学习总结——交检合格率看板

一、明确分析目标与业务痛点

在本次数据分析项目中，我围绕“交检合格率”这一核心质量指标，设计并制作了综合质量分析看板。

业务背景：在生产过程中，交检合格率是衡量产品质量水平的关键指标，但以往的数据报表仅展示单一的合格率数值，缺乏多维度的下钻分析能力，管理层无法快速定位导致合格率偏低的根本原因，也难以区分是人员、设备、物料还是环境因素在起作用。

核心目标：

• 实时监控整体交检合格率及最终合格率，快速识别“送检合格率”与“最终合格率”之间的差距（反映返修情况）；

• 从产品维度下钻到工序维度，再下钻到人员维度，逐层定位质量问题的责任环节；

• 结合补领料数据，分析物料不良对合格率的影响；

• 引入同比分析和环境因素假设，推动系统性质量改善。

二、梳理分析思路与框架

遵循“总览→拆解→关联→行动”的逻辑，本次看板共分为两个部分协同分析：

第一部分——合格率总览与逐层下钻：

1. 总览层：展示送检数量、一次合格率、送检合格率、最终合格率、补领数量、超领率等核心KPI，快速判断整体质量水平。

2. 对比层：通过“送检合格率”与“最终合格率”的偏差，判断是否存在大量返修。偏差越大，说明返修越频繁。

3. 下钻层（产品→工序）：当发现合格率异常时，首先按产品维度拆解，定位到具体产品；再下钻到该产品的工序维度，锁定问题工序。

4. 下钻层（工序→人员）：对问题工序继续向下钻取到人员维度，分析具体操作人员的影响。

5. 同比分析：对比2022年与2023年同月份合格率变化趋势，识别是否为周期性规律。

第二部分——补领料原因分析：

1. 趋势层：展示月度补领数量与超领率的变化趋势，识别异常月份。

2. 结构层：按产品/物料统计补领数量及超领率，定位补料集中的产品。

3. 明细层：提供补领料明细汇总表，支持追溯具体补领原因（如“栓头与钢套不匹配”）。

三、数据获取与处理

• 数据源：从MES系统和ERP系统分别导出“交检记录表”和“补领料记录表”，两表通过“日期”字段进行关联。

• 数据清洗：剔除检验数量为0的无效记录，统一日期格式，过滤重复数据。

• 数据加工：

  • 新增计算最终合格率字段，用于反映经过返修处理后的最终质量水平；

  • 计算“送检合格率”与“最终合格率”的差值，作为返修强度的量化指标；

  • 新增“超领率 = 补领数量 / 标准领用量”；

  • 对产品、工序、人员等维度字段进行标准化编码，确保下钻联动准确。

• 数据表结构：将交检事实表与补领料事实表通过日期关联，分别关联产品维度表、工序维度表、人员维度表，支持多维度联动分析。

四、设计分析维度与可视化图表

 

 

分析维度	图表类型	作用
核心KPI（送检数量、一次合格率、送检合格率、最终合格率、补领数量、超领率）	指标卡	一目了然掌握整体质量概况
时间趋势（补领数量与超领率）	组合图（柱形+折线图）	观察补领量和超领率随月份的变化趋势
同比分析（2022 vs 2023月合格率）	柱形图分组对比	识别合格率是否在特定月份出现周期性下降
产品合格率排名	柱形图	对比不同产品的合格率，定位表现较差的产品
产品→工序下钻	柱形图/表格	对问题产品下钻到工序层级，精准定位不良环节
工序→人员下钻	柱形图/表格	对问题工序继续下钻到人员维度，分析个体差异
补领量和超领率对比	组合图（折线+柱形图）	对比超领率和实际补领的数量，分析二者对过程合格率的影响
补领料产品/物料分布	柱形图	识别补领料集中的产品及物料类型
超领率钻取	明细表格	查看各产品的超领率明细
补领料明细汇总	明细表	提供补领原因的具体描述，支持根因追溯
分析结论	文本框	将分析结论固化在看板左下角，便于阅读者理解

