质量管理中数据整理和分析的技巧与误区

林家厚

（厦门海辰储能科技股份有限公司，福建 厦门 361000）

1 数据整理和分析概述

质量管理中的数据，并不是单纯指计量型和计数型数据，更多的是包括流程文件、管理资讯、客观评价在内的信息的集合。例如质量管理体系中的质量手册、程序文件、各类作业指导书，以及生产管理中的设备管理资料、工艺参数、原材料信息，还有售后服务管理中的客户满意度调查、客户抱怨等。有价值的数据通常具有完整性、规范性、一致性、准确性、唯一性、关联性，但由于受各种主观和客观因素的影响，数据集合中不可避免有一些没有价值的干扰信息，要想有效利用这些数据，就涉及到数据的整理和分析。

数据整理是对实验、调查或历史记录等活动中所搜集到的数据进行统计、分类和计算的过程，它是数据分析的基础。数据分析是最大化地发掘数据的作用，把看似杂乱无章的一堆数据背后的重点信息提取出来，总结出问题的内在规律。数据整理和分析的最终目的是形成对业务有帮助的结论，帮助管理者进行决策和判断，以便采取适当的行动与策略，比如工厂的管理者希望通过对售后不良品的统计和分析，把握当前产品质量损失的主要来源和客户抱怨的主要因素，从而制定合理的产品改善方案和客户满意度提升计划，就必须依赖数据整理分析才能够完成。

数据整理和分析的成果通常以报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2 基于企业质量管理体系的数据收集整理

在企业日常管理中，由于工作量、成本或不可再现性等因素，人们无法对所有数据进行收集和分析，一般来说是选取一段时间或一个区域内的数据来进行整理和分析，这就不得不提到总体和样本问题，关于总体和样本的概念笔者在此不进行赘述。值得一提的是，为避免一些独特的个体数据被刻意突出，干扰数据的分析结果，得出错误的结论，数据收集和整理过程应遵循随机化原则，随机化抽样原理及方法可以概述为：总体中的某样品是否被抽取，不是由数据分析者主观决定，而是按概率原理，即每一个样本个体被抽取的概率相等。

对于企业而言，当我们进行质量管理活动的数据收集整理时，不能脱离质量成本这个概念，任何高投入无回报或没有预期收益的经营管理活动都会被视为多余的。要做好企业质量管理数据的收集和整理，首先应弄清楚企业日常管理活动中都需要哪些数据，这些数据的用途是什么。质量管理体系8.4条款中就明确要求：组织应确定、收集和分析适当的数据，以证实质量管理体系的适宜性和有效性，并评价在何处可以持续改进质量管理体系的有效性，这包括来自监视和测量的结果以及其他有关来源的数据。因此从质量管理体系的角度看，日常管理数据大致可分为以下几类：一是事前预防的质量控制过程数据收集，如产品或过程特性趋势的CPK分析，量检具的MSA分析，设备的Cmk分析，这些基础数据的收集和分析确保了其他数据收集过程的符合性和有效性；二是事后改善和总结的质量数据收集，如产品尺寸、性能一致性和符合性有关的检验数据，不良率、不良损失、投诉率等等，可应用直方图、分组法、层别法等工具进行归纳；三是围绕企业经营管理和效益等，用于规划下一年度目标或策略相关的数据，如产品销售量与区域的关系、销售额、产品毛利润、顾客满意度等，可应用要因分析图、散布图及相关回归分析等方法进行推演；最后是围绕质量管理体系本身的适宜性和有效性的评估数据，典型的就是企业所进行的内部审核、三方审核和管理评审，这类评审都有其特定的评分表和效果评价模式，也可以理解为是对上述三种数据的整体运行情况的综合评价，这个评价不仅针对各项数据本身是否良好，更侧重于评价这个看似良好的数据是否带来了实际价值，其他关联指标是否因此得到综合提升，本质上前三者是以数理统计方法为基础的质量管理方法，后者是建立在全面质量管理思想上的组织性的质量管理方法。

在进行数据整理和分析前，应先明确数据分析的目的，确定需要收集的数据清单，然后规划好数据分析方案以及涉及的统计学工具或质量工具；在以上基础工作明确后，开始收集原始数据，分析数据，应用数据，得出结论，再通过结论给出应对措施。数据分析结论中，应突出重点，让数据使用者和管理者一目了然哪些是管理重点，必要时对数据所在的类别进行重要度分级，赋予相应的权重，来进行综合评估后果和影响。

