Saçılma Diyagramı Nedir?

Üretiminizde hata oranı artıyor. Sebebin sıcaklık olduğunu düşünüyorsunuz ama emin değilsiniz. Belki sıcaklık arttıkça hata da artıyor, belki de ikisi arasında hiçbir ilişki yok ve siz yanlış yönde çözüm arıyorsunuz. Bu soruyu nasıl cevaplayacaksınız?

İşte saçılma diyagramı tam olarak bu noktada devreye giriyor.

Saçılma diyagramı (scatter diagram), iki değişken arasındaki ilişkiyi görsel olarak ortaya koyan bir grafik aracıdır. Yatay eksene bağımsız değişken (neden olarak düşündüğünüz), dikey eksene bağımlı değişken (sonuç olarak gözlemlediğiniz) yerleştirilir. Her veri çifti grafik üzerinde bir nokta olarak işaretlenir. Noktaların oluşturdukları desen, iki değişken arasında bir ilişki olup olmadığını gösterir.

Türkçe kaynaklarda saçılma diyagramı, serpilme diyagramı, saçılım grafiği ve korelasyon diyagramı terimleri birbirinin yerine kullanılır. İngilizcede ise scatter diagram, scatter plot veya scatter chart olarak geçer. Hepsi aynı şeyi ifade eder.

Bu araç, Kaoru Ishikawa'nın tanımladığı 7 temel kalite aracından birisidir ve kalite yönetiminde neden-sonuç ilişkilerini veriyle test etmenin en doğrudan yoludur.

Saçılma Diyagramı Ne İşe Yarar?

Saçılma diyagramının temel işlevini tek cümleyle özetlemek gerekirse: iki değişken arasında bir ilişki var mı, varsa ne yönde ve ne güçte — bunu görsel olarak ortaya koyar.

Pratikte şu amaçlarla kullanılır:

Hipotez Doğrulama: "Sıcaklık arttıkça hata oranı artıyor" gibi bir iddiayı veriyle test etmek. Görüş yerine veri bazlı karar almak. Bu yaklaşım, hipotez testlerinin görsel ön aşaması olarak düşünülebilir.

Kök Neden Araştırması: Balık kılçığı diyagramı ile belirlediğiniz potansiyel nedenlerin hangisinin gerçekten etkili olduğunu test etmek. Teorik neden-sonuç ilişkisini veriye dayandırmak.

Proses Optimizasyonu: Bir proses parametresinin çıktı üzerindeki etkisini anlamak. Örneğin karıştırma hızını artırmak ürün kalitesini iyileştiriyor mu, yoksa bir noktadan sonra bozuyor mu?

Veri Tabanlı Karar Alma: Subjektif değerlendirmeler yerine gerçek verilere dayanan ilişkileri gözlemlemek. Kalite toplantısında "ben sıcaklığın etkili olduğunu düşünüyorum" demek yerine "işte veri, bakın" diyebilmek.

Saçılma diyagramı, korelasyonu gösterir ama nedensellik (causation) kanıtlamaz. İki değişkenin birlikte değişmesi, birinin diğerine neden olduğu anlamına gelmez. Bu ayrım çok önemlidir ve ileride yeniden döneceğiz.

Korelasyon Türleri

Saçılma diyagramında noktaların oluşturdukları desen, değişkenler arasındaki ilişkinin türünü gösterir. Üç temel korelasyon türü vardır.

Pozitif Korelasyon

Bir değişken arttıkça diğer değişken de artar. Noktalar sol alttan sağ üste doğru yükselen bir bant oluşturur.

  Hata  |                           *
  Oranı |                      *  *
   (%)  |                 *  *
        |            *  *
        |        * *
        |     *  *
        |  *
        +---------------------------
              Sıcaklık (C)

Örnekler:

Sıcaklık arttıkça plastik malzemede deformasyon artar
Çalışma saati arttıkça üretim miktarı artar (belirli bir noktaya kadar)
Basınca maruz kalma süresi arttıkça malzeme yorulması artar

Negatif Korelasyon

Bir değişken arttıkça diğer değişken azalır. Noktalar sol üstten sağ alta doğru inen bir bant oluşturur.

  Hata  |  *
  Oranı |    *  *
   (%)  |       *  *
        |          *  *
        |              * *
        |                 *  *
        |                      *
        +---------------------------
           Eğitim Süresi (saat)

Örnekler:

Operatör eğitim süresi arttıkça hata oranı azalır
Bakım sıklığı arttıkça makine arızası azalır
Hammadde saflığı arttıkça hurda oranı azalır

Korelasyon Yok

İki değişken arasında belirgin bir ilişki yok. Noktalar grafik üzerinde rastgele dağılmış durumdadır. Herhangi bir desen veya yönelim gözlenmez.

