QC七大手法（老、新）

在质量管理的广阔领域中，QC七大手法宛如一座经典武器库，为提升产品质量保驾护航，尤其是在对质量要求极为严苛的汽车行业，更是发挥着不可替代的作用，同时也是IATF16949统计过程控制的核心工具。二项分布与泊松分布为其奠定了坚实的理论基础。在合格/不合格的场景下，二项分布助力抽样检验；而在低缺陷率监控中，泊松分布则大显身手，为抽样检验与控制图提供了理论支撑。管制图犹如一位敏锐的哨兵，能够实时预警过程中的异常情况，让质量问题无所遁形；柏拉图凭借其独特的排序功能，帮助我们精准锁定关键问题，将有限的资源集中在最需要解决的地方；鱼骨图则像一位经验丰富的侦探，引导我们追溯问题的根因，从人、机、料、法、环等多个维度深入剖析；散布图可以清晰地分析变量之间的关联，为解决问题提供方向；直方图以直观的方式展示数据分布，让我们对质量状况一目了然；层别法能够细化问题分类，使复杂的问题变得条理清晰；查检表则规范了数据收集流程，确保数据的准确性和可靠性。更为贴心的是，每项工具都配备了口诀、图示与操作步骤，即使是初学者也能快速上手。

QC七大手法（老） “数据驱动”、“事后补救”

• 口诀
  • 查检集数据
  • 层别做解析
  • 直方显分布
  • 柏拉抓重点
  • 鱼骨追原因
  • 散布看相关
  • 管制找异常
• 查检表
  • 定义
    • 以简单的数据、用容易了解的方式做成图表，便于进一步分析、核对检查。
  • 关键注意事项
    • 应用重点
      • 1. 明确调查对象、项目、时间、人员
      • 2. 表格结构简洁，便于记录与统计
    • 避免信息冗余，确保数据真实可追溯
  • 用途
    • 日常管理
    • 收集数据
    • 改善管理
  • 类别
    • 记录用查检表：又称改善记录表，常用于不良原因和不良项目的记录
    • 点检用查检表：又称备忘点检表，常用于机械设备与活动作业的确认
  • 图示
• 层别法
  • 定义
    • 对观察到的现象或收集的数据，按照其共同特征加以分类、统计的一种分析方法
    • 是一种基于预设维度的统计工具，针对已有数据，按照人员、设备、时间、批次、工艺等明确维度进行分层，分析不同层别之间的差异，定位问题根源
    • 分类维度是预先确定的，分层后需结合数据统计（如不良率、合格率）对比差异
  • 关键注意事项
    • 应用重点
      • 1. 常用分层维度：人员、设备、物料、时间、工序、班次
      • 2. 与其他手法结合使用（如分层直方图、分层控制图）
    • 分层维度需与问题强相关，避免无效分层
  • 用途
    • 发现问题，界定问题
    • 发掘问题的要因
    • 验证要因产生的影响
  • 图示
• 直方图
  • 定义
    • 将所收集的数据、特性值或结果，再横轴上适当区域等分，并将各区间内测定值所出现的次数累加起来，用柱形表示的方法。
  • 用途
    • 1、测知制程能力
    • 2、规格与标准值的比较
    • 3、设计管制界限是否可用于制程管制
    • 4、测知分配型态
  • 关键注意事项
    • 应用重点
      • 1. 识别分布类型：正态分布 / 偏态分布 / 双峰分布等
      • 2. 对比规格上下限，判断过程能力是否满足要求
    • 数据组数适中（一般 5-15 组）；样本量≥50
  • 制作步骤
    • 1、收集数据
    • 2、找出数据最大值（max）与最小值（min）
    • 3、计算全距；R=max-min
    • 4、确定组数;史特吉斯公式组数：K=1+3.32log n(n为数据个数)
    • 5、确定组距；H=R/K（全局/组数）
    • 6、计算各组上下组界；如第一组下组界=最小值-最小测定值，上组界=下组界+组距
    • 7、决定组的中心点（上组界+下组界）
    • 8、制作次数分配表
    • 9、制作直方图
    • 10、填写主题、规格、平均值、数据来源、日期等信息
  • 图示
• 散布图
  • 定义
    • 把互相有段的对应数据，在方格纸上以纵轴表示结果，以横轴表示原因，并用点表示出分布形态，据此判断对应数据之间的相互关系
  • 用途
    • 检查两变数间的相关性
    • 从特性要求寻找最适合要因
    • 从要因预估特性水平
  • 关键注意事项
    • 应用重点
      • 1. 判断相关类型：正相关 / 负相关 / 无相关 / 非线性相关
      • 2. 结合回归分析，量化相关程度
    • 变量需成对收集；样本量≥30，避免虚假相关
  • 制作步骤
    • 1、收集相应数据（一般30组以上）
    • 2、找出最大值与最小值
    • 3、画出纵轴和横轴刻度，计算组距
    • 4、将各组数据表示在坐标上
    • 5、记录必要事项
  • 图示
• 鱼骨图
  • 定义
    • 将问题的要因按照特性加以整理，并以特定的鱼骨图形表示的方法
  • 用途
