欢迎大家来到“统计路与商业决策大道交汇处”。首先要感谢我的联合演讲嘉宾胡安·里维拉 (Juan Rivera)。我和胡安是团队合作完成的，但他决定让我先做演讲。我只想简单介绍一下位于亚利桑那州图森市的皮兹德克研究所 (Pyzdek Institute)。
我们在世界各地派驻了一些人员，教授工程统计学、精益六西格玛，服务众多客户，服务众多行业。这一点非常重要，因为我们今天要分享一些我们与不同行业客户合作的经验，希望能帮助大家有所收获。最后，我们是JMP的合作伙伴。非常高兴成为JMP的合作伙伴，我们将继续携手前行。
更直观地说，这次演讲实际上是2020年JMP Discovery在图森做了一场名为《精益街和统计路拐角处》的演讲的续篇。这次演讲算是延续。如果有人想看，可以在jmp.com上找到那场演讲的录音。此外，几年后，也就是2022年，我和Juan在ASQ精益六西格玛大会上做了一场演讲，主题是“设计实验的防错”。同样，我们向客户学习，并努力帮助其他人从这些错误中吸取教训。
演示目标是什么？嗯，是的，我们已经研究这个问题很久了。这是一项多年的观察和研究。我们试图回答这个问题：为什么统计方法会偏离轨道，最终名声扫地？我们亲眼目睹了这一点。
当我全职工作时，老板因为我在工厂里犯的错误而生气了。我们如何从这些错误中吸取教训，并制定一些预防措施？这就是我们今天要努力实现的目标。
格式非常简单。我总结了五个主要发现与大家分享。每个发现都有一个案例研究。我们将讨论客户的行为、他们因此遭受的后果，以及我们如何帮助他们解决问题并防止事情再次失控。
这就是发现 #1。总结一下。关键在于业务本身，而非统计数据。我们发现了一个共同点。问题的根源，我们可以总结为：未能看清全局。
这是案例研究。第一个案例研究。这家公司生产用于能源电缆的防水胶带。顶部有照片，非常酷。遇水时，所有物质都会膨胀，它利用水来防水。非常酷的东西。它含有一种高吸水性聚合物，并与无纺布、粘合剂等混合。
我们的目标是优化产品在海水中的性能。这些胶带在淡水中膨胀效果很好，但在海水中膨胀效果就差强人意了。对于想要在有地下水（尤其是咸水）的地区埋设电缆的人来说，这是一个技术挑战。
他们拥有可控的因素。他们可以控制无纺布基材的重量。他们可以控制超级吸收剂的粒径。它有不同的尺寸可供选择。他们使用不同的粘合剂将所有材料粘合在一起，并决定粘合剂的用量，此外，他们还必须添加缓蚀剂，以便水可以进入。缓蚀剂可以防止腐蚀。
设计相当简单直接，但却非常重要，因为一旦电缆进水，后果不堪设想。根据草图，他们的应对措施是尽量减少一定盐度的海水进入电缆。他们用夹钳夹住电缆齿，露出防水胶带，用高架水箱施加一定压力，看看水能渗入电缆多深。当然，他们不希望水渗得太深。
他们做了一个设计实验。太棒了。如果你看一下预测分析器，就会发现基材重量、颗粒大小、粘合量、抑制剂用量以及粘合类型，也就是他们用来粘合所有材料的胶水类型。
他们进行了一项实验，达到了最大化的期望值，最终选择了粘合剂2，因为这种粘合剂的渗水量更少。他们修改了胶带的设计，然后开始下一个项目。这是一个常规的案例研究，很多人都做过类似的事情。
然而几个月后，他们遭遇了三个突如其来的打击。首先，超级吸水剂的粒径出现了偏差，而他们对此浑然不知。其次，由于某种特殊原因，基材无纺布的重量变化也引发了一些问题。
更糟糕的是，安全经理收到通知，某些元素，比如某些绒球，在欧洲市场上不再被接受。安全经理下令立即停止使用粘合剂2，而他们刚刚选择这种粘合剂来优化产品设计，使其更适合海水性能。哇哦。
这可是有后果的。我慌了手脚。我得把粘合剂2换成粘合剂1。他们开始做来料测试。大家互相指责。乱成一团。关键在于，统计方法和实验设计受损了声誉。哎，那个实验设计（DOE）没用。为什么呢？
