Seit der Tableau-Version 2018.3 ist es möglich, Konzentrationen dichter, überlappender Daten auf Heatmaps kartografisch darzustellen. So lassen sich in geografischen Daten leichter räumliche Muster erkennen. Doch die Anwendung von Heatmaps ist nicht allein auf Karten beschränkt. Auch in Streu-, Punkt- und anderen Diagrammen lassen sie sich sinnvoll einsetzen.

Das Erstellen von Heatmaps in Tableau ist ganz einfach. Einfach den Markierungstyp „Dichte“ auswählen – los geht‘s. Außerdem stehen für die Arbeit mit Heatmaps in Tableau diverse Konfigurationsoptionen bereit. So können Sie die Dichte um eine Markierung und damit den Einflussbereich der Markierung ändern, indem Sie den Schieberegler für die Größe anpassen. Die Dichte lässt sich gewichten, indem auf „Farbe“ eine Kennzahl angewandt wird. Und mithilfe des Schiebereglers für die Intensität kann die Anzahl der Hotspots in den Daten erhöht oder gesenkt werden. Darüber hinaus haben wir im Einklang mit visuellen Best Practices neue Farbpaletten für helle und dunkle Hintergründe eingeführt. Bereits vorhandene Funktionen wie Filter, Seiten und Small Multiples sind sehr intuitiv gestaltet.

Für Heatmaps gibt es zahllose reale Anwendungsmöglichkeiten. Einige der geläufigsten stellen wir Ihnen in diesem Beitrag vor.

Kartierung von Längen- und Breitengraden: räumlicher Vergleich von 311-Anrufen in New Orleans

Kommunale Verwaltungen veröffentlichen regelmäßig themenbezogene Daten etwa zu Veranstaltungen, besonderen Vorfällen oder betrieblichen Aktivitäten. Gute Beispiele für Städte, die sich durch Transparenz dank offenen Daten auszeichnen, sind New York, Toronto und Melbourne. Aus Anlass der Tableau Conference 2018 besuchte ich New Orleans – eine aufregende Stadt, deren öffentlich zugängliche Daten ich genauer ins Visier nehmen wollte. Mein Augenmerk lag auf den Anrufen unter der Nummer 311 in den letzten sechs Jahren. Unter dieser Nummer können Bürger von New Orleans der Stadtverwaltung kleinere Anliegen melden.

Also stellte ich in Tableau eine Datenverbindung her und generierte mithilfe der Längen- und Breitengradfelder im Datensatz eine Karte der 311-Anrufe.

Quelle: Data NOLA Gov

Karten wie diese haben jedoch einen Haken: Ohne Filter lässt sich daraus nämlich kaum ein Muster ableiten. Um mir einen besseren Überblick über die räumliche Konzentration bestimmter Datenelemente zu verschaffen, kann ich unter „Filter anzeigen“ verschiedene Arten von gemeldeten Problemen auswählen. Doch auch dann ist die Datenmenge immer noch zu groß, und die Anwendung weiterer Filter würde meine Analyse zu sehr einschränken. Ein Vergleich der beiden in der Animation unten dargestellten Problemtypen ist schwierig, da sich die Datenpunkte räumlich sehr ähnlich zu verteilen scheinen.

Mit einer Heatmap lassen sich räumliche Konzentrationen jedoch sofort sichtbar machen. Vergleiche ich nun verschiedene 311-Meldungstypen oder kategorische Daten, springt der Unterschied gleich ins Auge. Dazu muss ich lediglich den Markierungstyp „Dichte“ auswählen – das Ergebnis sehen Sie unten.

Heatmaps zeigen räumliche Muster auf, aber mehr noch, es lässt sich sogar nachvollziehen, wie sich diese Muster im Laufe der Zeit verändern. Mithilfe von Seiten kann ich beispielsweise die Zahlen für herrenlose Fahrzeuge im Zeitverlauf betrachten. Dabei wird klar, dass die Zahl der gemeldeten Fälle von Jahr zu Jahr gestiegen ist, aber die örtlichen Schwerpunkte im Wesentlichen dieselben geblieben sind. Mit Seiten wird die Dichte für den gesamten Datensatz berechnet, was mittels einer Datenanimation den relativen Vergleich ermöglicht.

