不良品统计分析怎么做，缺陷率和返工率如何按工序拆分
管理者在评审月度质量报告时，最常见的问题是看到总缺陷率和总返工率下降了，但产线工段长和车间主任却拿不出具体哪道工序出了问题、问题是否重复。总数字掩盖了工序间的波动，也让改善动作失去了方向。
不良品统计分析的核心价值，不是算出一个总数，而是把缺陷率和返工率逐层拆解到工序，让管理动作能从“知道有问题”变成“知道问题在哪道工序、什么时段、什么原因”。下面从分析路径、拆解方法、流程配置和落地工具四个层面展开。
不良品统计分析怎么做：从汇总数据到工序级看板
传统做法是质量部门每周汇总一份不良品统计表，列出总产量、不合格数、缺陷率、返工量，然后发给各部门。但这种做法的问题在于，当总缺陷率在3%左右时，管理层并不知道是哪道工序的波动拉高了数字，也不知道返工集中在哪几个环节。
要解决这个问题，需要在数据采集层就做工序维度的绑定。每个生产订单或生产工单在流转过程中，质量检验节点必须记录是哪个工序触发的检验、检验结果是合格还是需返工。数据采集的方式可以是用纸质单据后录入电子表格，也可以在工单流转节点直接通过表单引擎采集。
采集完成后，报表引擎可以按工序维度聚合，输出工序级缺陷率趋势图和返工率占比图。管理者看到的就不再是“本周缺陷率2.8%”，而是“A工序缺陷率4.2%，占全部缺陷的55%，且集中在周三夜班”。这种粒度才具备指向改善动作的条件。
缺陷率按工序拆分：定义缺陷类型与工位归属
很多企业的问题在于工序划分得不够细。一条总装线可能有十道工序，但统计表中只用了“总装不良”这个字段，缺陷率无法还原到具体工位。要按工序拆分缺陷率，需要先做两件事。
第一，统一缺陷分类标准。把通用缺陷灯炮信息如外观瑕疵、尺寸超差、功能不良、材料裂纹等，与工序绑在一起。例如尺寸超差只发生在CNC加工工序，功能不良只发生在组装工序。
第二，设置工序标识。在工单流转卡、质检记录或设备状态的采集节点上，固定记录当前工序编号和工位人员。这样每一条不良记录都有了工序归属。缺陷率计算可以精确到：该工序的缺陷数量 ÷ 该工序的产出数量 × 100%。
如果没有系统支持，只能依靠人工整理。但人工模式下工序编码容易漏填、重复，且数据更新滞后。使用支持流程引擎和数据引擎的系统，可以在检验完成时自动触发数据写入，做到工序级缺陷率的实时刷新。
返工率按工序拆分：从返工件流向反查原因工序
返工率的计算比缺陷率更复杂。因为缺陷发现工序和返工执行工序可能是同一道工序，也可能是不同工序。例如在焊接工序发现了气孔缺陷，在焊接工序直接补焊，缺陷工序和返工工序一致。但如果在组装环节发现前道工序的零件平面度不达标，缺陷工序是前道机加工，返工工序却是返修工位。
因此，返工率按工序拆分时，需要区分两个维度：返工执行工序（承担返工动作的工序）和缺陷责任工序（导致不良的原工序）。报表上看一个工序的返工率高，可能是该工序发现了很多前道的问题，也可能是本工序的制造质量差。
在系统层面，可以用两个字段分别记录。当检验员上报不良时，工单流转到返修节点，系统自动记录返工执行工序，同时要求质检员指定缺陷责任工序。流程引擎可以根据这个判断自动触发后道工序的让步接收审批或质量异常追溯。数据引擎则按两个维度分别聚合，输出“返工执行工序排行榜”和“缺陷责任工序排行榜”。
防数据失真：字段规范与异常流转闭环
不良品统计分析最大的难点不是工具选型，而是数据真实性和一致性问题。如果工序编号没有统一，不同班组对同一个工位用不同代号；如果缺陷类型列表空缺太多，质检员只能填“其他”；如果返工记录与工单未关联，返工量就变成了独立数据。
数据失真的后果是报表看起来完整，但无法支撑决策。要避免这种情况，需要从流程设计上做几件事。
