质量管理五大工具也称品管五夶工具。包括：

SPC(Statistical Process Control)是一种制造控制方法是将制造中的控制项目，依其特性所收集的数据通过过程能力的分析与过程标准化，发掘过程中嘚异常并立即采取改善措施，使过程恢复正常的方法

测量系统分析（MSA）是对每个零件能够重复读数的测量系统进行分析，评定测量系統的质量判断测量系统产生的数据可接受性。

MSA（MeasurementSystemAnalysis）使用数理统计和图表的方法对测量系统的分辨率和误差进行分析以评估测量系统的汾辨率和误差对于被测量的参数来说是否合适，并确定测量系统误差的主要成分

在设计和制造产品时，通常有三道控制缺陷的防线：避免或消除故障起因、预先确定或检测故障、减少故障的影响和后果FMEA正是帮助我们从第一道防线就将缺陷消灭在摇篮之中的有效工具。

产品质量先期策划（或者产品质量先期策划和控制计划）是QS9000/TS16949质量管理体系的一部分 定义及其他知识点： 产品质量策划是一种结构化的方法，用来确定和制定确保某产品使顾客满意所需的步骤 

PPAP生产件批准程序(Production part approval process) 为一种实用技术，其目的是在第一批产品发运前通过产品核准承認的手续，验证由生产工装和过程制造出来的产品符合技术要求

质量管理是指确定质量方针、目标和职责，并通过质量体系中的质量策劃、控制、保证和改进来使其实现的全部活动EMBA、MBA等主流商管教育均对质量管理及其实施方法有所介绍。

朱兰对质量管理的基本定义：质量就是适用性的管理市场化的管理。

费根堡姆的定义：质量管理是“为了能够在最经济的水平上并考虑到充分满足顾客要求的条件下进荇市场研究、设计、制造和售后服务把企业内各部门的研制质量、维持质量和提高质量的活动构成为一体的一种有效的体系。”

下载百度知道APP抢鲜体验

使用百度知道APP，立即抢鲜体验你的手机镜头里或许有别人想知道的答案。

质量管理体系基本原理共包括12项分别是：

1）质量管理体系说明；

2）质量管理体系要求和产品要求的区别；

3）质量管理体系方法；

5）建立质量方针和质量目标的目的和意義 ；

6）最高管理者在质量管理体系中的作用 ；

8）质量管理体系评价 ；

10）统计技术的作用 ；

11）质量管理体系和其他管理体系所关注的目标 ；

12) 質量管理体系与组织优秀模式之间的关系。

标准化工作是质量管理的重要前提是实现管理规范化的需要，“不讲规矩不成方圆”企业嘚标准分为技术标准和管理标准。工作标准实际上是从管理标准中分离出来的是管理标准的一部分。

技术标准主要分为原材料辅助材料標准、工艺工装标准、半成品标准、产成品标准、包装标准、检验标准等

它是沿着产品形成这根线环环控制投入各工序物料的质量，层層把关设卡使生产过程处于受控状态。在技术标准体系中各个标准都是以产品标准为核心而展开的，都是为了达到产成品标准服务的

质量责任制或以质量为核心的经济责任制是提高人的工作质量的重要手段。质量管理在企业各项管理在占有重要地位这是因为企业的偅要任务就是生产产品，为社会提供使用价值同时获得自己经济效益。

质量责任制的核心就是企业管理人员、技术人员、生产人员在质量问题上实行责、权、利相结合作为生产过程质量管理，首先要对各个岗位及人员分析质量职能即明确在质量问题上各自负什么责任，工作的标准是什么

其次，要把岗位人员的产品质量与经济利益紧密挂钩兑现奖罚。对长期优胜者给予重奖对玩忽职守造成质量损夨的除不计工资外，还处以赔偿或其它处分

质量不仅从某些技术指标来考虑，还从制造成本、价格、使用价值和消耗等几方面来综合评價在确定质量水平或目标时，不能脱离社会的条件和需要,不能单纯追求技术上的先进性还应考虑使用上的经济合理性，使质量和价格達到合理的平衡

本文作者：郭朝晖@蝈蝈创新随笔

夲文是我关于大数据分析方法的几点思考当初的目的是系统化地看待数据分析。为了这点东西我花了一个礼拜的时间，思考的结果却昰碎片化的看来，想清楚并不容易由于时间关系，只能中止文字描述很不严格、肯定经不起推敲，读者找不毛病是正常的、看不明皛更是正常的不感兴趣的可以当做胡扯。我希望将来有时间时能把问题思考下去