 

五、核心分析结论与业务洞察

通过看板的逐层下钻与多页联动分析，得出以下关键结论：

1. 第一层发现：合格率偏差揭示返修问题

• 观察第一页顶部指标卡：2023年10月最终合格率为99.32%，但一次送检合格率仅为94.24%，低于95%的目标值，更低于平均值，两者偏差高达5个百分点，说明该月份存在大量返修作业。

2. 第二层下钻（产品→工序）：定位问题工序

• 通过产品维度筛选，锁定合格率偏低的产品类型，进一步下钻到工序维度，发现ASD类产品的“定型”工序是合格率下降的关键环节。

3. 第三层下钻（工序→人员）：排除人员因素

• 将“定型”工序继续下钻到人员维度，发现负责该工序的两位员工合格率显著偏低。

• 但进一步交叉验证发现，这两名员工在其他产品的同类型工序中合格率正常，初步排除人员技能水平为主要原因。

4. 补领料分析：锁定物料不良

• 继续下拉到领料看板，通过产品过滤，定位2023年10月份封堵器产品维度，发现该产品产生了10次“栓头与钢套不匹配”的补领记录。

• 此问题源于生产半成品时，型号或切割工艺不良，导致需要重新制作半成品并进行返工，从而拉低了最终合格率。

5. 同比分析：发现周期性规律，引出环境因素假设

• 观察第一部分同比组件，发现2022年1月与2023年1月、2022年10月与2023年10月，合格率均出现同步下降。

• 结合人员维度分析，两个时间段的人员配置没有变化，说明人员的工艺水平保持稳定。

• 查看第二部分补领料趋势组件，1月和10月的补领量和超领率并不高，说明物料因素不足以完全解释该周期性下降（成品与半成品）。

• 结合“定型”工序的特殊工艺要求，提出环境因素（如温湿度、洁净度等）可能共同影响合格率的假设，需后续通过汇总现场环境数据进行进一步验证。

六、看板交互与动态设计

• 添加年月筛选器，支持按任意时间段查看合格率与补领料数据；

• 设置产品→工序→人员的逐级联动筛选，点击任一产品可同步更新工序和人员维度的图表；

• 设置低合格率预警，以醒目的图标和颜色标记低合格率数据，增加柱形图动态预警效果；

• 通过日期关联实现第一部分（合格率）与第二部分（补领料）的数据联动，确保分析口径一致；

• 在左下角使用文本框组件固化分析结论，便于汇报时直接展示洞察；

• 制作超领率钻取功能，点击产品可查看其超领率明细。

七、总结与心得

通过本次交检合格率看板的制作，我的收获主要有：

1. 思维转变：从单纯统计合格率数值，升级为通过“送检合格率”与“最终合格率”的偏差量化返修强度，并逐层下钻定位根因。数据分析不再是被动展示，而是主动探查。

2. 工具技能提升：熟练掌握了FineBI中的联动筛选、下钻交互、同比分析、组合图制作等高级功能，特别是跨数据集关联（合格率数据与补领料数据通过日期联动）的实现，大大提升了看板的分析深度。

3. 多维度归因分析能力：本次分析实践了“人员→物料→环境”的逐步排除法——先通过下钻排除人员因素，再通过补领料分析定位物料不良，最后通过同比趋势引出环境因素假设，形成了完整的归因链条。

4. 最大感悟：数据分析的价值不在于图表有多漂亮，而在于能否回答“为什么”。在看板中嵌入分析结论文本框，将“发现异常→逐层定位→排除干扰→提出假设”的思考过程固化下来，才是看板真正赋能业务决策的关键。

5. 改进方向：后续可接入车间环境监测数据（温湿度、洁净度、设备运行参数等），验证环境因素对“定型”工序合格率的影响假设，进一步完善归因模型；同时可将分析结论自动推送至质量部门，实现异常预警与闭环管理。