Mở đầu — vì sao bài này quan trọng
Hãy hình dung bạn đang đứng giữa pha Analyze của một dự án DMAIC. Bạn đã thu thập dữ liệu, tính toán capability, vẽ Pareto để biết lỗi nào quan trọng nhất. Nhưng giờ đến câu hỏi cốt lõi nhất của mọi dự án cải tiến: "Cái gì khiến đầu ra của tôi xấu đi?". Nói cách khác, bạn cần tìm mối quan hệ giữa các yếu tố đầu vào (X) và kết quả đầu ra (Y) — chính là phương trình thần thánh Y = f(X) mà Six Sigma luôn nhắc tới.
Scatter plot (biểu đồ phân tán) và correlation (tương quan) là cặp công cụ trực quan đầu tiên giúp bạn trả lời câu hỏi đó. Trước khi chạy hồi quy phức tạp hay kiểm định giả thuyết, một biểu đồ phân tán đơn giản cho bạn cái nhìn ngay lập tức: khi X tăng thì Y có xu hướng tăng, giảm, hay chẳng liên quan gì? Đây là bước "nhìn bằng mắt" trước khi "tính bằng số".
Là một mentor đã chứng kiến nhiều dự án Green Belt, tôi phải nói thẳng: rất nhiều người làm sai ở đây. Họ nhìn thấy hai biến đi cùng nhau và vội kết luận biến này gây ra biến kia. Hậu quả là cả dự án đi sai hướng, tiêu tốn ngân sách vào giải pháp vô dụng. Bài này không chỉ dạy bạn vẽ và đọc scatter plot, mà còn dạy bạn tư duy cẩn trọng để không rơi vào cái bẫy "tương quan không phải nhân quả".
Khái niệm cốt lõi
Scatter plot là gì
Scatter plot là biểu đồ biểu diễn mối quan hệ giữa hai biến số liên tục (continuous). Mỗi điểm trên biểu đồ tương ứng với một quan sát, với tọa độ (x, y). Thông thường:
- Trục hoành (X) đặt biến đầu vào / biến độc lập — thứ bạn nghi ngờ là nguyên nhân.
- Trục tung (Y) đặt biến đầu ra / biến phụ thuộc — thứ bạn quan tâm cải thiện.
Cái hay của scatter plot là nó bộc lộ những thứ con số tóm tắt không thấy được: quan hệ tuyến tính hay cong, có cụm (cluster) tách biệt, có điểm ngoại lai (outlier) làm lệch toàn bộ kết luận.
Các dạng quan hệ thường thấy
Khi nhìn vào một scatter plot, bạn sẽ gặp một trong các tình huống sau:
- Tương quan dương (positive): đám điểm đi từ dưới trái lên trên phải. X tăng thì Y tăng. Ví dụ: số giờ đào tạo nhân viên tăng thì năng suất tăng.
- Tương quan âm (negative): đám điểm đi từ trên trái xuống dưới phải. X tăng thì Y giảm. Ví dụ: nhiệt độ phòng máy chủ tăng thì tốc độ xử lý giảm.
- Không tương quan (no correlation): đám điểm rải đều như mưa rơi, không có hướng rõ ràng. X thay đổi nhưng Y chẳng theo quy luật nào.
- Quan hệ phi tuyến (non-linear): đám điểm tạo thành đường cong, chữ U, hay parabol. Đây là cảnh báo quan trọng — chúng ta sẽ bàn ở phần lỗi thường gặp.
Correlation coefficient (hệ số tương quan r)
Nhìn bằng mắt là tốt, nhưng Six Sigma cần con số để khách quan hóa. Đó là vai trò của hệ số tương quan Pearson, ký hiệu là r. Nó lượng hóa mức độ và chiều của quan hệ tuyến tính giữa hai biến.
Đặc tính của r:
- r luôn nằm trong khoảng từ −1 đến +1.
- r = +1: tương quan dương hoàn hảo, mọi điểm nằm chính xác trên một đường thẳng dốc lên.
