散布図とは：相関関係を見つける方法

散布図は品質管理において最もシンプルなツールの一つでありながら、最も誤読されやすいツールでもあります。チームはこれを使って2つの変数が連動して動くかどうかを確認します。しかし多くの場合、そこで止まってしまい、誤った意思決定を防ぐ肝心なステップ、つまり相関と因果の違いを理解するというステップを飛ばしてしまいます。

散布図が示す内容に基づいて行動する前に、それが正確に何であるか、どう正しく作るか、そしてより広い分析の中でどう位置づけられるかを知っておく必要があります。このガイドではそれを解説します。

散布図とは何か

散布図（散布プロットやX-Yグラフとも呼ばれる）は、対になった数値データを水平のX軸と垂直のY軸にプロットし、2つの変数が関連しているかどうか、またその関連の強さを明らかにするグラフです。各データ点は1つの観測を表します。できあがった点の集まりが、2つの変数が連動して上下するのか、逆方向に動くのか、あるいは明確な関連が見られないのかを示します。

散布図は、品質の先駆者である石川馨が1960年代から1970年代にかけて体系化した7つの基本品質ツール（QC7つ道具）の一つです。特性要因図（フィッシュボーン図）、チェックシート、ヒストグラム、管理図、パレート図、層別と並んで、データに基づく問題解決の基盤となる手法です。

重要なポイント： 散布図が示すのは相関であり、因果ではありません。2つのものが連動して動く傾向があることを示しますが、その理由までは教えてくれません。

重要なファクト

• 石川馨は1968年の川崎製鉄での取り組みや、その後の『品質管理入門』（1976年、アジア生産性機構）などの出版物を通じて、散布図を含む7つの基本品質ツールを体系化しました。このツールセット全体が、QCサークルや総合的品質管理プログラムの世界標準となりました。
• 散布プロットというグラフ形式自体には長い歴史があります。イギリスの天文学者ジョン・ハーシェルは1833年に星の位置をプロットする際にこの手法の初期版を使用し、フランシス・ゴルトンは1880年代に遺伝の研究でペアデータのプロットを使用しました。カール・ピアソンは1896年に相関係数（ピアソンのr）を体系化し、散布図の利用者に視覚的パターンに加えて関係の強さを示す数値指標を提供しました。
• 散布図は少なくとも30組のペアデータに基づいて作成すると最も信頼性が高くなります。データ点が少ないとパターンの解釈が不安定になり、偶然による見せかけの傾向が現れることがあります。
• 「散布図は、なぜ2つのものが連動して動くのかを教えてはくれません。それが連動している、という事実だけを教えてくれます。」

散布図を使う理由

ほとんどの品質問題は勘から始まります。工程エンジニアはオーブンの温度が高いほど表面欠陥が増えるのではないかと疑います。サポートマネージャーは人員不足が待ち時間の長さを引き起こしていると考えます。営業リーダーは電話の数が増えれば成約数も増えると信じています。

こうした勘は出発点として悪くありません。しかし、データなしにそれに基づいて行動するのはコストがかかります。散布図を使えば、対策にリソースを投じる前に、疑わしい因果関係を検証できます。

これは特性要因図（フィッシュボーン図）やなぜなぜ分析のセッションの後に自然に活用できます。チームが根本原因の候補リストを特定したら、散布図を使ってどの疑わしい関係が実際にデータに現れるかを確認できます。これにより、根本原因分析を意見ではなく証拠に基づいたものにできます。

散布図は、シックスシグマのDMAICプロジェクト、特に分析（Analyze）フェーズにも活用されます。ここでは、改善策を設計する前に変数間の関係を確認または除外する必要があります。

散布図が示す相関の種類

点が形成するパターンこそが分析の出力です。ここでは典型的に見られる6つのパターンを紹介します。

パターンが曖昧な場合は、データを通るトレンドライン（最適近似直線）を引くと方向性が分かりやすくなります。相関係数（ピアソンのr）は数値的な要約を与えます。+1または-1に近い値は強い関係を、0に近い値は線形関係がほとんどないことを示します。

