Tutoriel Power BI sur les cartes thermiques - Comment créer des cartes thermiques avec des exemples

Start by loading a clean dataset and building a matrix where time-based columns show trends and categories describe groups. Apply a color scale to the values so the highest intensity appears in warm colors and the lowest in cooler tones. This basic approach helps you represent demand and performance at a glance and gives quick understanding of where to focus. Store the raw data in a stable location and refresh the dataset on a schedule that matches your temps horizon.

Within Power BI, choose the Matrix visual, place Temps on Columns and Catégorie on Rows, then drag Vente to Values. Open Conditional Formatting, select Background Color, and pick a Diverging color scale with a clear Min/Max. Keeping the range bounded (e.g., 0–100) improves readability and makes trends easier to compare across items. These steps help you compare things across some categories.

Try practical examples to see how it works: a dataset that spans a single store and also across networks, or a service volume log by hour in education contexts. If you have transcriptions or service interactions, aggregate by hour and map the count to color intensity. These concrete cases show what to expect when you apply the heatmap logic to your domain.

Tips to improve readability: keep the color palette to 5–7 shades, enable a legend with clear labels, add data labels or tooltips for exact figures, and provide a désiré target or benchmark via a separate KPI card. Within the visual, use a look for consistent formatting across pages and tie your heatmap to a related dataset for education and services scenarios.

Next steps: publish your report, share a link with stakeholders, and store the workbook in your workspace so team members can reuse it. With temps saved, analysts gain the ability to identify hot spots quickly and plan actions across departments, including networks, education, and services.

Hands-on steps to build and validate heatmaps in Power BI

Think of a heatmap as a grid where your measure colors each cell. Start by pulling a calendar date dimension and a financial fact table into Power BI using the appropriate connectors. If your data pipeline uses an importer, map fields carefully to avoid mismatches. Create or import a calendar table to enable time intelligence, and decide on daily or aggregated days for your analysis. This approach will give you a solid foundation for leveraging time-based insights.

Step 1: Prepare the data model. Connect to sources, ensuring the required field exist: date, field, product, and key financial values. Use connectors to load tables, then create relationships: date to the calendar, product to the product dimension. Set the default cross-filter direction to both if your model supports it. Verify the date field is continuous and linked, so days align across visuals.

Step 2: Build the measure. Create a detailed DAX expression to capture the metric you want to map to color, such as TotalSales = SUM( Sales[Amount] ). If you work with multiple currencies, add a simple currency selector as a slicer and incorporate it into the measure. Keep the field names consistent and label the measure clearly so the word used in labels remains understandable for end users.

Step 3: Create the heatmap visual. Use a Matrix visual with Rows = product category (or other category) and Columns = date (formatted to your chosen granularity). Values = the measure from Step 2. Enable conditional formatting for Background color, and choose a color scale from light to strong to reflect intensity. Sorting should apply to the Columns by Date in ascending order, and you can leverage a daily, weekly, or monthly default granularity depending on your data. If needed, add a small data label to enhance readability without clutter.

Step 4: Validate the results. Check that the grid renders without blank cells for expected days and that totals align with the source data across multiple dates. Look for any gaps that signal missing days in the calendar and investigate the corresponding rows in the importer or connectors. Whenever you adjust a slicer or filter, confirm the heatmap updates immediately and remains consistent with time-based expectations.

Step 5: Test interactivity and performance. Add slicers for date range, category, and region to simulate multiple user scenarios. Ensure the heatmap reacts to changes in sorting, granularity, and cross-filtering, and verify that rendering remains responsive when the dataset grows by changing the daily view to a broader calendar scope.

Step 6: Documentation and sharing. Document field mappings, the chosen time granularity, the formatting rules, and the validation checks you performed. Publish the report to your workspace, set up a refresh schedule via the appropriate connectors, and provide navigation notes so users can explore the calendar, date, and field selections with confidence.

Section 1: Data preparation – identify measures and dimensions for the grid

Specify a single set of measures that capture intensity and ventes, and map them to dimensions that define the grid. This méthode leveraging intelligence provides a clear starting point for the analyst, and particularly helps when you need quick decisions, such as for immediate channel reviews. The grid should accès data from a trusted source in a minute increments, so you can compare weekday patterns across periods and identify hotspots. Use a blue scale for intensity and keep the interface interactive to support drill-down into behavior details.

Choose measures with meaning for business outcomes: total ventes, conversion rate delta, and activity means such as visits per session. Specify time granularity and ensure magasin of data in a reliable fichier so you can analyze trends. weve observed that keeping a consistent subset of metrics improves cross-tab readability for analyst examine les résultats et aide les équipes à agir en conséquence.

Définir les dimensions de la grille : famille de produits, catégorie, région, canal et weekday en tant que dimension temporelle centrale. Pour plus de lisibilité, conservez un ensemble de dimensions limité et assurez-vous que chaque champ possède une accès chemin et une définition claire qui fonctionne avec divers filtres. Cette configuration prend en charge interactive exploration, donc un analyst peut cliquer sur une cellule pour révéler ce qui se cache dessous behavior details.

