分层法-河南省质量协会[官网]

分层法

来源：作者：信息员点击数：日期：2026-05-13

在质量管理中，我们每天都被大量数据包围：产品合格率、客户投诉数、设备故障率……面对一个“总合格率95%”的数字，你是否觉得万事大吉？很可能，真相正隐藏在这个看似光鲜的平均值背后。分层法（Stratification），就是一把撕开数据表象、洞察问题本质的利器。它与检查表、柏拉图、因果图等并称为 “QC七大手法” ，但其地位尤为特殊——它是一切深入分析的“前置思维”，而不是一个孤立的图表。

一、分层法的本质：分离“变异之源”
很多人将分层法简单等同于“把数据分类”，这低估了它的价值。从统计学角度理解，分层法的核心目的是分离变异源。任何一批产品的总质量波动，都是由无数因素（人、机、料、法、环）的波动叠加而成的。分层，就是要把这些混杂的波动拆解开。理想的分层效果：同一层内的数据高度集中（层内变异小），不同层之间的数据差异非常显著（层间变异大）。失败的尝试：如果分层后，各层内部依然杂乱无章，且层与层之间的平均值相差无几，就说明你选错了分层角度，这个因素并非问题的关键，需要换个方向重新探索。一个形象的比喻：当你把苹果和橙子混在一起称重，得到的是一个无意义的平均重量。只有把它们分开，你才能知道苹果多重、橙子多重，以及哪个更重。分层法，就是那个把“苹果”和“橙子”分开的动作。
二、为什么要分层？——戳穿“平均值”的谎言
不分层，就容易被总数据欺骗。几个典型的“数据假象”包括：掩盖异常：总不良率仅2%，但某台设备的真实不良率已高达15%，只是它产量小，被总数据稀释了。趋势误判：著名的辛普森悖论。公司总离职率从5%降到了4%，看似形势大好。但按部门分层后却发现：研发部离职率从2%升到3%，销售部从8%升到9%。总离职率下降的唯一原因，是低离职率的研发部今年大幅扩招，拉高了其在总人数中的占比。只看总数据，就会将一场不断恶化的管理危机，错判为一场值得庆贺的胜利。分层，就是为了回答那个最根本的问题：“整体看起来的问题，究竟是‘人人有份’的普遍现象，还是‘老鼠屎坏了一锅粥’的局部失控？”
三、从哪里下刀？——分层的智慧
分层需要逻辑预判，而非盲目切割。最经典的是基于 5M1E 的框架，但在其中，有一个维度需要毫无争议地被放在优先级首位。第一优先级：时间。质量问题的爆发几乎都有时间规律。这是捕获系统性异常的“第一道滤网”。分层示例：按早/中/晚班次分；按一天中的小时分；按周一至周日分；按季节分。案例：某工厂整体产品合格率稳定，但当分析师按“小时”分层后，发现每天凌晨2:00-4:00的合格率会骤降至85%。这一下就指向了夜班人员疲劳的根因，针对性安排轮休后，问题迎刃而解。其他关键维度（5M1E）。当时间维度未能揭示主因时，应系统地基于因果图分析，从以下角度切入：人员（Man）：班组、新老员工、技能等级；机器（Machine）：设备编号、产线、模具号；材料（Material）：供应商、批次、产地、存储条件；方法（Method）：作业标准版本、工艺参数、操作手法；测量（Measurement）：检验仪器、检验员、测量站位；环境（Environment）：温度、湿度、照明、天气。一个好的分层者，在收集数据之前，就已经在数据表中设计好了“分层信息列”。
四、实操五步法