  Hata  |  *        *       *
  Oranı |      *        *
   (%)  |  *      *    *
        |     *  *       *    *
        |  *       *  *
        |      *      *    *
        |   *     *       *
        +---------------------------
           Operatörün Yaşı

Bu durum da değerli bir bilgidir. "Operatör yaşının hata oranıyla ilişkisi yok" sonucu, dikkatinizi başka nedenlere yönlendirmenizi sağlar. Yanlış yerde çözüm aramaktan kurtulursunuz.

Bunların dışında iki ara durum daha vardır:

Zayıf Pozitif/Negatif Korelasyon: Noktalar genel bir yöne işaret eder ama çok dağınık. İlişki var ama güçlü değil. Başka faktörler de etkili demektir.

Eğrisel (Non-linear) İlişki: Noktalar düz bir çizgi değil bir eğri oluşturur. Örneğin sıcaklık belirli bir noktaya kadar verimi artırır, o noktadan sonra düşürür. Bu durum, doğrusal korelasyon katsayısının yakalayamayacağı bir ilişkidir ve grafiği dikkatle incelemeyi gerektirir.

Saçılma Diyagramı Nasıl Çizilir?

Saçılma diyagramı oluşturmak sistematik bir süreçtir. Aşağıdaki adımları takip edin.

1. Değişkenleri Belirleyin

Hangi iki değişken arasındaki ilişkiyi incelemek istiyorsunuz? Birini bağımsız değişken (X — neden/girdi), diğerini bağımlı değişken (Y — sonuç/çıktı) olarak tanımlayın. Örneğin X = fırın sıcaklığı, Y = ürün sertliği.

2. Veri Toplayın

Minimum 30 veri çifti toplayın. Ne kadar fazla veri olursa ilişki o kadar net ortaya çıkar. Her veri noktası aynı zaman diliminde veya aynı koşulda ölçülmüş olmalı. 30'dan az veriyle çizilen saçılma diyagramlarında yanıltıcı desenler görebilirsiniz.

3. Veri Tablosu Oluşturun

Toplanan verileri bir tabloya kaydedin. Her satır bir gözlemi, iki sütun X ve Y değerlerini göstersin.

Gözlem	Sıcaklık (X)	Sertlik (Y)
1	180	42
2	185	44
3	190	45
4	195	48
...	...	...

4. Eksenleri Ölçeklendirin

Yatay eksene (X) bağımsız değişkeni, dikey eksene (Y) bağımlı değişkeni yerleştirin. Her eksenin ölçeğini, veri aralığını rahatça kapsayacak şekilde belirleyin. Ölçeğin çok geniş veya çok dar olması deseni gizleyebilir.

5. Veri Noktalarını İşaretleyin

Her veri çiftini (X, Y) koordinat olarak grafiğe işaretin. Noktaları birbirine çizgiyle bağlamayın. Saçılma diyagramında bağlantı çizgisi olmaz; her nokta bağımsızdır.

6. Genel Deseni İnceleyin

Geri çekilip büyük resme bakın. Noktalar bir yönde mi ağırlıklı? Bant şeklinde mi, dağınık mı? Uç değerler (outlier) var mı? İlk izleniminizi not edin.

7. İlişki Doğrultusunu ve Gücünü Değerlendirin

Eğer görsel bir desen varsa, korelasyon katsayısını (r) hesaplayın. Bu, ilişkinin istatistiksel gücünü sayısal olarak ortaya koyar. Göz yanıltabilir, istatistik yanıltmaz.

8. Sonuçları Yorumlayın ve Raporlayın

Grafiği, korelasyon katsayısını ve pratikte ne anlama geldiğini raporlayın. Önemli: korelasyon nedensellik değildir. "X ve Y arasında güçlü pozitif korelasyon var" diyebilirsiniz, "X, Y'ye neden olur" diyemezsiniz — en azından yalnızca saçılma diyagramına dayanarak.

Saçılma Diyagramı Örnekleri

Örnek 1: Sıcaklık ve Hata Oranı

Bir plastik enjeksiyon fabrikasında mühendisler, ortam sıcaklığının kalıp hata oranıyla ilişkisini araştırıyor. 20 günlük veri toplanmış.

