HOME  >>  Single Blog

數據驅動品質管理提升,打造卓越品管系統!

資料分析數位轉型

Published: April 30, 2023    |     null MIN READ

Share

blog-banner

Table Of Contents

品質管理是企業內的運作系統,旨在確保產品或服務達到特定的品質標準並滿足客戶需求。透過品質管理,企業努力確保產品品質的一致性,提高客戶滿意度,降低成本損失,增強競爭力並實現持續改進。品管被視為實現企業成功和可持續發展的關鍵要素之一。

本文將詳細解讀品質管理的全面資訊,帶各位了解品管是什麼以及各種品質管理解決方案,並介紹如何藉助自助式分析工具FineBI來幫助製造業企業制定智慧化品管策略,從而實現降本增效。快點擊下方按鈕免費試用BI工具,和軟妹一同開始自助數據分析之旅吧~

一、品管是什麼?數據分析對品質管理有什麼意義?

品質管理是一種以客戶需求為導向,透過不斷改進和控制產品和服務的質量來滿足客戶需求和提高企業競爭力的管理方法。品管包括質量規劃、質量控制和質量改進三個方面,旨在確定產品或服務的符合度、可靠性和可持續性

品質管理.jpg

要想解決品管水平如何、影響品管的關鍵因素是什麼以及如何針對性地採取質量改進措施等品質管理相關的問題,僅有一些主觀概念和總體性籠統的評價是不夠的,只有使用資料統計分析方法才能準確、詳盡地解決品管問題

因此近年來,越來越多的企業選擇採用像FineBI這樣的大數據分析工具,藉助自助大數據分析的能力來優化品質管理。
 

使用FineBI製作的車間生產質量監視分析.png
使用FineBI製作的車間品質管理監視分析

FineBI 憑藉強勁的大數據引擎,只需簡單拖拽便能製作出豐富多樣的數據可視化資訊,自由地對數據進行分析和探索,讓數據釋放出更多未知潛能。點擊按鈕,開始發掘FineBI的無限可能吧!

藉助BI工具,對質量相關的資料進行收集、分析和解譯,數據分析能夠為品質管理提供以下幾方面的幫助:

  1. 1.識別問題:透過對產品或服務的生產過程和結果進行數據分析,能夠識別出品管的問題,例如生產線的瓶頸、材料的質量問題等,從而進行改進。
  2. 2.瞭解客戶需求:數據分析能夠幫助企業瞭解客戶對產品或服務的需求和期望,進而提高生產的客戶滿意度和產品的競爭力。
  3. 3.進行預測:透過對質量相關數據的分析和建模,能夠進行未來的質量預測,例如生產的缺陷率、產品的壽命等。
  4. 4.實現改進:數據分析能夠幫助企業制定有效的改進計劃,並透過監視質量相關資料的變化來驗證改進的有效性。


資料分析BI.jpg

綜上所述,數據分析對品質管理的重要性在於,它能夠提供關鍵的數據支援,幫助企業發現品管問題、瞭解客戶需求、進行預測和實現改進,進而不斷提高產品或服務的質量和客戶滿意度,增強企業的競爭力。

二、品質管理(品管)數據分析的一般步驟

品質管理(品管)資料分析主要分為以下九步:

  1. 1.編制品管資料分析項清單
  2. 2.明確每一資料分析項的目的
  3. 3.建立適宜的品管資料分析數學模型
  4. 4.收集品管原始資料
  5. 5.透過統計對原始資料進行整理,獲得預期的統計資料
  6. 6.對品管資料進行分析、判斷,找出主要原因
  7. 7.對問題點進行原因分析,找出主要原因
  8. 8.針對問題點的主要原因,制定品管改進措施
  9. 9.實現、驗證和鞏固品管改進措施
     

質量管理 (2).png

下面我們將模擬某製造業公司的質量管控部門業務員,以脫敏處理後的產品品質資料為例,透過具體操作探討如何使用上文提到過的大數據分析BI工具協助優化品質管理系統,帮助品質管理部門業務員人員發現問題、提升業務。

我們此次範例選用的工具FineBI是一款大數據自助分析BI工具。基於自助式BI,品質管理部門可以在前端自由組合指標和維度,進行探索式分析,挖掘出資料中隱藏的關係。業務包可以直接由部門業務員自助進行取數,拖拽進行資料分析,生成豐富的視覺化圖表和智慧圖表推薦,再也不用苦苦等待IT排期!

免費試用FineBI6.0

三、如何優化品質管理系統實現品質管理(品管)?

