히트맵, 레이더 차트, 덤벨 차트의 기본 용도부터 시계열 데이터 활용법까지
시계열 데이터를 표현할 때 가장 먼저 떠오르는 차트는 무엇인가요? 대부분 ‘선 차트’를 떠올릴 텐데요! 선 차트는 시간의 흐름에 따라 데이터가 어떻게 변하는지를 보여주는 대표적인 시각화 방법입니다. 하지만 시계열 데이터를 꼭 선으로만 그려야 할까요? 꼭 선 차트가 아니어도, 시계열 데이터의 흐름과 변화를 효과적으로 표현할 수 있는데요! 오늘은 시계열 데이터 시각화 유형으로 잘 떠올리지 못하는 시각화 유형이지만, 시계열 데이터를 접목했을 때 해석의 새로운 관점을 얻을 수 있는 세 가지 시각화 유형을 소개합니다.
1. 두 시계열 축으로 데이터의 종합 분포를 알고 싶을 때, 히트맵
첫 번째로 소개할 시각화 유형은 히트맵인데요! 열(heat)+지도(map)의 합성어인 히트맵은 데이터를 선이 아닌 색으로 표현하는 시각화 방식입니다. 히트맵은 색의 농도나 색상 차이로 X, Y축의 두 변수 간 관계가 강한지 약한지를 직관적으로 확인하는 차트입니다.
사례로 이해를 더해볼까요? 위 이미지는 각 나라 사람이 다른 나라의 음식을 얼마나 좋아하는지를 색으로 표현한 히트맵입니다. X축에는 음식을 평가한 나라, Y축에는 평가 대상 나라의 음식이 나열되어 있습니다. 각 셀은 평가 점수로 점수가 높을수록 초록색, 점수가 낮을수록 빨간색 계열로 표시합니다. 중간 점수인 50점 부근은 노란색으로 표시되어 색상만으로 점수의 대략적인 수준을 파악할 수 있습니다.
히트맵의 색상 분포에 집중하여 인사이트를 도출해 볼까요? 전체적으로 위에서 아래로 갈수록 초록색→노란색→빨간색으로 이어지는 색상 흐름을 보입니다. 상단을 보면 이탈리안 음식, 중식, 일식 등이 주로 초록색과 노란색 계열로 표현되어 평가하는 국가와 상관없이 전반적으로 높은 평가를 받은 것을 알 수 있습니다. 이제 시선을 하단으로 옮겨볼까요? 사우디아라비아식, 핀란드식, 페루식 음식은 전반적으로 노란색과 빨간색으로 표현되어 대부분의 국가로부터 낮은 평가를 받은 것을 알 수 있습니다. 특히 가장 오른쪽 열의 일본은 이 세 나라 음식에 모두 10점대로 낮은 점수를 매겨 빨간색이 더욱 두드러집니다.
색의 분포로 두 개의 지표 간의 관계를 파악하는 히트맵에 시계열 데이터를 더해보면 어떨까요? X축과 Y축을 시간대, 일, 요일, 월, 분기, 연도 등과 같은 시계열 기준으로 바꿔보는 거죠! 이렇게 하면 시간 축을 기준으로 주기적으로 반복되는 패턴이나 특정 시점에만 나타나는 이상치 등의 데이터 패턴을 색상으로 발견할 수 있습니다. 다음의 두 가지 사례를 통해 그 인사이트를 직접 알아보도록 하겠습니다.
위 차트는 2020년 한 해 동안 매일의 기분을 기록한 히트맵인데요. 두 축 모두 시계열 데이터로, X축은 일 단위, Y축은 월 단위로 구성되었습니다. 따라서 각 셀은 몇 월 며칠에 해당하는 하루를 의미합니다. 색상은 데일리 무드 단계에 따라 구분되어 표현되었는데요! 일반적으로 히트맵에서는 색이 연속적으로 변하는 그라데이션 형태를 사용하는데, 이번 사례에서는 데일리 무드별로 각기 다른 색깔 범주를 사용했습니다. 1단계가 가장 기분이 좋은 상태를 의미하며 1단계부터 6단계까지 순서대로 파란색, 남색, 검은색, 빨간색, 주황색, 하얀색으로 표현되었습니다.
