歡迎大家來到「統計路與商業決策大道交會處」。首先要感謝我的共同演講者 Juan Rivera。我和 Juan 是團隊合作完成的，但他決定讓我先做演講。我只想簡單介紹一下位於亞利桑那州圖森市的 Pyzdek 研究所。
我們在世界各地派駐了一些人員，教授工程統計學、精益六西格瑪，服務眾多客戶，服務眾多行業。這點非常重要，因為我們今天要分享一些與不同產業客戶合作的經驗，希望能幫助大家有所收穫。最後，我們是JMP的合作夥伴。非常高興成為JMP的合作夥伴，我們將繼續攜手前進。
更直觀地說，這次演講其實是2020年JMP Discovery在圖森做了一場名為《精益街與統計路轉角》的演講的續篇。這次演講算是延續。如果有人想看，可以在jmp.com上找到那場演講的錄音。此外，幾年後，也就是2022年，我和Juan在ASQ精實六西格瑪大會上做了一場演講，主題是「設計實驗的防錯」。同樣，我們向客戶學習，並努力幫助其他人從這些錯誤中學習。
演示目標是什麼？嗯，是的，我們已經研究這個問題很久了。這是一項多年的觀察和研究。我們試著回答這個問題：為什麼統計方法會偏離軌道，最終名聲掃地？我們親眼目睹了這一點。
當我全職工作時，老闆因為我在工廠裡犯的錯誤而生氣了。我們如何從這些錯誤中學習，並制定一些預防措施？這就是我們今天要努力實現的目標。
格式非常簡單。我總結了五個主要發現與大家分享。每個發現都有一個案例研究。我們將討論客戶的行為、他們因此遭受的後果，以及我們如何幫助他們解決問題並防止事情再次失控。
這就是發現 #1。總結一下。關鍵在於業務本身，而非統計數據。我們發現了一個共同點。問題的根源，我們可以總結為：未能看清全局。
這是一個案例研究。第一個案例研究。這家公司生產用於能源電纜的防水膠帶。頂部有照片，非常酷。遇水時，所有物質都會膨脹，它利用水防水。非常酷的東西。它含有一種高吸水性聚合物，並與不織布、黏合劑等混合。
我們的目標是優化產品在海水中的表現。這些膠帶在淡水中膨脹效果很好，但在海水中膨脹效果就差強人意了。對於想要在有地下水（尤其是鹹水）的地區埋設電纜的人來說，這是一個技術挑戰。
他們擁有可控的因素。他們可以控制不織布基材的重量。他們可以控制超級吸收劑的粒徑。它有不同的尺寸可供選擇。他們使用不同的黏合劑將所有材料黏合在一起，並決定黏合劑的用量，此外，他們還必須添加緩蝕劑，以便水可以進入。緩蝕劑可以防止腐蝕。
設計相當簡單直接，但卻非常重要，因為一旦電纜進水，後果不堪設想。根據草圖，他們的應對措施是盡量減少一定鹽度的海水進入電纜。他們用夾鉗夾住電纜齒，露出防水膠帶，用高架水箱施加一定壓力，看看水能滲入電纜多深。當然，他們不希望水滲得太深。
他們做了一個設計實驗。太棒了。如果你看一下預測分析器，你會發現基材重量、顆粒大小、黏合量、抑制劑用量以及黏合類型，也就是他們用來黏合所有材料的膠水類型。
他們進行了一項實驗，達到了最大化的期望值，最終選擇了黏合劑2，因為這種黏合劑的滲水量較少。他們修改了膠帶的設計，然後開始下一個專案。這是一個常規的案例研究，很多人都做過類似的事情。
然而幾個月後，他們遭遇了三個突如其來的打擊。首先，超級吸水劑的粒徑出現了偏差，而他們對此渾然不知。其次，由於某種特殊原因，基材不織布的重量變化也引發了一些問題。
更糟的是，安全經理收到通知，某些元素，例如某些絨球，在歐洲市場上不再被接受。安全經理下令立即停止使用黏合劑2，而他們只是選擇這種黏合劑來優化產品設計，使其更適合海水性能。哇哦。
這可是有後果的。我慌了手腳。我得把黏合劑2換成黏合劑1。他們開始做來料測試。大家互相指責。亂成一團。關鍵在於，統計方法和實驗設計受損了聲譽。哎，那個實驗設計（DOE）沒用。為什麼呢？