    • 1、整理问题
    • 2、追查真因
    • 3、寻找对策
  • 关键注意事项
    • 应用重点
      • 从 “人、机、料、法、环、测（5M1E）” 六大维度展开
      • 层层拆解至可具体验证的末端因素
    • 提前是要先做头脑风暴，绘制要把握因果关系
    • 避免主观臆断，末端原因需可测量、可整改
    • 小骨是原因，中骨是结果；中骨是原因，大骨是结果；大骨是整个问题的原因类别；无因果关系的剔除
  • 制作步骤
    • 1、决定问题或品质的特性
    • 2、决定大要因
    • 3、决定中小要因
      • 以事实为依据，头脑风暴
    • 4、决定影响问题点的主要原因
    • 5、记录制作目的等相关信息
  • 图示
• 柏拉图
  • 定义
    • 又称重点管理图，是根据所收集的数据，以不同区分标准加以整理、分类，计算出各分类项目所占的比例而按照大小顺序排列，再加上累积值的一种图形表示方法
  • 用途
    • 1、掌握问题点
    • 2、掌握主要原因
    • 3、确认改善效果
  • 关键注意事项
    • 应用重点
      • 遵循 “二八原则”，按问题发生频次 / 影响程度降序排列
      • 计算累计百分比，区分 A 类（0-80%）关键问题
    • 数据样本需足够，避免以偏概全；及时更新数据
  • 制作步骤
    • 1、决定不良的分类项目
    • 2、决定数据收集期间，并按照分类项目收集数据
    • 3、记入图表值
    • 4、计算累计比率
    • 5、标记代表意义
    • 6、记录累积值，并用线连接
    • 7、记录主题及相关资料
    • ‌Excel制作步骤
      • 统计数据
        • 建图
          • 调整数值
            • 调整图示
              • 调整至零位
                • 微调完整
  • 图示
• 管制图
  • 定义
    • 将实际的质量特性，与根据过去经验所建立的制程能力的管制界限比较，以判别产品质量是否安定的一种图形
  • 用途
    • 解析用管制图：确定制程是否处于统计管制的状态
    • 管制用管制图：保持完善管理的制程
  • 关键注意事项
    • 先分析过程稳定性，再评估过程能力
  • 制作步骤
    • 参考TS五大工具总SPC制作
      • 汽车行业质量特性数据分为两类，直接决定控制图大类：
        • 计量型数据
          • 定义：
            • 连续型数值数据
              • 有单位，可细分（如尺寸、厚度、扭矩、焊接强度、注塑件重量）。
            • 所有公式中，符号定义统一（适配汽车行业现场计算习惯）：
              • Xˉˉ：
                • 总均值（所有子组均值的平均值）
              • Rˉ：
                • 平均极差（所有子组极差的平均值）
              • Sˉ：
                • 平均标准差（所有子组标准差的平均值）
              • A2​,D4​,D3​：
                • Xbar-R 图控制图系数（由子组样本量 n 决定，见附表）
              • A3​,B4​,B3​：
                • Xbar-S 图控制图系数（由子组样本量 n 决定，见附表）
              • E2​：
                • I-MR 图控制图系数（固定值，因 n=2，E2​=2.660）
              • k：
                • 子组数量（至少 20~25 组，满足 SPC 统计有效性要求）
          • 核心控制限计算公式
            • 计量型控制图的控制限基于正态分布和3σ 原则计算，分为统计量控制限（如 Xbar 的 CL/UCL/LCL）和波动控制限（如 R/S/MR 的 CL/UCL/LCL），其中极差 / 标准差的下控制限（LCL）若为负，直接取 0（波动值不可能为负）
          • 作业动作梳理：
            • 步骤 1：
              • 确定监控对象与控制图类型（核心前提）
                • 明确监控指标：
                  • 需为连续型数据（如孔径尺寸 φ10±0.05mm），且为 IATF16949 中定义的关键特性（CC） 或特殊特性（SC）
                • 确定子组方案：
                  • 子组样本量 n（如 n=5）、子组频次（如每小时 1 组）、子组数量 k（至少 20~25 组）
                • 示例：