1.品管業務背景/需求痛點

業務背景
某生產製造企業的質量管控部門業務員,日常負責監視生產過程、防範異常風險發生、產品質量評價等工作。

需求痛點
質量管控部門每月度/季度/年度會作一次考核評價,需要向公司管理層彙報週期性報表,展現核心指標現狀,輔助管理層進行經營決策和生產決策
優化品質管理.jpg

2.品管分析資料來源

資料源:選用經過脫敏處理的企業資料集作為資料源。

關鍵質量特性(CTQ):產品重量SD(距離技術標準的平均偏差)及其合格率、達標率。

資料集採集到的欄位結構:產品抽檢時間、生產機組、機組排班、質檢員班次、品牌類別、市場分類、達標線線(mg)、平均重量(g)、重量SD(g)、抽檢不合格數。

資料源涉及的加工環節:包含“過程”和“轉序”兩部分。

資料脫敏操作:對品牌標籤進行不同字元長度的內容更換與保留。

3.品管分析思路

針對產品重量作為唯一關注指標,檢驗批次合格率與達標率兩個計算指標,每個指標均能向時間維度作趨勢性延展和其他各維度聯合分析。

產品質量分析.png
重量SD與其達標線、市場分類之間明確有對應關係,即市場分類為12類的重量SD為18.5mg,要求最為嚴苛;其次是3類重量SD為20mg;45類重量SD為21mg,要求相對寬鬆。
向時間維度上作趨勢對比、下鑽分析,挖掘異常風險類。

對多個名義型變數(數值型別變數分箱轉換處理),可以作桑基圖視覺化,進行節點路徑分析,找到整個工廠的不同生產管控行為之間的關係,進而挖掘出規律以尋求瓶頸。

對合格率與達標率作ABC分析,以定位牽制合格率達標率提升的因素,進而推動產品質量的優化提升。

ABC分析.png
使用FineBI進行ABC分析


從宏觀視角對指標作全局把握,進而可以索引到明細資料。

4.品管分析資料處理

資料集抽取:從每月生產質檢資料表中抽取抽取上述所列資料欄位,進行年度彙總。
資料集合並:將抽取到的轉序和過程檢驗兩個工序段資料集進行上下合併,即相同欄位進行合併。

使用FineBI處理資料.gif
使用FineBI處理資料

新增計算欄位
1) 價牌:合併連結“品牌類別”與“市場分類”兩個正文型維度欄位;
2) 重量SD(mg):重量×1000,將單位克換算為毫克,“平均重量”亦換算為毫克,欄位名為“重量(mg)”。
3) 合格與否(達標與否):對明細資料集操作,若抽檢不合格數為零標記為1,表示合格,否則為0,表示不合格;若重量SD不大於達標線則標記為1,表示達標,否則為0,表示未達標。
4) 合格率(達標率):使用聚合技術函式新增聚合欄位。合格率=合格數/總檢查數,即“合格與否”計數/記錄數;達標率=達標數/總檢查數,即“達標與否”計數/記錄數(特別註明:合格率是重量質檢合格率,達標率是重量SD達標率)。
5) 年/月/日/季度:從“產品抽檢時間”欄位利用日期函式分別進行提取。

使用FineBI新增欄位.gif
使用FineBI新增欄位

資料清理

Excel資料.png
異常值處理:剔除了1條異常資料記錄。加工工序為過程檢驗時,有一記錄,其重量值為635.7mg明顯低於整體分佈200mg以上,且為早班質檢人員所測,經查實有操作失誤嫌疑,故將其剔除。
缺失值處理:對資料集缺失值進行覈查後作常數值插補,如品牌類別、生產機組、班次等正文型欄位值預設等情況進行覈查後作常數插補。

5.品管分析視覺化報表

(1)ABC分析
ABC分析法,又稱為帕累託分析、柏拉圖分析、二八定律等,核心是揭示交易規律存在少數專案往往體現大部分價值的思想
該步驟關鍵在於“累計佔比指標”的計算。同時,對在製作圖形組件時,根據累計佔比將物件進行重要佔比劃分,最後透過不同顏色的柱形圖體現分析結果。

關鍵指標“累計達標率佔比”計算公式為:
累計達標率佔比=ACC_SUM(AVG_AGG(${達標率(%)})/TOTAL(AVG_AGG(${達標率(%)}),0,"sum"))
“達標率佔比”計算公式.png

根據累計佔比,判斷指標的重要性,3類達到90%以上,最為重要,劃分為大類;其次是2類,歸屬為中類;1類相對重要性不強,在70%以下,屬於小類,尚待優化提高。隨類別層級遞進,對整體核心指標貢獻度逐級遞減。

“累計達標率佔比”計算公式.png

(2)達標率診斷分析

從時間維度上拆分達標率,具體是在Q2Q4(下鑽至6月和12月)達標率突然降低然後回升,是否存在週期性?從季度上看,答案是存在的。那是否還有更具體的情形?如此持續下去,預計在2022年初達標率將低於50%,這是讓人難以接受的。

達標率診斷分析1.png

達標率診斷分析2.png
對比不同市場價類,達標率是否存在某一節點有不同反應?