일별 셀의 색 분포를 보면 2단계의 남색이 가장 많이 보여, 한 해 동안 전반적으로 긍정적인 기분 상태였음을 알 수 있습니다. 이제 X축(일)과 Y축(월)을 함께 고려하여 월별 변화를 알아볼까요? 2월(Feb)에는 1단계의 파란색이 8일, 21일, 28일에 나타나며, 1년 전체 총 5번 중 3번이 2월에 집중되었습니다. 7월(Jul)에는 4, 5단계의 빨간색과 주황색 셀이 월초 구간에 몰려 있고, 14일에는 가장 낮은 단계인 하얀색, 31일에는 다시 파란색이 나타납니다. 흥미롭게도 7월은 모든 색상이 등장한 유일한 달로, 이 시기에 작성자의 감정 변화가 다양했음을 알 수 있습니다.
위 사례가 일과 월 조합인 히트맵이었다면, 다른 시계열 조합을 통해서도 더 풍부한 인사이트를 발견할 수 있는데요! 이번에는 뉴스젤리가 SKT Data Hub의 데이터를 활용해 제작한 히트맵 차트 사례로 이해를 더해보겠습니다.
위 두 히트맵 차트는 2016년 12월 대구의 콜택시 이용 변화를 나타냅니다. 왼쪽 차트는 X축을 요일, Y축을 시간대(아침, 낮, 저녁, 밤)로 구성한 시계열 조합으로, 시간대는 각각 아침(4~9시), 낮(10~15시), 저녁(16~21시), 밤(22~3시)으로 구분합니다. 색상의 진하기는 이용량(콜 수)를 나타내고, 색이 진할수록 이용량이 많음을 뜻합니다. 오른쪽 차트는 동일한 데이터를 사용하지만 X축을 일(day), Y축을 1시간 단위로 설정하였습니다.
왼쪽 차트를 먼저 해석해 볼까요? X축을 기준으로 보면 목·금·토요일에 콜택시 이용량이 상대적으로 높게 나타났습니다. Y축을 보면 저녁 시간대가 다른 시간대보다 모든 요일에서 유독 이용량이 많습니다. 두 축을 함께 보면 금요일 저녁 시간대가 가장 활발했음을 알 수 있습니다.
이제 오른쪽 차트를 볼까요? 셀 수가 많아져 이용량 변화를 더 세밀하게 관찰할 수 있는데요. Y축의 시간별로 보면 오전 7~9시의 출근 시간대와 저녁 18~20시의 퇴근 시간대에 진한 셀이 집중되었습니다. 두 축을 종합하면 22일 자정 무렵에도 비교적 높은 이용량이 나타난 것을 확인할 수 있습니다.
시계열 데이터를 히트맵으로 시각화한 두 가지 사례를 살펴보았는데요. 선 차트 대신 히트맵을 사용하면 데이터의 전반적인 밀도와 패턴을 색상의 진하기만으로 빠르게 파악할 수 있습니다. 또한 축의 시계열 단위를 바꾸면서 이전에 발견하지 못했던 새로운 인사이트도 얻을 수 있습니다.
2. 시계열 흐름에 따른 패턴을 알고 싶을 때, 레이더 차트
두 번째로 소개할 시각화 유형은 레이더 차트입니다. 거미줄 차트(web chart) 혹은 방사형 차트(radar chart)라고도 불리는 이 차트는 다각형 모양으로 데이터를 표현하는데요. 게임을 좋아하신다면 캐릭터의 공격력, 방어력, 속도 등의 능력치를 표현할 때 한 번쯤 접해보셨을 겁니다. 레이더 차트는 다각형 모양을 통해 여러 지표 크기를 동시에 비교할 수 있습니다.
일반적인 사례를 살펴볼까요? 위 사례는 8가지 평가 기준에 따라 14개의 패스트푸드 버거 브랜드들을 비교한 레이더 차트입니다. 각 축은 12시 방향부터 시계 방향으로 서비스 속도, 품질, 분위기, 건물 외관, 친절도, 쾌적함, 건강한 옵션, 가격 순으로 평가 항목들을 표시합니다. 각 브랜드의 점수는 중심에서 바깥쪽으로 뻗는 형태로 나타내는데요. 중앙에 가까울수록 낮은 점수, 바깥으로 갈수록 높은 점수를 의미합니다.
14개의 레이더 차트를 비교하면서 인사이트를 도출해 보겠습니다. 도형의 크기부터 살펴볼게요! 여러 프랜차이즈 브랜드 중에서는 인앤아웃(IN-N-OUT)을 나타내는 다각형이 가장 커, 전반적인 평가 기준에서 가장 높은 평가를 받은 것을 알 수 있습니다. 반면 가장 작은 다각형은 맥도날드로, 전국적인 체인점을 가진 브랜드가 최하위를 기록한 점이 의외입니다.
