大数据时代背景下企业质量信息管理的优化与应用

张婧

摘 要：针对大数据时代背景下企业质量信息管理中普遍存在的质量信息呈流水线式流通、呈分散式收集、不同重要程度的质量信息混杂式分布三个问题，文章从人、技术、管理三要素展开分析，通过提升全员质量意识及质量知识水平、打造质量管理信息一站式平台、加强质量信息分类管理、建立典型质量问题数据库模型等措施，探索大数据时代背景下企业质量信息管理的优化路径，促进质量信息的流通方式向循环往流式转变、质量信息管理平台向集成式转变、质量信息向有序分布与分级管理转变，从而推动企业质量管理水平持续提升。

关键词：大数据；质量管理；质量信息；质量代码；数据库

中图分类号：F270.7文献标识码：A文章编号：1005-6432（2024）02-0089-04

DOI：10.13939/j.cnki.zgsc.2024.02.023

1 引言

《全面质量管理》对质量信息的定义及重要程度描述如下：质量信息是在质量形成全过程中产生的有意义的数据。它们可以帮助人们了解质量状况、发现质量问题、寻找质量提升途径，是开展质量管理工作的基础。缺少信息和信息系统的支持，质量策划、质量控制、质量保证和质量改进工作将无从着手[1]。

在大数据时代背景下，质量信息呈现数据量大、类型多、价值密度低、速度快、时效高等特征，如何在当下海量的质量信息中“提纯”并予以分析，获得大数据背后更深层次的因果与相关关系，用以指导企业开展质量活动，提升核心竞争力，对于企业来说既是一项重大的挑战，更是前所未有的机遇。

2 大数据背景下质量信息管理存在的问题

当下，各企业对质量信息的重视程度日益提升，质量信息的处理流程日趋规范，部分企业开发了专业的质量信息处理系统，用以收集、整理、分析、反馈和存储各类质量信息。

然而，庞大数据体量、快速增长处理需求、多样化全面性数据整合等现实情况[2]，使传统的企业质量信息管理模式难以满足海量数据的处理要求，主要体现在以下三个方面。

2.1 面对质量信息数据量大、时效性快的特征，质量信息呈流水线式流通

以某能源装备企业为例，面对每年数以千计的内外部质量信息，在质量管理平台设置了从设计、工艺、材料、质保到质检等分工明确的质量信息处置流水线，如图1（a）所示。

流水线式的质量信息流通方式一定程度上提高了处置效率，但由于处置人员更注重本单位或本次问题的处置上，往往对上下游的、其他单位的质量信息关注程度不够，易导致部分在不同单位、不同时期重复性、批量性发生的共性质量问题被忽略。

图1 质量信息流通对比

注：图1（a）为两条以流水线式流通的质量信息，图1（b）为两条以循环往流式流通的质量信息。

2.2 面对质量信息类型多的特征，质量信息呈分散式收集状态

按信息产生的来源，质量信息分为产品和服务质量信息、顾客和市场信息、财务信息、资源信息、过程或工序信息、领导和战略信息[1]。

上述各类质量信息往往在企业发展的各个阶段给予逐步重视、收集与完善，并分散在企业的不同阶段所开发的平台中予以管理，如图2（a）所示。质量信息分散在各个管理平台，不利于信息之间的整合与分析，在降低管理效率的同时，也易形成信息孤岛，造成数据链断裂。

图2 质量管理平台对比

注：图2（a）为多个信息管理平台，图2（b）为集成式信息管理平台。

2.3 面对质量信息价值密度低的特征，不同重要程度的质量信息呈混杂式分布

企业往往未加以区分关键质量信息、重要质量信息、一般质量信息，关键与重要信息被大量低价值信息稀释甚至掩盖，导致关键与重要质量信息没有得到充分利用，对于质量控制和决策作用发挥程度有限，如图3（a）所示。

质量管理中讲求“循证决策”，这其中重要的“证”就是数据，数据是分析和改进的基础，直接参与质量管理各个环节的预判决策，因此数据质量对分析结果的有效性至关重要。常见的数据质量问题有参数缺失、数据不完整、数据不准确、数据重复、数据属性不一致等，在信息化建设时会导致效果不理想、决策出现偏差，降低数据信息的可靠性[3]。

