散佈圖是什麼？拆解散點圖可視化全流程

散佈圖是一種用於視覺化數據分佈的圖表工具，能夠在橫軸與縱軸上展示兩組數據間的關聯性。透過散佈圖，你可以快速辨識數據的趨勢與模式。

在數據分析中，散佈圖的重要性不可忽視。它可以揭示隱藏的相關性並支持決策制定。

這次使用的免費散佈圖產生器是自助分析BI軟體FineBI。FineBI操作簡單，小白也可以輕鬆上手，內置包括圓餅圖、長條圖和甘特圖等常用圖表，只靠拖拽就可以輕鬆製作種類豐富，形式各樣的精美可視化數據圖，實現自定義圖表分析。快點擊下方按鈕開始今天的散佈圖圖表分析之旅吧。

一、散佈圖是什麼？先理解散點圖的核心用途

散佈圖（Scatter Plot／Scatter Chart），也常被稱為散點圖，是一種用來觀察兩個數值變數之間關係的圖表。它不像長條圖著重類別比較，也不像折線圖強調時間趨勢，而是透過大量資料點的分布，幫助使用者判斷變數之間是否存在關聯、群聚或異常。

1. 散佈圖的定義與基本結構

在散佈圖中：

• X 軸：通常放置其中一個數值變數。
• Y 軸：放置另一個數值變數。
• 資料點：每一個點都代表一組 X、Y 對應資料。
• 點的位置：反映兩個變數各自的數值大小。
• 整體分布：用來觀察資料是否存在趨勢、群組或異常。

例如，要分析「廣告花費與銷售額是否有關」，可以將廣告花費放在 X 軸，銷售額放在 Y 軸，每個資料點代表一個月份、行銷活動或銷售通路。

因此，散佈圖的重點不是比較單一數值高低，而是觀察兩個變數是否會一起變化，以及這種關係呈現什麼型態。

比如上圖就是一張使用FineBI製作的簡單散佈圖，使用一系列的星型散點在直角座標系中展示變數的數值分佈，使用者可以透過觀察發現不同品牌兩個指標之間的關係與相關性。

2. 散佈圖主要能觀察什麼？

散佈圖常用於探索性資料分析，可以幫助使用者快速辨識資料中的關係與異常。

常見觀察重點包括：

• 是否存在關聯：兩個變數是否呈現共同變化。
• 關聯方向：資料大致呈現正向、負向或無明顯關係。
• 資料分散程度：資料點是集中還是高度分散。
• 群組結構：是否形成幾個明顯不同的資料群。
• 離群值：是否存在遠離大多數資料點的異常值。
• 非線性關係：資料是否呈現曲線、U 型或其他特殊型態。

例如，如果廣告投入增加時，銷售額大致也跟著提高，散佈圖可能呈現由左下往右上的分布；如果資料點完全分散，則代表兩者之間可能沒有明顯關係。

不過，散佈圖顯示相關性，不代表因果關係。若需要進一步驗證，仍應搭配相關係數、迴歸分析等統計方法。

3. 散佈圖與其他圖表有什麼差異？

不同圖表回答的分析問題不同。散佈圖最適合處理「兩個數值變數之間是否有關」這類問題。

例如：

• 要看每月營收是否成長，適合折線圖。
• 要比較不同產品銷售額高低，適合長條圖。
• 要分析價格與銷售量的關係，適合散佈圖。
• 若還想加入市場規模作為第三個變數，則可以使用氣泡圖。

因此，選擇圖表前，應先確認分析問題是「比較」、「趨勢」還是「關聯」。

4. 使用散佈圖前需要哪些資料條件？

建立散佈圖前，應先確認資料是否適合進行變數關係分析。

建議檢查以下幾點：

• X 軸與 Y 軸資料應以數值型資料為主
• 每筆 X 值都要正確對應一筆 Y 值
• 資料列不能錯位或任意重新排序
• 先處理空白值、重複值與格式錯誤
• 資料量應足以呈現基本分布特徵
• 需要分群時，保留產品、地區、時間等分類欄位

