预测最终客户的属性拒绝我们正在执行人工检查并清除在每个制造过程步骤中发现的次品（例如损坏的电线）。 由于人工检查不是 100% 有效，有什么统计方法可以用于 ATTRIBUTE 数据来预测客户可能得到的拒绝数量？
分析回复：预测最终客户的属性拒绝感谢您发送验收抽样计划插件，这很有帮助。老实说，几年前我确实尝试在 JMP 上搜索 help the accepatance sampling plan 但不幸的是我没有找到它因此我错过了我以前使用的统计软件。
我对您发送的插件进行了一些尝试，当我有机会探索这一切时，我会提供反馈/询问。
回复：预测最终客户的属性拒绝感谢您的回复。
我们的废品率低于设定的目标，我们知道造成这种情况的原因以及可变数据（例如产品高度）超出规格的可能性。 我们有一种新产品将经过相同的制造流程，但客户要求 RQL 为 1PPM。鉴于每年的订单量少于 100 万，并且我们的目视检查是手动的，在我看来，客户很有可能（逃避）每批次我们将发货超过 1PPM，因此我询问预测属性拒绝最终客户。
你遇到过同样的情况吗？ 应该如何处理这种情况？
回复：预测最终客户的属性拒绝作为@P_Bartell提到您可以使用抽样计划方法。
我写了一个JMP 验收抽样计划插件协助解决此类问题。
看看这对您的情况是否有帮助。
干杯，
斯坦
回复：预测最终客户的属性拒绝首先，欢迎来到社区。
除了 Pete 的评论，以下是我的想法：
1. 为什么在制造过程的每一步都会出现废品？ 难道您的努力不会更好地了解导致拒绝的原因并努力管理这些输入以防止拒绝。
2.我相信你的意思是目视检查而不是手动（尽管你的意思可能不是自动目视检查）。 能够使用连续测量而不是通过-失败标准来量化缺陷将是有益的（效率和有效性）。 您可能需要发挥创意（例如，问问自己如何测量线损坏，位置指标也可能有用，有时缺陷密度可以说明问题）。 作为响应的缺陷或缺陷会带来多个问题。 目视检查不仅在有效性方面存在挑战，而且还容易产生偏差并聚合可能的故障机制，从而使因果关系难以确定。
3. 您可以使用 P/NP 图（缺陷）或 C/U 图（缺陷）来评估一致性，但您真的不想始终如一地制造缺陷。
回复：预测最终客户的属性拒绝这个问题不太容易回答，因为您说“……人工检查不是 100% 有效。”您承认一些拒绝传递给客户。 你想预测那个数字。 我知道如何做到这一点的唯一方法是对客户制定某种抽样计划......要么你做......要么他们做并向你报告。 然后，一个简单的控制图是“预测”客户“可以看到”的拒绝数量的一种方法。 这些方法都不会告诉您真相……但它们可以为您提供一些信息和数据，用于评估废品量和该量随时间的稳定性。
