Wykres rozrzutu jest używany do graficznego przedstawienia związku między dwiema zmiennymi ilościami. Odpowiada na pytanie czy, w jakim kierunku i jak silnie dwie zmienne są ze sobą powiązane.
Każdy punkt na diagramie reprezentuje parę wartości z zmiennej wpływającej (x) i zmiennej docelowej (y). Na podstawie rozmieszczenia punktów można określić, czy istnieje pozytywny, negatywny lub brak związku między rozważanymi ilościami.
Wykres rozrzutu jest szczególnie odpowiedni do badania czynników wpływających na zmienną docelową (ciągła zmienna pomiarowa).
Wykres rozrzutu można używać w projektach LSS we wszystkich fazach DMAIC. Cel użycia różni się w zależności od fazy.
Uwidocznij połączenia w sytuacji początkowej
W fazie Zdefiniuj wykres rozrzutu jest używany do wstępnego wskazania możliwych połączeń między czynnikami wpływającymi a zmienną docelową. To daje pierwsze wrażenie, które czynniki mogą być istotne.
Zmierz i skwantyfikuj połączenia
W fazie Zmierz wykres rozrzutu pomaga graficznie przedstawić połączenie między czynnikami wpływającymi a zmienną docelową oraz uzyskać wstępne oceny kierunku i siły połączenia.
Graficznie zabezpiecz przyczyny
W fazie Analizuj wykres rozrzutu jest używany do graficznego badania możliwych związków przyczynowo-skutkowych. Rozpoznawalne połączenie między czynnikami wpływającymi a zmienną docelową daje wskazówkę o możliwych przyczynach źródłowych.
Sprawdź zmianę w połączeniu
W fazie Popraw wykres rozrzutu jest używany do sprawdzenia, czy połączenie między czynnikami wpływającymi a zmienną docelową zmieniło się po zastosowaniu środka.
Potwierdź stabilność poprawionego połączenia
W fazie Skontroluj wykres rozrzutu potwierdza, czy poprawione połączenie między czynnikami wpływającymi a zmienną docelową pozostało stabilne.
Wykres punktowy jest używany do graficznego przedstawienia związku między dwiema zmiennymi ilościowymi. Odpowiada na pytanie, czy, w jakim kierunku i jak silnie dwie zmienne są ze sobą powiązane.
Każdy punkt na diagramie reprezentuje parę wartości z zmiennej wpływającej (x) i zmiennej docelowej (y). Rozkład punktów pokazuje, czy istnieje pozytywny, negatywny, czy brak związku między rozważanymi wielkościami.
Uczyń widocznymi graficznie związki między zmienną wpływającą a zmienną docelową
Odpowiednie dla zmiennych ciągłych, takich jak czas, temperatura, ilość czy lepkość
Zidentyfikuj możliwe związki – bez założeń modelowych i przed dalszymi testami
W dziale rozwoju nowych sosów pomidorowych badane jest, jak czas gotowania wpływa na lepkość produktu. W tym celu sosy pomidorowe z różnymi czasami gotowania są produkowane w kilku seriach testowych. Dla każdej serii testowej mierzone i rejestrowane są czas gotowania oraz wynikowa lepkość jako para wartości.
Za pomocą wykresu punktowego badane jest, czy i jak związek między czasem gotowania a lepkością jest widoczny w danych pomiarowych. Podstawowy związek jest znany zawodowo: Dłuższe gotowanie powoduje odparowanie wody, co zazwyczaj skutkuje wyższą lepkością sosu pomidorowego.
Objaśnienia do grafiki:
Wykres punktowy pokazuje lepkość sosu pomidorowego w zależności od czasu gotowania. Wraz ze wzrostem czasu gotowania, mierzona lepkość wzrasta. Punkty znajdują się w przybliżeniu na prostej, co wskazuje na wyraźny pozytywny, niemal liniowy związek między czasem gotowania a lepkością. Dla tych samych czasów gotowania zauważalny jest niski rozrzut wartości pomiarowych.
Przygotowanie
- Zdefiniuj zmienną docelową (y) (np. lepkość sosu pomidorowego)
- Zdefiniuj zmienną wpływającą (x) (np. czas gotowania)
- Upewnij się, że obie zmienne są ilościowymi mierzalnymi zmiennymi
- Zbierz dane
Użyj w AlphadiTab
- W fazie Measure wybierz narzędzie wykresu rozrzutu
- Dla danych X wybierz kolumnę „czas gotowania“
- Dla danych Y wybierz kolumnę „lepkość“
- Wygeneruj diagram za pomocą przycisku „Utwórz nowy“.
Interpretacja
- Sprawdź, czy relacja między osią x a y jest rozpoznawalna
- Oceń, czy relacja jest pozytywna, negatywna, czy nieistniejąca
- Oceń, czy relacja jest w przybliżeniu liniowa
- Porównaj wykresy rozrzutu między seriami lub grupami, jeśli są dostępne
Ogólne rozważania
Czy trend można opisać za pomocą linii ?
