Le nuage de points est utilisé pour la représentation graphique de la relation entre deux quantités variables. Il répond à la question de savoir si, dans quelle direction et avec quelle intensité deux variables sont liées entre elles.
Chaque point du diagramme représente une paire de valeurs d'une variable influente (x) et d'une variable cible (y). En fonction de la distribution des points, il peut être déterminé s'il existe une relation positive, négative ou aucune relation entre les quantités considérées.
Le nuage de points est particulièrement adapté pour examiner les facteurs d'influence sur une variable cible (variable de mesure continue).
Le diagramme de dispersion peut être utilisé dans les projets LSS dans toutes les phases DMAIC. Le but de l'utilisation varie en fonction de la phase.
Rendre visibles les connexions dans la situation initiale
Dans la phase Définir, le diagramme de dispersion est utilisé pour rendre visibles les premières indications de connexions possibles entre les facteurs d'influence et la variable cible. Cela donne une première impression des facteurs qui pourraient être pertinents.
Mesurer et quantifier les connexions
Dans la phase Mesurer, le diagramme de dispersion aide à représenter graphiquement la connexion entre les facteurs d'influence et la variable cible et à obtenir des évaluations initiales de la direction et de la force de la connexion.
Sécuriser graphiquement les causes
Dans la phase Analyser, le diagramme de dispersion est utilisé pour étudier graphiquement les relations de cause à effet possibles. Une connexion reconnaissable entre les facteurs d'influence et la variable cible fournit une indication des causes profondes possibles.
Vérifier le changement de connexion
Dans la phase Améliorer, le diagramme de dispersion est utilisé pour vérifier si la connexion entre les facteurs d'influence et la variable cible a changé après une mesure.
Confirmer la stabilité de la connexion améliorée
Dans la phase Contrôler, le diagramme de dispersion confirme si la connexion améliorée entre les facteurs d'influence et la variable cible est restée stable.
Le diagramme de dispersion est utilisé pour représenter graphiquement la relation entre deux quantités variables. Il répond à la question de savoir si, dans quelle direction et avec quelle intensité deux variables sont liées.
Chaque point du diagramme représente une paire de valeurs d'une variable d'influence (x) et d'une variable cible (y). La distribution des points montre s'il existe une relation positive, négative ou aucune relation entre les quantités considérées.
Rendre visibles graphiquement les relations entre une variable d'influence et une variable cible
Adapté aux variables continues telles que le temps, la température, la quantité ou la viscosité
Identifier les relations possibles – sans hypothèses de modèle et avant d'autres tests
Dans le département de développement des nouvelles sauces tomates, on étudie comment le temps de cuisson affecte la viscosité du produit. À cette fin, des sauces tomates avec différents temps de cuisson sont produites dans plusieurs séries de tests. Pour chaque série de tests, le temps de cuisson et la viscosité résultante sont mesurés et enregistrés comme une paire de valeurs.
À l'aide d'un graphique de dispersion, on examine si et comment la relation entre le temps de cuisson et la viscosité apparaît dans les données de mesure. La relation de base est connue professionnellement : en cuisant plus longtemps, l'eau s'évapore, ce qui entraîne généralement une viscosité plus élevée de la sauce tomate.
Explications du graphique :
Le graphique de dispersion montre la viscosité de la sauce tomate en fonction du temps de cuisson. À mesure que le temps de cuisson augmente, la viscosité mesurée augmente. Les points sont approximativement sur une ligne droite, indiquant une relation positive claire, presque linéaire entre le temps de cuisson et la viscosité. Pour les mêmes temps de cuisson, une faible dispersion des valeurs mesurées est notable.
Préparation
- Définir la variable cible (y) (par exemple, la viscosité de la sauce tomate)
- Définir la variable influente (x) (par exemple, le temps de cuisson)
- Assurez-vous que les deux variables sont des variables quantitatives mesurables
- Collecter des données
Utiliser dans AlphadiTab
- Dans la phase Mesurer sélectionnez l'outil graphique de dispersion
- Pour les données X sélectionnez la colonne „temps de cuisson“
- Pour les données Y sélectionnez la colonne „viscosité“
- Générez le diagramme avec le bouton „Créer nouveau“.
Interprétation
- Vérifiez si une relation entre l'axe x et l'axe y est reconnaissable
- Evaluez si la relation est positive, négative, ou inexistante
- Evaluez si la relation est approximativement linéaire
- Comparez les graphiques de dispersion entre séries ou groupes, si disponible
Considération générale
La tendance peut-elle être décrite par une ligne ?
