O mapa de calor de atenção do FlowDx é gerado com base no modelo DeepGaze IIE. Este modelo foi proposto por Linardos et al. no artigo do ICLR 2021 "DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling", vindo do Laboratório de Neurociência Computacional Bethge Lab da Universidade de Tübingen, na Alemanha. No MIT/Tilburg Saliency Benchmark, o DeepGaze IIE ocupa o primeiro lugar em vários indicadores, com uma correlação entre suas previsões e dados reais de rastreamento ocular humano superior a 0,87.
O que as cores do mapa de calor representam?
| Cor | Significado | Porcentagem de Atenção |
|---|---|---|
| Vermelho | Área de atenção máxima — o usuário olha aqui primeiro | Top 10% |
| Laranja/Amarelo | Alta atenção — o olhar se move rapidamente para cá | 10-30% |
| Verde | Atenção média — notado durante a navegação | 30-60% |
| Azul | Baixa atenção — a maioria dos usuários ignora | 60-90% |
| Escuro/Sem cor | Zona cega de atenção — quase ninguém vê | Últimos 10% |
Padrões Comuns de Mapa de Calor
Padrão 1: Foco Central (Saudável)
A área vermelha está concentrada nas informações centrais do conteúdo (rostos, títulos, botões de CTA). Isso significa que a hierarquia visual está clara e o usuário consegue entender rapidamente a mensagem que você quer transmitir.
Padrão 2: Disperso (Problemático)
As áreas vermelhas estão espalhadas por vários locais, sem um foco principal claro. Isso indica que há elementos demais na imagem, dispersando a atenção. Solução: Reduza o número de elementos e estabeleça um sujeito visual claro.
Padrão 3: Desalinhado (Problema Grave)
A área vermelha está concentrada em lugares onde você não quer que o usuário olhe (como um elemento irrelevante no fundo), enquanto sua informação principal (título, produto) está em áreas azuis ou verdes. Este é um assassino de CTR.
Padrão 4: Periférico (Desperdício)
A atenção está concentrada nas bordas da imagem. Isso geralmente acontece quando o assunto principal é muito pequeno ou há muito espaço vazio. O cérebro é atraído pelas áreas de alto contraste nas bordas (como o limite entre a moldura da imagem e o fundo).
Caminho Visual: A "Rota de Leitura" do Usuário
Além do mapa de calor, o FlowDx gera o caminho visual — prevendo onde os olhos do usuário começam e em que ordem eles escaneiam a imagem. O caminho visual ideal deve:
- Começar no ponto de ancoragem de atenção mais forte (geralmente um rosto ou o texto maior)
- Mover-se para informações secundárias (subtítulos, fotos do produto)
- Terminar no CTA (Chamada para Ação)
Se o caminho pula informações cruciais ou fica vagando por áreas irrelevantes, há um problema na orientação visual.
Detalhes da Pontuação Cognitiva de Cinco Dimensões
O FlowDx não fornece apenas uma pontuação total, mas avalia seu conteúdo a partir de cinco dimensões cognitivas:
- Atenção — Se o conteúdo consegue capturar o olhar em 0,3 segundos
- Foco Visual — Se existe uma hierarquia visual clara e um caminho guiado
- Impacto Emocional — Se consegue disparar uma reação emocional (curiosidade, empolgação, ressonância)
- Direcionamento de Ação — Se existe uma chamada para ação (CTA) clara
- Força de Memória — Se o usuário consegue se lembrar do conteúdo após visualizá-lo
Cada dimensão varia de 0 a 100 pontos. 70+ indica excelente, 50-70 precisa de otimização, e abaixo de 50 indica problemas sérios.
Comece a usar o diagnóstico por mapa de calor
Como otimizar o conteúdo com base no relatório de diagnóstico
Após receber o relatório de diagnóstico do FlowDx, trate os problemas seguindo esta ordem de prioridade:
Prioridade 1: Corrigir problemas "Desalinhados" (Itens de diagnóstico vermelhos)
Se a atenção estiver concentrada no lugar errado (elementos de fundo, detalhes irrelevantes), este é o problema mais grave. A solução geralmente é: reduzir o peso visual dos elementos de distração (desfocar, diminuir a saturação) e, ao mesmo tempo, aumentar a saliência da informação central (ampliar, aumentar contraste, adicionar bordas).
Prioridade 2: Estabelecer um caminho visual claro (Itens de diagnóstico laranjas)
Se o mapa de calor mostrar atenção dispersa, é necessário criar uma hierarquia visual clara. Use contraste de tamanho (o elemento mais importante deve ser o maior), contraste de cor (use cores saturadas para informações essenciais) e orientação espacial (setas, linhas, direção do olhar das pessoas) para guiar os olhos do usuário pelo caminho planejado.
