缩水不良跟着模温走？——散布图五步实战，让变量关系自己说话

某注塑件厂的质量主管被一款外壳件的缩水不良缠了两个月：尺寸偏小的比例在 3%～15% 之间来回跳，工艺参数改过、模具修过，就是压不住。直到有人把近一个月的"模温—缩水率"数据摆到一张图上，问题才现出原形——模温越高，缩水越严重，几十个点几乎排成一条直线。这张图，就是 QC 七大工具里的散布图。

一、散布图是干什么的

散布图用点的分布展示两个变量之间的关系，回答三个问题：有没有关系、什么方向、关系多强。质量工作里大量"说不清"的争议，本质是变量关系没看清：不良率到底跟谁有关？参数调到什么范围才稳？散布图就是成本最低的探路工具。

它适合三类场景：一是怀疑某个参数与质量结果有关，但说不清方向和强弱；二是两个质量指标忽高忽低，想判断是不是同一根源；三是需要用数据说服跨部门同事"这事确实有关，别再凭感觉吵了"。

散布图在 QC 七大工具里的位置很特别：检查表、层别法负责把数据收对、分对，柏拉图负责排出重点，而散布图负责回答"重点背后跟谁有关"。它常和层别法搭配使用——先用层别法把数据按材料、机台、班次分开，再对每个层别画散布图，往往能发现混在一起时看不见的关系。

需要提醒的是：散布图负责"找嫌疑"，不负责"定因果"。图上相关不等于事实因果，确认关系要靠后面的试验验证。

二、五步画出一张可信的散布图

第 1 步：收集成对数据。 至少收集 30 组，X 与 Y 必须来自同一次观测，一一对应；数据要覆盖变量的全范围，不能只收"正常状态"的；同时记录时间、批次、机台等条件，方便追溯异常点。

第 2 步：定轴。 原因变量（可调参数）放横轴 X，结果变量（质量特性）放纵轴 Y；如果两个都是结果，就把更关心的那个放 Y 轴。轴定反了不影响图形形状，但影响后续沟通。

第 3 步：定刻度。 分别取两个变量的最小值到最大值，两端各留 5%～10% 的余量，刻度间隔均匀。刻度范围没定好，会把弯曲的关系拉直，或把噪声放大成"相关"。

第 4 步：描点。 逐对描点，多个点重合时画同心圆或在旁边标注数量，避免"看起来只有几个点"的错觉。

第 5 步：标注归档。 图上写明标题、样本数、时间区间、条件备注和责任人。一张没有来源信息的散布图，三个月后就没人知道它说明什么了。

三、判读四看

一看方向： 点群从左上到右下，是负相关，此消彼长；从左下到右上，是正相关，同增同减；乱成一团，则是无关。对质量人来说，方向本身就是线索：负相关常常意味着"这个参数往大调可能更好"，正相关则提示"该给这个参数设上限了"。

二看强弱： 点带越窄，关系越强；点带越宽越散，关系越弱。窄到接近一条线，说明这个变量基本锁定了结果。

三看形态： 点群呈弯曲（U 型或抛物线），说明存在最优区间，太高太低都不行，比如焊接温度——这正是散布图比简单"越高越好"判断高明的地方。

四看异常： 孤零零远离点带的点，往往对应换料、停机、换人等特殊事件。先查记录确认原因，再决定是否剔除，不要随手删。

四、案例复盘

回到开头的案例。该厂收集了 35 组"模温—缩水率"数据画出散布图：点带呈明显的正相关窄带，只有一组点（模温 78℃、缩水率却很低）离群，翻记录发现那天刚换了一个新料批，是材料差异造成的偶发点。据此把模温从 80℃ 逐步降到 65℃ 试产，缩水不良率从 8% 左右降到 1% 以内；随后用 DOE 确认最优窗口，把模温和料温一起固化进工艺文件。整个过程没有添置任何检测设备，一张散布图就锁定了方向。

五、五个常见误区

误区一：数据太少就下结论。少于 20 组就画图，随机抖动也能"画"出相关，至少收满 30 组。

误区二：刻度范围不当。横轴只取了窄区间，曲线关系会被看成直线，或把正常波动放大成强相关。

误区三：把相关当因果。散布图只能说明"一起变"，是不是"因为所以"，必须用试验（如 DOE）验证。

误区四：不分层就画图。两批材料、两台设备的数据混在一起，可能画出完全相反的假相关，先分层再画。

误区五：只看图不算数。图是直觉，定量用相关系数 r 验证，|r| 越接近 1 关系越强，报告里同时给图和 r 值才有说服力。

散布图的本质，是把"我觉得有关"变成"图上看得出来、数据算得出来"。五步画图、四看判读，再补一个试验验证，你就能在参数与不良之间找到那条被忽略的线——很多时候，问题不是太难，而是没人把它俩摆在一起看。

散布图五步实战——先找嫌疑、再验因果，让变量关系不再靠猜。

知识编号：5.2.4

版本：v20260901

作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。