目前很多制造型企业拥有了MES、ERP、SPC等业务系统，获得了大量的数据。然而在跨工厂、跨系统的异构数据中，如何找到生产各个环节的规律和异常，如何获得优化见解，是制造型企业面临的关键挑战。通过数据分析提升产品质量，提高产品合格率、成品率则是企业发展的下一步抓手。
一、制造业质量数据分析遇到的难点工厂数据分析：
1、产品质量缺陷追溯周期长，找寻规律较慢。
2、数据跨工厂/跨车间/跨业务系统，只做数据展示，无法关联分析。
3、数据不全，数据准确性不稳定，数据分析决策支持功能弱。
4、很难发现经验已知之外的影响产品质量的因素。
二、生产质量分析方案设计特点
将当代计算机科学、工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据，从而提高效率、降低成本、预测未知、科学决策，提高持续盈利能力。可以实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告。
三、方案实施收益
1、建立统一的数据采集和管理平台，极大降低数据分析中数据收集和整理的时间。
2、打破多个业务系统（SAP、MES、手工台账等）的数据孤岛，将数据集中到一个平台，完善数据采集机制、建立数据标准、提升数据质量。
3、创建产品质量的主题分析应用，找到产品质量问题的根因。包括：产品全生命周期的分析、质量和缺陷走势分析、生产过程（人、设备、工艺等）分析、客诉与订单交付分析、设备故障和备件分析、质量预测分析等。
4、分析报表通过大屏、PC端和移动端进行展示，并以一系列标准格式自动分发报表。
5、为客户提供企业BI项目整体规划的咨询方案：质量分析及预测、运营分析及预测、高层管理驾驶舱。
四、方案是如何落地实施的
1、工序质量分析-指标分析
实现合格率、成品率、成功率、产出合格重量、产出量、投入量、缺陷重量、单缺陷率等品管核心关注指标跨工序的全局联动分析。
2、工序质量分析-SPC过程能力分析
系统界面及报告系统提供多种图形，包括：单值图（运行图）、以及直方图、帕累托图、控制图（均值极差图、均值标准差图、单值移动极差图）、箱形图、C值评估图、质控图、皮尔森图等满足日常统计分析。
3、工序质量分析-假设检验
改善效果的验证工厂数据分析；潜在原因的确认工厂数据分析；不同供应商的质量可靠性水平的对比等。
4、SPC与质量大数据分析 -方差分析
具有强大方差分析能力，并能生成专业化的、易于解读的方差分析报告。支持的方差分析模型有：单因子方差分析、多因素方差分析设计、混合效应模型、分级嵌套模型、失衡数据。
5、工序质量-SPC与质量大数据分析
6、异常质量追溯
找到质量异常产品在生产过程中各工序的生产时间、工序的工艺参数，机台记录的备注（生产异常说明）、交接班的备注（生产异常说明）、各工序的评审记录、品检信息、工器具信息、辅材信息、停机记录、班厂量、设备运维状况等信息，并判断是否出现异常。
7、制造过程质量分析与控制-质量预测与预警
五、生产质量分析方案架构：
生产管理中工厂数据分析的数据分析
生产系统在大多数情况下是一个内向型工厂数据分析的组织工厂数据分析，相对比较封闭，无论是连续型生产模式还是离散型生产模式，都可以用类似的分析方法和思路。
生产制造过程大概分为四大类阶段，即传统生产、精益生产、数据化生产、智能生产。不同的阶段，数据分析能够发挥的作用也不同。
在传统生产阶段下，数据化程度不足，缺少信息系统的支持，多数的数据都是以记录表、纸张、条子等形式存在，都被锁在柜子里，数据分析能够起到的作用是有限的，处理数据的成本是非常高的。
