不良品统计报表怎么生成，产品、工序、供应商如何多维分析

作者：轻流发布时间：2026年09月28日 15:42 预计阅读时间：约 13 分钟

一张不良品统计报表，如果只罗列“时间、数量、批次”，那它只回答了一个问题——有多少产品报废了。但管理者的真正需求是：哪个工序最容易出问题？同一个供应商供应的不同批次，不良率波动有多大？某款产品的质检不合格项，是集中在尺寸偏差还是材质裂纹？这些问题指向的不是一张表，而是一套可穿透、可追溯的多维分析机制。

许多制造企业在统计不良品时，依赖的是质检员在纸质单据上手写记录、Excel汇总，或者供应商提供的质量报告截图。数据不是没有，而是分散在不同岗位、不同系统和不同时间点里。月末质量复盘时，生产部说工艺参数波动，采购部说这批原材料来料就有问题，质检部只能拿出一张“合格率95%”的总表——谁也无法形成结论，更谈不上用数据指导下一个批次的改善。

不良品统计报表的生成，核心是单据规则的统一

生成一张可用的不良品统计报表，前提不是选报表工具，而是先定义“一张不良品记录单应该包含哪些字段”。生产过程中记录的来源可以是质检工单、生产报工环节的检验项、来料检验的单据，甚至售后退回的产品鉴定单。问题在于：不同环节用不同格式记录，比如“不合格”在一张表里写成“NG”，在另一张表里写成“Fail”，再叠加不同的人填写时跳过关键字段——这样汇总出来的报表，每行数据之间的可比性已经打了折扣。

正确的做法是先统一数据采集层。使用具备数据引擎能力的平台，在一张不良品记录表单里固化以下字段：产品编码、工序名称、供应商名称、质检时间、不良数量、不良类型（尺寸超差／外观划伤／材质开裂等）、责任判定（来料／制程／设计）、处理方式（返工／报废／让步接收）。只有每个字段的填写规则前置统一，后续生成的统计报表才能支撑交叉分析。

在实际操作中，这张表单可以连接到已有的质检流程。比如质检员在手机或平板上扫码后，系统自动带出该批次的产品和工序信息，质检员只需选择不良类型、输入数量即可。数据写入后，报表引擎按日、按周、按月自动聚合，生成不同维度的统计视图。

产品维度的分析：识别高频缺陷项与批次特征

产品维度的分析，要回答的是“哪个型号的产品不良率最高？哪个缺陷项最集中？”举例来说，一个电子元器件供应商同时供货两种规格的电阻，某个月报表显示A规格不良率3.2%，B规格不良率0.8%。仅看总数的话，可能认为是A规格本身设计复杂导致。但进一步按不良类型展开，发现A规格的“引脚氧化”这一项占到全部不良的78%，而B规格几乎不出现这个问题。这个信号指向的就不是产品设计，而是原材料防护或来料批次管理。

产品维度分析的关键在于统计报表的字段颗粒度。如果表单里没有“不良类型”和“产品批次号”，那么所有分析都只能停留在“产品型号”层面。引入批次号后，还可以追溯同一型号不同生产批次的波动。例如某月在第三周出现了一次不良率跳升，结合批次号可以定位到当天某台设备是否发生过异常，或者是同一批来料的库存混入了不同供应商的货物。

对于多品类生产的工厂，可以设置一个产品不良率趋势看板，每天自动更新。当某个产品连续三天的单日不良率超过1.5%时，系统发出预警，要求质检主管重新确认当日的检验记录和工艺参数。借助自动化引擎中的规则，可以设置异常通知给生产组长和工艺工程师，把事后复盘提前到事中响应。

工序维度的分析：从制程能力到防呆改善

工序维度分析帮助管理者判断“哪个加工环节最容易产生不良”。在机械加工行业，这个分析逻辑是直截了当的：如果所有不良品的“责任工序”分布显示，焊接工序贡献了62%的不良，而焊接工序内部又有7个子步骤，那么下一步就是把焊接工单中的检验结果按子步骤拆解。例如，焊接电流参数不合格导致的不良，与夹具定位偏移导致的不良，处理方法完全不同。

工序分析在实际落地时，需要质检表单支持“多层级工序”的记录方式。例如在表单引擎中设计一个工序分段记录结构，第一级选择“焊接车间”，第二级选择“点焊工位”，第三级填写具体不合格描述。这样报表引擎可以直接按工位聚合不良数量，而不是只按“焊接”这样的大类汇总。

还有一个容易被忽视的价值：工序维度分析可以与工艺巡检记录联动。如果某一工序的不良率在某个班次后突然上升，可以调取该班次的设备点检记录、人员排班表、当批的工艺参数报表，交叉判断是设备故障、人员操作不当还是工艺规范执行不到位。这个联动不能靠人工翻Excel完成，需要通过数据引擎将不同表单之间的数据关联起来，比如工序不良记录表与设备维修工单表共享工位编码字段。