                  • 监控某冲压件孔径尺寸，每小时抽检 5 件，计划收集 25 组数据→选择Xbar-R 图
            • 步骤 2：
              • 收集数据（满足 IATF16949 数据真实性要求）
                • 按子组方案抽样：
                  • 同子组内数据需来自同一过程（如同一台设备、同一班人员、同一批次原料），不同子组需覆盖过程正常波动（如不同班次、不同原料批次）
                • 记录原始数据：
                  • 同步记录抽样时间、子组号、设备编号、操作人员、测量人员、测量设备编号，作为 IATF16949 审核的原始证据
                • 数据要求：
                  • 严禁人为修改数据，测量数据需保留与测量设备精度匹配的小数位数（如卡尺精度 0.01mm，数据记录至小数点后 2 位）
            • 步骤 3：
              • 计算统计量（子组均值 & 极差）
                • 计算每个子组的均值Xˉi​：
                • 计算每个子组的极差Ri​：
                  • Ri​=子组内最大值−子组内最小值
                • 计算总均值Xˉˉ和平均极差Rˉ：
                  • 按 Xbar-R 图公式计算
            • 步骤 4：
              • 计算控制限（结合控制图系数）
                • 根据子组样本量 n，从控制图系数表中查取A2​,D4​,D3​；
                • 分别计算 Xbar 图和 R 图的 CL、UCL、LCL（R 图 LCL 为负时取 0）；
                • 示例：n=5，A2​=0.577，D4​=2.114，D3​=0，代入公式计算即可
            • 步骤 5：
              • 绘制控制图（现场可视化要求）
                • 绘制双图布局：
                  • 上方为均值图（Xbar 图），下方为极差图（R 图），横坐标均为子组号（1~25）；
                • 标注坐标轴：
                  • 纵坐标分别为 “孔径尺寸（mm）”（Xbar 图）和 “极差（mm）”（R 图），刻度需覆盖 UCL 和 LCL 范围；
                • 绘制控制限：
                  • CL 用黑色实线，UCL 用红色虚线，LCL 用蓝色虚线，并标注控制限数值；
                • 描点连线：
                  • 将每个子组的Xˉi​和Ri​分别描在对应图上，用黑色实线连接相邻点，异常点用红色圆圈标注
            • 步骤 6：
              • 判异与过程判定（核心环节）
                • 采用计量型控制图专用判异准则（休哈特 8 条）（按优先级排序），判断过程是否处于统计稳态；
                • 过程判定结果：
                  • 统计稳态：
                    • 无任何判异准则触发，点的排列随机→可将当前控制限作为正式控制限，用于后续过程监控；
                  • 非统计稳态：
                    • 有判异准则触发→需立即分析原因，采取纠正措施，消除异常后重新收集数据计算控制限
            • 步骤 7：
              • 控制图更新与维护（长期应用要求）
                • 日常监控：
                  • 过程稳定后，每收集 1 组新数据，及时计算Xˉi​和Ri​，在控制图上描点
                • 控制限更新：
                  • 当过程发生永久性变更（如工艺优化、设备更换、供应商变更），需重新收集 20~25 组数据，计算新的控制限，旧控制限作废
                • 记录归档：
                  • 将控制图、原始数据记录表、异常处理记录表整理归档，保存至少 3 年（满足 IATF16949 记录保存期限要求）
          • 对应控制图：
            • 均值 - 极差图（Xbar-R）
              • 适用场景
                • 样本量 n=2∼10，常规批量生产的关键特性（如零件尺寸、装配间隙）
              • 核心优势
                • 计算简单，现场易操作，适合车间一线使用
              • 确定监控对象：
