引言

质量兴，则制造兴。在新一轮工业革命和产业变革中，我国的制造企业如何结合实际，紧跟质量管理发展趋势，通过先进的质量管理理念指导生产和服务从而赢得市场青睐，成为亟待解决的问题。另一方面，很多国内制造企业的管理者在认知上将质量等同于质检和售后，缺乏基于整个业务流程的全面质量管理体系以及有效的数字化管理工具等核心问题也充分暴露出来。

在上篇文章里，我们介绍了江森自控广州工厂先进的数字化转型经验。其中，质量大数据就是一个最优实践场景。本篇进一步通过对广州工厂质量保证部负责人程果、质量主管向平凡以及数字化部门负责人田丹的专访整理，分享如何通过领先的质量管理理念、先进的数字化工具从微观到宏观逐渐搭建完善的全面质量管理体系，提升品牌价值，并产生巨大的经济效益。

Part 1  产品的质量管理需要全链条把控

Q：从微观产品角度来看，一个完整的质量管理链条应该包含哪些部分？江森广州工厂现在用了哪些系统和工具支撑质量管理？

A：如果从具体一台产品的下单-生产-交付客户-售后的短周期来看，质量的控制会从来料检验开始，使用进料检验管理系统管理原材料检验的过程。进入生产流程后，生产线上会进行实时地进行在线检测，如果出现不合格或不良品就会进入QIS不合格处理系统去后续跟踪处理。假如产品出现工程或工艺变更，则会提前录入ECN工程变更系统，以便在针对变更在制造过程中采取相应的措施和跟踪。产品下线后需要抽测的会进入实验室，由LIMS实验室信息管理系统收集相关的实验室测试数据。产品出厂交付客户后，会发生一些售后或客服方面的信息，这部分会进入VOC客户声音系统。

这些是我们的基础，最开始会先把一台机组需要管控的关键节点建立起来，通过检测和管理保证产品出厂的状态尽可能完美。

Q：除了应用完备的检测和管理系统之外，江森是否有一些创新或先进的做法可以分享？

A：我们有两块比较新的应用。一个是SFEMA(售后服务FEMA)。FEMA作为业内常用的产品质量风险预判及管理工具，传统都是针对设计（DFEMA）和制造过程（PFEMA）进行潜在失效原因的分析和管控。空调行业有一个特点叫“3分产品7分安装”——产品出厂时实际还是半成品，到了现场还有许多工程安装步骤，而安装环节的好坏会很大影响空调是否在后续能良好稳定运行，售后客户端的SFEMA的打造可以帮助我们提前预防因为不当安装造成的质量风险。

第二是进料检测管理系统的高阶管理能力。广州厂的整机产品是以百万计的，物料更是有上亿的量级，从成本的角度考虑，不可能对每一件进料都进行检验。以前物料可能是每来5次检1次，每次检验前都需要通过SAP导数据看物料的历史检验记录，工作量巨大，所以实际操作中都是靠经验和记忆。而现在的进料检测系统和SAP、ECN、MES、供方送货预约平台都进行了关联，通过设置一定的算法规则，可以根据历史检验结果数据自动调整来料检验频次并自动生成检测任务，由系统科学地判定哪些物料要检测，以什么频次和数量，什么时间去检。既精简了检测人员，也降低了不良品的逃逸率。我们自主开发了这套算法，并推荐给了无锡的兄弟工厂。

Part 2  高阶的质量管理需体系化

Q: 为什么会从产品层面的质量控制转向整个工厂层面的全面质量管理？

A：首先江森对质量一直都是高度重视，在江森制造体系九大原则（JCMS）里，Total Quality和Safe Workplace是两个最重要的部分。其次，我们经过前几年的持续积累，在产品层面的质量检测不论是技术还是流程都已然非常成熟。但我们每年会有新产品，伴随新的供应商、新的物料，也有老产品进入各异的生命周期。想要保证整个产品质量体系的有效和可控，就需要从基础的、后验的检测思维转变到以预防为主的、先验的全面质量管理体系的搭建，这也是为管理者设定目标提供决策依据。

