Производство / Quality score
Как контролировать качество с ИИ: расчет Quality Score
Контроль качества с ИИ начинается с прозрачного расчета показателя качества — Quality Score. Формула проста: доля продукции без дефектов среди проверенных единиц. ИИ добавляет к этому автоматический анализ причин отклонений и прогноз рисков, чтобы вы успевали исправить процесс до массового брака.
Проблема
Почему это важно
Без системного контроля качества рекламации растут, а их причины остаются неясными. Производство тратит время на ручные проверки, но дефекты все равно проскакивают, а разбор каждого случая занимает дни.
Почему возникает
- Контроль качества ведется выборочно и нерегулярно, поэтому часть брака уходит к клиенту.
- Данные о дефектах собираются в разных местах (бумажные журналы, отдельные таблицы) и не сводятся в единый показатель.
- Причины отклонений ищут вручную, что медленно и субъективно.
Риски и потери
- Рост рекламаций и возвратов, потеря доверия клиентов.
- Лишние затраты на переделку, утилизацию и компенсации.
- Невозможность вовремя заметить ухудшение процесса, пока брак не стал массовым.
Что влияет на результат
- Доля проверенных единиц от общего выпуска.
- Количество единиц с дефектами.
- Типы дефектов и их частота.
- Изменение показателя во времени и по сменам/линиям.
Типичные ошибки ручного подхода
- Пропуск части проверок из-за нехватки времени.
- Ошибки в подсчете доли брака при ручном вводе.
- Субъективная оценка серьезности дефекта разными контролерами.
Определение
Что важно понимать
Quality Score
Показатель качества, рассчитываемый как отношение количества единиц продукции без дефектов к общему числу проверенных единиц, умноженное на 100%.
Дает единую метрику для отслеживания качества во времени и сравнения подразделений или линий.Рекламация
Официальная претензия клиента на несоответствие продукции заявленным требованиям.
Снижение рекламаций — главная цель контроля качества, напрямую влияющая на прибыль и репутацию.Дефект
Любое несоответствие продукции установленным требованиям (размер, цвет, функциональность и т.д.).
Классификация дефектов позволяет выявить системные причины и устранить их, а не бороться с симптомами.Данные
Какие данные нужны
Результаты проверок качества
Основа для расчета Quality Score: сколько единиц проверено и сколько из них без дефектов.
- Дата проверки
- Номер партии
- Количество проверенных единиц
- Количество единиц с дефектами
- Тип дефекта
Данные о производстве
Чтобы сопоставить качество с объемом выпуска и выявить влияние загрузки линий.
- Смена
- Линия/участок
- Объем выпуска
- Количество операторов
Журнал рекламаций
Связать внутренний показатель качества с внешними претензиями клиентов.
- Дата рекламации
- Номер партии
- Причина
- Сумма ущерба
Методология
Методика расчета и контроля Quality Score
Принципы
- Считать Quality Score по формуле: (количество единиц без дефектов / количество проверенных единиц) × 100%.
- Проводить контроль регулярно (ежедневно или посменно), чтобы видеть динамику.
- Сравнивать показатель между сменами, линиями и периодами для выявления аномалий.
- Использовать ИИ для автоматической классификации дефектов и поиска причин, а не для подмены базового расчета.
Допущения
- Выборка проверок репрезентативна для всего выпуска.
- Критерии отнесения к дефекту едины для всех контролеров.
- Данные о проверках вносятся без ошибок.
Ошибки
- Считать Quality Score только по выборочным проверкам без учета объема выпуска.
- Игнорировать типы дефектов — снижение общего показателя может маскировать рост конкретного дефекта.
- Не проверять расчет на фактических данных, полагаясь на интуицию.
