以ERP、MES、SPC等系統為代表的現代IT技術的應用為企業的生產、質量及運營管理帶來了巨大的幫助，不僅如此，這些系統在運行的過程中，還為企業積累了另外一種寶貴的財富：數據。在大數據應用日益廣泛的今天，企業如何才能夠充分挖掘出數據中隱含著的重要信息，幫助企業全面提高產品、服務乃至管理等各個維度的質量水平?
著名精細化管理咨詢品牌微邁咨詢在對大量企業進行調研的過程中發現，很多人認為數據的采集、存儲、獲取、分析和展現的各個環節是個IT問題：數據的采集可以由測量儀器配合計算機軟件實現，Oracle、SQL Server等專業的數據庫能為我們提供足夠強大的數據存儲能力，而且我們可以通過接口程序非常方便地從海量數據中獲取到我們所需的信息，統計分析軟件能夠幫助我們分析數據、建立模型以及用很實用的圖標展現分析的結果。
然而，為何諸多IT系統早已相當完善的企業都未能從質量大數據技術中得到幫助?
就數據采集而言，哪些數據才是真正需要搜集和存儲的?產品良率的數據我們要不要搜集?壓力、溫度、天氣、時間等等諸如此類的變量，哪些是我們需要搜集的?我們是應該用產品合格/不合格來作為產品質量評價的標準，還是應該有更好的衡量方式?對于需要采集的數據，采用何種方式才能有效地減小誤差和避免錯誤……
就數據的獲取和整理而言，我們應該拿哪些數據來分析才能有助于解決實際的具體問題?我們的數據中往往不可避免地存在缺失值，異常值或者離群值，我們如何才能識別數據總體特別是這些特殊的值的真實性，如何正確地進行填補、修正或者剔出已備后續的數據分析?
重頭戲還在于數據分析。當我們第一次對某數據進行分析，對數據沒有任何先前的經驗的時候，我們應該用那種分析方法才能最有效地發現數據中的秘密?假設檢驗、方差分析、簡單/廣義線性模型，聚類分析……這么多的分析方法，我們如何根據具體的情況作出正確的選擇，如何在Lack of fit和Over-fitting中找到最佳的平衡點?如何將工程問題轉換為數據分析問題，又如何將數據分析結果還原到實際的工程應用環境中去?不同的分析結果到底用那種方式展現才能最有助于別人理解我們從分析中獲得的發現?
很明顯，如此種種，都遠遠超出了IT系統問題的范疇。大數據的應用領域可以是我們生產生活的方方面面，但就質量管理而言，雖然統計質量管理在美國早已是成熟的質量改進方法，越是在對工藝流程要求精密的行業，對數據搜集和分析的要求就越高，但就微邁咨詢的研究來看，質量大數據的內涵更加廣泛，方法論也更加多樣，能為企業帶來的價值也要大得多。
“質量大數據”可以說是一個集量化決策思想、行業質量管理經驗、合理的工業數據采集計劃、專業的工業數據分析(包括但不限于統計)方法組成的解決方案! 中國的質量管理由于沒有經歷過正真的統計質量管理階段，如果能在企業管理精細化的過程中靈活運用“質量大數據”和“量化決策”的思想和方法論，往往能起到事半功倍的效果。
概括而言，質量大數據需要根據每個行的自身的特點，制定有針對性的數據收集計劃，包括指標制定、變量選取、數據結構設計，樣本量及功效評價，實驗結構設計等等;我們需要借助現代IT技術抽取、清洗和整理對解決我們的問題有幫助的數據，有時我們還需要將售后服務、保修乃至客戶滿意度的數據與研發或生產數據進行整合以便評價我們將要進行的實際改進工作對售后以及客戶的影響;在此基礎上，我們可以對數據進行探索，從中找到對提升質量、產品設計或客戶忠誠度有重要意義的線索，探索性數據分析能幫助我們很好地完成這一工作;關鍵質量指標的重要影響因素往往需要在我們在對質量數據進行反復錘煉和分析后才能被鎖定，接下來可以指引我們制定可行的質量改善方案比對質量水平進行預測……“數據有時候會說謊”，我們還必須加以甄別。
如果把質量數據(包括研發、生產、售后、可靠性、客戶滿意度等)比作金砂，IT系統可以看成是一個有整理功能的容器，但我們還需要有如何能夠高效地淘出金子的理念和方法。
京公網安備 11010502049343號