  Hata  |
  Oranı |
  (%)   |
   5.0  |                                              *
        |                                         *
   4.0  |                                    *  *
        |                               *
   3.0  |                          *  *
        |                     *
   2.0  |                * *
        |           * *
   1.0  |      * *
        |   *
   0.0  +--+---+---+---+---+---+---+---+---+---+--
        18  20  22  24  26  28  30  32  34  36
                    Ortam Sıcaklığı (C)

Grafik açık bir pozitif korelasyon gösteriyor. Sıcaklık arttıkça hata oranı da artıyor. Korelasyon katsayısı r = 0.92 olarak hesaplanmış (çok güçlü pozitif ilişki).

Bu veri, mühendislerin iklimlendirme yatırımına karar vermesinde kilit rol oynadı. Sıcaklığın 25 derecenin altında tutulması, hata oranını %2'nin altına çekti.

Dikkat: Bu ilişki burada korelasyondur. Ancak sıcaklığın fiziksel olarak plastik davranışını etkilediği bilindiğinden, bu durumda nedensellik de desteklenmektedir. Yine de saçılma diyagramı tek başına nedensellik ispat etmez.

Örnek 2: Eğitim Süresi ve Verimlilik

Bir montaj hattında, operatörlerin aldıkları eğitim süresi ile günlük üretim verimlilikleri arasındaki ilişki inceleniyor.

  Verim |
  (%)   |
   98   |                                    *     *
        |                               *  *
   94   |                          *  *
        |                     * *
   90   |                *  *
        |           *  *
   86   |       *  *
        |    *
   82   |  *
        | *
   78   +--+---+---+---+---+---+---+---+---+---+--
         0   4   8  12  16  20  24  28  32  36
                   Eğitim Süresi (saat)

Güçlü pozitif korelasyon (r = 0.89). Eğitim süresi arttıkça verimlilik de artıyor. Ancak grafiğe dikkatle bakıldığında 24 saatten sonra artış hızının yavaşladığı görülüyor — bu, eğitimin azalan marjinal getiri noktasına ulaşmaya başlayabileceğini işaret ediyor.

Bu tür bir bulgu, eğitim programının optimum süresini belirlemede kullanılabilir. Eğer 24 saatlik eğitimle %94 verime ulaşılıyorsa ve 36 saatlik eğitimle %98'e çıkılıyorsa, ek 12 saatin maliyete değip değmeyeceği bir yönetim kararı olacaktır.

Saçılma Diyagramı Yorumlama

Saçılma diyagramını doğru yorumlamak, çizmek kadar önemlidir. Aşağıdaki tablo farklı desenleri ve anlamlarını özetlemektedir.

Desen	Görsel Özellik	Anlamı	Korelasyon Katsayısı (r)
Güçlü Pozitif	Noktalar sol alttan sağ üste sıkı bant	X arttıkça Y belirgin şekilde artar	+0.7 ile +1.0 arası
Zayıf Pozitif	Noktalar yükselen ama dağınık	X arttıkça Y artma eğiliminde ama başka faktörler de etkili	+0.3 ile +0.7 arası
Korelasyon Yok	Noktalar rastgele dağılmış	X ve Y arasında doğrusal ilişki yok	-0.3 ile +0.3 arası
Zayıf Negatif	Noktalar düşüş eğiliminde ama dağınık	X arttıkça Y azalma eğiliminde	-0.7 ile -0.3 arası
Güçlü Negatif	Noktalar sol üstten sağ alta sıkı bant	X arttıkça Y belirgin şekilde azalır	-1.0 ile -0.7 arası
Eğrisel	Noktalar eğri bir desen oluşturur	Doğrusal olmayan ilişki; r değeri yanıltıcı olabilir	Değişken

Yorumlarken dikkat edilmesi gereken kritik noktalar:

Uç Değerler (Outliers): Genel desenden belirgin şekilde sapan noktalar varsa bunları araştırın. Ölçüm hatası mı, özel bir durum mu? Uç değerler korelasyon katsayısını önemli ölçüde etkileyebilir.

Kümelenmeler: Noktalar iki veya daha fazla gruba ayrılıyorsa alt gruplar olabilir. Örneğin farklı vardiyalar, farklı makineler veya farklı hammadde partileri ayrı kümeler oluşturabilir. Bu durumda her kümeyi ayrı analiz etmek daha doğru sonuç verir.

