Streudiagramm: So finden Sie Korrelationen

Ein Streudiagramm ist eines der einfachsten Werkzeuge im Qualitätsmanagement und eines der am häufigsten missverstandenen. Teams nutzen es, um zu sehen, ob sich zwei Variablen gemeinsam bewegen. Doch oft bleibt es dabei und der eine Schritt, der schlechte Entscheidungen verhindert, wird übersprungen: das Verständnis des Unterschieds zwischen Korrelation und Kausalität.

Bevor Sie auf Basis dessen handeln, was ein Streudiagramm zeigt, müssen Sie genau wissen, was es ist, wie man es korrekt erstellt und wo es in eine umfassendere Analyse passt. Genau das behandelt dieser Leitfaden.

Was ist ein Streudiagramm?

Ein Streudiagramm (auch Punktdiagramm oder X-Y-Diagramm genannt) ist eine Grafik, die gepaarte numerische Werte auf einer horizontalen X-Achse und einer vertikalen Y-Achse darstellt, um zu zeigen, ob zwei Variablen zusammenhängen und wie stark. Jeder Datenpunkt steht für eine Beobachtung. Die entstehende Punktwolke zeigt, ob die beiden Variablen dazu neigen, gemeinsam zu steigen und zu fallen, sich in entgegengesetzte Richtungen zu bewegen oder ob überhaupt kein erkennbarer Zusammenhang besteht.

Das Streudiagramm ist eines der 7 grundlegenden Qualitätswerkzeuge (Quality-Control-Tools, QC-Tools), die dem Qualitätspionier Kaoru Ishikawa zugeschrieben werden, der das Toolkit in den 1960er- und 1970er-Jahren formalisierte. Es steht neben dem Ishikawa-Diagramm, dem Prüfblatt, dem Histogramm, der Regelkarte, dem Pareto-Diagramm und der Stratifizierung als grundlegende Methode für datengestützte Problemlösung.

Der zentrale Punkt: Ein Streudiagramm zeigt Korrelation, keine Kausalität. Es zeigt Ihnen, dass sich zwei Dinge tendenziell gemeinsam bewegen. Es sagt Ihnen nicht, warum.

Key Facts

• Kaoru Ishikawa formalisierte die 7 grundlegenden Qualitätswerkzeuge (einschließlich des Streudiagramms) in seiner Arbeit von 1968 bei Kawasaki und in späteren Publikationen wie Guide to Quality Control (1976, Asian Productivity Organization). Das vollständige Toolkit wurde zum globalen Standard für Qualitätszirkel und Total-Quality-Management-Programme.
• Das Streudiagramm als grafische Form hat eine lange Geschichte: Der britische Astronom John Herschel nutzte 1833 eine frühe Version der Technik, um Sternpositionen darzustellen, und Francis Galton verwendete in den 1880er-Jahren gepaarte Datenpunkte bei der Erforschung von Vererbung. Karl Pearson formalisierte 1896 den Korrelationskoeffizienten (Pearsons r) und gab Nutzern von Streudiagrammen damit ein numerisches Maß für die Stärke der Beziehung neben dem visuellen Muster an die Hand.
• Ein Streudiagramm ist am zuverlässigsten, wenn es auf mindestens 30 gepaarten Datenpunkten basiert. Weniger Punkte machen die Musterinterpretation unzuverlässig, und zufällige Trends können rein durch Zufall auftreten.
• "Ein Streudiagramm sagt Ihnen nicht, warum sich zwei Dinge gemeinsam bewegen, nur dass sie es tun."

Warum ein Streudiagramm verwenden

Die meisten Qualitätsprobleme beginnen mit einer Vermutung. Ein Prozessingenieur vermutet, dass eine höhere Ofentemperatur mehr Oberflächenfehler verursacht. Ein Support-Manager glaubt, dass Unterbesetzung längere Wartezeiten verursacht. Eine Vertriebsleitung ist überzeugt, dass mehr Anrufe zu mehr Geschäftsabschlüssen führen.

Diese Vermutungen sind gute Ausgangspunkte. Aber ohne Daten danach zu handeln, ist teuer. Das Streudiagramm ermöglicht es Ihnen, eine vermutete Ursache-Wirkungs-Beziehung zu testen, bevor Sie Ressourcen für eine Lösung einsetzen.