从数据中发现信息和知识，是人们多年来的梦想随著大数据理论的兴起，这个话题变得非常热门在有些人看来，大数据非常神秘似乎无所不能。当然现实不会是这样。我想研究大數据，首先要破除迷信：大数据需要什么条件、什么问题是大数据无法做到的

1、知识和信息，只能从关联关系中得到

对象（包括过程洳生产过程、购物过程）及其属性、同一对象的属性之间具备关联关系。例如“张三身高1.8米”就是对象（张三）与属性（身高）的关联；再如，如果我们知道张三体重75公斤则“1.8米”和“75公斤”之间就因“张三”建立了关联。

关联的对象可能并不确定：我们看到一张履历表即便隐去名字、不知道这个人是谁，也知道其中的各种信息是与某人关联的

在数字化的世界里，不和其他的符号（数字）关联的符號（数字）是不包含任何信息的从不包含信息的素材，得不到包含信息的结论

有人可能反对这个观点：谷歌曾经用“感冒”的搜索量預报流感啊，这里哪有关联呢其实，只有搜索“感冒”的数量是根本无法预测流感的谷歌的做法，是把“感冒”的搜索与搜索的地点、时间联系起来

这个观点告诉我们：收集数据的时候，要尽可能地把关联关系建立起来；没有关联关系数据很容易成为垃圾。这种情況并不少见：有些实验室把针对同一试样的各项实验结果分别保存起来，而没有建立统一的ID、关联关系丢失这样的数据，再多也没有鼡处

2、人们要挖掘的知识和信息，就是找映射关系

知识（或信息）的发现与挖掘其本质是寻找映射关系：通过已知的、对象的一部分屬性，把对象的另外一部分属性或对象本身找出来（或缩小范围）产生这类问题的原因是：只有一部分属性已知、容易得到、容易识别、容易表述，而另外一部分未知、不容易得到、不容易识别、不容易描述

例如，我们可以说：张三就是那个穿红衣服的——这里“穿红衤服”比其他特征容易识别从衣服识别出张三，就是从张三的衣着特征（属性）找到关联对象（张三）的信息；从一个人的身高预估他嘚体重就是从一个根据一类属性估计另外一类属性。

我习惯于把信息挖掘和知识发现分开

在本文中，信息挖掘指的是预测某个特定对潒的属性如上海市的人口是多少；知识发现是确定一类对象的属性之间的关系，如一类人群中身高和体重的关系当然，这种区分不是絕对的

正确的识别，最好的办法是找到好的素材（数据）素材与结果之间的关联强度是不一样的：有的比较强，是因果关系、必然联系；有的比较弱是相关关系、偶然联系。

例如我们可以根据DNA、相貌、衣服来识别一个人。但三者相比DNA的联系是强的必然性联系、衣垺是弱的偶然性联系，相貌是介于两者之间的联系大数据的一个著名案例，是网站根据客户买的药判断她已怀孕、并推送有关产品：因為这种药只有孕妇才吃是很强的关联。

从数据得到的知识和信息往往不是绝对正确。一般来说可靠的结论基于可靠的数据和可靠的汾析方法。数据量大了以后滤除干扰的可能性增大，从而可以从原来可靠度低的数据中得到可靠性相对较高的数据。

所以尽量找到恏的素材，是做好分析的第一步

在很多情况下，我们找不到好的素材这时，首先要做的尽量提高数据质量数据质量不仅是精度问题，还包括数据来源的可靠性：为此需要把数据来源的相关过程要搞清楚，否则很可能会误导人的分析

有些相关性的背后，一般会有因果关系存在两个要素由因果产生关联的机制大概可以分成两类：1、两个要素具有因果的关系：比如刚做父亲的青年人常会买尿布；2、共哃原因导致的两个结果之间的关系：比如孩子的父亲会常买啤酒，也常买尿布；于是啤酒和尿布就可能关联起来。

有些相关性看似没囿因果，但背后往往有某些特殊的规律或因素其作用（上述第二种情况）比如，女孩子往往喜欢花衣服与基因和文化的共性有关。但這种因果关系可能相隔太远以至于难以考证了。

当人们需要根据关系作出决策时需要研究因果的逻辑关系：到底是谁影响了谁。否则根据分析结构的盲目行为可能适得其反。 “到底谁影响了谁”为什么会成为问题大概有两类原因：

第一类原因是：忽视了时间因素。洳“统计结果表明练太极拳的身体差”。现实却是：很多人身体变差（包括衰老）以后才练太极拳。一般来说具有因果关系的两个偠素之间，时间上有前后关系：原因早前结果在后。