Si oui : La corrélation est-elle positive ou négative?
Si non : La tendance indique-t-elle une corrélation non linéaire ?
La dissémination des points est-elle petite ou grande?
Avec spécifications connues
Les mesures sont-elles dans les limites de spécification définies?
Y a-t-il des zones de la variable influente où la spécification n'est pas respectée?
La corrélation change-t-elle près des limites de spécification?
Note : Une corrélation reconnaissable ne signifie pas nécessairement qu'une variable est la cause de l'autre.
Pour les diagrammes de dispersion, diverses formes de représentation sont disponibles. Selon que l'on sélectionne une ou plusieurs séries de données ainsi que des groupes ou séries supplémentaires, la représentation dans le diagramme change. Toutes les formes de représentation suivantes sont basées sur le même fichier, mais diffèrent dans la sélection des colonnes utilisées.
| Temps de livraison en jours_Lieu A | Temps de livraison en jours_Lieu B | Temps de livraison en jours_Lieu C | Statut du processus | Produit |
|---|---|---|---|---|
| 4 | 9 | 3 | Avant | Fenêtre |
| 5 | 4 | 6 | Avant | Fenêtre |
| 6 | 7 | 4 | Avant | Fenêtre |
| 4 | 9 | 2 | Avant | Fenêtre |
| 2 | 4 | 2 | Avant | Fenêtre |
| 8 | 9 | 6 | Avant | Port |
| 6 | 4 | 6 | Avant | Port |
| 8 | 9 | 5 | Avant | Port |
| 5 | 8 | 3 | Avant | Port |
| 8 | 3 | 5 | Avant | Port |
| 3 | 4 | 3 | Après | Fenêtre |
| 1 | 3 | 1 | Après | Fenêtre |
| 2 | 2 | 2 | Après | Fenêtre |
| 3 | 3 | 3 | Après | Fenêtre |
| 2 | 4 | 1 | Après | Fenêtre |
| 1 | 4 | 1 | Après | Port |
| 3 | 2 | 2 | Après | Port |
| 3 | 5 | 3 | Après | Port |
Télécharger le tableau ici en Excel.
✓Une série de données par axe : Colonne A et B⌄
✓Une série de données par axe avec groupe : Colonne A, B et D⌄
✓Une série de données par axe avec groupe et série : Colonne A, B, D et E⌄
- Deux tailles quantitatives
Temps de refroidissement et dureté du matériau
Lors du développement d'un nouveau composant, on étudie comment le temps de refroidissement après traitement thermique affecte la dureté du matériau. On soupçonne qu'un temps de refroidissement plus long conduit à une dureté du matériau plus faible.
La dispersion montre une corrélation négative entre le temps de refroidissement et la dureté du matériau. À mesure que le temps de refroidissement augmente, la dureté mesurée diminue.
Comparaison des mesures de production et d'assurance qualité
Dans la production, une caractéristique de qualité est mesurée en ligne, par exemple, la quantité de remplissage. En assurance qualité, la même caractéristique est vérifiée à nouveau avec un appareil de mesure séparé. Pour étudier si les mesures de production et d'assurance qualité sont cohérentes entre elles, les deux mesures sont enregistrées sous forme de paires de valeurs et affichées dans un nuage de points.
Le nuage de points montre la relation entre la mesure QA et la mesure de production de la quantité de remplissage. Dans la plage de mesure inférieure, les mesures de production et de QA s'accordent très bien et sont approximativement sur une ligne droite. Cependant, à des mesures plus élevées, il y a une déviation croissante, les mesures de QA étant plus élevées que les mesures de production.
Impact de la fréquence de maintenance sur le temps d'arrêt
En production, il est examiné comment la fréquence de maintenance affecte le temps d'arrêt imprévu des machines. On suppose qu'une maintenance régulière réduit les temps d'arrêt imprévus, mais cet effet diminue à partir d'une certaine fréquence de maintenance. Pour plusieurs machines, le nombre de maintenances par mois et le temps d'arrêt imprévu sur la même période sont enregistrés et documentés sous forme de paires de valeurs. Un nuage de points est utilisé pour vérifier s'il existe un lien et si un effet de saturation peut être observé.
Le nuage de points montre qu'avec l'augmentation de la fréquence de maintenance, le temps d'arrêt imprévu diminue initialement de manière significative. À partir d'une fréquence de maintenance d'environ 4–5 maintenances par mois, l'effet s'aplatit, et des maintenances supplémentaires n'apportent que de légères améliorations supplémentaires.