一是界定问题与指标：明确你要分析的是哪个质量特性？缺陷率、尺寸偏差还是强度？二是构思分层方案：与团队一起用“因果图”头脑风暴，列出所有可能的影响因素，并按优先级排序，形成分层计划。三是收集结构化数据：这一点至关重要。在记录每个数据点时，必须同时记录其对应的分层信息。例如：“尺寸32.01mm / 设备A / 操作员王五 / 夜班 / 材料批次L3”。四是分层作图与比较：这是分层法显威力的时刻。绝不看总数据的单一图表，而是绘制“分层图表”：分层直方图：看分布形态，是单峰、双峰还是偏移？分层柏拉图：看各层的“关键的少数”是否不同？分层趋势图：看各层随时间的变化是否一致？五是判定与追溯：寻找“层间差异”。哪一层的表现明显异常？那便是你需要深入攻关的靶点。
五、经典案例三部曲
案例一：锁定“元凶”设备。生产线总不良率3.8%。工程师绘制了一张 “按设备分层”的柏拉图：A线不良率1.2%，B线却高达8.5%。问题瞬间聚焦，集中检修B线后，总不良率断崖式下跌。这就是抓住了主因。
案例二：揪出“幽灵”调机员。某精密轴加工，外径整体分布图显示为奇怪的双峰（驼峰型），过程能力严重不足。当按“调机员”分层后，真相大白：调机员老张的习惯是将尺寸调至下限附近，而小李则偏爱调到上限。两张分层直方图都各自完美正态，只是中心偏移。统一对刀标准和调机规范后，双峰消失，工序能力达到顶级水平。一个工艺问题，根子却在“人”的方法差异上。
案例三：破译“不降反升”的投诉。客户对某涂料的色差投诉激增。组装厂按A、B两条生产线分层，不良率相似。再深入按“涂料供应商”分层：供应商X的材料不良率仅2%，供应商Y则高达11%。立即停用Y批次并要求整改。分层不够深，就抓不到真因。
六、两大致命陷阱：新手上路须知
陷阱一：伪分层。这是最容易犯的逻辑错误：用结果去分层，而不是用潜在原因。错误示范：分析零件生锈原因，把零件分成“生锈的”和“不生锈的”两层，然后对比它们的生产环境。这只描述了现象，毫无分析价值。正确做法：应按可能的原因分层，如“使用了A清洗液”和“使用了B清洗液”，然后再分别统计生锈率。永远用输入（原因）去分层，观察输出（结果）的差异。
陷阱二：辛普森悖论与样本量结构。如前文离职率的例子所示，分层后不仅要对比各层的比率，更要盯着各层的样本量。如果某一层的样本量发生了巨大变化（比如某个组突然扩招或裁员），它可能会完全扭曲总体趋势。养成一个习惯：分析前，先看看各层数据的“饼图”有没有发生结构性漂移。
七、进阶技巧：交叉分层与适度归并
单一角度分层有时会漏掉因素间的交互作用。此时需要交叉分层。不要穷举：比如，将3种设备×4种材料×2个班次分为24层，每层数据少得可怜，无法得出可靠结论。巧用矩阵：建议先做一个双因素交叉表，如行是“设备”，列是“操作员”，格子里填入不良率。这样能直观地发现，是不是只有“设备A”遇上“新员工”时，不良率才会飙升。对于表现相似的格子，可以科学地归并为一层来分析，既保证了数据量，又抓住了核心矛盾。
八、分层法与其他工具：从“独奏”到“交响”
分层法不应该孤立使用，它是为其他分析工具装上“透视镜”：分层柏拉图：让“关键少数”聚焦到“关键少数中的关键层”；分层散点图：用不同颜色标注不同层的数据点，看看相关性是普遍存在，还是只存在于某一层内；分层控制图：分别绘制多台设备或原料批次的休哈特控制图，能精准发现哪条线已处于失控状态。
结语
分层法，不是复杂的数学公式，而是一种结构化、精细化的质量管理思维。它时刻提醒我们：没有分析和分层的数据，不过是混乱的数字；唯有将它们置于合适的灯光下，隐藏的真相才会显影。养成凡事分层看的习惯，你就迈出了从“拍脑袋救火”到“用数据驱动改善”最关键的一步。当你面对一堆杂乱数据感到困惑时，请先问自己一句：“我把它按什么分开了吗？”

【关闭窗口】【返回顶部】