質量管理中數據整理和分析的技巧與誤區

林家厚

（廈門海辰儲能科技股份有限公司，福建 廈門 361000）

1 數據整理和分析概述

質量管理中的數據，并不是單純指計量型和計數型數據，更多的是包括流程文件、管理資訊、客觀評價在內的信息的集合。例如質量管理體系中的質量手冊、程序文件、各類作業指導書，以及生產管理中的設備管理資料、工藝參數、原材料信息，還有售后服務管理中的客戶滿意度調查、客戶抱怨等。有價值的數據通常具有完整性、規范性、一致性、準確性、唯一性、關聯性，但由于受各種主觀和客觀因素的影響，數據集合中不可避免有一些沒有價值的干擾信息，要想有效利用這些數據，就涉及到數據的整理和分析。

數據整理是對實驗、調查或歷史記錄等活動中所搜集到的數據進行統計、分類和計算的過程，它是數據分析的基礎。數據分析是最大化地發掘數據的作用，把看似雜亂無章的一堆數據背后的重點信息提取出來，總結出問題的內在規律。數據整理和分析的最終目的是形成對業務有幫助的結論，幫助管理者進行決策和判斷，以便采取適當的行動與策略，比如工廠的管理者希望通過對售后不良品的統計和分析，把握當前產品質量損失的主要來源和客戶抱怨的主要因素，從而制定合理的產品改善方案和客戶滿意度提升計劃，就必須依賴數據整理分析才能夠完成。

數據整理和分析的成果通常以報告的形式呈現。對于數據分析報告，分析就是論點，數據就是論據，兩者缺一不可。

2 基于企業質量管理體系的數據收集整理

在企業日常管理中，由于工作量、成本或不可再現性等因素，人們無法對所有數據進行收集和分析，一般來說是選取一段時間或一個區域內的數據來進行整理和分析，這就不得不提到總體和樣本問題，關于總體和樣本的概念筆者在此不進行贅述。值得一提的是，為避免一些獨特的個體數據被刻意突出，干擾數據的分析結果，得出錯誤的結論，數據收集和整理過程應遵循隨機化原則，隨機化抽樣原理及方法可以概述為：總體中的某樣品是否被抽取，不是由數據分析者主觀決定，而是按概率原理，即每一個樣本個體被抽取的概率相等。

對于企業而言，當我們進行質量管理活動的數據收集整理時，不能脫離質量成本這個概念，任何高投入無回報或沒有預期收益的經營管理活動都會被視為多余的。要做好企業質量管理數據的收集和整理，首先應弄清楚企業日常管理活動中都需要哪些數據，這些數據的用途是什么。質量管理體系8.4條款中就明確要求：組織應確定、收集和分析適當的數據，以證實質量管理體系的適宜性和有效性，并評價在何處可以持續改進質量管理體系的有效性，這包括來自監視和測量的結果以及其他有關來源的數據。因此從質量管理體系的角度看，日常管理數據大致可分為以下幾類：一是事前預防的質量控制過程數據收集，如產品或過程特性趨勢的CPK分析，量檢具的MSA分析，設備的Cmk分析，這些基礎數據的收集和分析確保了其他數據收集過程的符合性和有效性；二是事后改善和總結的質量數據收集，如產品尺寸、性能一致性和符合性有關的檢驗數據，不良率、不良損失、投訴率等等，可應用直方圖、分組法、層別法等工具進行歸納；三是圍繞企業經營管理和效益等，用于規劃下一年度目標或策略相關的數據，如產品銷售量與區域的關系、銷售額、產品毛利潤、顧客滿意度等，可應用要因分析圖、散布圖及相關回歸分析等方法進行推演；最后是圍繞質量管理體系本身的適宜性和有效性的評估數據，典型的就是企業所進行的內部審核、三方審核和管理評審，這類評審都有其特定的評分表和效果評價模式，也可以理解為是對上述三種數據的整體運行情況的綜合評價，這個評價不僅針對各項數據本身是否良好，更側重于評價這個看似良好的數據是否帶來了實際價值，其他關聯指標是否因此得到綜合提升，本質上前三者是以數理統計方法為基礎的質量管理方法，后者是建立在全面質量管理思想上的組織性的質量管理方法。

在進行數據整理和分析前，應先明確數據分析的目的，確定需要收集的數據清單，然后規劃好數據分析方案以及涉及的統計學工具或質量工具；在以上基礎工作明確后，開始收集原始數據，分析數據，應用數據，得出結論，再通過結論給出應對措施。數據分析結論中，應突出重點，讓數據使用者和管理者一目了然哪些是管理重點，必要時對數據所在的類別進行重要度分級，賦予相應的權重，來進行綜合評估后果和影響。

