質量改善和大數據

◆蘇朝墩 / 文

編者按

本文出自2019年10月的美國《質量進展》雜志，作者是國際質量科學院院士、中國工業工程學會會士、美國質量學會會士、臺灣質量學會會士、臺灣清華大學工業工程管理學系蘇朝墩教授，由臺灣輔仁大學企管系教授陳麗妃翻譯，原文標題《勇往直前——了解大數據對質量的影響，以更好地解決問題和客戶疑慮》。

質量改善是全面質量管理的關鍵原則，也是每個組織永無止境的過程。為了提升組織競爭力，運用系統化方法來改善流程和產品質量是非常重要的。本文討論質量改善和大數據，特別強調了大數據對于質量改善的影響，并介紹了一些用于大數據分析的相關技術和案例。

大數據影響了質量改善的工作，有三個重要方面：了解客戶的聲音、收集和分析數據以及開發預測模型。此外，質量4.0引入了更多先進的技術和工具來分析大數據，包括人工智能、機器學習、數據挖掘、數據預處理和屬性篩選等。質量專家有責任確保大數據正確無誤、沒有缺失值，了解快速處理和提取可操作訊息的方法以及確定數據是否可以導致問題被解決或引起客戶關注。

質量改善

許多公司已嘗試開發系統化的方法，使用特定技術來提升質量并減少流程和產品中的浪費。在各個行業中，通常透過團隊合作來實現質量改善。想要成功地實施質量改善活動，有三個要素相當重要：質量概念、管理模式和改善的技術(圖1)。

1.質量概念：了解各種質量概念有助于有效地處理質量問題。通過適當的在職培訓，許多企業引導員工學習一些質量專家的理念，以擁有更好的態度進行質量改善。例如，質量是由客戶定義；質量意味著要符合要求；質量來自預防；當產出的性能變異越小，其產品的質量越高；應創造有吸引力的質量要素，以滿足客戶的潛在需求。這些基本的質量教條，對質量績效的改善，繼續產生相當大的影響。

2.管理模式：我們必須使用一些管理模式來解決質量問題。實務上，經常使用的質量管理模式是Plan-Do-Check-Act循環、QC story、福特8D和DMAIC（定義、測量、分析、改善、控制），其中8D被廣泛用于高科技公司中，因為它同時強調遏制、糾正和預防問題的價值。

3.質量改善技術：經常使用的質量改善技術可分為以下三類：(1)統計方法，包括基本統計、假說檢定、回歸和實驗設計/田口方法等；(2) 質量工具，包括質量機能展開、QC七大手法、新QC七大手法、統計流程管制、流程能力分析、測量系統分析和FMEA等；(3) 豐田式生產系統和精益理念，其已普遍使用于業界中，以消除浪費、縮減成本和周期時間，以及質量改善等。

質量改善需要解決問題。圖2顯示了一個以數據驅動的邏輯條理，用于解決質量問題。對于一個給定的問題，我們收集數據，使用合適的工具進行分析，并決定理想的解決方案。然后，我們修正這些理想的解決方案以獲得“實用的解”。在這個過程中，如何確定適當的改善機會、解構問題和解釋分析結果是相當重要的。此外，質量改善項目必須與企業策略目標，以及客戶、流程和工程的聲音相連接。

圖1 質量改善方法論

大數據

大數據已引起了學者和實務人員的關注。產生越來越多的數據是現代科技發展的必然趨勢。例如，我們可以很容易地在機器/產品中安裝傳感器和智能芯片，以獲取相關信息，如產品特性和操作條件等。從提供服務到制造，許多公司現在都需要大數據，我們已進入大數據的時代。

大數據沒有通用的定義。Laney[1]用3 V定義了大數據：Volume——數據集的數量大小；Velocity——數據輸入和輸出的速度；Variety——各種數據類型和來源。3V已經成為描述大數據的流行框架。除了3V之外，大數據的其他常見維度還包括Veracity——數據的質量或可信度，以及Value——所提取數據的價值。

大數據不是在關注數據本身的問題，相反地，它是對更有效地解決問題的策略的確認。在目前的研究中，大數據被認為是一個整體的方法，用來探索5V（數量、速度、多樣性、真實性和價值），以便獲得可行動的知識，以提升企業的競爭力。隨著時間的推移，科技將不斷的發展，在未來，我們會對大數據發展給出不同的觀點。

圖2 解決質量問題的數據驅動邏輯

大數據對質量改善的影響

大數據對質量改善的三個關鍵影響如下：

1.客戶的聲音

了解VOC(voice of the customer，包括內部和外部客戶)是相當重要的，因為在制定有關質量改善方向的決策時，這些信息對組織很有價值。傳統上，公司使用調查、訪談、焦點小組、保修數據、現場數據和投訴來確定客戶的期望。然而，大數據擁有精確評估VOC的卓越能力。大型數據集和精密的工具使我們能夠鑒別實際的客戶購買和動機，然后根據VOC來決定最重要的客戶需求，從而為質量改善提供充足的機會。

