Gambar Rajah Serakan: Cara Mencari Korelasi

Gambar rajah serakan ialah salah satu alat paling mudah dalam pengurusan kualiti dan salah satu yang paling kerap disalah tafsir. Pasukan menggunakannya untuk melihat sama ada dua pemboleh ubah bergerak bersama. Tetapi mereka sering berhenti di situ, melangkau satu langkah penting yang mengelakkan keputusan yang salah: memahami perbezaan antara korelasi dan sebab-akibat.

Sebelum anda bertindak berdasarkan apa yang ditunjukkan oleh gambar rajah serakan, anda perlu tahu dengan tepat apa itu gambar rajah serakan, cara membinanya dengan betul, dan di mana kedudukannya dalam analisis yang lebih luas. Itulah yang diliputi oleh panduan ini.

Apakah Itu Gambar Rajah Serakan?

Gambar rajah serakan (juga dipanggil plot serakan atau graf X-Y) ialah graf yang memplot nilai berangka berpasangan pada paksi X mendatar dan paksi Y menegak untuk mendedahkan sama ada dua pemboleh ubah berkaitan dan sejauh mana kuatnya. Setiap titik data mewakili satu pemerhatian. Awan titik yang terhasil menunjukkan sama ada kedua-dua pemboleh ubah cenderung naik dan turun bersama, bergerak dalam arah bertentangan, atau tiada kaitan yang jelas sama sekali.

Gambar rajah serakan ialah salah satu daripada 7 alat kualiti asas (alat kawalan kualiti (QC)) yang dikaitkan dengan perintis kualiti Kaoru Ishikawa, yang memformalkan set alat ini pada tahun 1960-an dan 1970-an. Ia berada bersama gambar rajah tulang ikan, helaian semak, histogram, carta kawalan, carta Pareto, dan stratifikasi sebagai kaedah asas untuk penyelesaian masalah berasaskan data.

Perkara penting: gambar rajah serakan menunjukkan korelasi, bukan sebab-akibat. Ia memberitahu anda bahawa dua perkara cenderung bergerak bersama. Ia tidak memberitahu anda sebabnya.

Fakta Utama

• Kaoru Ishikawa memformalkan 7 alat kualiti asas (termasuk gambar rajah serakan) dalam karyanya pada tahun 1968 di Kawasaki dan dalam penerbitan kemudian seperti Guide to Quality Control (1976, Asian Productivity Organization). Set alat lengkap ini menjadi piawaian global untuk kalangan kualiti dan program pengurusan kualiti menyeluruh.
• Plot serakan sebagai bentuk grafik mempunyai sejarah panjang: ahli astronomi British John Herschel menggunakan versi awal teknik ini pada tahun 1833 untuk memplot kedudukan bintang, dan Francis Galton menggunakan plot data berpasangan pada tahun 1880-an semasa mengkaji baka keturunan. Karl Pearson memformalkan pekali korelasi (r Pearson) pada tahun 1896, memberikan pengguna gambar rajah serakan ukuran berangka bagi kekuatan hubungan selain corak visual.
• Gambar rajah serakan paling boleh dipercayai apabila dibina berdasarkan sekurang-kurangnya 30 titik data berpasangan. Titik yang lebih sedikit menjadikan tafsiran corak kurang boleh dipercayai, dan trend palsu boleh muncul secara kebetulan.
• "Gambar rajah serakan tidak akan memberitahu anda mengapa dua perkara bergerak bersama, hanya bahawa ia berlaku."

Mengapa Menggunakan Gambar Rajah Serakan

Kebanyakan masalah kualiti bermula dengan dugaan. Seorang jurutera proses mengesyaki bahawa suhu ketuhar yang lebih tinggi menyebabkan lebih banyak kecacatan permukaan. Seorang pengurus sokongan berfikir kekurangan kakitangan mendorong masa menunggu yang lebih lama. Seorang ketua jualan percaya lebih banyak panggilan menghasilkan lebih banyak urus niaga yang ditutup.

Dugaan tersebut ialah titik permulaan yang baik. Tetapi bertindak berdasarkannya tanpa data adalah mahal. Gambar rajah serakan membolehkan anda menguji hubungan sebab-akibat yang disyaki sebelum melabur sumber untuk penyelesaian.