                • 选择 IATF16949 要求的特殊特性（如关键尺寸、关键性能指标），明确数据测量方法和精度。
              • 数据收集与分组：
                • 遵循理性子组原则（组内变异仅由偶然因素导致，组间变异可包含系统因素），每组样本量n=4∼5，收集20∼25组数据（至少 100 个数据）。
              • 关键区分总结（汽车行业易混点）
                • Xbar-R vs Xbar-S：
                  • 核心看子组样本量
                    • n≤10 用 Xbar-R（计算简便、现场易操作）
                    • n≥10 用 Xbar-S（标准差比极差更能反映大样本波动）
                • Xbar-R/I-MR vs 计数型图：
                  • 计量型图能提前预警过程微小波动（如刀具轻微磨损）
                  • 计数型图仅能识别已发生的不合格
                  • 因此汽车行业关键特性（CC）/ 特殊特性（SC） 优先用计量型控制图
                • I-MR 图注意：
                  • 因无重复子组，对过程波动的识别灵敏度稍低，需结合过程实际情况增加数据收集频次
              • 计算统计量
              • 监控过程均值波动
            • 均值 - 标准差图（Xbar-s）
              • 适用场景
                • 样本量 n>10，数据离散度需精准分析的场景（如精密铸造件的强度检测）
              • 核心优势
                • 对数据波动的敏感度更高，统计精度优于Xˉ−R
              • 监控过程均值波动
            • 单值 - 移动极差控制图（I−MR）
              • 适用场景
                • 样本量 n=1（破坏性检测、单件生产或数据采集成本高），如汽车安全气囊起爆压力检测
              • 核心优势
                • 无需分组，适合无法重复抽样的场景
              • 监控过程均值波动
            • 中位数 - 极差控制图（X中−R）
              • 适用场景
                • 现场需要快速判断，无需精确计算均值的场景
              • 核心优势
                • 计算简便，可替代Xˉ−R用于粗略监控
          • 计量型控制图判异准则（休哈特 8 条，适用于 Xbar-R、Xbar-S 图）
            • 1
              • 任意一点超出 UCL 或 LCL（最高优先级）
                • 异常解读（核心原因）
                  • 过程出现突发性重大波动（如设备故障、原料批次不良、人员操作失误）
            • 2
              • 连续 9 点落在中心线（CL）同一侧
                • 异常解读（核心原因）
                  • 过程均值发生系统性偏移（如刀具磨损、温湿度缓慢变化）
            • 3
              • 连续 6 点递增或递减（形成明显趋势）
                • 异常解读（核心原因）
                  • 过程存在持续性变化趋势（如设备老化、工装松动、工艺参数漂移）
            • 4
              • 连续 14 点交替上下（如 CL 上→下→上→下循环）
                • 异常解读（核心原因）
                  • 过程存在周期性波动（如两班人员操作差异、设备间歇式故障、原材料批次交替）
            • 5
              • 连续 3 点中有2 点落在 CL 同一侧的2σ~3σ 区间（警戒区）
                • 异常解读（核心原因）
                  • 过程均值开始偏移，属于预警信号，需提前排查
            • 6
              • 连续 5 点中有4 点落在 CL 同一侧的1σ~2σ 区间
                • 异常解读（核心原因）
                  • 过程变异开始增大，均值存在轻微偏移，需关注趋势
            • 7
              • 连续 15 点落在 CL 两侧的1σ 区间内（点过于集中）
                • 异常解读（核心原因）