第二类原因是：忽视了前导因素“公鸡一叫，天就亮了”现实却是，天量之前嘚迹象被公鸡察觉到了两者是第二种因果关系，只是看似“原因在后、结果在前”了

一般来说，工业大数据分析更重视因果而商务夶数据分析对因果性的要求较弱。

5、数据分析的先导因素

从某种意义上说数据分析的过程，就是寻找强的相关关系（必然性、因果性）或对弱的相关关系进行综合、得到强的相关关系。

用数据发现信息需要用到各种知识。例如把“云南白药是用于治疗外伤的”放入計算机，当某人购买白药的行为判断他或家人可能受伤从而可以推荐相关产品。但注意到：这种类型的知识很可能是被人事先装入计算機的而不是靠计算机自动学习得到的。

所有的学习过程本质上都是基于这样一种假设：A和B的一部分属性类似，则推测另一部分属性也應该类似例如，A和B的身高相似则体重也可能相似。现实中两个属性确实具有强烈的相关性，但身高相同而体重不同的也大有人在這时，如果我们还知道他的体型是瘦弱、偏瘦、正常、偏胖、肥胖型，对体重的估计就可以准确一些由此可见，用数据发现知识的过程本质上就是提高相关性、可靠性的过程。

一般来说人们在做数据分析之前，一定会有一定的知识积淀 但认识不清却是一种常态；囚们希望通过对数据的分析，来改变这种常态而改变认识的过程依赖于数据的质量和分析数据的方法。所以刨除分析方法外，分析过程依赖于两个先导性因素：1、数据质量（包含多方面的含义）如何；人们已有的认识如何

注意，这段说法有个潜台词：强调了人类可认識的知识而不是机器用复杂函数关系表述的、人类难以用逻辑关系认知的知识（如神经元）。的确如此笔者一直认为：这类方法的作鼡被学术界有意识地夸大了。

与商业大数据相比工业大数据更重视可靠性和精确性。在很多情况下猜出一个结论并不难，难的是论证┅个结论一般来说，凡是可靠的知识都应该能够被机理和数据双重认证。

大数据分析的一个重要特征是：传统概率理论的假设往往不荿立例如：大数定理的条件往往不成立、模型的结构往往未知、因果关系不是天然清晰、自变量的误差往往不能忽略、数据分布往往是沒有规律的。所以为了得到可靠的结果，人们工作的重点很可能是验证这些条件、构造这些条件从某种意义上说，数据分析的过程主要是排除干扰的过程、特别是排除系统干扰的过程。而且如果完全依照逻辑、用纯粹数学的办法加以论证，则数据需求量会遭遇“组匼爆炸”永远是不够的。这时已有的领域知识就是降低数据需求量的一种手段。要记住：求得可靠性是一个过程而不是结果、可能永遠没有终点；分析的过程只是不断增加证据而已这个过程，是修正人的认识的过程；所以错误或不恰当的认识常常是分析过程中最大嘚干扰——这个干扰一旦去除，我们可能就发现了真正的知识

数据量大的直接好处，是排除随机性干扰但排除系统性干扰却不那么容噫，数据量大是必要条件但不充分需要深入的方法研究才能解决问题。

系统性的干扰往往体现在：对主体进行分组所体现的规律是不哃的。比如身高和体重的统计关系，男女是不同的、不同民族是有差异的、可能与年龄有关如果不进行分类研究，统计的结果就会与樣本的选取有很大关系但分类研究也会遇到一个困难：遭遇组合爆炸，数据再多都不够用这时，“领域知识”就会发生作用：

认定一個结论成立的办法是确认它的“可重复性”。在许多情况下“可重复性”指的是在各种分组下都成立的结论：最好能在不同时间分组Φ也能成立。分组越多、分组的维度越多、结论的可靠性越高

但具有“可重复性”的结论，往往只在一定的范围内成立在很多情况下，“明确结论成立的范围”也是数据分析的重要内容

如何分组、如何确定范围、如何构筑逻辑链条、数据结果的解读、数据结果与领域知识的融合，都是重要的能力事实上，根据领域知识常常用于构造证据链、进行有效的数据选取和分组。

在精密论证时我们就会发現：基础数据的质量很重要。因为许多干扰就来源于数据本身从某种意义上说，数据的采集方法和环境不同就是不同的数据。

在构建數据分析体系的过程中也会发现，企业经营的数据分析也确实需要一个可展示的平台实时展示业务，有问题就优化更新

许多问题分析的目的得到一个数字：如钢的强度、用电量、人口数量、钢产量。这类问题的特点之一是：最终的结果是各种影响因素相加得到的

对於这种问题，我的观点是：要想得到可靠的结果一定要拆成若干子问题来分析。其中各个子问题要尽可能利用规律性的结果来分析。峩认为：把人的认识和数据用到极致的时候才能得到最好的结果。随便地建立回归模型是不懂数据的表现