이번에는 도형의 모양에 주목해볼까요? 인앤아웃, 컬버스(CULVER’S) 등은 비교적 정팔각형에 가까운 균형 잡힌 형태를 보여, 모든 평가 기준에서 고른 점수를 받은 것을 확인할 수 있습니다. 반면 찌그러진 형태의 도형들도 눈에 띄는데요. 파이브가이즈(FIVE GUYS)는 가격을 제외한 대부분의 항목에서 인앤아웃과 유사한 높은 점수를 보이지만, 가격 항목에서만 유독 낮은 평가를 받았습니다. 반대로 스테이크 앤 셰이크(STEAK ‘N SHAKE)는 가격 부분이 스파이크처럼 돌출되어 있어, 가격 경쟁력에서 뚜렷한 강점이 있음을 알 수 있습니다.
이처럼 레이더 차트는 도형의 크기와 모양을 통해 직관적으로 기준(축)을 비교할 수 있는데요. 그렇다면 레이더 차트의 축을 시계열 기준으로 바꿔본다면 어떨까요? 축을 일•월•연도 등으로 설정하면 시간의 흐름에 따른 데이터 변화를 더 효과적으로 파악할 수 있습니다. 두 가지 사례를 통해 그 효과를 직접 살펴볼까요?
첫 번째 사례는 1910년부터 2021년까지의 호주 이상기온 변화를 보여주는 레이더 차트입니다. 이상기온이란 기준 기간(1961~1990년)의 평균 온도에서 얼마나 벗어났는지를 나타낸 값입니다. 이 차트는 한 해를 하나의 다각형으로 표현해 여러 해의 이상기온 변화를 차례로 겹쳐 보여주는 것이 특징입니다. 우측 상단의 플레이 버튼을 누르면 연도 네비게이션에 따라 다각형이 하나씩 추가되고 총 110년 간의 이상기온 변화 흐름을 확인할 수 있습니다. 또한 일반적인 레이더 차트와 달리 색상을 활용해 온도 편차를 강조하고 있는데요. 기준 대비 온도가 높을수록(+) 붉은색 계열로, 낮을수록(-) 푸른색 계열로 표시했습니다.
1910년의 레이더 차트를 보면, 각 축은 1월부터 12월까지의 월을 나타내고 시계 방향으로 배열했습니다. 월별 이상기온은 점으로 표시했고, 이 점들을 연결한 선을 따라 시선을 옮겨보면 한 해의 월별 이상기온 흐름을 확인할 수 있습니다. 1910년에는 5월부터 9월까지 붉은색으로 표시된 것을 보아 여름철 이상기온이 특히 높았음을 알 수 있습니다.
이번에는 연도별 누적 변화를 살펴보겠습니다. 초기 연도 구간에서는 다각형의 수가 적고 붉은색과 푸른색이 뒤섞여 있어 불규칙한 패턴을 보입니다. 그러나 연도가 쌓일수록 다각형이 겹치며 색상과 형태의 변화가 더 뚜렷하게 드러납니다. 특히 오른쪽 이미지처럼 2021년까지 누적된 전체 모습을 보면, 안쪽의 푸른색에서 바깥쪽의 주황·붉은색으로 확장되는 흐름이 나타납니다. 즉, 이상기온 값이 커질수록 다각형의 크기도 함께 커지는데요. 최근에 가까워질수록 이상기온이 더 자주 발생하고 있음을 시각적으로 확인할 수 있습니다.
이번에는 비슷한 형태이지만, 애니메이션 효과가 돋보이는 시계열 데이터를 활용한 레이더 차트 사례를 하나 더 살펴보겠습니다. 위 사례는 2015년부터 2025년까지의 독일 태양광 발전량 변화를 나타냅니다. 축은 앞선 사례와 동일하게 월 단위로 구성되어 있고, 단위는 테라와트시(TWh)입니다. 안쪽 흰색 선은 각각 5TWh, 10TWh를 나타내고 이를 기준으로 각 월의 발전량이 얼마나 늘었는지 혹은 줄었는지를 확인할 수 있습니다.