Es passt natürlich nach einer Ishikawa-Diagramm- oder 5-Why-Sitzung. Sobald Ihr Team eine Liste möglicher Grundursachen identifiziert hat, können Sie mit einem Streudiagramm prüfen, welche vermuteten Zusammenhänge sich tatsächlich in den Daten zeigen. Das hält Ihre Ursachenanalyse auf Fakten gestützt statt auf Meinungen.

Das Streudiagramm fließt auch in Six-Sigma-DMAIC-Projekte ein, insbesondere in die Analysephase, in der Teams Variablenbeziehungen bestätigen oder ausschließen müssen, bevor sie Verbesserungen gestalten.

Arten von Korrelationen, die ein Streudiagramm zeigt

Das Muster, das Ihre Punkte bilden, ist das Ergebnis der Analyse. Hier sind die sechs Muster, denen Sie typischerweise begegnen werden:

Wenn das Muster mehrdeutig ist, hilft eine Trendlinie (Ausgleichsgerade) durch die Daten, die Richtung zu klären. Ein Korrelationskoeffizient (Pearsons r) liefert eine numerische Zusammenfassung: Werte nahe +1 oder -1 zeigen starke Beziehungen an; Werte nahe 0 deuten auf keine lineare Beziehung hin.

Nutzen Sie die Pareto-Analyse, nachdem Sie eine starke Korrelation identifiziert haben, um zu priorisieren, welche Variable zuerst angegangen wird, wenn mehrere Beziehungen bestehen.

So erstellen Sie ein Streudiagramm

Ein Streudiagramm zu erstellen ist unkompliziert. Die Qualität der Interpretation hängt von der Qualität der Datenerhebung ab, daher ist jeder Schritt wichtig.

Schritt 1: Die beiden Variablen auswählen

Identifizieren Sie eine mögliche Ursache (X-Achse) und eine mögliche Wirkung (Y-Achse). Seien Sie präzise. "Temperatur" ist vage; "Ofentemperatur in Grad Celsius während der Beschichtungsphase" ist präzise. Die Ursache steht konventionsgemäß auf der horizontalen Achse, die Wirkung auf der vertikalen.

Schritt 2: Gepaarte Daten sammeln

Erfassen Sie für jede Beobachtung beide Werte zum gleichen Zeitpunkt oder von derselben Einheit. Sie benötigen mindestens 30 gepaarte Datenpunkte, und 50 oder mehr liefern deutlich zuverlässigere Muster. Erheben Sie Daten über den gesamten Bereich der Bedingungen, die Sie interessieren, nicht nur während des Normalbetriebs. Wenn Sie nur messen, wenn es gut läuft, verpassen Sie das Verhalten am oberen oder unteren Ende, das Fehler verursacht.

Verwenden Sie ein Prüfblatt, um gepaarte Werte systematisch zu erfassen, bevor Sie zum Streudiagramm übergehen.

Schritt 3: Die Achsen festlegen

Zeichnen oder konfigurieren Sie Ihre X- und Y-Achsen. Legen Sie die Skala der X-Achse so fest, dass sie den gesamten Bereich Ihrer Ursachenvariable mit etwas Spielraum abdeckt. Machen Sie dasselbe für Y. Beschriften Sie jede Achse mit dem Variablennamen und ihrer Maßeinheit. Klare Beschriftungen verhindern spätere Fehlinterpretationen.

Schritt 4: Die Punkte einzeichnen

Finden Sie für jede gepaarte Beobachtung ihren X-Wert auf der horizontalen und ihren Y-Wert auf der vertikalen Achse und setzen Sie dann einen Punkt am Schnittpunkt. Wenn zwei Beobachtungen genau auf denselben Koordinaten landen, verwenden Sie einen kleinen Kreis um den Punkt, um mehrere Punkte an dieser Stelle anzuzeigen.

Schritt 5: Das Muster interpretieren

Treten Sie zurück und betrachten Sie die Gesamtform. Tendiert die Wolke nach oben, nach unten oder in keine Richtung? Ist die Häufung eng oder breit gestreut? Gibt es Ausreißer, die das Muster von der Achse wegziehen? Bestimmen Sie, welchem der sechs Korrelationstypen das Muster ähnelt (siehe Tabelle oben), und fügen Sie bei Bedarf eine Trendlinie hinzu.

Halten Sie hier nicht an. Nutzen Sie das Streudiagramm als Beleg für eine tiefere Analyse, nicht als endgültige Antwort.