例如，如果要分析不同門市的「來客數與營收」，每一列應同時保留該門市的來客數與營收數據，避免兩組資料錯位。

散佈圖是否有分析價值，很大程度取決於資料是否正確配對與整理。 因此，在畫圖之前先確認資料品質，通常比後續調整圖表樣式更重要。

二、散佈圖怎麼看？掌握資料關係

散佈圖的判讀重點，不只是看資料點「往哪裡走」，還要同時觀察方向、集中程度、群聚、離群值與非線性變化。這些特徵能幫助使用者快速理解兩個變數之間可能存在的關係。

1. 從資料點分布判斷正相關與負相關

判讀散佈圖時，可以先觀察資料點由左至右的整體方向：

• 正相關：X 軸增加時，Y 軸也大致增加，資料點通常由左下往右上分布。例如，廣告投入提高時，銷售額也可能增加。
• 負相關：X 軸增加時，Y 軸大致下降，資料點通常由左上往右下分布。例如，商品價格提高時，銷售量可能下降。
• 無明顯相關：資料點較為分散，看不出一致的上升或下降方向。

需要注意的是，相關只代表兩個變數具有共同變化趨勢，不能直接證明因果關係。

2. 判斷相關強弱與資料點密度

除了方向，也要觀察資料點是否集中。

一般而言：

• 強相關：資料點大致集中在明顯的趨勢線附近。
• 弱相關：仍能看出方向，但資料點較分散。
• 無明顯相關：資料點沒有一致的排列趨勢。

資料點越集中，通常代表關係越明顯；越分散，則可能表示關係較弱，或受到其他變數影響。

不過，視覺判讀只能作為初步觀察。樣本數、資料範圍與資料品質都可能影響結果，若要確認相關程度，仍應搭配相關係數等統計指標。

3. 觀察群聚與資料分層

散佈圖中的資料點有時會形成兩個或多個明顯群組，這類現象通常值得進一步分析。

群組可能來自不同的：

• 地區
• 產品
• 客戶類型
• 銷售通路
• 時間區間
• 生產批次

例如，整體資料看似沒有明顯關係，但拆分成不同地區後，可能會發現各區域其實具有不同的變化模式。

因此，當散佈圖出現群聚時，可以進一步依分類欄位進行分層分析，但也要避免分組過細，造成每組樣本不足。

4. 辨識離群值與異常訊號

離群值是明顯偏離大多數資料點的觀測值，例如：

• 遠離主要資料群的單一點
• 明顯偏離整體趨勢的資料
• 出現在其他群組之外的特殊觀測值

離群值可能來自資料輸入錯誤、計算異常，也可能代表促銷活動、設備故障或特殊客戶等真實事件。

因此，發現離群值後，不應直接刪除。應先回查原始資料與業務背景，確認它究竟是錯誤資料，還是值得進一步研究的異常訊號。

5. 判讀非線性關係與曲線趨勢

兩個變數之間不一定呈現直線關係，也可能出現：

• U 型或倒 U 型
• 指數型成長
• 前期快速變化、後期逐漸平緩
• 超過特定門檻後才明顯改變

例如，工作時數增加時，產出量可能先提高，但工時過長後受到疲勞影響，效率反而下降，形成倒 U 型分布。

因此，判讀散佈圖時，不應只尋找「往左上或右上」的直線趨勢，也要注意彎曲、轉折與門檻效應。

6. 散佈圖判讀的常見錯誤

使用散佈圖時，最常見的問題包括：

• 把相關性直接解讀為因果關係
• 樣本數太少就急著下結論
• 忽略不同群組混在一起造成的假象
• 只看趨勢線，沒有檢查原始資料點
• 發現離群值後直接刪除
• 只尋找線性關係，忽略曲線型態
• 座標軸尺度不當，放大或縮小視覺差異

因此，散佈圖最適合作為探索資料關係的第一步。先透過圖形發現可能的趨勢、群組與異常，再搭配統計方法與業務背景進一步驗證，才能得到更可靠的分析結論。

三、散佈圖的類型

1.普通散佈圖

最基本的散佈圖，將數據點以零散的方式展示在二維坐標軸上，用於觀察變數之間的關係。

直覺性：散點圖可以直覺地展示兩個變數之間的關係，使得使用者能夠快速識別出變數間的相關關係

趨勢識別：可以識別出變數之間的線性或非線性關係，包括正相關、負相關和無關

2.多維度散佈圖

多維度散點圖是散點圖的一種展示方式，當我們需要觀察多個變數之間的相關關係時，逐個轉列它們間的簡單散點圖會非常繁瑣。然而，利用多維度散佈圖，我們可以同時展示各自變數間的散點，快速發現多個變數的主要相關性，這有效地克服了在平面上進行高維資料圖表分析的困難。