Adoptez une approche légère, interactive flux de travail : construire un blue carte thermique où l'intensité de chaque cellule reflète un certain d'ampleur de l'activité. Cette approche provides un modèle de données simple, qui stocke des valeurs sous schéma cohérent, et utilise un méthode largement pris en charge par les outils de BI. Une telle configuration autorise à vous analyze comportement, informer affaires décisions et donner accès aux bonnes parties prenantes.

Section 1 : Disposition en grille – organiser les lignes, les colonnes et les clés pour la carte thermique

Commencez avec une grille de 4×5 : 4 lignes pour les régions et 5 colonnes pour les périodes, et placez une légende dédiée (clés) pour assurer une interprétation intuitive et une action rapide.

Connectez les données de l'importateur à un visuel de matrice, mappez les régions aux lignes et les périodes aux colonnes, et affectez la mesure aux valeurs de la matrice. Cette configuration crée un tableau matriciel dans le rapport et permet une lisibilité très claire, une valeur informative pour les analystes et les rapports, et soutient la valeur éducative.

Étapes de mise en œuvre : 1) préparer les données dans l’outil d’importation et les nettoyer dans l’éditeur de requête, 2) ajouter le visuel de la matrice à la surface du rapport, 3) utiliser la mise en forme conditionnelle pour mettre en évidence les valeurs élevées et faibles, 4) ajouter une section distincte pour la clé, 5) tester la lisibilité dans les thèmes sombres et clairs.

Conseils pour les tendances et les actions : organisez par région, alignez sur les objectifs de l'organisation, utilisez une palette de couleurs homogène qui fonctionne en mode sombre pour préserver la lisibilité, et documentez l'approche d'interprétation afin que l'analyste puisse interpréter rapidement. Ceci est important pour la gouvernance et la formation, aidant l'analyste à tirer des informations exploitables et à renforcer les rapports. Envisagez d'ajouter un exemple à LinkedIn pour démontrer un récit de données clair et renforcer la valeur de l'organisation.

Section 1 : DAX pour les valeurs thermiques – créer une mesure pour piloter l'intensité des couleurs

Créez une seule mesure DAX nommée Intensité de chaleur pour piloter la couleur dans vos visuels. Cette approche basée sur les données normalise le contexte actuel afin que chaque cellule des tableaux/matrices, y compris les clients, les semaines et les zones, utilise la même échelle de gradient. Utilisez-la comme base pour les comparaisons numériques et les décisions d'étiquetage, et concentrez la création sur une métrique claire et réutilisable.

1. Identifiez la valeur de base à visualiser. Choisissez un champ numérique tel que le chiffre d'affaires total, le bénéfice ou les commandes, et assurez-vous qu'il s'agrège correctement dans vos visualisations.
2. Calculez le min et le max sur la portée pertinente. Utilisez ALLSELECTED pour respecter les segments tout en préservant le contexte visuel actuel :
3. Renvoie une valeur normalisée entre 0 et 1. Ceci permet une correspondance cohérente des couleurs à travers des zones et des tableaux/matrices connexes, même lorsque vous filtrez par groupes de clients ou par semaines.
4. Fournir le code DAX pour la mesure. Cet exemple utilise une valeur de revenu simple et tient compte des sélections actuelles :
5. Voici comment appliquer la mesure à la couleur. Utilisez le formatage conditionnel pour la couleur d'arrière-plan dans une matrice ou une carte de chaleur, en choisissant un dégradé qui passe du froid au chaud pour refléter les valeurs basses à élevées.

Exemple de code à placer dans Power BI en tant que nouvelle mesure :

Intensité de Chaleur :=
VAR v = SUM('Ventes'[Montant])
VAR mn = CALCULATE(MIN('Ventes'[Montant]), ALLSELECTED('Ventes'))
VAR mx = CALCULATE(MAX('Ventes'[Montant]), ALLSELECTED('Ventes'))
RETURN IF(mx - mn = 0, 0, (v - mn) / (mx - mn))

Conseils d'utilisation pratique :

• Option : basculer entre TOUT et TOUTSELECTIONNÉ pour modifier la portée de la normalisation. Utilisez TOUT pour une échelle globale et TOUTSELECTIONNÉ pour des gradients tenant compte des segments.
• Option : créer une intensité de chaleur divergente si vous préférez mettre l’accent sur un point médian, p. ex. 0,5 comme neutre, les écarts négatifs et positifs étant affichés dans des couleurs opposées.
• Commentaire : veuillez clairement indiquer l’unité de mesure (intensité de la chaleur, valeur normalisée) afin que les membres de l’équipe puissent la réutiliser dans différents projets sans mal interpréter l’échelle de couleurs.
• Les variables améliorent la lisibilité : séparez les calculs de v, mn et mx, puis assemblez le résultat final pour faciliter la maintenance dans les grands modèles.
• Il est plus facile de comparer les clients, les semaines et les domaines connexes lorsque l'échelle est fixée par la mesure plutôt que codée en dur par visuel.
• Si les sources de données couvrent plusieurs tables, envisagez une intégration couplerio ou hevo pour garantir la cohérence des devises, des dates ou des conversions d'unités avant la normalisation.
• Utile dans les exemples où vous construisez un rapport de narration axé sur les données, permettant un aperçu rapide des différences de performance entre les cohortes.