Beispiele für Streudiagramme nach Funktionsbereich

Fertigung: Ofentemperatur vs. Oberflächenfehlerquote

Ein Produktionsteam vermutet, dass eine höhere Ofentemperatur mehr Oberflächenfehler bei einem beschichteten Metallteil verursacht. Es werden 45 gepaarte Messwerte über zwei Wochen erfasst, wobei Ofentemperatur (X) und Fehlerquote in Prozent (Y) für jede Charge protokolliert werden.

Das Streudiagramm zeigt eine moderate positive Korrelation: Steigt die Temperatur über 210 °C, nehmen die Fehlerquoten spürbar zu. Die Beziehung ist nicht perfekt eng, was darauf hindeutet, dass auch andere Variablen (Luftfeuchtigkeit, Beschichtungsdicke) eine Rolle spielen. Aber das Diagramm gibt dem Team genug Sicherheit, um Verbesserungen der Temperaturkontrolle in einem kontrollierten Versuch zu testen.

Support-Betrieb: Personalbesetzung vs. durchschnittliche Wartezeit

Eine Leitung im Serviceteam trägt die tägliche Personalbesetzung (X) gegen die durchschnittliche Kundenwartezeit in Minuten (Y) für 60 Tage auf.

Das Diagramm zeigt eine starke negative Korrelation: Mehr Mitarbeiter in der Schicht reduzieren die Wartezeit durchgängig. Die Häufung ist recht eng, mit wenigen Ausreißern an Tagen mit hohem Volumen aufgrund besonderer Ereignisse. Das Team nutzt das, um ein Personalmodell zu erstellen, das die Personalstärke mit erwarteten Volumenschwellen verknüpft.

Vertrieb: ausgehende Anrufe vs. abgeschlossene Deals

Ein Vertriebsteam trägt das wöchentliche Volumen ausgehender Anrufe pro Vertriebsmitarbeiter (X) gegen wöchentlich abgeschlossene Deals (Y) über drei Monate auf.

Das Diagramm zeigt eine schwache positive Korrelation. Höheres Anrufvolumen führt tendenziell zu mehr Abschlüssen, aber die Streuung ist breit. Das zeigt dem Team, dass Anrufvolumen allein nicht der Haupttreiber für Geschäftsabschlüsse ist. Es führt eine Folgeanalyse durch, die Anrufqualitätsbewertungen und Abschlussraten vergleicht, was eine viel engere Korrelation zeigt.

Korrelation ist keine Kausalität

Das ist die wichtigste Regel bei der Interpretation von Streudiagrammen und die am häufigsten übersprungene.

Eine starke Korrelation bedeutet, dass sich zwei Variablen in einem vorhersehbaren Muster gemeinsam bewegen. Sie bedeutet nicht, dass die eine die andere verursacht. Beide könnten von einer dritten Variable getrieben werden, die Sie nicht gemessen haben. Der Zusammenhang könnte zufällig sein. Oder die Kausalitätsrichtung könnte genau entgegengesetzt zu dem verlaufen, was Sie angenommen haben.

Ein klassisches Beispiel: Eisverkäufe und Ertrinkungsraten steigen beide im Sommer. Ein Streudiagramm der beiden würde eine starke positive Korrelation zeigen. Aber Eis verursacht kein Ertrinken. Beide werden von einer dritten Variable getrieben: warmes Wetter, das Menschen ans Wasser lockt und gleichzeitig den Eiskauf antreibt.

Im Geschäftskontext taucht dieselbe Falle ständig auf. Ein Streudiagramm, das zeigt, dass Vertriebsschulungsstunden mit Umsatzwachstum korrelieren, beweist nicht, dass Schulung den Umsatz antreibt. Besser finanzierte Teams erhalten möglicherweise sowohl mehr Schulung als auch mehr Marketingbudget. Entwirren Sie die Variablen, bevor Sie eine Entscheidung treffen.

Der nächste Schritt nach einem starken Korrelationsbefund ist in der Regel ein kontrolliertes Experiment oder eine tiefere multivariate Analyse, um die Kausalitätsrichtung zu bestätigen.

Best Practices

Genug Daten sammeln. Dreißig gepaarte Datenpunkte sind das Minimum. Fünfzig sind besser. Bei weniger Punkten kann zufällige Streuung Muster erzeugen, die bedeutsam wirken, es aber nicht sind.