以下散佈圖顯示了各地區銷售市場利潤與銷售額的關係：

通過第一第二部分，我們可以看出散佈圖此類圖表類型的優點在於能夠直觀地表現影響因素和預測物件之間的整體關係趨勢。散佈圖數據圖能夠通過醒目的圖表分析，清晰地反映變散點圖各散點間的形態變化和關聯情況，有助於模擬變數之間的關係。

然而，散佈圖也存在明顯的缺點。散點圖在呈現上可能顯得比較混亂，主要用於觀察相關、分佈和聚合等特徵，其他圖表資訊無法完全展現。散佈圖需要足夠多的資料點，且資料之間必須存在相關性，才能呈現出較為有意義的結果。

四、散佈圖的商務應用：從資料關係找到決策線索

散佈圖的價值，不只是看兩個變數是否相關，更重要的是幫助企業從大量資料中找出值得進一步分析的關係、異常與分群現象。在行銷、銷售、營運與品質管理中，都可以把散佈圖作為探索問題的起點。

1. 行銷分析

行銷人員可以利用散佈圖觀察不同投入與結果之間的關係，例如：

• 廣告花費與銷售額
• 網站流量與轉換率
• 社群互動數與訂單數
• 活動投入與新客數量

例如，將廣告花費放在 X 軸、銷售額放在 Y 軸，可以快速觀察不同活動是否大致呈現投入越高、產出越高的趨勢，也能找出高投入但低回報的異常活動，作為後續優化線索。

2. 銷售分析

銷售分析常用散佈圖檢查價格、投入與業績之間的關係，例如：

• 商品價格與銷售量
• 客戶拜訪次數與成交金額
• 業務投入時間與業績
• 折扣幅度與訂單數量

例如，將商品價格放在 X 軸、銷售量放在 Y 軸，可以觀察不同商品是否呈現價格越高、銷量越低的趨勢，也能進一步比較不同產品線是否具有不同的價格敏感度。

3. 營運分析

在營運管理中，散佈圖適合用來觀察資源投入、流程效率與營運結果之間的關係。

常見情境包括：

• 交貨時間與客戶滿意度
• 人力投入與產出量
• 門市來客數與營收
• 庫存水位與缺貨率

例如，若部分門市來客數不高但營收表現突出，就可以進一步分析是否與客單價、產品組合或客群結構有關。

因此，散佈圖能幫助管理者快速找到偏離整體趨勢的單位或期間，再進一步追查原因。

4. 品質管理

散佈圖在製造與品質管理中也很常見，可用來探索製程條件與品質結果之間是否存在關聯。

例如：

• 生產溫度與產品品質
• 製程速度與瑕疵率
• 原物料特性與成品良率
• 設備運轉時間與故障率

如果資料點呈現明顯趨勢，可以作為製程改善的初步線索。

不過，散佈圖只能協助發現可能的關係，不能直接證明因果。品質問題仍需要搭配製程知識、設備紀錄、檢驗數據與現場調查進一步驗證。

5. 散佈圖在商務報表中的價值

將散佈圖加入商務報表，可以讓原本難以從表格看出的關係變得更直觀，主要價值包括：

• 將複雜數據轉化為視覺關係
• 快速發現趨勢、群聚與異常值
• 比較不同產品、地區或時間區間
• 協助不同部門用同一視角討論問題
• 為後續診斷、預測與改善提供分析線索

因此，散佈圖特別適合回答「兩項指標之間是否存在值得關注的關係？」這類問題，並作為後續深入分析的入口。

五、Excel 散佈圖怎麼做？從製作到圖表美化

Excel 可以快速建立散佈圖，適合個人分析、小型資料集與臨時探索。製作時最重要的是先確認 X、Y 兩組數值資料正確配對，再進行圖表設定與美化。

1. Excel 散佈圖與散點圖有什麼差異？

在不同中文介面或使用習慣中，Scatter Chart 可能被稱為「散佈圖」或「散點圖」，通常指的是同一類 XY 圖表。

它與折線圖最主要的差異在於：

例如，X 軸資料為 10、20、100 時，散佈圖會按照實際數值距離排列；折線圖則可能將三個項目視為等距類別。

2. Excel 製作散佈圖前的資料整理

建議先把兩個主要變數放在相鄰欄位：

整理資料時，應注意：

• X 軸與 Y 軸分別放在兩個數值欄位
• 確保每一列資料正確配對
• 檢查數值是否被儲存成文字
• 處理空白、重複與錯誤資料
• 若需要分群，可保留產品、地區或月份等分類欄位

