一、选手简介 1、选手介绍 团队名称：东华转向数据分析小分队 队长介绍： 唐惊幽，帆软社区用户名：用户 F9836832，目前就职于南京东华智能转向系统有限公司。南京东华智能转向系统有限公司隶属于上汽集团，主要从事汽车转向系统及其零部件的开发、制造、销售和服务。目前担任数字化总监，个人感兴趣方向大数据、AI、RPA 队员介绍： 陈从霜，帆软社区用户名：frost0428，目前就职于南京东华智能转向系统有限公司，主要从事数据分析工作 曹航，帆软社区用户名：用户 w8547242，目前就职于南京东华智能转向系统有限公司，主要从事数据分析工作 何琪，帆软社区用户名：hhhq，目前就职于南京东华智能转向系统有限公司，主要从事数据分析工作 团队组成：同一个 team，不断在数据分析的道路上探索中，对数据分析、帆软 BI 感兴趣 2、参赛初衷 之前公司业务人员主要以 Finereport 搭载的报表为主进行分析，下一阶段准备在部门内推广 BI 工具，正好通过本次比赛实战来练练手，熟悉 BI 的各个功能 和更多 FineBI 大神交流学习，进行数据可视化作品以及分析思维的激烈碰撞 大赛奖励很诱人 二、作品介绍 1、业务背景/需求痛点 近两年，随着订单的不断增长，客户交付周期的逐渐缩短，公司产线长期处于满负荷生产状态，此时客户对于产品质量问题的响应速度要求变得更高。但目前我司的制程质量预控手段较为单一，生产数据准确度、可视化不足，这些问题严重制约工程师处置问题效率，降低产线的有效产出。目前公司，有6大主要客户（如五菱、奇瑞、比亚迪等），产品发往全国13大生产基地，每个基地数量2万台起，每发生一起质量问题，需要遏制人员5人/基地，人工费用大于等于2000元/天。因此，严控产品制程质量具有重要意义。 原先公司主要通过 FineReport 进行报表开发，开发周期较长，而业务人员因分析维度多变，已开发报表模板已无法满足其关联分析的需求，常常需要进行二次开发，此时为满足业务人员进行数据分析所需的时间成本与开发成本较大，同时目前的数据分析也存在一定滞后性。   在现有的背景下，为了保持稳定的制程质量，质量部门急需看板工具，实时反映产线质量水平，随时满足工程师提取数据、自助式建立分析模型的需求，及时分析异常处理过程问题。 2、数据来源 本次参赛作品选用经过脱敏处理后的生产与质量板块数据集作为数据源，数据主要来自 MES 系统。 数据主要为生产制造过程中的产品加工检验参数，下线报工数量，产品合格数量等。由于各产线检验数据分散在不同数据库表中，且数据表字段不统一，我们先在 FDL 平台进行了数据清洗，建立调度任务，将所有产线加工参数汇总到数仓 dwd 层明细表中。 3、分析思路 l  本次大赛选取了制程质量作为切入点进行分析，围绕该主题，我们形成了自上而下分析思路：①从上层指标分析开始逐步分解细化颗粒度，即从产线直通率锁定问题产线，再由产线各工序合格率锁定问题工序，最后由缺陷统计锁定工序中具体的异常加工项目；②根据异常项目的工艺参数绘制直方图与SPC管控图，同时关联5M1E数据分析异常影响因素与改善方向，并制定改善措施；③根据改善措施，跟踪变化点并验证措施有效性，并更新SPC控制限，重新绘制SCP控制图，持续跟踪过程质量的稳定性。 4、数据处理 1)数据合并： 通过上下合并可将设备报修记录与设备保养记录合并（仅需字段一致）。 2）其他表添加列 将参数的规格上下限通过多个字段与产品加工参数明细表关联并添加到明细表中（不同工序、产品、加工参数对应不同的规格上下限）。 3）新增字段计算： 包括制程标准差、估计标准差、Cp、Cpk、PPk 等指标的计算。 4）分组汇总 细化分析颗粒度，分组汇总计算指标值。根据多个字段来分组计算产品的一次合格率与最终合格率。 5）新增赋值字段 可通过赋值字段将状态字段 status 从由数值标记(0/1)转化为描述性的字段（OK/NG）。 5、可视化报告 （1）指标分析 产线直通率是制程质量的关键指标，它可以在宏观上反映出当前日期产线的质量水平，我们选择从该指标出发，对制程质量进行由总到分，形成“面-线-点”的分析。 质量部门当前设置的直通率警戒线为 85%，一旦低于该水平，质量部门则需要重点关注制造过程中是否存在异常与变化点。 上图所示指标卡显示 EPS2 、EPS3号线直通率已低于警戒值，表明此产线质量水平不佳，质量部门需立即介入查明直通率低的原因。此时则需要对其进一步分解，将分析维度从产线下钻至工序（下文分析以EPS2号线为例）。 