由于企业的基础数据处于混杂式分布状态，易导致质量改进项目选择不当或是改进空间有限，改进效果欠佳，质量损失持续高位运转。

图3 质量信息分布对比

注：图3（a）为混杂分布的信息，图3（b）为有序分布的信息。

3 原因分析及预期改进目标

针对上述质量信息呈流水线式流通、分散式收集、不同重要程度的质量信息混杂式分布等问题，从质量管理三要素展开分析，可以将其原因归纳为以下方面。

第一，人——质量意识不足，主要体现在企业从决策层到执行层对质量管理理念和质量信息的认识、對质量知识的掌握存在不足。

第二，技术——信息技术支撑不足，主要体现在企业对质量信息管理平台建设不够重视，缺乏统筹管理，研发资源投入较少。

第三，管理——质量信息管理体制机制不足，主要体现在企业缺乏对质量信息的分类管理及反馈平台。

基于以上原因分析，企业应采取相关改进措施，促使质量信息的流通方式由流水线式向循环往流式转变，如图1（b）所示；促使质量信息管理平台由分散式向集成式转变，如图2（b）所示；促使质量信息由混杂分布向有序分布及管理转变，如图3（b）所示。

4 质量信息管理的改进措施

全面数据质量管理（TDQM）概念将数据视为“产品”，从数据获取源头治理出发，将产品质量管理的方法移植到数据管理，建立数据质量管理体系，设计、管理与控制信息链，倡导阻止错误数据发生（事前预防），而不仅仅是修正已产生的错误数据（事后补救）[4]。

企业推进全面数据质量管理，全面解决质量信息呈流水线式流通、呈分散式收集、不同重要程度的质量信息混杂式分布三个问题，重点从加强全员质量教育培训、加强质量信息平台建设、加强质量信息分类管理等方面建立健全数据质量管理体系。

4.1 加强全员质量教育培训，提升全员质量意识及质量知识水平

建立“大质量”文化体系，企业自上而下开展质量警示教育、质量大讲堂，组织开展各类质量知识培训，推广应用先进的质量管理工具和方法，广泛开展群众性质量改进活动，推进全员质量管理理念的提升以及对质量信息管理的认识，为优化推广质量信息管理奠定群众基础。

4.2 加强质量管理信息平台建设，打造质量管理信息一站式平台

企业持续整合各类信息管理平台，完善关键数据字段，打通信息接口，促进系统各板块数据的互通互读，实现不符合项流程、质量损失统计、质量信息反馈、质量工作计划、顾客满意度等板块集成式、一站式管理的质量管理系统。

4.3 加强质量信息分类管理，充分发挥关键及重要类质量信息对质量控制与决策的重要作用

帕累托原理认为，相对少数的促成因素做出了最大的贡献，这些因素被称作“关键的少数”[5]。根据帕累托分析的结果，企业20%的关键类与重要类质量信息决定着80%的质量改进方向，故需采取措施筛选出关键类、重要类、一般类信息并对其进行分类管理。

在关键类与重要类质量信息中，典型质量问题又占有举足轻重的地位。根据帕累托原理，企业20%的典型质量问题决定着80%的质量损失，故企业应建立典型质量问题PDCA循环数据库（如图4所示），作为关键及重要类质量信息的重要来源。

图4 典型质量问题PDCA循环数据库模型

4.3.1 建立质量问题代码体系

企业建立质量问题代码体系，归纳总结质量问题的类型并编以相对应的代码，以此作为典型质量问题数据库的关键字段。

以某能源装备制造企业为例，质量问题主要分为21个大类，每一类用大写的英文字母表示，例如A-母材、B-设计、C-尺寸、D-油包等；每大类又进一步细分为若干小类，采用三位阿拉伯数字编码，例如A010-裂纹、A020-凹坑、A030-折叠、A040-锈蚀等。企业要求不符合项发起人员在流程发起节点初步判定质量问题分类及选择相应代码，为后续质量信息数据筛选提供基础支撑。

4.3.2 规范不符合项描述模板及开展培训

不符合项发起人员由于工作经历、沟通理解能力以及文字描述能力的不同，不符合项描述方式往往差别较大，部分不符合项未能得以全面、准确描述。为规范不符合项文字描述，预防基础数据偏差，企业建立不符合项描述模型并广泛开展不符合项发起人员培训，如图5所示。

