Kuvassa 4.3 on esitetty kartan karkea jako erilaisiin alueisiin, jotka on määritelty yksinkertaisin ehdoin. On valittu parametreille ehtoja, esimerkiksi ''saapumisintensiteetti > 14 puolta tuntia kohden'', joille lasketaan totuusarvot jokaisen mallivektorin osalta. Totuusarvojen erilaiset kombinaatiot ilmaistaan kuvassa eri väreillä, jolloin kartan eri osien merkityksestä saa nopeasti yleiskuvan. Kuvan kartassa on käytetty kuutta ehtoa:
Arr > 14 puhelua / 30 min,Ehdot on valittu siten, että rajat ovat mielenkiintoisia: ''vastausprosentti yli 90%'' on hyvän laadun mittari, yli 250 sekunnin puhelut ovat kohtalaisen harvinaisia, keskimääräinen saapumisintensiteetti on alle 14 puolta tuntia kohden jne. Ehtoja vaihtamalla myös alueiden määrä ja kattavuus vaihtelee. Näin voi kokeilla erilaisten ehtojen antamaa jakoa kartalla. Tällainen jako datalle voitaisiin tietysti tehdä ilman karttaakin. Päätarkoituksena onkin hakea nopasti kartan eri alueille mielekäs tulkinta.
Ans% > 90%,
Logged < 2 agenttia,
AveConvTime > 250 sekuntia,
Idle% > 50%,
AbnBef% > 4%.
Loput parametrit eivät vaikuta jakoon.
Jaotellulle kartalle voidaan ajatella käyttöä trajektoriesityksen pohjana. Järjestelmän tilaa voidaan seurata kuvaamalla parametrit peräkkäisiltä ajanhetkiltä lähimenneisyydestä trajektorina, jolloin nähdään miten järjestelmän tila kehittyy. Esimerkiksi jos trajektori osoittaa, että järjestelmä on hivuttautumassa kohti aluetta, jolla soittajat luopuvat nopeasti (harmaat ja valkoiset yksiköt), voidaan ryhtyä sopiviin toimenpiteisiin. Vihreä alue taas on turvallinen: matala saapumisintensiteetti, yli kaksi agenttia ja lyhyitä puheluita. Trajektorin liikkeestä myös nähdään, miten toimenpiteet vaikuttavat. Käytännössä puolen tunnin keskiarvoina laskettu data on tietysti liian karkeaa tähän tarkoitukseen. Tilanseurannan pitäisi myös tuoda jotain merkittävää lisäinformaatiota: järjestelmän agenteilla on jo nyt muun muassa näyttö, joka kertoo reaaliaikaisen jonon pituuden ja agenttien määrän.
Datan jaottelua voi käyttää hyväksi myös prosessin seuraamisessa pidemmällä aikavälillä. Kuvassa 4.4 on esitetty seuraavassa kappaleessa käytetty uudempi datajoukko siten, että data on jaettu luokkiin samantapaisin karkein ehdoin kuin edellä. Jokaiselle kellonajalle on laskettu neljän viikon ajalta osuus, jonka prosessi onviettänyt eri ehtojen rajoittamissa tiloissa.
Kartan avulla voidaan kuitenkin tehdä parempikin jaottelu kuin parametrikohtaisiin totuusarvoihin perustuva karkea jako. Alueiden määräämisen apuna voidaan käyttää esimerkiksi u-matriisin antamaa informaatioita klustereista tai seuraavassa luvussa esitettyä menetelmää. Data voidaan sitten jakaa luokkiin kartan perusteella, ja käyttää tätä jakoa kuvan 4.4 tapaisessa raportoinnissa.