质量数据分析入门 用Excel做基础统计，没那么难

认识一个在冲压车间做质量的朋友，入职第一年，每次月报他都把测量数据原原本本粘到Excel里，然后手动数"超差的有几个"，算出来一个百分比就交上去了。

有一天质量总监问他：这批数据的均值在哪里？分散程度怎么样？跟规格中心偏了多少？趋势是在变好还是变坏？

他回答不出来。

后来他跟我说：那一刻他才明白，把数据记录下来只是第一步，能看懂数据背后说的是什么，才是质量工程师该做的事。

这篇不讲理论，只讲在Excel里怎么做——最常用的基础统计指标，一步一步来，结合质量人最熟悉的场景。

一、你为什么要学数据分析？先把这个问题想清楚

不是为了考证，是为了解决问题

质量工作里，数据无处不在：尺寸测量数据、硬度检测数据、扭矩测试数据、客户投诉数量、不良率统计……每天都在产生。

但很多质量人对数据的处理，就停留在"记录下来+算个百分比"这个层级。这没什么问题，但能做到的事情太有限了。

学一点基础统计分析之后，你能做到的事情会大不一样：

1

看出数据有没有"漂移"——尺寸均值悄悄偏向规格上限，良率还没掉但危险信号已经出现，你能提前发现

2

量化过程稳定性——用Cpk告诉工厂老板"这道工序的过程能力还差多少"，比"良率还可以"有说服力一百倍

3

找出问题的根源——两条生产线的同一工序，不良率差了3倍，用数据分析可以快速锁定是哪个参数出了差异

4

让改善结果有数据支撑——改善前后的数据对比，才是真正的效果证明，不是靠"感觉好多了"

今天这篇，就从Excel里最常用的几个统计函数开始，一步一步来。

二、第一步：描述性统计——了解数据"长什么样"

均值、标准差、极差、中位数——四个指标先搞懂

我们用一个具体例子来说：某冲压件的孔径尺寸，规格是 Φ10.00 ± 0.05 mm，抽取了20个样品测量，数据如下（单位mm）：

10.02, 9.98, 10.01, 10.04, 9.97, 10.03, 10.00, 9.99, 10.02, 10.05,
9.96, 10.01, 10.03, 9.98, 10.02, 10.04, 9.99, 10.01, 10.03, 10.02

把这20个数据放进Excel的A列（A1:A20），然后我们用函数一个一个算出来：

统计指标 Excel公式 结果（示例） 含义解读 均值 Mean =AVERAGE(A1:A20) 10.010 数据的集中趋势，均值偏离名义尺寸10.00说明过程有系统偏移 标准差 Stdev =STDEV(A1:A20) 0.022 数据的分散程度，值越大说明过程波动越大 最大值 Max =MAX(A1:A20) 10.05 最大值，对照规格上限10.05，刚好在边界 最小值 Min =MIN(A1:A20) 9.96 最小值，规格下限9.95，距离下限只剩0.01 极差 Range =MAX(A1:A20)-MIN(A1:A20) 0.09 最大值与最小值之差，规格范围0.10，极差0.09说明过程空间所剩无几 中位数 Median =MEDIAN(A1:A20) 10.015 中间值，与均值对比可判断数据是否有偏斜 样本数量 Count =COUNT(A1:A20) 20 确认数据量，排查有无遗漏或录入错误

关于 STDEV 和 STDEVP 的区别

Excel里有两个标准差函数：STDEV（样本标准差，分母是n-1）和STDEVP（总体标准差，分母是n）。质量分析中，抽样检验用的都是样本数据，用 STDEV 就对了。只有你分析的是全量数据（比如一整批100%全检的数据），才用STDEVP。

把这几个函数的结果汇成一个小表，贴在数据旁边，一眼就能看出这批数据的"画像"。不需要看每一个数字，描述性统计告诉你全局。

三、第二步：过程能力指数——用Cpk告诉老板"够不够稳"

Cp和Cpk是质量工程师的核心语言，Excel里5行搞定

描述性统计告诉你数据"现在在哪"，过程能力指数告诉你数据"和规格要求比起来怎么样"。

先说定义，不废话：

Cp（过程能力指数）——只看分散程度，不管均值偏不偏
公式：Cp = (USL - LSL) / (6 × σ)
USL=规格上限，LSL=规格下限，σ=标准差。Cp≥1.33算合格，≥1.67更好。

Cpk（修正的过程能力指数）——既看分散，也看均值是否偏离中心
公式：Cpk = MIN[(USL - Mean) / (3σ), (Mean - LSL) / (3σ)]
取两个值中较小的那个。Cpk才是真正反映实际过程能力的指标。

