Streudiagramm

Kurz erklärt

Das Streudiagramm, in der Fachwelt auch als Scatter Plot bekannt, gehört zum Kanon der sieben elementaren Qualitätswerkzeuge (Q7). Es dient der Visualisierung und explorativen Analyse von Zusammenhängen zwischen zwei quantitativen Variablen. Durch die grafische Repräsentation von Wertepaaren in einem kartesischen Koordinatensystem wird es möglich, verborgene Muster, funktionale Korrelationen oder signifikante Abweichungen (Ausreißer) innerhalb von Prozessdaten auf einen Blick zu erfassen. Das Werkzeug ist ein hypothesengenerierendes Instrument, das als unverzichtbare Grundlage für datengestützte Entscheidungen im KVP fungiert, insbesondere um die Wirksamkeit von Prozessvariablen auf definierte Zielgrößen vor einer weiterführenden statistischen Tiefe validieren zu können.

Definition

Das Streudiagramm ist ein graphisches Analyseinstrument zur Darstellung der wechselseitigen Beziehung zwischen zwei stetigen quantitativen Messgrößen. Die unabhängige Variable (Einflussfaktor) wird auf der horizontalen X-Achse (Abszisse) aufgetragen, während die abhängige Variable (Zielgröße) auf der vertikalen Y-Achse (Ordinate) abgebildet wird. Jeder Datenpunkt im resultierenden Diagramm entspricht einem beobachteten Wertepaar. Die Gesamtheit dieser Punkte, oft als Punktewolke bezeichnet, dient der explorativen Datenanalyse: Sie ermöglicht die Beurteilung, ob eine positive, negative oder keine Korrelation vorliegt. Fachlich betrachtet bietet das Streudiagramm eine optische Evidenz, die jedoch streng von der mathematischen Kausalität abzugrenzen ist. Es bildet die Grundlage für eine präzise Prozesssteuerung und bildet somit ein fundamentales Element der explorativen Statistik im Qualitätsmanagement.

Bedeutung im Fachkontext

Innerhalb des Kontinuierlichen Verbesserungsprozesses (KVP) schließt das Streudiagramm die Lücke zwischen subjektiven Vermutungen und objektiver Beweisführung. Im Vergleich zu Werkzeugen wie Histogrammen oder Fehlersammelkarten, welche meist eindimensionale Häufigkeiten oder Attribute auswerten, erzwingt das Streudiagramm die Betrachtung des Wirkzusammenhangs zwischen zwei spezifischen Parametern. Es dient in der betrieblichen Praxis als 'Footprint'-Analyse, um systembedingte Instabilitäten sichtbar zu machen. Die Fähigkeit, Streuungen innerhalb von Prozessen optisch zu komprimieren, erlaubt Teams eine schnelle Priorisierung von Optimierungsansätzen. Es fungiert somit als Frühwarnsystem für Prozessabweichungen und als Validierungsinstrument für bereits implementierte Prozessänderungen.

Input, Verarbeitung, Output, Outcome, Impact

Schritte der Methode in Übersicht

Die Anwendung folgt einem standardisierten, vierstufigen Prozess, um die statistische Validität sicherzustellen: 1. Variablenauswahl (Definition des Fokus), 2. Datenerhebung (Sicherstellung der Datenqualität), 3. Visualisierung (Erstellung der Grafik) und 4. Interpretation (Analyse des Korrelationsbildes). Dieser strukturierte Ablauf verhindert eine subjektive Fehlinterpretation der Datenwolke und stellt sicher, dass die Ergebnisse reproduzierbar bleiben.

Beschreibung der Einzelschritte mit Ziel & Vorgehen

Anwendung und Vorgehen

Die praktische Anwendung des Streudiagramms folgt einem strengen methodischen Rahmen, um die Brücke zwischen rohen Messdaten und handlungsleitenden Erkenntnissen zu schlagen. Der Prozess beginnt bei der Problemformulierung: Anstatt wahllos Daten zu sammeln, muss im Vorfeld eine Hypothese existieren, etwa: „Führt eine Erhöhung der Brenntemperatur in Ofen A zu einer signifikanten Verringerung der Porosität im Gussteil?“

Der Vorgehensplan gliedert sich in die operative Umsetzung:

1. Vorbereitung: Identifikation der Prozessparameter. Hierbei ist entscheidend, dass die unabhängige Variable (X-Achse) aktiv gesteuert oder kontrolliert variiert werden kann, während die abhängige Variable (Y-Achse) das Ergebnis des Prozesses widerspiegelt.
2. Messplanung: Um statistische Artefakte zu vermeiden, muss die Datenerhebung so gestaltet sein, dass ein breites Spektrum der unabhängigen Variablen abgedeckt wird. Ein kleiner Bereich der X-Achse führt oft zu einer „Punktewolke ohne Struktur“, obwohl bei größeren Intervallen ein klarer Trend erkennbar wäre.
3. Grafische Aufbereitung: Die Auftragung erfolgt manuell oder mittels Software. Wichtig ist hier die Wahl der Achsenskalierung: Ein zu kleiner Ausschnitt der Skala kann winzige Schwankungen massiv überbetonen (Lupe-Effekt), während eine zu weite Skalierung relevante Korrelationen „flachdrückt“.
4. Analyse des Musters: Nach der grafischen Darstellung erfolgt die Interpretation. Man sucht nach linearer Stärke (eng anliegende Punkte an einer gedachten Geraden), nicht-linearen Kurvenverläufen (Sättigungseffekte) oder einer völligen Streuung (kein Zusammenhang).