Роль ИИ
Как ИИ решает задачу
Автоматическая классификация дефектов по фото или описанию
Данные на входе: Фотографии продукции, Текстовые описания дефектов от контролеров
Что делает модель: Определяет тип дефекта (царапина, скол, отклонение размера и т.д.) и его серьезность
Результат: Список дефектов с категорией и вероятностью
Как используется: Контролер подтверждает или корректирует классификацию, система накапливает статистику
Выявление аномальных изменений Quality Score
Данные на входе: Исторические значения Quality Score, Данные о производстве (смена, линия)
Что делает модель: Сравнивает текущий показатель с историческим диапазоном и сигнализирует о значимом отклонении
Результат: Уведомление о возможном ухудшении качества
Как используется: Руководитель получает алерт и инициирует разбор причин
Поиск причин отклонений по текстовым описаниям
Данные на входе: Комментарии контролеров о дефектах, Журнал рекламаций
Что делает модель: Группирует похожие формулировки и выделяет частые темы (например, 'неправильная настройка станка')
Результат: Список вероятных причин с частотой упоминаний
Как используется: Инженер по качеству проверяет гипотезы и принимает меры
Разбор
Как это работает
- 1
Вход: данные о проверках (дата, партия, количество проверенных, количество с дефектами). Действие: система рассчитывает Quality Score по формуле. Результат: показатель за период.
- 2
Вход: исторические значения Quality Score. Действие: модель сравнивает текущее значение с диапазоном нормы. Результат: алерт при значимом отклонении.
- 3
Вход: фотографии или описания дефектов. Действие: ИИ классифицирует тип дефекта. Результат: структурированный список дефектов.
- 4
Вход: накопленная статистика дефектов. Действие: система группирует по типам и линиям. Результат: отчет о частоте дефектов.
- 5
Вход: текстовые комментарии о причинах. Действие: генеративная модель выделяет частые темы. Результат: гипотезы о причинах отклонений.
- 6
Вход: гипотезы и данные о производстве. Действие: руководитель проверяет и принимает решение. Результат: корректирующее действие.
Расчет
Формула расчета Quality Score
Базовый показатель качества рассчитывается по простой формуле. ИИ не заменяет этот расчет, а дополняет его анализом причин.
Quality Score
Quality Score = (Количество единиц без дефектов / Количество проверенных единиц) × 100%- Количество единиц без дефектов — проверенные единицы, прошедшие контроль без замечаний
- Количество проверенных единиц — общее число единиц, прошедших контроль
Условный пример: Проверено 500 единиц, из них 470 без дефектов. Quality Score = (470 / 500) × 100% = 94%.
Допущение: Показатель можно считать по сменам, линиям или партиям для сравнения.
Пример расчета
Как это выглядит в цифрах
Условный пример: снижение Quality Score на линии сборки
- Допущение: Линия сборки №2, смена А, неделя 12
- Допущение: Проверено 800 единиц, из них 720 без дефектов
- Допущение: Quality Score = 90%
- Допущение: На предыдущей неделе на этой линии Quality Score был 95%
Quality Score = (720 / 800) × 100% = 90%. Снижение на 5 процентных пунктов относительно прошлой недели.Снижение показателя на 5 п.п. — значимое отклонение, требующее разбора. Вероятная причина — нестабильная работа оборудования или изменение материала.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Текущее значение Quality Score относительно целевого или исторического диапазона
- Динамика показателя за несколько периодов
- Частота и типы дефектов
- Сравнение между линиями и сменами
Какие риски учтены
- Риск ложной тревоги при малой выборке проверок
- Риск игнорирования редкого, но критичного дефекта
- Риск перегрузки команды из-за большого числа алертов
Какие варианты рассматривались
- Увеличить частоту проверок вручную
- Ввести дополнительный контроль на выходе
- Обучить персонал новым стандартам
Автоматический расчет и алерты позволяют быстро заметить отклонение и сфокусировать усилия на проблемной линии, а не распылять ресурсы.
Если бы отклонение было в пределах нормы (например, 94% при целевом 93%), рекомендация была бы не вмешиваться, а продолжать мониторинг.
