트리맵이란 무엇인가
트리맵(Treemap)은 계층형 데이터를 중첩된 직사각형으로 표현하는 정보 시각화 기법이다. 1990년 메릴랜드대학교 컴퓨터과학과 교수 벤 슈나이더먼(Ben Shneiderman)이 연구실의 80MB 공유 하드디스크에서 누가 얼마나 많은 용량을 사용하는지 한눈에 파악하기 위해 고안했다. 기존 트리(Tree) 구조의 노드-링크 다이어그램은 데이터가 많아지면 공간을 지나치게 차지했는데, 슈나이더먼은 제한된 화면 안에서 트리 구조를 보여주는 공간 효율적 레이아웃을 탐색하다가 직사각형 타일링 방식을 발명한 것이다.
트리맵에서 각 직사각형의 면적은 해당 데이터 항목의 크기(매출, 시가총액, 파일 용량 등)에 비례하고, 색상은 별도의 측정값(성장률, 수익률, 카테고리 구분 등)을 인코딩한다. 이 두 가지 시각 변수를 동시에 활용하기 때문에 수천 개의 항목을 하나의 화면에 표시하면서도 패턴을 빠르게 포착할 수 있다. 뉴욕타임스가 미국 연방 예산안을 트리맵으로 시각화한 사례, Finviz가 S&P 500 종목을 섹터별로 묶어 히트맵 형태의 트리맵으로 보여주는 사례가 대표적이다.
트리맵의 시각적 형태와 알고리즘
트리맵은 하나의 큰 직사각형 안에 하위 카테고리가 다시 직사각형으로 분할되고, 그 안에 또 하위 항목이 중첩되는 구조를 가진다. 이를 재귀적 타일링(Recursive Tiling)이라 부른다. 핵심은 타일링 알고리즘인데, 위키피디아에 따르면 15개 이상의 주요 직사각형 트리맵 알고리즘이 존재한다.
가장 초기 방식인 Slice-and-Dice는 데이터 순서를 충실히 보존하지만 매우 길쭉한 직사각형이 생기는 단점이 있다. 1994년 하스코엣(Hascoet)과 보두앵-라퐁(Beaudouin-Lafon)이 정사각형에 가까운 타일을 만드는 Squarified 알고리즘을 발명했고, 1999년 마틴 와텐버그(Martin Wattenberg)가 이를 변형한 Pivot-and-Slice 방식으로 최초의 웹 기반 트리맵인 SmartMoney Map of the Market을 만들면서 금융 분야에서 트리맵이 폭발적으로 확산됐다. 이후 보로노이(Voronoi) 다이어그램 기반 트리맵, 힐베르트 곡선(Hilbert Curve) 기반 트리맵, 직소(Jigsaw) 트리맵 등 다양한 변형이 연구되었다.
| 알고리즘 | 데이터 순서 보존 | 종횡비(Aspect Ratio) | 안정성 | 대표 사용처 |
|---|---|---|---|---|
| Slice-and-Dice | 완전 보존 | 매우 높음(길쭉) | 높음 | 파일 시스템 탐색기 |
| Squarified | 정렬 유지 | 낮음(정사각형에 가까움) | 낮음 | Finviz 주식 히트맵, Power BI |
| Voronoi | 비순서 | 중간 | 중간 | 디자인 인포그래픽 |
| Hilbert/Moore | 순서 유지 | 중간 | 중간 | 학술 연구용 시계열 트리맵 |
| Pivot-and-Slice | 순서 유지 | 중간 | 중간 | SmartMoney 주식 지도 |
트리맵 알고리즘을 선택할 때는 데이터 순서 보존, 종횡비, 안정성 세 가지 기준의 트레이드오프를 고려해야 한다. 실시간 변화를 추적해야 하면 안정성이 높은 알고리즘을, 면적 비교가 핵심이면 Squarified를 선택하는 것이 실무 원칙이다.
트리맵 vs 파이차트 vs 막대그래프
데이터 시각화에서 부분-전체 관계를 보여주는 차트는 파이차트, 트리맵, 누적 막대그래프 세 가지가 대표적이다. 이 중 어떤 것을 선택할지는 데이터의 계층 깊이, 카테고리 수, 독자의 분석 목적에 따라 달라진다.
| 비교 항목 | 트리맵(Treemap) | 파이차트(Pie Chart) | 막대그래프(Bar Chart) |
|---|---|---|---|
| 계층 표현 | 다중 계층(중첩 직사각형) | 단일 계층만 가능 | 단일 또는 누적으로 2계층 |
| 카테고리 수 | 수십수백 개 표현 가능 | 56개 이하 권장 | 1020개 적합 |
| 면적 비교 정확도 | 중간(면적 추정에 인지적 한계) | 낮음(각도 비교가 어려움) | 높음(길이 비교가 직관적) |
| 라벨링 용이성 | 직사각형 내부에 라벨 배치 가능 | 작은 조각에는 라벨 불가 | 축 라벨로 명확 표시 |
| 색상 활용 | 추가 차원 인코딩에 활용 | 카테고리 구분에만 사용 | 카테고리 구분 또는 강조 |
| 공간 효율 | 매우 높음(빈 공간 거의 없음) | 중간(원 내부 낭비) | 낮음(항목 수에 비례해 공간 확대) |
Cornell Food and Brand Lab 연구에 따르면, 데이터 시각화가 포함된 주장의 신뢰도는 68%에서 97%로 상승한다. 그만큼 올바른 차트 선택이 중요하다. 카테고리가 34개인 단순 비율이라면 파이차트가 직관적이지만, 카테고리가 많고 계층이 있으면 트리맵이, 정확한 수치 비교가 필요하면 막대그래프가 적합하다.