Tabakalandırma (Stratification): Verileri farklı kategorilere göre renklendirmek (vardiya, makine, operatör gibi) gizli ilişkileri ortaya çıkarabilir. Genel resimde korelasyon görünmezken, belirli bir alt grupta güçlü korelasyon olabilir.

Size Uygun Eğitimi Bulun

Bireysel mi yoksa kurumsal mı eğitim arıyorsunuz?

Korelasyon Katsayısı (r) Nedir?

Korelasyon katsayısı (Pearson korelasyon katsayısı, r), iki değişken arasındaki doğrusal ilişkinin yönünü ve gücünü ölçen sayısal bir değerdir. -1 ile +1 arasında değer alır.

Formül:

r = [n(SumXY) - (SumX)(SumY)] / sqrt{[n(SumX^2) - (SumX)^2] * [n(SumY^2) - (SumY)^2]}

Burada n veri çifti sayısını, X ve Y değişkenlerin değerlerini temsil eder. Pratikte bu hesaplamayı elle yapmak gerekmez; Excel, Minitab veya herhangi bir istatistik yazılımı saniyeler içinde hesaplar.

Korelasyon Katsayısı Yorumlama Tablosu

r Değeri	İlişki Gücü	Yorumlama	Pratikte Anlamı
+1.00	Mükemmel Pozitif	Tüm noktalar aynı doğru üzerinde	Teorik; gerçek veride neredeyse hiç görülmez
+0.90 ile +0.99	Çok Güçlü Pozitif	Noktalar çok sıkı bir bant	Değişkenler arasında çok güçlü doğrusal ilişki
+0.70 ile +0.89	Güçlü Pozitif	Noktalar belirgin yükselen bant	İlişki açıkça görülüyor, pratikte anlamlı
+0.40 ile +0.69	Orta Pozitif	Yükselen eğilim var ama dağınık	İlişki var ama başka faktörler de etkili
+0.10 ile +0.39	Zayıf Pozitif	Hafif eğilim, çok dağınık	İlişki belirsiz, dikkatli yorumlanmalı
-0.10 ile +0.10	Korelasyon Yok	Rastgele dağılım	Doğrusal ilişki yok
-0.39 ile -0.10	Zayıf Negatif	Hafif düşen eğilim	Zayıf ters ilişki
-0.69 ile -0.40	Orta Negatif	Düşen eğilim ama dağınık	Ters ilişki var ama başka faktörler de etkili
-0.89 ile -0.70	Güçlü Negatif	Belirgin düşen bant	Ters ilişki açıkça görülüyor
-1.00 ile -0.90	Çok Güçlü Negatif	Noktalar sıkı düşen bant	Çok güçlü ters doğrusal ilişki

Önemli Uyarılar:

r değeri sadece doğrusal ilişkileri ölçer. Eğer iki değişken arasında eğrisel bir ilişki varsa (örneğin U şeklinde), r değeri sıfıra yakın çıkabilir — bu yanıltıcı olur. Bu yüzden saçılma diyagramını her zaman görsel olarak da inceleyin, sadece r değerine güvenmeyin.

r^2 (determinasyon katsayısı) ise Y'deki değişkenliğin yüzde kaçının X tarafından açıklandığını gösterir. Örneğin r = 0.90 ise r^2 = 0.81, yani Y'deki değişkenliğin %81'i X ile açıklanabiliyor. Kalan %19 başka faktörlerden kaynaklanıyor.

Saçılma Diyagramı ve Diğer Kalite Araçları

Saçılma diyagramı tek başına kullanıldığında değerli bilgi verir, ama diğer kalite araçlarıyla birlikte kullanıldığında gücü katlanır.

Balık Kılçığı Diyagramı ile: Balık kılçığı diyagramı ile beyin fırtınası yaparak potansiyel nedenleri listeledik. Şimdi bu nedenlerin hangisinin gerçekten etkili olduğunu saçılma diyagramıyla test edebilirsiniz. Teori ile veriyi buluşturmak.

Pareto Analizi ile: Pareto analizi en önemli problem kategorilerini belirledi. Şimdi o kategorideki sorunların kök nedenlerini saçılma diyagramıyla araştırın.

Kontrol Diyagramı ile: Kontrol diyagramı prosesinizin kontrol dışına çıktığını gösterdi. Saçılma diyagramıyla hangi değişkenin bu sapmaya neden olduğunu araştırın.

Histogram ile: Histogram verinin dağılımını gösterirken, saçılma diyagramı iki değişkenin birbirleriyle olan ilişkisini gösterir. İkisi birbirini tamamlar.