Результат
Что видит пользователь
Дашборд с Quality Score по линиям и сменам
График изменения показателя, сравнение с целевым значением, список линий с отклонениями
Быстро определить проблемную линию и инициировать разборУведомление о снижении Quality Score
Алерт с указанием линии, периода и величины отклонения
Своевременно отреагировать до роста рекламацийОтчет по типам дефектов
Частота дефектов по категориям, динамика по неделям
Выявить системные причины и спланировать корректирующие действияАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Расчет Quality Score по загруженным данным проверок
- Сравнение с целевым значением и историческим диапазоном
- Формирование алертов при значимых отклонениях
- Классификация дефектов по фото/описанию
Требует настройки
- Настройка целевого уровня Quality Score
- Определение порога срабатывания алерта (например, снижение более чем на 3 п.п.)
- Загрузка справочника типов дефектов
- Настройка прав доступа к дашборду
Остаётся за человеком
- Подтверждение классификации дефектов ИИ
- Решение о внеплановой остановке линии
- Выбор корректирующих действий и назначение ответственных
Внедрение
Как внедрить решение
Быстрый запуск
- Создать таблицу с полями: дата, линия, смена, проверено, с дефектами
- Вручную вносить данные и рассчитывать Quality Score по формуле
- Еженедельно строить график и обсуждать на планерке
Рабочая система
- Настроить автозагрузку данных из производственной системы
- Хранить данные в базе, автоматически считать Quality Score
- Создать дашборд с алертами при отклонениях
- Подключить ИИ-классификацию дефектов по фото
Расширенный вариант
- Использовать прогнозную модель для предсказания риска брака по параметрам процесса
- Интегрировать данные о рекламациях для расчета экономического эффекта
- Внедрить сценарный анализ: как изменится Quality Score при изменении параметров
Подготовка
Чек-лист перед запуском
- 1
Определить, какие единицы продукции считаются дефектными
- 2
Настроить сбор данных о проверках (поля, периодичность)
- 3
Рассчитать Quality Score по формуле на пилотных данных
- 4
Установить целевое значение и порог алерта
- 5
Настроить дашборд для визуализации
- 6
Обучить контролеров единым критериям оценки
- 7
Провести пилот на одной линии в течение 2 недель
- 8
Сравнить результаты с фактическими рекламациями
- 9
Скорректировать пороги и критерии при необходимости
- 10
Масштабировать на все линии
Вывод
Главное
Контроль качества начинается с прозрачного расчета показателя, а ИИ усиливает его анализом причин и прогнозом рисков.
Основные данные — результаты проверок (проверено, с дефектами). Ключевой расчет — Quality Score по формуле.
ИИ автоматизирует классификацию дефектов, выявляет аномалии и помогает находить причины отклонений.
Начните с простой таблицы: вносите данные о проверках и считайте Quality Score вручную, чтобы увидеть динамику.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится вокруг пути: бизнес-проблема → модель решения → данные → автоматизация → интерфейс → работающее решение. Практикум рассчитан на собственников, руководителей, аналитиков и менеджеров малого и среднего бизнеса без требования уметь программировать.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
ИИ заменит контролеров качества?
Нет, ИИ автоматизирует рутинные операции — классификацию дефектов и выявление аномалий, но решение о корректирующих действиях остается за человеком. Контролеры сосредотачиваются на сложных случаях и улучшении процесса.
Сложно ли внедрить контроль качества с ИИ?
Начать можно с простой таблицы и ручного расчета Quality Score. ИИ подключается поэтапно: сначала автоматизация расчетов, затем классификация дефектов и алерты. Для этого не нужно уметь программировать — достаточно настроить готовые инструменты.
Какие данные нужны для расчета Quality Score?
Достаточно двух чисел: количество проверенных единиц и количество единиц без дефектов. Для более глубокого анализа добавляются данные о типах дефектов, линиях и сменах.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите внедрить контроль качества с ИИ? Приходите на бесплатный вебинар ReMetod и узнайте, как построить работающее решение за 4 недели.