月底，品质部按时提交了《月度质量报告》：合格率 97.2%，客户投诉 3 起，内审零不符合。老板翻了翻，说："挺好，继续。"然后报告被归档，再也没人打开过。
次月，突然爆发批量退货——同一工序、同一缺陷、同一客户。追溯发现：前三个月该工序的不良率一直在缓慢爬升（从 1.8%→2.3%→3.1%），但每月的"总数"都被其他工序的"低不良"拉平了，月度报告里合格率始终在 97% 以上。没人看到这个趋势，直到爆了。
这就是典型的"有数据、没分析"。合格率 97% 看起来很美，但如果拆开看——某个工序在恶化、某类缺陷在集中、某台设备在衰减——这些信号全被"平均数"淹没了。ISO9001:2026 的 9.1.3 条款，就是要让数据开口说话：不是报个数就完了，而是要把它掰开、揉碎、交叉比对，得出能指导行动的结论。
今天，东莞纵横世纪就带您拆解 9.1.3，帮您把数据分析从"做 PPT 给老板看"变成"发现问题、驱动改进"。
一、条款核心：分析的"七颗子弹"
标准明确要求，分析结果必须用于评价以下 7 个维度：
序号 | 评价维度 | 关键词 | 通俗理解 | 典型失效场景 |
a) | 产品和服务的符合性 | 合格吗 | 产品/服务是否持续满足要求 | 只看最终合格率，不看过程波动 |
b) | 顾客满意程度 | 客户说啥 | 客户到底满不满意（关联 9.1.2） | 调查数据收了但不分析 |
c) | QMS 绩效和有效性 | 体系转得好吗 | 体系整体是否在有效运行 | 管理评审时"感觉良好"无数据支撑 |
d) | 策划是否已有效实施 | 说到做到了吗 | 计划的事做了没有、做到位没有 | 策划了一堆流程，实际没执行 |
e) | 应对风险和机遇措施的有效性 | 风控有用吗 | 6.1 的风险措施到底管不管用 | 风险清单写了就放着，不验证效果 |
f) | 外部提供方的绩效 | 供应商行吗 | 供应商/外包方表现如何 | 只看价格，不评绩效 |
g) | 改进的需求 | 该改什么 | 从分析中识别出该往哪改 | 分析完就完了，不输出改进项 |
纵横视点：
9.1.3 是 9.1 章的"发动机"。9.1.1 是"收集数据"，9.1.2 是"听客户声音"，而 9.1.3 是"把前面所有东西消化掉，变成决策"。标准列出的 7 个评价维度，本质上覆盖了质量管理的全链条——从产品到客户到体系到供应商到改进。如果你只能记住一句话：分析的目的不是"出报告"，而是"找改进方向"。
二、深度理解：数据分析的"三层进阶"
第一层：描述性分析（发生了什么）
方法 | 用途 | 示例 |
帕累托图 | 找出主要问题（80/20） | 哪类缺陷占大多数 |
趋势图 | 看变化趋势 | 月度不良率走势 |
柱状图/饼图 | 对比/构成 | 各工序不良占比 |
控制图 | 区分普通波动和异常 | 过程是否受控 |
第二层：诊断性分析（为什么发生）
方法 | 用途 | 示例 |
分层分析 | 按维度拆解 | 按班次/设备/人员/材料分层看不良 |
鱼骨图 | 找可能原因 | 缺陷的可能原因分类 |
5Why | 追根因 | 连续追问"为什么"找到源头 |
相关分析 | 找关联关系 | 设备温度与不良率是否相关 |
第三层：预测性分析（将会发生什么）
方法 | 用途 | 示例 |
回归分析 | 预测趋势 | 基于历史数据预测下月不良率 |
SPC 预警 | 提前发现异常 | 控制图出现趋势信号 |
风险矩阵 | 评估未来风险 | 新供应商引入的风险等级 |
顾问提示：
大部分工厂停留在第一层（描述性），能画个帕累托图就算"会分析"了。但真正有价值的是第二层和第三层——找到根因、预测风险。建议至少做到：每月帕累托分析 + 关键问题分层拆解 + 趋势预警。这三步不需要高深统计知识，Excel 就能搞定。
三、2026版新风向：数据分析的三大新趋势
1. 自助式分析（Self-Service BI）
· 核心要求：一线管理人员可直接拖拽生成分析报表，无需等 IT/品质部。
· 管理重点：数据标准化 + 权限管理 + 可视化工具（如 Power BI、Tableau）。
2. 自动根因推荐
· 核心要求：AI 系统自动关联多维度数据，推荐最可能的原因。
· 管理重点：数据标签化 + 历史案例库训练。
3. 从"事后分析"到"实时决策"
· 核心要求：数据分析嵌入业务流程，异常实时触发决策。
· 管理重点：规则引擎 + 自动预警 + 闭环执行。
四、落地指南：数据分析的"七步法"
Step 1：明确分析需求
· 基于 9.1.1 策划的监视对象 + 9.1.3 的 7 个评价维度。
· 输出：《数据分析需求清单》。
Step 2：收集整理数据
· 从各系统/表单汇总数据，确保完整性、准确性。
· 输出：数据汇总表。
Step 3：选择分析方法
· 根据目的选择描述性/诊断性/预测性方法。
· 输出：分析方法说明。
Step 4：执行分析
· 制作图表、计算指标、识别趋势/异常。
· 输出：分析图表 + 初步结论。
Step 5：形成评价结论
· 对应 7 个维度逐一评价，得出结论。
· 输出：《数据分析与评价报告》。
Step 6：输出改进需求