                  • 过程变异过小（非真实波动），可能是控制限计算错误、数据造假、测量设备精度不足
            • 8
              • 连续 8 点落在 CL 两侧，无 1 点在 1σ 区间内（点过于分散）
                • 异常解读（核心原因）
                  • 过程分布异常（如存在两个不同均值的批次混合、测量系统偏差过大）
        • 计数型数据
          • 定义：
            • 离散型数据：
              • 仅可计数，不可细分（如不良品数、缺陷数、合格率）。
            • 核心遵循3σ 原则
              • （中心线 CL、上控制限 UCL、下控制限 LCL），下控制限若计算为负数，直接取 0（因不合格品数 / 缺陷数不可能为负）
            • 所有公式中，符号定义统一：
              • Pˉ​：
                • 平均不合格品率；npˉ​：平均不合格品数
              • Cˉ​：
                • 平均缺陷数；uˉ：平均单位缺陷数
              • n：
                • 样本量；ni​：第 i 组样本量（P 图 /u 图样本量不固定时用）
              • k：
                • 组数（一般取 20~25 组，满足 SPC 统计要求）
          • 作业动作梳理：
            • 步骤 1：
              • 确定监控对象与控制图类型（核心前提）
                • 明确统计指标：
                  • 是 “不合格品数 / 率” 还是 “缺陷数 / 单位缺陷数”
                • 确认样本量 / 单位是否固定：
                  • 固定→np 图 /c 图，不固定→P 图 /u 图
                • 示例：
                  • 监控某冲压件外观不合格品数，每天抽检 100 件（样本量固定）→选择np 图
            • 步骤 2：
              • 收集数据（满足 IATF16949 数据真实性要求）
                • 组数：
                  • 至少收集20~25 组（保证统计有效性），汽车行业建议取 25 组
                • 样本量：
                  • np 图 / P 图建议 n≥50，若过程合格率极高（如≥99%），需增大样本量（如 n=200~500），确保能收集到不合格品数
                • 记录要求：
                  • 同步记录抽样时间、抽样人、生产批次、设备编号，作为审核证据
            • 步骤 3：
              • 计算统计量与控制限
                • 按对应公式计算 CL、UCL、LCL
                • 若 LCL 为负，直接标注为 0；P 图 /u 图需逐组计算 UCL/LCL，绘制折线控制限
            • 步骤 4：
              • 绘制控制图（现场可视化要求）
                • 横坐标：
                  • 组号（如第 1 组～第 25 组）
                • 纵坐标：
                  • 统计指标（np 图为不合格品数，P 图为不合格品率，c 图为缺陷数，u 图为单位缺陷数）
                • 标注：
                  • CL（实线，黑色）、UCL（虚线，红色）、LCL（虚线，蓝色），异常点用红色圆圈标注
            • 步骤 5：
              • 判异与过程判定
                • 采用计数型控制图专用判异准则（详见下文），判断过程是否处于统计稳态
                • 判异点需标注异常原因、处置措施，记录在控制图旁，满足 IATF16949 异常处理要求
            • 步骤 6：
              • 控制图更新与维护
                • 过程稳定后，每收集新的 1 组数据，及时描点；
                • 若过程发生变更（如换模、换料、人员调整），需重新收集 20~25 组数据，计算新的控制限，避免用旧控制限监控新过程
          • 对应控制图：
            • 二项分布
              • 不良品数图（np）
                • 公式
              • 不良品率图（P）
                • 公式
