感谢各位的参与。本次演讲的主题是“过程能力决策流程图”。我是帕特里克·朱利亚诺，本次探索性演讲的合作者是查尔斯·陈博士。
好的。这次的演示将侧重于系统层面。虽然其中大量运用了JMP软件，但实际上，所有的分析都会以文档形式记录下来，并发布在“探索项目”页面上供您查阅。总的来说，这个项目的目标是创建一个决策流程图，以便在高科技制造环境中全面评估流程能力。
从整体上看，我们采用的是一种非常系统化、数据驱动的方法，重点在于有效地进行正态近似和统计估计，并进行有意义且有效的根本原因分析，从而真正改进流程。我们在此采用的是DMAIC项目方法论，这是一种非常经典的工程六西格玛方法。它同样非常系统化和数据驱动，我们希望通过一个有效的流程图来指导选择合适的JMP平台，并使用适当的正态近似统计方法，以便我们能够准确地估计过程能力。
最后，一旦我们将流程规范化，我们希望利用 JMF 的工作流构建器来标准化工作流程，并有效地记录所有步骤，以便任何人都能从头开始复现分析过程。在此需要澄清的是，PCFC 指的是过程能力流程图，它应与 JMP 相关的任何类型的流程或工作流（我们称之为 JMP 工作流或工作流构建器）明确区分开来。
这张幻灯片主要阐述了本项目背后的灵感来源。事实上，您在这里看到的、以红色标示的JCT-13项目，只是JMP大学旗下一个更为广泛的项目的一部分，而JMP大学是由我的合作者构思的。本次演示的目的是为了突出一个核心人物，他/她负责领导、推动和完善方法论。
每个融入JMP大学理念的项目都将与本项目相关联并相互影响。您将在本次演示中看到，根本原因分析和数据驱动决策的其他一些要素与制造环境中的过程能力测量存在重叠或互补关系。
JMP大学的理念实际上围绕三个阶段展开。第一阶段是与核心团队领导合作，确定项目范围、路线图和评分卡。展示核心团队项目，而这正是其中一个核心团队项目——流程能力流程图。第二阶段是以探索峰会或其他公司内部形式展示项目，第三阶段则是将项目推广到特定制造基地，指导其他人员如何在他们特定的制造或项目场景中实施该项目。
秉承DMAIC传统，我们以非常规范的方式定义问题陈述和问题目标。我不会详细讲解，您可以稍后阅读。但总的来说，目标是构建流程图，并实施一套评分系统，用于评估工程师或分析师遵循流程图的能力。这是首要目标，也是第一要务，即真正地完善方法论。
其次是记分卡模板，它是持续执行此流程图的方法，然后在 JMP Workflow Builder 中开发端到端的工作流程。
在定义问题、拓展问题范围并逐步解决问题的过程中，我们想强调的一个主题是高效领导力。高效领导力涉及跨职能决策以及与利益相关者组建团队。共识决策的关键工具是流程图或流程图。通过这种方式，每个人都能支持并同意最终的决策。
我们重点关注流程图以及此处概述的其他方面。最终，这使我们能够将决策框架部署到实际工作中，并推广到更多人员，从而有效地扩展决策框架，使其保持一致性。
定义阶段包含哪些内容？由于这是一个至关重要的阶段，它实际上就是问题定义，这在DMAIC方法论中至关重要。我们喜欢用一种叫做JMP主体图的方式来理解它。
基本上可以分为三个部分。我们可以把它们想象成眼睛、大脑和手。我们称之为JMP之眼、JMP之脑和JMP之手，分别代表长远眼光、数据驱动的批判性思维和实践操作。要实现长远眼光，我们必须首先清晰地定义问题，批判性地评估目标，并熟练掌握JMP工具来测试和验证我们的想法。这是第一个主题：头脑、眼睛和双手。
这种方法与第二个主题（即 JMP 的鼻子、耳朵、嘴巴和腿）紧密相关，该主题强调在 JMP 中有效地呈现数据，以便利益相关者进行清晰、客观的审查。
当然，在呈现数据时，灵活性至关重要。这是JMP组织架构图中的第三个主题。JMP的决策机构、决策权和谈判权需要灵活性，既要灵活又要坚定。这体现在，它能够坚定地做出以数据为驱动、并由JMP分析支持的决策。
为了实现这一目标，我们需要做好准备，灵活运用其他分析方法或新的数据呈现方式，以支持我们在质量管理环境中基于风险的合理决策。所有这一切都源于我们渴望提升自我、改进流程以及改善周围人员的强烈愿望。这正是JMP的核心、基因、激情和信念。
我们现在讨论的是什么？这里我们要更详细地阐述一下定义阶段。在前几张幻灯片中，我没有提到的是人才之声、流程之声、业务之声和客户之声。以这种高层次的组件形式来思考所有关键利益相关者会很有帮助。我们可以使用一种叫做高价值问题/高价值机会分析（HVP/HVO）的方法。