在精益生产阶段中引入了大量数据分析的内容，包括全面质量管理，以及精益生产管理中的各种数据指标和分析方法都开始用数据来说话，包括典型的看板管理就是数字化的管理模式。用数据可以看到公司的行为、用可视化的方式可以让全员能够看到自己的进度、看到产品的质量。
第三个阶段是数据化生产，通过数据我们可以知道整个生产过程在发生什么，该怎么生产才能更好地满足客户的需求，如何更好地满足客户的个性化需求。数据化让所有的过程更加清晰和透明，让更多的信息产生智慧。
第四个阶段是智能生产，通过全供应链流程的通信管理，让工厂为消费者的个性化、高效地生产。更多的无人参与的工厂会涌现，更多的灵活生产的生产线会产生，智能化生产是未来一二十年的基本生产模式。
目前中国的企业大多数都仍然处在传统生产模式中，中国企业要想跟进国际企业的进程，必须要在数据化管理上弯道超车，必须要加快数字化建设，让数据成为企业决策的依据，让数据本身能够产生管理的智慧和生产的智慧。
智能生产的基础是数据化，数据化的基础是信息化，信息化的基础是管理的正规化。目前有很多工厂还在用管理手工作坊的方式管理着生产，特别是在三四线城市的工厂中，工人没有经过严格的工厂化的培训，还在用“差不多就行”的思想在工厂里工作。虽然中国是世界制造大国，但我们的管理能力、生产制造能力、研发能力、生产线设计能力、机器设备的配套能力都远远落后其他国家。虽然我们有很多先进的工厂，但工厂里除了员工是中国的，其他都是进口的，如设备是进口的、原材料是进口。我们必须要突破，必须在管理上要改善。正规化管理、信息化建设、数据化管理是我们奔向智能化管理的必经之路，无法跳跃，但是我们可以用最快的速度补齐短板。国外用几十年、上百年走过的工业化之路，我们可以用短短的三四十年来完成，而数据化管理是我们的跳板，必须要把握。
在生产管理领域的数据分析中，有四个维度是需要数据化的，而且这四个维度之间是相互作用的。这四个维度分别是产量（Quantity）、品质（Quality）、成本（Cost）和交期（Time），为了方便记忆这里缩写为 TCQQ。
1．产量
我们需要从产能的角度思考生产产量，例如产能是多少；我们实际产出了多少；我们的产能利用率是多少；我们生产产量的波动性是多少；产能或者订单是否稳定，如果不稳定，那么我们如何配置资源，减少产能闲置；如何在高峰期满足生产，如何在低峰期减少闲置；如何规划未来的产能；如何通过灵活生产来平衡产能；是否需要淡季储备，这一系列的问题都与产量相关。
2．品质
全面的品质管理包括品质达成情况是怎么样的；次品率是多少；返修率是多少；投诉率是多少；退货率是多少；消费者对品质的评价是什么；品质是否是公司产品的竞争力；对比竞争对手，我们的品质是否领先；我们的产品是否创新了，是否引领市场了；我们的产品生命周期是否足够长；我们除了生产管理强调了品质管理；其他部门是否也达到了品质管理的要求和标准，等等。
3．成本
成本方面的分析包括产品的成本结构是什么样的；订单的成本结构是否能够精准地算出；别人生产的成本率是多少；我们如何降低成本；哪些地方有降低成本的空间 ；哪些方面存在浪费 ；哪些浪费是可以消除的。
《精益生产》中列举了七大类浪费，我们在为生产制造型企业提供数据管理咨询服务的时候，把这种精益管理思想数据化，并推延到整个公司的管理中，总结出“十大企业管理资源浪费”，并用这些浪费的首字母组成了一个单词：DOWNTIMERS，下面分别介绍一下。
①产品不良(Defect): 产品生产出来不合格，无法销售，并且无法再次加工，那么这就浪费了材料，消耗了能源，耽搁了生产线生产，浪费了加工过程各种投入，甚至影响公司的销售，延长订单交期，导致客户不满。
