着熱圖是正確的圖表。
比較的結構更爲重要。
模式在導致決策時變得有用
找到最暗的單元格並不是熱圖的最終目的。
有用的結果是瞭解可見模式是否會改變某人應該調查、優先考慮或決定的內容。
返回支持工單數據。
狹義的解釋是：
週二上午11點的票量最高，爲68張。
報告一個值。
更有用的解釋是：
從週二到週四中午，門票數量仍然很高，這表明在這段時間的人員配備值得審查。
現在可視化已經經歷了四個階段：
顏色→圖案→解釋→決策
同樣的邏輯也適用於其他領域。
設備問題的集中可能會引導維護團隊轉向特定的機器換班組合。
區域績效集羣可以告訴銷售團隊哪些產品-市場組合值得更仔細的審查。
預算差異矩陣可以顯示哪些部門反覆偏離目標。
這些決定都不應該僅僅來自顏色。
在使用可視化支持操作之前，仍然需要檢查源值、單位、規模、標籤和業務上下文。
支持票證示例也說明了爲什麼這很重要。熱圖使週二到週四的中午集羣在視覺上顯而易見，但決定人員配置是否真的應該改變需要額外的信息，如票證複雜性、解決時間、當前人員配置水平和服務目標。
圖表確定了一種模式。業務環境決定了如何處理它。
因此，最好的熱圖不一定是顏色最強的熱圖。
它使重要的比較更容易識別，而不會扭曲潛在的差異。
當數據已經形成有意義的行和列矩陣時，熱圖生成器 可以減少將這些值轉換爲視覺模式所需的手動工作。在使用圖表進行決策之前，仍應查看生成的比例、標籤和源值。