供应商维度的分析：绩效评价的起点

供应商维度分析，是供应链管理中评价供应商绩效的核心输入。但很多企业目前的做法是手工统计每个供应商的来料不良率，然后按季度打分。这种做法的缺陷在于：第一，来料检验的结果不能代表供应商的全貌，因为有些缺陷在使用过程中才会暴露；第二，分数缺乏穿透性，无法判断某个供应商的“不良集中爆发”是某个批次还是长期问题。

更合理的做法是在来料检验流程中建立供应商质量记录，每一批来料检验后记录供应商编码、物料编码、检验结果、不良描述。然后通过报表分析，生成三个关键指标：月度来料不良率、连续三个月不良率变化趋势、主要不良类型分布。如果一个供应商连续两个月不良率上升，且集中在“尺寸超差”这一项上，说明该供应商的模具或加工设备可能出了系统性偏差，需要采购部门联系供应商整改。

供应商维度分析的另一个实用场景是新品导入。新供应商的首批来料，即使通过检验，也要在前三个批次的生产中持续跟踪工序不良情况。如果某批次来料在制程中引发的不良比例高于供应商承诺值，系统可以自动将这家供应商的“质量信用分”下调。这个逻辑可以用流程引擎中的分支条件来实现，比如在质检流程中判断“该供应商最近三个月历史不良率是否超过阈值”，超过则触发人工加严检验。

多维分析与三表交叉看板的搭建

单独看产品、工序、供应商的维度各有价值，但真正服务于决策的场景是三者的交叉分析。例如：同一款产品，由不同的工序加工、再使用不同供应商的原材料，最终的不良率表现如何？

这种交叉分析通常需要在报表引擎中设计一个多维看板，左侧横轴列出产品编码，右侧纵轴列出来料供应商，中间单元格显示该组合下的工序不良类型分布。管理者一眼就能看出：使用A供应商的原材料，在工序2中产生的不良集中在“划伤”；而B供应商的原材料，不良集中在“尺寸偏移”。这个判断可以直接指导工艺部门调整和采购部门的供应商策略。

在搭建这类看板时，一个容易被忽视的准备工作是数据关联逻辑的统一。如果产品的字段在质检表单里叫“产品编号”，而在生产工单表里叫“物料编号”，在供应商台账里叫“物料代码”，那么跨表关联时就无法自动匹配。需要先通过数据引擎建立主数据一致映射，比如将“产品编号”作为全局唯一标识，其他表单引用这个字段。这一步如果基础数据没有清洗到位，多维分析的系统搭建就会卡在“数据对不上”上。

跨系统集成与数据闭环

许多企业已经在用ERP管理采购订单，用MES管理生产报工和质检，用WMS管理库存批次。这三个系统的质量数据如果各自独立，就形成了信息孤岛。不良品统计报表需要从不同系统取数时，常见的方式是手动导出Excel后再用VLOOKUP匹配，不仅效率低，而且版本容易混乱。

借助Q-Linker等集成组件，企业可以把ERP中的供应商主数据、MES中的工序报工记录、WMS中的库存批次信息，按字段映射接入到统一的表单和报表引擎中。数据在每日业务结束后自动同步，第二天质量管理人员看到的报表已经包含了最新生产批次和来料检验结果。这降低了人工搬运数据的频率，也减少了漏录和错录的可能性。

以一个零售供应链场景为例：乐乐妈通过打通ERP、企业微信和自研系统，把2500个SKU的销售、库存、周转数据接入轻流 AI 无代码平台，由AI自动生成补货建议和健康度分析。其中的关键动作不是推倒原有系统，而是在现有系统基础上搭建统一的数据通道。制造业的不良品分析同样适用这套逻辑：不需要更换MES或ERP，而是在它们的输出层与报表展示层之间建立一条自动化的数据链路。

轻流企业数字化管理系统的流程引擎和自动化规则，可以在此环节中配置异常通知和数据补录提醒。当某条数据因为系统字段不匹配导致同步失败时，系统自动通知IT管理员，而不是等第二天发现报表少了数据再去排查。

先统一数据基础，再讨论分析深度

当管理者开始追问“不良品统计报表怎么生成”时，很多时候同一个问题已经表明：组织层面还没有建立从数据采集到报表生成的规范化流程。这时候不必急于购买商业智能软件或定制报表工具，而是停下来先确认三件事：

不良品记录单上是否有足够维度（产品编码、工序、供应商、不良类型、批次号）
不同来源的数据（来料检、过程检、成品检）是否使用同一组字段定义
是否已经建立统一的数据沉淀入口，而不是依赖纸质或分散的Excel

如果这三条基础尚不完善，强行做多维分析只会得到一张维度缺失或数据不可信的仪表盘。优先级应该放在：用表单引擎快速搭建一条统一的不良品登记流程，让质检员在日常工作中以结构化方式录入数据。数据跑通1-2个月后，再用报表引擎生成最初级的产品-工序交叉表。这套路径比一次性上一个复杂的质量管理系统更容易落地，成本也更可控。