Temps de traitement des tickets par emplacement
Dans le service d'assistance informatique, il est étudié si l'âge d'un ticket a un impact sur le temps de traitement. On soupçonne que les tickets plus anciens sont souvent plus complexes ou ont été escaladés plusieurs fois et causent donc des temps de traitement plus longs. Pour plusieurs tickets, l'âge du ticket au moment du traitement et le temps de traitement réel sont enregistrés et documentés comme une paire de valeurs.
La dispersion des temps de traitement montre une forte dispersion à travers tous les âges des tickets. Une relation linéaire claire entre l'âge du ticket et le temps de traitement n'est pasmise en évidence.
Taux de vente vs. Durée de l'offre
Dans les ventes, des offres commerciales sont créées pour les clients. Il convient d'examiner si la durée du processus d'offre a un impact sur le taux de vente. Pour plusieurs offres, la durée de l'offre (temps entre la création de l'offre et la décision) et le taux de vente résultant sont enregistrés et documentés comme une paire de valeurs.
La représentation en nuage de points montre la relation entre la durée de l'offre et le taux de vente, séparée par les produits A et B. Pour le Produit A, aucune relation linéaire claire n'est discernable, car le taux de vente varie considérablement en fonction de la durée de l'offre. Le Produit B, en revanche, montre des taux de vente plus élevés avec des durées d'offre plus longues. Le diagramme illustre que la relation entre la durée de l'offre et le taux de vente diffère entre les produits.
Temps de livraison après le centre logistique
Dans la logistique, les commandes des clients sont traitées à travers plusieurs centres logistiques. Il convient d'examiner si la quantité livrée a un impact sur le temps de livraison. Pour plusieurs commandes, la quantité livrée et le temps de livraison réel sont enregistrés et documentés sous forme de paires de valeurs.
Le nuage de points montre la relation entre la quantité livrée et le temps de livraison. Les points montrent une dispersion claire. Une relation entre la quantité livrée et le temps de livraison n'est pasmreconnaissable.
Livraisons à temps vs. Temps de commande
Dans les achats, on examine si la durée du délai de commande a un impact sur la livraison à temps. On soupçonne que des délais plus longs améliorent la planification et augmentent ainsi le taux de livraison à temps. Pour plusieurs commandes, le délai (temps entre la commande et la date de livraison prévue) et le taux de livraison à temps réel sont enregistrés et documentés sous forme de paires de valeurs.
La dispersion montre une correlation positive entre le délai et le taux de livraison à temps. À mesure que le délai augmente, le taux de livraison à temps augmente. Les points montrent une tendance à la hausse, indiquant une relation approximativement linéaire.
Écart de prévision
Dans la planification de la production, les prévisions sont ajustées à l'aide d'un facteur de correction pour compenser les sur- ou sous-prévisions systématiques. Il convient d'examiner comment le niveau du facteur de correction appliqué affecte l'écart de prévision restant. Pour plusieurs prévisions, le facteur de correction utilisé et l'écart de prévision réel sont enregistrés et documentés sous forme de paire de valeurs.
Le nuage de points montre la relation entre le facteur de correction et l'écart de prévision. Avec des facteurs de correction faibles, l'écart de prévision est principalement positif, indiquant une surestimation de la demande. À mesure que le facteur de correction augmente, l'écart de prévision diminue et est proche de 0 % autour de facteur de correction = 1,00. Avec des facteurs de correction plus élevés, l'écart de prévision devient de plus en plus négatif, indiquant une sous-estimation de la demande.
Nuage de points : Diagramme pour représenter graphiquement la relation entre deux variables numériques.
Diagramme de corrélation : Terme alternatif, où les points de données individuels sont affichés.
Variable indépendante (x) : Variable dont l'influence sur une autre variable est étudiée.
Variable dépendante (y) : Variable censée être influencée par la variable indépendante.
Paire de données : Mesures associées des variables indépendante et dépendante.
Relation linéaire : Relation où les valeurs s'alignent approximativement le long d'une ligne droite.
Relation non linéaire : Relation où la tendance ne peut pas être décrite par une ligne droite.
Dispersion : Mesure de la distribution des points autour d'une tendance reconnaissable.
Relation positive : À mesure que la valeur x augmente, la valeur y augmente.
Relation négative : À mesure que la valeur x augmente, la valeur y diminue.
Corrélation : Mesure de la force et de la direction d'une relation entre deux variables.
Régression : Méthode pour décrire une relation à travers une fonction mathématique.
Causalité : Relation de cause à effet entre deux variables qui ne peut pas être dérivée d'un nuage de points.