預測最終客戶的屬性拒絕我們正在執行人工檢查並清除在每個製造過程步驟中發現的次品（例如損壞的電線）。 由於人工檢查不是 100% 有效，有什麼統計方法可以用於 ATTRIBUTE 數據來預測客戶可能得到的拒絕數量？
分析回复：預測最終客戶的屬性拒絕感謝您發送驗收抽樣計劃插件，這很有幫助。老實說，幾年前我確實嘗試在 JMP 上搜索 help the accepatance sampling plan 但不幸的是我沒有找到它因此我錯過了我以前使用的統計軟件。
我對您發送的插件進行了一些嘗試，當我有機會探索這一切時，我會提供反饋/詢問。
回复：預測最終客戶的屬性拒絕感謝您的回复。
我們的廢品率低於設定的目標，我們知道造成這種情況的原因以及可變數據（例如產品高度）超出規格的可能性。 我們有一種新產品將經過相同的製造流程，但客戶要求 RQL 為 1PPM。鑑於每年的訂單量少於 100 萬，並且我們的目視檢查是手動的，在我看來，客戶很有可能（逃避）每批次我們將發貨超過 1PPM，因此我詢問預測屬性拒絕最終客戶。
你遇到過同樣的情況嗎？ 應該如何處理這種情況？
回复：預測最終客戶的屬性拒絕作為@P_Bartell提到您可以使用抽樣計劃方法。
我寫了一個JMP 驗收抽樣計劃插件協助解決此類問題。
看看這對您的情況是否有幫助。
乾杯，
斯坦
回复：預測最終客戶的屬性拒絕首先，歡迎來到社區。
除了 Pete 的評論，以下是我的想法：
1. 為什麼在製造過程的每一步都會出現廢品？ 難道您的努力不會更好地了解導致拒絕的原因並努力管理這些輸入以防止拒絕。
2.我相信你的意思是目視檢查而不是手動（儘管你的意思可能不是自動目視檢查）。 能夠使用連續測量而不是通過-失敗標準來量化缺陷將是有益的（效率和有效性）。 您可能需要發揮創意（例如，問問自己如何測量線損壞，位置指標也可能有用，有時缺陷密度可以說明問題）。 作為響應的缺陷或缺陷會帶來多個問題。 目視檢查不僅在有效性方面存在挑戰，而且還容易產生偏差並聚合可能的故障機制，從而使因果關係難以確定。
3. 您可以使用 P/NP 圖（缺陷）或 C/U 圖（缺陷）來評估一致性，但您真的不想始終如一地製造缺陷。
回复：預測最終客戶的屬性拒絕這個問題不太容易回答，因為您說“……人工檢查不是 100% 有效。”您承認一些拒絕傳遞給客戶。 你想預測那個數字。 我知道如何做到這一點的唯一方法是對客戶制定某種抽樣計劃......要么你做......要么他們做並向你報告。 然後，一個簡單的控製圖是“預測”客戶“可以看到”的拒絕數量的一種方法。 這些方法都不會告訴您真相……但它們可以為您提供一些信息和數據，用於評估廢品量和該量隨時間的穩定性。
