Diagramme de dispersion : comment repérer les corrélations

Qu'est-ce qu'un diagramme de dispersion ? Un repère net contenant un nuage de points appariés et une discrète flèche de tendance ascendante, avec une valeur aberrante corail et sans texte chiffré.

Turn this article into takeaways for your work.

Each assistant summarizes the article only for you and suggests best practices for your work.

Le diagramme de dispersion est l'un des outils les plus simples du management de la qualité, et l'un des plus mal lus. Les équipes l'utilisent pour voir si deux variables évoluent ensemble. Mais elles s'arrêtent souvent là, en sautant l'étape qui évite les mauvaises décisions : comprendre la différence entre corrélation et causalité.

Avant d'agir sur ce que montre un diagramme de dispersion, vous devez savoir exactement ce que c'est, comment le construire correctement et quelle place il occupe dans une analyse plus large. C'est ce que couvre ce guide.

Qu'est-ce qu'un diagramme de dispersion ?

Un diagramme de dispersion (aussi appelé nuage de points ou graphique X-Y) est un graphique qui place des valeurs numériques appariées sur un axe X horizontal et un axe Y vertical, afin de révéler si deux variables sont liées et avec quelle force. Chaque point représente une observation. Le nuage de points obtenu montre si les deux variables ont tendance à monter et à descendre ensemble, à évoluer en sens inverse ou à n'avoir aucun lien apparent.

Le diagramme de dispersion fait partie des 7 outils de base de la qualité (outils de maîtrise de la qualité, ou QC) attribués au pionnier de la qualité Kaoru Ishikawa, qui a formalisé cette boîte à outils dans les années 1960 et 1970. Il côtoie le diagramme d'Ishikawa, la feuille de relevé, l'histogramme, la carte de contrôle, le diagramme de Pareto et la stratification, et constitue une méthode de base pour résoudre les problèmes à partir de données.

L'essentiel : un diagramme de dispersion montre une corrélation, pas une causalité. Il vous dit que deux éléments ont tendance à évoluer ensemble. Il ne vous dit pas pourquoi.

Chiffres clés :

  • Kaoru Ishikawa a formalisé les 7 outils de base de la qualité (dont le diagramme de dispersion) lors de ses travaux de 1968 à Kawasaki, puis dans des publications ultérieures comme Guide to Quality Control (1976, Asian Productivity Organization). Cette boîte à outils est devenue la référence mondiale des cercles de qualité et des programmes de gestion de la qualité totale.
  • Le nuage de points comme forme graphique a une longue histoire : l'astronome britannique John Herschel en a utilisé une version primitive en 1833 pour tracer la position d'étoiles, et Francis Galton a employé des graphiques de données appariées dans les années 1880 pour étudier l'hérédité. Karl Pearson a formalisé le coefficient de corrélation (r de Pearson) en 1896, offrant aux utilisateurs du diagramme de dispersion une mesure chiffrée de la force de la relation en plus du schéma visuel.
  • Un diagramme de dispersion est le plus fiable lorsqu'il repose sur au moins 30 paires de données. Avec moins de points, l'interprétation des schémas devient peu fiable et des tendances trompeuses peuvent apparaître par hasard.
  • « Un diagramme de dispersion ne vous dira pas pourquoi deux éléments évoluent ensemble, seulement qu'ils le font. »

Pourquoi utiliser un diagramme de dispersion

La plupart des problèmes de qualité commencent par une intuition. Un ingénieur procédés soupçonne qu'une température de four plus élevée provoque davantage de défauts de surface. Un responsable du support pense que le manque de personnel allonge les temps d'attente. Un directeur commercial croit que plus d'appels produisent plus de ventes conclues.

Ces intuitions sont de bons points de départ. Mais agir sans données coûte cher. Le diagramme de dispersion permet de tester une relation de cause à effet supposée avant d'engager des ressources dans une correction.

Il s'intègre naturellement après une séance de diagramme d'Ishikawa ou de 5 pourquoi. Une fois que votre équipe a dressé la liste des causes racines potentielles, un diagramme de dispersion permet de vérifier lesquelles des relations supposées apparaissent réellement dans les données. Votre analyse des causes racines repose ainsi sur des faits plutôt que sur des opinions.

Le diagramme de dispersion alimente aussi en amont les projets DMAIC de Six Sigma, plus précisément la phase Analyze, où les équipes doivent confirmer ou écarter des relations entre variables avant de concevoir des améliorations.

