质量改善，数据先行

质量大数据/质量智能诊断 课后所思

混迹质量管理工作圈十数年了，虽未取得什么成绩，但是确实有太多的感触。在有机会聆听了五天的大数据质量智能诊断的课程后，又有了一些新的领悟。在此唠叨几句，作为学习小结。

质量改善为什么要数据先行

科学与技术的区别

质量改善的方法论，回顾起来大致可以分为三个派系：德系，日系，美系。

德系：德国人似乎是将那股机械思维已经深深印入骨髓。所以德系的质量改善往往是从物理化学的最基本机理去寻找根本原因并改进。因而，德系的质量改善往往也是最为困难，最为深刻，从真正的根本消除了问题。说的直白点，德系质量改善直指设计端，正是印证了大家口头常说的那句：质量是设计出来的。
曾在某德系公司工作时，遇到过一个典型的案例：出去的产品在中国南方多次出现接触不良，后来在一群德国大神的调查下，直接分析了相关原材料的所有物化特性，找到原因居然是电木材料中在高温高湿环境下析出的磷酸盐导致的。(汗颜("▔㉨▔)汗 )
日系：日系的改善方法论算起来应该可以将QC七工具（不论新旧）以及精益生产中的Kaizen来当做代表。仔细回味一下每个工具的应用，会发现这些工具简单实用。但是为什么会简单实用呢，因为在实施过程中不需要太多的统计数据分析（涉及到的统计数据基本上也属于描述性统计），只求结果好即可。这可以看成是典型的技术型改善派。
美系：美系的改善可以看成是统计学的应用典范。从道奇的抽样方案和休哈特的控制图为起点，直到六西格玛技术的应用和推广，以一套严谨的数理方法来进行分析，开展质量改善。这可以看成是典型的科学性改善派。
解释一下科学型与技术型的区别：前者更关注根本的原理，通过严谨的理论论证实现突破；后者更关注实效性，往往通过不太严谨的数理分析，由相关性寻找到根本原因或近似根本原因，开展改善活动。 按照这个分类，德系和美系的改善方式偏向科学型改善，日系的改善方式偏向技术型改善。所以，不敢妄言“精益六西格玛”到底是否可以成功，但至少能否将两种类型的改善相融合的应用，绝非易事。
质量到底要改善什么

我们总是在说要改善质量，而且要持续改进。但是我们到底需要改善什么？ 一句话总结，质量改善通过改进所有的过程参数，使得输出的结果与客户期望最接近。

F(x)=Min(|C-D|) = f(x1,x2,x3...xn)F(x)=Min(∣C−D∣)=f(x1,x2,x3...xn)
C: 客户期望质量；D：交付产品质量；xn:影响产品质量的因素
首先我们的改善目标是那个差值，但是实际需要改变的是那些参数（因素）。技术派往往通过一系列的逻辑分析和较为简单的交互验证去确定改善那些参数，而科学派则需要更多的数据分析，充分的数理推导得出关键参数到底是什么，该怎么改善。这些参数才是我们质量人要全力以赴去分析，去努力降低变差的。

为了去分析那些参数是如何影响输出的，就需要充分的数据来作为输入开展分析。人人都知道“巧妇难为无米之炊”，没有充足的数据作为输入，那么任何的分析都只能是猜测。

但是，数据多了就一定好吗？大数据时代的到来，为我们带来了大量的数据作为输入。原来我们使用大量的数理统计方法进行分析，一个重要的原因就是我们无法采集到整体的数据，只能通过抽样，通过样本分析来估计总体。现在，采集总体的数据成为了可能，原有的数理统计分析是否还有施展空间？当然有，只是具体的实施方法，也要与时俱进的改进。

质量保证和质量控制

先来看看“质量管理”的定义：

按ISO9001：2000定义是“在质量方面指挥和控制组织的协调的活动”。
这一定义也就将质量保证和质量控制做出了区分。具体的说就是- 质量保证是针对过程改进和评审的，强调的是过程改进和信心保证；质量控制是按照质量要求，检查具体可交付成果的质量，强调的是具体的可交付成果的符合性。

系统指导
数据反馈
质量保证
质量控制
在大数据的环境下，质量控制也就成为了重中之重，如何利用大数据更好的提供数据反馈，成为了一个重要的研究课题。

大数据时代质量控制做什么

那么大数据时代质量控制到底要做什么呢？这里不免又要提到那个老生常谈的话题。

结果导向
过程导向
回归根本
质量是检验出来的
质量是生产出来的
质量是设计出来的
数据模型
在质量控制的初级阶段，为了满足客户的100%满意，也就安排了100%的检验；伴随着工业发展，大批量的生产出现以后，已经无法安排足够的资源去进行100%的检验，统计学专家们的重要作用也随之体现，抽样方案的诞生也正是重要的成果之一。这时，人们也逐渐意识到，检验虽然保证了客户的终端需求，但是过程中的不良损失并没有有效的控制。因而SPC的诞生和应用，使得质量控制的重点开始向过程转移。 但是不可否认的一个问题是，当自动化和数据量大大增加的大数据时代，SPC的适用性问题就显现出来--虚报问题凸显。同时，SPC的另一个局限性也凸显出来；SPC可以发挥预警作用，但是并无法精准的诊断。 要实现控制的精确性和诊断的精准性，就离不开产品设计的精确性，每一个控制点都要回归到一个数学模型。通过建立的模型，实现质量智能诊断。 因而，大数据时代的质量控制要控制的是每个关键的产品设计和产品过程特性，实现的方向就是要实现智能诊断。

质量智能诊断距离我们有多远

很多人都会认为都积累了那么多数据了，都那么多自动化了，我们距离大数据都开始要亲密接触了，那么距离智能诊断不会远了。我的感觉是，兄弟们，你们真乐观。 我们真的有数据么？有，肯定有。那么它们是信息吗？那可不一定哦。自动化生产倒逼粗放型管理向精细化管理转型；智能生产也必定倒逼供应链向精细化转型。如果产品设计不做的精细化(比如缺乏接口设计，导致没有模块连接的准确规格要求)，如果过程设计不做精细化(比如过程输出和潜在风险评估不充分)……都将导致我们无法采集到可用的有效数据，甚至失效分析做的举步维艰，无法建立专家知识库，又从何谈起智能诊断的实现？ 智能诊断离我们不远，技术的突飞猛进消除了数据采集门槛(比如高精度传感器使得快捷实时测量变得可行，RFID的应用使得数据流紧随物流贯穿整个流程……)，但是真正要实现智能诊断，需要我们用心去研究我们的制造过程的每一个细节，用动态的思维去设置我们的控制点和分析点，用系统的思维去分析所有的过程数据与结果数据的关系。路漫漫其修远兮，吾将上下而求索。

我们当下该怎么做(迈向大数据质量智能管理的路径)

回顾更新控制点并数字化

只有将粗放型质量控制转变成精细化质量控制，将每个细节都实现数字化，才能保证数据分析的可靠性。KPI式的指标是用来向老板汇报的，而不是用来分析解决问题的。

消除数据孤岛，让数据飞起来

数据收集框架建设过程中一定要尽量消除数据孤岛。数据孤岛的产生，势必导致信息流动不畅，效率低下，甚至直接导致分析的结果错误。

构建专家知识积累库，让数据沉淀下来

大家都知道Lessons learn的重要性，在大数据时代，每时每刻都有需要积累的经验。这就需要有一个更为高效的专家知识库来作为实现智能诊断的基础。

创建定制化数据分析模型，让数据活跃起

最后就是建立好较为准确的数据分析模型，实现智能诊智能反馈。