在质量管理中，所有的解释总是基于实际数据或事实。在产品生产中，你永远面对的问题，是怎样与可靠性打交道。
在此意义上说，质量控制方法可以称为“事实控制”或“基于事实的控制”。
01.公平原则
解释应基于数据，而数据必须细心地收集。
有一位教授曾经发表了一篇关于“噪音影响病人恢复”的论文，列出了一家医院病房噪音的数据，并描绘了病人的恢复时间——从病人入院到出院的时间。
论文结论是：低噪音环境能帮助病人快速恢复。
一位了解这家医院的医生实地考察了医院，他发现这家医院，是把病情较轻的病人安排在高层比较安静的病房里，而把病情严重的病人安排到低层较嘈杂的病房里。这种安静的病房中的病人恢复得更快，就是很自然的事了。
显然，我们必须彻底地了解要收集数据的环境，否则你会发现自己成为人家的笑料。在解释事实时，这样的错误是经常发生的，不管它是否是根据统计值来作判断。
在研究一个问题时，人们倾向于强调看起来是符合预言的事实，并把此作为一个黄金原则，甚至不顾支持它的数据多么贫乏。
像这样的错误结论，有名的人和不知名的人都带会坠入了这个陷阱。
在这种倾向中更加危险的是，一旦某人听到一种反对意见时，他极其不愿意放弃他的看法，即使有足够的证据反驳他。
我们需要的是允许反对意见、公平评价并能带领我们进入统计科学的方法学。当在前面组织数据、决定平均值、作出图表时，基本的要求就是收集统计数据。
当然，简单地收集统计数据是不够的，除非你很熟悉可能得到公平答案的某些原理，否则仍会出错。但是这些原理是相当简单的。
02.大数法则
收集尽可能多的数据并计算出平均值。
某些情况下，你可以相当随机地的把完全不同的数据分成两类，一类表示有利的结果，其它表示不利的结果。
然后，假如你收集了大量的数据，便可以一个个剔除掉变形的数据。你得到平均值，你便得到了接近事实的数字了。这就是大数法则。
尽管如此，如果你收集的故障的数据有成千个甚至上万个，并且求出其平均值，那么在制造的好的产品中，故障的数字会统一的低，而在那些差的产品中，故障数字会统一的高。这也是大数法则。
统计表明，近年来出生的人身高要比上世纪90年代出生的人高，但仍然有些以前出生的人身材很高，就象一些近年出生的人身材很矮一样。
关于身高的精确描述，只能在调查了大量数据，并做出比较后才能得出。这样，这些数字便可以说明，在平均值上，人已经长高了，这才是可信赖的。如果前面那位教授能够收集几家医院的数据，他可能会避免他犯的错误。毫无疑问，他是他自己先入为主的受害者。
在解释数据时，重要的是让数据来说话。重要的是把你可能会有的任何偏见或理论放在一边，并把手中可能和不可能作出结论的数据，划出明显的差别。
你可以划出线来考虑，但是在这样做的时候，你不能够强迫数据来支持你的观点。
03.
随机原理
在数据收集时，另一个重要原理是随机的公平的抽样。
比如说，为获取民意，你必须随机地选择一些人，记录他们的反应并计算出平均值，这就是公众民意调查在选择对象必须注意的问题。
电视名人或其它名人有时被问到对一些事情的看法，这些不能被称为公众意见的测试。
在工厂里收集数据也是同样的。如果仅仅在早晨工作情况好时记录数据，或者仅仅记录某一个特定机器的数据，都是失之偏颇的。
公平的数据符合下列条件：1，它们是带普遍性的，不管在哪里，它们总是一样的。2，它们是可再生的，不管重复测量多少次都得到同样的结果。
一个客观的结论是带普遍性的并且是可再生的。质量控制是“事实控制”，重要的是用此方法得到事实。
在工厂里，通常是有可能得到大量足够的数据以满足大数法规。在销售和财务部门，要收集足够多的数据也许非常困难，弄得不好，一些不恰当的因素会导致我们得到错误的结论。
转自：管理与质量
