Heatmaps im Dashboard: Bedeutet dieselbe Farbe auch denselben Wert?

Wenn Sie Zeiträume oder Standorte anhand von Heatmaps vergleichen möchten, braucht die Farbskala eine vereinbarte Bedeutung. Derselbe Farbton sollte bei einem direkten Vergleich denselben Messwert bezeichnen. Eine automatische Anpassung je Ansicht kann dagegen lokale Unterschiede hervorheben, ohne einen verlässlichen Vergleich zwischen den Ansichten zu erlauben.

Beauftragen Sie deshalb nicht nur eine farbige Tabelle. Legen Sie Messgröße, Skalenbereich und Vergleichszweck fest, bevor die Gestaltung beginnt. Diese Anleitung beschreibt Anforderungen an eine Berichts-App, keine bereits ausgeführte Analyse Ihrer Geschäftsdaten.

Eine Zelle braucht eine fachliche Definition

Eine Heatmap kann beispielsweise Wochentage in Spalten und Arbeitsbereiche in Zeilen zeigen. Was steht dann in einer Zelle: eingegangene Anfragen, abgeschlossene Aufträge oder die durchschnittliche Bearbeitungsdauer? Das ist ein hypothetisches Planungsbeispiel, kein Bericht über ein bestimmtes Unternehmen.

Nennen Sie Einheit, Zeitraum und gegebenenfalls den Nenner. Eine Anzahl und eine Quote können dieselbe Tabellenform nutzen, beantworten aber unterschiedliche Fragen. Die Farbskala muss sich auf die tatsächlich angezeigte Größe beziehen. Werden nach einer Filteränderung andere Daten ausgewertet, muss der sichtbare Kontext dazu passen.

Datenwert und Farbton sind zwei getrennte Schritte

Die offizielle Matplotlib-Anleitung zur Farbnormalisierung erklärt die Zuordnung in zwei Schritten: Zuerst werden Eingangswerte normalisiert, anschließend wird daraus eine Position in der Farbpalette bestimmt. Die Standardnormalisierung ordnet den Bereich zwischen einer unteren und einer oberen Grenze linear zu.

Für Auftraggeber ist daran wichtig: Dieselbe Palette allein garantiert noch keine gleiche Bedeutung. Auch die Grenzen und die Art der Normalisierung müssen übereinstimmen. Zwei Kacheln können optisch identisch gestaltet sein und trotzdem unterschiedliche Wertbereiche auf dieselben Farben abbilden.

Matplotlib ist hier ein dokumentiertes Implementierungsbeispiel. Ihre App muss diese Bibliothek nicht einsetzen. Entscheidend ist, dass die beauftragte Lösung ihre Zuordnungsregel nachvollziehbar umsetzt.

Lokale Muster oder direkter Vergleich?

Eine automatische Skala pro Ansicht kann sinnvoll sein, wenn Sie innerhalb jeder einzelnen Ansicht nach auffälligen Bereichen suchen. Der kräftigste Farbton bezeichnet dann möglicherweise jeweils einen anderen Höchstwert. Schreiben Sie diese Einschränkung sichtbar dazu.

Für einen direkten Vergleich empfehle ich dagegen einen gemeinsam festgelegten Bereich. Das kann ein dokumentierter fachlicher Bereich oder ein ausdrücklich aus der gemeinsamen Vergleichsmenge bestimmter Bereich sein. Entscheiden Sie auch, ob er sich beim Wechsel des ausgewählten Zeitraums neu berechnet. Eine gemeinsame Skala innerhalb eines Bildschirms ist nicht automatisch über mehrere gespeicherte Monatsberichte hinweg stabil.

Die praktische Abwägung bleibt sichtbar: Ein sehr großer gemeinsamer Bereich kann kleine Unterschiede schwer erkennbar machen. Eine lokale Skala zeigt diese Unterschiede deutlicher, ändert aber die Vergleichsaussage. Bieten Sie gegebenenfalls zwei klar bezeichnete Ansichten an, statt unbemerkt zwischen beiden Regeln zu wechseln.

Hat die Mitte eine Bedeutung?

Bei reinen Mengen kann eine geordnete Helligkeitsfolge eine passende Ausgangsidee sein. Bei Abweichungen von einem Zielwert ist dagegen die fachliche Mitte wichtig. Unterhalb und oberhalb dieses Bezugspunkts können unterschiedliche Farbrichtungen sinnvoll sein. Das sind Gestaltungsvorschläge, keine allgemeingültige Pflicht für jede Kennzahl.

Die Matplotlib-Dokumentation beschreibt eine zentrierte Normalisierung für symmetrische Abweichungen um einen Mittelpunkt. Sie beschreibt außerdem eine andere Normalisierung mit unterschiedlichen linearen Skalen auf beiden Seiten eines konzeptionellen Mittelpunkts. Eine mittlere Farbe bedeutet deshalb nicht zwingend, dass die absoluten Abstände zu beiden Enden gleich sind.