Jeśli tak: Czy korelacja jest pozytywna czy negatywna?
Jeśli nie: Czy trend wskazuje na nieliniową korelację ?
Czy rozrzut punktów jest mały czy duży?
Znane specyfikacje
Czy pomiary mieszczą się w określonych granicach specyfikacji?
Czy są obszary zmiennej wpływającej, gdzie specyfikacja nie jest spełniona?
Czy korelacja zmienia się blisko granic specyfikacji?
Uwaga: Rozpoznawalna korelacja niekoniecznie oznacza, że jedna zmienna jest przyczyną drugiej.
Dla wykresów punktowych dostępne są różne formy reprezentacji. W zależności od tego, czy wybrano jedną czy więcej serii danych oraz dodatkowe grupy lub serie, reprezentacja na diagramie zmienia się. Wszystkie poniższe formy reprezentacji opierają się na tym samym pliku, ale różnią się wyborem używanych kolumn.
| Czas dostawy w dniach_Lokalizacja A | Czas dostawy w dniach_Lokalizacja B | Czas dostawy w dniach_Lokalizacja C | Status procesu | Produkt |
|---|---|---|---|---|
| 4 | 9 | 3 | Przed | Okno |
| 5 | 4 | 6 | Przed | Okno |
| 6 | 7 | 4 | Przed | Okno |
| 4 | 9 | 2 | Przed | Okno |
| 2 | 4 | 2 | Przed | Okno |
| 8 | 9 | 6 | Przed | Drzwi |
| 6 | 4 | 6 | Przed | Drzwi |
| 8 | 9 | 5 | Przed | Drzwi |
| 5 | 8 | 3 | Przed | Drzwi |
| 8 | 3 | 5 | Przed | Drzwi |
| 3 | 4 | 3 | Po | Okno |
| 1 | 3 | 1 | Po | Okno |
| 2 | 2 | 2 | Po | Okno |
| 3 | 3 | 3 | Po | Okno |
| 2 | 4 | 1 | Po | Okno |
| 1 | 4 | 1 | Po | Drzwi |
| 3 | 2 | 2 | Po | Drzwi |
| 3 | 5 | 3 | Po | Drzwi |
Pobierz tabelę tutaj jako Excel.
✓Jedna seria danych na oś: Kolumna A i B⌄
✓Jedna seria danych na oś z grupą: Kolumna A, B i D⌄
✓Jedna seria danych na oś z grupą i serią: Kolumna A, B, D i E⌄
- Dwa ilościowe rozmiary
Czas chłodzenia i twardość materiału
W rozwoju nowego komponentu badane jest, jak czas chłodzenia po obróbce cieplnej wpływa na twardość materiału. Podejrzewa się, że dłuższy czas chłodzenia prowadzi do mniejszej twardości materiału.
Wykres rozrzutu pokazuje negatywną korelację między czasem chłodzenia a twardością materiału. Wraz ze wzrostem czasu chłodzenia, mierzona twardość maleje.
Porównanie pomiarów produkcji i zapewniania jakości
W produkcji cecha jakościowa jest mierzona inline, np. ilość napełnienia. W zapewnianiu jakości ta sama cecha jest sprawdzana ponownie za pomocą oddzielnego urządzenia pomiarowego. Aby zbadać, czy pomiary z produkcji i zapewniania jakości są zgodne ze sobą, oba pomiary są rejestrowane jako pary wartości i wyświetlane na wykresie rozrzutu.
Wykres rozrzutu pokazuje związek między pomiarem zapewniania jakości a pomiarem produkcji ilości napełnienia. W dolnym zakresie pomiarowym pomiary produkcji i zapewniania jakości zgadzają się bardzo dobrze i są w przybliżeniu na prostej linii. Jednak przy wyższych pomiarach występuje rosnące odchylenie, przy czym pomiary zapewniania jakości są wyższe niż pomiary produkcji.
Wpływ częstotliwości konserwacji na przestoje
W produkcji bada się, jak częstotliwość konserwacji wpływa na nieplanowane przestoje maszyn. Zakłada się, że regularna konserwacja zmniejsza nieplanowane przestoje, ale efekt ten maleje od pewnej częstotliwości konserwacji. Dla kilku maszyn rejestrowana i dokumentowana jest liczba konserwacji na miesiąc oraz nieplanowane przestoje w tym samym okresie jako pary wartości. Wykres rozrzutu służy do sprawdzenia, czy istnieje związek i czy można zaobserwować efekt nasycenia.
Wykres rozrzutu pokazuje, że wraz ze wzrostem częstotliwości konserwacji nieplanowane przestoje początkowo znacznie się zmniejszają. Od częstotliwości konserwacji wynoszącej około 4–5 konserwacji na miesiąc efekt się spłaszcza, a dalsze konserwacje prowadzą do tylko niewielkich dodatkowych popraw.