顺便提一下，分享一些其他案例研究，我们发现使用优化的可取性还会带来一些意想不到的后果。我们见过一些公司进行实验设计（DOE），优化了可取性，但最终却导致能源成本大幅增加，或者工作区域温度过高，对操作员来说非常危险，机器故障率也随之上升，从而增加了维护成本。有时，他们的客户，也就是他们的产品销售对象，会感到措手不及，不仅仅是机器噪音等等。
我们想出的第一个预防措施，也是我们试图帮助这位客户，并运用我们积累的经验。第一个预防措施，我们建议谨慎使用最大化可取性。我们见过有人因此惹上麻烦。
事实上，我们建议仅在有大量响应，且需要在财务响应、技术响应、商业响应等之间进行大量复杂权衡的情况下才使用它。我强烈建议您谨慎行事。
第二个预防措施是承认实验设计是一项独立的工作。实验设计是改进流程、理解流程和优化流程的最伟大的方法之一，但它是一项独立的工作。
如果他们使用了SPC控制图，无论是供应商提供的粒度控制图还是其他控制图，他们都能避免很多麻烦。我们相信DOE和SPC是一对非常优秀的组合，应该尽可能地将它们结合起来。
第三个预防措施是考虑工作流程策略。这家公司让这些工程师做了所有正确的事情，做了实验等等。但也有一些疏漏。他们应该与供应链人员沟通等等。我们建议制定一些策略，公司策略。你要进行一项实验。以下是具体操作方法。我们想出了这个主意，让我们把它分解成几个阶段。
因为每个阶段，你可能都想让不同的人参与进来。比如，有一家公司说：“我们会采用这三个阶段。我们会开始工作，做一些工作，我们会评估我们收集的数据，然后我们会做出一些商业决策。” 他们最终创建了一些可视化的标准，包括防错步骤。
他们从一小群人开始。你让他们去设计实验，收集数据等等。你不希望一大群人参与到这个阶段。你也不希望供应链参与到这个阶段，等等。
然后他们进入第二阶段。在这个阶段，你需要引入一些额外的人员，包括供应链人员、安全人员、操作员、主管等等，来评估数据。到了这个阶段，你真的需要加强协作。这就是我们评估刚刚收集的数据的方式。我们会采取一些特定的步骤。如果数据良好，我们就采取一种方法。如果数据不理想，我们就采取另一种方法，所有这些都是为了制定政策。
然后在最后阶段，你需要让所有人参与进来，包括海平面上升等等，让所有利益相关者参与进来，做出最终决策。如果他们一开始就这么做了，或许就能避免所有这些痛苦。
我们推荐的第四个预防措施是，有些公司会说：“嘿，我们会教每个人实验设计（DOE）。”这可能不是最好的主意。每个实验设计（DOE）都是一个独立的学科，但应该将其作为统计思维的一部分来教授。我们如何才能让人们以统计的方式思考，而不仅仅是进行设计实验，而是审视一切？
检查原材料性能，关注工艺中心研究，确保我们的仪器正常。我的工艺中是否存在可归因的变异，并教授所有这些技能、可靠性分析等等？这是我们推荐的第四个预防措施。
这是案例研究 1 的章节摘要。收集响应数据后，它会进行研究，将你从统计学的世界带入商业世界，这是我们的建议。这里有一张斯波克先生第一次看到 JMP 图形生成器的照片。就像我一样。哇，这真是世界上最棒的东西。玩笑归玩笑，这就是我们建议的，以避免出现类似问题。
这是发现 #2。总结一下，满足规格要求并非最终目标。我们看到很多客户一味追求规格要求，结果却陷入困境，因为他们只关注规格要求。其根本原因，用我的话来说，就是未能理解田口先生的理念。我们稍后会详细讨论这一点。
我之所以想在这里引用这句话，是因为我觉得它意义非凡。从管理层到车间，每个人都应该思考唐纳德·惠勒在其著作《理解统计过程控制》中提出的质量悖论。因此，我们得出了这个悖论。只要管理层以符合规范为目标，就无法实现这一目标。如果管理层的行为表明满足规范就令人满意，那么产品必然会不合格。
