很多工厂做QC的朋友，天天喊着降不良，攒了大堆数据出来，就是看不出问题在哪。对吧？
不少人能把质量控制（QC）七大手法背得滚瓜烂熟，一到现场就蒙圈。今天不说全七个，就抠最常用、也最容易被用错的分层法聊透。
为什么九成工厂用不对分层法？
很多人第一反应：分层法不就是给数据分个类吗？这还用学？
上个月我去东莞一家做汽车注塑件的工厂看现场，他们QC统计了三个月的不良率，一直稳定在4%上下飘，找来找去找不到根因，客户端天天发整改通知，老板急得跳脚。
他们原来怎么统计的？只记总不良，所有生产线、所有班次、所有原料批次的不良堆在一起算平均值。可不就啥都看不出来嘛。
说实话，分层法就是质量控制（QC）七大手法里的「开山刀」。不管做什么质量分析，第一步必须先分层，不然所有数据混在一起，哪怕你用直方图、控制图，出来的结果也是错的。
错把分类当分层，这是最常见的坑。
问：分层法和普通的分类统计有啥不一样？
答：还真不一样。普通分类就是按部门分完拉倒，分层法是你要根据可能影响质量的所有变量，一层一层往下剥。比如先分生产线，再分班次，再分原料批次，再分操作员工，剥到你能看到具体哪个环节出问题为止，不是分一次就完事儿。
现场做分层分析，正确步骤是什么？
我整理了工厂现场跑通的实操步骤，给你列出来：
💡 第一步：先锁定具体问题。比如「为什么最近外壳划痕不良率突然上升」，别上来就啥问题都往一起堆。
💡 第二步：把你能想到的所有影响因素列出来，常见的分层维度无非这几个：
- 人员：班次、工龄、操作熟练度
- 设备：不同机器、不同模具、服役年限
- 材料：不同批次、不同供应商
- 工艺：不同压力、不同温度、加工时间
- 环境：不同温湿度、白夜班温差
- 测量：不同检测设备、不同检验员
❗ 这里千万提醒：别漏了时间维度！很多不良就是跟着换班、换批次走的，时间分层一卡，问题直接就冒出来了。
第三步：收集数据，按分层维度整理好。
第四步：对比不同层的数据，找差异出结论。
还是说回东莞那家注塑厂，后来按这个方法分层，第一步分四条生产线，你猜怎么着？四号线的不良率直接干到12%，另外三条线才2%不到。问题一下子就锁定了。
接着往下剥，四号线分早中晚三个班次，晚班不良率是早班的两倍。再分原料批次，同一批次原料，没差异。再分模具，哦，四号线半个月前刚换了新模具，新模具的脱模斜度比设计要求小了1度。
根因找到了！改完模具斜度之后，不良率直接降到1.8%，光返工成本一个月省十几万。就这么简单。
问：我工厂小，没自动化数据采集，能做分层法吗？
答：太能了。哪怕你用纸笔记，每天花十分钟分类记，都比把所有数据堆在一起强。质量控制（QC）七大手法本来就是上个世纪日本制造业总结出来给中小工厂用的，根本不是啥高大上的博士才能玩的工具，普通人学半小时就能上手，别被网上的噱头唬住。
分层法和QC七大手法其他工具怎么搭配？
分层法很少单独用，它是给其他工具铺路的。
你分层完整理好数据，接下来想找核心不良，直接把分层后的数据做成柏拉图，一下子就能看出哪类不良占比最高，该优先解决哪个。要是你想看不同层的不良分布，做个直方图，比你堆一堆数字清楚一百倍。
哦对，很多人做散点图找相关性，要是不分层，出来的相关性都是假的。之前有个电子厂找我，说他们怎么都找不到焊接温度和虚焊不良的相关性，所有数据放一起，完全没规律。后来按不同的焊锡丝供应商分层，哦，原来A供应商的焊锡，温度越高虚焊越少，B供应商的刚好反过来。不分层，你能发现这个？
不过话说回来，现在很多工厂搞六西格玛，搞数字化质量系统，开口就是大数据分析，张口就是AI质检，反倒把最基础的质量控制（QC）七大手法扔了。
我见过不少工厂，花几百万上了MES系统，质量模块里的不良数据还是混在一起统计，出来就一个总不良率，根本挖不出根因，钱直接打了水漂。你说心疼不？
真不是越贵的工具越好用。你分层都分不对，上啥系统都白搭，数据进去是垃圾，出来还是垃圾。
很多刚入行的QC，总想着学高大上的工具，看不起这些基础手法，结果真碰到问题，啥也解决不了。你要是刚入门，从分层法学起，把这个练熟了，再学QC七大手法的其他工具，你会发现一通百通。
真的，越基础，越重要。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：吃透分层法：从0到1用好质量控制（QC）七大手法 https://www.dachanpin.com/a/tg/67686.html