Q：江森的全面质量管理体系是怎么设计的？都有什么样的KPI来衡量这个体系是否在正常运转？

A：我们的质量管理部门在首先职能设计上管理的是整个公司层面的质量体系，因此不仅仅是产品生产制造环节，还包括销售部门、采购部门等各个职能部门的运营情况，即只要可能会影响最终质量表现的过程环节都会有质量相关的指标去把控。

从业务层面上大致可以分成5个重点模块：新产品导入、供方运作评估、制造过程、产品售后、生产变更。5个大模块下一共细化了58个指标，指标衡量及设计会考虑以下几个因素：

①客户需求。充分了解内外部客户（终端客户、维修、经销商、运输、公司领导等）的需求，使我们质量指标能满足并超越客户的要求。

②与历史数据对比。需要保证指标处于持续改进的路上。

③与工厂内外部对比。横向了解兄弟工厂及行业内的状态，才能使我们的产品保持较强的竞争力。

④风险管控。我们需要实时对公司内部外的风险进行充分识别与管控，如外部市场变化、技术革新、人才市场，工厂内部的人员变更、设备故障、原料更换、工艺革新等，需要建立变化与结果之间的逻辑模式，并设定适宜的指标及目标，以保证风险在可控范围。

例如对于新产品，我们会通过历史产品质量数据、新技术/新零件的应用、设计改善等方面的指标建模，以综合预判新品量产上市后的表现并设立合理的质量目标。对于供应商，我们会关注供方每百万缺陷、合格率、快速响应程度等指标来保证来料的稳定。还有像人员变更、工艺/工程变更都会对质量稳定带来挑战，所以我们也会重点关注所有可能出现的关键变更点。在客户导向思维的指导下，自然也会对产品交付后的表现予以紧密跟踪，类似先期失效、可靠性、不良率这些指标的表现就会对后续改善方向提供重要的数据支撑。

除了业内相对通用的指标，我们也会结合江森广州工厂的实际情况，设定个性化的管理指标，例如设计“工厂经理的客户拜访数量”用来评判是否有充分了解客户的需求，用“风险与机遇评审次数”定期来识别、评估风险与机会，并采取有效行动来降低风险。

江森广州工厂在全面质量、职业健康安全、环境管理上均获得ISO体系认证。

Q：衡量这58个指标表现的方式都是与历史数值做对比还是会综合考虑其他因素？

A：我们把KPI分为结果指标和过程指标，结果指标直接收集产品或服务的结果 ，通常通过检验、失效、投诉等方式来采集数据；当我们把影响结果指标的原因逐层剥开后，其影响因子形成了过程指标，通过监测过程指标的波动来尽早的采取行动，从而避免结果指标超标。当结果指标出现较大超标时，就需要重新检讨过程指标的有效性及合理性。

Q: 江森现在需要做这么多与质量相关的分析和管理，目前是否有一个统一的分析平台或工具？

A：我们现在主要是用Power BI来做分析，把一定周期的数据源、逻辑算法给到Power BI然后每月自动生成质量分析的报表。未来我们还是会采取中台的模式，建立完善质量大数据中心。

Q：这个质量大数据中心希望实现什么样的功能和价值？

A：一方面是把MES、LIMS、SPC以及现在还需要人工导入的VOC等前后端数据都完全实现接口的联动打通，彻底解决信息孤岛的问题；另一方面是做到更实时的分析、反馈和展示，以帮助更好地实现风险预判；第三点我们现在的数据分析的逻辑和维度都还是完全依靠质量专家来做，未来希望可以通过AI算法自主发现复杂的异常状况并给出决策建议。

Part 3  质量大数据的核心是预测

Q： 从微观到宏观，实施从产品生命周期到企业级质量体系的大数据预测，对江森而言有怎样的重要意义？

A：微观产品的检验仅是事后的角度，但现在进入到宏观层面，不能只看事后检验，而要更多地做预防性工作。因此就会实施制造过程的一些关键设备、核心焊接数据的分析；另外还会关注质量体系保证，以确保预防为先理念的落地。这里面有很大一部分是通过数据分析和预测，去指导整体的改善方向，而改善方向找准了之后，实际上就会加速改善效果的体现，从而带来实际的经济效益。