2.數據收集和分析

數據收集在質量改善中扮演相當重要的角色。傳統上，根據不同情況使用各種數據收集方法[2]。以下是三種類型的數據：

（1）實驗數據(experimental data)：從設計的實驗中收集數據。實驗設計或田口方法經常用于處理此類數據。

（2）觀測數據(observational data)：通過規劃好的觀察研究對數據進行采樣。回歸分析或因果分析通常用于分析此類型數據。

（3）歷史數據(historical data)：這些數據已被收集。計算智能和數據探勘方法對于解決歷史數據問題是必不可少的。

例如，當六西格瑪的DMAIC用于解決問題時，我們通常應用實驗設計或田口方法來優化流程，主要原因是六西格瑪支持工程上的良好感覺，使我們可以完全理解問題的背景。此時，可以進行精心策劃的實驗，以收集解決問題所需的數據。另一方面，在處理不明確（或不理解）的問題時，我們可能只有歷史數據。此時，一些智能型方法可以用來有效地檢視數據。

在大數據時代，可以從社交媒體、交易、公共數據和機器與機器間的數據等來源收集數據。在制造業中，除了歷史數據之外，還有大量的實時現場數據。對于這些大數據，我們經常不知道要分析什么。我們可能需要反復試驗，每次嘗試都有助于我們進一步了解問題的來龍去脈。

大數據鼓勵我們應用更先進的技術來分析已收集的大量結構化和非結構化數據。使用正確的方法可能可以揭示大數據中隱藏的含義。例如，一家比薩餐館監控社交媒體并分析所發布的文字和圖片來確定客戶不滿意的根本原因，然后此餐館設計了一個系統來解決由外送員所引起的主要問題[3]。另一個例子是應用關聯規則演算法來決定不同機器組合對晶圓代工廠良率的影響。

3.預測

大數據可以使我們更準確地預測未來。通過大數據預測，我們可以提升流程和產品績效，同時實現優良的風險管理。例如，我們可以開發一種預測模型，以便在機器可能發生故障之前識別其中的主要質量問題。比如，一家鑄造公司運用類神經網絡，輸入工廠制程參數來預測抗拉強度。

預防性維護(preventive maintenance)已廣泛應用于制造業中。許多公司在大數據的協助下，喜歡實施預測性維護，通過設計來幫助判定服務中的設備狀況，以預測何時需要維護。例如，臺灣的一家半導體制造公司應用設備退化模型來預測設備的有效使用壽命；一家筆記本電腦制造公司試圖利用客戶要求維修的原因來預測修理筆記本電腦所需使用的零件。

預測是大數據分析的實際結果。然而，構建一個有效的預測模型并不容易，因為大數據通常非常復雜，整個情況往往難以理解，而未知的事物總是存在。過去沒有發生的事情并不能保證將來不會發生。此外，由于大數據是實時產生的，因此如何準確、快速地在事先就能預測變更點是非常關鍵的。

根據戴明[4]的教導，如果一個流程處于統計管制中（即處于穩定狀態），那么未來預期的變化是可預測的。如果流程不穩定，那么其績效是不可預測的。大數據的預測需要仔細評估流程是否處于穩定狀態中，從不穩定流程中所獲得的數據可能會提供對未來的不可靠預測。

相關技術

大數據項目通常與大而復雜的問題相關聯，于是，問題通常是含糊不清的。因此，我們首先必須確定所要面對的問題以及誰應該加入團隊。大數據執行方法類似于圖2中所提供的架構。不過，我們需要一些更先進的技術和工具來分析大數據。

·大數據解析

所謂的解析，是應用數學和統計學來發現數據中有意義的形態。傳統的數據分析方法難以處理大數據，因此除了數學和統計學之外，通常還建議使用人工智能、機器學習和數據探勘等方法來處理這些大量的數據。分析大數據以挖掘其潛在的價值并獲得有用的見解，以協助企業做出更好決策的學科稱為大數據解析（圖3）。

圖3 大數據解析

·人工智能

人工智能包括使用計算機來解決涉及感知/智能的問題。通過數據處理和演算法操作，人工智能嘗試生成有意義的信息，并使機器比人更聰明。人工智能技術包括自然語言處理、基于邏輯的推理、計算機視覺、搜索算法和機器學習。

·機器學習

機器學習是人工智能的一個分支。對于給定的問題，機器學習收集訓練數據、從數據中選擇特征并構建模型。此模型可視為學習的結果，可用于預測或解決高度特定的問題。機器學習方法包括回歸、類神經網絡、支持向量機、判定樹和樸素貝斯等。

·數據探勘

數據探勘是在大型數據集中發現模式和建立關系的過程，以便更好地理解所研究的系統。典型的過程涉及問題定義、數據收集和準備、建模、驗證和應用等。常見的數據探勘工作包括分類、聚類、關聯和預測等。文字探勘是從非結構化的文字中提取有用信息的過程。

