1. Suriin ang mga ugnayan ng variable
Tukuyin kung ang dalawang variable ay nagbabago kasabay, na nagbibigay ng batayan para sa mga kasunod na pagmomodelo (tulad ng regression analysis).
2. Tukuyin ang mga pattern ng distribusyon ng data
Matukoy ang linear, exponential, logarithmic, at iba pang uri ng relasyon. Halimbawa, ang paglago ng populasyon at oras ay maaaring magpakita ng exponential na distribusyon, habang ang bilis ng kotse at pagkonsumo ng gasolina ay maaaring magpakita ng U-shaped na relasyon.
3. Tukuyin ang mga outlier at abnormal na halaga
Ang mga outlier ay maaaring makaapekto sa kawastuhan ng modelo at nangangailangan ng karagdagang pagsisiyasat (tulad ng mga error sa pagpasok ng data o mga espesyal na kaganapan).
4. Ihambing ang mga pagkakaiba sa pagitan ng maraming grupo ng data
Gamitin ang mga label ng grupo (tulad ng iba't ibang kulay) upang ihambing ang mga pagkakaiba sa mga ugnayan ng variable sa pagitan ng iba't ibang grupo (tulad ng iba't ibang pangkat ng edad).

1. Obserbahan ang pangkalahatang pattern ng distribusyon
Linear na trend: Ang mga punto ay nakakalat na pataas o pababa, tulad ng taas at timbang.
Nonlinear na trend: Ang mga punto ay nakakalat sa isang kurbadang linya, tulad ng bilis ng kotse at pagkonsumo ng gasolina.
Walang ugnayan: Ang mga punto ay nakakalat nang random, tulad ng taas at laki ng sapatos (pagkatapos makontrol ang edad).
2. Tukuyin ang mga outlier at abnormal na halaga
Suriin ang mga puntong lumihis mula sa pangkalahatang distribusyon upang matukoy kung ito ay mga error sa data o mga espesyal na kaso. Halimbawa, sa pagsusuri ng ugnayan sa pagitan ng presyo ng bahay at lugar, ang isang lokasyon na may mataas na presyo ng bahay sa maliit na lugar ay maaaring nasa sentro ng lungsod.

1. Suriin ang mga ugnayan ng variable, tulad ng kung ang pamumuhunan sa advertising at benta ay tumataas o bumababa ng sabay, upang mabilis na matukoy ang positibo/negatibong ugnayan o walang ugnayan.

2. Tukuyin ang mga pattern ng distribusyon ng data, tulad ng pagtukoy sa mga nonlinear na relasyon (tulad ng isang U-shaped na kurba sa pagitan ng bilis ng kotse at pagkonsumo ng gasolina) o mga outlier (tulad ng isang maliit, mataas na presyong outlier).

3. Magsagawa ng multi-group comparative analysis, na nagtatangi ng mga grupo sa pamamagitan ng kulay/hugis (tulad ng mga pagkakaiba sa distribusyon ng taas-timbang sa pagitan ng mga lalaki at babae), upang makatulong sa pananaliksik sa segmentasyon ng merkado.

4. Patunayan ang mga regression model, suriin kung ang mga variable ay nakakatugon sa mga linear na palagay at iwasan ang bias ng modelo.

Ang pangunahing pagkakaiba sa pagitan ng scatter plots at bubble charts ay nasa mga dimensyon ng pagpapakita ng variable at visual na pagpapahayag. Ang scatter plots ay gumagamit ng isang dalawang-dimensional na sistema ng koordinasyon upang ipakita ang ugnayan sa pagitan ng dalawang variable (X, Y). Ang bawat punto ay kumakatawan lamang sa isang pares ng mga halaga. Nakatuon ang mga ito sa pagsusuri ng mga ugnayan, trend, o outlier sa pagitan ng mga variable at angkop para sa pagtuklas ng mga pangunahing ugnayan. Ang bubble charts, sa kabilang banda, ay nagpapakilala ng isang ikatlong variable, na nag-eencode ng mga halaga sa pamamagitan ng laki (o kulay) ng bubble, na nagbibigay-daan sa sabay-sabay na pagsusuri ng tatlong variable.