• 暂时没有信息

大数据与质量管理

    一、问题的提出

     质量管理离不开数据，没有数据就无法知道产品是否合格、过程是否稳定、绩效是否达到策划的结果，质量策划、质量控制、质量改进和质量保证过程都离不开数据的支撑，质量管理技巧和方法都与数据有关，数据对于质量工作是须臾不可离开的重要基础性资源。

     虽然数据对于质量管理非常重要，但是在上个世纪,数据的获取、传输、储存和应用并不是一件容易的事，人们为了获得和利用这些稀缺的数据，设计了许多方法和诀窍。近几年，事情正在发生变化，由于计算机、移动互联网和信息存储技术的突破性进步，现在，人们发现数据不再稀缺，过去人们需要付出巨大劳动才能获得的数据，现在堆积如山，甚至于有点多得难以招架，现在质量管理面对的环境与休哈特、戴明和道奇.罗米格所处的时代已经不同了，由于信息的极大丰富，质量管理新理念和新方法已经出现。

    据权威资料记载，到2013年底，世界上存储的数据预计达到1.2泽字节，如果把这些数据全部记录在书中，这些书可以覆盖我们国家面积52次，人类存储信息量的增长速度比世界经济的增长速度快4倍，而计算机处理数据的增长速度则比世界经济的增长速度快9倍。面对这样快速增长的数据，原来经常使用的整齐排列的数据库表格已经无能为力，处理这些数据已经远远超出了人工计算的能力，因此必须变革处理数据的工具，这导致了新的数据收集和处理技术的诞生。量变带来了质变，人们在大数据的基础上可以做许多突破性的改进和颠覆性的创新，而这些事情在原来是不可思议的。

    大数据是人们获得新知识、创造新价值的源泉；大数据还是改变市场、组织结构、质量管理理念和方法，以及政府与公众关系的新平台。在质量管理领域，它已经或将要成为新的竞争要素和新的质量管理理念，在2015—2016年度波多里奇质量奖标准中，大数据已经成为卓越绩效标准的核心理念之一。

    每个企业都有大量的质量信息需要处理，以往这些数据大多数丢失在产生数据的过程中，因为人们根本没有认识到它的重要性，这就像在远古时代人们根本不知道石油和矿石有用一样。有的企业建立了信息系统，把企业的大量质量信息采集起来，作为“矿石”储存起来，但是由于对大数据这个“金矿”认识不足，还没有开始着手研究如何冶炼和应用这些“矿石”。

    某些质量管理工具和方法，在大数据年代也需要与时俱进，许多质量工作者早就发现“全检产品、不增加成本”在挑战传统的抽样理论，生产线上的海量数据使得控制图中经典的“合理子组原则”无法解释；我们在质量管理中使用的传统“调查表”无法容得下现有的质量管理数据；对于基于小样本设计的控制图和过程能力分析，也可能并不适应大数据情况下的过程控制，这时，质量管理工具和方法的变革就水到渠成了。随着因特网技术、智能手机、云计算的普及和应用，我们的产品、客户、品牌、技术，甚至我们个人的行为、位置、偏好等每一点变化都成为可记录、可分析的数据，一个大规模生产、传输、分享和应用数据的时代正在开启，大数据时代真的来了。毫无疑问，大数据时代将会对质量管理工作带来巨大的影响，它逼迫我们做出某些改变。

    二、大数据的作用

    大数据与小数据不同，这种不同不仅仅体现在数量的多少上，大数据促使质量管理工作发生大的变革，就像望远镜让我们能够感受宇宙，显微镜让我们能够观测微生物一样，大数据正在改变我们的产品、过程、管理理念和管理方法，成为新发明和新服务的源泉，而更多的改变或许正在酝酿中。

    1．大数据本身就是财富

    以前，一旦完成了收集数据的目的之后，数据就会被认为已经没有用处了。产品出厂以后这批产品的质量数据就可以封存入档了，并且只要不出现顾客投诉之类的质量问题，这些数据就会石沉大海，很难再有出头之日；在日常生活中，当飞机降落之后，这个班次的飞机票就是一张废纸。在大数据时代，数据不再是静止和陈旧的，产品出厂以后、飞机降落之后，这些信息的使命可能刚刚开始。