Les types de corrélation que montre un diagramme de dispersion

Le schéma que dessinent vos points est le résultat de l'analyse. Voici les six schémas que vous rencontrerez le plus souvent :

Types de corrélation d'un nuage de points : une large galerie de six petits nuages épars répartis sur deux lignes (positive forte, positive faible, négative forte, négative faible, nulle, courbe), sans mots, avec de simples flèches de tendance.

Schéma Aspect des points Signification
Corrélation positive forte Amas serré qui monte fortement du bas gauche vers le haut droit Quand X augmente, Y augmente de façon fiable. Relation forte qui mérite d'être approfondie.
Corrélation positive faible Nuage lâche orienté vers le haut, avec une forte dispersion X et Y ont tendance à monter ensemble, mais d'autres facteurs influencent aussi Y. La relation existe sans être dominante.
Corrélation négative forte Amas serré qui descend fortement du haut gauche vers le bas droit Quand X augmente, Y diminue de façon fiable. Il faut examiner si réduire X est un levier envisageable.
Corrélation négative faible Nuage lâche orienté vers le bas X et Y ont tendance à évoluer en sens inverse, mais la relation n'est pas régulière.
Aucune corrélation Dispersion aléatoire sans tendance directionnelle X et Y ne sont pas liés, ou la relation est masquée par d'autres variables.
Corrélation non linéaire (courbe) Les points forment une courbe (en U, en S ou en arc) Une relation existe, mais elle n'est pas linéaire. Les statistiques de corrélation standard peuvent la sous-estimer. À approfondir.

Lorsque le schéma est ambigu, une droite de tendance (droite de régression) tracée à travers les données aide à clarifier la direction. Un coefficient de corrélation (r de Pearson) en donne un résumé chiffré : des valeurs proches de +1 ou de -1 indiquent des relations fortes ; des valeurs proches de 0 suggèrent l'absence de relation linéaire.

Après avoir identifié une corrélation forte, utilisez l'analyse de Pareto pour décider quelle variable traiter en premier lorsque plusieurs relations existent.

Comment créer un diagramme de dispersion

Construire un diagramme de dispersion est simple. La qualité de l'interprétation dépend de celle de la collecte des données : chaque étape compte.

Comment créer un diagramme de dispersion : une large séquence visuelle en cinq étapes (étiquettes de variables appariées, fiches de données associées, tracé des coordonnées, ruban de tendance, loupe sur les valeurs aberrantes), avec des numéros de 1 à 5.

Étape 1 : choisir les deux variables

Identifiez une cause potentielle (axe X) et un effet potentiel (axe Y). Soyez précis. « Température » est vague ; « température du four en degrés Celsius pendant l'étape de revêtement » est précis. Par convention, la cause se place sur l'axe horizontal et l'effet sur l'axe vertical.

Étape 2 : collecter des données appariées

Pour chaque observation, relevez les deux valeurs au même moment ou sur la même unité. Il vous faut au moins 30 paires de données, et 50 ou plus donnent des schémas bien plus fiables. Collectez les données sur toute la plage de conditions qui vous intéressent, pas seulement en fonctionnement normal. Si vous ne mesurez que lorsque tout va bien, vous passerez à côté des comportements aux valeurs hautes ou basses qui causent les défauts.

Utilisez une feuille de relevé pour consigner systématiquement les valeurs appariées avant de passer au diagramme de dispersion.

Étape 3 : définir les axes

Tracez ou configurez vos axes X et Y. Réglez l'échelle de l'axe X pour couvrir toute la plage de votre variable cause, avec un peu de marge. Faites de même pour Y. Nommez chaque axe avec le nom de la variable et son unité de mesure. Des libellés clairs évitent les erreurs d'interprétation par la suite.

Étape 4 : placer les points

Pour chaque observation appariée, repérez sa valeur X sur l'axe horizontal et sa valeur Y sur l'axe vertical, puis placez un point à l'intersection. Si deux observations tombent exactement sur les mêmes coordonnées, entourez le point d'un petit cercle pour indiquer qu'il y a plusieurs points à cet endroit.

Étape 5 : interpréter le schéma

Prenez du recul et observez la forme d'ensemble. Le nuage monte-t-il, descend-il ou n'a-t-il aucune direction ? L'amas est-il serré ou très étalé ? Des valeurs aberrantes tirent-elles le schéma hors de l'axe ? Identifiez lequel des six types de corrélation le schéma ressemble le plus (voir le tableau ci-dessus), et ajoutez une droite de tendance si nécessaire.