企业通常首先通过这种方式评估自身的成熟度水平，我们可以从中识别出持续改进的总体指导原则，并将其融入到我们的质量成熟度评估流程中，从而在质量管理体系框架内实现有效的质量管理。这实际上是另一种整体方法，它应包含测量系统分析、统计过程控制和过程能力评估等分析工具，而这些正是本次演讲和这种分析方法的重点。
这张幻灯片展示了如果我们规划出一个质量成熟度框架，它可能的样子。我们可以建立流程质量成熟度。我们可以在右侧识别出设计、新产品导入和制造等组件，还可以识别出阶段评审点（或阶段评审），届时，我们将作为一个跨职能团队，确定在每个阶段的每个层级（无论是设计、新产品导入还是制造）中，我们是否具备某些特定组件。
我们每个目标和交付成果都可以根据设计或流程的成熟度清晰地列出。我的搭档经常说，一个重要的理念是：胸怀大志，从小处着手，付诸行动。而从小处着手，其中一部分就是详细说明我们的需求，以便我们能够采取行动。
这是关于本项目定义阶段的另一张幻灯片。这里的核心问题是：如何将这四种声音——VOC、VOB、VOT 和 VOP——转化为关键质量属性？我们可以使用的一些工具包括优势、劣势和机会评估（位于右下角）。或者，我们可以使用 SIPOC 方法论，您可以在左下角看到一个示例：供应商、投入、流程、产出、客户。
左下角的例子，其上下文实际上是在构建一个DOE模型。SIPOC流程的要素实际上包括模型本身的完善。SWOT分析的例子。这是一个不同的例子，但我们可以思考一下……就本项目而言，这是一个不同的例子，但我们可以从评分卡输出的角度来思考，我们将使用该评分卡来评估分析师之间流程图分析的一致性。我们可以将其应用于SWOT框架中。
回到我们的项目，如果我们考虑定义阶段，我们今天更关注的是第 1 阶段，真正展示严格的 PPK 分析方法。
现在我们进入测量阶段。同样，此阶段的关键在于制定记分卡，以便我们能够系统化流程能力流程图，并有助于确保个体之间的一致性。通过使用记分卡对自身、他人以及同事的绩效进行评分，可以减少个人偏见。我们必须记住，我们并不一定拥有客观的标准。您也可以这样想：如果您将某项任务的执行能力评为 1 分，那么这个分数意味着什么？3 分、5 分或 10 分又意味着什么？
我们不仅要确保评分者自身评分的一致性，还要确保评分者之间评分结果的可重复性。更具体地说，有些人可能会因为觉得自己比其他人更能遵循标准而倾向于给自己打高分。或者，某个特定领域的专家，例如流程能力专家，可能会因为拥有更丰富的专业知识，能够更细致地分析和审视他人的工作，而对其他人的评分更加严格。因此，我们必须制定一套标准。这是评分卡评估的关键组成部分。
我们将重点详细讨论决策流程图的一部分，即评估所谓的“正态性违背模式”。这里我们观察数据，并假设数据总体上服从正态分布，但有哪些机制可能导致数据不遵循这种假设分布？我们可以从数据中观察到哪些潜在信号，表明数据中存在某种特殊原因？
我们确定的六种关键模式分别是：数据中的潜在异常值问题、偏斜问题、双峰问题、峰度问题、测量分辨率问题和样本量问题。
在用于演示流程图的案例研究中，我们实际进行了两个案例，分别是案例 1 和案例 3。案例 1 使用了模拟数据，其中包含不同程度的异常值，分别占 5%，我们称之为与中位数的正常距离、边缘距离和极端距离。然后，我们还研究了一个双峰分布案例，其中 80% 的数据（同样是模拟数据，不涉及任何公司特定或专有信息）分布在一个众数上，另外 20% 的数据分布在另一个众数上。
这就是我们所说的正态性违背模式表。您可以这样理解：当我们查看特定的数据集时，我们会统计分析问题所在，就像上一张幻灯片中描述的那样，这六种潜在的违背模式包括：异常值偏度、不同类型的偏度、偏态分布、右偏与双向偏度、双峰分布、厚尾或薄尾（这涉及到峰度、测量分辨率和样本量）。
在 JMP 的理念中，我们首先要做的是寻找合适的可视化工具，看看如何处理测量这个违反分布的中间部分，如何处理测量分布的离散程度，看看在偏度和峰度统计量方面，我们对诊断形状有什么预期，在 JMP 中应用什么拟合，然后如果我们使用正态近似，我们将如何根据均值和标准差来近似正态性。
在这些案例中，我们都认真思考了有效的正态近似统计量应该是什么样的，以及为什么。我们进行了模拟，以帮助我们理解和验证这些统计量在不同的违规模式下的表现。
