品質大資料的非IT課題

以ERP、MES、SPC等系統為代表的現代IT技術的應用為企業的生產、品質及運營管理帶來了巨大的説明，不僅如此，這些系統在運行的過程中，還為企業積累了另外一種寶貴的財富：資料。 在大資料應用日益廣泛的今天，企業如何才能夠充分挖掘出資料中隱含著的重要資訊，説明企業全面提高產品、服務乃至管理等各個維度的品質水準?

品質大資料非僅關乎IT

在對大量企業進行調研的過程中發現，很多人認為資料的採集、存儲、獲取、分析和展現的各個環節是個IT問題：資料的採集可以由測量儀器配合電腦軟體實現，Oracle、SQL Server等專業的資料庫能為我們提供足夠強大的資料存儲能力，而且我們可以通過介面程式非常方便地從海量資料中獲取到我們所需的資訊，統計分析軟體能夠説明我們分析資料、建立模型以及用很實用的圖示展現分析的結果。

然而，為何諸多IT系統早已相當完善的企業都未能從品質大資料技術中得到説明?

就資料獲取而言，哪些資料才是真正需要搜集和存儲的?產品良率的資料我們要不要搜集?壓力、溫度、天氣、時間等等諸如此類的變數，哪些是我們需要搜集的?我們是應該用產品合格/不合格來作為產品品質評價的標準， 還是應該有更好的衡量方式?對於需要採集的資料，採用何種方式才能有效地減小誤差和避免錯誤......

就資料的獲取和整理而言，我們應該拿哪些資料來分析才能有助於解決實際的具體問題?我們的資料中往往不可避免地存在缺失值，異常值或者離群值，我們如何才能識別資料總體特別是這些特殊的值的真實性，如何正確地進行填補、 修正或者剔出已備後續的資料分析?

重頭戲還在於資料分析。 當我們第一次對某資料進行分析，對資料沒有任何先前的經驗的時候，我們應該用那種分析方法才能最有效地發現資料中的秘密?假設檢驗、方差分析、簡單/廣義線性模型，聚類分析...... 這麼多的分析方法，我們如何根據具體的情況作出正確的選擇，如何在Lack of fit和Over-fitting中找到最佳的平衡點?如何將工程問題轉換為數據分析問題，又如何將資料分析結果還原到實際的工程應用環境中去? 不同的分析結果到底用那種方式展現才能最有助於別人理解我們從分析中獲得的發現?

很明顯，如此種種，都遠遠超出了IT系統問題的範疇。 大資料的應用領域可以是我們生產生活的方方面面，但就品質管制而言，雖然統計品質管制在美國早已是成熟的品質改進方法，越是在對工藝流程要求精密的行業，對資料搜集和分析的要求就越高，但就微邁諮詢的研究來看， 品質大資料的內涵更加廣泛，方法論也更加多樣，能為企業帶來的價值也要大得多。

「品質大資料」可以說是一個集量化決策思想、行業品質管制經驗、合理的工業資料獲取計畫、專業的工業資料分析(包括但不限於統計)方法組成的解決方案! 中國的品質管制由於沒有經歷過正真的統計品質管制階段，如果能在企業管理精細化的過程中靈活運用「品質大資料」和「量化決策」的思想和方法論，往往能起到事半功倍的效果。

概括而言，品質大資料需要根據每個行的自身的特點，制定有針對性的資料收集計畫，包括指標制定、變數選取、資料結構設計，樣本量及功效評價，實驗結構設計等等;我們需要借助現代IT技術抽取、清洗和整理對解決我們的問題有説明的資料， 有時我們還需要將售後服務、保修乃至客戶滿意度的資料與研發或生產資料進行整合以便評價我們將要進行的實際改進工作對售後以及客戶的影響;在此基礎上，我們可以對資料進行探索，從中找到對提升品質、 產品設計或客戶忠誠度有重要意義的線索，探索性資料分析能説明我們很好地完成這一工作;關鍵品質指標的重要影響因素往往需要在我們在對品質資料進行反復錘煉和分析後才能被鎖定， 接下來可以指引我們制定可行的品質改善方案比對品質水準進行預測......「資料有時候會說謊」，我們還必須加以甄別。

　　如果把品質資料(包括研發、生產、售後、可靠性、客戶滿意度等)比作金砂，IT系統可以看成是一個有整理功能的容器，但我們還需要有如何能夠高效地淘出金子的理念和方法。