    过去我们一讲到质量检验，大家的共识就是6步骤（或7步骤），到了“比较和判定、确认和处置”阶段，检验就结束了，收集的样本也完成了历史使命，记录的检验结果也可以归档或传递到下一个工序了。但是在大数据时代，这些检验数据（控制数据、市场数据）则要进入公司的数据库，自动化的数据分析程序则会跟踪这些数据，以找到某些规律性的东西，这些数据是公司经营和管理的财富。山东省东阿阿胶公司在“大测量”和“大数据”基础上建立起来的创新平台，把这些数据转换成了公司的核心竞争力。

    人们往往抱怨质量管理中的统计技术没有得到管理层的重视，往往埋怨数据无用，实际上不是数据无用，而是那些“小数据”无用，因为那些小数据没有反映出产品和过程的统计规律性。预测是大数据的核心，小数据由于难以反映事物存在的规律和发展的趋势，对企业的经营没有多少实际意义。大数据才是真正的财富，小数据需要人们小心把握，假如把握不好，小数据非但不是财富，还有可能误导人们，使人们不得要领，甚至把人们引入误区。

    2、全检产品，不增加成本

    另一个转变就是，在大数据时代，我们可以分析更多的数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖于抽样。抽样是信息处理手段有限和信息流通受限制的模拟时代的产物，以前我们通常把这看成是理所当然的限制，但高性能数字技术的应用让我们意识到，这其实是一种技术的约束和人为的限制，与局限在小数据范围相比，使用大数据为我们带来了更高的精确性，也让我们看到了以前无法发现的细节。

    人们早就发现了抽样的局限性，我们做控制图时使用的合理子组原则，当面对海量数据时已经不形成子组，人们可能没有必要再受这个教条的束缚。有些以小数据为基础建立的技术标准，也需要进行更新和完善，否则会出现削足适履的怪事，例如，有的企业已经使用了在线检测设备，配置了高度自动化的数据获取和反馈系统，但由于受到某些技术标准的束缚，还要把大数据变成小数据来进行处理，这就有点本末倒置。

    3、避开细枝末节，直指价值

    第三个改变就是，研究数据如此之多，使我们能够直接发现价值之所在，避开了原来的一味地热衷于追求精确度和其他细枝末节的重复劳动。当我们测量事物的能力受限时，关注最重要的事情和获取最精确的结果是可取的。如果购买者不知道牛群里有80头牛还是100头牛，那么交易就无法进行。在小数据时代，因为需要分析的数据很少，所以我们必须尽可能精准地量化我们的记录。这就像一个小商店晚上打烊的时候要把收银台里的每一分钱都数清楚，但是财政部的官员们不会这样做，他们不会使用“分”这个单位去精确度量国民经济生产总值。随着大数据时代的到来，我们的质量工作者对于精确度的痴迷将会减弱。

    其实，即便是原来使用的所谓精确度，在某些数据的计算时本来就是不靠谱的事情，只是碍于没有大数据的支持，人们只能勉强凑合罢了。例如有人把顾客满意度的数据精确到0.01，这样做是不可靠的，因为顾客满意度本来就是一个主观性很强的数据，本来就是使用定量分析的方法来计算定性现象，不可能达到这样的精确性。

    过去人们往往埋怨质量管理统计技术没有得到很好地应用，有的统计迷们甚至臆断是中国人不喜欢统计技术。实际上事情不是这样，有些统计方法过于复杂，有些统计软件的设计者并没有考虑到企业应用的便利性，企业的管理者每天都要处理大量的业务工作，哪里有那多时间去处理那些作用不大的小样本数据呢？在大数据时代，这些方法变得异常简单，我们的质量工作者再也不必把宝贵的时间浪费在那些迷宫式的算术上了，可以比较容易地发现变异、确定价值，找到质量改进和创新的切入点。

   4、减少假设，避免试错

    质量改进需要寻找改进的切入点，找不到切入点任何改进都无法进行。那么切入点在哪里呢？质量管理界的先辈们发明了许多寻找切入点的方法，但是每一种方法都不会很精准，为了避免这些不精准造成的麻烦，先辈们在发明这些方法的时候提醒这些方法的使用者注意风险，并且为这种风险定义了一个专门的名称：显著性水平，并用字母                           来表示。