②过度加工（Over Production）：一件商品从消费者满意角度看，加工 N 道工序最为合适，如果超过这些工序就是过度加工。过度加工会将不必要的生产投入注入产品中，并未得到消费者更高的评价，或者消费者根本就感知不到，因此造成公司投入上的浪费 ；过度包装也是一种过度加工的类型。
③等待(Wait)：等待是指人、财、物在时间上的浪费。无论是物料的等待还是人员的等待都是企业管理过程中的资源浪费。物料等待时间过长导致的是订单交期延长；在产库存量增加，也会带来资金浪费；等待中的材料需要存放，也会导致仓储费用增加；人员的等待也是浪费，例如下一道工序等待上一道工序完成。所有的等待都可以看作是闲置，或者不产生价值的时间，例如公司约定 8 点开会，早到的人 7:50 到场，有些人 8:15 才到场，然后会议 8:20 才开始，早到的人提前了 30 分钟，这个半小时就是闲置时间，是浪费，所以说高效的公司一定是非常守时的，守时是对所有与会者的尊重。几乎所有的公司中都存在或多或少的闲置浪费，这种浪费如果不消除，那么公司就很难控制成本。
④无价值流程（Non-Value-AddedProcess）：无价值流程是指不产生价值的流程、工艺、过程。业务流程、生产工艺、管理过程等在好多的情况下都有不产出价值的内容。例如火车站的检票程序，你会发现进站的时候乘务员会查一遍火车票和身份证，上车前乘务员还要查一遍火车票和身份证，这两次检查其中有一次就是无价值的。而北京南站取消了第一道检票流程，只在上车前才查身份证和火车票，从而让乘客的进站时间大大缩短，这样的流程安排让更多人把去火车站的提前时间缩短，滞留在北京南站的人数也会大幅度减少。
⑤运输或中转位移(Transportation) ：工厂中的物料移动、人员移动都不产生任何价值，移动距离越大，浪费越大，所以先进的工厂都通过立体的设计减少物料的移动和人员的移动。当物料的等待时间和人员的等待时间价值不同时，流程设计也会不同。当人员成本高时，物料移动；当物料成本高时，人员移动。除生产高净值产品的生产线外，绝大多数的工厂都是物料围绕着人员转的，所以有了流水线的设计。在公司管理上，人员的移动距离也是一种浪费，如果人员能够在一个办公室中，那么绝对不要开设更多的办公地点，这样一方面会让沟通被弱化，另外也带来移动的浪费。员工在上下班路上的时间也是人工成本上的浪费，虽然劳动合同上并未把员工在上下班路上的时间计入工作时间，但是这个时间也是员工付出的成本之一，也会被员工计入对薪资的期望中。如果可能，要尽可能地将员工上下班路上的时间缩到最小，因为这个时间并不产生任何价值，还会消耗大量的社会资源。一个城市的规划也是如此，在 20 世纪 90 年代，中国的城市发展希望走“功能区”模式，即将商务区、工厂区、行政区、高科技区、居住区、文化娱乐区等分开建设，这种功能区的建设让很多人都在同一个方向移动，不能很好地分散人流，导致交通压力大，出行效降低，同时无效的上下班移动距离，增加了大量的社会成本，也涌现了“鬼城”、“睡城”等特殊现象。繁华商业区因为只有上班的地方而没有居住的地方，所以在晚上成了“鬼城”；而居住区白天无人居住，晚上都回来睡觉，所以成了“睡城”。城市功能不分散导致很多人的移动距离增加，这种模式应该逐渐在城市发展中被淘汰。
⑥智力冗余（IntellectRedundancy）：一个高级技工从事普通的体力劳动，这就是一种智力的冗余。如果按照高级技工的工资给其付酬，也是浪费，因为这在无形之中给公司带来了费用的增加；除非你是出于竞争战略考虑：虽然我不能给这个高级人才提供适合他的工作，但我必须把他圈在我的公司中，因为他一旦去了竞争对手的公司，那么我的公司面临的竞争压力就会非常大了。很多公司中都存在或多或少的智力冗余现象，因为一家公司在识人、用人上存在能力不足和信息不对称，就会出现优秀人才得不到重用的现象。当然，有些公司需要从流程上避免智力冗余现象，例如，服装厂的一个裁缝工人是高级技工，工资比普通工人要高很多，但如果在工艺流程上，他还需要缝纫工去领料、送料、修剪毛边、剪线头，那么就是智力冗余的不良工艺设计。