앞선 사례와 마찬가지로 월을 축으로 활용하고 있지만, 데이터를 표현하는 방식에서 차이가 있습니다. 노란색 선은 연도 별로 구분되지 않고, 시간의 흐름에 따라 하나의 연속된 선으로 표현되었는데요. 2015년 1월을 시작점으로 12월까지의 월별 데이터를 시계 방향으로 연결하며 한 바퀴를 돌고, 2016년 1월로 다시 이어지면서 다음 연도의 데이터가 표시됩니다. 이 과정이 반복되면서 매년 월별 데이터가 실시간으로 그려지는 애니메이션 효과를 사용한 차트가 완성됩니다. 도형의 형태를 보면, 선이 5~7월을 나타내는 축 방향으로 쏠려 있어 여름철에 태양광 발전량이 다른 계절보다 높음을 알 수 있습니다. 또한 연도가 지날수록 5~7월 구간의 값이 점점 커지면서 초반에는 약 5TWh 수준이던 발전량이 2025년에는 10TWh를 넘어서는 모습을 보입니다. 독일의 태양광 발전량이 해마다 빠르게 증가하고 있고, 특히 여름철을 중심으로 꾸준한 성장세를 보이고 있음을 확인할 수 있습니다.
3. 두 시점 간의 데이터 차이를 알고 싶을 때, 덤벨 차트
마지막으로 소개할 시각화 유형은 덤벨 차트입니다. 덤벨 차트는 차트에 표현된 두 점과 그 사이 선의 조합이 마치 덤벨과 같아서 붙여진 이름인데요. 두 점은 각각 집단을 나타냅니다. 보통 남성과 여성, 고소득층과 저소득층과 같이 비교 가능한 두 집단으로 구성되어 서로의 차이를 한눈에 비교할 수 있습니다.
먼저 일반적인 사례를 살펴보겠습니다. 위 사례는 미국 주요 사망 원인을 남녀로 구분해 비교한 덤벨 차트입니다. 2023년 기준 인구 10만 명당 사망자 수를 집계하여 전체 사망 원인 상위 15개 항목을 시각화하고 있는데요. X축은 인구 10만 명당 사망자 수, Y축은 사망 원인을 나타냅니다. 여성은 다홍색, 남성은 남색으로 표현해 두 집단 간의 차이를 색상을 통해 비교할 수 있습니다.
먼저 덤벨 위치부터 비교해 보겠습니다. 다른 사망 원인과 비교했을 때 오른쪽에 몰려 있는 항목 2가지가 눈에 띄는데요. 이 둘은 사망자 수가 높은 항목으로 1위인 심장질환(Heart disease)과 2위인 암(Cancer)입니다. 특히 이 두 가지 사망 원인은 두 집단 모두에서 수치가 100을 넘어 다른 원인 대비 사망자 수가 많음을 알 수 있습니다. 다음으로 덤벨 길이를 비교해 보면 상단의 3개 항목이 다른 항목에 비해 덤벨 길이가 긴데요. 그중 가장 긴 심장질환은 성별 간의 수치 차이가 가장 많이 났습니다.
마지막으로는 집단을 구분 짓는 색깔에 집중해 볼까요? 여자보다 남자가 많으면 다홍색-남색, 남자보다 여자가 많으면 남색-다홍색 순으로 나열되는데요. 전체 15개 항목 중 14개가 다홍색–남색 순서로, 대부분의 사망 원인에서 남성이 여성보다 먼저 사망하는 것을 확인할 수 있습니다. 반면, 유일하게 다홍색 점이 오른쪽에 위치한 병이 있는데요! 바로 알츠하이머병(Alzheimer’s)입니다. 알츠하이머병은 기억력, 판단력 등의 인지 기능이 서서히 저하되는 질환으로 남성보다 여성에게 더 많이 발생하는 사망 원인임을 알 수 있습니다.
이처럼 덤벨 차트에서 두 집단을 비교할 때, 덤벨의 위치와 길이 그리고 색의 분포를 이용하여 차이를 직관적으로 보여줍니다. 그렇다면 이 덤벨 차트가 시계열 데이터와 만나면 어떻게 될까요? 두 집단 대신 두 시점을 대입하면 과거와 현재, 시작과 종료 시점 등 두 시점 간의 데이터 크기 차이를 중심으로 인사이트를 얻을 수 있습니다.
위 사례는 2023년과 2024년에 생성형 AI가 기대 수준을 충족하거나 초과했다고 응답한 비율의 변화를 시각화한 덤벨 차트입니다. X축은 기대에 충족했다는 응답 비율, Y축은 산업군을 의미합니다. 2023년은 남색, 2024년은 주황색으로 구분하여 총 15개 산업 분야에 대해 AI 활용 만족도 비율이 1년 사이에 어떻게 변화했는지를 확인할 수 있습니다.
