Industrial KnowledgeDữ liệu thuộc tính vs dữ liệu biến là gì? Chọn đúng để phân tích đúng | Ví dụ
Nội dung bài viết 10 mục
Cùng một đặc tính, bạn có thể ghi “đạt” hoặc ghi “19,98 mm”. Lựa chọn tưởng nhỏ này quyết định bạn dùng biểu đồ kiểm soát nào, MSA kiểu gì, cần bao nhiêu mẫu và rút ra được bao nhiêu thông tin.
Tóm tắt nhanh
- Dữ liệu thuộc tính là đếm hoặc phân loại (OK/NG, số vết xước); dữ liệu biến là kết quả đo trên thang liên tục.
- Dữ liệu biến chứa nhiều thông tin, phát hiện xu hướng sớm, cỡ mẫu thường 5/nhóm.
- Dữ liệu thuộc tính rẻ và nhanh nhưng cần cỡ mẫu lớn, thường 50–200+/nhóm.
- Lựa chọn quyết định biểu đồ SPC (X̄-R, I-MR hay p, np, c, u) và kiểu MSA.
Dữ liệu thuộc tính là gì?
Dữ liệu thuộc tính (attribute data) là dữ liệu đếm hoặc phân loại: đạt/không đạt, có/không, loại A/B/C, số khuyết tật trên một sản phẩm. Nó rời rạc và không cho biết sản phẩm “gần biên” hay “xa biên” thế nào.
Đặc điểm: dễ thu thập, nhanh, rẻ; nhưng mỗi điểm dữ liệu chứa ít thông tin nên cần cỡ mẫu lớn.
Ví dụ: số chai lệch nhãn trong ca, số vết xước trên tấm kính, kết quả calip Go/NoGo, đánh giá màu “đạt” theo mẫu.
Dữ liệu biến là gì?
Dữ liệu biến (variable data), hay dữ liệu liên tục, là kết quả đo trên thang đo liên tục: chiều dài, khối lượng, nhiệt độ, áp suất, thời gian, độ cứng.
Đặc điểm: chứa nhiều thông tin, thấy được vị trí và độ phân tán, phát hiện xu hướng sớm, cỡ mẫu nhỏ vẫn đủ; nhưng cần thiết bị đo tốt hơn và thời gian đo lâu hơn.
Bảng phân biệt
| Tiêu chí | Dữ liệu biến | Dữ liệu thuộc tính |
|---|---|---|
| Bản chất | Liên tục, đo được | Rời rạc, đếm/phân loại |
| Ví dụ | 19,98 mm; 72,4 °C | OK/NG; 3 vết xước |
| Thông tin mỗi điểm | Nhiều | Ít |
| Cỡ mẫu cần thiết | Nhỏ (thường 5/nhóm) | Lớn (thường 50–200+/nhóm) |
| Phát hiện xu hướng | Sớm, trước khi ra lỗi | Muộn, khi đã có lỗi |
| Biểu đồ SPC | X̄-R, X̄-S, I-MR | p, np, c, u |
| MSA | Gauge R&R, bias, linearity | Attribute Agreement Analysis |
| Năng lực | Cp, Cpk, Pp, Ppk | Tỷ lệ lỗi, DPMO, mức sigma |
| Chi phí đo | Cao hơn | Thấp hơn |
Ứng dụng của từng loại
| Bối cảnh | Nên dùng | Lý do |
|---|---|---|
| Đặc tính đặc biệt, dung sai hẹp | Biến | Cần Cpk, phát hiện trôi sớm |
| Kiểm ngoại quan | Thuộc tính | Không có thang đo liên tục |
| Kiểm 100% tốc độ cao | Thuộc tính (calip, cảm biến) | Nhanh |
| Dự án cải tiến, DOE | Biến | Phân tích thống kê mạnh hơn |
| Báo cáo KPI chất lượng | Thuộc tính | Dễ tổng hợp tỷ lệ lỗi |
Ví dụ tại nhà máy Việt Nam
Nhà máy may xuất khẩu tại Nam Định (minh hoạ) theo dõi chiều dài tay áo sơ mi 62 ±1 cm.
| Cách ghi | Dữ liệu 1 tuần | Kết luận rút ra |
|---|---|---|
| Thuộc tính (đạt/không) | 2.000 áo, 182 áo không đạt (9,1%) | Có lỗi, không rõ xu hướng |
| Biến (đo 5 áo/giờ) | 200 giá trị, trung bình 62,6 cm, σ = 0,3 cm | Tâm lệch +0,6 cm, Cpk = 0,44 |
Dữ liệu biến cho thấy vấn đề không phải độ phân tán mà là tâm lệch: dưỡng cắt bị dịch. Chỉnh dưỡng về tâm, Cpk tăng lên khoảng 1,1 mà không cần đầu tư.
Khi nào nên chuyển từ thuộc tính sang đo biến?
Khi tỷ lệ lỗi đã thấp (dưới khoảng 0,5%), biểu đồ p cần cỡ mẫu hàng nghìn sản phẩm mới thấy tín hiệu. Lúc đó, đo một đặc tính biến liên quan trực tiếp tới lỗi (ví dụ lực kéo thay cho “tuột/không tuột”) giúp phát hiện xu hướng sớm với chỉ 5 mẫu mỗi giờ.
Mẹo áp dụng
- Khi có thể, hãy đo thay vì chỉ phân loại – đặc biệt với đặc tính quan trọng.
- Có thể chuyển dữ liệu biến thành thuộc tính (so với dung sai), nhưng không làm ngược lại được.
- Với thuộc tính, chọn cỡ mẫu sao cho mỗi nhóm có trung bình ít nhất vài lỗi, nếu không biểu đồ p sẽ toàn số 0.
- Trong Excel, giữ cột giá trị đo gốc; thêm cột công thức =IF(AND(x>=LSL,x<=USL),“OK”,“NG”) khi cần báo cáo tỷ lệ.
Lỗi hay gặp
- Ghi “OK” cho đặc tính có thể đo, làm mất thông tin.
- Dùng biểu đồ X̄-R cho dữ liệu đếm.
- Tính Cpk từ dữ liệu đã làm tròn quá thô (gần như thuộc tính).
- Làm Gauge R&R cho calip Go/NoGo.
Câu hỏi thường gặp
Số khuyết tật là dữ liệu biến hay thuộc tính? Là dữ liệu đếm – thuộc nhóm thuộc tính, dùng biểu đồ c hoặc u.
Thời gian chu kỳ là loại gì? Dữ liệu biến, dù thường ghi số nguyên giây.