順便提一下，分享一些其他案例研究，我們發現使用最佳化的可取性還會帶來一些意想不到的後果。我們看到一些公司進行實驗設計（DOE），優化了可取性，但最終卻導致能源成本大幅增加，或者工作區域溫度過高，對操作員來說非常危險，機器故障率也隨之上升，從而增加了維護成本。有時，他們的客戶，也就是他們的產品銷售對象，會感到措手不及，不僅僅是機器噪音等等。
我們想出的第一個預防措施，也是我們試圖幫助這位客戶，並運用我們累積的經驗。第一個預防措施，我們建議謹慎使用最大化可取性。我們看過有人因此惹上麻煩。
事實上，我們建議僅在有大量回應，且需要在財務回應、技術回應、商業回應等之間進行大量複雜權衡的情況下才使用它。我強烈建議您謹慎行事。
第二個預防措施是承認實驗設計是一項獨立的工作。實驗設計是改進流程、理解流程和優化流程的最偉大的方法之一，但它是一項獨立的工作。
如果他們使用了SPC控製圖，無論是供應商提供的粒度控製圖還是其他控製圖，他們都能避免很多麻煩。我們相信DOE和SPC是一對非常優秀的組合，應該盡可能地將它們結合起來。
第三個預防措施是考慮工作流程策略。這家公司讓這些工程師做了所有正確的事情，做了實驗等等。但也有一些疏漏。他們應該與供應鏈人員溝通等等。我們建議制定一些策略，公司策略。你要進行一項實驗。以下是具體操作方法。我們想出了這個主意，讓我們把它分解成幾個階段。
因為每個階段，你可能都想讓不同的人參與。例如，有一家公司說：「我們會採用這三個階段。我們會開始工作，做一些工作，我們會評估我們收集的數據，然後我們會做出一些商業決策。」他們最終創建了一些可視化的標準，包括防錯步驟。
他們從一小群人開始。你讓他們去設計實驗，收集數據等等。你不希望一大群人參與這個階段。你也不希望供應鏈參與這個階段，等等。
然後他們進入第二階段。在這個階段，你需要引進一些額外的人員，包括供應鏈人員、安全人員、操作員、主管等等，來評估數據。到了這個階段，你真的需要加強協作。這就是我們評估剛剛收集的數據的方式。我們會採取一些特定的步驟。如果數據良好，我們就採取一種方法。如果數據不理想，我們就採取另一種方法，所有這些都是為了製定政策。
然後在最後階段，你需要讓所有人參與進來，包括海平面上升等等，讓所有利害關係人參與進來，做出最終決策。如果他們一開始就這麼做了，或許就能避免所有這些痛苦。
我們推薦的第四個預防措施是，有些公司會說：「嘿，我們會教每個人實驗設計（DOE）。」這可能不是最好的主意。每個實驗設計（DOE）都是一個獨立的學科，但應該將其作為統計思維的一部分來教授。我們如何讓人們以統計的方式思考，而不僅僅是進行設計實驗，而是審視一切？
檢查原料性能，查看製程中心研究，確保我們的儀器正常。我的工藝中是否存在可歸因的變異，並教授所有這些技能、可靠性分析等等？這是我們推薦的第四個預防措施。
這是案例研究 1 的章節摘要。收集回應資料後，它會進行研究，將你從統計學的世界帶入商業世界，這是我們的建議。這裡有一張史波克先生第一次看到 JMP 圖形產生器的照片。就像我一樣。哇，這真是世界上最棒的東西。玩笑歸玩笑，這就是我們建議的，以避免類似問題。
這是發現 #2。總結一下，滿足規格要求並非最終目標。我們看到很多客戶一味追求規格要求，結果卻陷入困境，因為他們只專注在規格要求。其根本原因，用我的話來說，就是未能理解田口先生的理念。我們稍後會詳細討論這一點。
我之所以想在這裡引用這句話，是因為我覺得它意義非凡。從管理階層到車間，每個人都應該思考唐納德·惠勒在其著作《理解統計過程控制》中提出的品質悖論。因此，我們得出了這個悖論。只要管理階層以符合規範為目標，就無法實現這一目標。如果管理階層的行為顯示滿足規範就令人滿意，那麼產品必然會不合格。