    这样做当然很好，但是也非常麻烦，而且有可能在做了许多工作以后才发现，问题的真正根源其实仍然没有找到。究其原因是数据太少、假设与实际不符、限制性条件太多，但是在小数据年代，也许只能这样。在这种情况下，人们退一步而求其次，采取多试验几次的方法，期求能解决问题，这有些类似于试错法，虽然这些办法并不总是有效，但是总归比没有任何办法要好一些。

    由于大数据的应用，我们不再需要那么多的假设，我们也无需再紧盯事物之间的因果关系，而转而寻找事物之间的相关关系，这会给我们提供非常新颖而有价值的观点。相关关系也许不能准确地告诉我们某件事情为何会发生，但是它会提醒我们这件事情是否正在发生，在许多情况下，这种提醒的帮助已经足够大了。

    相关关系是指通过找到一个现象的关联物，通过这个关联物帮助我们捕捉现在和预测未来。如果A和B经常一起发生，我们只需要注意到B发生了，就可以预测A也可能发生。这有助于我们捕捉可能和A一起发生的事情，即使我们不能直接测量或观察到A。更重要的是，它还可以帮助我们预测未来可能发生什么，当然这种预测不可能十全十美，但是这已经非常珍贵了。

    在小数据时代，我们也做相关分析，但是那种相关分析与大数据时代的相关分析有着天壤之别。小数据时代，首先我们要假设两组（或更多组）相关的数据，然后再假定一个关联物，多数情况下还要再做一些假设，使本来就不多的数据变成线性数据，而且还要求它们呈现正态分布，经过这么多次反复的折腾，即便分析出来了结果，这些结果又有多少可以相信、可以利用的价值哪？在大数据时代，我们不用关心这些数据是什么分布，而可以直接得出我们需要的结果，采取应对措施。

    在质量管理领域，一种被称为“预测分析法”的方法已经被广泛应用，它可以预测事件的发生。在设备、发动机、大型动物、桥梁和大型建筑物等对象上设置传感器变得越来越普遍，这些传感器被用来收集、记录和传输发生的热量、振幅、承压和声音等信息。一个东西要出故障，一般不会是瞬间发生的，而是有一些相关的先兆。通过收集大量的数据，我们可以预先捕捉到这些先兆，比方说动物的叫声、发动机的嗡嗡声、引擎过热、支撑变形等参数的改变都说明它们要出现某种变化了。系统把这些先兆数据传输给中心数据库，中心数据库的计算设备就能够把这些异常情况与正常情况进行对比，就会知道什么地方出了毛病，并得出这些毛病的性质、紧急程度和相应的对策等信息。通过尽早发现异常，系统可以提醒我们在故障出现之前更换零件或者修复问题。通过找出一个关联物并监控它，我们就能控制现在、预测未来，这正是质量管理期盼解决的问题。

    三、适应大数据带来的变化

    大数据对于质量管理的影响将会是巨大而深远的，不论人们是否主动地理解和应用大数据，大数据带来的变化仍然会在质量管理领域的角角落落中传导、扩散、累积，它影响我们的工作，甚至左右我们的产品和服务。

    应对大数据时代的挑战，首先必须解决的是意识问题。质量管理的大数据时代并不是要求我们重新建设一个更大型的计算机系统，重新收集更多、更新的数据，也不是把问题复杂化，而是指的一种意识，这种意识告诉我们把数据当成生产力，我们既可以有目的地收集、存储和分析过去忽略的信息，也可以把那些公开的数据、用过的二手数据、沉淀在数据库中的数据重新唤醒，进行恰当的处理，这样就有可能获得某些问题的答案。

    另外，大数据时代并不是全盘否定以往的经验和做法，而是在继承的基础上发展，有效的质量管理技术和方法仍然需要继续使用，但是我们需要思考，如何把海量的数据、高效的计算机系统、方便的移动终端与我们的日常工作结合起来、与我们已经习以为常的质量管理方法和技术结合起来，如果能够实现了这种结合，我们的工作可能会事半功倍、我们的职业生涯可能会少一些波折、我们的企业可能会获得更高的绩效、我们的产品和服务也可能会获得更大的竞争优势。

山东省质量技术审查评价中心    聊城大学质量学院