一，智能需求综合分析质量问题。
　　分析质量问题原因的常用工具有很多，包括因果分析图、直方图、树形图、散点图、排列图、控制图等。但是，仅仅用一张统计图来分析一个质量问题是不够的，结论也不容易把握。从理论上讲，理论和方法是完备的，实施程序是清晰的。同时，没有一个自动的、固定的分析工具来说明用哪个图或哪些图进行分析，这需要人的经验和综合分析决策能力。
　　二、质量问题“红绿灯”的应用。
　　质量“红绿灯”可以帮助实现预警，从而对产品质量进行管理和监控。
　　第三，数据仓库质量的智能分析。
　　与数据库相比，数据仓库是非规范化的，原因如下:首先，数据仓库反映的是历史数据内容，涉及的操作主要是数据查询。一般不更新数据，所以数据进入数据仓库后很少更新或不更新；二，在构建数据仓库时，会考虑查询的快速执行，尽量减少多个表的连接操作。

　　所以需要合并一些表，面决策，增加一些数据项等方法，也就是进行反标准设计才是实际。普通的反规格化设计方法:增加冗余度:重新组织表格；拆分表。其主要优点是可以有效减少查询时的多表连接，提高查询效率。值得注意的是，“反规范化”没有自动可靠的操作模型，需要大量的综合分析和实证应用。
　　利用智能制造技术改进质量管理的建议
　　人们越来越重视产品的质量。但是在质量管理中，如果一些模糊点没有控制住，表面上看起来质量标准水平很高。但是质量只是建立在局部环节上，或者说质量存在很多潜在的风险。因此，建议研究潜在的风险点，积极采取有效措施。
　　梳理了质量管理中需要综合决策的环节，通过学习智能制造技术，部分解决了这些问题。具体来说，对质量管理的风险点进行挖掘和分析，研究对策，如质量问题发现和综合分析方法和工具、风险预警、切割风险分析工具等。