太棒了！我們的觀察，以及我們從客戶那裡了解到的信息，都證實了唐納德·惠勒所說的「品質悖論」。這裡有一個案例研究。我有一個CNC加工聚碳酸酯零件的流程。公司接到一個相當複雜的零件大訂單，他們得到了機械師通常的回應。零件必須具有正確的幾何形狀、正確的厚度、正確的角度、正確的表面光潔度等等。
他們接到訂單後，就說：「好了，我們把流程控制好了。我們有了這些規格。」他們翻出了先前的流程能力分析結果。嘿，各位，你看，很久以前，我們的CPK是1.357。這是基於30個樣品得出的。他們當時根本不知道，他們可能應該進行SPC預研究，以確保流程穩定且可預測。
他們沒有考慮CPK的置信區間。這總是會讓人感到意外。之後，他們也沒有觀察過程隨時間的變化。你又得到了一個離散項目。過程能力分析是離散的，然後他們就繼續了。
他們根據發現的數據得出結論，一切都很好。是的，你看，我們有能力滿足規格要求。我們發現CPK大於1.3，這在一定程度上保證了成功。這可以理解。人們總是在談論這個。
他們接單、製造零件、對產品進行晶片加工、出貨，然後才能處理下一個訂單。這可以理解。然而，這背後也有一些道理。首先，他們為傳統主成分分析研究收集的零件只是為了方便，並不能很好地代表整個流程。
現在，在塑膠加工領域，你不必像在金屬加工領域那樣擔心冷磨損。有些事情會隨著時間而改變。他們也沒有意識到CPK指數的下限置信區間是0.89。同樣，過程能力是離散的。沒有時間尺度。
他們一年前學到的知識並沒有真正告訴他們接到訂單時流程的狀況。他們幾乎不知道他們的流程並不在統計控制範圍內。這是主成分分析的先決條件之一。如果你的流程處於控制範圍內，這些指標其實意義不大。
另一件事是他們使用的規格非常隨意。這些規格來自公差範圍，並不能真正反映出他們滿足客戶需求的能力。根據我們與客戶打交道的經驗，這種情況非常常見。
幾週後，結果就是客戶無法組裝部分零件。他們拿到了這台機器的塑膠零件，作為組件的一部分，他們無法正確組裝。爭議始於一些尺寸等問題。供應商，也就是零件製造者，實際上沒有任何測量完整性或製程控制的證明。他們說：「親愛的客戶先生，我們的CPK指數是1.357。」客戶，也就是買家，說：「你們還有什麼？這對我來說毫無意義。你們還有什麼？」他們有麻煩了。後果是什麼？高昂的運費或拒收。
再次強調，本演講的重點是，統計方法總是會受到影響。事情出錯，決策制定，而統計方法本身是合理的。 CPK指數的計算相當簡單。所有這些合理的方法都無可爭議，但真正受到影響的是統計方法本身。生產、管理、銷售人員的聲譽，所有這些都是統計方法的另一個失敗。
你會怎麼做？你遇到了這個問題。第一個預防措施是理解田口損失函數。皮茲德克研究所認為，田口損失函數是任何人應該掌握的最重要的概念之一。簡而言之，它告訴我們，如果你正中目標，就能將損失降到最低。
一旦你開始偏離目標，偏離分配中心，就會有人開始虧損。這正好概括了這些人可能該做的事情。
在 JMP 中，你可以將田口損失函數視覺化。我們建議公司這樣做。以他們的一款產品為例。在這種情況下，我們有一些維度，我們設定了目標，有一個常數需要調整，直到獲得正確的財務損失，然後進行一些算術運算，最後你可以使用圖形生成器創建一個類似圖表的表格。它本質上是一個散點圖，用來向人們展示：「看，如果我們的零件是 18 毫米，我們就能保住所有的錢。」用這種簡潔易懂的術語，人們可以理解。
順便說一句，你不會想把它叫做田口損失函數。你不會想跟高層討論這個。這只是個概念，很重要。然後你可以這樣說：「你看，如果一個零件的價格是17.93，它就符合規格。」規格下限是17.9，但根據田口損失函數，我們每個零件的損失是108美元。
人們明白這一點，也看到了這一點。這裡的重點是讓人們不再糾結於滿足規格。我符合規格，我不符合規格，而是開始思考距離目標還有多遠。