关键在于违规模式的可视化。前两列确认是否存在违规，并再次展示违规的具体表现形式。后三列不仅用于识别问题，而且通过分析，还能帮助找到针对特定正常性违规模式的最佳PBK估计值。之后，您将看到并尝试进行根本原因分析和流程改进，以便我们能够消除或消除违规模式。在我看来，这才是支撑整个项目的关键所在。
您将在社区中看到一份 Word 文档，它就像一个笔记本，逐步分析了我之前提到的两个案例研究。内容很多。我们究竟在看什么？特别是对于以前没见过这类内容的人来说？我正在尝试用动画来演示。第一个案例，我们称之为 A 组。
这是第一阶段。实际上，正如你所看到的，要与术语组保持一致。这实际上是围绕PPK建立成功标准，进行正态性检验，确定用于诊断分布的统计量，运行拟合优度检验以找到最佳拟合分布，进行自助法（我们可以在某些情况下使用，我稍后会提到），查看我刚才展示的正态性过程违例模式表，并将其用作我们的评估标准，然后最终以此来推动流程改进，以减少或消除我们看到的正态性违例模式。这是第一组，A。
完成上述步骤后，我们将进入B组或C组。B组是指根据PPK分析，我们未能达到目标值的情况，这意味着我们的工艺中间值（或中心值）偏离了目标值。我们有一个双侧规格，中点位于规格上下限的等距位置。如果平均偏差超过20%，我们就需要检查这个问题，也就是我们所说的“未达标问题”。
我们会按照这个工作流程来协商解决这个问题。同样地，当我们谈到C组时，我们指的是分布问题。这意味着我们可能达到了目标，但波动幅度过大。如果波动幅度过大，我们该如何诊断？如何协商、评估，并最终推动流程改进？A组、B组和C组，这就是流程图。
A组，这只是A组的局部放大图。我想我们已经对A组进行了很多讨论，我也提到了案例研究，你可以在我们的项目页面找到这些案例研究。
在完成A组分析后，我们首先进行PPK评估，并选择合适的正态近似方法来估计PPK值。然后，假设确实存在问题（这才是最终目的），我们会评估是否可以解决靶点缺失或分布不均的问题。
这是B组的详细情况。简单来说，我们会先在JMP分发平台上对目标值进行单样本均值检验。如果检验不合格，即p值低于0.05（或其他我们设定的显著性水平），那么我们会进行等效性检验，并设定一个阈值。
如果我们未能达到我们确定的这个实际阈值的等效性测试，我们将不得不进行额外的流程改进，直到我们达到我们设定的阈值的等效性测试标准为止。
这与之前的分析非常相似，都将纳入C组的分析中。这里，如果我们存在流程偏差问题，且统计结果小于1.33，我们将进行单样本等方差检验，检验标准范围除以8。如果不满足该检验，则进行标准差等效性检验。假设仍然不满足该检验，我们将进入流程偏差改进模式，在重新评估之前，先从实际操作层面考察流程的改进措施。
可以看出，流程改进阶段是关键组成部分，利用领域知识进行根本原因分析，并仔细评估是否违反了正常模式，至关重要。这与这种稳健的流程方法论相符。
这里有一个我之前提到的记分卡示例，它至关重要，能够确保分析师始终遵循流程图。流程图的每个步骤都已标记。当像我们之前那样将流程图分为 A、B 和 C 组时，第一列基本上指明了流程图步骤及其名称，即执行该步骤的目的（内容），以及执行该步骤的建议工具（方法）。
这是另一种方法，或许也是一种更详细的流程图重构方法，同时也能确保对流程图的执行情况进行公平的评估。其思路是，我们使用这些索引（A 到 C），并用这些特定的步骤标记流程图，从而提高流程图执行的一致性。
我们讨论了可重复性和可再现性。我们将要使用的关键工具之一，也是整个行业普遍使用的工具，是量具重复性和再现性分析。不过，在这种情况下，由于我们进行的是同行评审，并且采用的是评分方法，所以我们不会使用连续的评分系统。我们需要的是离散的或属性性的评分方式。
事实上，因为我们使用的是量表，无论是 5 级量表还是 10 级量表，在本例中假设是 5 级量表，我们需要在 JMP 中将数据类型视为有序数据，为此，我们可能会在 JMP 的 fit、contingency personality 和 fit Y by X 中使用列联表分析进行一些有序 Gauge R&R 分析。
这是一个示例，展示了它可能的样子。顺便一提，还有其他工具可用于序数尺度重复性和再现性分析。肯德尔和谐系数就是其中之一。检验肯德尔和谐系数的显著性是另一个方法。弗莱斯卡帕系数也可用于序数尺度重复性和再现性分析，尽管它通常用于属性尺度重复性和再现性分析。JMP 的变异性属性尺度图表平台正是利用并运用了这一方法。