还是用上面的冲压件数据，规格USL=10.05，LSL=9.95，均值Mean=10.010，标准差σ=0.022，在Excel里这样写：

单元格 内容 公式 D1 规格上限 USL 10.05（直接输入） D2 规格下限 LSL 9.95（直接输入） D3 均值 Mean =AVERAGE(A1:A20) D4 标准差 σ =STDEV(A1:A20) D5 Cp =(D1-D2)/(6*D4) D6 Cpk =MIN((D1-D3)/(3*D4),(D3-D2)/(3*D4))

用这批数据算出来：Cp ≈ 0.76，Cpk ≈ 0.61。

⚠️ 结果解读：Cpk = 0.61，这个过程能力非常不足。行业标准要求Cpk≥1.33（一般要求），特殊特性要求Cpk≥1.67。0.61意味着当前过程的不良率估计在5%以上，靠抽检根本兜不住，必须从根本上提升过程能力。

Cpk值范围 判定结论 处理建议 Cpk < 1.00 过程能力严重不足 必须改善，不能依赖检验，需找根因提升能力 1.00 ≤ Cpk < 1.33 过程能力不足，风险较高 需要加强控制措施，列入改善计划 1.33 ≤ Cpk < 1.67 过程能力满足一般要求 继续监控，维持现有控制措施 Cpk ≥ 1.67 过程能力优秀（CC/SC要求） 可适当降低检验频次，保持监控

四、第三步：直方图——把数据分布画出来看

均值和标准差是数字，直方图让你"看见"数据的真实形状

光有均值和标准差，还不够直观。有时候数据的分布不是正态的——可能是双峰（两个批次混在一起）、可能是右偏（少数超大值把均值拉偏）、可能是截断（接近下限的数据异常少，可能有人在"帮助"数据）。

这些问题，只看均值和标准差是看不出来的，要画直方图。

Excel直方图三步法：

1

设定分箱边界（Bin）

在E列输入区间边界，比如：9.94, 9.96, 9.98, 10.00, 10.02, 10.04, 10.06。分箱间距建议取 极差/10 左右，太细看不出趋势，太粗丢失细节。

2

用COUNTIFS统计每个区间的频数

在F列用 =COUNTIFS(A:A,">"&E1,A:A,"<="&E2) 统计每个区间的数据个数，向下拖拉填充所有行。

3

选中频数数据，插入柱状图

选中E列和F列的数据区域，插入→图表→柱形图。右键图表→设置数据系列格式→间距宽度调为0，柱子就紧挨在一起，变成直方图的样子。最后在图表上加两条垂直线标注规格上下限（USL/LSL），直观对比。

✅ Excel 2019及以上版本的快捷方法

新版Excel直接支持直方图图表类型：选中数据列→插入→图表→所有图表→直方图。Excel会自动计算分箱。右键X轴→设置坐标轴格式，可以手动调整"箱宽度"。省去手动设定Bin边界的步骤。

五、第四步：趋势图——时间序列看过程是否"在漂移"

均值稳不稳，靠趋势图说话

有个场景非常典型：前10个班次的孔径均值是10.005，后10个班次的均值悄悄涨到10.025。单看总体Cpk还凑合，但趋势图一画出来，问题一目了然——均值在持续往上漂。这是刀具磨损或模具磨损的典型信号。

做法很简单：

1

B列放时间（班次序号或日期），A列放对应的测量值（或每班均值）

2

选中B列+A列→插入→折线图，X轴是时间，Y轴是测量值

3

在图表上添加两条水平辅助线标注USL和LSL（用系列数据法：新增一列全为10.05，另一列全为9.95，加入图表作为参考线）

4

点击趋势线→添加趋势线→线性，看是否有明显的上升或下降斜率

趋势图的核心价值：静态统计（Cpk）反映的是历史水平的快照，趋势图反映的是过程随时间的动态变化。两者结合才完整。Cpk合格但趋势图显示均值持续漂移，是比Cpk不合格更危险的信号——因为你知道下一步会超差，但你还没到。

六、第五步：帕累托图——用20%的原因解决80%的问题

不良模式有多少种？哪种最该先解决？帕累托告诉你

帕累托分析是质量工作里使用频率最高的工具之一。原理很简单：把问题按频次从高到低排列，加上累计百分比，你就能看出哪几类问题占了总不良的80%。

举个例子：某车间上月共发生520件不良品，不良模式统计如下：

不良类型 数量（件） 占比 累计占比 尺寸超差 210 40.4% 40.4% 表面划伤 156 30.0% 70.4% 焊接气孔 62 11.9% 82.3% 毛刺 48 9.2% 91.5% 其他 44 8.5% 100%

