为什么90%的问题复盘都白做？根本原因分析的落地陷阱与校准逻辑
去年9月23号在南京紫金山庄开的那场智能制造复盘会，我到现在都记得。某汽车零部件厂的质量总监拍着桌子骂，说他们花了三个月做的问题复盘，刚把整改措施落下去，同一个批次的裂纹缺陷又冒出来了。
那时候满屋子的人都在吐槽，说现在的复盘会开得像批斗会，要么是找个基层员工背锅，要么是写一堆正确的废话，什么"加强质量意识""提升操作规范"，整改报告写了几十页，问题该出还是出。
汽车零部件裂纹缺陷失效分析实验室检测场景
制造企业问题复盘跨部门链路分析白板场景
落地的时候，别犯这两个错
我见过太多企业把这套东西用歪了，要么是过度分析，要么是甩锅给人，最后把好好的根因分析变成了形式主义。
第一个错，是为了找根因而找根因，不管投入产出。比如某消费电子厂的一个小装配毛刺问题，不良率只有千分之二，他们的技术团队花了两周时间追溯到注塑机模具钢材的晶粒度，说要换进口模具才能解决。换一套模具20万，而这些毛刺的返工成本，一年加起来才5000块。这时候你就算找到了最底层的根因，又有什么意义？根因的判定从来不是越底层越好，而是要结合整改的成本收益，找投入最小、见效最快的那个干预节点。
第二个错，是把根因归到"人的责任心"上。我见过太多复盘报告的最后一条，写的是"员工责任心不足，需要加强培训"。这句话最没用，因为你没法量化责任心，也没法通过培训从根源上解决问题。真要解决问题，你就把容易出错的环节改成防呆设计——比如装配的卡扣如果装反了就按不下去，比如温度不够的时候设备根本没法启动，而不是指望每个员工都能100%集中注意力不犯错。
现在越来越多的企业开始用工业互联网的数据辅助做这件事，把设备的传感器数据、生产批次的参数、人员的操作日志全部打通，用因果推断模型来找问题的关联因素。但这里有个最大的风险：模型很容易把相关性当成因果性。之前某酒厂用模型分析酒窖的良率影响因素，发现温湿度和良率的相关性达到了0.8，结果后来才发现，温湿度高的那几天，刚好是有30年经验的老酿酒师值班，这才是真正的影响因素。所以模型只是辅助工具，最终的因果校验，还是得靠人去把整个链路走一遍。
去年我回南京跟那个质量总监吃饭，他说现在他们公司开复盘会，先把"要追责谁"的话头压下去，先拉着生产、设备、质量、采购四个部门的人坐在一块，把三个月的生产数据全部摊开，先找链路的断点，再谈整改。上个月他们的裂纹缺陷率降了87%。
哪有什么一找就准的根因啊。
不过是少点甩锅的心思，多点刨根的耐心罢了。
别把"找借口"当成找根因
很多人对这件事的误解，从根上就错了。他们以为找根因就是顺着问题往回倒推两层，找个能甩锅的对象就完事。比如那个汽车零部件厂，最初的复盘结论是"一线工人操作不当，淬火时放料位置偏了1厘米"，于是扣了班组的绩效，还组织了三天的操作培训。结果呢？培训完第二周，同类型的裂纹缺陷又出现了，这次放料的位置完全在规程允许的范围内。 说白了，他们找的不是根因，是能最快平息管理层怒火的借口。 根因的核心判定标准，是"消除这个因素之后，同类问题在相同边界条件下不会重复发生"。这句话是我在某半导体厂的质量手册里看到的，当时觉得太生硬，直到经历了那次良率波动的事才懂。 2022年那家半导体厂的12寸晶圆良率突然掉了3个百分点，技术团队花了两周时间调设备参数，换了所有的探针卡，还是没找到问题。最后是管后勤的行政小姑娘提了一句，说上个月为了降本，把硅片清洗环节的去离子水滤芯更换周期从30天改成了45天。换了新滤芯之后，良率当天就回到了原来的水平。 你看，很多时候问题的根因，根本不在你盯着的生产环节里，而是藏在那些你觉得"和质量没关系"的角落。汽车零部件裂纹缺陷失效分析实验室检测场景