Legen Sie fest, ob der Bezugspunkt null, ein Sollwert oder eine andere fachlich begründete Größe ist. Verwenden Sie nicht einfach den Mittelwert der gerade sichtbaren Daten als vermeintlich neutrale Mitte, wenn Leser eigentlich eine Abweichung vom vereinbarten Ziel beurteilen sollen. Beschriften Sie den Bezugspunkt und erklären Sie eine bewusst asymmetrische Skala.

Grenzwerte, Lücken und genaue Werte bleiben sichtbar

Klären Sie, was außerhalb des festgelegten Bereichs geschieht. Werden solche Zellen gesondert markiert? Bleiben ihre genauen Werte abrufbar? Eine gesättigte Farbe darf nicht unbemerkt den Eindruck erwecken, alle darüberliegenden Werte seien gleich.

Vereinbaren Sie auch eine eigenständige Darstellung für nicht verfügbare Daten. Ein fehlender Messwert ist keine niedrige Ausprägung der Kennzahl. Diese Datenregel ist eine Anforderung an Ihr Produkt und wird nicht durch die Wahl einer Farbpalette erledigt.

Eine Legende sollte Einheit, relevante Grenzen und einen etwaigen Mittelpunkt zeigen. Ergänzen Sie eine lesbare Werteansicht oder eine geeignete Tabelle, damit die Information nicht ausschließlich von der Farberkennung abhängt. Das ist ein Ausgangspunkt für die Zugänglichkeitsplanung, keine Bescheinigung einer vollständigen Barrierefreiheitsprüfung.

Mit denselben Werten in verschiedenen Ansichten abnehmen

Halten Sie die Skalenregel in den Akzeptanzkriterien Ihrer Web-App fest. Verwenden Sie dafür synthetische Testdaten, keine vertraulichen Kundendaten.

• Zeigen Sie denselben Messwert in zwei Vergleichsansichten. Bei vereinbarter gemeinsamer Skala muss seine Farbzuordnung übereinstimmen.
• Wechseln Sie einen Filter und kontrollieren Sie, ob die Grenzen entsprechend der dokumentierten Regel stabil bleiben oder sich sichtbar ändern.
• Prüfen Sie den Bezugspunkt sowie Werte auf beiden Seiten. Eine asymmetrische Zuordnung muss zur Legende passen.
• Ergänzen Sie Werte außerhalb des Bereichs und eine Datenlücke. Beide Fälle müssen unterscheidbar bleiben.
• Vergleichen Sie Zellwert, Legende und verfügbare Tabellenansicht. Sie müssen dieselbe Messgröße und denselben Datenstand beschreiben.
• Exportieren Sie eine Ansicht. Auch außerhalb der App müssen Einheit und Skalenbedeutung nachvollziehbar sein.

Diese Liste sind vorgeschlagene Prüfungen, kein bereits durchgeführter Browsertest. Für die Planung einer Berichts-App ist eine kleine Beispieltabelle mit der gewünschten Vergleichsfrage hilfreicher als eine Palette ohne fachliche Definition.

Häufige Fragen

Muss jede Heatmap dieselbe Skala haben?

Nein. Unterschiedliche Messgrößen brauchen nicht denselben Wertebereich. Bei direkt verglichenen Ansichten derselben Messgröße sollte die Zuordnung jedoch bewusst abgestimmt sein. Lokale Skalen sind eine andere Lesart und müssen erkennbar bleiben.

Ist Rot automatisch schlecht?

Nein. Die Bedeutung ergibt sich aus der Kennzahl und der vereinbarten Darstellung. Ein hoher Wert kann erwünscht, problematisch oder zunächst nur eine Beobachtung sein. Die Legende darf die fachliche Einordnung nicht ersetzen.

Kann die App Farben automatisch auswählen?

Ja, aber die Automatik braucht Regeln. Palettenwahl, Bereich, Mittelpunkt und Verhalten bei neuen Daten gehören zum Auftrag. Eine technisch verfügbare Standardpalette beantwortet diese Fragen nicht für Ihr Unternehmen.

Quelle und Grenzen

Matplotlib: Colormap normalization, gelesen am 26. Oktober 2026. Die Quelle stützt die zweistufige Zuordnung, lineare Grenzen sowie zentrierte und unterschiedlich skalierte Bereiche um einen Mittelpunkt. Empfehlungen zu Vergleichsansichten, Datenlücken, Abnahme und Export sind daraus abgeleitete Produktplanung, keine zugesagten Funktionen oder verifizierten Geschäftsergebnisse.