資料結構越清楚，Excel 越容易正確建立散佈圖。

3. Excel 散佈圖的基本製作步驟

基本流程如下：

1. 選取 X 軸與 Y 軸資料。
2. 點選「插入」。
3. 找到「散佈圖」或「散點圖」。
4. 選擇合適的散佈圖樣式。
5. 確認 X 軸與 Y 軸資料是否正確。
6. 加入圖表標題與座標軸名稱。

建立完成後，先確認資料點分布是否符合原始資料，再進行後續格式調整。

4. Excel 散佈圖的基本格式設定

為了讓圖表更容易解讀，可以調整：

• 圖表標題
• X 軸與 Y 軸名稱
• 座標軸最小值、最大值與刻度
• 資料點大小與透明度
• 圖例與不同資料系列
• 重要資料點的標籤

座標軸名稱應直接標示實際變數與單位，例如「每月廣告花費（元）」與「每月銷售額（元）」，而不是只寫「X 軸」、「Y 軸」。

5. Excel 散佈圖美化原則

散佈圖美化的目的是提升判讀效率，而不是增加裝飾。

可以注意以下原則：

• 使用具體且清楚的標題。
• 保持資料點與背景有足夠對比。
• 避免使用過多顏色。
• 資料點重疊時，可調整大小與透明度。
• 保留必要網格線，刪除多餘裝飾。
• 對重要離群值進行適度標註。
• 確保座標軸單位與範圍容易理解。

如果資料點很多，可以透過縮小點尺寸、增加透明度或依群組拆分資料系列，降低重疊問題。

6. Excel 製作散佈圖的常見問題與限制

Excel 散佈圖雖然方便，但實際使用時常見以下問題：

• X 軸與 Y 軸選反
• 數值被辨識為文字
• 資料中存在空白或格式錯誤
• 誤用折線圖代替 XY 散佈圖
• 資料點大量重疊
• 新增資料後圖表範圍沒有同步
• 多來源資料整合較難維護
• 多人協作與權限管理能力有限

如果只是個人分析、小型資料集或一次性探索，Excel 通常已能滿足需求；但當資料需要定期更新、跨系統整合、多部門共享或持續監控時，就可以進一步評估 BI 等分析工具。

六、FineBI 散佈圖與互動式商務分析

那麼，說了這麼多，到底如何才能快速製作一張專業又精美的散佈圖呢？接下來就給大家推薦一下能一鍵製作散佈圖的免費軟體——商業智慧工具FineBI，並帶領大家動手做一張散佈圖，让大家更好地了解散點圖的制作过程。

與普通的Excel此類辦公軟體不同，BI工具內置數據視覺化功能，能夠更加靈活地製作專業而美觀的圖表。拿FineBI為例，FineBI已經將包括折線圖、長條圖、圓餅圖和甘特圖在內的幾乎所有圖表類型集成到軟體中，可以和其他表格與圖表類型綜合使用，適合處理比較複雜的數據，BI工具一般為專業的數據分析軟體，適用於功能要求比較高的企業級用戶。

FineBI內置的圖表支援多種場景使用，藉助資料視覺化呈現，幫助使用者更好地理解和分析資料。使用者可以根據需求選擇合適的圖表進行圖表分析。

與Excel不同的是，使用FineBI可以避免經常重複製作圖表，相同的圖表作為範本可以簡單複用，也就是說，再複雜的圖表，也只需要做一次範本，之後套用範本就行了~

下面這張多維度散佈圖是由FineBI生成的。

該多維度散佈圖使用三種顏色的散點代表了不同渠道的銷售情況，通過散點分佈視覺化顯示了各地區銷售市場利潤與銷售額的關係。

1.資料准備

首先，在製作散佈圖數據圖之前，要先準備好數據：

FineBI支援多種不同型別的資料連接方式，包括Oracle等資料庫連接和SQL連接等等。在這裡，我們直接導入Excel表格，能輕鬆處理非即時數據，如下圖所示：

2.建立組件

在「圖表型別」中選擇「散點圖」，並將待分析區域維度下的欄位「地區」、「銷售額」拖入橫軸，「分級市場」、「利潤」拖入縱軸，如下圖所示：

3.美化組件

將待分析區域維度下的欄位「銷售渠道」拖入「顏色」欄，即可建立成功，如下圖所示：

同時也可以在顏色設置中選擇推薦配色或自建配色，進行圖表分析自定義。

至此，一張簡單的多維度散佈圖就製作完成了！

七、散佈圖需注意的問題

散佈圖雖然適合探索變數關係，但在解讀與設計時仍有不少容易被忽略的問題。除了避免把相關誤認為因果，也要注意非線性關係、多變數呈現、資料密度與資料品質，才能讓圖表真正具有分析價值。

