🔍 1. 废品率 —— 生产损耗的 “显性镜子”

定义：废品占总产出的比例，可从材料成本或数量维度计算。

目的：直观反映生产过程的材料浪费与工艺稳定性，定位粗放式损耗环节。

公式：

• 成本维度：废品率% =（废品材料金额 / 总生产成本）× 100%

• 数量维度：废品率% =（废品数量 / 总生产数量）× 100%

🔧 2. 返工率 —— 首次质量缺陷的 “放大镜”

定义：返工时间或返工品占总生产资源的比例，暴露重复劳动成本。

目的：聚焦 “一次做对” 率不足的工序，降低隐性时间浪费。

公式：

• 工时维度：返工率% =（返工工时 / 总生产工时）× 100%

• 数量维度：返工率% =（返工品数量 / 总生产数量）× 100%

🛎️ 3. 质量事故 —— 质量危机的 “熔断信号”

定义：因质量问题导致的停线、停发或批量修正事件次数。

目的：衡量质量问题对业务运行的破坏性，推动系统性风险管控。

公式：直接统计年度内符合定义的停线 / 召回 / 重大客诉事件次数（非比例计算）。

管理重点：需提前明确 “质量事故” 判定标准（如停线≥2 小时、客诉损失≥10 万元等）。

🔬 4. 零件加工不良率（巡检合格率）—— 工序质量的 “体温计”

定义：工序中不合格品占比（不良率）或一次合格水平（合格率）。

目的：按工序精准定位设备、工艺或操作问题，预防批量缺陷。

公式：

• 不良率（PPM）：（不合格数 / 投入量）× 1,000,000

• 合格率：（一次合格数 / 生产总数）× 100%

🔄 5. 进料检验合格率 —— 供方质量的 “第一道关卡”

定义：供应商来料合格批次占检验总数的比例。

目的：监控外部输入质量，降低来料缺陷引发的连锁风险。

公式：进料检验合格率% =（来料合格数 / 来料检验总数）× 100%

延伸价值：可与供方绩效考核挂钩，推动上游质量改进（如引入 PPAP、8D 报告机制）。

📦 6. 批量不合格率 —— 批次质量的 “稳定性标尺”

定义：需整批返工 / 报废的检验批占比，反映批次级质量波动。

目的：识别生产条件（如模具、工艺参数）突变导致的系统性风险。

公式：批量不合格率% =（不合格批数 / 总检验批数）× 100%

核心逻辑：检验批需满足 “同型号、同条件生产”，批量问题优先排查共性因素（如工装夹具、原料批次）。

✅ 7. 顾客验货一次通过率 —— 交付质量的 “最终验收”

定义：客户首次验收合格的交付产品占比。

目的：直接对接客户标准，避免交付后返工或拒收造成的信誉损失。

公式：一次通过率% =（客户验收合格数 / 交付总数）× 100%

管理要点：需对齐客户验收标准（如抽样方案、关键特性），纳入出厂检验重点项。

🔢 8. 百万分之不合格品数（PPM）—— 微小缺陷的 “放大镜”

定义：每百万件产品中客户退货或不合格品数量，放大质量问题影响。

目的：适用于高产量场景，量化客户端不满意程度，聚焦 “零缺陷” 目标。公式：

• 退货 PPM：（退回件数 / 发货总数）× 1,000,000

• 内部 PPM：（不合格数 / 总生产数）× 1,000,000

💰 9. 质量成本 —— 质量经济性的 “全局账本”

定义：内部与外部故障成本总和，反映质量体系运行效率。

目的：通过财务语言量化质量价值，支持资源优化（预防成本 vs 故障成本）。

公式：

• 总成本 = 内部故障成本（报废、返工） + 外部故障成本（退货、赔偿、投诉）

• 占比指标：质量成本占销售额比率% =（质量成本 / 销售额）× 100%

📊 10. 产品入库检验合格率 —— 产线终端的 “质量闸门”

定义：入库前合格产品占检验总数的比例，把控库存质量底线。

目的：监控生产流程最终输出质量，避免不合格品流入仓储环节。

公式：入库检验合格率% =（入库合格数 / 入库检验总数）× 100%

延伸应用：结合不合格品分类（如外观、功能），反向优化末道检验流程。

1. 精准定义，避免歧义

• 明确指标口径：如 “返工工时” 是否包含管理人员协调时间？“总生产成本” 是否含间接费用？

• 建立《指标字典》：统一术语定义（如 “检验批”“生产批” 的区别），避免跨部门理解偏差。

2. 数据驱动，溯本求源

• 异常波动时，运用 5Why 法 + 鱼骨图 追溯根本原因（例：返工率突增→某工位工装松动→设备维护周期不合理）。

• 结合柏拉图法则：聚焦占比 80% 的关键问题（如前 3 位不合格类型），优先投入资源改进。

3. 动态监控，闭环管理

• 设定合理目标：参考行业标杆（如进料合格率≥98%），结合自身制程能力逐步提升。

• 建立改进闭环：指标预警→根因分析→对策实施→效果验证→标准化（纳入作业指导书）。

结语

质量指标的价值远不止于 “计算数字”，而是通过数据洞察流程漏洞，将质量管控从 “事后救火” 转向 “事前预防”。企业需根据自身行业特性（如离散制造 vs 流程制造）、产品类型（如高单价小批量 vs 低单价大规模）动态组合指标，让质量数据真正成为驱动卓越运营的 “指南针”。

通过系统化理解这 10 大指标的底层逻辑，质量管理者能够更精准地识别改进方向，推动组织从 “符合标准” 迈向 “超越预期” 的质量竞争力新阶段。