Q：要做好什么准备或者具备哪些条件，才能实现有效的预测？

A： 首先，基础数据的全面性和准确性非常重要。这里包括一是全面性，我们从最前端的供应商和新产品开发到制造过程，再到客户端，整个质量链条都在收集数据，每年百万台机组可带来上亿级的数据；二是准确性，制造过程里的数据因为发生在我们眼皮底下，准确性是最好控制的，也是我们非常有信心的一块。此外，以上核心数据都统一归集到MES系统，并与ECN/VOC/LIMS系统相关联，可以做到随取随用。

其次，分析思维是重中之重。质量问题最为理想的状态是在风险还没有发生时就已经被处理掉，因此需要通过预测思维把问题消于无形；另外，数据分析还要有针对性。数据量太大以后，无异于大海捞针，需要提前根据业务需求做好顶层数据架构的设计，再有针对性地去收集数据。其实越往后，针对性越重要，它关联的是数据分析的逻辑。不做好这一步，即便有海量数据，可能还是无法形成一个满足实际分析需要的完整的证据链条。

Q：能否通过一个例子说明江森是如何采集和使用数据的？

A：我们以售后分析为例，过往相关的数据维度比较简单，比如压缩机坏了，只有简单的故障信息，然而压缩机作为空调最核心的一个部件，它的故障成因很复杂，分析故障需要收集很多专业信息，例如是否拿到故障前的报警信息、压缩机的核心参数、客户的使用环境等等。过去三年我们工厂和维修团队做了大量的合作和讨论，制定了非常详细的检查表格用以收集基础数据。当然这样也带来一些新的问题——需要收集的数据很多但维修人员有限，因此我们开发了一个自动采集系统给维修人员，通过类似手机的手持式设备，接到空调上面就可以自动收集过去一到两个月的基础运行情况。

我们将售后数据整体分拆为两大块——零部件退换信息和人工上门服务信息。数据分析之前，首先会确定一个目标，比如售后维保费用，进而确定需要关注哪些具体的数据和维度，比如开机时间、调试时间、运行时间等，还要按区域、按零部件等维度去分摊。

例如当新产品上市后，我们会关注自发布以来的累计故障率情况、哪些部件换的最多；更换的部件也会按数量或金额分开了解详细分布；每个零部件都会下钻，对型号、发送日期等问题进行分析，并对改善前后的效果做对比。人工上门服务收集的问题也以类似的方式进行逐层剖解。

现在，当售后出现一个具体问题，我们会把售后数据、制造过程在线测试的数据以及实验室的数据信息关联起来分析，通过层层拆解，识别到整改的方向和进度，这也是在解决信息孤岛的问题。

Q：质量预测及应用所创造的价值，在哪些方面有直观的体现？

A：通过售后分析，预测故障和改善质量，从数据上看获得了非常显著的收益。最近3年，我们的维保费用下降了30%；客户满意度从9.5左右提升至9.66；客户净推荐值从17年的51%提升到20年89%；早期故障率大幅下降60%，长期故障率下降了55%；内部失效率从800个ppm下降到356个ppm，而这在业内都非常低的一个指数。所以不仅是节省成本，客户满意度的提升也为未来的持续销售打好了基础。

另外，我们还因此识别了二十几个新的项目出来，将以新项目的方式持续改进。

Q：在公司看来，当前在质量管理上最大的挑战及改进的方向是什么？

A：肯定会有挑战，并且是在不断的变化。

当前，最大的挑战还是信息孤岛。江森作为一个跨国公司，有很多不同的系统，日常需要做一些导入和导出的工作，部分接口是没有完全打通的。如今已把这些难点列出来，计划去打通这些信息壁垒，以及如何能把数据完全共享。

第二，核心还是人的意识。在数据结构设计、数据架构的构建上面，很多人还不是很理解，因此在执行层面，很多数据没有被利用起来。只有拥有前述的一套系统化思维之后，才能知道如何构建正确的运用方式，所以说人的思想转变是至关重要的。

结语

制造业的质量管理是一个世界性的话题。遵循着从微观到宏观、从控制到预测的渐进发展路径，江森的领先实践为中国制造水平对标国际先进水平提供了宝贵的参照。

在质量之路上，既要围绕产品的全生命周期实施质量控制，也要构建可以有效运转的质量管理体系，二者缺一不可。要想大数据预测的价值得以释放，数据基础、分析技术和思维意识则需要深度融合。这是制造企业提升质量管理水平的法宝，值得深入探究与借鉴。