3 企業日常管理中數據分析常見的誤區

誤區一：把特殊群體當作總體，進行抽取樣本

一戰時有一個科學家通過觀察歸來的戰機發現，大部分的飛機都是機翼中彈，而機尾中彈的比較少，因此得出了機翼容易中彈，而機尾不容易中彈的結論，因此對機翼進行了改造和裝甲加強。但后來被證實這個分析是錯誤的，其一是機尾中彈的飛機大多回不來，而機翼中彈的飛機大多能回來，所以他觀察的飛機中大部分都是機翼中彈，而少部分是機尾中彈；其二是此分析也沒有注意到，機翼的暴露面積要大幅大于尾翼，因此機翼的中彈概率也是要高于尾翼的。

這個統計和分析所犯的誤區，在統計學中被命名為幸存者偏差原理，指的是當取得信息的渠道，僅來自于幸存者時，此信息可能會與實際情況存在偏差。幸存者偏差是由優勝劣汰之后自然選擇出的一個群體，人們只看到經過某種篩選而產生的結果，而沒有意識到篩選的過程，因此忽略了被篩選掉的關鍵信息。要避免陷入這個誤區，管理者就應樹立批判性思維，多關注那些“沉默的群體”，不要把眼光聚焦在那些日常大家都顯而易見的信息或活躍度本身就足夠高的員工上，通過數據對結論進行驗證回測，來區分是偶然現象還是必然規律。

誤區二：統計的樣本量不足，忽視了樣本本身的概率問題

從制造某產品的兩條產線中，如果分別隨機抽取100個產品，若其中甲產線的不良品有10個，乙產線的不良品有6個，那么在α=0.05（置信水平）的水平上，能否認為甲產線的不良品率比乙產線高？這個命題，表面上看10%要比6%要大，于是許多質量管理人員就直接下結論判斷甲產線的不良品率比乙產線高，但是如果借助Minitab的雙比率檢驗，得出的結論卻是兩條產線的不良品率無顯著差異。問題出在哪兒呢？因為這里面忽略了樣本本身（置信區間）的概率問題，假如我們重新從甲和乙產線各抽100個樣本，也許他們不良品的比例就是7%和8%，也有可能是9%和8%……，總之每次抽取樣品的不良率是在一定區間內隨機變化的。所以統計和分析工作不能輕易相信簡單的百分數，畢竟大家面對的只是樣本數據。但是如果把抽樣樣本數擴大到從兩條產線各抽取1000個的時候，若甲產線的不良品數是100個，乙產線的不良品數是60個，不良的百分比例同樣還是10%和6%，數據的分析結果會有什么差異呢？此時如果再借助Minitab的雙比率檢驗，就可以發現，雙比率的檢驗結果為兩條產線的不良品率有顯著差別，即可得出甲產線確實比乙產線不良率高的結論。

通過這個實例得出的經驗是：數據樣本量的大小會影響數據的分析結果，樣本量越大，分析結果在一定的置信區間內越準確；在一些對數據分析結果要求較高的場合，甚至需要獨立地重復抽取樣本進行分析（數據分組），以便確認幾次分析結果的一致性。這就要求在收集和整理數據前應對樣本量的需求進行適當的策劃，才能確保分析結果準確性的同時兼顧樣本量過大導致的工作量問題。

誤區三：未考慮到數據對全局的影響，偷天換日，顧此失彼

借助一則被奉為經典的營銷案例，接下來探討數據分析中的另一個常見誤區。案例講的是某牙膏企業通過將現有的牙膏開口口徑擴大一毫米，這個改變使該公司當年的營業額大幅增加，擴大了銷售業績，擺脫了業績下滑的困境。經過發酵和升華，許多培訓機構還將此案例衍生出了細節決定成敗，注重小視角小改變，就能取得大成效的偽雞湯。將此案例放在數據管理和分析的角度去看卻是一個失敗的案例，普通人可能不太在意，精明的人一下就能想到，這是把算盤打到了消費者頭上，因為大多數消費者擠牙膏都有一個相同的習慣，每天擠出大致相同的長度，牙膏口徑粗1毫米，每天牙膏的用量自然會多出不少。

這個營業額增加的統計數據，并未考慮到消費者的最終反映，也并未預見到該牙膏后續相關的銷售情況，而是片面統計當前的數據。小米創始人雷軍曾提到，小米不需要能把稻草變成黃金的銷售人才，把稻草按黃金的價格銷售給客戶，客戶不會上第二次當，務實和互惠互利的發展模式才能長遠。

