“品” 这个字很有趣。品茶是品，品酒是品，品评人物也是品。我这篇文章想特别谈谈品质。品质在大陆往往被称为质量，在香港有时被称为质素，而在台湾则被称为品质。无论在各行各业，质量都是一个非常重要的因素，甚至在一些企业里，都可以看到显著的横幅——质量是企业的生命。虽然大家都把质量管理当作口号一样在时刻呐喊，甚至政府的政策也强调 “中国制造 2025，质量先行”。

可是大多数人并不清楚质量不仅仅是一句口号，不仅仅是强调大家必须小心翼翼的将各自手头上的工作做好，事实上质量本身已经发展成为一套科学的方法，已经成为一门发展成熟的学科——质量管理工程。

在这些年来，经过美国、日本和其他国家的专家的努力和积累，特别是在第二次世界大战之后，质量管理工程已经形成了完整的体系，质量管理的手段和方法已经得到了长远的进步。品质的发展、改善和监控都是有方法可循的。丰田公司曾经占有很大的汽车市场份额，但也因为 “刹车门” 的质量事件而跌入谷底；

▲ 丰田刹车门：2009 年，丰田公司因刹车设计问题对旗下凯美瑞轿车进行召回，涉及车辆近 26 万辆。

三星公司也因为 “电池事件” 导致企业形象一落千丈，这些问题都可以归结到质量控制出现了问题。

▲ （图源：网易）三星电池门：2016 年，三星 Galaxy Note7 手机在全球范围内发生多起电池自燃爆炸事故，三星电子停产了该款手机并召回近 20 万台。

一个产品无论占有了多大的市场，销量如何领先，如果他的质量没有跟上的话，这个产品都将不能走远。现在很多国内的企业，都开始逐渐重视质量管理，希望能够跟国际接轨。

不可否认的是现在这些企业的质量管理都已经跟过去有了长远的进步，但是在激烈竞争的市场中，如果企业的产品仅仅只达到质量跟自己以往相比有所进步，还是不能足以保证产品能够出类拔萃。能够在市场上取得长远的成功，关键在于需要将品质和产品品味联系起来。

品味是品质更高的一个层面，随着消费者的需求越来越高，往往不仅仅局限于关注产品的品质，更加追求产品的品味。根据日本设计师水野雪的观点，品味是开始于知识，通过知识的积累，而形成的一种洞察力，是品质一个更高层次的体现。品质和品味都包含一个品字，并不能看成是两个分离的概念。尤其在竞争如此激烈的环境，我们国家能把很多产品的品质把控的很好，但是如果品质没有达到品味的高度，产品还是不能在竞争激烈的国际市场中大放光彩。

如何将品质提高到品味的高度，我们需要通过知识的累积，达到在产品中，强调创新，突出创意。

有人认为品质和创新是两个对立的概念，因为品质强调生产标准化，强调产品的一致性；而创新是强调思维需要打破教条的桎梏；一个强调内敛，严格遵守规矩，另一个是强调打破原有的规矩。文献中有学者认为两者互相违背，甚至有人直言质量的精神会影响创新。

其实这种观点有严重的误解，而质量改善的手法可以是创新的重要助力。我认为在讨论这些观点之前必须先对创新这个概念加以厘清。

创新可以分为两部分，即突破性的创新与渐进式的创新。这两个观点相辅相成，但其实还是有所区别。

现在大部分人认可的创新是突破性的创新，但是在企业的生产过程中，事实上每个时刻都会在生产过程、工序上做出改变和改善，这些改善往往不是完完全全推翻以往的经验，而是根据以前的生产经验逐渐进行完善和创新，我把这种完善和改进称之为渐进式的创新。事实上，根据研究人员在大企业中的调研，往往影响大企业是否成功的决定性因素是来自这些渐进式的创新。

