Jeff(ASQ_CQE)談統計品質工程Statistical Quality Engineering

紅珠實驗 戴明博士在著作「轉危為安」及「新經濟學」裡面多次提到紅珠實驗，並且使用np-chart進行紅珠實驗的分析及闡述其管理意涵，這給我們至少兩個啟發： 1. 管制圖可以做為管理的有效工具 2. 其分析結果可以協助管理者分辨問題是否為系統性問題 應用管制圖於客運傷亡人數分析 Jeff對於台灣客運每年的傷亡人數深感興趣，於是套用這套工具進行分析，在「 中華民國交通部公路總局 」裡面可以找到我們想要的資料，其類別進一步分類為「遊覽車客運類」及「公路汽車客運類」。 我們在此僅選擇「公路汽車客運類」 並且將資料繪製成管制圖 以下是該管制圖的說明： 1. 該管制圖為np-chart 並假設n=每年該客運車次 = 每天100班*365天 = 36500班/年 2. 第一項的假設係源於每家客運公司的每年總車次資料不易取得因此有低估之虞 3. 第一項假設每家客運公司每年的車次相同 這會造成管制界限的估計錯誤 4. 更好的方式是取得每家客運每年的總班次及傷亡人數 並用p-chart重新分析 5. 這幾家客運均有跑新竹---台北路線 是這次的分析重點 無論如何，我們從管制圖中可以發現某些客運在傷亡人數上名列前茅，這六年來(2011至2016) 傷亡總人數累計排名依序為： 1. 國光客運 *136人 2. 統聯客運 *52人 3. 三重客運 *41人 4. 阿羅哈客運 *36人 5. 豪泰客運 *30人 這些數字不僅驚人，而且在管制圖上形成了頗為穩定的分布狀況，讓這幾年來的平均傷亡人數來到了9.833人 無條件進位則是10人。在30筆數據當中有5筆數據超出了管制界限，分別是： 1. 國光客運 *49人 2. 三重客運 *29人 3. 國光客運 *25人 4. 豪泰客運 *21人 5. 統聯客運 *20人 一般來說，如果數據超出管制界線，我們會認為這是由於特殊原因所造成的異常現象，然而如同我先前提到的管制圖假設，我們之所以在這張管制圖看到5個點超出管制界線是因為np chart須符合每組樣本均相同，但這與實際狀況並不相同，每家客運的每條路線的班次會有大幅度的差異，Jeff推測若使用精準的數據搭配p-chart分析應可...

在「轉危為安」、「新經濟學」這兩本戴明博士的著作中 反覆提到以下這張圖的概念 並由此延伸成所謂的"系統觀點" The knowledge of System 並且在日本傳授統計品質管制課程中 提醒各領導人要有系統觀念 在圖中的每一個單位都是互相關聯並且互相影響的 假若RD設計圖面有累積公差 則供應商就會根據此公差再加上它的製程變異 造成生產單位在製造過程中的異常或者不易組配 製程漏檢的產品則成為客戶的抱怨 在上述過程中 沒有一個人是贏家 但每個人都認為自己才是唯一的倒楣鬼 請問上述問題是誰的問題? 是客戶的規格太嚴?客戶太龜毛? 還是生產單位不夠聰明?只會照SOP做事?公差多一點就不會裝? 還是IQC都死光了?沒有發現供應商做的產品有累積公差? 還是VQM沒有確認供應商的製程能力? 還是採購是一群只會喝下午茶買網拍的OL?都沒跑供應商? 還是RD你們都是混帳 連累積公差都不會消除 SPC也不會算 還虧你讀了四中四大台清交 還是上述沒出現的主管們 你們才是數字管理的災厄的始作俑者 在眾多KPI的數字管理中 在採購成本越來越低的壓力中 在交期越來越趕的無力中 在RD製圖趕趕趕的時程中 在沒有人在意的變異逐漸擴大的時候 沒有人理解我們其實是一個系統 彼此互相影響 你長期忽略良好品質的舉動 就會造成每個環節的負面影響 你為了增加設計開發的時程拼命壓RD 圖面公差變異就累積在你身上 你為了降低採購成本拼命換供應商 供應商的變異就會累積在你身上 你為了降低生產Cycle time拼命叫人加班 作業員的變異就跑出來了 你做的每件事都在傷害品質 讓客戶生氣 卻在牆上寫滿「品質優先」、「零缺點」、「第一次就把事做對」 你這不是傷害員工自尊是什麼? 這不是沒有系統觀念又是什麼? 【品質工程】新經濟學 The New Economics for Industry, Government, Education_Profound Knowledge深厚知識 【品質工程】轉危為安 Out of the Crisis (1) 14項管理原則(上)