許多真正聰明的人多年來一直在說這個道理，但這個道理不一定每個人都能理解。我再說一遍，就不贅述了。另一個預防措施是製定一些政策。如果你要進行過程能力評估，你會怎麼做？好吧，首先你必須確保製程處於受控狀態。如果不行，你就得找出問題並解決問題。
然後你問自己，這些規範真的有意義嗎？它們只是圖紙上的一些內容，或者圖紙上的一個小表格？然後你再仔細思考整個過程。我們的建議是，在整個過程中加入大量的流程行為卡。
再說一遍，實話實說，這是另一個預防措施。這是一幅畫。大家都見過。你得到了你的低級規格，你得到了你的高級規格，你得到了你的目標。惠勒稱之為「良性忽視區」。我覺得他措辭很謹慎。我稱之為「虛假完美區」。當你超出規格範圍時，你會得到混亂和毀滅的低級區域和混亂和毀滅的高級區域。
仔細想想，這就是滿足規範的世界。你要么處於兩種狀態之一：要么興高采烈地跳著舞，要么瘋狂地奔波試圖解決問題。我們發現，這種思考過程、這種心態會讓人陷入困境。
公司還需要考慮的其他事項是，JMP 有一個叫做量具性能曲線產生器之類的插件。很棒的東西。它很棒，因為它能告訴你為什麼你想要達到目標。因為事實上，一旦你開始接近你的上限或下限，測量噪音就會成為影響顧客滿意度的決定性因素。
例如，一旦接近較低的規格，就會出現一些測量雜訊。您可能會將符合規格的零件判斷為不符合規格，反之亦然。這款 JMP 外掛程式非常棒，我們建議客戶使用它、學習它，並從中汲取經驗。
總結個案研究2，目標是減少偏差。然而，過程能力分析和過程能力指數將注意力和資源集中在滿足規範上，我們發現客戶因此陷入困境。
這是五分之二。發現三：你可能不知道你已經知道的事。總結一下，發現三：我們得出的結論是未能充分將數據貨幣化。我們發現，這正是這些問題的根本原因。
這裡有一個案例研究，另一家塑膠加工公司。他們在全球設有工廠，生產擠壓、注塑、滾塑、吹塑等各種塑膠產品，擁有數百台機器，是一家規模龐大的公司。他們使用統計方法的普遍問題是，他們所做的事情數量龐大。
他們在每個工廠、不同的流程進行獨立的統計研究。資料存儲確實不太規範。資料檔案儲存在本機網路硬碟、PC硬碟、USB、雲端硬碟等等各種裝置上。數據散落在各處。
他們說：「好吧，我們意識到了這個問題。」他們意識到自己有問題。 「我們得到了所有這些數據。我們該如何組織？」他們嘗試了一些手動方法。他們試圖將數據模擬到某些地方。
他們有一份長長的清單，上面有供應商數據、流程是否已發送的當前狀態數據、測量系統分析數據等等。他們掌握了海量數據。但背後的真相實在太多，任何手動方法都無法做到。 “大家都把文件發過來。我們把文件放在這個網絡驅動器或雲端硬碟之類的地方吧。”
他們實際上並沒有最大限度地挖掘所有數據的價值，並花費了大量資金收集數據。他們沒有最大限度地發揮數據的價值。也沒有資料治理。如果一個人用一個名字稱呼某個因素，另一個人用另一個名字稱呼它，而你試圖斷言某些東西，那麼這些因素名稱的差異可能會給你帶來麻煩。沒有通用的術語等等。
幾年後，在嘗試手動管理所有數據並盡最大努力之後，後果出現了。人們重複工作，不同的工廠生產類似的產品，進行重複的研究等等。他們在審計方面遇到了一些問題。該公司為航空業做了一些工作，因此需要進行一些外部審計。他們在外部審計期間很難找到數據，並為此付出了很多努力。
再次強調，搜尋很困難，因為在電腦的世界裡，溫度 1 並不等於溫度_1。我很難把這些概念連結起來。嘿，我研究過擠出機上的這個特定溫度嗎？或是我研究過注塑生產線上的這個特定因素嗎？人們使用不同的術語，不同的因素名稱。