太棒了！我们的观察，以及我们从客户那里了解到的信息，都证实了唐纳德·惠勒所说的“质量悖论”。这里有一个案例研究。我有一个数控加工聚碳酸酯零件的流程。公司接到一个相当复杂的零件大订单，他们得到了机械师通常的回应。零件必须具有正确的几何形状、正确的厚度、正确的角度、正确的表面光洁度等等。
他们接到订单后，就说：“好了，我们把流程控制好了。我们有了这些规格。” 他们翻出了以前的流程能力分析结果。嘿，各位，你看，很久以前，我们的CPK是1.357。这是基于30个样品得出的。他们当时根本不知道，他们可能应该进行SPC预研究，以确保流程稳定且可预测。
他们没有考虑CPK的置信区间。这总是会让人感到意外。之后，他们也没有观察过程随时间的变化。你又得到了一个离散项目。过程能力分析是离散的，然后他们就继续了。
他们根据发现的数据得出结论，一切都很好。是的，你看，我们有能力满足规格要求。我们发现CPK大于1.3，这在一定程度上保证了成功。这可以理解。人们总是在谈论这个。
他们接单、制造零件、打磨产品、发货，然后才能处理下一个订单。这可以理解。然而，这背后也有一些道理。首先，他们为传统主成分分析研究收集的零件只是为了方便，并不能很好地代表整个流程。
现在，在塑料加工领域，你不必像在金属加工领域那样担心冷磨损。有些事情会随着时间而变化。他们也没有意识到CPK指数的下限置信区间是0.89。同样，过程能力是离散的。没有时间尺度。
他们一年前学到的知识并没有真正告诉他们接到订单时流程的状况。他们几乎不知道他们的流程并不在统计控制范围内。这是主成分分析的先决条件之一。如果你的流程处于控制范围内，这些指标实际上意义不大。
另一件事是他们使用的规格非常随意。这些规格来自公差范围，并不能真正反映出他们满足客户需求的能力。根据我们与客户打交道的经验，这种情况非常常见。
几周后，结果就是客户无法组装部分零件。他们拿到了这台机器的塑料零件，作为组件的一部分，他们无法正确组装。争议始于一些尺寸等问题。供应商，也就是零件制造者，实际上没有任何测量完整性或过程控制的证明。他们说：“亲爱的客户先生，我们的CPK指数是1.357。”客户，也就是买家，说：“你们还有什么？这对我来说毫无意义。你们还有什么？”他们有麻烦了。后果是什么？高昂的运费或拒收。
再次强调，本演讲的重点是，统计方法总是会受到影响。事情出错，决策制定，而统计方法本身是合理的。CPK指数的计算相当简单。所有这些合理的方法都无可争议，但真正受到影响的是统计方法本身。生产、管理、销售人员的声誉，所有这些都是统计方法的又一次失败。
你会怎么做？你遇到了这个问题。第一个预防措施是理解田口损失函数。皮兹德克研究所认为，田口损失函数是任何人都应该掌握的最重要的概念之一。简而言之，它告诉我们，如果你正中目标，就能将损失降到最低。
一旦你开始偏离目标，偏离分配中心，就会有人开始亏损。这恰恰概括了这些人可能应该做的事情。
在 JMP 中，你可以将田口损失函数可视化。我们建议公司这样做。以他们的一款产品为例。在这种情况下，我们有一些维度，我们设定了目标，有一个常数需要调整，直到获得正确的财务损失，然后进行一些算术运算，最后你可以使用图形生成器创建一个类似图表的表格。它本质上是一个散点图，用来向人们展示：“看，如果我们的零件是 18 毫米，我们就能保住所有的钱。”用这种简洁易懂的术语，人们可以理解。
顺便说一句，你不会想把它叫做田口损失函数。你不会想跟高层讨论这个。这只是个概念，很重要。然后你可以这样说：“你看，如果一个零件的价格是17.93，它就符合规格。” 规格下限是17.9，但根据田口损失函数，我们每个零件的损失是108美元。