从表里可以看出：只要把"尺寸超差"和"表面划伤"这两类问题解决掉，就能消除70%的不良。这就是资源应该优先投入的方向。

Excel画帕累托图的方法：

1

A列放不良类型，B列放数量（已从大到小排序），C列用公式计算累计占比：=SUM($B$1:B1)/SUM($B$1:$B$5)

2

选中A、B、C三列→插入→组合图（柱形图+折线图）。B列数量用柱形图（主轴），C列累计占比用折线图（次轴）

3

次轴（右侧Y轴）范围设为0%~100%，在80%处加一条辅助参考线，帕累托图就完成了

七、条件统计——COUNTIF/SUMIF/AVERAGEIF，日常用最多的三个

按条件统计，是质量月报的核心操作

日常质量报表里，最频繁的操作是"按条件统计"：统计某条生产线的不良数、某型号产品的不良率、某类问题的发生次数……这三个函数满足90%的场景：

函数 用途 质量场景示例 写法示例 COUNTIF 按条件计数 统计A线的不良件数 =COUNTIF(B:B,"A线") COUNTIFS 多条件计数 统计5月份A线的尺寸超差件数 =COUNTIFS(B:B,"A线",C:C,"5月",D:D,"尺寸超差") SUMIF 按条件求和 统计尺寸超差的报废成本合计 =SUMIF(D:D,"尺寸超差",E:E) AVERAGEIF 按条件求均值 计算B线的平均日不良率 =AVERAGEIF(B:B,"B线",F:F) COUNTIF 统计超规格数量 统计孔径超过上限10.05的件数 =COUNTIF(A:A,">"&10.05)

✅ 不良率的计算公式：
=COUNTIFS(条件区域,条件)/COUNTA(检验件号列)
或者更简洁：=不良件数/总检验件数，格式设为百分比。如果要算PPM，再乘以1,000,000即可。

八、数据分析的几个常见坑

技术会了，这些认知坑也别踩

五个高频认知坑

坑一：样本量太小，结论不可信。20个样本算出来Cpk=1.40，就认为过程没问题——这个结论的置信度很低。Cpk分析通常建议样本量≥100，至少≥50。样本量小的时候，Cpk会有很大的不确定性。

坑二：数据不是正态分布，Cpk失效。Cpk的计算假设数据服从正态分布。如果数据明显双峰、截断或偏斜，Cpk算出来是不准确的，需要先用正态性检验（或者看直方图形状）判断。

坑三：把均值当作"过程中心"。均值只代表数据集中趋势，不代表过程稳定。均值在规格中间但数据分散很大，Cpk依然很低。要结合标准差才能完整判断。

坑四：用频率代替概率。20个数据里有1个超差，不代表不良率是5%。样本量太小，频率波动极大，不足以推断总体概率，要有这个意识。

坑五：数据录入有误差，分析白做。测量仪器未校准、操作工测量手法不一致、数据手工抄录错误——这些问题在源头上会让所有分析失效。做数据分析之前，先确认数据质量本身没问题（MSA通过、录入流程受控）。

写在最后：数据分析是质量工程师的核心竞争力

不是为了炫技，是为了做出更好的判断

很多质量人问我：我不懂统计学，能做好质量工作吗？

我的答案是：基础统计你一定要懂，不是深，而是扎实。均值、标准差、Cpk、直方图、趋势图、帕累托——这六样东西搞清楚了，能解决80%的日常数据分析场景。

Minitab比Excel更专业，但大多数企业的质量人还在用Excel。先把Excel里能做到的事情做扎实，才有资格谈更复杂的工具。

数据不会骗人，但解读数据的人会犯错。学好统计分析，不是为了算出一个数字交差，而是为了在这个数字背后看出过程在告诉你什么，然后做出更好的决策。

本文Excel操作速查
描述性统计：AVERAGE / STDEV / MAX / MIN / MEDIAN / COUNT
过程能力：Cp = (USL-LSL)/(6σ)；Cpk = MIN((USL-μ)/3σ, (μ-LSL)/3σ)
直方图：COUNTIFS分箱统计 → 柱形图 → 间距设0
趋势图：折线图 + 添加趋势线 + USL/LSL参考线
帕累托：数量从大到小排序 → CUMSUM累计占比 → 组合图（柱+折线）
条件统计：COUNTIF / COUNTIFS / SUMIF / AVERAGEIF