Οταν αξιολογεις δεικτες σε δυο αξονες, οπως impact και ευκολια, το διαγραμμα τεταρτημοριων ειναι ιδανικο. Το χρωμα ανα τεταρτημοριο κανει την προτεραιοτητα ευκολα αντιληπτη.
import matplotlib.pyplot as plt
import numpy as np
projects = ["A", "B", "C", "D", "E", "F", "G"]
impact = np.array([8.5, 5.5, 7.2, 3.8, 6.1, 8.9, 4.4])
effort = np.array([3.0, 6.2, 4.1, 5.5, 2.5, 7.0, 3.8])
colors = ["#22c55e", "#f97316", "#38bdf8", "#a855f7", "#14b8a6", "#facc15", "#ef4444"]
fig, ax = plt.subplots(figsize=(6, 6))
ax.axvline(5, color="#475569", linewidth=1.2)
ax.axhline(6, color="#475569", linewidth=1.2)
ax.fill_between([0, 5], 6, 10, color="#bbf7d0", alpha=0.5)
ax.fill_between([5, 10], 6, 10, color="#dbeafe", alpha=0.6)
ax.fill_between([0, 5], 0, 6, color="#fee2e2", alpha=0.6)
ax.fill_between([5, 10], 0, 6, color="#fde68a", alpha=0.6)
ax.scatter(effort, impact, s=110, color=colors, edgecolor="white", linewidth=1)
for label, x_val, y_val in zip(projects, effort, impact):
ax.text(x_val, y_val + 0.25, label, ha="center", fontsize=10, weight="bold")
ax.set_xlim(0, 10)
ax.set_ylim(0, 10)
ax.set_xlabel("Ευκολια εκτελεσης (οσο πιο ψηλα, τοσο πιο ευκολο)")
ax.set_ylabel("Επιχειρηματικο impact (οσο πιο ψηλα, τοσο μεγαλυτερο)")
ax.set_title("Κατηγοριοποιηση προτεραιοτητας ανα τεταρτημοριο")
ax.grid(alpha=0.2, linestyle="--")
fig.tight_layout()
plt.show()

Συμβουλες αναγνωσης #
- Το πανω δεξια τεταρτημοριο ειναι υψηλο impact και ευκολη εκτελεση, αρα προτεραιοτητα.
- Το κατω αριστερα εχει χαμηλο impact και υψηλο κοστος, χρησιμο για αναβολη.
- Ρυθμισε τις γραμμες στα διαμεσα για πιο ισορροπημενη ταξινομηση.