Prioridade 3: Melhorar a pontuação cognitiva geral (Itens de recomendação amarelos)
Dimensões com pontuação abaixo de 60 precisam de atenção especial. Métodos comuns de melhoria:
| Dimensão Baixa | Causa Provável | Direção de Melhoria |
|---|---|---|
| Atenção < 60 | Imagem muito monótona, falta de saliência | Aumentar contraste, adicionar rostos, usar cores de alta saturação |
| Foco Visual < 60 | Elementos demais ou bagunçados | Reduzir o número de elementos, estabelecer hierarquia principal e secundária |
| Impacto Emocional < 60 | Falta de gatilho emocional no conteúdo | Usar expressões emocionais, criar contraste, contar histórias |
| Direcionamento de Ação < 60 | Falta de CTA ou sugestão de ação | Adicionar setas, botões, palavras-gatilho como "Agora", "Tempo Limitado" |
| Força de Memória < 60 | Conteúdo muito comum, falta de exclusividade | Estabelecer símbolos de marca, usar cores únicas, criar pontos de memória visual |
Limitações da Análise de Mapa de Calor
Mapas de calor de atenção são ferramentas poderosas, mas têm limitações. Compreender essas fronteiras ajuda a utilizá-los melhor:
- Previsão do "usuário médio" — O mapa de calor reflete a distribuição média de fixação de um grupo; o caminho visual de um usuário individual pode variar
- Não equivale diretamente à taxa de cliques (CTR) — Alta atenção não se traduz necessariamente em cliques. O usuário pode notar, mas escolher não clicar (por exemplo, se o conteúdo não parecer interessante)
- Dependência da qualidade da imagem — Imagens de baixa resolução ou muito compactadas podem afetar a precisão da previsão
- Diferenças culturais — Usuários de diferentes origens culturais podem distribuir a atenção de forma distinta para cores, rostos e símbolos
A pontuação cognitiva de cinco dimensões do FlowDx foi criada justamente para compensar as deficiências da análise pura de mapas de calor — ela considera atenção, emoção, memória e outros fatores para fornecer um diagnóstico de conteúdo mais abrangente.
Perguntas Frequentes (FAQ)
Uma área vermelha no mapa de calor é sempre bom?
Não necessariamente. O vermelho indica a área onde o usuário olha primeiro, mas o ponto chave é se a área vermelha recai sobre a informação que você mais deseja transmitir. Se o vermelho estiver em um fundo irrelevante, isso indica um problema. O estado ideal é: vermelho cobrindo informações centrais (produto, rosto, título) e azul cobrindo áreas secundárias.
Quantos pontos de fixação são ideais em um caminho visual?
Para miniaturas e capas, uma faixa de 3 a 5 pontos de fixação é o ideal. Poucos pontos (1-2) indicam falta de informação, enquanto muitos (6+) indicam atenção dispersa. Caminho ideal: Foco Principal → Informação Auxiliar → CTA, formando uma linha narrativa clara.
Por que meu mapa de calor é diferente do resultado de outra pessoa analisando a mesma imagem?
O FlowDx utiliza um modelo determinístico (DeepGaze IIE), portanto, os resultados da análise para a mesma imagem são idênticos. Se houver diferenças, pode ser devido à resolução da imagem, forma de corte ou nível de compactação do arquivo. Recomenda-se usar a imagem em resolução original para análise.
Qual a diferença entre o mapa de calor de um vídeo e de uma imagem estática?
Em vídeos, a distribuição da atenção muda com o tempo. O FlowDx realiza uma análise quadro a quadro do vídeo, gerando um mapa de calor independente para cada frame. O vídeo possui uma dimensão extra — elementos dinâmicos (objetos em movimento, cortes de cena) que atraem fortemente a atenção. A chave da análise de vídeo é encontrar os quadros onde a atenção é mais fraca, pois são os momentos em que o usuário tem mais probabilidade de abandonar o conteúdo.
Comece a usar o diagnóstico por mapa de calor
Faça o upload do seu conteúdo no FlowDx para obter mapas de calor de atenção, caminhos visuais e pontuações de cinco dimensões. Descubra o que realmente acontece no cérebro do seu usuário ao ver seu conteúdo.
Referências Bibliográficas
- Linardos, A. et al. (2021). DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling. ICLR 2021.
- Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 185-207.
- Bylinskii, Z. et al. (2019). What do different evaluation metrics tell us about saliency models? IEEE TPAMI, 41(3), 740-757.