把质量数据分析划分为六个层次
我们可以把质量数据分析划分为六个层次① 第一个阶段是只依靠经验，不考虑数据。
很多发展还不错的中小企业实际上并不依赖数据，主要依靠人员的经验来处理生产中遇到的各种问题。这些中小企业往往很难扩大他们的市场，尤其是一旦资深员工退休或者辞职后，企业的质量往往出现大幅度的回撤。
② 第二个阶段是单看数字。
正如之前讨论到的情书例子，单看数字并不能够看清楚事情的本质，而如果解释数字不恰当的话，数字往往还会误导管理人员。
③ 第三个阶段是开始整合数据，使用图表来解释数据。
相比于数字，大部分人对图形更加敏感，如果使用合适的图表来解释数据的话，通常更能解释问题的本质。大部分企业能做到第三个阶段就已经很不错了，但更进一步的是第四个阶段。
④ 第四个阶段是加入统计调查的数据，采用描述性的统计量来刻画数据。
一个具体的例子是在工厂中主动去调查测量生产线中的良品率、停机率、产出比例等数据，这些数据只是用来描述生产过程的好与坏。
⑤ 第五个阶段是通过具体取样数据
例如如果遇到了若干个不良品，我们主动去测量不良品中的具体质量和特性，而不是通过计数的方式统计良品率，这样采样得到的数据相比于做加法的统计调查数据包含更多的信息量。
⑥ 第六个阶段是利用统计推断，使用置信区间等统计方法来量化质量的好坏。
通过统计预测的方法来实现质量的控制和预防不良品的出现等。大部分企业还没有到达第六阶段的层次。
在以前的生产中，研究人员最困扰的问题往往是缺乏数据。但随着传感器、收集数据方法的进步，现在在企业生产中，大量的测量数据自动的被计算机记录下来，形成了质量大数据。利用质量大数据，我们可以将第六个阶段进一步拓展，即利用实时的数据，持续的使用描述性统计量或可视化工具来展示生产过程中所遇到的各种质量问题。目前有一些高端制造企业已经能够做到实时的采集数据并在显示器上可视化。相比以前离线的采集数据并累计一段时间后才分析数据，目前这些企业已经有了不小的进步。但最好的层面是第八个阶段，即利用实时收集的数据进行统计建模，使用统计推理和预测来帮助企业的决策与质量管理。
随着质量大数据的提出，学术界也在质量大数据中提出新的方法和工具。早期研究人员只能每个小时甚至每天去生产线上测量数据，计算均值和标准差，构建控制图来监控生产流程。但是在大数据时代，研究人员如何依靠自动收集、实时的数据（也称为数据流），提出合适的方法和工具来运用数据监控生产过程，已经逐渐成为研究的热点。另一个与质量大数据有关的研究方向是可靠性和可维护性。在传统数据的背景下，对于一个产品，它的保修期的长短和具体什么时候需要进行保养检测，相关的模型和方法已经十分成熟了。但是在质量大数据的环境下，如何依靠实时的数据来提升产品的可靠性成为了研究挑战。
一个具体的例子是：通用电气公司历史上是把飞机引擎作为企业产品卖给波音公司，但是最近通用电气公司将飞机引擎租给波音公司。在这些引擎上，通用电气设计并安装了很多传感器实时的将引擎工作状况发送到企业总部，通用电气通过这些大数据来准确并实时的为波音公司提供售后和保养服务。这个例子有点类似于疾病的预防。以前的人往往是等到身体出现了异常，才会去医院挂号看病（类似坏机送厂维修）。现在许多人在身体没有异常的情况下，也会定期体检，确保健康（类似对机器定期保养维护）。再进一步，因为穿戴装置的进步与流行，腕上的运动手环会借助实时健康数据的测量、监控、分析，期望做到提前感知身体的健康变化，从而避免疾病的发展与恶化。通用电气也是希望通过质量大数据的应用，提前感知到飞机引擎的工作状态，从而避免飞机引擎出现故障。
上面主要通过具体的例子分析了品质和品味的具体关系，品质如果要继续提高，就必须达到品味的高度，方可在竞争激烈的市场中胜出。但要从品质上升到品味的高度，就不能离开创新和创意；而创新和创意又与质量大数据紧密相关。 有道理。 受益匪浅 {:1_180:}谢谢分享，不错
{:1_180:}{:1_180:} {:1_180:} {:1_180:} 謝謝分享 {:1_89:} {:1_89:}