이번 사례는 두 시점을 비교하는 만큼 산업별 만족도가 상승했는지 혹은 하락했는지가 궁금해지는데요. 먼저 색상을 보면, 전년도 대비 만족도가 상승한 산업군은 남색–주황색, 하락한 산업군은 주황색–남색의 덤벨로 표시합니다. 흥미로운 점은 이러한 변화를 구분 지어 배치한 점인데요. 상승 산업군은 상단에, 하락 산업군은 하단에 나열하여 상승한 산업군과 하락한 산업군을 한눈에 구분할 수 있습니다.
덤벨 위치를 살펴보면, 상승 산업군은 대부분 70~80% 구간에 모여 있는 것을 확인할 수 있습니다. 반면 하락 산업군은 다양하게 위치합니다. 소프트웨어 이외의 R&D(Non-software R&D)와 법률(Legal) 분야는 유독 왼쪽으로 치우쳐진 것으로 보아 만족도가 낮음을 알 수 있습니다. 특히 법률 분야의 경우 덤벨 길이가 가장 길고, 수치상으로는 71%에서 53%로 하락해 두 시점 간 만족도 차이가 가장 크게 나타났습니다.
마지막으로 미국의 노동력 인구 구성을 보여주는 시계열 덤벨 차트를 살펴보겠습니다. 이 차트는 인종을 기준으로 1980년과 2023년, 두 시점을 비교하는데요. X축은 노동력 인구 비율(%)을, Y축은 백인, 흑인, 아시아인, 라틴아메리카계(Hispanic)의 인종을 나타냅니다. 1980년은 검은색, 2023년은 파란색으로 구분합니다. 각 덤벨 옆의 숫자는 두 시점 간의 변화폭이 아니라, 2023년의 최종 비율을 의미합니다. 특히 이 차트는 두 시점을 화살표로 연결해 인종별 노동력 비율이 증가했는지 감소했는지를 방향만으로도 직관적으로 파악할 수 있게 한 것이 특징입니다.
예를 들어 가장 오른쪽에 있는 백인 덤벨을 보면, 여전히 노동력에서 가장 큰 비중을 차지하고 있음을 알 수 있습니다. 다만 덤벨 길이를 보면 1980년에 비해 비율이 눈에 띄게 감소하여 2023년에는 전체의 약 76% 수준으로 줄어든 모습입니다. 반면 라틴아메리카계(Hispanic) 덤벨은 네 집단 중 가장 긴데요. 이는 두 시점 간 증가 폭이 가장 크다는 의미로, 1980년에는 흑인보다 낮았던 비율이 2023년에는 19%까지 상승해 흑인을 넘어섰습니다. 덤벨의 길이와 방향을 통해 지난 수십 년간 미국 노동력 구조가 점차 다양해진 것을 확인할 수 있습니다.
에디터의 한마디
지금까지 히트맵, 레이더 차트, 덤벨 차트에 시계열 데이터를 결합했을 때 나타나는 변화를 살펴보았습니다. 히트맵은 두 축에 시계열 데이터를 적용하여 시간대, 요일, 월 등의 다양한 시계열 기준을 종합적으로 반영하고, 그 분포를 색상으로 확인할 수 있습니다. 레이더 차트는 축을 시계열 기준으로 설정하여 하나의 다각형 안에는 월 등의 작은 단위 흐름을, 여러 다각형이 쌓인 형태에서는 연도 등의 큰 단위 흐름을 파악할 수 있게 해줍니다. 마지막으로 덤벨 차트는 두 시점을 연결하여 과거와 현재의 변화를 직관적으로 비교할 수 있습니다.
차트의 일반적인 활용 범위에만 머물렀다면 이러한 인사이트를 발견하기 어려웠을 텐데요! 시각화 차트의 본래 목적에 충실하게 활용하는 것도 중요하지만, 기존 틀에서 살짝 벗어난 창의적인 접근을 통해 차트의 새로운 활용 가치를 발견했다는 점에서 인상적인 사례들이었습니다. 시각화에서도 필요한 ‘틀을 깨는’ 시도, 여러분도 한번 해보면 어떨까요?
<참고 자료>
- 강원양, 최현욱, 뉴스젤리, 2020, “데이터가 한눈에 보이는 시각화”
- 뉴스젤리, “데이터로 보는 연말 콜택시 이용 트렌드”, 2018-02-20
- Dataviz Catalogue, Radar Chart
Editor. 채젤리
