QC 七大手法（旧七工具）

2 年之前

好奇的质量人

1 分钟

传统质量管理中最基础、最经典的一套问题分析工具
——含历史起源、发展背景与应用价值

QC 七大手法（Seven QC Tools）是质量管理领域最具代表性的基础工具集。由于易懂、易学、易用、效果明显，被称为「旧七工具」。它们在制造业、服务业、公共机构与行政流程中广泛应用，是品质工程师、制造主管、班组长、持续改善团队的必备技能。

一、历史起源：从休哈特、石川馨到日本质量革命

QC 七大手法的形成，与统计学的发展和日本战后质量管理体系的崛起息息相关。

1. 1930s：休哈特（Walter A. Shewhart）奠定统计质量控制基础

AT&T 的统计学家休哈特提出控制图（Control Chart）、可分为共因与特因的变差概念，成为日后 SPQC（Statistical Process Quality Control）的根基。
他强调「过程稳定」的重要性，为后续工具系统化铺路。

2. 1950s：戴明、朱兰将统计方法引入日本

二战后，日本急需提升工业竞争力。
戴明（W. Edwards Deming）与朱兰（Joseph Juran）应邀赴日讲授质量控制，使日本企业开始重新认识统计方法与流程改进。

3. 1960s–70s：石川馨（Kaoru Ishikawa）系统化整理成「QC 七大手法」

石川馨在推动 TQC（全面质量控制）的过程中，希望让一线人员也能用统计方法进行改善，因此将复杂方法化繁为简，最终归纳出七个最常用、最有效、最易学的工具：

检查表（Check Sheet）
层别（Stratification）
帕累托图（Pareto Chart）
因果图（Fishbone / Ishikawa Diagram）
散布图（Scatter Diagram）
控制图（Control Chart）
直方图（Histogram）

石川强调：

“质量改善不只是工程师的事，而是每位员工都能参与的活动。”
七大手法就是为了让所有人都能参与改善而设计的。

二、QC 七大手法的核心价值

为什么这些工具可以延续数十年仍然有效？

1. 降低门槛

不需要复杂数学、无需软件，一张纸、一支笔即可开始。

2. 快速找出问题重点

七个工具针对质量问题的不同侧面（分布、趋势、原因、优先顺序）进行分析，因此能够迅速锁定问题与改善方向。

3. 可视化，让问题变得清晰

复杂的数据透过图形化呈现，让现场员工、主管、工程师都能达成共识。

4. 适用于制造、服务、行政流程等所有行业

例如：

制造业：不良率、产线稳定性、工艺变差
服务业：顾客投诉、流程等待时间
医疗机构：感染率、治疗流程
学校单位：满意度调查、流程改善

三、QC 七大手法详解

1. 检查表（Check Sheet）

1.1 定义

检查表是一种用来有系统地收集与记录数据的表格工具。通过事先设计好的项目与格式，让不同人员在不同时间收集到的数据保持一致，方便后续统计与分析。

1.2 适用情境

记录制程不良的种类与次数
记录客户投诉项目
记录设备故障发生情况
作为后续绘制帕累托图、直方图等工具的原始数据来源

1.3 使用步骤

明确要收集什么数据（例如：不良类型、发生时间、机台、班别）。
设计好检查表格式，并统一使用的项目与符号。
在现场按事实记录，不随意估计或补填。
定期汇总检查表数据，进行统计与分析。

1.4 常见检查表类型

项目计数型：统计不同不良项目的次数。
位置记录型：记录不良发生的具体位置（如断点位置图）。
时间序列型：记录不良在不同时间段的发生频率。
核对清单型：用于审核流程或作业是否执行到位。

1.5 范例

日期	划伤	崩边	污染	其他
2025/01/01	3	1	0	1
2025/01/02	5	0	2	0

1.6 优点

简单易懂，现场人员容易上手。
收集速度快，适合日常管理与改善项目。
数据格式统一，便于后续统计与绘图。

2. 分层法（Stratification）

2.1 定义

分层法是指将收集到的「混合数据」按照不同特征或来源进行分类，分别统计和分析，以便找出差异与问题的真正来源。

2.2 为什么要分层？

如果不同机台、班别、材料来源的数据全部混在一起，只看到整体平均值，往往会掩盖真实问题。通过分层，可以发现：

某一班别特别差
某一台设备不良率特别高
某个供应商的料问题较多

2.3 常见分层维度（5M1E）

人（Man）：班别、操作员、熟练程度
机（Machine）：机台型号、编号、设备状况
料（Material）：供应商、批次、规格
法（Method）：作业方式、标准工艺条件
测（Measurement）：不同检验方法、不同检验员
环（Environment）：温度、湿度、班段环境等