通過這個實例得出的經驗是：工廠數據分析中，要注意全局性，要綜合相關的指標，不能片面統計某一階段或某一工序的影響，以避免治標不治本。時隔多年，回顧這個看似經典且高明的案例，是否真正使得這個牙膏公司的業績保持增長，使得公司事業蓬勃發展？看似美好的數據終究是曇花一現。作為一個質量管理者，從事數據分析和研究時，一定要透過現象看本質，真正做到質量管理服務于成本節約，服務于客戶，只有真正從精益出發，對數據的整理和分析的權威懷有敬意，才是質量管理的常青藤。

誤區四：對數據分析的邏輯理解錯誤，造成判斷偏差

每一年，許多企業或地區發布的年度平均工資，都會吸引公眾的目光，諸如“被平均”等質疑，也常常成為網絡討論的焦點問題。平均工資為何總與感受不符？對平均工資的統計邏輯又該如何理解？這個問題通過對中位數、平均數、眾數等概念的理解，就可以找到答案。其實數據本身沒錯，感受也沒錯，“被平均”都是差異惹的禍，直接對標平均工資水平并不是了解自己實際工資情況的好方式，平均工資的重點作用也不是用于個人去進行比較，發布這個指標的意義主要是為了改善民生，為相關的政策出臺或調整提供一個重要的參考依據。而如果要用于個人與整體的比較，用工資中的中位數和眾數進行比較，同時結合平均水平，從不同維度去取點劃線，給多數人的感受可能就“靠譜”多了。在許多體育或競技賽事的評分中，通常會去掉最高分和最低分，與這個例子的分析原理顯然有異曲同工之妙。

結合這個例子的結論是：不同的數據分析方案，應用于不同的需求，在原始數據可靠的基礎上，如果數據的“打開方式”不對，錯誤地引用不適合的評估方案，也可能造成很大的偏差。正如在進行制程能力分析時，須根據不同的數據類型和樣本量，選用X-R圖、X-S圖、P圖或U圖，應用控制圖時也不是簡單比較CPK計算結果，依葫蘆畫瓢在原有圖標后面進行延伸，還應結合分析用控制圖和控制用控制圖的特性區別，對一些異常因素的數據進行處理和剔除。

4 工廠質量管理中數據整理和分析的意義

數據分析在質量管理中具有重要地位，管理體系的有效性如何，利潤的增長性如何，企業的抗風險能力如何，都與數據分析有重要的關系，有數據分析的支撐在管理決策上的作用就如同給炮兵提供精準的方位坐標一樣重要。現階段還是有較多的中小企業管理者，只注重經營利潤數據，對質量管理中的其他數據的重視存在表里不一的現象，數據收集和統計只是為了應付各方面的檢查，更別說做到各模塊數據首尾對應，關聯分析。此文也呼吁企業在忙于生產的同時，應注重數據的收集和管理，做到在需要時可以快速地撈出相應的原始數據。當下如SAP，ERP，MES等數據信息化和系統化軟件在大中規模企業的應用已相當成熟，并逐漸也成為一些小型企業的標配，這些軟件可以為企業精簡辦事流程，還大大提高了數據存儲、導出、分析等方面的效率。

數據的統計分析能夠為企業對未來的發展給出一定的預見性。這項工作可以協助企業降低質量成本，提高經濟效益，抓住管理重點；協助企業對外展示出企業的質量管理能力，用數據說話，提高企業的市場競爭力；還可以協助企業把握市場動向，實時調整產品生產和銷售策略，降低運營成本，實時更新產品，淘汰不盈利甚至虧本的項目。

5 結語

工廠的質量管理策略決定了數據分析的需求，數據分析應用的全面與否又反向體現出了工廠的質量管理能力。數據整理和分析是一門通用科學，在質量管理中的應用萬變不離其宗；他山之石可以攻玉，可以借鑒和套用一些統計分析技巧，但也要注意質量管理中的數據整理和分析具有時效性和背景差異，彼時的統計分析結果可能并不一定適用于當前的質量管理策略，同時由于工廠間存在制程能力、發展策略、產品類別及信息化水平等差異，數據整理和分析也要依據企業自身特點，緊緊圍繞數據分析的任務和目的選用不同的方式和工具，揚長避短，合理利用資源，根據數據分析結果制定適合自身發展的質量管理計劃，使企業的利益最大化，不能生搬硬套數據分析方式和問題解決思路。