人们明白这一点，也看到了这一点。这里的重点是让人们不再纠结于满足规格。我符合规格，我不符合规格，而是开始思考距离目标还有多远。
很多真正聪明的人多年来一直在说这个道理，但这个道理并不一定每个人都能理解。我再说一遍，就不赘述了。另一个预防措施是制定一些政策。如果你要进行过程能力评估，你会怎么做？好吧，首先你必须确保过程处于受控状态。如果不在，你就要找到问题并解决问题。
然后你问问自己，这些规范真的有意义吗？它们只是图纸上的一些内容，或者图纸上的一个小表格？然后你再仔细思考整个过程。我们的建议是，在整个过程中加入大量的流程行为卡片。
再说一遍，实话实说，这是另一个预防措施。这是一幅画。大家都见过。你得到了你的低级规格，你得到了你的高级规格，你得到了你的目标。惠勒称之为“良性忽视区”。我觉得他措辞很谨慎。我称之为“虚假完美区”。当你超出规格范围时，你会得到混乱与厄运的低级区域和混乱与厄运的高级区域。
仔细想想，这就是满足规范的世界。你要么处于两种状态之一：要么兴高采烈地跳着舞，要么疯狂地奔波试图解决问题。我们发现，这种思维方式、这种心态会让人们陷入困境。
公司还需要考虑的其他事项是，JMP 有一个叫做量具性能曲线生成器之类的插件。很棒的东西。它很棒，因为它能告诉你为什么你想要达到目标。因为事实上，一旦你开始接近你的上限或下限，测量噪声就会成为影响客户满意度的决定性因素。
例如，一旦接近较低的规格，就会出现一些测量噪声。您可能会将符合规格的部件判断为不符合规格，反之亦然。这款 JMP 插件非常棒，我们建议客户使用它、学习它，并从中汲取经验。
总结案例研究2，目标是减少偏差。然而，过程能力分析和过程能力指数将注意力和资源集中在满足规范上，我们发现客户因此陷入困境。
这是五分之二。发现三：你可能不知道你已经知道的事情。总结一下，发现三：我们得出的结论是未能充分将数据货币化。我们发现，这正是这些问题的根本原因。
这里有一个案例研究，另一家塑料加工公司。他们在全球设有工厂，生产挤压、注塑、滚塑、吹塑等各种塑料产品，拥有数百台机器，是一家规模庞大的公司。他们使用统计方法的普遍问题是，他们所做的事情数量庞大。
他们在每个工厂、不同的流程进行独立的统计研究。数据存储确实不太规范。数据文件存储在本地网络硬盘、PC硬盘、U盘、云端硬盘等等各种设备上。数据散落在各处。
他们说：“好吧，我们意识到了这个问题。” 他们意识到自己有问题。“我们得到了所有这些数据。我们该如何组织？” 他们尝试了一些手动方法。他们试图将数据模拟到某些地方。
他们有一份长长的清单，上面有供应商数据、流程是否已发送的当前状态数据、测量系统分析数据等等。他们掌握了海量数据。但背后的真相实在太多，任何手动方法都无法做到。“大家都把文件发过来。我们把文件放在这个网络驱动器或云端硬盘之类的地方吧。”
他们实际上并没有最大限度地挖掘所有数据的价值，花费了大量资金收集数据。他们没有最大限度地发挥数据的价值。也没有数据治理。如果一个人用一个名字称呼某个因素，另一个人用另一个名字称呼它，而你试图断言某些东西，那么这些因素名称的差异可能会给你带来麻烦。没有通用的术语等等。
几年后，在尝试手动管理所有数据并尽最大努力之后，后果出现了。人们重复工作，不同的工厂生产类似的产品，进行重复的研究等等。他们在审计方面遇到了一些问题。该公司为航空业做了一些工作，因此需要进行一些外部审计。他们在外部审计期间很难找到数据，并为此付出了很多努力。
再次强调，搜索很困难，因为在计算机的世界里，温度 1 并不等于温度_1。我很难把这些概念联系起来。嘿，我研究过挤出机上的这个特定温度吗？或者我研究过注塑生产线上的这个特定因素吗？人们使用不同的术语，不同的因素名称。