· 从分析中识别改进机会，进入纠正措施流程。
· 输出：改进项目清单。
Step 7：提交管理评审
· 作为 9.3 管理评审的输入。
· 输出：管理评审输入材料。
五、实战工具：《数据分析与评价报告》（模板）
评价维度 | 数据来源 | 分析方法 | 本期结论 | 趋势/对比 | 改进需求 |
a) 产品符合性 | 检验记录、SPC | 控制图+帕累托 | 整体合格率 97.2%，但焊接工序不良率连续 3 月上升（1.8%→3.1%） | 恶化趋势 | 焊接参数优化+夹具点检 |
b) 顾客满意 | 调查+投诉 | 趋势分析 | 总体满意度 82 分（目标 85），交付及时性评分下降明显 | 连续两期下滑 | 排产优化+急单管理 |
c) QMS 绩效 | 内审+目标 | 目标达成率 | 12 项目标中 9 项达成，3 项未达成（交付、投诉关闭、培训完成率） | 持平 | 未达成目标专项改进 |
d) 策划实施 | 流程执行检查 | 抽样验证 | 新发布的《变更控制程序》现场执行率仅 60% | 执行不到位 | 流程培训+执行监督 |
e) 风险措施有效性 | 风险跟踪表 | 效果验证 | 6.1 识别的 15 项风险中，12 项措施有效，3 项效果不足（供应商断供风险） | 部分失效 | 供应商双源策略加速 |
f) 外部供方绩效 | 供方评分卡 | 排名+趋势 | 供应商 A 连续两季评分低于 70 分（质量不稳定） | 持续恶化 | 启动供应商替换/帮扶 |
g) 改进需求汇总 | 以上综合 | 优先级排序 | 高优先级 3 项：焊接不良、交付延迟、供应商 A 质量 | - | 见改进计划 |
六、避坑指南：七大常见误区
误区一：只做"描述"不做"评价"
报告里全是图表和数据，没有结论。
纠正：分析必须输出评价结论。每个维度要有明确的"好/中/差"判断。
误区二：只看"总数"不看"结构"
合格率 97% 就万事大吉，不拆开看。
纠正：必须分层分析。总数好看但某个维度在恶化，比总数差更危险。
误区三：分析"不关联"
产品数据、客户数据、供方数据各分析各的。
纠正：交叉关联。客户投诉的缺陷是否对应某供应商材料？不良率上升是否对应某台设备？
误区四：方法"过度"或"不足"
要么全用 Excel 求和，要么非要上六西格玛。
纠正：方法匹配目的。日常监控用趋势图+帕累托，深度问题用分层+鱼骨。
误区五：不输出"改进需求"
分析完了，报告归档，没有下一步。
纠正：每次分析必须输出改进需求清单，进入纠正措施流程。
误区六：数据"质量差"
输入的数据本身就不准（漏填、乱填），分析结果自然不可信。
纠正：数据质量是第一位的。先确保源头数据准确，再谈分析。
误区七：不进"管理评审"
分析结果只在品质部内部流转，老板看不到。
纠正：分析结果必须作为管理评审输入（9.3.2），让决策层看到。
七、审核员会怎么查？
在内审或第三方审核时，审核员通常会通过以下方式验证 9.1.3：
1. 查分析报告：近期的数据分析与评价报告是否覆盖 7 个维度？
2. 查数据来源：分析是否基于 9.1.1 的监视测量数据？
3. 查分析方法：是否使用了适当的分析方法（统计技术）？
4. 查结论质量：评价结论是否明确？是否有数据支撑？
5. 查改进输出：分析结果是否导出了改进需求？
6. 查闭环：改进需求是否进入了纠正措施流程（第 10 章）？
7. 查管理评审输入：分析结果是否提交管理评审？
8. 查人员认知：问品质经理："你最近一次数据分析发现了什么问题？采取了什么措施？"
八、实战案例：某五金厂的"帕累托觉醒"
背景：该厂生产精密螺丝，月产量 500 万颗。每月品质报告都显示"合格率 98.5% 以上"，管理层很满意。
新来的品质主管做了一次分层帕累托分析，把不良品按缺陷类型拆解，发现：98.5% 的合格率背后，有一种缺陷——"头部开裂"——占了总不良的 62%。进一步分层发现：头部开裂集中在夜班、集中在 3 号冷镦机。
追查发现：3 号机的模具已经超寿命使用，夜班操作工为了赶产量没有按规范换模。之前"总数"一直被白班和其他设备的高良率拉平，没人注意到这个问题。
改进后：更换模具 + 建立模具寿命自动提醒 + 夜班增加巡检。头部开裂缺陷下降 85%，整体合格率从 98.5% 提升到 99.4%。客户投诉归零。
9.1.3 改进过程：
1. 建立分层分析习惯：每月不良品按缺陷类型、工序、设备、班次分层。
2. 帕累托聚焦：每月找出 TOP3 缺陷，专项改进。
3. 趋势预警：关键指标设置阈值，超阈值自动报警。
4. 效果：半年内整体不良率下降 60%，客户投诉下降 90%。
结语
ISO9001:2026 的 9.1.3 条款，本质上是要求企业建立一种"数据不是终点，分析才是起点"的决策文化。
好的数据分析，不是"把数字排好队给老板看"——而是从数字里找到问题、找到原因、找到方向。你不会分析数据，数据就是一堆电子垃圾；你会分析，它就是最值钱的管理资产。
联系我们：
电话：13537686468（叶老师）
微信：19864274625（咨询助理）
地址：广东省东莞市凤岗镇永盛大街111-108号纵横世纪航空质量中心
邮箱：Szmytd@163.com