Ia sesuai secara semula jadi selepas sesi gambar rajah tulang ikan atau five whys. Sebaik sahaja pasukan anda telah mengenal pasti senarai punca akar yang berpotensi, anda boleh menggunakan gambar rajah serakan untuk menyemak hubungan yang disyaki mana yang benar-benar muncul dalam data. Ini memastikan analisis punca akar anda berasaskan bukti, bukan pendapat.

Gambar rajah serakan juga memberi input kepada projek DMAIC Six Sigma, khususnya fasa Analyze, di mana pasukan perlu mengesahkan atau menolak hubungan pemboleh ubah sebelum mereka bentuk penambahbaikan.

Jenis Korelasi yang Ditunjukkan oleh Gambar Rajah Serakan

Corak yang dibentuk oleh titik anda ialah output analisis. Berikut ialah enam corak yang biasa anda akan hadapi:

Apabila corak itu tidak jelas, garis trend (garis padanan terbaik) yang dilukis melalui data membantu menjelaskan arahnya. Pekali korelasi (r Pearson) memberikan ringkasan berangka: nilai hampir +1 atau -1 menunjukkan hubungan yang kuat; nilai hampir 0 menunjukkan tiada hubungan linear.

Gunakan analisis Pareto selepas mengenal pasti korelasi yang kuat untuk menentukan keutamaan pemboleh ubah mana yang perlu ditangani dahulu apabila terdapat pelbagai hubungan.

Cara Mencipta Gambar Rajah Serakan

Membina gambar rajah serakan adalah mudah. Kualiti tafsiran bergantung pada kualiti pengumpulan data, jadi setiap langkah adalah penting.

Langkah 1: Pilih dua pemboleh ubah

Kenal pasti satu punca berpotensi (paksi X) dan satu kesan berpotensi (paksi Y). Jadilah spesifik. "Suhu" adalah kabur; "suhu ketuhar dalam darjah Celsius semasa peringkat penyaduran" adalah tepat. Puncanya diletakkan pada paksi mendatar mengikut konvensyen, dan kesannya diletakkan pada paksi menegak.

Langkah 2: Kumpul data berpasangan

Bagi setiap pemerhatian, rekodkan kedua-dua nilai pada masa yang sama atau daripada unit yang sama. Anda memerlukan sekurang-kurangnya 30 titik data berpasangan, dan 50 atau lebih memberikan corak yang jauh lebih boleh dipercayai. Kumpul data merentas keseluruhan julat keadaan yang anda pedulikan, bukan hanya semasa operasi biasa. Jika anda hanya mengukur ketika keadaan berjalan lancar, anda akan terlepas tingkah laku hujung tinggi atau hujung rendah yang mendorong kecacatan.

Gunakan helaian semak untuk merekod nilai berpasangan secara sistematik sebelum beralih kepada gambar rajah serakan.

Langkah 3: Tetapkan paksi

Lukiskan atau konfigurasikan paksi X dan Y anda. Tetapkan skala paksi X untuk meliputi keseluruhan julat pemboleh ubah punca anda, dengan sedikit ruang lebihan. Lakukan perkara yang sama untuk Y. Labelkan setiap paksi dengan nama pemboleh ubah dan unit ukurannya. Label yang jelas mengelakkan salah tafsir kemudian.

Langkah 4: Plotkan titik

Bagi setiap pemerhatian berpasangan, cari nilai X-nya pada paksi mendatar dan nilai Y-nya pada paksi menegak, kemudian letakkan satu titik pada persilangannya. Jika dua pemerhatian jatuh pada koordinat yang sama tepat, gunakan bulatan kecil di sekeliling titik itu untuk menunjukkan pelbagai titik di lokasi tersebut.

Langkah 5: Tafsirkan corak

Undurkan diri dan lihat bentuk keseluruhan. Adakah awan itu cenderung menaik, menurun, atau tiada arah? Adakah kelompok itu padat atau tersebar luas? Adakah terdapat titik terpencil yang menarik corak keluar dari paksi? Kenal pasti antara enam jenis korelasi mana yang menyerupai corak itu (lihat jadual di atas), dan tambahkan garis trend jika perlu.

Jangan berhenti di sini. Gunakan gambar rajah serakan sebagai bukti untuk analisis yang lebih mendalam, bukan sebagai jawapan muktamad.