工序合格率则是制程质量在工序维度的关键指标，工序合格率又可划分为一次合格率与最终合格率： ①一次合格率=一次合格数/(一次合格数+一次不合格数）*100% ②最终合格率=最终合格数/(最终合格数+最终不合格数）*100% 重点需关注一次合格率与最终合格率差异大的工序，以及合格率低的工序。当合格率处于 85%~98%之间时需对该工序持续关注，合格率低于 85%时需技术人员及时介入进行遏止。 上图所示柱状图显示当前导致直通率较低的工序为 E3OP510，其一次合格率为 87%，最终合格率为 94%，整体合格率水平较低。 另外，饼图所示的数据为标签打印记录的缺陷类型分布，其中静态试验不合格次数达到 6 次占比最高，这也辅证了 E3510 道工序合格率水平较低。可对其进行时间维度的下钻（由工序日合格率下钻至工序小时合格率），同时考虑小时产出与产品换型合格率的影响，绘制出组合折线图，如下图所示。 结合组合折线图所示的小时合格率、小时产出数、小时产品类型数，可判断合格率与产出数无明显关联，且当日仅生产一类产品，不存在产品换型。 （2）SPC 过程能力分析 将问题定位到特定工序后，需要对该工序的过程能力进行进一步的分析。 part1： 根据采集到的生产过程参数，可满足实时绘制反应加工参数趋势的管控图以及反映参数分布直方图。管控图公差带分为安全区（浅蓝色）、预警区（深蓝色）、危险区（紫色），不同区域的上下限值由质量部门根据大量历史数据测算后制定（定期更新）。  处于深蓝色区域的点参数值处于正常区域范围，存在进一步偏移的风险，需持续关注。处于紫色区域的点参数值明显异常超出参数规格限制，需重点关注。  正常情况下，加工参数（M2-OP100-06即磨合空载波动值）的均值正常水平为1.2，观察直方图：发现E2OP100道磨合工序加工参数值磨合空载波动值的区间分布明显呈偏态，磨合空载波动值过大。观察管控图发现加工过程中磨合空载波动值存在大量描点超出上方深蓝色预警区与紫色危险区。需要技术人员立即介入，进一步通过5M1E分析影响因素并锁定改善计划。 part2 5M1E分析： 结合 5M1E 分析法对异常点展开调查，从人、机、料、法、环、测这几个方面逐个排查问题点。 排查发现当日设备点检正常、过程检验各项参数正常、其他关联参数无异常。 异常点与改进：    1、一次合格率与最终合格率差异原因分析    ①人员技能方面：人员操作熟练度不够，当天操作该工位的员工有两名，其中人员1为一名技术娴熟的老技师，其技能等级已经满级，人员2是新进厂员工，其技能     等级为初级，或需加强人员技能培训。    ②设备保养计划待调整：设备最近一次保养时间为上半年2月，最近一次保修时间为6月，按此规律；该设备或需要调整保养计划。 2、最终合格率偏低原因分析③物料方面：该工序流转的半成品涉及关键原材料分别为：蜗轮、蜗杆、壳体，于是对当日问题件进行拆件并抽样送检，问题样件蜗轮蜗杆精度均符合要求，壳体存在中心距偏差过大。  技术人员与壳体供应商沟通后，调整壳体加工参数，同时在供应商来料检验任务中增加该项参数标准作为检验项目。 （3）异常点追溯 供应商改善制造工艺后，发来新的壳体，首先对来料进行检验，检验结果全部合格。 新壳体上线后，根据车间管理办法记录变化点并验证新壳体上线后当班前10件与后10件加工结果。结果表明全部合格。 接下来更新控制限，重新绘制SPC控制图，通过 SPC 来评价过程能力（主要包括 Cpk 计算与均值极差图的绘制）。 根据计算出的过程能力指数发现目前E2OP100 工序的重点参数 Cpk 值与 Cp 值大于1.33且小于 1.67，过程能力充分，表明技术管理能力很好，应持续维持。 （4）最终结果呈现的页面布局 三、参赛总结 1、FineBI 工具 对业务人员而言，BI 与 excel 近似，所以上手更为容易，其内置表格与 Excel 透视功能相似，且函数也与 Excel 相近。 作为开发人员仅需准备好基础数据集，业务人员即可自行从不同维度进行自主分析，减少报表开发用的时间成本。 较 FineReport 而言，BI 的过滤筛选功能更为强大，例如在上述的 SPC 分析过程中，工程师可自行过滤到影响其分析的异常点，又可通过数据集的关联在图表中联动追溯质量异常点。 2、参赛总结 本次大赛我们通过 BI 工具对制程质量进行分析，基于这种方式质量管理团队在未来可以快速摆脱原来繁琐的工作过程，大大提高调查质量情况和排查问题产品的效率，与此同时技术人员能够将更多的精力投入到产品品质的提升之中，实现突破性改善产品质量和生产效率，从而推动公司整体竞争力。 另外， 在准备本次比赛的过程中，我们切身感受到培养数据分析思维的重要性，BI 只是一套工具，而真正能让数据产生价值的是使用工具时所具备的清晰而缜密的数据分析思路，二者相结融合往往能实现意想不到的效果。