3 企业日常管理中数据分析常见的误区

误区一：把特殊群体当作总体，进行抽取样本

一战时有一个科学家通过观察归来的战机发现，大部分的飞机都是机翼中弹，而机尾中弹的比较少，因此得出了机翼容易中弹，而机尾不容易中弹的结论，因此对机翼进行了改造和装甲加强。但后来被证实这个分析是错误的，其一是机尾中弹的飞机大多回不来，而机翼中弹的飞机大多能回来，所以他观察的飞机中大部分都是机翼中弹，而少部分是机尾中弹；其二是此分析也没有注意到，机翼的暴露面积要大幅大于尾翼，因此机翼的中弹概率也是要高于尾翼的。

这个统计和分析所犯的误区，在统计学中被命名为幸存者偏差原理，指的是当取得信息的渠道，仅来自于幸存者时，此信息可能会与实际情况存在偏差。幸存者偏差是由优胜劣汰之后自然选择出的一个群体，人们只看到经过某种筛选而产生的结果，而没有意识到筛选的过程，因此忽略了被筛选掉的关键信息。要避免陷入这个误区，管理者就应树立批判性思维，多关注那些“沉默的群体”，不要把眼光聚焦在那些日常大家都显而易见的信息或活跃度本身就足够高的员工上，通过数据对结论进行验证回测，来区分是偶然现象还是必然规律。

误区二：统计的样本量不足，忽视了样本本身的概率问题

从制造某产品的两条产线中，如果分别随机抽取100个产品，若其中甲产线的不良品有10个，乙产线的不良品有6个，那么在α=0.05（置信水平）的水平上，能否认为甲产线的不良品率比乙产线高？这个命题，表面上看10%要比6%要大，于是许多质量管理人员就直接下结论判断甲产线的不良品率比乙产线高，但是如果借助Minitab的双比率检验，得出的结论却是两条产线的不良品率无显著差异。问题出在哪儿呢？因为这里面忽略了样本本身（置信区间）的概率问题，假如我们重新从甲和乙产线各抽100个样本，也许他们不良品的比例就是7%和8%，也有可能是9%和8%……，总之每次抽取样品的不良率是在一定区间内随机变化的。所以统计和分析工作不能轻易相信简单的百分数，毕竟大家面对的只是样本数据。但是如果把抽样样本数扩大到从两条产线各抽取1000个的时候，若甲产线的不良品数是100个，乙产线的不良品数是60个，不良的百分比例同样还是10%和6%，数据的分析结果会有什么差异呢？此时如果再借助Minitab的双比率检验，就可以发现，双比率的检验结果为两条产线的不良品率有显著差别，即可得出甲产线确实比乙产线不良率高的结论。

通过这个实例得出的经验是：数据样本量的大小会影响数据的分析结果，样本量越大，分析结果在一定的置信区间内越准确；在一些对数据分析结果要求较高的场合，甚至需要独立地重复抽取样本进行分析（数据分组），以便确认几次分析结果的一致性。这就要求在收集和整理数据前应对样本量的需求进行适当的策划，才能确保分析结果准确性的同时兼顾样本量过大导致的工作量问题。

误区三：未考虑到数据对全局的影响，偷天换日，顾此失彼

借助一则被奉为经典的营销案例，接下来探讨数据分析中的另一个常见误区。案例讲的是某牙膏企业通过将现有的牙膏开口口径扩大一毫米，这个改变使该公司当年的营业额大幅增加，扩大了销售业绩，摆脱了业绩下滑的困境。经过发酵和升华，许多培训机构还将此案例衍生出了细节决定成败，注重小视角小改变，就能取得大成效的伪鸡汤。将此案例放在数据管理和分析的角度去看却是一个失败的案例，普通人可能不太在意，精明的人一下就能想到，这是把算盘打到了消费者头上，因为大多数消费者挤牙膏都有一个相同的习惯，每天挤出大致相同的长度，牙膏口径粗1毫米，每天牙膏的用量自然会多出不少。

这个营业额增加的统计数据，并未考虑到消费者的最终反映，也并未预见到该牙膏后续相关的销售情况，而是片面统计当前的数据。小米创始人雷军曾提到，小米不需要能把稻草变成黄金的销售人才，把稻草按黄金的价格销售给客户，客户不会上第二次当，务实和互惠互利的发展模式才能长远。