Contoh Gambar Rajah Serakan Mengikut Fungsi

Pembuatan: suhu ketuhar berbanding kadar kecacatan permukaan

Sebuah pasukan pengeluaran mengesyaki bahawa suhu ketuhar yang lebih tinggi menyebabkan lebih banyak kecacatan permukaan pada bahagian logam bersadur. Mereka mengumpulkan 45 bacaan berpasangan sepanjang dua minggu, mencatat suhu ketuhar (X) dan kadar kecacatan dalam peratusan (Y) bagi setiap kelompok.

Gambar rajah serakan menunjukkan korelasi positif yang sederhana: apabila suhu meningkat melebihi 210°C, kadar kecacatan meningkat dengan ketara. Hubungan itu tidak sepenuhnya padat, menunjukkan pemboleh ubah lain (kelembapan, ketebalan saduran) turut menyumbang. Tetapi gambar rajah itu memberikan keyakinan yang cukup kepada pasukan untuk menguji penambahbaikan kawalan suhu dalam percubaan terkawal.

Operasi sokongan: tahap kakitangan berbanding purata masa menunggu

Seorang pengurus operasi perkhidmatan memplot bilangan kakitangan harian (X) berbanding purata masa menunggu pelanggan dalam minit (Y) selama 60 hari.

Gambar rajah itu menunjukkan korelasi negatif yang kuat: lebih ramai ejen bertugas secara konsisten mengurangkan masa menunggu. Kelompok itu agak padat, dengan beberapa titik terpencil pada hari acara bervolum tinggi. Pasukan itu menggunakan ini untuk membina model kakitangan yang mengaitkan bilangan kakitangan dengan ambang volum yang dijangka.

Jualan: panggilan keluar berbanding urus niaga ditutup

Sebuah pasukan jualan memplot volum panggilan keluar mingguan bagi setiap wakil (X) berbanding urus niaga yang ditutup setiap minggu (Y) sepanjang tiga bulan.

Gambar rajah itu menunjukkan korelasi positif yang lemah. Volum panggilan yang lebih tinggi cenderung menghasilkan lebih banyak urus niaga, tetapi serakannya luas. Ini memberitahu pasukan bahawa volum panggilan sahaja bukan pendorong utama penutupan urus niaga. Mereka menjalankan analisis susulan yang membandingkan skor kualiti panggilan dan kadar urus niaga, yang menunjukkan korelasi yang jauh lebih padat.

Korelasi Bukan Sebab-Akibat

Ini ialah peraturan paling penting dalam tafsiran gambar rajah serakan, dan yang paling kerap dilangkau.

Korelasi yang kuat bermaksud dua pemboleh ubah bergerak bersama dalam corak yang boleh diramal. Ia tidak bermaksud satu menyebabkan yang lain. Kedua-duanya mungkin didorong oleh pemboleh ubah ketiga yang belum anda ukur. Hubungan itu mungkin kebetulan sahaja. Atau arah sebab-akibat mungkin berjalan bertentangan daripada apa yang anda andaikan.

Contoh klasik: jualan aiskrim dan kadar lemas kedua-duanya meningkat pada musim panas. Gambar rajah serakan bagi kedua-duanya akan menunjukkan korelasi positif yang kuat. Tetapi aiskrim tidak menyebabkan lemas. Kedua-duanya didorong oleh pemboleh ubah ketiga: cuaca panas yang membawa orang ke air dan juga mendorong pembelian aiskrim.

Dalam konteks perniagaan, perangkap yang sama muncul secara berterusan. Gambar rajah serakan yang menunjukkan jam latihan jualan berkorelasi dengan pertumbuhan hasil tidak membuktikan latihan mendorong hasil. Pasukan yang lebih baik dibiayai mungkin mendapat kedua-dua lebih banyak latihan dan bajet pemasaran yang lebih besar. Uraikan pemboleh ubah tersebut sebelum membuat keputusan.

Langkah seterusnya selepas penemuan korelasi yang kuat biasanya ialah eksperimen terkawal atau analisis multivariat yang lebih mendalam untuk mengesahkan arah sebab-akibat.

Amalan Terbaik

Kumpul data yang mencukupi. Tiga puluh titik data berpasangan ialah minimum. Lima puluh lebih baik. Dengan titik yang lebih sedikit, variasi rawak boleh menghasilkan corak yang kelihatan bermakna tetapi sebenarnya tidak.