            • 泊松分布
              • 缺陷数图（c）
                • 公式
              • 单位缺陷数图（u）
                • 公式
          • 控制图判异准则
            • 1
              • 任意一点超出 UCL 或 LCL（核心准则，优先级最高）
            • 2
              • 连续 7 点落在中心线同一侧
            • 3
              • 连续 7 点递增或递减（形成明显趋势）
            • 4
              • 点的排列出现非随机特征（如集群、周期性波动）
  • 图示
• 是描述单位时间、单位空间或单位产品内，稀有随机事件发生次数的离散概率分布，核心参数为λ（lambda，事件平均发生率）；其最关键特征是期望等于方差（E (X)=Var (X)=λ），在汽车行业质量管理中，是计数型控制图（c 图、u 图） 的核心理论基础，常用于监控低缺陷率、稀有故障 / 缺陷的发生规律，也是 IATF16949 统计过程控制的重要工具。
• 二项分布是描述n 次独立伯努利试验中成功次数的离散概率分布，适用于二元结果场景（如合格 / 不合格），关键参数为试验次数 n和单次成功概率 p；在质量管理中常用于抽样检验、控制图设计、过程能力评估等，是 IATF16949 统计过程控制的基础工具之一。

QC七大手法（新） "结构化思考"和"预防性管理"

• 口诀
  • 亲和聚类，
    • 聚类归纳零散信息
  • 关联找因；
    • 梳理因果，定位主因
  • 系统分解，
    • 总到分，层层分解目标 / 问题
  • 矩阵关联；
    • 多维度交叉，分析关联程度
  • 数据量化，
    • 用数据量化维度间的关联
  • PDPC 预判；
    • 预判风险，制定应对措施
  • 箭条控期
    • 管控项目路径与工期
• 亲和图（Affinity Diagram）：又称 KJ 法、A 型图
  • 核心定义
    • 将大量零散、杂乱、无关联的语言 / 文字信息（如问题点、客户反馈、员工建议），通过归纳、分类、聚类的方式，整理成有逻辑、有层次的整体，揭示信息背后的内在联系。
    • 核心功能
      • 归纳零散信息
        • 基于相似性原则，将杂乱无章的零散信息、观点、数据分类归纳，形成条理化类别的工具
        • 不分析因果，重点实现 “信息从无序到有序” 的归类
    • 关键适用场景
      • 客户反馈整理、问题点聚类、头脑风暴结果整合
  • 应用场景
    • 收集并整理客户对产品质量的零散投诉 / 反馈；
    • 归纳内部审核、外部审核中发现的各类问题点；
    • 梳理跨部门协作中的痛点、难点；
    • 头脑风暴后对创意 / 想法进行分类整合
  • 实施步骤
    • 收集信息：通过头脑风暴、访谈、问卷、现场观察等方式，收集所有相关信息，确保全面性，不遗漏关键内容；
    • 制作卡片：将每条信息简洁地写在独立卡片上（如 “零件尺寸超差”“设备保养不及时”），避免冗长；
    • 分组聚类：将卡片摊开，团队共同讨论，按 “内容相似、逻辑相关” 的原则将卡片分组，无法归类的单独成组；
    • 命名分组：为每个分组拟定一个概括性的主题（如 “设备管理问题”“人员操作问题”），写在主题卡上；
    • 层级整合：若分组较多，可对二级分组再次聚类，形成一级主题，最终构建多层级的亲和图；
    • 绘制图表：按层级将卡片排列（如中心为总主题，周围为一级分组，下一层为二级分组），用线条连接，形成可视化图表
  • 使用要点
    • 避免主观预判：聚类时以 “信息本身的关联性” 为依据，而非个人经验或偏见；
    • 团队协作：必须由跨部门 / 相关人员共同参与，确保视角全面；
    • 简洁性：卡片信息需精炼，主题命名需准确，避免模糊表述
  • 图示
• 关联图（Interrelationship Diagram）
  • 核心定义
    • 用箭头表示多个因素之间的 因果关系，梳理复杂问题中 “原因与结果、手段与目标” 的相互关联，找出核心问题（主因 / 关键结果），适用于多因素交织、因果关系不明确的场景
    • 核心功能
      • 梳理因果关联
        • 以箭头为核心符号，展示多个因素之间双向或多向的因果关系的图示工具
        • 不强调信息分类，重点呈现因素间的 “影响与被影响” 关系
    • 关键适用场景
      • 多因素质量问题根因分析、体系问题关联梳理
  • 应用场景
    • 分析质量问题的根本原因（如 “产品不良率高” 的多维度因果分析）；
    • 梳理体系运行中的问题关联（如 “IATF16949 体系审核不符合项的根源关联”）；
    • 解决跨部门协作中的矛盾点，明确各部门的责任关联