Die finale Phase der Anwendung besteht immer in der Validierung. Ein Streudiagramm ist ein Startpunkt für weitere Analysen, wie etwa eine Regressionsanalyse, um den Zusammenhang mathematisch zu quantifizieren.

Anwendungsgebiete

Das Streudiagramm ist branchenübergreifend einsetzbar, sofern quantitative Daten vorliegen.

• Fertigungsqualität: Der Klassiker ist die Analyse von Maschinenparametern gegenüber Toleranzwerten. Beispiel: Einfluss des Anpressdrucks einer Schweißzange auf die Festigkeit der Schweißpunktverbindung. Durch die Visualisierung erkennt der Prozessingenieur sofort, ab welchem Druckwert die Streuung der Festigkeit zunimmt oder abnimmt.
• Logistik: Hier wird das Diagramm genutzt, um die Korrelation zwischen der Anzahl der Lagerbewegungen und der Fehlerrate bei der Kommissionierung zu prüfen. Oft zeigt sich hier kein linearer Trend, sondern eine Sättigungskurve: Ab einer gewissen Anzahl an Bewegungen steigt die Fehlerquote exponentiell an.
• Vertrieb und Marketing: Die Analyse von Werbeausgaben (X) im Verhältnis zum Umsatz (Y) ist ein Standard. Das Streudiagramm hilft hier, Ausreißer zu identifizieren – etwa Monate, in denen trotz hoher Ausgaben kein Umsatzwachstum stattfand, was wiederum auf externe Störfaktoren hinweist.
• Personalmanagement: Ein innovatives Feld ist die Korrelation zwischen Schulungsaufwand und Produktivitätssteigerung. Unternehmen nutzen Streudiagramme, um zu evaluieren, ob sich Investitionen in Fortbildungen in messbaren Prozessverbesserungen niederschlagen.
• Produktentwicklung: Bei Dauertests zur Ermittlung der Lebensdauer wird die Anzahl der Lastwechsel (X) gegen den Verschleißgrad (Y) aufgetragen, um den optimalen Wartungszeitpunkt zu bestimmen.

Typische Fehler und Missverständnisse

Die größte Gefahr im Umgang mit Streudiagrammen ist die Fehlinterpretation der Korrelation als Kausalität. Nur weil zwei Variablen eine hohe Korrelation aufweisen, bedeutet das nicht, dass X die Ursache für Y ist. Oft existiert eine Drittvariable (Störgröße), die beide beeinflusst. Beispiel: Eine Eisdiele stellt eine hohe Korrelation zwischen Sonnenstunden und Eisverkauf fest, aber auch zwischen Sonnenstunden und Sonnenbrandfällen. Das Streudiagramm würde zeigen: Je mehr Sonnenbrand, desto mehr Eisverkauf. Die Schlussfolgerung, Eisverkauf würde Sonnenbrand verursachen, wäre fatal.

Weitere Fehlerquellen:

• Vernachlässigung von Ausreißern: Oft werden Punkte, die weit abseits liegen, als „Messfehler“ vorschnell gelöscht. Diese können jedoch wertvolle Hinweise auf instabile Prozesszustände oder Sonderereignisse geben.
• Unzureichende Datenmenge: Bei weniger als 30 Datenpunkten können Zufallsmuster entstehen, die wie echte Trends aussehen. Dies führt zu „Scheinerkenntnissen“.
• Homogenitätsfehler: Wenn Daten aus verschiedenen Quellen (z. B. zwei unterschiedliche Schichtteams) vermischt werden, kann die Punktewolke in zwei separate Cluster zerfallen, was eine Gesamtkorrelation verschleiert.

Abgrenzung und Grenzen

Das Streudiagramm stößt an Grenzen, sobald die Komplexität der Zusammenhänge steigt.

• Multivariate Probleme: Das klassische Streudiagramm ist auf zwei Variablen beschränkt. In der Realität hängen Prozesse jedoch von vielen Faktoren ab (z. B. Temperatur, Druck, Materialfeuchte, Mitarbeitererfahrung). Hier versagt das einfache Streudiagramm, da es die Interaktion zwischen diesen Faktoren nicht abbilden kann. Hier sind multivariate statistische Verfahren (wie die Multiple Regression oder Design of Experiments – DoE) notwendig.
• Zeitdimension: Das Streudiagramm ignoriert den zeitlichen Ablauf. Ein Trend kann sich über die Zeit ändern, was in einem statischen Plot verloren geht. Dafür sind Zeitreihenanalysen oder Regelschlaufen (SPC) besser geeignet.
• Nicht-lineare Zusammenhänge: Während lineare Korrelationen intuitiv erkennbar sind, werden hochgradig nicht-lineare oder komplexe polynomische Beziehungen oft als „keine Korrelation“ missverstanden, da das Auge nach einer Geraden sucht.