Akış Diyagramı ile: Akış diyagramı prosesin adımlarını görselleştirir. Hangi adımda hangi değişkenlerin ilişkili olduğunu belirledikten sonra saçılma diyagramıyla derinlemesine analiz yapılır.

Tipik bir kalite araştırma akışı şöyle olabilir:

Akış diyagramı ile prosesi anla
Balık kılçığı ile potansiyel nedenleri listele
Pareto ile en önemli nedenleri önce sırala
Saçılma diyagramı ile ilişkiyi test et
Kontrol diyagramı ile süreci izle
SPC ile sürekli iyileştir

7 Temel Kalite Aracı İçindeki Yeri

Saçılma diyagramı, Kaoru Ishikawa tarafından tanımlanan 7 temel kalite aracının (7 QC Tools) altıncısıdır. Bu yedi aracın her biri farklı bir amaca hizmet eder ve birlikte kalite problemlerinin büyük çoğunluğunu çözmek için yeterli bir araç seti oluşturur.

Araç	Temel Amaç	İlgili Rehber
Kontrol Diyagramı	Proses stabilitesini izlemek	Kontrol Diyagramı Nedir?
Histogram	Veri dağılımını görselleştirmek	Histogram Nedir?
Pareto Diyagramı	Problemleri önceliklendirmek	Pareto Analizi Nedir?
Balık Kılçığı Diyagramı	Potansiyel nedenleri listelemek	Balık Kılçığı Diyagramı
Akış Diyagramı	Proses adımlarını görselleştirmek	Akış Diyagramı Nedir?
Saçılma Diyagramı	İki değişken arasındaki ilişkiyi test etmek	Bu yazı
Kontrol Tablosu	Veri toplamak ve sınıflandırmak	—

Bu araçların hepsini birlikte kullanabilmek, bir kalite profesyonelinin temel yetkinliğidir. Her birinin ne zaman kullanılacağını bilmek, doğru aracı doğru probleme uygulamak anlamına gelir.

Sık Yapılan Hatalar

Saçılma diyagramı basit görünen ama yanlış uygulandığında yanıltıcı sonuçlar verebilen bir araçtır. En sık yapılan hataları bilmek, bunlardan kaçınmanızı sağlar.

Korelasyonu nedensellik olarak yorumlamak: En yaygın ve en tehlikeli hata. İki değişken birlikte değişiyor olması, birinin diğerine neden olduğu anlamına gelmez. Üçüncü bir değişken her ikisini de etkiliyor olabilir. Örneğin dondurma satışları ile boğulma vakaları arasında pozitif korelasyon vardır — ama birisi diğerine neden olmaz, ikisi de sıcak havanın sonucudur.

Yetersiz veriyle sonuç çıkarmak: 10-15 veri noktasıyla güçlü bir korelasyon görmeniz yanıltıcı olabilir. Minimum 30 veri çifti toplayın. Veri sayısı arttıkça sonuçların güvenilirliği artar.

Eksenleri doğru seçmemek: Bağımsız değişken (neden olarak düşündüğünüz) her zaman X ekseninde, bağımlı değişken (sonuç) Y ekseninde olmalı. Tersini yaparsanız grafik teknik olarak yanlış olmaz ama yorumlama zorlaşır ve geleneğe aykırı olur.

Uç değerleri görmezden gelmek: Genel desenden belirgin şekilde sapan noktalar önemli bilgi taşır. Ölçüm hatası mı, özel bir koşul mu? Araştırmadan silmeyin, ama etkilerini de göz ardı etmeyin.

Eğrisel ilişkileri kaçırmak: Sadece r değerine bakıp "korelasyon yok" sonucuna varmak. Grafiğe görsel olarak bakın. Noktalar U şeklinde veya ters U şeklinde bir desen oluşturuyorsa doğrusal olmayan bir ilişki vardır ve r değeri bunu yakalayamaz.

Tabakalandırma yapmamak: Farklı koşulları (vardiya, makine, operatör, hammadde partisi) ayırmadan tüm veriyi bir arada analiz etmek. Genel resimde korelasyon görünmezken alt gruplarda güçlü korelasyon olabilir. Veya tam tersi: farklı yönlerdeki alt grup korelasyonları birbirini götürerek genel resimde sıfır korelasyon izlenimi yaratabilir. Buna Simpson paradoksu denir.