⑦动作冗余(Motion)：我们在从事劳动的时候都会由一些基本的动作来完成，如果动作不合理，就会造成动作上的浪费。据说计算机键盘是根据字符在英文中出现的最大频率来设计的，以便让手指头在键盘上的移动距离最小，从而大幅度节省手指在打字移动的距离和时间，提高效率。这个设计是按照英文习惯设计的，但不见得适合中文、法文、意大利文等其他语言，这里就是效率的问题。历史上英文字母出现的频率和现代社会中英文字母出现的频率已经大大不同，而键盘按键布局的变化会导致打字速度大幅度降低，从而会提高学习成本，所以最初的设计非常重要。
工厂中的动作设计也需要科学地评估、合理设计，要降低学习成本。
⑧超额库存(Excess Stock/Inventory): “库存是万恶之源”，每个公司都希望大幅度削减库存，包括工厂中的库存和流通环节的库存。物品的存放就是浪费，社会物资快速流动起来才能创造更多的价值。超额的库存是由于生产计划不准确、销售预测不准确导致的，很多企业因为库存问题被拖垮。产品生产出来卖不出去、采购的物料用不完、生产交期过长，这些都将高流动性的企业经营现金流固化到库存中，甚至成了长期的库存。降低库存甚至零库存需要通过数据化管理，需要通过商业模式创新。
⑨返工或者重复工作（Rework）：返工、返修、重复都是极大的浪费，产品质量不合格，可能需要返工，例如一个零件尺寸要求为 11.55 米，你却加工成了 11.56米，超过了标准，就需要再铣掉 0.01 米，这个过程就是返工；而如果你将零件加工成了11.54米就成了废品(Defect)，而11.56米的零件是不合格品。一篇文章反复修改，一个方案反复讨论，一个模型反复设计，都是重复工作，最好将这种工作减少到最小，虽然有些工作是不可能一步到位的。
⑩停机、停下(Stop) ：我们在开车时，如果要停车，需要慢慢踩刹车。再次启动时也需要慢慢提速。如果停车的次数过多，则会大幅度延长我们到达目的地的时间。工厂中的加工也是如此，有些时候我们需要停机检修，需要对锅炉进行清洗等，这些都是浪费；公司管理中也存在这种浪费，当项目停下来又再启动时需要花费时间，只有一鼓作气将一件事情做完才最高效。
4．交期
交期是指从客户下达订单到客户获得产品和服务的周期。任何一个人都希望能立马获得并能够使用产品。工厂的客户也一样，客户希望下达订单之后能够马上收到产品，并能够快速投入使用，让整个的供应周期降低到最短。这是一个理想的状态，在多数非库存生产的企业中都存在交期的问题。而交期一方面代表着客户的满意度，代表着企业适应市场变化的能力。更为重要的是，交期也代表着企业的周转效率。
笔者曾经服务过一个年产值 20 亿元人民币的外加工工厂。当一个订单从国外发送过来之后，企业就组织生产并与原材料采购同步，整个周期是 18 天，而实际有效的生产的周期是 7 天。
工厂cda是CDA（Certified Data Analyst）即“注册数据分析师”。
是商业数据分析和大数据应用领域专业权威的国际资格认证，由全球CDA专业人士和会员机构共同发起，为各行业设立了CDA职业道德、行为准则、知识体系及人才考核标准。在中国，CDA认证已得到中国成人教育协会、CDMS、中国电信、苏宁易购、小桔科技等机构的认可。
以大数据为基础的各类科技应用成为市场热点，通过将大数据应用于产品营销、客户体验改进、风险控制等方面，取得了很好的效果。在各大领域，基于大数据挖掘和人工智能而产生的创新层出不穷，成为行业创造价值的力量源泉。
增长模式：