后果是这样的。首先，当你做这样的事情时，人们离开后，你往往会丢失知识。这个人把一些数据放在硬盘上，或者放在网络驱动器之类的地方，也许别人会找不到这些数据。他们所做的任何新闻研究，都没有借鉴过去所做的所有工作。所有这些有用的流程洞察，都会随着时间的流逝而消失，就像雨水冲刷过的岁月一样。
与此同时，在高管层，首席执行官和其他高管们，完全被统计研究成本的累积所证实，他们所做的所有这些工作并没有带来任何回报。他们没有达到预期。统计方法的声誉再次受到高层的打击。
我们该怎么办？首先，采取预防措施。改变你的思维方式。创造数据，从数据中获取结果，并根据数据构建模型，就像资产一样，比如机器或银行里的钱。
转变思维方式。如果数据分散，就无法很好地发挥作用。制定数据治理、存储、数据分析和历史记录的企业政策，以便所有这些工厂（我之前提到过）能够分散在世界各地，位于不同的时区、不同的大洲等等。
如果你制定了公司政策，就能最大限度地利用数据。ABC Widgets 已经连续 571 天没有发生过数据丢失事件。这正是你想要采取的方法。与此同时，在某些行业，比如生物技术行业，有一种叫做 KASA 的 DA 系统，它完全是关于数据治理和审计的。审计员来的时候，他们会要求提供一些东西，伙计，这些东西你都能轻松搞定。
其他预防措施。如果您要创建 JMP 数据文件，请对其进行注释。使用新的表格变量来记录项目的目标是什么？所有高级细节是什么？使用列注释并回答以下问题：五年后，即使没有参与这项工作的人，他们是否还能清楚地理解项目的目的、方法、细节和结果？
大多数 JMP 文件，答案是否定的。五年后，有人会查看它，但他们根本不知道当时做了什么，使用了什么机器，使用了什么测量系统，谁参与了等等。
我们认为另一个预防措施也很有价值。还可以使用 JMP 查询生成器。把所有这些工具都用上，尽可能多地吸收数据，尽可能地吸收数据，然后考虑使用知识关系管理系统 (KRM)。市面上有很多这样的系统。其中之一就是 CoBaseKRM。你们中的一些人可能已经用过它了。
它与 JMP 完美兼容，能够处理 Excel 数据，并且根据定义需要进行数据治理。它可搜索，可扩展。如果您真的想从数据中挖掘所有宝贵资源，那么这个大规模的单一管理系统是一个不错的起点。如果您有多个办公地点，并且由于行业惯例而需要进行审计，那么它真的会很有帮助。
总结一下这部分。知识、数据、分析、统计模型、因果关系知识。这些都是公司资产，但却没有得到应有的重视。如果失去所有这些知识，你就会损失利润，你的竞争力就会下降而不是增强。在某些行业，知识管理至关重要。
这是五个发现中的第三个。第四个发现。统计过程控制 (SPC) 不再仅仅针对最终产品。我们在这里再次强调，我们从其他人那里学到的东西可能存在这些问题，在这种情况下，我们未能理解因素，即我们发现的总体根本原因。
另一个案例研究，这是一个金属涂层工艺。关于它，我不太清楚，但有很多因素，非常多。客户确定了21个工艺因素。他们有一些反馈。他们正在做一些与金属相关的工作。
他们的做法是，这也是相当常见的做法，他们用统计过程控制图来记录响应，这些响应对金属涂层至关重要。他们并没有真正关注这些因素的行为。他们本质上是在倒着看他们的过程。
如果他们在IMR图表中看到有反应信号，他们就会回头，一开始就很弱。这……这说明什么？我们认为，本末倒置。根本原因是，他们在流程中设置了制度化的阻碍。他们设置了所有这些控制点。但他们不关注这些控制点，只关注结果。
还有潜在的真相。还有很多其他因素，比如干扰因素、原材料的影响。车间里有不同的人做不同的事情，这本质上是一种系统性的混乱。我喜欢戴明在他的漏斗实验中所展示的。
一段时间后，他们遭遇了持续的高废品率、高成本、交货延误、客户不满、操作员对不断与他们斗争的流程感到厌烦等问题。其中的因果关系仍然是个谜。