複数の関係が存在する場合、強い相関を特定した後にパレート分析を使って、どの変数に最初に取り組むべきかを優先順位付けしましょう。

散布図の作り方

散布図の作成自体は簡単です。解釈の質はデータ収集の質に左右されるため、各ステップが重要です。

ステップ1：2つの変数を選ぶ

原因の候補（X軸）と結果の候補（Y軸）を1つずつ特定します。具体的にしましょう。「温度」は曖昧ですが、「コーティング工程中のオーブン温度（摂氏）」は正確です。慣例として、原因は横軸に、結果は縦軸に置きます。

ステップ2：ペアデータを収集する

すべての観測について、同じタイミングまたは同じユニットから両方の値を記録します。少なくとも30組のペアデータが必要で、50組以上あればより信頼性の高いパターンが得られます。通常運転時だけでなく、気になる条件の全範囲にわたってデータを収集しましょう。うまくいっているときだけ測定していると、欠陥を引き起こす高い側や低い側の挙動を見逃してしまいます。

散布図に進む前に、チェックシートを使ってペアの値を系統的に記録しましょう。

ステップ3：軸を設定する

X軸とY軸を描くか設定します。X軸の目盛りは原因変数の全範囲を、少し余裕を持ってカバーするように設定します。Y軸も同様にします。各軸に変数名と測定単位のラベルを付けます。明確なラベルは後の誤解釈を防ぎます。

ステップ4：点をプロットする

各ペアの観測について、横軸上のX値と縦軸上のY値を見つけ、その交点に点を打ちます。2つの観測が全く同じ座標に位置する場合は、その位置に複数の点があることを示すために小さな円で囲みます。

ステップ5：パターンを解釈する

一歩下がって全体の形を見ます。点の集まりは上昇、下降、それとも無方向でしょうか。クラスターは密集していますか、それとも広く散らばっていますか。パターンを軸から外れさせている外れ値はありますか。上記の表にある6種類の相関のうち、そのパターンがどれに似ているかを特定し、必要であればトレンドラインを追加します。

ここで止めてはいけません。散布図はより深い分析のための証拠として使うものであり、最終的な答えではありません。

業務別の散布図の例

製造業：オーブン温度と表面欠陥率

ある生産チームは、オーブンの温度が高いほどコーティング金属部品の表面欠陥が増えるのではないかと疑っています。2週間にわたり45組のペアデータを収集し、各バッチについてオーブン温度（X）と欠陥率（Y、パーセント）を記録します。

散布図は中程度の正の相関を示します。温度が210°Cを超えると、欠陥率が明らかに上昇します。関係は完全にタイトではなく、湿度やコーティングの厚さなど他の変数も関与していることを示唆しています。しかし、この図はチームに温度制御の改善を管理された試験で検証する十分な確信を与えます。

サポート業務：人員配置レベルと平均待ち時間

あるサービス運営マネージャーは、60日間にわたる日次のスタッフ人数（X）と平均顧客待ち時間（分、Y）をプロットします。

この図は強い負の相関を示しています。シフト中のエージェントが多いほど、待ち時間は一貫して短くなります。クラスターはかなり密集していますが、大量アクセスのイベント日にいくつか外れ値があります。チームはこれを使って、人員数を予想される取扱量のしきい値に結びつけた人員配置モデルを構築します。

営業：架電数と成約件数

ある営業チームは、3か月間にわたる担当者ごとの週次アウトバウンド架電数（X）と週次成約件数（Y）をプロットします。

この図は弱い正の相関を示します。架電数が多いほど成約数も増える傾向がありますが、ばらつきは大きいです。これはチームに、架電数だけが成約の主要な要因ではないことを示します。フォローアップとして通話品質スコアと成約率を比較した分析を行うと、はるかに強い相関が見られます。

相関は因果関係ではない

これは散布図の解釈における最も重要なルールであり、最も見落とされがちなルールでもあります。

強い相関は、2つの変数が予測可能なパターンで連動して動くことを意味します。それは一方が他方の原因であることを意味しません。両方とも、測定していない第3の変数によって引き起こされているかもしれません。その関係は単なる偶然かもしれません。あるいは、想定していたのとは逆方向に因果が働いている可能性もあります。