1. 散佈圖不只適合線性關係

許多人會把散佈圖與直線趨勢聯想在一起，但實際上，散佈圖同樣適合觀察非線性關係。

例如，兩個變數之間可能呈現：

• U 型或倒 U 型
• 指數型成長
• 前期快速變化、後期趨於平緩
• 達到特定門檻後才出現明顯變化

因此，判讀散佈圖時，不應只尋找「由左下往右上」或「由左上往右下」的直線趨勢，也要觀察資料點是否存在彎曲、轉折或其他特殊分布。

2. 散佈圖可以加入更多分析維度

基本散佈圖主要呈現 X、Y 兩個數值變數，但實務上也可以透過顏色、形狀或資料點大小加入其他維度。

例如，在分析門市營運時，可以設定：

• X 軸：來客數
• Y 軸：營收
• 顏色：不同地區
• 資料點大小：門市面積

如此一來，就能在同一張圖中同時觀察多個因素。

不過，加入的視覺維度越多，閱讀負擔也越高。因此，應避免同時使用過多顏色、形狀與大小，確保圖表仍能快速看出核心關係。

3. 合理設定座標軸與資料範圍

座標軸範圍會直接影響散佈圖的視覺判讀。

如果範圍設定過大，資料點可能全部集中在很小的區域，難以看出差異；如果範圍過窄，又可能過度放大原本很小的變化。

設定時應注意：

• 涵蓋主要資料範圍
• 避免為了強調趨勢任意縮放座標軸
• 清楚標示變數名稱與單位
• 若排除極端值，應說明處理方式

重點不是讓圖形看起來更明顯，而是讓讀者能正確理解實際資料分布。

4. 避免資料點過度重疊

當資料量很大時，大量資料點可能堆疊在同一區域，造成「看起來只有少數點」的錯覺。

常見改善方式包括：

• 縮小資料點尺寸
• 增加透明度
• 依不同類別分組呈現
• 拆分成多張散佈圖進行比較
• 必要時使用抽樣呈現，但保留完整資料進行分析

如果使用抽樣，應注意樣本是否具有代表性，避免為了讓圖表變乾淨而改變原始資料分布。

5. 資料品質會直接影響散佈圖結論

散佈圖只能呈現輸入的資料。如果資料本身存在錯誤，即使圖表製作得再漂亮，也可能產生錯誤結論。

製作前應特別檢查：

• X、Y 資料是否正確配對
• 是否存在缺漏值與重複資料
• 數值格式是否一致
• 異常值是否來自輸入或計算錯誤
• 資料時間範圍是否一致
• 不同來源的統計口徑是否相同

例如，如果拿 2025 年的氣溫資料與 2026 年的用電量進行比較，即使散佈圖呈現明顯趨勢，也未必具有合理的分析意義。

因此，散佈圖製作前應先確認資料來源、時間範圍、統計口徑與資料完整性。

6. 不要只靠散佈圖直接下結論

散佈圖適合用來發現問題與提出假設，但通常不應作為最終證明。

尤其需要避免：

• 看到相關就直接判斷因果
• 忽略樣本數不足
• 忽略不同群組混合造成的假相關
• 直接刪除不符合趨勢的離群值
• 只看圖形而不回查原始資料

更合理的分析流程是：先透過散佈圖發現可能的關係，再搭配相關係數、迴歸分析、分層分析與業務背景進一步驗證。

因此，一張可信的散佈圖不只要「畫對」，更要確保資料正確、尺度合理、判讀謹慎，並避免過度推論。

透過本文，帶領大家深入探討了散佈圖在資料視覺化圖表分析中的重要性和應用。探索了如何利用散佈圖揭示變數關係、支援趨勢分析，揭示資料背後的故事。同時，藉助FineBI也能輕鬆實現散點圖製作。無論專業的數據分析師還是初學者，掌握散佈圖知識在資料探索與傳達中都是非常重要的。

散佈圖是一個強大的數據可視化工具，能幫助你快速理解變數之間的關係。無論是分析銷售趨勢、研究科學數據，還是進行品質管理，散佈圖都能提供清晰的視覺化結果，支持你做出更明智的決策。 散佈圖的價值不僅在於展示數據，還在於啟發你發現隱藏的模式與趨勢。

透過持續學習與練習，你將能更熟練地運用散佈圖，並在數據分析中脫穎而出！