- r = −1: tương quan âm hoàn hảo, mọi điểm nằm trên một đường thẳng dốc xuống.
- r = 0: không có quan hệ tuyến tính nào.
- Dấu của r cho biết chiều (cùng tăng hay ngược chiều); độ lớn |r| cho biết mức độ chặt chẽ.
- |r| ≥ 0.7: tương quan mạnh (strong).
- 0.4 ≤ |r| < 0.7: tương quan trung bình (moderate).
- 0.2 ≤ |r| < 0.4: tương quan yếu (weak).
- |r| < 0.2: gần như không tương quan.
Hệ số xác định R²
Một con số đi kèm với r mà bạn nên biết là R² (R bình phương) — chính là r bình phương. R² cho biết phần trăm biến thiên của Y được giải thích bởi X. Ví dụ r = 0.8 thì R² = 0.64, nghĩa là 64% sự dao động của Y có thể giải thích bằng mối quan hệ với X; còn 36% còn lại do các yếu tố khác. Đây là cách diễn đạt rất thuyết phục khi báo cáo với lãnh đạo: "Thời gian chờ giải thích được 64% mức độ hài lòng của khách hàng".
Phân biệt tương quan và nhân quả
Đây là nguyên tắc bạn phải khắc cốt ghi tâm: correlation does not imply causation — tương quan không đồng nghĩa nhân quả. Hai biến đi cùng nhau có thể vì: X gây ra Y, Y gây ra X, cả hai cùng bị một biến thứ ba (confounding variable) chi phối, hoặc thậm chí chỉ là trùng hợp ngẫu nhiên. Scatter plot và r chỉ phát hiện sự đồng hành, không chứng minh nguyên nhân. Muốn khẳng định nhân quả, bạn cần thiết kế thí nghiệm (DOE) — chủ đề của bài sau.
Tình huống thực tế
Ví dụ 1 — Quán cà phê The Coffee House và thời gian chờ
Một cụm cửa hàng The Coffee House tại TP.HCM gặp than phiền về tốc độ phục vụ giờ cao điểm. Nhóm Green Belt nghi ngờ rằng số lượng đơn xếp hàng (X) ảnh hưởng đến thời gian khách phải chờ nhận đồ uống (Y). Họ thu thập 35 quan sát trong các khung giờ khác nhau: mỗi lần ghi lại số đơn đang chờ và thời gian chờ trung bình (phút).
Khi vẽ scatter plot, đám điểm rõ ràng đi từ dưới trái lên trên phải. Tính r cho kết quả 0.82 — tương quan dương mạnh, R² = 0.67. Nghĩa là 67% sự biến thiên của thời gian chờ giải thích được bằng độ dài hàng đợi.
Bài học rút ra: Con số này biện minh cho việc đầu tư thêm một máy pha thứ hai vào giờ cao điểm. Nhưng nhóm cũng đủ tỉnh táo để không dừng lại ở r. Họ nhận ra 33% còn lại có thể do biến khác — như độ phức tạp của món (Frappuccino lâu hơn cà phê đen). Scatter plot mở đường, nhưng họ vẫn cần phân tích sâu thêm.
Ví dụ 2 — Nhà máy may Việt Tiến và bẫy biến gây nhiễu
Một xưởng của Việt Tiến phát hiện điều thú vị: khi thống kê, họ thấy số ca dùng kem chống nắng của công nhân tương quan dương với số lỗi đường may (r = 0.6). Một quản lý mới vào nghề suýt đề xuất... cấm dùng kem chống nắng để giảm lỗi.
May thay, trưởng nhóm Green Belt nhận ra ngay đây là cái bẫy confounding variable. Biến thứ ba ẩn phía sau là nhiệt độ / mùa nóng: những ngày nắng nóng, công nhân vừa dùng nhiều kem chống nắng hơn, vừa mệt mỏi và mất tập trung nên may lỗi nhiều hơn. Kem chống nắng và lỗi đường may không hề có quan hệ nhân quả; chúng chỉ cùng bị nhiệt độ kéo theo.