後果是這樣的。首先，當你做這樣的事情時，人們離開後，你往往會失去知識。這個人把一些資料放在硬碟上，或是放在網路磁碟機之類的地方，也許別人會找不到這些資料。他們所做的任何新聞研究，都沒有借鏡過去所做的所有工作。所有這些有用的流程洞察，都會隨著時間的流逝而消失，就像雨水沖刷過的歲月一樣。
同時，在高階主管層，執行長和其他高階主管們，完全被統計研究成本的累積所證實，他們所做的所有這些工作並沒有帶來任何回報。他們沒有達到預期。統計方法的聲譽再次受到高層的打擊。
我們該怎麼辦？首先，採取預防措施。改變你的思維方式。創造數據，從數據中獲取結果，並根據數據建立模型，就像資產一樣，例如機器或銀行裡的錢。
轉變思維方式。如果資料分散，就無法很好地發揮作用。制定資料治理、儲存、資料分析和歷史記錄的企業政策，以便所有這些工廠（我之前提到過）能夠分散在世界各地，位於不同的時區、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數據。 ABC Widgets 已經連續 571 天沒有發生過資料遺失事件。這正是你想要採取的方法。同時，在某些產業，例如生技產業，有一種叫做 KASA 的 DA 系統，它完全是關於資料治理和審計的。當審計員來的時候，他們會要求提供一些東西，夥計，這些東西你都能輕鬆搞定。
其他預防措施。如果您要建立 JMP 資料文件，請對其進行註釋。使用新的表格變數來記錄項目的目標是什麼？所有高級細節是什麼？使用列註釋並回答以下問題：五年後，即使沒有參與這項工作的人，他們是否還能清楚地理解專案的目的、方法、細節和結果？
大多數 JMP 文件，答案是否定的。五年後，有人會查看它，但他們根本不知道當時做了什麼，使用了什麼機器，使用了什麼測量系統，誰參與了等等。
我們認為另一個預防措施也很有價值。也可以使用 JMP 查詢產生器。把所有這些工具都用上，盡可能吸收數據，盡可能吸收數據，然後考慮使用知識關係管理系統 (KRM)。市面上有很多這樣的系統。其中之一就是 CoBaseKRM。你們中的一些人可能已經用過它了。
它與 JMP 完美相容，能夠處理 Excel 數據，並且根據定義需求進行資料治理。它可搜索，可擴展。如果您真的想從資料中挖掘所有寶貴資源，那麼這個大規模的單一管理系統是一個不錯的起點。如果您有多個辦公地點，並且由於行業慣例而需要進行審計，那麼它真的會很有幫助。
總結一下這部分。知識、數據、分析、統計模型、因果關係知識。這些都是公司資產，卻沒有得到應有的重視。如果失去所有這些知識，你就會損失利潤，你的競爭力就會下降而不是增強。在某些行業，知識管理至關重要。
這是五個發現中的第三個。第四個發現。統計製程管制 (SPC) 不再僅僅針對最終產品。我們在這裡再次強調，我們從其他人那裡學到的東西可能存在這些問題，在這種情況下，我們未能理解因素，即我們發現的整體根本原因。
另一個案例研究，這是一個金屬塗層過程。關於它，我不太清楚，但有很多因素，非常多。客戶確定了21個工藝因素。他們有一些反饋。他們正在做一些與金屬相關的工作。
他們的做法是，這也是相當常見的做法，他們用統計製程控製圖來記錄響應，這些響應對金屬塗層至關重要。他們並沒有真正注意到這些因素的行為。他們本質上是在倒著看他們的過程。
如果他們在IMR圖表中看到有反應訊號，他們就會回頭，一開始就很弱。這……這說明什麼？我們認為，本末倒置。根本原因是，他們在流程中設定了製度化的阻礙。他們設置了所有這些控制點。但他們不關注這些控制點，只關注結果。
還有潛在的真相。還有很多其他因素，像是乾擾因素、原料的影響。車間裡有不同的人做不同的事情，這本質上是一種系統性的混亂。我喜歡戴明在他的漏斗實驗中所展示的。
一段時間後，他們遭遇了持續的高廢品率、高成本、交貨延誤、客戶不滿、操作員對不斷與他們鬥爭的流程感到厭煩等問題。其中的因果關係仍然是個謎。