Streudiagramm: Mustererkennung bei Wurfpositionen im Basketball

Analytics hat die Arbeitsweise von Unternehmen verändert. In der Öffentlichkeit besonders wahrnehmbar ist die Anwendung von Analytics in der Welt des Sports. In fast jeder Sportart werden Schüsse, Tore, Abwehrleistungen und Spielerbewegungen nach räumlichen Mustern untersucht, denn jedes Team möchte daraus einen Wettbewerbsvorteil für sich ziehen. Eine Sportart mit einer umfangreichen, aber mitunter nur schwer analysierbaren Datengrundlage ist Basketball. Die folgende Visualisierung zeigt alle Wurfversuche in 100 Spielen der amerikanischen Profiliga NBA.

Die Dreipunktelinie sticht deutlich hervor, doch davon abgesehen sind in dieser Darstellung keine untersuchenswerten Muster zu erkennen. Mit einer Heatmap in Tableau lässt sich der Dschungel aus Datenpunkten lichten. Was sind die bevorzugten Wurfpositionen in der NBA insgesamt? Welche Tendenzen zeichnen sich bei einzelnen Teams ab? Schauen wir uns das genauer an.

Wurfversuche in der NBA – teamübergreifend

Im Teamvergleich der bevorzugten Wurfpositionen ergeben sich einige interessante Beobachtungen. Die Portland Trail Blazers weisen eine relativ gleichmäßige Verteilung entlang der Dreipunktelinie, aber praktisch keine Konzentration auf mittlere Distanz auf. Bei den Golden State Warriors ist das Bild ausgeglichener: Hier kommen auch Würfe aus mittlerer Entfernung und in Korbnähe auf hohe Prozentanteile.

Wer Sportdaten analysiert und veröffentlicht, sollte unbedingt ein Hintergrundbild festlegen, um die Daten in den richtigen Zusammenhang zu setzen. In diesem Fall habe ich das Basketballspielfeld verwendet, was die visuelle Analyse erleichtert.

Punktdiagramm: Analyse von Produktbestellungen im Zeitverlauf

Heatmaps sind perfekt für die Untersuchung dichter Daten in einem Streudiagramm, können in Tableau aber auch anderweitig kreativ eingesetzt werden. Unser nächstes Beispiel umfasst Produktbestellungen bei einem Büroausstatter über einen gewissen Zeitraum. Daten im Zeitverlauf lassen sich auf vielerlei Weise visualisieren. Für den Anfang entscheiden wir uns, einfach die einzelnen Bestellungen grafisch darzustellen.

Diese Ansicht verrät zunächst wenig, abgesehen von Dingen, die ohnehin zu erwarten waren – etwa dass Kopiergeräte eher selten bestellt werden. Wechsele ich hingegen zur Markierung „Formen“, zeichnen sich schon eher gewisse Tendenzen ab.

Ich sehe nun, dass Papier besonders häufig bestellt wird – ohne Zweifel häufiger als Bücherregale, Kopierer, Briefumschläge und Verbrauchsmaterialien. Um weitere Fragen zu klären, muss ich die Sache aber noch genauer unter die Lupe nehmen. Sehen Sie selbst, was passiert, wenn ich eine Heatmap auf die Visualisierung anwende:

Dank der Heatmap lässt sich für jedes einzelne Produkt ein Trend ausmachen, auch ein Vergleich zwischen den Produkten wird dadurch vereinfacht. Dieses Prinzip lässt sich auf alle möglichen Ereignisse im Zeitverlauf übertragen, seien es nun Einzelbestellungen nach Kunden, Einzahlungen und Abhebungen an einem Geldautomaten oder Wildtierbeobachtungen – mit einer Heatmap lassen sich Daten besser untersuchen und deuten.

Heatmaps in Tableau erleichtern Ihnen das Erkennen von Konzentrationen in Datensätzen. Heatmaps sind beliebig konfigurierbar und damit äußerst flexibel, sie können auf Karten und andere Visualisierungen angewandt werden, und mit Farben, Größen, Filtern, Seiten und Aktionen lässt sich die für den jeweiligen Zweck ideale Ansicht erstellen. Weitere Beispiele für Heatmaps finden Sie in unserer Visualisierungsgalerie.

Abonnieren Sie unser Blog