Kartta voidaan nimetä datavektorien avulla, jolloin kartan eri alueille saadaan tulkinta. Datavektoreille ei kuitenkaan ole valmista luokittelua. Päivämäärä ja kellonaika tietysti tunnetaan, mutta prosessin tilan seuraamisessa tai analysoinnissa tällä tiedolla ei ole käyttöä: sen avulla voidaan arvioida kunkin tilan esiintymistodennäköisyyttä eri aikoina, mutta se ei kerro tilojen merkitystä.
Kartan avulla voidaan yrittää selvittää tyypillisiä prosessin tiloja. U-matriisista on tässä tehtävässä hyötyä, jos sen avulla saadaan selkeä jaottelu kartalle kuten kuvassa 2.3(e). Yleensä u-matriisi ei kuitenkaan ole näin kaunis. Tässä työssä u-matriisiin ei juuri puututa, sillä se ei paljastanut selkeää jaottelua käytetystä datasta. Prosessissa ei välttämättä olekaan selkeitä klusteroituvia tiloja. Se voi olla avaruudessa kohtalaisen tasaisesti levittynyt pilvi. Tilaa esittävät vektorit eivät kuitenkaan voi saada mitä tahansa arvoja, sillä komponenttien välillä on yleensä jonkinlaisia riippuvuuksia. Vaikka kartta ei paljastaisikaan selkeitä klustereita, on siitä hyötyä, kun tutkitaan komponenttien riippuvuuksia, jotka voivat vaihdella järjestelmän eri tiloissa.
Seuraavassa esitellään välineitä, joilla kartalta voidaan löytää komponenttien keskinäisen suuruuden tai dynamiikan perusteella merkityksellisesti erilaisia alueita. Karttaa ei käytetä luomaan matemaattisesti perusteltavia klustereita, vaan apuvälineenä tutkittaessa, miten data suhtautuu annettuihin kriteereihin tai mitkä osat datasta eivät noudata oletettuja lainalaisuuksia. Jos kartta mallintaa dataa riittävän hyvin, voidaan löydettyjen jakojen ja riippuvuuksien olettaa vallitsevan myös datassa.