一，智能需求綜合分析質量問題。
　　分析質量問題原因的常用工具有很多，包括因果分析圖、直方圖、樹形圖、散點圖、排列圖、控制圖等。但是，僅僅用一張統計圖來分析一個質量問題是不夠的，結論也不容易把握。從理論上講，理論和方法是完備的，實施程序是清晰的。同時，沒有一個自動的、固定的分析工具來說明用哪個圖或哪些圖進行分析，這需要人的經驗和綜合分析決策能力。
　　二、質量問題“紅綠燈”的應用。
　　質量“紅綠燈”可以幫助實現預警，從而對產品質量進行管理和監控。
　　第三，數據倉庫質量的智能分析。
　　與數據庫相比，數據倉庫是非規范化的，原因如下:首先，數據倉庫反映的是歷史數據內容，涉及的操作主要是數據查詢。一般不更新數據，所以數據進入數據倉庫后很少更新或不更新；二，在構建數據倉庫時，會考慮查詢的快速執行，盡量減少多個表的連接操作。

　　所以需要合并一些表，面決策，增加一些數據項等方法，也就是進行反標準設計才是實際。普通的反規格化設計方法:增加冗余度:重新組織表格；拆分表。其主要優點是可以有效減少查詢時的多表連接，提高查詢效率。值得注意的是，“反規范化”沒有自動可靠的操作模型，需要大量的綜合分析和實證應用。
　　利用智能制造技術改進質量管理的建議
　　人們越來越重視產品的質量。但是在質量管理中，如果一些模糊點沒有控制住，表面上看起來質量標準水平很高。但是質量只是建立在局部環節上，或者說質量存在很多潛在的風險。因此，建議研究潛在的風險點，積極采取有效措施。
　　梳理了質量管理中需要綜合決策的環節，通過學習智能制造技術，部分解決了這些問題。具體來說，對質量管理的風險點進行挖掘和分析，研究對策，如質量問題發現和綜合分析方法和工具、風險預警、切割風險分析工具等。