Ne vous arrêtez pas là. Utilisez le diagramme de dispersion comme un élément de preuve pour une analyse plus poussée, pas comme une réponse définitive.

Exemples de diagrammes de dispersion par fonction

Les équipes peuvent tester des relations supposées en production, au support, en vente et dans les opérations, à partir d'observations appariées issues du travail réel.

Exemples de diagrammes de dispersion : une nature morte analytique compacte en quatre volets (cadran de température de four avec points de défauts, fiches d'effectifs du support avec horloge d'attente, jetons d'appels commerciaux avec marqueur de vente conclue, jauge de charge du processus), autour d'une petite feuille de nuage de points.

Production : température du four et taux de défauts de surface

Une équipe de production soupçonne qu'une température de four plus élevée provoque davantage de défauts de surface sur une pièce métallique revêtue. Elle collecte 45 relevés appariés sur deux semaines, en consignant pour chaque lot la température du four (X) et le taux de défauts en pourcentage (Y).

Le diagramme de dispersion montre une corrélation positive modérée : au-delà de 210 °C, les taux de défauts augmentent nettement. La relation n'est pas parfaitement serrée, ce qui suggère que d'autres variables (humidité, épaisseur du revêtement) y contribuent aussi. Mais le diagramme donne à l'équipe assez d'assurance pour tester des améliorations du contrôle de température lors d'un essai maîtrisé.

Support : niveau d'effectifs et temps d'attente moyen

Un responsable des opérations de service trace l'effectif quotidien (X) en regard du temps d'attente moyen des clients en minutes (Y) sur 60 jours.

Le diagramme montre une forte corrélation négative : plus d'agents en poste réduit systématiquement le temps d'attente. L'amas est assez serré, avec quelques valeurs aberrantes les jours d'événements à fort volume. L'équipe s'en sert pour bâtir un modèle d'effectifs qui relie le nombre d'agents à des seuils de volume attendus.

Ventes : appels sortants et deals conclus

Une équipe commerciale trace le volume hebdomadaire d'appels sortants par commercial (X) en regard du nombre hebdomadaire de deals conclus (Y) sur trois mois.

Le diagramme montre une corrélation positive faible. Un volume d'appels plus élevé tend à produire plus de deals, mais la dispersion est large. L'équipe en conclut que le volume d'appels seul n'est pas le principal moteur de la conclusion des deals. Elle mène une analyse complémentaire qui compare les scores de qualité des appels et les taux de conclusion, et obtient une corrélation bien plus serrée.

Corrélation n'est pas causalité

C'est la règle la plus importante de l'interprétation d'un diagramme de dispersion, et celle qu'on saute le plus souvent.

Corrélation n'est pas causalité : une métaphore compacte de théâtre de marionnettes où deux repères montants semblent liés, tandis qu'une troisième poulie cachée commande les deux, avec un point d'interrogation corail près du mécanisme invisible et sans mots.

Une forte corrélation signifie que deux variables évoluent ensemble selon un schéma prévisible. Cela ne veut pas dire que l'une cause l'autre. Les deux peuvent dépendre d'une troisième variable que vous n'avez pas mesurée. La relation peut être fortuite. Ou le sens de la causalité peut être l'inverse de ce que vous supposiez.

Un exemple classique : les ventes de glaces et le nombre de noyades augmentent tous deux en été. Un diagramme de dispersion des deux montrerait une forte corrélation positive. Pourtant, les glaces ne causent pas les noyades. Les deux dépendent d'une troisième variable : la chaleur, qui attire les gens vers l'eau et fait aussi vendre des glaces.

Dans le monde de l'entreprise, le même piège revient sans cesse. Un diagramme de dispersion montrant que les heures de formation commerciale sont corrélées à la croissance du chiffre d'affaires ne prouve pas que la formation fait croître le chiffre d'affaires. Les équipes mieux dotées peuvent recevoir à la fois plus de formation et plus de budget marketing. Démêlez les variables avant de décider.

L'étape suivante, après avoir trouvé une forte corrélation, consiste en général à mener une expérience maîtrisée ou une analyse multivariée plus poussée pour confirmer le sens de la causalité.