達標率診斷分析3.png

12類:

達標率診斷分析4.png

3類:

達標率診斷分析5.png

對比發現,12類產品的規律曲線與總體曲線輪廓相似,雖然一直很低但走勢預判很好,反而45類產品衰退跡象凸顯。故而應重點關注12類和45類的質量提升和穩定。

達標率診斷分析6.png

結合品類產量資訊,得知12類中Y-L產量最盛,配合生產的機組竟分佈全廠10臺機器,和45類T-King一樣是舉全廠之力攻堅的產品,然而12類的達標率只有52.58%,遠遠不及及格線,後續應考慮是否要繼續生產,亦或是想辦法提高質量(是否該品類產品本身存在技術設計缺陷後續應調研綜合考慮)。後續可對比市場上同類廠家、行業內同一產品作競品調研分析,繼續挖掘可改善的途徑。

(3)重量及其合格率,SD達標率間相關分析

從不同價類維度是否能發現一致規律?

達標率診斷分析7.png

達標率診斷分析8.png

達標率診斷分析9.png

顯然,結果表明有存在一致規律,即不同產品在符合MECE原則拆解後,亦有一致的客觀規律:當產品的重量增加在一定範圍內,其大部分達標的產品其SD值是會隨即增加的,對應的達標率會一定程度衰減。

當然,結果規律必然是有前提條件的,當超過限定條件時,出現離羣點在所難免,但對於穩定狀態生產過程來說,無論大量利羣點出現與否,生產過程已經存在很大風險了。

品管分析最終結果呈現的頁面布置如下:

生產管控質檢分析.jpg

四、品質管理(品管)數據分析總結

透過此次的品質管理案例分析,我們可以得出結論:資料分析在品質管理中扮演着重要的角色。資料分析可以幫助企業瞭解產品或服務的質量狀況,及時發現問題,並確定問題原因。這些結果有助於提高生產效率、降低成本、改進流程,提升客戶滿意度,最終實現企業的可持續發展

要想做好品質管理數據分析,巨量資料分析思維非常重要。因為方法和業務規則可以複製和借鑑,但思維的培養卻是不容易的,通常需要反覆訓練。

與此同時,使用優秀的工具也能使業務人員的資料分析能力更上一層樓。所以,選擇適合自己的資料分析工具非常重要。可以根據資料型別和分析需求選擇合適的工具,比如上文我們使用的自助式大數據分析工具FineBI就能很好地滿足品管部門業務員進行品質管理的需求。

數據分析.jpg

實際使用過資料分析工具FineBI後,我們可以看到FineBI在處理資料集方面簡單又高效,並保持了其他資料分析工具常用的操作函式和流程,上手比較容易。此外,FineBI在線上 WEB 端的操作體驗上更加適合團隊協作共享。豐富的說明文檔帆軟社群以及其系列產品,使學習體驗更加令人滿意。

藉助FineBI,品質管理部門業務員能夠從多個維度去拆解、對比、鑽取業務資料,以此來發現問題,同時提供視覺化的結果,讓資料驅動品質管理提升,為企業打造卓越品管系統!
快點選下方圖片試用FineBI,讓資料為你帶來更多的價值!

免費試用FineBI6.0

熱門文章推薦

post-img

2023-10-12 • 2 min read

深入探討會員管理系統:會員管理流程、優化和實例

會員管理是一個在當今大數據時代中至關重要的概念。會員管理是組織如何識別、管理和與其成員互動的策略和流程,無論是個人、企業客戶還是社群成員。大數據的興起賦予了會員管理新的意義和重要性。這一時代的會員管理不僅關乎建立穩固的關係,提供更好的服務,還包括個性化體驗、預測性分析、客戶忠誠度和資料隱私等方面的挑戰和機會。


post-img

2023-09-27 • 2 min read

探索資料科學(data science):決議資料科學與資料科學家的世界

在大數據時代,資料科學(data science)的重要性日益突顯。這個領域不僅提供了洞察力和決策支援,還能夠預測趨勢、提高效率、改進產品,並加強資料安全。資料科學已經成為各個行業中不可或缺的一環,助力企業充分利用豐富的資料,實現更智慧、更創新的業務策略。


post-img

2023-07-25 • 2 min read

深入BI報表:揭秘BI與報表的關鍵差異

在當今資料驅動的商業環境中,商業智慧(BI)分析工具扮演着至關重要的角色。BI報表透過深入分析大量資料,提供洞察力和視覺化呈現,為企業管理層和決策者提供了有力的支援。透過BI報表,企業能夠更加精準地瞭解業務績效、趨勢和機會,進而快速做出明智的決策,優化資源配置,發現新的業務機會,並在競爭激烈的市場中保持領先地位。


開啟全新的 BI 大數據分析之旅

立即試用,獲取100+行業場景數據分析範本

免費試用FineBI