在质量管理、六西格玛和持续改善工作中，有些工具看起来很基础，却往往是现场解决问题时最实用的一批方法。QC七大手法就是其中最典型的代表。
本期优思学院微课堂将系统介绍QC七大手法，并通过一个完整的「烤面包机缺陷改善」案例，把七种工具串联起来，让大家看到它们并不是彼此独立的七张图表，而是可以沿着问题解决过程一步一步使用。
视频适合正在学习质量管理、准备六西格玛绿带或黑带认证，以及希望提升实际问题解决能力的工程师和管理人员观看。
什么是QC七大手法？
QC七大手法是质量管理中一组非常经典的基础工具。本期视频介绍的七种工具包括：
流程图（Flowchart） （中国、日本通常以层别法替代，欧美则通常用流程图列作七大基本手法）
检查表（Check Sheet）
帕累托图（Pareto Chart）
因果图／鱼骨图（Cause and Effect Diagram）
散点图（Scatter Plot）
直方图（Histogram）
控制图（Control Chart）
石川馨曾强调，大量质量问题都可以利用这些基本工具进行分析和解决。
真正值得学习的地方，并不是单独记住每一种工具怎么画，而是理解：
面对一个实际质量问题时，什么时候应该使用哪一种工具？前一个工具得出的信息，怎样成为下一个工具的输入？
这也是本期视频讲解的重点。
从流程图开始：先弄清楚过程到底怎样运作
面对一个质量问题，很多人第一反应是马上寻找原因。
但在真正开始分析之前，更重要的一件事，是先确认过程到底是怎样运行的。
流程图可以把复杂的工作过程以可视化方式呈现出来，包括任务、信息、物料、人员和决策的流动。
实际工作中，经常会出现几种不同版本的「流程」：
管理层认为流程是怎样运行的；
程序文件规定流程应该怎样运行；
生产现场实际上怎样操作；
以及经过改善以后，流程本来可以怎样运行。
利用流程图，团队可以把这些不同理解放到同一个画面中，建立对实际流程的共同认识。
视频中的改善案例以一台烤面包机为例，首先定义流程边界，从「收到工单」开始，到「完成工单」结束，再由团队把整个过程中的活动逐一列出并整理成合理顺序。
这个阶段与PDCA中的「Plan」，以及DMAIC中的「Define」有很强的对应关系。
检查表：没有数据，就很难真正改善
流程确定以后，下一步就是收集数据。
案例中的改善目标，是把烤面包机的缺陷减少25%。
团队知道大量缺陷出现在最终测试阶段，于是开始利用检查表收集不同缺陷类型的数据。
检查表看起来非常简单，但视频特别提醒了一个经常被忽略的问题：
收集数据时，不应该只记录数字，还需要记录必要的元数据。
例如：
谁收集的数据？
什么时候收集？
在哪里收集？
这些信息会直接影响数据的完整性、准确性以及后续分析的可信程度。
案例中，团队定义了八类需要关注的缺陷，并连续收集一周数据，最终记录到145个缺陷。
有了数据以后，真正的问题变成了：
这么多缺陷，到底应该先解决哪一个？
帕累托图：找到真正值得优先处理的问题
如果同时尝试解决所有问题，改善项目往往会失去重点。
这时就需要帕累托图。
帕累托图背后的核心思想，是大家熟悉的「80/20原则」。在质量管理中，它帮助团队从大量问题中区分出「关键的少数」与相对次要的问题。
视频把前面检查表收集到的缺陷数据转换成帕累托图后发现：
控制PCB相关问题大约占全部缺陷的40%。
这立即帮助团队确定了改善重点。
帕累托图解决的是：
「我们应该优先解决什么？」
但它还没有回答：
「为什么PCB会发生故障？」
于是问题进入下一阶段。
因果图：系统寻找潜在根因
因果图又叫鱼骨图、石川图，是QC七大手法中非常经典的根因分析工具。
使用因果图时，先把需要分析的结果放在鱼头位置，再系统列出可能造成这个结果的各种原因。
视频以PCB故障作为分析对象，并利用类似8M的分类方式展开潜在原因。
这里有一个很重要的观念：
鱼骨图真正的价值并不是把一条「鱼」画出来，而是迫使团队从不同角度思考问题。
这也是为什么因果分析通常需要跨部门参与。