通过这个实例得出的经验是：工厂数据分析中，要注意全局性，要综合相关的指标，不能片面统计某一阶段或某一工序的影响，以避免治标不治本。时隔多年，回顾这个看似经典且高明的案例，是否真正使得这个牙膏公司的业绩保持增长，使得公司事业蓬勃发展？看似美好的数据终究是昙花一现。作为一个质量管理者，从事数据分析和研究时，一定要透过现象看本质，真正做到质量管理服务于成本节约，服务于客户，只有真正从精益出发，对数据的整理和分析的权威怀有敬意，才是质量管理的常青藤。

误区四：对数据分析的逻辑理解错误，造成判断偏差

每一年，许多企业或地区发布的年度平均工资，都会吸引公众的目光，诸如“被平均”等质疑，也常常成为网络讨论的焦点问题。平均工资为何总与感受不符？对平均工资的统计逻辑又该如何理解？这个问题通过对中位数、平均数、众数等概念的理解，就可以找到答案。其实数据本身没错，感受也没错，“被平均”都是差异惹的祸，直接对标平均工资水平并不是了解自己实际工资情况的好方式，平均工资的重点作用也不是用于个人去进行比较，发布这个指标的意义主要是为了改善民生，为相关的政策出台或调整提供一个重要的参考依据。而如果要用于个人与整体的比较，用工资中的中位数和众数进行比较，同时结合平均水平，从不同维度去取点划线，给多数人的感受可能就“靠谱”多了。在许多体育或竞技赛事的评分中，通常会去掉最高分和最低分，与这个例子的分析原理显然有异曲同工之妙。

结合这个例子的结论是：不同的数据分析方案，应用于不同的需求，在原始数据可靠的基础上，如果数据的“打开方式”不对，错误地引用不适合的评估方案，也可能造成很大的偏差。正如在进行制程能力分析时，须根据不同的数据类型和样本量，选用X-R图、X-S图、P图或U图，应用控制图时也不是简单比较CPK计算结果，依葫芦画瓢在原有图标后面进行延伸，还应结合分析用控制图和控制用控制图的特性区别，对一些异常因素的数据进行处理和剔除。

4 工厂质量管理中数据整理和分析的意义

数据分析在质量管理中具有重要地位，管理体系的有效性如何，利润的增长性如何，企业的抗风险能力如何，都与数据分析有重要的关系，有数据分析的支撑在管理决策上的作用就如同给炮兵提供精准的方位坐标一样重要。现阶段还是有较多的中小企业管理者，只注重经营利润数据，对质量管理中的其他数据的重视存在表里不一的现象，数据收集和统计只是为了应付各方面的检查，更别说做到各模块数据首尾对应，关联分析。此文也呼吁企业在忙于生产的同时，应注重数据的收集和管理，做到在需要时可以快速地捞出相应的原始数据。当下如SAP，ERP，MES等数据信息化和系统化软件在大中规模企业的应用已相当成熟，并逐渐也成为一些小型企业的标配，这些软件可以为企业精简办事流程，还大大提高了数据存储、导出、分析等方面的效率。

数据的统计分析能够为企业对未来的发展给出一定的预见性。这项工作可以协助企业降低质量成本，提高经济效益，抓住管理重点；协助企业对外展示出企业的质量管理能力，用数据说话，提高企业的市场竞争力；还可以协助企业把握市场动向，实时调整产品生产和销售策略，降低运营成本，实时更新产品，淘汰不盈利甚至亏本的项目。

5 结语

工厂的质量管理策略决定了数据分析的需求，数据分析应用的全面与否又反向体现出了工厂的质量管理能力。数据整理和分析是一门通用科学，在质量管理中的应用万变不离其宗；他山之石可以攻玉，可以借鉴和套用一些统计分析技巧，但也要注意质量管理中的数据整理和分析具有时效性和背景差异，彼时的统计分析结果可能并不一定适用于当前的质量管理策略，同时由于工厂间存在制程能力、发展策略、产品类别及信息化水平等差异，数据整理和分析也要依据企业自身特点，紧紧围绕数据分析的任务和目的选用不同的方式和工具，扬长避短，合理利用资源，根据数据分析结果制定适合自身发展的质量管理计划，使企业的利益最大化，不能生搬硬套数据分析方式和问题解决思路。