这里更详细地描述了根本原因分析，以及我们在分析阶段将系统地开展的工作。我们重点讨论了如何利用A组数据，基于正态性违背模式来验证潜在的X因素，并通过观察分布情况以及在分布背景下使用JMP的动态可视化工具来理解分离的过程失效模式。
我们之前已经略有提及，但这里会更深入地探讨根本原因分析，找出导致正常性违背模式的最重要因素（X）。您可以再次看到，我们引入了A、B和C三组，并对违背模式及其指标进行了重新定义。当然，总的来说，根本原因分析和领域专家（SME）的知识对于我们在JMP问题解决范式中评估和缓解这些违背指标至关重要。
这张幻灯片旨在进一步举例说明如何重新审视项目范围和成功标准，以及具体操作方式。这是一个不同的情境，即计算统计容差区间，但记录和系统化决策过程的机制是类似的。同样，与PPK计算方法类似，我们可以利用现有数据，通过B组和C组的方法进行协商；或者，我们可以回溯流程，改进流程，通过识别根本原因并消除流程中的不良数据点，然后再重新进行分析。
这是一个分析性强且具有指导意义的例子，展示了我们如何修订规格限值，以及在当前方法和新方法下统计数据会如何变化，包括在本例中，重点关注可变量具重复性和再现性 (Gage R&R) 背景下的量具重复性和再现性 (Gage R&R) 的 P/T 比率。再次强调，这并非在此流程图的背景下，而是在连续测量的背景下。以下是一个 DFMEA 发生率和可检测性表格。这是我们可以使用的另一个关键分析工具。我们想用它来举例说明。
接下来，我们进入了改进阶段，从更高层面来看，我们探讨的主题与之前类似，即消除由已知根本原因导致的特殊变异。在这种情况下，我们可以通过筛选模拟数据中的数据点来模拟这种情况，并基于这些模拟数据构建我们的方法论，而这实际上正是我们在案例研究中所做的。
当然，我们已经针对每种违规模式制定了相应的策略，这些策略已在我之前提到的A组表格中进行了详细列出。然后在改进阶段，我们还可以实施持续改进计划。同样，我们会以规范的方式进行，明确交付成果、任务、负责人，并指定领域专家和完成日期。
以下是一些我们在改进阶段的设计和流程验证环境中可能会用到的工具示例，以及我们可能会用到的一些 JMP 工具。
接下来就进入知识转移和控制阶段，我们会讲解流程图，进行统计学培训，进行特殊原因变异分析培训，进行JMP分析重点培训，以及配套的工作流程构建方法培训。我们会记录所有培训内容，并培养领导者能够始终如一地遵循流程图。
我明白了。这个阶段的另一个关键组成部分是控制计划，它是衡量我们执行分析方法是否到位、表彰在控制计划方面表现出色的人员、量化成功并认可那些部署分析框架的人员所取得的成功的一种方式。这张幻灯片重点突出了开发这个工作流构建器软件包的概念。实际上，这非常实用。
我们所做的，本质上是这样的：我们开发了这个流程图。按照这个流程图，我们将分析的每个步骤都以脚本的形式保存到 JMP 的数据表中。然后，我们打开一个新的工作流。打开数据表，在工作流启动之初点击“录制”按钮后，依次打开表中保存的每个脚本，然后停止工作流。这是一种方便快捷的方法，可以让我们一次性地在 JMP 中完整地记录整个工作流。
这里，我们关注的不仅仅是PPK评估。我们实际上考察的是量具R&R的工艺能力和稳定性，以及量具的量化。这与PPK评估相辅相成。这属于另一个项目的主题，该项目采用类似的方法和实施框架。
总之，我们希望强调过程能力流程图的价值，阐明其重要性，并提供相关的背景和机制，以便利用流程图达成共识决策。例如，量具重复性和再现性（Gauge R&R）可能与此相关，但我们已将其纳入……或者，量具重复性和再现性或许可以作为某个示例的补充。但正如我之前所述，我们在此示例中并未考虑量具重复性和再现性作为本项目案例研究的背景，相关内容也将包含在我们面向社区的项目资料包中。
展望未来，我们计划在下一版过程能力流程图中加入量具重复性和再现性（Gauge R&R）分析。秉持持续改进的精神，我们希望进一步完善流程图，因为我们确信测量能力会影响过程的离散程度和变异性。之后，我们还可以将K偏移问题与稳健设计理念和稳健设计工具联系起来。
我和合著者需要进一步思考如何在 JMP 大学框架的背景下连接不同的核心团队，正如我在演讲开始时所描述的那样，以创造共同的机会来进一步改进和完善这种问题解决方法。
非常感谢您抽出时间，如果您有任何疑问，欢迎随时联系我们。再次感谢。