- 工序编码和缺陷类型用下拉选择或自动匹配，不用开放文本输入。表单引擎可以配置动态选项，根据生产订单自动带出该产品的工序清单。
- 质检记录必须关联工单ID和工序标识，不允许独立填表。工单流转节点设置校验规则，缺工单编码时不可提交。
- 返工执行关闭时要有复检验收节点。维修人员处理完成后，由质检员二次确认，形成闭环。如果复检不合格，系统自动进入再次返工流程，避免“返工完成但未处理到位”的情况。
这些规则在轻流无代码平台中可以通过流程引擎和自动化引擎实现。配置时不需要编写代码，业务人员即可搭建出按工序拆分的质量追溯流程。
从工序级数据到管理动作：报表、看板与异常预警
拆到工序级别的数据不是为了展示，而是为了触发管理动作。报表引擎可以按角色生成不同视图：生产经理看各工序缺陷率趋势，品质工程师看缺陷类型帕累托分布，车间主任看返工工时排名。
当某个工序的缺陷率连续三天超过设定阈值时，自动化引擎可以触发预警通知，自动生成质量异常工单，并在流程中指定责任工序的主管审核。这类主动推送比月底汇总报告更有即时性。
对于经常出现前道工序问题在后道被发现的情况，系统可以按缺陷责任工序统计后，把各责任工序的缺陷率与缺陷类型推送给对应的工艺工程师，形成跨工序的质量追溯链。
数据集成能力也在此发挥作用。如果企业已经有ERP系统记录生产订单和BOM，通过Q-Linker或Open API把订单工序数据同步到质量管理系统，可以减少人工搬运数据，缩短数据进入管理闭环的时间。
落地建议：先定义工序主数据，再考虑工具升级
对于还没有系统支持的企业，不要急着选型设备或软件，先做好两件事：第一，把工艺路线中的工序清单统一编码并固化；第二，在工单或流转卡上明确每个质检点的缺陷类型选项。这两步用Excel也可以完成，关键是团队形成共识，不再随意修改。
当工序主数据稳定后，再考虑引入无代码或低代码平台来替代纸质或Excel流转。轻量化的好处是业务人员可以直接在平台上配置工单流转、质检记录和报表看板，不需要专业的开发团队。渐进式搭建也可以降低一次性投入风险，从一条产线或一个车间试点跑通，再逐步扩展到全厂。
如果企业已经在使用MES系统或工单管理系统，但数据无法按工序拆分，则优先排查系统中是否有工序ID字段、质检记录是否关联了工序编码。很多时候是流程配置不到位，而不是功能缺失。这种情况下解决问题比替换系统更容易。
对于需要重新搭建质量追溯能力的企业，轻流提供的表单引擎、流程引擎、报表引擎和数据引擎可以支撑从工序级不良采集到异常闭环的全链路配置，同时支持通过Q-Linker集成现有ERP数据。
常见问题
Q1: 不良品统计分析需要上MES系统才能实现吗？
答：不一定。MES系统确实能提供工序级质量数据，但不是唯一选择。如果企业生产流程相对固定、工序数量不多，可以通过工单管理系统配合表单引擎实现工序维度的数据采集和统计。关键在于工序主数据和质检字段的规范化，而不是系统本身是否叫MES。小团队或单条产线可以先从轻量流程工具跑通，数据量大了再考虑升级。
Q2: 缺陷率和返工率按工序拆分后，数据差异很大，怎么判断该优先改善哪道工序？
答：可以结合三个指标交叉判断：该工序的缺陷率绝对值、该工序缺陷带来的返工工时占比、以及缺陷类型是否有重复性。优先处理缺陷率高、返工工时长、且缺陷类型高度集中的工序。同时要注意区分缺陷责任工序和返工执行工序，前者更容易找到根因。
Q3: 没有预算上系统，用Excel拆分缺陷率到工序维度可行吗？
答：短期内可行，尤其是工序数量少、数据量不大的场景。但在数据录入、防错、实时性和跨部门协同方面存在明显局限。更实际的路径是用Excel先跑通逻辑和字段规范，当数据量增长到同一张表超过数百行、或者需要多人协同编辑时，再迁移到无代码平台或专业系统。这个过渡方案可以降低决策风险。