发生这种情况的原因是他们没有考虑这些因素。他们只关注响应。人们开始问：“嘿，我们那条生产线上安装了SPC。怎么会有这么多问题？” SPC的声誉受到了打击。问题在于，他们没有考虑这些因素。未能理解这些因素。
这是第一个预防措施。如果你看过唐纳德·惠勒的《你需要知道的二十件事》第三章，里面对可控因素、不可控因素、可能隐藏的因素等等都有非常精彩的讨论。总而言之，如果你真的被这类问题困扰，那就开始控制你所能控制的一切。
这是一个例子。制作这个数组。JMP 非常擅长这个。你可以制作任意高度的控制图堆叠。在本例中，我们为因子 X1 和因子 X2 制作了 23 个堆叠的 IMR 图。此外，还有 13 个工艺因子、4 个干扰因子、环境温度等等。此外，还有一些人们认为会影响工艺的材料特性和一些响应。
这整个系统实际上……是为了让你能够查看流程状态，并了解未来可能发生的情况。这并非为了事后使用，而是你希望每小时、每天进行的操作。
看看这组图表。如果你这样做，你会得到一些行为，我们看到，因为我们正在观察响应，当这个响应出现时，我们可能已经看到了干扰因素的变化，或者我们可能已经看到了材料属性的变化。非常强大的技术。只需查看一整堆控制图。稍加练习就能掌握所有这些，并正确设置你的控制限值，但这是可以做到的，而且这是一种非常强大的技术。
另一件事是，再次强调，制定政策并重视SPC最终是为了考虑各种因素。你需要关注温度控制和压力控制。我们之前讨论过这个关于地下电力电缆的案例研究。
高吸水性聚合物进入我的工艺流程后，它的行为是什么？因为它本质上是我工艺流程的一部分。你应该关注上游，而不是像传统方法那样只关注响应。创建工作流程，从错误中吸取教训，进行错误预防，并记录制定的政策。
总结一下本节，过程很复杂。变异源无处不在。有些东西正试图闯入你的过程，并造成习惯的破坏。如果你使用统计过程控制来观察这些因素，并再次审视所有方面，你就会开始理解这些因素与响应之间的正向效应行为。同时，如果你想进行实验，它也能为你提供一些指导。
这是我从JMP网站上找到的L图。真的很酷。他们一开始就说要识别因子和响应。很容易识别你的响应。你知道你想要什么，是几何控制还是胶带的吸水膨胀。在DOE的世界里，最难的事情、最难回答的问题是，我应该考虑哪些因子？
人们总是会问这个问题。如果你仔细研究了一大堆因素，并开始了解它们的行为方式以及它们如何影响你的流程，你至少会获得一些洞察力和指导，从而明智地选择你的因素。
最后但同样重要的是，发现 #5。量具 R&R 研究结果良好并不意味着你的仪器没问题。你也可以说，EMP 研究结果良好并不意味着你的仪器没问题。我发现这是一个相当普遍的问题。根本原因是人们往往不真正理解测量系统分析的真正含义。AIAG 有一本厚厚的书专门讲这个，而且内容不仅仅是量具 R&R 研究。
以铝合金铸造工艺为例。他们正在进行原材料的均质化处理，挤压一些管材或圆柱体，并进行退火，他们关注的是整个过程中的硬度。我们将研究洛氏硬度，这是一种相当成熟的测量方法，我们将利用这些硬度测试来为过程中（因为这是一个多步骤的工艺）以及最终测试做出一些重要的决策。
他们做了什么？在接到客户投诉后，他们做了一个量具重复性和再现性研究。他们拿了一些不同已知洛氏硬度的铝片，你可以买到这些标准件。他们做了一个量具重复性和再现性研究。太棒了！这很有意思。
他们得到了如此出色的结果。哇！看看方差分量。所有变异似乎都来自零件，很少来自量具本身。他们得出结论，这台仪器近乎完美。
首先，他们不知道的是，仪器随着时间的推移一直很稳定，但他们也存在一些自己没有意识到的偏差问题。如果你查看这些数据，而不是仅仅看最终结果，而是查看变异性图表中的数据，你会发现仪器在处理 B85 和 B100 部件时遇到了更大的困难。查看每个操作员的数据，查看每个部件的数据，你都会看到同样的情况。