Comment appliquer dans un rapport :

1. Sélectionnez le visuel de matrice ou de tableau que vous souhaitez colorer par intensité thermique.
2. Ouvrez le volet de mise en forme conditionnelle et choisissez Couleur d'arrière-plan (ou Couleur de police).
3. Formater par valeur de champ et sélectionner la mesure Intensité de la chaleur.
4. Choisissez un gradient (par exemple, du bleu au rouge) et ajustez les couleurs min/max pour refléter l'accent visuel souhaité.
5. Étiquetage : assurez-vous que les étiquettes des axes et de la légende indiquent clairement que la couleur reflète une proportion numérique de la plage, et non des valeurs brutes.

Notes avancées :

• Si vous conservez une dimension de semaines, vous pouvez comparer les performances d'une semaine à l'autre tout en préservant un nuancier de couleurs stable.
• Pour les tableaux de bord de projet, combinez ceci avec une info-bulle numérique pour afficher la valeur réelle à côté de l'indication de couleur normalisée.
• Lorsque vous travaillez avec des tableaux/matrices provenant de sources multiples, vérifiez les types de données et les règles d'arrondi afin que la normalisation reste stable dans l'ensemble des visuels associés.
• Optionnel : créez une mesure distincte pour les valeurs maximale et minimale afin de les réutiliser dans d’autres éléments visuels ou d’afficher la plage actuelle dans une fiche.

Cette approche offre un signal couleur cohérent et interprétable dans l'ensemble des zones, des clients et des semaines, ce qui facilite l'identification rapide des valeurs aberrantes et des tendances, sans nécessiter d'étapes de création répétitives pour chaque visuel.

Section 2 : Réglage visuel – définir les échelles de couleurs, les légendes et les infobulles

Recommendation: Définissez une échelle de couleurs divergente pour les variations et une échelle séquentielle pour les valeurs absolues, puis verrouillez le minimum et le maximum à la plage de données. Cela rend les différences de valeurs claires entre les lignes de mois et les emplacements.

Choisissez des échelles de couleurs en fonction de la distribution des données. Pour les cartes thermiques de ventes, appliquez une palette séquentielle allant du clair au foncé pour mettre en évidence les valeurs les plus élevées ; pour les variations en pourcentage, utilisez une échelle divergente avec un point médian neutre. En mode automatique, Power BI s’adapte aux données, mais vous pouvez terminer en ajustant les points médians pour améliorer le contraste visuel et la lisibilité.

Affichez la légende et optimisez sa position pour une meilleure lisibilité. Utilisez un titre de légende concis (par exemple, “ Valeur ” ou “ Ventes ”) et placez la légende horizontalement pour économiser de l'espace vertical. Conservez des tailles de police cohérentes avec les autres éléments visuels et assurez-vous que la légende ne chevauche jamais les données dans les aperçus affichés.

Les info-bulles apportent un contexte qui va au-delà de la couleur. Dans le volet Info-bulle, ajoutez les champs valeur, mois et jour de la semaine, ainsi que les emplacements et le service afin de donner un contexte rapide lorsque vous passez la souris. Incluez les transcriptions ou les notes comme champ secondaire lorsque cela est possible, afin que les analystes puissent transformer un coup d'œil rapide en information exploitable sans revenir aux données sources.

Améliorez les signaux visuels avec une icône ou un petit indicateur qui signale la direction de la tendance. Par exemple, une flèche vers le haut dans l'infobulle ou l'en-tête aide les utilisateurs à interpréter les données d'un seul coup d'œil, renforçant ainsi la lisibilité sans encombrement. Cette approche favorise des tableaux de bord visuellement clairs qui soutiennent la conformité et la confiance dans les chiffres.

La mise en page et l'interaction sont importantes. Positionnez l'échelle de couleurs de manière à ce qu'elle reste en dehors de la grille principale, maintenez la visibilité des sous-totaux dans les matrices lorsque cela est pertinent, et assurez-vous que l'alignement horizontal préserve une lecture fluide. Lorsque vous cliquez sur une cellule, le rapport doit afficher les résultats filtrés, en montrant l'impact sur les mois, les lieux et les canaux de vente connexes.

L’accessibilité et la facilité d’utilisation sont des avantages concrets. Testez la palette de couleurs pour les utilisateurs daltoniens et vérifiez que la valeur et les sous-totaux restent lisibles lorsque vous faites défiler les mois. Si vous devez afficher des détails longs, annotez-les à l'aide d'une courte infobulle d'icône plutôt que d'occuper de l'espace supplémentaire, ce qui préserve la lisibilité pour les utilisateurs occupés qui travaillent avec des données de jours de semaine et de week-end.

Conseils pratiques : commencez par régler le min–milieu–max de l'échelle de couleurs, puis affinez la légende et les info-bulles. En quelques minutes, vous pouvez créer une carte thermique qui communique clairement les performances des services par lieux et par mois, prend en charge les contrôles de conformité et met en évidence les segments les plus performants pour les équipes de vente.