质量数据的用途

质量是企业的生命吗？答案是毋容置疑的。大家都清楚“产品是设计和制造出来的，不是检验出来的。”传统的质量管控，其实就是质量检验，只关注结果，通过抽检或全检出厂前产品来给顾客保证。其实，设计给了产品的“先天”质量，制造给了产品的“后天”使用质量。没有合理监控的生产制造过程，就不可能形成好的结果。所以，质量管控要把过程监控作为重要的产品质量控制手段，这也是质量管理八大原则之第4条“过程方法”的具体体现，即将活动和相关资源作为过程管理，可以更高效地得到期望的结果。

    然而，质量管控的基础就是以数据事实为基础，真正关注顾客，持续流程改进，追求产品之完美。数据来源于在生产制造过程中所设置的质量控制点的采集统计，一个电子产品制造公司的质量数据包括从供应商物料进厂、生产制造过程中的异常和追溯、产品销售后的顾客反馈等等全过程。每天产生的数据量如何准确及时的分析使用，并能将其形成过程数据链条，为质量管控指明方向是一个艰巨的工作。

    在协同管理的信息化建设之前，质量数据的统计分析需要大量的人力物力资源投入，而且经常会出现数据统计不完整、数据处理不及时、数据不准确、数据重复、数据属性不一致等等问题，从而影响质量管控决策出现偏差。这个时候的质量管控只是一种定性的宏观层面的粗枝大叶管理，与精益制造、细节管理、6sigma的理念还是有较大差距的。

    随着工业4.0的推进，工业化和信息化的深度融合，智能制造的日趋普及，企业对于信息化的建设更加重视，协同管理的理念与平台也日趋完善，凭借互联网和大数据，利用质量数据查找薄弱环节，关注细节、完善流程、提高效率，提升生产制造产品质量，提升公司整体质量管理能力的时机已经成熟。

    那么，如何实现质量管控的数据化呢？

    首先，在质量数据统计方面要全面规划，按照质量管控的要求，涵盖企业运营与质量有关的所有环节，建立一个系统的质量数据采集规范，质量数据监督手段和工具，考评机制。统一规划数据标准、数据模式，数据采集的每一个站点都必须有明确的负责部门，强化质量数据实时管理。在制造现场，给每个产品进行身份编码，结合自动识别和扫描技术进行数据采集。从顾客发出订单开始，企业的销售部门接收到顾客的订单，安排生产部门、采购部门、供应商进行原材料库存、工厂生产加工、物流的收货和发货，最终实现产品的装运和发货、从而完成顾客的订单交付，形成一个质量数据信息链。

    其次，在数据分析方面要运用多种质量管控工具，对于板级电子制造来讲，过程中关键工位站点不良品直方图、统计过程控制图SPC、工序能力指数、流水直通率、不良品修理解析统计表、炉后欠点率都是很有用的分析输出。还可以设置合理置信区间，对于超出置信区间的不良现象通过“泛红”警示标识，以此给管理和技术人员提供检讨生产过程控制的课题，使得他们有针对性的开展原因分析、工序追溯、制定改善措施。

    第三，改进活动来源于数据分析的“泛红”警示，管理和技术人员应特别关注，积极实施针对性地改善。对于改善后的质量数据，又会通过PDCA循环输出及时进行验证。这样就把从供应商送货、检验、入库、生产供料、生产过程控制、在线检验、产品入库、发运、售后服务的全流程建立起质量数据化管控的全景图，不仅能达到顺畅实时的生产制造过程品质控制，还能通过售后服务的信息反馈，达到往前向环节的逆向追溯与质量改进等。

    第四，对于质量管控的数据化系统运营要在最高管理者的指导下，由质量管理部门委派专人系统维护，并不断优化系统功能。

    面对复杂多变的生产制造过程5M1E(人、机、料、法、环、测)，任何一个要素发生问题，都将影响到产品的质量。尤其是人的因素最不可控，是人都会犯错，都会有误差，特别是生产环节，这些人为引入的负面影响经过流水线的每个环节逐级放大，必然会最终影响产品的品质。产品的生产过程中人的因素越多，产品出现问题的可能性越大。正是基于质量管控的数据，所以德国人能用机器做的坚决不让人做，智能制造全面铺开。

    随着人口红利的释放，我国作为制造强国，电子制造企业要想在国际舞台继续发展，持续提升品质水平是关键。导入智能制造，在协同管理的平台上，不断优化质量管控的数据化子系统，将贴片机、回流焊、AOI、ICT、工业机器人等自动化设备通过网络连接起来，将目检、FCT、人工装配信息通过输入站点接到网络系统。通过对各种质量数据的实时采集、分析，输出质量管控的数据信息，必将使得质量管控的有效性大大增强，提升我国的质量管理水平。