Bài học rút ra: r cao không bao giờ là bằng chứng nhân quả. Luôn tự hỏi "có biến thứ ba nào chi phối cả hai không?". Nếu nhóm hành động vội theo con số, họ đã lãng phí công sức vào giải pháp vô nghĩa và bỏ lỡ nguyên nhân thật.
Ví dụ 3 — Ngân hàng Techcombank và quan hệ phi tuyến
Bộ phận vận hành của một chi nhánh Techcombank muốn hiểu quan hệ giữa số lượng giao dịch viên đang làm việc (X) và thời gian xử lý trung bình mỗi khách (Y). Họ kỳ vọng càng nhiều giao dịch viên thì thời gian xử lý càng giảm, một quan hệ tuyến tính âm.
Nhưng khi vẽ scatter plot, họ thấy một đường cong chữ U: ban đầu tăng nhân sự giúp giảm thời gian rõ rệt, nhưng đến một ngưỡng nhất định thì thời gian lại nhích lên — do chen chúc quầy, tranh nhau máy in, và chi phí phối hợp tăng. Nếu họ chỉ tính r, kết quả sẽ ra khoảng 0.15 — gần như "không tương quan" — và họ sẽ kết luận sai rằng số nhân sự chẳng ảnh hưởng gì.
Bài học rút ra: Hệ số r chỉ đo quan hệ tuyến tính. Một quan hệ phi tuyến mạnh vẫn có thể cho r gần 0. Đây chính là lý do bạn luôn phải vẽ scatter plot trước khi tin vào con số r. Mắt người phát hiện đường cong mà công thức bỏ sót.
Hướng dẫn từng bước
Đây là quy trình thực hành tôi khuyên bạn theo trong mọi dự án:
- Xác định cặp biến cần xét. Chọn một Y (đầu ra bạn quan tâm) và một X (đầu vào nghi ngờ). Đảm bảo cả hai là biến liên tục. Với biến phân loại (categorical) bạn cần công cụ khác.
- Thu thập dữ liệu theo cặp. Mỗi quan sát phải có đồng thời giá trị X và Y đo cùng thời điểm/cùng đơn vị. Nên có tối thiểu 30 cặp để kết luận đáng tin; càng nhiều càng tốt.
- Vẽ scatter plot trước tiên. Dùng Excel (Insert > Chart > Scatter), Minitab (Graph > Scatterplot), hay Python/R. Đặt X trục hoành, Y trục tung. Đừng vội tính toán — hãy nhìn.
- Đọc hình dạng đám điểm. Hỏi: Có hướng không (lên/xuống)? Tuyến tính hay cong? Có outlier nào nằm lạc lõng không? Có cụm tách biệt không?
- Tính hệ số r (nếu đám điểm trông tuyến tính). Excel dùng hàm CORREL hoặc PEARSON; Minitab có Stat > Basic Statistics > Correlation.
- Diễn giải kèm R². Nêu cả chiều, độ mạnh, và phần trăm biến thiên giải thích được. Ví dụ: "r = −0.74, tương quan âm mạnh, X giải thích 55% biến thiên của Y".
- Đặt câu hỏi nhân quả. Trước khi báo cáo, tự hỏi: Có biến gây nhiễu nào không? Quan hệ này có hợp lý về mặt nghiệp vụ không? Nếu nghi ngờ nhân quả, ghi chú cần xác minh bằng thí nghiệm.
- Lưu lại làm bằng chứng. Scatter plot là một trong những hình ảnh thuyết phục nhất trong báo cáo pha Analyze. Đính kèm cả biểu đồ lẫn con số r.
Lỗi thường gặp & mẹo
- Lỗi 1 — Chỉ tính r mà không vẽ biểu đồ. Đây là sai lầm phổ biến nhất. Bộ dữ liệu Anscombe nổi tiếng cho thấy bốn tập dữ liệu khác hẳn nhau lại cùng r ≈ 0.82. Luôn vẽ trước, tính sau.