Bonnes pratiques

Collecter assez de données. Trente paires de données sont un minimum. Cinquante, c'est mieux. Avec moins de points, la variation aléatoire peut produire des schémas qui semblent significatifs mais qui ne le sont pas.

Surveiller les valeurs aberrantes. Quelques points extrêmes peuvent créer ou détruire une tendance apparente. Examinez les valeurs aberrantes avant de les exclure. Elles révèlent souvent les informations les plus importantes sur les modes de défaillance du processus.

Stratifier si nécessaire. Si vos données proviennent de plusieurs équipes, machines ou lignes de produits, tracez chaque groupe avec un symbole ou une couleur différents. Un diagramme de dispersion global peut masquer des schémas qui n'existent qu'au sein de sous-groupes.

Poursuivre par une analyse plus poussée. Le diagramme de dispersion est un outil de dépistage, pas un verdict final. Lorsque vous trouvez une forte corrélation, confirmez-la par un essai maîtrisé, une analyse de régression ou de nouvelles séries de 5 pourquoi avant de vous engager dans une correction.

L'associer à d'autres outils de la qualité. Le diagramme de dispersion fonctionne mieux dans le cadre d'une enquête plus large. Utilisez-le après une séance d'Ishikawa pour tester les causes supposées, puis recourez à l'analyse de Pareto pour décider quelles corrélations confirmées traiter en premier.

Questions fréquentes sur le diagramme de dispersion

Quelle est la différence entre corrélation et causalité ?

La corrélation signifie que deux variables ont tendance à évoluer ensemble selon un schéma prévisible. La causalité signifie qu'une variable produit directement un changement dans l'autre. Un diagramme de dispersion montre une corrélation. Il n'établit pas la causalité. Pour la confirmer, il faut des expériences maîtrisées ou une analyse complémentaire qui écarte les variables parasites.

Le diagramme de dispersion fait-il partie des 7 outils de la qualité ?

Oui. Le diagramme de dispersion (aussi appelé nuage de points ou graphique X-Y) est l'un des sept outils de base de la maîtrise de la qualité formalisés par Kaoru Ishikawa. Les six autres sont le diagramme d'Ishikawa, la feuille de relevé, l'histogramme, la carte de contrôle, le diagramme de Pareto et la stratification.

De combien de points de données ai-je besoin pour un diagramme de dispersion fiable ?

Visez au moins 30 paires de données, et idéalement 50 ou plus. Avec moins de 30 points, la variation aléatoire peut produire des schémas trompeurs. Collectez des données sur toute la plage des conditions de fonctionnement, pas seulement dans les scénarios typiques ou normaux.

Que mesure le r de Pearson ?

Le r de Pearson est le coefficient de corrélation, un nombre compris entre -1 et +1 qui résume la force et le sens d'une relation linéaire. Une valeur proche de +1 indique une forte corrélation positive. Une valeur proche de -1 indique une forte corrélation négative. Une valeur proche de 0 suggère une relation linéaire faible ou inexistante. Notez que le r de Pearson ne mesure que les relations linéaires et sous-estime les schémas courbes ou non linéaires.

Quand ne faut-il PAS utiliser un diagramme de dispersion ?

Le diagramme de dispersion n'est pas l'outil adapté lorsque vos variables sont catégorielles plutôt que numériques, lorsque vous disposez de moins de 20 points de données, ou lorsque des expériences maîtrisées antérieures vous ont déjà montré qu'un lien de causalité existe et que vous devez le quantifier précisément. Dans ces cas, l'analyse de régression ou les méthodes de maîtrise statistique des procédés sont plus appropriées.


Un diagramme de dispersion apporte une réponse visuelle et rapide à la question « ces deux éléments évoluent-ils ensemble ? ». Lorsque le schéma est net et les données solides, il peut épargner des semaines de tâtonnements à votre équipe. Mais sa vraie valeur est de vous orienter vers la question suivante, pas de clore l'enquête. Associez-le à une démarche structurée d'analyse des causes racines : cette combinaison produit systématiquement de meilleures décisions que la seule intuition.

About the author

Linh Ngo

Linh Ngo

Customer Success Operations Manager

Linh Ngo is Customer Success Operations Manager at Rework, focused on AI-led process automation for operations teams, especially order fulfillment and finance workflows. Linh writes about process management and the AI productivity tools that take manual steps out of daily operations, so teams can see where work stalls and fix the process before adding headcount.