质量大数据的非IT课题

作者：微迈咨询

欢迎访问e展厅 展厅 3 管理咨询与服务展厅 企业文化, 战略管理, 生产管理/工业工程, 营销管理, 知识管理, ... 以ERP、MES、SPC等系统为代表的现代IT技术的应用为企业的生产、质量及运营管理带来了巨大的帮助，不仅如此，这些系统在运行的过程中，还为企业积累了另外一种宝贵的财富：数据。在大数据应用日益广泛的今天，企业如何才能够充分挖掘出数据中隐含着的重要信息，帮助企业全面提高产品、服务乃至管理等各个维度的质量水平？ 质量大数据非仅关乎IT 著名精细化管理咨询品牌微迈咨询在对大量企业进行调研的过程中发现，很多人认为数据的采集、存储、获取、分析和展现的各个环节是个IT问题：数据的采集可以由测量仪器配合计算机软件实现，Oracle、SQL Server等专业的数据库能为我们提供足够强大的数据存储能力，而且我们可以通过接口程序非常方便地从海量数据中获取到我们所需的信息，统计分析软件能够帮助我们分析数据、建立模型以及用很实用的图标展现分析的结果。 然而，为何诸多IT系统早已相当完善的企业都未能从质量大数据技术中得到帮助？ 就数据采集而言，哪些数据才是真正需要搜集和存储的？产品良率的数据我们要不要搜集？压力、温度、天气、时间等等诸如此类的变量，哪些是我们需要搜集的？我们是应该用产品合格/不合格来作为产品质量评价的标准，还是应该有更好的衡量方式？对于需要采集的数据，采用何种方式才能有效地减小误差和避免错误…… 就数据的获取和整理而言，我们应该拿哪些数据来分析才能有助于解决实际的具体问题？我们的数据中往往不可避免地存在缺失值，异常值或者离群值，我们如何才能识别数据总体特别是这些特殊的值的真实性，如何正确地进行填补、修正或者剔出已备后续的数据分析？ 重头戏还在于数据分析。当我们第一次对某数据进行分析，对数据没有任何先前的经验的时候，我们应该用那种分析方法才能最有效地发现数据中的秘密？假设检验、方差分析、简单/广义线性模型，聚类分析……这么多的分析方法，我们如何根据具体的情况作出正确的选择，如何在Lack of fit和Over-fitting中找到最佳的平衡点？如何将工程问题转换为数据分析问题，又如何将数据分析结果还原到实际的工程应用环境中去？不同的分析结果到底用那种方式展现才能最有助于别人理解我们从分析中获得的发现？ 很明显，如此种种，都远远超出了IT系统问题的范畴。大数据的应用领域可以是我们生产生活的方方面面，但就质量管理而言，虽然统计质量管理在美国早已是成熟的质量改进方法，越是在对工艺流程要求精密的行业，对数据搜集和分析的要求就越高，但就微迈咨询的研究来看，质量大数据的内涵更加广泛，方法论也更加多样，能为企业带来的价值也要大得多。 “质量大数据”可以说是一个集量化决策思想、行业质量管理经验、合理的工业数据采集计划、专业的工业数据分析（包括但不限于统计）方法组成的解决方案！ 中国的质量管理由于没有经历过正真的统计质量管理阶段，如果能在企业管理精细化的过程中灵活运用“质量大数据”和“量化决策”的思想和方法论，往往能起到事半功倍的效果。 概括而言，质量大数据需要根据每个行的自身的特点，制定有针对性的数据收集计划，包括指标制定、变量选取、数据结构设计，样本量及功效评价，实验结构设计等等；我们需要借助现代IT技术抽取、清洗和整理对解决我们的问题有帮助的数据，有时我们还需要将售后服务、保修乃至客户满意度的数据与研发或生产数据进行整合以便评价我们将要进行的实际改进工作对售后以及客户的影响；在此基础上，我们可以对数据进行探索，从中找到对提升质量、产品设计或客户忠诚度有重要意义的线索，探索性数据分析能帮助我们很好地完成这一工作；关键质量指标的重要影响因素往往需要在我们在对质量数据进行反复锤炼和分析后才能被锁定，接下来可以指引我们制定可行的质量改善方案比对质量水平进行预测……“数据有时候会说谎”，我们还必须加以甄别。 如果把质量数据（包括研发、生产、售后、可靠性、客户满意度等）比作金砂，IT系统可以看成是一个有整理功能的容器，但我们还需要有如何能够高效地淘出金子的理念和方法。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (7/1/2014)