要求精确的话，数据变换为arcsin√p，或ln(p/(1-p))，即可进行回归或假设检验或方差分析。p为不合格率。
二项分布数据最精确的回归方法是logistic回归。
二项分布数据做SPC可以不用变换。
抽样数量，如果用于SPC(统计过程控制)，则取决于控制精度，或者说置信区间的宽度。例如p=10%±2×1%，置信区间宽度=4%。
置信区间宽度=4√(p(1-p)/n)或6√(p(1-p)/n)，你能接受多大的置信区间，决定了抽样量n是多少。
再说说管理方面。
首先建立一个大画面，或者说逻辑模型。
你们公司之前的模型是: 过程---干预
完整的模型是: 结果---过程---干预(抽样、评价、数据分析和培训)
(信息流没法画出来，只好省略了。)
以下具体说说:
一，结果(顾客层面):
结果包括满意度、差评率、投诉率等顾客层面上的指标。
1)分析结果指标与过程指标的相关性。例如根据满意度确定过程指标的权重。通过回归法实现。这个可以粗一点，不需要太精确。
率数据需要使用logistic回归或因变量变换的最小二乘回归。
通常回归分析都需要处理共线性。
2)对不满意(或差评，或投诉)的结果进行汇总分析，找到真因和根因，确定培训或干预的重点。
3)通过培训前后过程指标的变化以及结果指标的变化，确定培训的有效性。可以看到培训作用的传递过程。
二，服务过程:
4)确定过程指标。因为5项指标是先前管理所需，不一定是全部，可能漏掉重要影响因子，所以要重新评估一下。这个应在1)之前。
严谨的做法还要确定过程指标之间的相关性(即共线性)。
5)分析过程指标的数据。例如找出最严重的TOP3的指标。或找出TOP3的根因。或找出最靠后的一部分员工(通常符合二八率)。或比较不同时段的差异。或比较不同工作小组间的差异。
通过比较组间差异，进行针对性培训。要用到前面的权重。
这个估计是题主想做的。这是对“森林”的干预。而之前公司是对“树木”的干预，即针对个人的抽检和培训。
6)之前每个人抽检很少的量，从管理心理学角度是有意义的。当一个人知道自己的工作被人关注到时，工作效率会有提高。但如结合统计分析，管理效果会大大提高。
对于特定个人的抽样和分析可以用SPC。
可繁可简。最精确的是采取控制图控制。不管哪种方法，抽样量太少时，短期单点精度都不高，可能导致该培的不培，不该培的乱培。控制图是效果最好的一种。
分析整体或较长时间段则精度较高。
所以一种折中的办法是，合并样本，比如以前每天抽一个录音发现问题即反馈，现在改成严重的才立即反馈，普通的三天一反馈(培训)，这样可以提高抽样判断的精度，节约重抽样和培训资源。
(移动平均法也是一种可选的方法。)
同样，可以采取小组干预，在个人和整体之间找到平衡点。
根据企业实际，可以灵活变通。
三，干预层面(抽样、评价、数据分析与培训)
7)只有数据分析深入，培训才有针对性。前面已提到。
8)互评可以降低抽样/评价成本，还可以促进互相学习。
最理想状态是实现结果---过程---干预的贯通，并最终落实在结果(顾客层面)有效上。服务信息流和管理信息流形成闭环，无断点和停滞。
只进行局部分析是不恰当的。
匿名回答于2019-06-01 00:10:26
匿名回答于2022-01-14 00:42:45