Auf Ausreißer achten. Ein paar extreme Datenpunkte können einen scheinbaren Trend erzeugen oder zerstören. Untersuchen Sie Ausreißer, bevor Sie sie ausschließen. Sie offenbaren oft die wichtigsten Informationen über Prozessfehlermodi.

Bei Bedarf stratifizieren. Wenn Ihre Daten aus mehreren Schichten, Maschinen oder Produktlinien stammen, tragen Sie jede Gruppe mit einem anderen Symbol oder einer anderen Farbe ein. Ein kombiniertes Streudiagramm kann Muster verdecken, die nur innerhalb von Untergruppen bestehen.

Mit tieferer Analyse nachfassen. Das Streudiagramm ist ein Screening-Werkzeug, kein endgültiges Urteil. Wenn Sie eine starke Korrelation finden, bestätigen Sie sie durch einen kontrollierten Versuch, eine Regressionsanalyse oder zusätzliche Runden der 5-Why-Methode, bevor Sie sich auf eine Lösung festlegen.

Mit anderen Qualitätswerkzeugen kombinieren. Das Streudiagramm funktioniert am besten als Teil einer umfassenderen Untersuchung. Nutzen Sie es nach einer Ishikawa-Sitzung, um vermutete Ursachen zu testen, und die Pareto-Analyse, um zu priorisieren, welche bestätigten Korrelationen zuerst angegangen werden.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Korrelation und Kausalität?

Korrelation bedeutet, dass sich zwei Variablen tendenziell in einem vorhersehbaren Muster gemeinsam bewegen. Kausalität bedeutet, dass eine Variable direkt eine Veränderung in der anderen bewirkt. Ein Streudiagramm zeigt Korrelation. Es belegt keine Kausalität. Die Bestätigung von Kausalität erfordert kontrollierte Experimente oder zusätzliche Analysen, die Störvariablen ausschließen.

Ist ein Streudiagramm eines der 7 QC-Werkzeuge?

Ja. Das Streudiagramm (auch Punktdiagramm oder X-Y-Diagramm genannt) ist eines der sieben grundlegenden Qualitätskontrollwerkzeuge, die von Kaoru Ishikawa formalisiert wurden. Die anderen sechs sind das Ishikawa-Diagramm, das Prüfblatt, das Histogramm, die Regelkarte, das Pareto-Diagramm und die Stratifizierung.

Wie viele Datenpunkte brauche ich für ein zuverlässiges Streudiagramm?

Streben Sie mindestens 30 gepaarte Datenpunkte an, idealerweise 50 oder mehr. Bei weniger als 30 Punkten kann zufällige Streuung irreführende Muster erzeugen. Erheben Sie Daten über den gesamten Bereich der Betriebsbedingungen, nicht nur typische oder normale Szenarien.

Was misst Pearsons r?

Pearsons r ist der Korrelationskoeffizient, eine Zahl zwischen -1 und +1, die die Stärke und Richtung einer linearen Beziehung zusammenfasst. Ein Wert nahe +1 zeigt eine starke positive Korrelation an. Ein Wert nahe -1 zeigt eine starke negative Korrelation an. Ein Wert nahe 0 deutet auf eine geringe oder keine lineare Beziehung hin. Beachten Sie, dass Pearsons r nur lineare Beziehungen misst und gekrümmte oder nichtlineare Muster unterschätzt.

Wann sollte ich KEIN Streudiagramm verwenden?

Ein Streudiagramm ist nicht das richtige Werkzeug, wenn Ihre Variablen kategorial statt numerisch sind, wenn Sie mit weniger als 20 Datenpunkten arbeiten oder wenn Sie aus früheren kontrollierten Experimenten bereits wissen, dass ein kausaler Zusammenhang besteht, und ihn präzise quantifizieren müssen. In diesen Fällen sind Regressionsanalyse oder Methoden der statistischen Prozesskontrolle geeigneter.

---

Ein Streudiagramm gibt Ihnen eine schnelle, visuelle Antwort auf die Frage "Bewegen sich diese beiden Dinge gemeinsam?" Wenn das Muster klar und die Daten solide sind, kann es Ihrem Team Wochen an Vermutungen ersparen. Aber sein eigentlicher Wert liegt darin, Sie auf die nächste Frage hinzuweisen, nicht darin, die Untersuchung abzuschließen. Kombinieren Sie es mit einem strukturierten Ursachenanalyse-Prozess, und Sie haben eine Kombination, die durchweg bessere Entscheidungen liefert als Intuition allein.