2.4 示例

某制程整体不良率为 2%，分层后得到：

班别	不良率
白班	0.8%
夜班	3.2%

可以看出问题主要集中在夜班，后续可针对夜班的人、机、料、法、环进行更深入分析。

3. 帕累托图（Pareto Chart）

3.1 定义

帕累托图是一种条状图加累计百分比折线图的组合，根据「80/20 法则」找出对问题影响最大的少数关键项目，用于确定改善优先顺序。

3.2 使用步骤

利用检查表等方式收集各不良项目的次数。
按不良次数从大到小排序。
计算各项目占总数的百分比及累计百分比。
绘制柱状图（次数）与折线图（累计百分比）。
找出累计约 80% 的几个主要不良，作为改善重点。

3.3 示例数据

不良项目	次数
划伤	45
污点	25
崩边	15
混料	10

从表中可以看出，「划伤」与「污点」占比最高，应列为首要改善对象。

4. 因果图（鱼骨图 / Ishikawa Diagram）

4.1 定义

因果图是一种用来系统整理「造成问题的可能原因」的图形工具，因为外形类似鱼骨，也称为鱼骨图；由日本学者石川馨提出，又称 Ishikawa 图。

4.2 典型分类（6M）

Man（人）
Machine（机）
Material（料）
Method（法）
Measurement（测）
Environment（环）

4.3 使用步骤

在图的右侧写上要解决的问题（例如「成品表面刮伤率高」）。
画出主干和各大类「鱼骨」（如人、机、料、法、测、环）。
团队进行头脑风暴，把想到的原因写在相应鱼骨上。
对可能性大的原因再往下展开细分。
选出最可能的几个根本原因，作为后续验证与改善的焦点。

5. 散布图（Scatter Diagram）

5.1 定义

散布图是用坐标图的方式表示两个变量之间关系的图形，每一笔数据在图上对应一个点，用来判断变量之间是否存在相关性。

5.2 可观察关系

正相关：X 增加时，Y 也增加（点大致沿右上方向排列）。
负相关：X 增加时，Y 反而减少（点沿右下方向排列）。
无相关：点分散无明显趋势。
曲线关系：点呈弯曲形态，显示非线性相关。

5.3 示例说明

例如绘制「烘箱温度」与「不良率」的散布图，若温度越高、不良率越高，点分布呈右上倾斜，即表示两者具有正相关关系，可进一步设定合适的温度范围。

6. 直方图（Histogram）

6.1 定义

直方图是用连续条形表示数据分布情况的图表，可用来观察数据的中心位置、分散程度及分布形状，是了解过程特性的基础工具。

6.2 可以回答的问题

数据是否集中在某一范围？
分布是否接近正态？是否有偏态或双峰？
数据离散程度是否过大？
与规格上下限相比，是否有大量数据接近边缘？

6.3 常见判断要点

若分布偏一侧，可能表示过程中心偏移。
若出现双峰，可能是混合了两种不同条件（两台机台、两种材料等）。
若分布异常宽，表示变差较大，需要进一步改善。

7. 控制图（Control Chart / SPC）

7.1 定义

控制图是统计过程控制（SPC）的核心工具，用一条中心线与上下控制限来监视过程随时间的变化，判断过程是否处于统计控制状态。

7.2 目的与意义

区分「普通原因」与「特殊原因」的变差。
在问题扩大成不良品之前，及早发现异常。
避免对稳定过程进行不必要的调整，造成更大波动。

7.3 控制图的基本构成

中心线（CL）：代表过程平均水准。
上控制限（UCL）与下控制限（LCL）：依据统计方法计算。
数据点：依时间顺序绘制的样本统计量（如样本平均值、单值等）。

7.4 常见控制图类型

变量数据：

Xbar-R 图：用于样本量小（通常 n=2~5）的情形。
Xbar-S 图：用于样本量较大的情形。
I-MR 图：单件测量时使用。

属性数据：

p 图：不良品比例。
np 图：不良品数量。
c 图：单位中缺点数。
u 图：每单位平均缺点数。

7.5 常见异常判定规则

有点超出 UCL 或 LCL。
连续多点集中在中心线一侧（例如连续 7 点都在上侧）。
连续点呈明显上升或下降趋势。
点呈现周期性波动或异常集中在某一区域。

8. QC 七大手法的整体使用顺序示意

在实际改善专案中，QC 七大手法并非单独使用，而是互相搭配、形成一条完整的问题解决链：

检查表：收集现场数据。
分层法：按人、机、料、法、测、环等拆解数据。
帕累托图：找出最主要的不良项目或问题。
因果图：分析造成关键问题的可能原因。
散布图、直方图：验证原因与结果的关系、了解数据分布。
控制图：在改善后持续监控过程，维持成果。

熟练掌握这套「旧七工具」，就能为后续导入六西格玛、精益生产、8D 问题解决等更系统的方法打下坚实基础。

#多寶格