트리맵은 면적으로 크기를 비교하기 때문에 인간의 시각 인지에서 정확한 수치 판독이 어렵다는 한계가 있다. Nielsen Norman Group 연구에서도 트리맵은 대략적 패턴 파악에는 탁월하지만, 정밀한 값 비교에는 막대그래프보다 열위라고 지적한다. 따라서 트리맵에 반드시 수치 라벨을 함께 표시하는 것을 권장한다.
AI를 활용한 트리맵 정리와 실무 도구
최근에는 AI 기술이 트리맵 생성과 데이터 구조화에 접목되고 있다. CogniGuide 같은 도구는 장문의 보고서나 연구 문서를 AI가 분석하여 확장 가능한 트리맵 형태의 시각적 지식 베이스로 변환한다. iWeaver의 AI Tree Diagram Maker는 에세이, 책, 노트의 내용을 자동으로 계층화하여 트리 다이어그램으로 정리한다. TreeMind 같은 플랫폼은 사고 정리와 지식 분류를 AI가 보조하는 마인드맵 겸 트리맵 도구를 제공한다.
실무에서 트리맵을 직접 만들 수 있는 도구는 다양하다. 엑셀에서는 삽입 메뉴의 계층 구조 차트에서 트리맵을 선택하면 바로 생성할 수 있고, Power BI에서는 트리맵 시각적 개체를 캔버스에 추가한 뒤 카테고리와 값을 드래그하면 된다. Tableau에서는 Show Me 도구 모음에서 트리맵 유형을 클릭하여 즉시 만들 수 있다. 프로그래밍 환경에서는 Python의 Plotly(plotly.express.treemap)와 Squarify 라이브러리, JavaScript의 D3.js(d3-hierarchy 모듈)가 가장 널리 쓰인다. D3.js는 Squarified 타일링 메서드를 기본으로 제공하며, Plotly는 인터랙티브 줌인·줌아웃 기능까지 지원한다.
엑셀 트리맵은 빠르게 만들 수 있지만 인터랙티브 기능이 제한적이다. 대시보드에 삽입할 목적이라면 Power BI나 Tableau를, 웹에 임베드하려면 D3.js나 Plotly를 사용하는 것이 실무적으로 효율적이다.
트리맵의 실제 활용 분야
트리맵은 금융, IT, 미디어, 공공 데이터 등 폭넓은 영역에서 사용된다. 금융 분야에서 Finviz의 S&P 500 히트맵은 각 종목을 시가총액 크기의 직사각형으로 표시하고 색상으로 일간·주간 수익률을 보여준다. TradingView의 글로벌 주식 히트맵도 동일한 원리로 전 세계 종목을 섹터·국가·시가총액 기준으로 그룹화한다. IT 분야에서는 디스크 사용량 분석 소프트웨어 TreeSize가 1996년부터 트리맵으로 폴더 구조와 파일 크기를 시각화해왔다. 미디어 영역에서는 2004년 마르코스 베스캄프(Marcos Weskamp)가 만든 Newsmap이 구글 뉴스 헤드라인을 트리맵으로 표시하여 비분석적 트리맵의 가능성을 열었고, 뉴욕타임스도 연방 예산, 자동차 시장 분석 등에 트리맵을 도입했다. 하버드-MIT 경제복잡성관측소(Observatory of Economic Complexity)는 각국의 수출입 구조를 제품 카테고리별 트리맵으로 시각화하여 국가 경제의 다양성을 한눈에 보여준다.
트리맵에 부적절한 데이터 유형도 있다. 음수 값이 포함된 데이터(손실·적자 등)는 면적으로 표현할 수 없으므로 트리맵에 적합하지 않다. 이 경우 워터폴 차트나 발산 막대그래프를 사용하는 것이 올바르다.
마무리
트리맵은 1990년 벤 슈나이더먼의 아이디어에서 출발하여, SmartMoney 주식 지도를 거쳐, 오늘날 Finviz·TradingView·Power BI·Tableau 같은 주요 플랫폼에 기본 탑재된 핵심 시각화 도구로 자리 잡았다. 계층형 데이터를 공간 효율적으로 보여주면서 패턴 인식을 돕는 것이 트리맵의 본질적 가치다. AI 도구가 데이터 구조화와 자동 시각화를 가속화하고 있는 현재, 트리맵의 원리를 이해하는 것은 데이터 리터러시의 기본이다. 다만 면적 인지의 한계를 보완하기 위해 수치 라벨 병행, 적절한 색상 팔레트 선택, 계층 깊이 제한(3~4단계 이내 권장) 등 실무 원칙을 함께 적용해야 효과적인 시각화가 완성된다.