發生這種情況的原因是他們沒有考慮這些因素。他們只關注響應。人們開始問：「嘿，我們那條生產線上安裝了SPC。怎麼會有這麼多問題？」 SPC的聲譽受到了打擊。問題在於，他們沒有考慮這些因素。未能理解這些因素。
這是第一個預防措施。如果你看過唐納德·惠勒的《你需要知道的二十件事》第三章，裡面對可控因素、不可控因素、可能隱藏的因素等等都有非常精彩的討論。總而言之，如果你真的被這類問題困擾，那就開始控制你所能控制的一切。
這是一個例子。製作這個陣列。 JMP 非常擅長這件事。你可以製作任意高度的控制圖堆疊。在本例中，我們為因子 X1 和因子 X2 製作了 23 個堆疊的 IMR 圖。此外，還有 13 個製程因子、4 個幹擾因子、環境溫度等等。此外，還有一些人們認為會影響製程的材料特性和一些響應。
這整個系統其實…是為了讓你能夠查看流程狀態，並了解未來可能發生的情況。這並非為了事後使用，而是你希望每小時、每天進行的操作。
看看這組圖表。如果你這樣做，你會得到一些行為，我們看到，因為我們正在觀察反應，當這個反應出現時，我們可能已經看到了乾擾因素的變化，或者我們可能已經看到了材料屬性的變化。非常強大的技術。只需查看一整堆控製圖。稍加練習就能掌握所有這些，並正確設定你的控制限值，但這是可以做到的，而且這是一種非常強大的技術。
另一件事是，再次強調，制定政策並重視SPC最終是為了考慮各種因素。你需要專注於溫度控制和壓力控制。我們之前討論過這個關於地下電力電纜的案例研究。
高吸水性聚合物進入我的製程後，它的行為是什麼？因為它本質上是我工藝流程的一部分。你應該專注於上游，而不是像傳統方法那樣只專注於回應。創建工作流程，從錯誤中學習，進行錯誤預防，並記錄制定的策略。
總結一下本節，過程很複雜。變異源無所不在。有些東西正試圖闖入你的過程，並造成習慣的破壞。如果你使用統計過程控制來觀察這些因素，並再次審視所有方面，你就會開始理解這些因素與反應之間的正向效應行為。同時，如果你想進行實驗，它也能為你提供一些指引。
這是我從JMP網站找到的L圖。真的很酷。他們一開始就說要辨識因子和反應。很容易識別你的回應。你知道你想要什麼，是幾何控制還是膠帶吸水的膨脹。在DOE的世界裡，最困難的事情、最難回答的問題是，我該考慮哪些因子？
人們總是會問這個問題。如果你仔細研究了一大堆因素，並開始了解它們的行為方式以及它們如何影響你的流程，你至少會獲得一些洞察力和指導，從而明智地選擇你的因素。
最後但同樣重要的是，發現 #5。量具 R&R 研究結果良好並不代表你的儀器沒問題。你也可以說，EMP 研究結果良好並不代表你的儀器沒問題。我發現這是一個相當普遍的問題。根本原因是人們往往不真正理解測量系統分析的真正意義。 AIAG 有一本厚厚的書專門講這個，而且內容不僅僅是量具 R&R 研究。
以鋁合金鑄造製程為例。他們正在進行原料的均質化處理，擠壓一些管材或圓柱體，並進行退火，他們關注的是整個過程中的硬度。我們將研究洛氏硬度，這是一種相當成熟的測量方法，我們將利用這些硬度測試來為過程中（因為這是一個多步驟的工藝）以及最終測試做出一些重要的決策。
他們做了什麼？在接到客戶投訴後，他們做了一個量具重複性和再現性研究。他們拿了一些不同已知洛氏硬度的鋁片，你可以買到這些標準零件。他們做了一個量具重複性和再現性研究。太棒了！這很有意思。
他們得到瞭如此出色的結果。哇！看看方差分量。所有變異似乎都來自零件，很少來自量具本身。他們得出結論，這台儀器近乎完美。
首先，他們不知道的是，儀器隨著時間的推移一直很穩定，但他們也存在一些自己沒有意識到的偏差問題。如果你查看這些數據，而不是僅僅看最終結果，而是查看變異性圖表中的數據，你會發現儀器在處理 B85 和 B100 部件時遇到了更大的困難。查看每個操作員的數據，查看每個部件的數據，你都會看到同樣的情況。