一般人认为创新是来源于少数人拍脑袋想出的金点子或者只有聪明的人才能创新。恰恰相反，大多数创新是可以通过系统的学习及方法而得到的。

在突破性创新中，解决问题的方法我们称为创造性的解决问题，设计思维可以作为一个具有代表性的方法论。设计思维这个概念最早是由斯坦福大学的设计学院提出，是一个以人为本的解决问题的方法论。

设计思维并不是想培训所有人成为设计师，而是培养人们拥有作为设计师应该有的思维和解决问题的方法论。最初设计思维这门学科是开放给不同学院，包括 MBA、EMBA 的学生，但是最近斯坦福大学正在认真考虑将设计思维纳入所有本科学生的必修课中。

或许每一个人不一定有机会成为设计师，但是每个人都应该拥有设计师的思维，掌握系统的、有步骤的将创新融入解决问题中去。

设计思维大致分为五个步骤：

是谁在平静的学科湖里扔进了变革石块，
激活了各个学科地壳板块的相互冲撞，
激起了思想的波澜、技术的创新、产业的革命……
最终，引发了生活方式改变的海啸，遍布全球。
摧毁、吞噬与重建——成为这个时代学科发展的宿命，
似乎没有一个领域可以置身度外。

源于那次会面，香港科技大学与中国美术学院很快的合作开设了一门面向港科学生和美院学生的设计思维课程，并以科技邂逅艺术为主轴。通过两个礼拜在杭州的学习设计思维的方法论，两个礼拜在港科大实现原型的制作，制作原型的过程中会使用到 3D 打印的技术并且原型会在港科大的图书馆进行展示。这个课程成功展示了学生如何跨界的运用设计思维的方法为现实问题提供一系列具有原创性又实用的解决方案。

同样的，渐进式创新也是有方法可循的。例如质量手法中六西格玛（Six Sigma）方法论的统计思维，即是通过系统的收集历史数据，量化的对生产过程进行渐进式的改善。

一般统计思维可以分为 DMAIC 五个步骤：

• 定义（Define）

• 测量（Measure）

• 分析（Analyze）

• 改善（Improve）

• 控制（Control）

第一步是定义问题，找出对客户最重要的维度。

第二步是测量、收集数据，既包括主动去测量的数据也包括使用者反馈的数据。

第三步是建立恰当的统计模型来分析收集的数据。

第四步是通过模型的分析结果来对相应的维度进行改善。

最后一步是对整个过程进行质量控制，主要的方法可以使用统计控制图监控整个生产过程。

经过近半个世纪的学术积累，整个统计思维的流程已经非常的完善。无论是制造业或服务业，都有大量的成功案例利用统计思维帮助企业来改善他们的生产流程或是创新产品（其中也包括我这些年来协助企业的案例及科研成果）。

从前文中可以看到，无论是制造还是服务，质量与创新都与数据和统计紧密相关。而随着大数据越来越被大家关注，数据采集方法、数据量都有很大的发展，因此质量和大数据也是紧密相关的。下面我借用宾州大学知名的Dennis Lin教授提到过的一个例子显示数据与我们到底有多么紧密相关：这是一封质量大数据情书。信中写道：  

这封情书就是一个现实生活中利用数据的范例，如果情书通篇只谈我有多么爱你，往往是一封空洞的书信。但是如果在情书中加入量化的数据，能够大大增加情书的说服力。但是光靠罗列数字就能称之为大数据吗？虽然他们的通信总数是121封，但或许他们通信的数量是随着时间的增长而逐渐减少的，约会的间隔是逐渐增长的。通过具体图表的形式，我们才可以直观的看到数字所不能呈现的内容。上述的例子说明了现在的大数据环境下，光靠罗列数字是不够的，还需要辅以其他图表、分析，才能真正让大数据“说话”。 