图5 不符合项描述模型

4.3.3 典型质量问题筛选及反馈机制

企业根据实际，制定典型质量问题判定标准，以较高时效性从不符合项数据库中筛选出典型质量问题。以某能源装备制造企业为例，筛选标准包括现场反馈问题、设计问题、易引发安全事故的问题、某时间段内重复性问题、批量性问题、重大管理问题等。

企业及时将筛选出的典型质量问题通过质量信息反馈平台，反馈至企业高层管理人员以及企业技术、生产、质量、外购等质量负责人及质量员，建立典型质量问题反馈机制，相关单位根据要求及时开展整改或自查，促进质量信息循环往流式流通。

4.3.4 典型质量问题数据库的建立

随着典型质量问题的逐渐累积，典型质量问题数据库得以初步建立。

典型质量问题数据库的主要字段包括不符合项编号、NCR发生阶段、NCR类别（制造类/采购类/外委外协类等）、项目名称、部件名称、问题描述、问题代码、问题类型、制造单位、责任单位、原因分析（人/机/料/法/环/测）等。

为进一步定位质量改进重点，企业根据质量损失统计办法将每一条典型质量问题所对应的质量损失款项作为关键字段引入数据库，综合比对分析质量损失与典型质量问题深层次因果关系，为精准选择质量改进项目提供更加多元化和合理化的数据支撑。

4.3.5 应用典型质量问题数据库开展质量决策

企业质量管理委员会每年组织召开专题会议研究决定次年质量改进项目。按典型质量问题数据库的各类关键字段排序。

一方面，分析统计该年度发生典型质量问题较多的项目、部件、问题类型、责任单位以及本年度主要质量损失的分布情况等，结合企业战略规划、资金投入、客户培育、供应链建设等实际，制定公司级质量控制及改进计划。

另一方面，分项统计各单位发生频率较高的典型质量问题，督促相关单位开展部门级质量控制及改进计划。与此同时，分析统计该年度发生典型质量问题较多的供应商，对其开展质量约谈，加强质量监查及供应商淘汰力度，促进企业供应商优胜劣汰，保障供应链生态型发展。

4.3.6 典型质量问题数据库应用的效果与收益

以某能源装备制造企业为例，经对数据库中某年典型质量问题及主要质量损失对比分析，得出该年度水冷壁表面质量问题、膜式壁尺寸偏差等问题较为突出，经企业质量管理委员会专题会议讨论决定，将提升水冷壁表面质量、改善膜式壁尺寸偏差作为次年质量改进重点项目之一，成立水冷壁表面质量改善、膜式壁尺寸偏差质量改善领导及工作小组、投入设备资金。经全年改进，提升效果显著：次年15CrMoG材质水冷壁表面飞溅数量下降约70%，12CrMoVG材质下降约40%；全年无水冷壁表面质量问题、膜式壁尺寸偏差问题外部反馈。

4.4  成果固化及持续完善

为进一步巩固质量信息管理的改进成果，企业进一步完善体系建设，修订完善《质量管理手册》，修订完善《质量信息管理》《不合格品控制》等程序文件，制定《质量问题分类及编码管理》《质量问题经验反馈》《质量改进管理》等管理标准，制定《典型质量问题筛选指导手册》等作业指导书，并根据实际情况持续优化相关程序。

5 结语

上述措施可有效应对大数据时代海量的数据规模、快速的數据流转、多样的数据类型和价值密度低等特征[6]，促使质量信息的流通方式由流水线式向循环往流式转变、质量信息管理平台由分散式向集成式转变、质量信息由混杂分布向有序分布及管理转变，有效降低企业内外部质量问题及质量损失，提升顾客满意度和企业质量品牌形象，从而推进质量管理不断改进，为企业达到卓越绩效奠定基石。

参考文献：

[1]中国质量协会.全面质量管理[M].4版.北京：中国科学技术出版社，2018：50.

[2]祝君仪.大数据时代背景下统计数据质量的评估方法及适用性分析[J].中国市场，2015（7）：41.

[3]王璐.大数据在质量管理中的应用领域研究[J].中国质量，2022（1）：30.

[4]约瑟夫·M.朱兰，约瑟夫·A.德费欧.朱兰质量手册[M].6版.焦叔斌，苏强，杨坤，等译.北京：中国人民大学出版社，2019：155.

[5]程幼石.数据管理视角下的内控信息化建设[J].会计之友，2022（5）：137.

[6]刘心缘.大数据对现代企业物流供应链管理的影响[J].中国市场，2022（1）：144.