眾所周知，量具重複性和重複性（R&R）的結果高度依賴零件的選擇。如果我們獲得的零件彼此之間差異非常顯著，那麼訊號就會很強，測量系統中的雜訊也會相對較低。
一年過去了，後果依然存在，投訴不斷，退貨頻繁，還有各種糾正措施要求。如果有什麼讓我不寒而栗，那就是糾正措施請求。我稱之為「機會均等的燒錢行動」。
這就是我對糾正措施請求的看法，因為每個人都在原地打轉，人們會生氣等等，然後他們會寫信說：「哦，我們要重新培訓我們的操作員等等。」所有這些實際上並不能真正解決問題。高層領導會生氣。統計方法可能會受到聲譽的打擊。
我們該做什麼？預防措施。想想測量系統分析。它是一個工作流程，而不是量具重複性和再現性（Gage R&R）。為了了解你的儀器，你真的需要做很多事情。你需要從一致性檢查開始。
一遍又一遍地測量同一個部件、同一個人。如果你在圖表中看到訊號，請立即停止。你有一個問題需要解決。你需要研究偏差和線性。你需要確保你的儀器已經校準。
EMP，量具 R&R 很重要，但它只是整個過程的一部分。您可以查看我們之前討論過的量具性能曲線。如果您對測量系統有疑問，認為它會影響最終的檢驗決策，您可以使用一些稱為製造規格的方法，這是一種臨時解決方案，可以適應、解釋或補償測量雜訊和儀器。實際上，您需要長期觀察它們。量具 R&R 是離散的。 SVC 圖紙不是。
本節摘要：關於MSA，人們有一個誤解。人們以為它就是量具重複率與重複率（Gage R&R）。我曾經遇到過這樣的審計，審計員說：“給我看看你的MSA”，然後人們就匆匆忙忙地把量具重複率與重複率的結果拿出來。這是誤解。
測量系統可以是連續的。測量系統分析和測量系統研究應該是連續的，而不是離散的。這不是一次性的事情，然後你就可以得出這些結論。你可以設定一些公司實踐，使其可視化等等。我認為，這涉及到測量系統的時間尺度行為。
總結一下。最後，總結這五個案例研究和一些建議。首先，要從他人的嘗試和磨難中學習。這正是我們努力去做的，因為我們有這些客戶，我們努力幫助他們，也努力向他們學習。他們也向我們學習。大家一起學習。太好了，我們互相學習。說實話，統計方法有時會遇到麻煩，因為它是在真空中進行的。它需要用統計思維來做。
在某些時候，你必須審視業務影響、成本、原料供應、供應鏈、安全、倉儲等等。許多持續改進工作都蘊含著更宏大的藍圖。再次強調，要從工作流程的角度思考，而不是離散思考。我們不要去運行MSA（統計分析），也不要去運行DOE（實驗設計）。讓我們思考一下這個工作流程。我們該如何運用廣泛的統計方法來改善我們的生活，並讓客戶滿意？
將數據以及從數據中得出的模型視為非常非常重要的企業資產。關注因素，並持續關注回應。在我擔任製造工程師期間，我關注的是這些因素。沒有一個專門用來控制產量的刻度盤。沒有一個專門用來控制尺寸控制的刻度盤。任何與反應相關的因素都沒有專門的刻度盤。關鍵在於這些因素，所以你需要了解我能多好地控制這些因素，以及它們如何影響我的回應？
專注於差異化、減少差異化，然後放手一搏。別誤會，滿足規格很重要。我要明確地說，滿足規格很重要，但這不是最終目標。你必須更進一步，集中精神。就像田口幾十年前告訴我們的那樣：“專注於減少差異化，並實現目標。”
我們相信，如果您做到了所有這些，您的流程就能不斷改進。您的操作員會很高興，您的供應商也會更高興，因為您幫助他們，他們也幫助您，您也讓您的客戶滿意。隨著時間的推移，您會獲得這些不斷累積的改進。
最後，我們想說聲謝謝。胡安和我，感謝你們的聆聽。如果您想討論這些話題，請與我們聯繫，我們很樂意為您提供協助。