一般而言，我们可以把质量数据分析划分为六个层次：

① 第一个阶段是只依靠经验，不考虑数据。

很多发展还不错的中小企业实际上并不依赖数据，主要依靠人员的经验来处理生产中遇到的各种问题。这些中小企业往往很难扩大他们的市场，尤其是一旦资深员工退休或者辞职后，企业的质量往往出现大幅度的回撤。

② 第二个阶段是单看数字。

正如之前讨论到的情书例子，单看数字并不能够看清楚事情的本质，而如果解释数字不恰当的话，数字往往还会误导管理人员。

③ 第三个阶段是开始整合数据，使用图表来解释数据。

相比于数字，大部分人对图形更加敏感，如果使用合适的图表来解释数据的话，通常更能解释问题的本质。大部分企业能做到第三个阶段就已经很不错了，但更进一步的是第四个阶段。

④ 第四个阶段是加入统计调查的数据，采用描述性的统计量来刻画数据。

一个具体的例子是在工厂中主动去调查测量生产线中的良品率、停机率、产出比例等数据，这些数据只是用来描述生产过程的好与坏。

⑤ 第五个阶段是通过具体取样数据

例如如果遇到了若干个不良品，我们主动去测量不良品中的具体质量和特性，而不是通过计数的方式统计良品率，这样采样得到的数据相比于做加法的统计调查数据包含更多的信息量。

⑥ 第六个阶段是利用统计推断，使用置信区间等统计方法来量化质量的好坏。

通过统计预测的方法来实现质量的控制和预防不良品的出现等。大部分企业还没有到达第六阶段的层次。

在以前的生产中，研究人员最困扰的问题往往是缺乏数据。但随着传感器、收集数据方法的进步，现在在企业生产中，大量的测量数据自动的被计算机记录下来，形成了质量大数据。利用质量大数据，我们可以将第六个阶段进一步拓展，即利用实时的数据，持续的使用描述性统计量或可视化工具来展示生产过程中所遇到的各种质量问题。目前有一些高端制造企业已经能够做到实时的采集数据并在显示器上可视化。相比以前离线的采集数据并累计一段时间后才分析数据，目前这些企业已经有了不小的进步。但最好的层面是第八个阶段，即利用实时收集的数据进行统计建模，使用统计推理和预测来帮助企业的决策与质量管理。 

▲ 在传感器实时监控下的现代工业生产

随着质量大数据的提出，学术界也在质量大数据中提出新的方法和工具。早期研究人员只能每个小时甚至每天去生产线上测量数据，计算均值和标准差，构建控制图来监控生产流程。但是在大数据时代，研究人员如何依靠自动收集、实时的数据（也称为数据流），提出合适的方法和工具来运用数据监控生产过程，已经逐渐成为研究的热点。另一个与质量大数据有关的研究方向是可靠性和可维护性。在传统数据的背景下，对于一个产品，它的保修期的长短和具体什么时候需要进行保养检测，相关的模型和方法已经十分成熟了。但是在质量大数据的环境下，如何依靠实时的数据来提升产品的可靠性成为了研究挑战。  

一个具体的例子是：通用电气公司历史上是把飞机引擎作为企业产品卖给波音公司，但是最近通用电气公司将飞机引擎租给波音公司。在这些引擎上，通用电气设计并安装了很多传感器实时的将引擎工作状况发送到企业总部，通用电气通过这些大数据来准确并实时的为波音公司提供售后和保养服务。这个例子有点类似于疾病的预防。以前的人往往是等到身体出现了异常，才会去医院挂号看病（类似坏机送厂维修）。现在许多人在身体没有异常的情况下，也会定期体检，确保健康（类似对机器定期保养维护）。再进一步，因为穿戴装置的进步与流行，腕上的运动手环会借助实时健康数据的测量、监控、分析，期望做到提前感知身体的健康变化，从而避免疾病的发展与恶化。通用电气也是希望通过质量大数据的应用，提前感知到飞机引擎的工作状态，从而避免飞机引擎出现故障。  

▲ 通用公司喷气引擎测试场

(图源：businessinsider）