典型的な例です。アイスクリームの売上と溺死者数はどちらも夏に増加します。この2つの散布図は強い正の相関を示すでしょう。しかし、アイスクリームが溺死を引き起こすわけではありません。両方とも、人々を水辺に呼び寄せると同時にアイスクリームの購入も促す第3の変数、つまり暑い天気によって引き起こされているのです。

ビジネスの現場でも同じ罠が絶えず現れます。営業研修時間が収益成長と相関しているという散布図は、研修が収益を生んでいることを証明しません。資金が豊富なチームは研修も多く受けられ、マーケティング予算も多く得られる可能性があります。意思決定を下す前に、変数を丁寧に切り分けましょう。

強い相関が見つかった後の次のステップは、通常、因果の方向を確認するための管理実験やより深い多変量分析です。

ベストプラクティス

十分なデータを収集する。 30組のペアデータが最低限です。50組あればより良いでしょう。データ点が少ないと、ランダムな変動が意味ありげに見えるが実際には意味のないパターンを生み出すことがあります。

外れ値に注意する。 少数の極端なデータ点が、見かけ上の傾向を作り出したり打ち消したりすることがあります。外れ値を除外する前に調査しましょう。それらは工程の失敗モードについて最も重要な情報を明らかにすることがよくあります。

必要に応じて層別する。 データが複数のシフト、機械、製品ラインから来ている場合は、各グループを異なる記号や色でプロットしましょう。統合された散布図は、サブグループ内にのみ存在するパターンを覆い隠すことがあります。

より深い分析でフォローアップする。 散布図はスクリーニングツールであり、最終判定ではありません。強い相関が見つかった場合は、管理実験、回帰分析、または追加ラウンドのなぜなぜ分析を通じて確認してから対策に着手しましょう。

他の品質ツールと組み合わせる。 散布図は、より広い調査の一部として使うと最も効果を発揮します。フィッシュボーンセッションの後に疑わしい原因を検証するために使用し、確認された相関のうちどれに最初に対処すべきかを優先順位付けするためにパレート分析を使いましょう。

よくある質問

相関と因果の違いは何ですか？

相関とは、2つの変数が予測可能なパターンで連動して動く傾向があることを意味します。因果とは、一方の変数が他方に直接変化をもたらすことを意味します。散布図が示すのは相関です。因果関係を確立するものではありません。因果関係を確認するには、管理実験や交絡変数を排除する追加分析が必要です。

散布図はQC7つ道具の一つですか？

はい。散布図（散布プロットまたはX-Yグラフとも呼ばれる）は、石川馨によって体系化された7つの基本品質管理ツールの一つです。残りの6つは、特性要因図、チェックシート、ヒストグラム、管理図、パレート図、層別です。

信頼できる散布図を作るにはどれくらいのデータ点が必要ですか？

少なくとも30組のペアデータを目指し、理想的には50組以上を用意しましょう。30組未満だと、ランダムな変動が誤解を招くパターンを生み出すことがあります。典型的、あるいは通常のシナリオだけでなく、運転条件の全範囲にわたってデータを収集しましょう。

ピアソンのrは何を測定していますか？

ピアソンのrは相関係数であり、-1から+1の間の数値で、線形関係の強さと方向を要約します。+1に近い値は強い正の相関を示します。-1に近い値は強い負の相関を示します。0に近い値は線形関係がほとんどないことを示唆します。ピアソンのrは線形関係のみを測定するため、曲線的または非線形のパターンは過小評価されることに注意してください。

散布図を使うべきでないのはどのような場合ですか？

変数が数値ではなくカテゴリカルである場合、データ点が20未満しかない場合、あるいは以前の管理実験からすでに因果関係が存在することが分かっており、それを正確に定量化する必要がある場合には、散布図は適切なツールではありません。そうした場合は、回帰分析や統計的工程管理の手法のほうが適しています。

---

散布図は「この2つは連動して動くのか？」という問いに対して、素早く視覚的な答えを与えてくれます。パターンが明確でデータがしっかりしていれば、チームの何週間もの推測作業を省くことができます。しかしその真の価値は、調査を終わらせることではなく、次の問いへと導いてくれることにあります。構造化された根本原因分析プロセスと組み合わせれば、直感だけよりも一貫して優れた意思決定を生み出す組み合わせになります。