测量数据的应用比以前更多更广泛了。例如：现在，是否对制造过程进行调整的决定通常以测量数据为基础，将测量数据或一些从它们所计算出的统计值与过程的统计控制限（statisticalcontrollimits）进行比较，如果该比较显示过程已超出统计控制，则进行某种调整；否则，该过程将被允许在没有调整状态下运行。测量数据的另一个用途是确定在两个或多个变数之间是否存在重大的相互关系。例如：如果怀疑一个模塑零件的某关键尺寸与材料的注塑温度有关，这种可能的相互关系可以通过利用一种称为回归分析（regressionanalysis）的统计程序研究，以比较关键尺寸与材料的注塑温度有关,这种可能的相互关系可以通过利用一种称为回归分析(regressionanalysis)的统计程序研究,以比较关键尺寸的测量值与材料注塑温度的测量值。
进行这种举例的互相关系探测研究,被戴明博士(Dr.W.E.Deming)称为分析研究法(analyticstudies)。通常，分析研究法是不断增加对影响过程的系统原因知识的一种分析研究。分析研究是测量数据使用的重要应用之一，因为应用它们能使得对过程有更好的理解。
使用以数据为基础的程序的最大益处取决于所使用的测量数据的质量。如果数据质量低，程序的益处可能会较低；同样的，如果数据的质量高，利益也可能会较高。
为确保从使用测量数据得到的利益大到足以承担获得这些数据的成本，数据的质量需要特别的注意。
测量数据的质量
数据的质量取决于从处于稳定条件下进行操作的测量系统中，多次测量的统计特性，例如：假设使用某一在稳定条件下操作的测量系统对某一特定特性值进行了几次测量，如果这些测量值均与该特性的参考值（mastervalue）接近，那么，数据的质量被称为“高”；同样，如果部分或所有的测量值与参考值相差“很远”，则称数据的质量“低”。
通常用来描述测量数据质量的统计特性是某测量系统的偏倚（bias）及变差（variance）。被称为偏倚的统计特性指的是数据值相对于参考（基准）值的位置。而被称为变差的特性指的是数据分布宽度（spread）。
低质量数据最普遍的原因之一是变差太大。一组数据中的变差多是由于测量系统及其环境的相互作用（interaction）造成的。例如：一个用来测量一罐液体容积的测量系统，可能对该测量系统所处的环境中大气温度较敏感。在通常情况下数据的变差可能是因为容积的变化造成的，也可能是因为环境温度变化造成的。因此，对测量数据很难解释，因此，该测量系统不尽理想。
如果相互作用产生的变差过大，姥数据的质量会太低，从而造成测量数据无法利用。例如：具有较大变差的测量系统可能不适用于分析制造过程，因为测量系统的变差可能掩盖制造过程的变差。管理一个测量系统的许多工作集中在监视和控制其变差，其它的还需要把重点集中在了解测量系统与其环境有什么样的相互作用，以便获得可接受质量的数据。