İlgili Konular

Saçılma diyagramı, kalite yönetiminin daha geniş ekosisteminin bir parçasıdır. Aşağıdaki konular bilginizi tamamlayacaktır:

Kontrol Diyagramı Nedir? SPC'nin Temel Aracı — Proses stabilitesini izlemek için
Histogram Nedir? — Tek değişkenin dağılımını anlamak için
Pareto Analizi Nedir? — Problemleri önceliklendirmek için
Balık Kılçığı Diyagramı Nedir? — Potansiyel nedenleri yapılandırmak için
Akış Diyagramı Nedir? — Proses adımlarını görselleştirmek için
SPC Nedir? İstatistiksel Proses Kontrol — İstatistiksel süreç kontrolünün genel çerçevesi
Hipotez Testi Nedir? — Korelasyonun istatistiksel anlamlılığını test etmek için
Kalite Kontrol Yöntemleri — Tüm kalite kontrol tekniklerinin genel görünümü

Sık Sorulan Sorular

Saçılma diyagramı görsel bir araçtır; iki değişken arasındaki ilişkiyi grafik olarak gösterir. Korelasyon analizi ise bu ilişkinin yönünü ve gücünü sayısal olarak ölçen istatistiksel bir yöntemdir (r katsayısı). İkisi birbirini tamamlar. Saçılma diyagramı ilişkinin genel resmini görmenizi sağlarken, korelasyon katsayısı bu resmi bir sayıya dönüştürür. Pratikte her ikisini birlikte kullanmak en doğru yaklaşımdır.

Güvenilir bir analiz için minimum 30 veri çifti önerilir. Daha az veriyle çizilebilir ancak sonuçların güvenilirliği düşer. 50 veya üzerinde veri noktası daha sağlam sonuçlar verir. 10'dan az veriyle saçılma diyagramı çizmek istatistiksel olarak anlamlı bir yorum yapmanıza yetmez.

Excel'de saçılma diyagramı çizmek oldukça kolaydır. Verilerinizi iki sütuna girin, her iki sütunu seçin, Ekle menüsü altında "Saçılma (X, Y)" grafik türünü seçin. Excel otomatik olarak saçılma diyagramını oluşturacaktır. Trend çizgisi eklemek için veri serisine sağ tıklayıp "Trend Çizgisi Ekle" seçeneğini kullanabilirsiniz. R^2 değerini de burada görüntüleyebilirsiniz.

Korelasyon olmaması, iki değişken arasında doğrusal bir ilişki olmadığını gösterir. Ancak bu, hiçbir ilişki olmadığını kanıtlamaz. Doğrusal olmayan (eğrisel) bir ilişki olabilir. Ayrıca üçüncü bir değişkenin etkisi maskeleniyor olabilir. Korelasyon yoksa başka potansiyel nedenlere odaklanın veya verileri alt gruplara ayırarak yeniden inceleyin.

Saçılma diyagramı hemen her sektörde kullanılır. Otomotivde proses parametreleri ve ürün kalitesi arasındaki ilişki, ilaç sanayiinde üretim koşulları ve ürün özellikleri, gıda sektöründe saklama koşulları ve raf ömrü, sağlık sektöründe tedavi parametreleri ve hasta sonuçları, eğitimde ders çalışma süresi ve sınav başarısı — bunlar yaygın uygulama alanlarıdır. İki ölçülebilir değişken arasındaki ilişkiyi araştırmak istediğiniz her durumda saçılma diyagramı kullanabilirsiniz.

Hayır. Negatif korelasyon, bir değişken artarken diğerinin azaldığı anlamına gelir. Bu iyi veya kötü olabilir. Örneğin "eğitim süresi arttıkça hata oranı azalır" negatif korelasyondur ve arzulanan bir ilişkidir. "Makine yaşı arttıkça verimlilik düşer" de negatif korelasyondur ama beklenen ve yönetilmesi gereken bir ilişkidir. Önemli olan korelasyonun yönü değil, ilişkinin pratikte ne anlama geldiği ve nasıl kullanılacağıdır.

Saçılma diyagramı ilişkiyi görselleştirir ve korelasyon katsayısı ile ölçer. Regresyon analizi ise bir adım öteye gider: değişkenler arasındaki ilişkiyi matematiksel bir modele (denklem) dönüştürür. Regresyonla tahmin yapabilirsiniz — "sıcaklık 30 derece olursa hata oranı ne olur?" sorusunu cevaplayabilirsiniz. Saçılma diyagramı, regresyon analizinin görsel ön aşaması olarak düşünülebilir. Önce saçılma diyagramıyla ilişkiyi görmek, sonra regresyonla modellemek doğru yaklaşımdır.