从产品经理到数据产品经理，从市场营销到数字化营销，从运营到增长黑客，从人工风控到数字化自动审批，大数据、数据分析、AI等技术已逐渐改变着企业的传统经营模式、运营模式和操作流程。企业在信息化、数字化、数智化演进的过程中将衍生出大量需要与数据打交道的新职业。
目前在中国大约有6亿人在用office，excel等工具，但大多为满足日常办公的需求，很少使用到工具的数据分析模块，未来随着零代码、低代码的不断普及，数据分析技术的门槛将大幅降低，新商业时代，数据思维、数字化基础能力已成为人人皆需的职场通行技能。
1、从被动式到主动式维修
制造系统往往在超负荷状态下运行，任何工作中断都可能导致螺旋式上升的损失。即便如此，大部分公司采用的解决停机问题的最佳方案只不过是等故障发生后再解决的方式。到目前为止，这种反应性系统还在被采用，是因为显然缺少更好的替代方案。
2、提高机器利用率和有效性
制造商遇到的最大问题之一是进入低效运转的境况。虽然主观上他们希望构建高效的制造链，但由于安装不当、使用不当或仅缺乏停机时间协调，各种不同的因素都可能会成为降低生产线整体效率中的关键。
通过将现有的物联网系统与强大的制造业预测分析相结合，企业可以实时洞察其生产线在微观和宏观上的运行状况。追踪单台机器的停机时间如何影响整个制造链，或者探索不同的配置如何提高整体效率，这不是“痴人说梦”，而是必须要做到的。生成可操作的数据以使企业在整个制造过程中实现真正的改进，是将分析应用于制造业的主要优势。
3、更好地产品需求预测
每个制造商都知道他们不仅在为当前已有的订单生产产品，而且还在为不久的将来可能出现的需求订单生产产品。需求预测很重要，因为它们能够指导生产链，如果预测失误，可能产生“一边是强劲的销售量”，而“另一边却是工厂缺乏大量的相应配件库存，无法满足需求”。对于大多数公司而言，预测是基于前几年的历史数据价值，而不是基于更具可行性的前瞻性数据。但是，制造商可以将现有数据与预测分析相结合，以更精确地预测购买趋势。这些预测性见解不仅基于先前的销售，还基于流程以及生产线的运行状况，从而可以更明智地进行风险管理并减少生产浪费。
4、质量预测提高良率
质检是对已经生产出来的产品的质量检测，一方面可以保障企业能够对外提供合格产品，另一方面也能通过质检反映生产过程的疏漏。质检出的残次品无论多少对企业都是损失，如果能够在产品产出之前就通过产线状态及相关生产数据分析预测出产品质量，并将生产流程调整为最佳产出状态以避免残次品，这就是质量预测。质量预测的场景在半导体等高端制造领域是刚需，属于虚拟量测的范畴。
分两方面来考虑这个问题；
1、数据真实性是作为搞品质的基础，只有这样才能发现问题，而不时掩盖问题；
2、和厂内其它主管的关系处理属于沟通问题，沟通能力也是作为考核一个主管最基本的能力之一，在处理该问题的时候，作为一个品质主管，不单单只是将问题暴露出来（让别人感觉在揭他的短），也要向生产部门调查、交流，和他们一起提出可行性的分析和改善提案，使生产部门的主管能够接受你，觉得你说的是正确的，只有真的改善了，真的有了进步，才是大家愿意看到的；
另外，现阶段的品质数据较差并不一定是坏事，这表示还有很大的改善空间，表明这正可以发挥你作为品质主管应有的价值，树立你在主管中的威信（我想生产部门主管也是乐意通过改善取得成绩）。
最后，建议你和需要配合你工作的主管好好喝喝酒，沟通沟通，毕竟大家在同一条船上，真取得了成绩大家都进步，都有满足感和成就感，都能得到老板的赏识，不要玩心计，算来算去算自己，这样没意思。
这个问题太泛了，要看你想要怎么分析，想要得出哪一方面的结果。用excel就可以进行绝大部分的分析了，当然也可以借助SPSS分析软件分析。