Czas przetwarzania biletów według lokalizacji
W serwisie IT bada się, czy wiek biletu ma wpływ na czas przetwarzania. Podejrzewa się, że starsze bilety są często bardziej skomplikowane lub były wielokrotnie eskalowane, co powoduje dłuższe czasy przetwarzania. Dla kilku biletów rejestrowany i dokumentowany jest wiek biletu w momencie przetwarzania oraz rzeczywisty czas przetwarzania jako para wartości.
Wykres rozrzutu pokazuje silne rozproszenie czasów przetwarzania w różnych wiekach biletów. Wyraźny liniowy związek między wiekiem biletu a czasem przetwarzania jest nie dostrzegalny.
Wskaźnik sprzedaży vs. czas trwania oferty
W sprzedaży tworzone są oferty sprzedażowe dla klientów. Należy zbadać, czy czas trwania procesu ofertowego ma wpływ na wskaźnik sprzedaży. Dla kilku ofert rejestrowane i dokumentowane są czas trwania oferty (czas od utworzenia oferty do decyzji) oraz uzyskany wskaźnik sprzedaży jako para wartości.
Wykres punktowy pokazuje związek między czasem trwania oferty a wskaźnikiem sprzedaży, rozdzielony na produkty A i B. Dla Produktu A nie można dostrzec wyraźnego liniowego związku, ponieważ wskaźnik sprzedaży znacznie się różni w zależności od czasu trwania oferty. Produkt B natomiast pokazuje wyższe wskaźniki sprzedaży przy dłuższych czasach trwania oferty. Diagram ilustruje, że związek między czasem trwania oferty a wskaźnikiem sprzedaży różni się między produktami.
Czas dostawy po centrum logistycznym
W logistyce zamówienia klientów są przetwarzane przez wiele centrów logistycznych. Należy zbadać, czy ilość dostawy ma wpływ na czas dostawy. Dla kilku zamówień ilość dostawy i rzeczywisty czas dostawy są rejestrowane i dokumentowane jako pary wartości.
Wykres rozrzutu pokazuje związek między ilością dostawy a czasem dostawy. Punkty pokazują wyraźny rozrzut. Związek między ilością dostawy a czasem dostawy jest nierozpoznawalny.
Dostawy na czas vs. czas zamówienia
W zakupach bada się, czy długość czasu realizacji zamówienia ma wpływ na terminowość dostaw. Podejrzewa się, że dłuższe czasy realizacji poprawiają planowanie, a tym samym zwiększają wskaźnik terminowości dostaw. Dla kilku zamówień rejestrowane i dokumentowane są czasy realizacji (czas między zamówieniem a planowaną datą dostawy) oraz rzeczywisty wskaźnik terminowości dostaw jako pary wartości.
Wykres rozrzutu pokazuje pozytywną korelację między czasem realizacji a wskaźnikiem terminowości dostaw. W miarę wydłużania się czasu realizacji, wskaźnik terminowości dostaw rośnie. Punkty pokazują trend wzrostowy, wskazując na przybliżoną liniową zależność.
Odchylenie prognozy
W planowaniu produkcji prognozy są dostosowywane za pomocą współczynnika korekty, aby zrekompensować systematyczne przeszacowanie lub niedoszacowanie prognoz. Należy zbadać, jak poziom zastosowanego współczynnika korekty wpływa na pozostałe odchylenie prognozy. Dla kilku prognoz użyty współczynnik korekty i rzeczywiste odchylenie prognozy są rejestrowane i dokumentowane jako para wartości.
Wykres punktowy pokazuje związek między współczynnikiem korekty a odchyleniem prognozy. Przy niskich współczynnikach korekty odchylenie prognozy jest głównie pozytywne, co wskazuje na przeszacowanie popytu. W miarę wzrostu współczynnika korekty odchylenie prognozy maleje i jest bliskie 0 % wokół współczynnika korekty = 1,00. Przy wyższych współczynnikach korekty odchylenie prognozy staje się coraz bardziej negatywne, co wskazuje na niedoszacowanie popytu.
Wykres rozrzutu: Diagram do graficznego przedstawiania związku między dwiema zmiennymi liczbowymi.
Diagram korelacji: Alternatywne określenie, gdzie wyświetlane są poszczególne punkty danych.
Zmienna niezależna (x): Zmienna, której wpływ na inną zmienną jest badany.
Zmienna zależna (y): Zmienna, która ma być pod wpływem zmiennej niezależnej.
Para danych: Powiązane pomiary ze zmiennych niezależnej i zależnej.
Związek liniowy: Związek, w którym wartości w przybliżeniu układają się wzdłuż prostej linii.
Związek nieliniowy: Związek, którego trendu nie można opisać prostą linią.
Dyspersja: Miara rozkładu punktów wokół rozpoznawalnego trendu.
Związek pozytywny: W miarę wzrostu wartości x, wartość y rośnie.
Związek negatywny: W miarę wzrostu wartości x, wartość y maleje.
Korelacja: Miara siły i kierunku związku między dwiema zmiennymi.
Regresja: Metoda opisywania związku za pomocą funkcji matematycznej.
Przyczynowość: Związek przyczynowo-skutkowy między dwiema zmiennymi, którego nie można wyprowadzić z wykresu rozrzutu.