·數據預先處理

大數據通常是非結構化的。為了改善原始數據的質量和執行結果，需要更多的時間來實施數據的預先處理。用于數據預先處理的三種基本方法為：（1）數據清理：數據可能不完整、有雜質且不一致。因此，我們應該使用領域知識來處理缺失的數據、識別異常值、消除雜質數據，并糾正不一致的數據。（2）預先處理類別數據：類別數據必須轉換為合適的數值。獨熱編碼是用于處理類別數據的常用技術。（3）數據轉換：必須將數據轉換為適當的范圍以備處理。正規化和標準化是眾所周知的數據轉換技術。

·特征選取

特征選取是選擇一些具有價值的特征或屬性的過程，而這些特征或屬性有助于從輸入來預測或識別輸出。特征選取可用于簡化、提高準確性，并加強對模型的理解和解釋。經常使用的特征選取方法包括相關分析、輸入變量在類神經網絡中的相對重要性、啟發式算法和判定樹等。

案例

在網際網路上進行數據資料分析可能需要一個質量信息平臺，可以協助：（1）監測：了解當前情況；（2）分析：確定問題的原因；（3）預測：預測可能的結果和并發癥，準備或防止問題再次發生；（4）優化：優化我們的目標。以下簡要描述兩個例子。

例1：

一家鑄造公司實施了一個專案來收集現場的數據資料以進行流程改善。根據工程知識，專案團隊鑒定了17個可能會影響流程輸出的可能因子，比如抗拉強度（y）。

首先，該團隊試圖決定影響y的顯著流程因子。執行了五個特征選取技術，包括類神經網絡、隨機森林、支持向量機、粗糙集理論和回歸分析。根據多數決定原則，該團隊選擇了九個關鍵流程因子進行進一步研究。接著，類神經網絡用來構建九個控制因子和回應值（y）之間的非線性關系。調適好的網絡被用作遺傳算法（genetic algorithm, GA）中的適應函數，然后將控制因子數值轉化為一個向量（染色體）以代表可能的解，并使用GA來優化解答。

在這項研究中，GA共執行20次。實施結果顯示這20次執行結果的標準差很小，說明所獲得的解具有穩定性。然后，從這20個可能的解中選擇出最佳解（具有最高抗拉強度者）。使用這個最佳組合會使抗拉強度增加約13.5%。

流程優化的中心思想如圖4所示，更多類似的例子可以在Su[5]中找到。

例2：

一家公司擁有高速公路運營電子收費系統（ETC）。該系統使用傳感器發射無線電波，并偵測連接到汽車的無線射頻識別（RFID）標簽。平均每日交易數量約為1500萬。相對較低的車輛偵測準確率給公司帶來巨大的財務損失。該公司組建了一個大數據專案，分析車輛偵測的ETC數據，以識別影響RFID標簽偵測的關鍵特征并提升RFID標簽的偵測率。

在五種車型中，我們使用大卡車作為釋例。大卡車的車輛偵測率的準確度約為83.4%。從數據庫中抽取170500輛大卡車記錄數據。在原始數據中，有190個變量可能影響車輛偵測率。在進行數據預先處理之后，仍有170000筆記錄，其中141700筆被偵測到，28300筆未被偵測到。然后，我們將數據分成訓練集（120000筆）和測試集（50000筆）。在訓練集中，有100000個樣本被偵測到，而有20000個樣本未被偵測到，說明數據是不平衡的。因此，我們執行過額抽樣技術——從較小的集合中添加更多的樣本。也就是說，抽取偵測到的與未偵測到的車輛數據數量差不多一樣多。于是，最終訓練集包括100000個偵測到的樣本和100000個未偵測到的樣本。此訓練集用于進一步分析，而用于驗證的測試數據集并未執行過額抽樣。

使用五個特征選取算法來選擇最關鍵的特征，實施結果確定了29個關鍵變量。然后，運用決策樹/C4.5產生一些有用的規則。此外，專案團隊從29個變量中選擇了一些可控變量，并應用類神經網絡和GA來決定可控變量的最佳設定。

基于這些分析，可以獲得若干有價值的見解，例如車速控制、RFID標簽放置位置和使用時間，以及交通量，以提高車輛偵測率。

圖4 流程優化的核心想法 (例1)

要記住的重點原則

大數據嚴重影響了質量改善的工作。在使用大數據進行質量改善時，了解工程問題本身是非常重要的，但是以下關鍵原則對于成功的大數據分析也很有用：（1）數據質量：數據本身是否存在問題，例如與測量、錯誤記錄或缺失值有關的問題；（2）數據分析方法：如何選擇適當的工具，有效和快速地處理大量數據并提取可行動的信息；（3）客戶視角：正在解決的問題是否為客戶關注的問題。這種情況類似于制作美味的日本壽司：要取得成功，我們必須擁有高質量的原料、熟練的手藝以及滿足客戶需要的適當口感。