链路拆解里的"隐形断点"
现在大家都在说5Why分析法，好像只要连续问五个为什么，就能找到最终的根源。但我见过太多人把5Why用成了线性的抬杠。比如还是那个汽车零件的裂纹问题，有人问为什么有裂纹？因为淬火温度不够。为什么温度不够？因为加热炉的温区探头不准。为什么探头不准？因为积碳太厚。为什么积碳厚？因为吹屑的压缩空气管路有漏点，吹不干净。为什么漏点？因为维修工人没按规程查管路。 到这步就停了？不对。 你得接着往下问，为什么维修工人没按规程查？因为这个管路检查的规程是2018年定的，那时候压缩空气系统刚建好，没有漏点风险，所以规程里把这项检查的优先级列得很低，半年查一次就行。后来2022年扩产加了3台设备，管路改了三次，但规程从来没更新过。更关键的是，维修班组的KPI是"维修响应速度"，要求接到故障报修之后10分钟内到现场，没人愿意花20分钟去做没有明确要求的管路排查——这才是真正的断点。 根本原因分析不是"无限追问"，而是要找到所有能被人为干预、且能从根源上切断问题生成链路的节点。如果这时候你继续问，为什么金属管路会疲劳？为什么维修工人不愿意多干活？这种要么是物理规律，要么是人性的普遍特质，你没法干预，也没法通过整改消除，那就不是你要找的根因。 真实世界的问题从来不是一条直线的链路，而是像蜘蛛网一样的网状结构，你盯着某一个节点使劲，很可能旁边的节点又会漏出问题。之前有个做光伏组件的朋友跟我说，他们的热斑缺陷，找了三个月才发现，是采购环节为了降本换了新的EVA胶膜供应商，而新胶膜的交联度参数，刚好和他们的层压工艺不匹配——这个断点跨了采购、工艺、质量三个部门，靠任何一个部门单独复盘，都找不到真正的问题。制造企业问题复盘跨部门链路分析白板场景
落地的时候，别犯这两个错
落地的时候，别犯这两个错
我见过太多企业把这套东西用歪了，要么是过度分析，要么是甩锅给人，最后把好好的根因分析变成了形式主义。
第一个错，是为了找根因而找根因，不管投入产出。比如某消费电子厂的一个小装配毛刺问题，不良率只有千分之二，他们的技术团队花了两周时间追溯到注塑机模具钢材的晶粒度，说要换进口模具才能解决。换一套模具20万，而这些毛刺的返工成本，一年加起来才5000块。这时候你就算找到了最底层的根因，又有什么意义？根因的判定从来不是越底层越好，而是要结合整改的成本收益，找投入最小、见效最快的那个干预节点。
第二个错，是把根因归到"人的责任心"上。我见过太多复盘报告的最后一条，写的是"员工责任心不足，需要加强培训"。这句话最没用，因为你没法量化责任心，也没法通过培训从根源上解决问题。真要解决问题，你就把容易出错的环节改成防呆设计——比如装配的卡扣如果装反了就按不下去，比如温度不够的时候设备根本没法启动，而不是指望每个员工都能100%集中注意力不犯错。
现在越来越多的企业开始用工业互联网的数据辅助做这件事，把设备的传感器数据、生产批次的参数、人员的操作日志全部打通，用因果推断模型来找问题的关联因素。但这里有个最大的风险：模型很容易把相关性当成因果性。之前某酒厂用模型分析酒窖的良率影响因素，发现温湿度和良率的相关性达到了0.8，结果后来才发现，温湿度高的那几天，刚好是有30年经验的老酿酒师值班，这才是真正的影响因素。所以模型只是辅助工具，最终的因果校验，还是得靠人去把整个链路走一遍。
去年我回南京跟那个质量总监吃饭，他说现在他们公司开复盘会，先把"要追责谁"的话头压下去，先拉着生产、设备、质量、采购四个部门的人坐在一块，把三个月的生产数据全部摊开，先找链路的断点，再谈整改。上个月他们的裂纹缺陷率降了87%。
哪有什么一找就准的根因啊。
不过是少点甩锅的心思，多点刨根的耐心罢了。