质量大数据:
数据统计分析是企业质量管理工作的基础,例如传统上对产品缺陷的数据统计,就有助于反馈给生产过程,调整过程参数,提高过程质量。但随着信息化的提高,越来越多类型和领域的数据被视为质量管理的数据源:机器运行状态、生产工艺技术、工序关键参数、原材料的质量状况、工人操作记录、温度和湿度、计算机视觉下产成品的表面缺陷、智能客服反馈的问题、销售终端对质量缺陷的人工汇总......这些信息都是企业质量控制的宝贵财富。
可是这些数据来源广泛,既有结构化数据、也有非结构化数据;可能是设备的日志信息,也可能是传感器数据、也可能是供应商的通讯电文......数据的多样化和复杂化,在连续采集、高速存储、有效整合、实时分析、多维度呈现等各方面,都不是简单的数据统计分析所能解决。
质量管理大数据,能否将企业的质量管理工作覆盖面延伸得更广泛?能否通过大数据分析,产生更有价值的质量诊断依据?又能否预警更为潜在的质量隐患呢?
大数据质量:
大数据的质量管理(Data Quality Management),关注的是数据本身的质量问题。数据质量的高低,影响着数据分析的效用,影响着数据价值的发挥。
如同其它领域的质量管理工作一样,大数据质量也应纳入PDCA循环,通过计划-执行-检查-处理4个步骤:识别数据质量问题,订立数据质量测量指标,制定数据质量管理流程,监控与评估数据的生产过程,评估和改进数据工作流。
大数据的质量管理不仅是去理清混乱的数据分类,不仅是整合不同结构的数据,也不仅是打通不同的数据孤岛,而是利用持续改进的思维模式,通过流程化管理,将数据的收集、处理、分析、整合进行过程控制,以便让大数据最终能符合(质量)目标,发挥最大的业务价值。
所以,最为关键,也是最为基础的一点是,企业需要树立“大数据质量观”。
领取专属 10元无门槛券
私享最新 技术干货