1. 一个具体问题
运维团队认为访问量越高，网页就越慢，于是准备购买更多机器。但把几天的总量和平均延迟混在一起看，既可能遗漏缓存状态，也可能把夜间批处理影响归到访问量上。先看成对观测的图形，比直接对两个平均数下结论更可靠。
2. 一句话解释
散点图把每个观测单位的一对数值画成一个点，展示两变量之间的方向、形状、离群点和分组差异，但图形关系本身不证明因果。
3. 出处与原意
散点图是统计探索的基础工具，ASQ 也将其用于质量问题中的变量关系调查。它通常先于模型拟合，帮助判断线性假设是否合理。历史上的相关与回归研究推动了这类图形的使用，但实际应用不需要依赖某个单一发明者的传说。
4. 原理与机制
必须保证横纵轴数据属于同一个观测对象和时间窗口，标明单位，避免错配。查看趋势是否弯曲、散布是否随横轴扩大、是否存在不同群组或少数高影响点。一个相关系数不能替代图形，相关接近零也可能存在明显的非线性关系。共同原因、反向作用和样本筛选都可能造成看似有意义的关联。
若许多点重叠，可以使用透明度、适度抖动或聚合显示，但要说明处理方法。时间窗口选择也会改变图形：一分钟的尖峰在一小时平均值里可能消失。绘图前先想清楚要解释的机制发生在哪个尺度，再选择汇总方式。
5. 一个完整案例
以下是假设案例。团队按五分钟窗口记录请求量与响应时间，同时标注缓存命中率。最初所有点整体向右上方分布，似乎支持“流量增加导致变慢”。分颜色后发现低缓存命中窗口普遍更慢，而高命中窗口即使请求量高也较稳定。团队检查发布记录，发现新版本使部分热门页面无法缓存。先修复缓存，再在可控环境逐步增加请求量，观察资源利用和延迟。这样把散点图提供的线索转成了可检验机制。若只凭总体趋势采购机器，可能暂时遮住问题，却没有修复真正影响性能的设计缺口。
6. 适用条件与反例
适合探索连续变量关系、检查模型形状和识别数据问题。样本量很小或测量误差很大时，视觉趋势不稳定。反例是看到培训时长与绩效负相关，就取消培训；也可能是绩效较差的员工被安排更多培训，因果方向与直觉解释相反。
7. 今天可以尝试的行动
选择两个你怀疑有关的指标，收集同一对象、同一窗口的成对记录。画图后先写三种可能解释，再挑一个可获得的分组变量加颜色。不要立即画一条回归线宣布规律，先核对极端点、测量定义与是否遗漏重要条件。