  • 实施步骤
    • 确定核心问题：明确需要分析的主问题，用椭圆形 / 矩形框标注，置于图表中心；
    • 收集相关因素：通过头脑风暴列出与主问题相关的所有因素（原因 / 结果），每个因素用一个框标注；
    • 标注因果关系：用单向箭头连接因素，箭头指向 “结果”（如 “设备未校准→尺寸超差”，箭头从 “设备未校准” 指向 “尺寸超差”）；
    • 分析关联关系：统计每个因素的 “入箭头”（被影响）和 “出箭头”（影响他人）数量，出箭头最多的因素为 “主因”，入箭头最多的因素为 “关键结果”；
    • 优化图表：简化冗余关联，突出核心因素，明确解决优先级
  • 使用要点
    • 因素数量适中：建议控制在 10-30 个，过多易导致逻辑混乱；
    • 箭头标注准确：避免双向箭头（若出现，说明因果关系未梳理清晰，需重新确认）；
    • 聚焦核心：优先解决 “出箭头最多的主因”，而非单纯解决表面结果
  • 图示
• 系统图（System Diagram）：又称树图、阶层图
  • 核心定义
    • 将一个核心目标 / 问题，按 “ 总→分、上→下” 的层级关系，逐步分解为具体的子目标、子问题或实施手段，实现 “目标落地、问题细化、措施具体化”
    • 核心功能
      • 层级分解目标 / 问题
    • 关键适用场景
      • 质量目标分解、改善措施制定、职责 / 流程梳理
  • 应用场景
    • 分解质量目标（如 “将产品一次合格率从 98% 提升至 99.5%” 的具体措施分解）；
    • 制定问题改善方案（如 “解决焊接不良” 的具体实施步骤分解）；
    • 梳理岗位职责、体系流程（如 “IATF16949 中设计开发过程的职责分解”）
  • 实施步骤
    • 确定核心主题：明确需要分解的总目标 / 总问题，写在图表顶端；
    • 一级分解：思考 “实现总目标 / 解决总问题的关键维度 / 一级手段”，列在主题下方，用线条连接；
    • 逐级分解：对每个一级维度 / 手段，继续分解为更具体的二级、三级子项，直到子项可直接执行、可验证、可量化；
    • 验证逻辑：检查上下层级的逻辑关系，确保 “上一层是目标 / 问题，下一层是实现 / 解决的手段”，无断层、无冗余
  • 使用要点
    • 分解充分：子项需细化到 “能直接落地执行”，避免 “假大空” 的表述（如避免分解为 “加强管理”，应细化为 “制定设备日点检表，由操作工每日执行并记录”）；
    • 逻辑严谨：上下层级必须是 “手段 - 目标” 或 “子问题 - 总问题” 关系，而非并列关系；
    • 全员参与：分解过程需联合相关岗位人员，确保措施的可行性
  • 图示
• 矩阵图（Matrix Diagram）
  • 核心定义
    • 从两个或多个维度（如 “质量特性、工序、部门、材料”）列出相关因素，在维度交叉点标注因素间的 关联程度，找出维度间的关键关联，适用于多维度因素的对比分析和优选
    • 核心功能
      • 多维度关联分析
    • 关键适用场景
      • 职责分配、质量特性 - 工序关联、方案初选
  • 应用场景
    • 分析 “质量特性与工序” 的关联（如 “汽车零部件的尺寸精度与加工工序的关联程度”）；
    • 确定 “部门职责与体系条款” 的对应关系（如 “IATF16949 条款与各部门的职责分配”）；
    • 优选改善方案（如 “多个改善措施与改善目标的关联程度对比”）；
    • 识别 “客户需求与产品特性” 的对应关系（QFD 质量功能展开的基础）
  • 实施步骤
    • 确定分析维度：根据需求选择 2-3 个核心维度（优先用 L 型，简单易操作）；
    • 列出维度因素：将每个维度的具体因素分别列在矩阵的行和列；
    • 定义关联程度：制定关联程度的评判标准（如 “强关联★★★、中关联★★、弱关联★、无关联 —”）；
    • 标注关联程度：团队共同讨论，在维度交叉点标注对应的关联程度；
    • 分析结果：重点关注 “强关联” 的交叉点，识别关键因素 / 关键关联
  • 使用要点
    • 维度不宜过多：优先选择 2 个维度（L 型），过多维度会导致图表复杂、分析困难；
    • 关联标准统一：团队需提前统一关联程度的定义，避免主观判断差异；
    • 聚焦关键：重点分析 “强关联” 项，弱化 “无关联 / 弱关联” 项，提高分析效率
  • 图示
• 矩阵数据分析法（Matrix Data Analysis Method）
  • 核心定义
    • 是矩阵图的量化升级，当矩阵图的交叉点可以用 具体数据表示（而非定性的关联程度）时，通过 统计分析（如相关系数计算、主成分分析） 量化维度间的关联强度，找出关键因素，属于偏定量的分析手法
    • 核心功能
      • 量化多维度关联
    • 关键适用场景
      • 方案量化优选、工艺参数 - 质量特性量化分析
  • 应用场景
    • 量化分析 “产品特性与客户满意度” 的相关性；
