在线使用质量工具。输入你的数据，即时生成分析结果。
AI赋能的因果分析工具。输入问题描述，AI自动生成6M原因分析；点击任意原因可AI展开子原因。支持手动编辑和交互式逐层深入。
一种结构化表格，用于在数据产生的现场实时收集和组织数据。它允许系统性地记录观察结果，是最简单实用的数据收集工具。
一种时间序列图，显示带有统计计算的上下控制限的过程数据。用于判断过程是否处于统计控制状态，区分普通原因变异和特殊原因变异。
一种柱状图，展示连续数据的频率分布。它揭示数据分布的形状、中心位置、离散程度和模式，帮助判断过程是否正态、是否有异常。
一种将类别按频率降序排列的柱状图，附带累积百分比曲线。基于帕累托原理（80/20法则），用于识别"关键少数"和"次要多数"，集中精力解决最重要的问题。
通过在X-Y坐标轴上绘制数据点来展示两个变量之间关系的图表。用于识别潜在原因和效果之间的相关模式，判断两个变量是否存在线性关系。
使用标准符号来展示步骤、决策和流向的过程图。它使复杂过程可视化，帮助识别低效环节、冗余步骤和改进机会。
一种简单但强大的根因分析技术，通过反复追问"为什么？"来逐层深入直到找到根本原因。通常5次追问即可触达根因，但实际次数可多可少。由丰田生产系统创始人大野耐一推广。
一种系统性识别潜在失效模式、原因和影响，并通过风险优先数(RPN)排序来确定改进优先级的预防性工具。RPN = 严重度(S) × 发生度(O) × 探测度(D)。分为设计FMEA(DFMEA)和过程FMEA(PFMEA)。
一种高层次过程图，识别给定过程的供应商(S)、输入(I)、过程步骤(P)、输出(O)和客户(C)。用于在项目初期快速定义过程范围和边界，建立团队对过程的共同理解。
按时间顺序展示数据点的时序图。用于在使用控制图之前检测趋势、漂移和模式。比控制图简单，不需要计算控制限，适合初步观察过程行为。
通过四分位数展示数据分布的图形。显示中位数、数据离散程度和异常值。适合对比多组数据的分布差异（如不同班次、不同机台的产出对比）。
将过程变异与规格限比较的统计分析。计算Cp、Cpk、Pp、Ppk指数，评估过程满足客户要求的能力。Cpk>=1.33表示过程能力充足。
建立因变量与自变量之间数学关系模型的统计技术。可用于预测、因果量化和过程优化。包括简单线性回归、多元回归和非线性回归。
基于样本数据对总体参数做出推断的统计方法。通过设定零假设(H0)和备择假设(H1)，用p值判断差异是否具有统计显著性。常用检验：t检验、卡方检验、F检验。
比较三组或以上数据均值差异的统计方法。判断不同水平（如不同供应商、不同工艺参数）对结果是否有显著影响。是DOE结果分析的核心工具。
通过将数据点与理论正态分位数对比绘图，评估数据是否近似正态分布。如果数据点近似落在一条直线上，则支持正态假设。是进行参数统计分析的前提检验。
同时展示多个变异来源模式的图形工具。将变异分为件内(within-piece)、件间(piece-to-piece)和时间间(time-to-time)三类，快速识别主要变异来源。