Berwaspada terhadap titik terpencil. Beberapa titik data yang ekstrem boleh mencipta atau memusnahkan trend yang kelihatan. Siasat titik terpencil sebelum mengecualikannya. Ia sering mendedahkan maklumat paling penting tentang corak kegagalan proses.

Stratifikasi apabila perlu. Jika data anda datang daripada pelbagai syif, mesin, atau barisan produk, plotkan setiap kumpulan dengan simbol atau warna yang berbeza. Gambar rajah serakan gabungan boleh menyembunyikan corak yang hanya wujud dalam subkumpulan tertentu.

Susuli dengan analisis yang lebih mendalam. Gambar rajah serakan ialah alat penyaringan, bukan keputusan muktamad. Apabila anda menemui korelasi yang kuat, sahkannya melalui percubaan terkawal, analisis regresi, atau pusingan tambahan five whys sebelum melabur untuk penyelesaian.

Padankan dengan alat kualiti lain. Gambar rajah serakan berfungsi paling baik sebagai sebahagian daripada penyiasatan yang lebih luas. Gunakannya selepas sesi tulang ikan untuk menguji punca yang disyaki, dan gunakan analisis Pareto untuk menentukan keutamaan korelasi yang disahkan mana yang perlu ditangani dahulu.

Soalan Lazim

Apakah perbezaan antara korelasi dan sebab-akibat?

Korelasi bermaksud dua pemboleh ubah cenderung bergerak bersama dalam corak yang boleh diramal. Sebab-akibat bermaksud satu pemboleh ubah secara langsung menghasilkan perubahan pada yang lain. Gambar rajah serakan menunjukkan korelasi. Ia tidak mengesahkan sebab-akibat. Mengesahkan sebab-akibat memerlukan eksperimen terkawal atau analisis tambahan yang menolak pemboleh ubah pengeliru.

Adakah gambar rajah serakan salah satu daripada 7 alat QC?

Ya. Gambar rajah serakan (juga dipanggil plot serakan atau graf X-Y) ialah salah satu daripada tujuh alat kawalan kualiti asas yang diformalkan oleh Kaoru Ishikawa. Enam yang lain ialah gambar rajah tulang ikan, helaian semak, histogram, carta kawalan, carta Pareto, dan stratifikasi.

Berapa banyak titik data yang saya perlukan untuk gambar rajah serakan yang boleh dipercayai?

Sasarkan sekurang-kurangnya 30 titik data berpasangan, dan sebaiknya 50 atau lebih. Dengan kurang daripada 30 titik, variasi rawak boleh menghasilkan corak yang mengelirukan. Kumpul data merentas keseluruhan julat keadaan operasi, bukan hanya senario biasa atau tipikal.

Apakah yang diukur oleh r Pearson?

r Pearson ialah pekali korelasi, satu nombor antara -1 dan +1 yang meringkaskan kekuatan dan arah hubungan linear. Nilai hampir +1 menunjukkan korelasi positif yang kuat. Nilai hampir -1 menunjukkan korelasi negatif yang kuat. Nilai hampir 0 menunjukkan sedikit atau tiada hubungan linear. Perhatikan bahawa r Pearson hanya mengukur hubungan linear dan akan memperkecilkan corak melengkung atau tidak linear.

Bilakah saya TIDAK sepatutnya menggunakan gambar rajah serakan?

Gambar rajah serakan bukan alat yang tepat apabila pemboleh ubah anda bersifat kategori dan bukannya berangka, apabila anda bekerja dengan kurang daripada 20 titik data, atau apabila anda sudah tahu daripada eksperimen terkawal terdahulu bahawa hubungan sebab-akibat wujud dan anda perlu mengukurnya dengan tepat. Dalam kes tersebut, analisis regresi atau kaedah kawalan proses statistik lebih sesuai.

---

Gambar rajah serakan memberi anda jawapan visual yang pantas kepada soalan "adakah kedua-dua perkara ini bergerak bersama?" Apabila corak itu jelas dan data itu kukuh, ia boleh menjimatkan pasukan anda berminggu-minggu kerja teka-teki. Tetapi nilai sebenarnya terletak pada menunjukkan arah kepada soalan seterusnya, bukan menutup penyiasatan. Padankan ia dengan proses analisis punca akar yang berstruktur, dan anda mempunyai gabungan yang secara konsisten menghasilkan keputusan yang lebih baik berbanding gerak hati semata-mata.