众所周知，量具重复性和重复性（R&R）的结果高度依赖于零件的选择。如果我们获得的零件彼此之间差异非常显著，那么信号就会很强，测量系统中的噪声也会相对较低。
一年过去了，后果依然存在，投诉不断，退货频繁，还有各种纠正措施请求。如果说有什么让我不寒而栗，那就是纠正措施请求。我称之为“机会均等的烧钱行动”。
这就是我对纠正措施请求的看法，因为每个人都在原地打转，人们会生气等等，然后他们会写信说：“哦，我们要重新培训我们的操作员等等。” 所有这些实际上并不能真正解决问题。高层领导会生气。统计方法可能会受到声誉的打击。
我们该做什么？预防措施。想想测量系统分析。它是一个工作流程，而不是量具重复性和再现性（Gage R&R）。为了了解你的仪器，你真的需要做很多事情。你需要从一致性检查开始。
一遍又一遍地测量同一个部件、同一个人。如果你在图表中看到信号，请立即停止。你有一个问题需要解决。你需要研究偏差和线性。你需要确保你的仪器已经校准。
EMP，量具 R&R 很重要，但它只是整个过程的一部分。您可以查看我们之前讨论过的量具性能曲线。如果您对测量系统存在疑问，认为它会影响最终的检验决策，您可以使用一些称为制造规格的方法，这是一种临时解决方案，可以适应、解释或补偿测量噪声和仪器。实际上，您需要长期观察它们。量具 R&R 是离散的。SVC 图则不是。
本节摘要：关于MSA，人们存在一个误解。人们以为它就是量具重复率与重复率（Gage R&R）。我曾经遇到过这样的审计，审计员说：“给我看看你的MSA”，然后人们就匆匆忙忙地把量具重复率与重复率的结果拿出来。这是误解。
测量系统可以是连续的。测量系统分析和测量系统研究应该是连续的，而不是离散的。这不是一次性的事情，然后你就可以得出这些结论。你可以设定一些公司实践，使其可视化等等。我认为，这涉及到测量系统的时间尺度行为。
总结一下。最后，总结一下这五个案例研究和一些建议。首先，要从他人的尝试和磨难中学习。这正是我们努力去做的，因为我们有这些客户，我们努力帮助他们，也努力向他们学习。他们也向我们学习。大家一起学习。太好了，我们互相学习。说实话，统计方法有时会遇到麻烦，因为它是在真空中进行的。它需要用统计思维来做。
在某些时候，你必须审视业务影响、成本、原材料供应、供应链、安全、仓储等等。许多持续改进工作都蕴含着更宏大的蓝图。再次强调，要从工作流程的角度思考，而不是离散思维。我们不要去运行MSA（统计分析），也不要去运行DOE（实验设计）。让我们思考一下这个工作流程。我们该如何运用广泛的统计方法来改善我们的生活，并让客户满意？
将数据以及从数据中得出的模型视为非常非常重要的企业资产。关注因素，并持续关注响应。在我担任制造工程师期间，我关注的是这些因素。没有一个专门用于控制产量的刻度盘。没有一个专门用于控制尺寸控制的刻度盘。任何与响应相关的因素都没有专门的刻度盘。关键在于这些因素，所以你需要了解我能多好地控制这些因素，以及它们如何影响我的响应？
专注于差异化、减少差异化，然后放手一搏。别误会，满足规格很重要。我要明确地说，满足规格很重要，但这不是最终目标。你必须更进一步，集中精力。就像田口几十年前告诉我们的那样：“专注于减少差异化，并实现目标。”
我们相信，如果您做到了所有这些，您的流程就能不断改进。您的操作员会很高兴，您的供应商也会更高兴，因为您帮助他们，他们也帮助您，您也让您的客户满意。随着时间的推移，您会获得这些不断积累的改进。
最后，我们想说声谢谢。胡安和我，感谢你们的聆听。如果您想讨论这些话题，请与我们联系，我们很乐意为您提供帮助。