    • 优选原材料 / 供应商（如通过数据量化 “供应商指标与采购需求” 的匹配度）；
    • 分析 “工艺参数与产品质量特性” 的量化关联，优化工艺参数；
    • 对多个改善方案进行量化评分，确定最优方案
  • 实施步骤
    • 构建数据矩阵：确定分析维度和因素，将交叉点的定性关联替换为具体数据（如评分、合格率、相关系数等），形成数据矩阵表；
    • 数据标准化：若不同因素的量纲 / 单位不同（如 “成本以元为单位，合格率以 % 为单位”），需对数据进行标准化处理（如归一化、标准化），消除量纲影响；
    • 量化分析：通过统计方法计算维度间的相关系数（分析线性关联）或进行主成分分析（简化多维度数据）；
    • 结果解读：根据分析结果，找出 “数据相关性最高” 的关键因素，制定决策
  • 使用要点
    • 数据准确性：数据是分析的基础，需确保数据真实、完整、可量化；
    • 统计知识基础：需掌握基础的统计分析方法（如相关系数、Excel 数据分析工具）；
    • 结合实际：量化结果需结合业务实际解读，避免单纯依赖数据忽略现场情况
  • 图示
• 过程决策程序图（Process Decision Program Chart）：PDPC 法、（流程图）
  • 核心定义
    • 又称过程计划图，是一种 前瞻性的风险分析与应对工具：在制定计划时，预判过程中可能出现的 障碍 / 风险，并提前制定 应对措施，确保计划顺利推进，适用于不确定性高、风险大的项目 / 过程
    • 核心功能
      • 预判风险并制定应对
    • 关键适用场景
      • 新产品开发、工艺改造、项目风险管控
  • 应用场景
    • 新产品开发过程的风险管控（如 APQP 中试生产阶段的过程策划）；
    • 工艺改进、设备改造的计划制定（预判改造过程中的故障 / 问题）；
    • 质量改善项目的推进计划（避免项目中途停滞）；
    • 应急方案制定（如产品批量不良后的应急处理流程）
  • 实施步骤
    • 确定目标与初始计划：明确项目的最终目标，制定初步的实施计划（按时间 / 工序顺序列出关键步骤）；
    • 预判风险 / 障碍：团队共同讨论，预判每个步骤可能出现的问题、障碍、风险（如 “设备故障”“人员操作失误”“原材料不合格”）；
    • 制定应对措施：针对每个预判的风险，制定具体的应对措施（如 “设备故障→提前备机 / 联系维修人员”）；
    • 构建 PDPC 图：用箭头连接初始计划步骤，在每个步骤旁标注 “风险点 + 应对措施”，若应对措施仍有风险，可继续延伸制定 “二次应对措施”；
    • 动态修订：在计划执行过程中，根据实际情况动态修订 PDPC 图，补充新的风险点和应对措施
  • 使用要点
    • 前瞻性：预判风险需尽可能全面，覆盖 “人、机、料、法、环、测” 各个维度；
    • 措施具体化：应对措施需明确 “谁、何时、做什么、怎么做”，避免模糊表述；
    • 动态性：PDPC 图不是一成不变的，需根据过程执行情况持续更新
  • 图示
• 箭条图（Arrow Diagram）：又称网络图、矢线图、（甘特图）
  • 核心定义
    • 是一种项目进度管理工具，通过 箭头和节点表示项目的 作业顺序、作业时间，计算项目的 总工期和 关键路径，优化资源分配，缩短项目周期，与甘特图功能类似，但更侧重工序间的逻辑关系和关键路径分析
    • 核心功能
      • 项目进度规划与优化
    • 关键适用场景
      • 改善项目进度管理、试生产计划安排、审核计划制定
  • 应用场景
    • 质量改善项目的进度规划（如 “6σ 项目” 的阶段划分与工期管控）；
    • 新产品试生产的进度安排（APQP 中生产件批准的过程计划）；
    • 内部审核、外部审核的计划制定（安排审核工序、时间、人员）；
    • 设备大修、工厂搬迁的进度管理
  • 实施步骤
    • 分解作业步骤：将项目分解为多个独立的作业步骤，明确每个步骤的名称和内容；
    • 确定作业顺序：梳理作业步骤之间的逻辑关系（如 “先完成 A，才能开始 B”），确定先后顺序；
    • 绘制箭条图：用节点（圆圈） 表示作业的开始 / 结束，用箭头表示作业本身，标注每个作业的持续时间；
    • 计算时间参数：计算每个节点的最早开始时间（ES）、最晚开始时间（LS）、最早完成时间（EF）、最晚完成时间（LF）；
    • 确定关键路径：总工期最长的作业序列为关键路径，关键路径上的作业为 “关键作业”，延迟会导致总工期延长；
    • 优化计划：通过调整关键作业的资源（如增加人员、设备），缩短关键路径工期，优化项目总进度
  • 使用要点
    • 逻辑关系准确：必须明确作业间的 “先后关系”，避免逻辑错误；
    • 重点管控关键路径：资源优先分配给关键作业，确保关键路径不延迟；
    • 时间估算合理：作业持续时间需基于历史数据或现场实际估算，避免高估 / 低估
  • 图示
• 浮动主题