食品的生产，从原料（农产品、肉蛋）生产、加工、储存的整个过程来看，都比一般的工业品更加难以标准化和管控，天然存在不确定性。同时食品行业的生产企业存在分布广、规模发展水平不一的问题，管控难度可以说相当大。

    虽然笔者相信随着食品生产标准、监管体系的完善，实际的食品质量是可以稳步提升的。但由于信息网络的高度发达，不论是电视新闻、网络媒体，还是社交平台，我们能看到、听到的食品质量问题却愈演愈烈，使得消费者对产品质量信心骤减。食品行业的质量管理绝非增加企业商誉的“锦上添花”，而是食品企业能否得以生存和发展的“关键能力”。

    今天，我们要讲的就是如何用大数据分析给这一“关键能力”加上“最强大脑”。

    科尔尼调研发现，现今食品企业的质量管理主要存在以下几方面问题：

    问题一：事后管理多于事前预防

    质量管理通常可以分为预防、监测和控制三个部分。其中监测与控制是对质量问题的事后管理，即发掘、纠正、追踪质量问题；而预防则属于事前管理，即通过系统的质量管理措施提升质量水平、预防问题的产生。

    

    我们接触到的相当多食品企业，质量部门的定位依然是一个“把关者”而不是“改变者”。质量管理部门最常扮演的角色是事后管理的“救火队员”。如：接到投诉后如何能够快速解决顾客问题、下架相关产品、控制问题造成的负面影响等。连带采购部门也被频繁地卷入供应保障、质量纠纷的解决、索赔等事物中。可如果要提升企业的整体质量水平，则需更多地需要关注事前管理，从源头扼制质量问题的发生。

    预防的难点既在于采取什么样的措施“防患于未然”，更在于精准地找到我们要在哪些环节、防什么问题。毕竟企业的质量管理团队、供应商管理团队资源是有限的，必须通过识别、筛选、排序，把有限的资源投入在效益最大的地方，这就需要对企业全局的质量数据进行全面收集和分析。

    问题二：数据收集内容透明度、整合度不足

    成熟的质量管理，需要产品全生命周期的质量管控，将各环节质量信息进行汇总和整合，充分发挥数据分析和可视化的威力。但是基于之前讲述的质量部门的定位，往往不同环节的质量管理相互隔离、各管一段，不仅仅数据没有整合，大家的行动也缺乏协调。

    我们曾走访一家食品企业，他们的产品非常“土”，很有各地的地方特色和时令因素，因此也更依赖一些小规模的、传统的供应商。他们深知这些供应商的能力不足，因此在产品入库、仓储、运输及门店销售都设置了质量监控的关卡，然而，还是不能有效阻止有问题产品流入终端消费者的手中。在对其基础数据进行分析后，我们发现主要原因有三：一是其监控设置不合理，虽然层级多，但重点不够明确，存在资源错配和浪费；二是每一级的监控目标、工作方法都有待改善，有效性亟待加强；三是各扫门前雪，各环节只看自己的数据，只想着如何改善自己的工作，缺少通盘的规划和协调。

    出现这样问题的一个很重要的原因，是企业内的质量数据没有打通。比如还是在上述食品企业走访时，我们发现：各环节设计自己的质量问题记录表单，使用的单位、统计的范围都不一致；一线员工对问题的记录不规范，对质量问题的描述没有统一标准，不是过于笼统，就是过于琐碎，无法归类和深入分析；各环节只看自己的数据，无法进行全局的数据统计和分析，导致整体信息透明度低、无法支持更好的决策，也不便于进行问题追溯和原因分析。

    事实上，不仅仅在食品行业，这是很多管理正在升级的国内企业的通病，但同时也是质量改善、降低质量成本的一个速效机会点——只要通过规范数据统计的流程和内容，规范产品编码、供应商编码、质量问题编码等信息，就可以将各环节问题产品、责任供应商、主要发生问题进行统计与追溯，快速找到需要重点改善的方向，合理分配内部管理资源，快速提升质量水平。

    问题三：数据分析指标全局性、全面性欠缺，更缺少和财务指标的关联

    很多企业的评判指标停留在局部的、单一的维度，如供应商供货合格率、退货率、顾客投诉率等。但缺少贯穿产品生命周期的全局指标，更无法体现出质量的好坏是如何对企业的财务表现造成影响的– 商誉是更难以量化的指标，但成本和损失却是可以衡量的。

    食品企业需要的是可以从战略角度来进行全方位评估的指标体系，它需要能够涵盖质量问题的预防、鉴定以及评估内外部损失造成的成本，并能够揭示隐藏在质量问题“冰山下”的诸多成本和损失，全面展现质量问题为企业带来的财务影响，并能够以此识别关键质量问题，使企业可以对症下药，优化内部资源配置。

    

    出路：如何让大数据管理服务于质量管理

    作为典型的传统行业，食品企业以往单纯依靠人力资源来进行质量监控的管理模式已无法适应时代的需求。信息时代的数据规模正呈指数级飞速增长，其带来的信息与洞见也日益充盈，大数据管理将逐步成为食品质量体系的新生代管理模式。

    大数据管理一方面可以为监测、控制环节提供完善的数据收集、分析体系，一方面可以通过模拟、预测等手段评估预防环节的项目成果，最大化投资收益。既而基于完善的质量数据，对质量表现进行全局性的统计，用大数据分析洞悉商业问题与机遇。

    通过大数据管理，企业还可以建立质量问题的追溯机制。由此，可以快速明确质量问题责任相关方，并依据内外部绩效机制进行差异化管理，提高管理效率与效果。

    诚然，过多的数据可能已经让很多企业的管理层望而生畏。拥有完备的数据只是一个良好的开端，有能力整合数据、通过数据分析提取其中蕴含的问题和机会，才能真正对业务带来帮助，进一步再把数据收集和分析的过程可视化、自动化，就能让企业管理者、质量管理人员轻松获取实时的、交互的支持，做出相应的决策。科尔尼为客户开发了基于数据仓库和可视化技术的“质量魔方”，可以整合不同系统、不同数据源（甚至成百上千张Excel）表格的数据，对持续更新的数据进行动态监测，汇总显示，并且整合了科尔尼专业运营管理经验中的众多分析维度。使用者能够轻松以多种图表方式查看全部信息，而且通过鼠标轻点即可对数据进行深入挖掘。