运营、工程、质量、研发、维修等人员对过程的理解不同，把这些专业视角结合起来，才能更全面地识别可能的失效模式。
流程图、头脑风暴以及五问法，也可以与鱼骨图配合使用。
其中，五问法可以帮助团队从表面的故障现象继续往下追问，逐步接近更深层的潜在原因。
散点图：湿度真的与PCB缺陷有关吗？
在鱼骨图分析过程中，工程师发现了一个值得进一步研究的线索：
装配环境中的高湿度，可能与PCB故障有关。
检查表的数据也出现了一个有趣现象。
星期日、星期一和星期二的缺陷较少，而星期二晚上出现暴雨以后，星期三到星期五的缺陷数量明显增加。
于是团队提出一个假设：
相对湿度上升，会不会导致PCB缺陷增加？
这时就可以使用散点图。
散点图把两组配对数据放在同一个坐标系中。在这个案例里：
X轴代表相对湿度；
Y轴代表PCB缺陷数量。
从图形上可以观察两个变量是否存在某种关系。
不过视频也特别强调一个统计分析中非常重要的原则：
相关不等于因果。
即使散点图显示两个变量之间存在明显相关，也不能单凭相关关系证明湿度一定导致PCB故障。
因此，视频进一步提出，可以通过DOE实验设计等方法验证真正的因果关系。
如果实验确认湿度确实影响缺陷，就可以进一步根据散点图分析，为环境湿度设定合理控制目标。
相关系数：把「看起来有关」进一步量化
除了观察散点图形状，还可以利用皮尔逊相关系数来量化两个变量之间关系的方向和强弱。
相关系数介于-1与+1之间。
越接近+1，代表越强的正相关；
越接近-1，代表越强的负相关；
越接近0，代表两个变量之间的线性相关程度越弱。
这让质量人员不再只是凭视觉判断「好像有关系」，而能够用数字描述变量之间的相关程度。
直方图：理解过程的分布与变异
确认湿度可能是关键影响因素以后，团队进一步取得过去六个月的环境相对湿度数据，希望了解工厂湿度到底是怎样变化的。
这时可以使用直方图。
直方图适合展示连续数据出现的频率，并帮助我们理解数据的整体分布形态。
过程数据可能呈现不同模式，例如偏态分布、双峰分布或其他形态。
这些形态本身就可能透露过程的重要信息。
视频也进一步说明，当规格限与直方图结合起来以后，就会逐渐进入过程能力分析的概念，例如进一步研究过程输出是否有能力持续满足规格要求。
控制图：改善完成以后，还要确认效果能不能维持
找到了关键原因，也实施了改善，并不代表项目已经结束。
质量改善还有一个很重要的问题：
改善后的状态能不能长期维持？
这就是控制图发挥作用的时候。
控制图可以帮助我们判断过程是否处于统计受控状态，也就是过程是否主要受到普通原因变异影响，还是出现了值得调查的特殊原因。
在视频案例中，一开始湿度尚未受到控制，缺陷数据波动较大，控制限也比较宽。
从第9天开始控制相对湿度以后，缺陷数量明显下降，并在之后二十多天保持在较低水平。
原本平均每天大约有8个相关缺陷，改善以后下降到大约每天3个。
从整个烤面包机过程来看，团队也成功实现了原定的缺陷降低目标。
控制图因此成为项目后期非常重要的工具，它帮助团队确认改善措施是否真正产生效果，并持续监控过程，避免问题再次发生。
QC七大手法真正强大的地方：把工具连接起来
如果只是分别学习QC七大手法，很容易把它们理解成七种独立的质量工具。
但从这个案例可以看到，它们其实能够形成一条非常自然的问题解决路径：
流程图帮助我们认识过程；
检查表帮助我们取得数据；
帕累托图帮助我们找到重点问题；
因果图帮助我们寻找潜在根因；
散点图帮助我们研究变量之间的关系；
直方图帮助我们理解过程分布与变异；
控制图帮助我们持续监控改善后的过程。
从发现问题、收集数据、分析原因，到验证改善和维持成果，这七种工具可以贯穿PDCA和DMAIC的多个阶段。
对于质量工程师来说，真正重要的并不是会不会画一张鱼骨图或帕累托图，而是面对实际问题时，知道下一步需要什么信息，又应该选择什么工具取得这些信息。
这也是QC七大手法长期以来仍然具有价值的原因。
如果你正在学习六西格玛绿带、六西格玛黑带，或者希望系统提升质量管理与问题解决能力，这七种工具都是非常值得熟练掌握的基础方法。