- Lỗi 2 — Nhầm tương quan thành nhân quả. Như ví dụ kem chống nắng. Đừng bao giờ đề xuất giải pháp chỉ dựa trên r cao. Hãy coi tương quan là "manh mối", không phải "kết luận".
- Lỗi 3 — Bỏ qua outlier. Một điểm ngoại lai có thể đẩy r lên hoặc kéo xuống một cách giả tạo. Hãy xem xét điểm đó: lỗi nhập liệu hay là một tín hiệu thật? Tính r có và không có outlier để so sánh.
- Lỗi 4 — Mẫu quá nhỏ. Với chỉ 5–10 điểm, r có thể cao chỉ do may rủi. Hãy có đủ dữ liệu trước khi tin con số.
- Lỗi 5 — Mở rộng kết luận ngoài vùng dữ liệu (extrapolation). Nếu bạn chỉ đo X trong khoảng 10–50, đừng kết luận gì về X = 100. Quan hệ có thể đổi tính chất ngoài vùng quan sát.
- Mẹo: Khi nghi ngờ có cụm dữ liệu khác nhau (ví dụ ca ngày và ca đêm), hãy tô màu điểm theo nhóm. Một quan hệ tổng thể mờ nhạt có thể trở nên rõ ràng trong từng nhóm.
- Mẹo: Hãy luôn diễn giải r bằng ngôn ngữ nghiệp vụ, không chỉ con số. Lãnh đạo hiểu "thời gian chờ giải thích 67% mức hài lòng" hơn là "r = 0.82".
Bài tập thực hành
- Vẽ và đọc: Lấy một bộ dữ liệu thực từ công việc của bạn — ví dụ thời gian xử lý đơn (Y) và số đơn tồn (X) trong 30 ngày. Vẽ scatter plot trong Excel. Đám điểm cho thấy quan hệ gì? Ước lượng bằng mắt xem r dương hay âm trước khi tính.
- Tính toán: Dùng hàm CORREL trong Excel tính r cho bộ dữ liệu trên. Tính R². Viết một câu diễn giải kết quả bằng ngôn ngữ nghiệp vụ, nêu rõ chiều, độ mạnh và phần trăm biến thiên giải thích được.
- Phát hiện bẫy: Tìm trong tổ chức của bạn một cặp biến có vẻ tương quan nhưng thực ra bị một biến thứ ba chi phối (giống ví dụ kem chống nắng). Mô tả biến gây nhiễu đó là gì và vì sao kết luận nhân quả sẽ sai.
- Phi tuyến: Tạo một bộ dữ liệu giả định có quan hệ chữ U (ví dụ số nhân viên và thời gian xử lý như Techcombank). Tính r và quan sát: con số r có phản ánh đúng mối quan hệ mạnh mà mắt bạn thấy không? Rút ra kết luận về giới hạn của r.
Tóm tắt
Scatter plot là công cụ trực quan giúp bạn "nhìn thấy" mối quan hệ giữa một biến đầu vào X và một biến đầu ra Y — bước khởi đầu thiết yếu để giải mã phương trình Y = f(X) trong pha Analyze. Hệ số tương quan r lượng hóa quan hệ đó, dao động từ −1 đến +1: dấu cho biết chiều, độ lớn |r| cho biết mức độ chặt chẽ, với mốc |r| ≥ 0.7 là mạnh. Hệ số R² cho biết phần trăm biến thiên của Y được X giải thích, rất hữu ích khi báo cáo.
Ba điều phải nhớ mãi: Một là, luôn vẽ scatter plot trước khi tin vào r, vì r chỉ đo quan hệ tuyến tính và sẽ bỏ sót những đường cong quan trọng. Hai là, tương quan không phải nhân quả — luôn truy tìm biến gây nhiễu trước khi đề xuất giải pháp. Ba là, cảnh giác với outlier, mẫu nhỏ và việc suy diễn ngoài vùng dữ liệu. Nắm vững cặp công cụ này, bạn sẽ tránh được những kết luận sai lầm tốn kém và xây nền vững chắc cho các phân tích sâu hơn như hồi quy và thiết kế thí nghiệm ở các bài tiếp theo.