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

失敗的轉職經歷 我之前寫過一篇 【品質工程】失敗的轉職經歷 ，並將自己經歷過的轉職經驗視為失敗的警惕，如今過了一年左右，我再一次嘗試轉職，只是這次我加入了一點耐心。 細數以往的轉職經歷，我的心態大多數處在一種：我不想再跟你們這些人處在一起了! 趕快來一個新工作，隨便哪個都好! 我要馬上換過去!  在這種心態之下，我很難真正理性判斷我的新工作是否就是我真正要的職務；事實上，我的新工作多半是在薪資沒什麼漲幅的情況下做的決定，這讓我的職涯薪資發展始終停留在同一個水平上。那時還二十幾歲的我心想，老子不需要靠你們也可以搞定所有工作，大部分的同事都嘛是拖油瓶，不僅工作時加油添醋毫無競爭力，各個管理階層更是出一張嘴，完全沒有管理能力。 轉職的動力幾乎都來自於推力而非拉力，我在沒有目標的狀況下掙扎著轉職，這讓我的面試過程十分痛苦，也不斷在過程中被打擊而十分沮喪。 新的契機 這過程中我意外看到大人學有一門「 履歷優化與個人品牌重塑 」，我心裡想著：這課程要收一萬二! 白癡才去參加!但我沒有意料到的是，事隔半年之後我真的去上課了，並且又在那半年之後的一年之間，我陸續收到許多來自於LinkedIn的工作機會，並在最後偶然收到一家外商的邀約，並決定加入他們的行列。 轉職重點： 釐清職涯目標 持續累積貢獻 定期更新工作項目 定期到市場接受鑑定 一大改變是我在工作時會開始留意可以累積的專案，並且一一列在我的履歷清單裡面。這份清單將會是工作時一份很重要的文件，可以隨時提醒你是否正在落入職涯陷阱：同一種經歷做十年。轉職困難的重要原因就是長時間停留在某個狀態，無論是職位、薪資、公司或者經驗，你必須對你的工作產生「主動關注」、「時時檢視」的積極心態，讓自己的工作產生價值而非一種習慣。 除了在工作中開始刻意留意該累積的專案之外， 我開始回頭問自己一件事：「我的職涯目標是什麼?」 薪資要能補上此刻的資歷 成為專業的品質管理經理人 培養規劃、組建團隊的能力 無論具體的目標是什麼，這都比你毫無職場目標來得好太多了，這是我的切身之痛。記得前幾份工作常常在公司忙到七葷八素，下班之後就洗澡睡覺，隔天六點多就起床準備出門上班；那時候的我經常覺得被榨乾，而在缺乏學習的狀況下，也不知道自己要建立職涯目標。 重新取得價值 懂得在工作過程中隨時留意自己累積的專案及改善方案，這絕對是讓自己更有餘裕的做法，也讓我取得更大...

量測系統分析可以透過人機料法環5M分析，透過魚骨圖層別出影響量測系統的重要因子；對於任何的量測系統我們都可以應用相同的魚骨圖進行初步分析，各位讀者可以因應所遇到的量測系統問題選擇自己要的因子。 量測系統變異 量測設備(Gage) 舉凡儀器、設備、治具均可稱作量測設備。在量測系統分析裡的GR&R就是在講量測設備的再現性(Repeatability)與再生性(Reproducibility)，其中的Repeatability則專注於談論量測設備重複量測時所能達到的重複能力。 量測設備的變異往往來自於設計端，由於設備被設計大量重複性的量測，因此必須具備強大的可靠度及堅韌性(Robustness)，以克服量測過程中的磨耗。一般常聽到的儀器校驗也必須應用在量測設備上，以便透過妥善的操作型定義追朔量測的準確性。 量測工件(Part) 量測工件就是指待測物，英文簡稱DUT(Device Under Test)，就是量測過程中等待被量測的物件；由於量測工件通常都是在量測設備上進行檢驗，因此特別需要注意量測基準面以及該基準面的潔淨度和量測過程中可能出現量測工件變形的問題。 量測人員(Appraiser) 當量測系統需要量測人員參與時，人類的能力就必須納入量測系統變異的考量。量測人員的經驗以及所受到的訓練將會極大程度影響著整個量測過程，這些因子有很大機會是無法被量化的，但這並不表示這不重要；量測人員往往是量測系統中最被忽略的一環。 量測環境(Environment) 常見的環境因子：溫度、震動所帶來的量測系統影響是顯而易見的，所有的量測系統都為了減少被量測當下的環境溫度或震動帶來的變異而產生的負面影響，建構了標準的量測溫度及壓力。 量測標準(Standard) 量測標準是建構在校正為基礎的前提下所產生的，良好的校正及追朔系統可以最大程度的確保量測系統的穩定性。 參考文章 【品質工程】 IATF16949 量測系統分析Measurement System Analysis MSA GR&R 量測位置變異Location Variation 【品質工程】IATF16949 量測系統分析Measurement System Analysis MSA GR&R 量測寬度變異Width Variation 【品質工程】IATF16949 量測系統分析Measurement...

一月份的統計品質工程文章延續「量測系統分析」的主題，闡述了MSA與製程變異的關聯，這項觀察使得學習者可以明確了解為何量測系統分析會如此重要。 由於大腦的演化方式，使得人們並不擅長觀測細微的變動，這讓許多人犯下一個錯誤的認知：微小的量測誤差並不會對於整體的結果產生重大的影響。然而透過簡單的數學推算(又是一個人類演化不擅長的工具)，我們可以確認MSA GRR中的變異將會扭曲製程的變異，此將導致不正確的判定結果，容易做出錯誤的判斷。 能夠正確理解並掌握變異知識的人是這個社會上不可多得的人才。 一月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？Why Cpk must be greater than or equal to 1.33? 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 What's the difference between Ppk & Cpk? 【品質工程】IATF16949 量測系統分析Measurement System Analysis MSA GR&R 與Cp的關聯 【品質工程】統計製程管制SPC全系列文章 【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清 【品質工程】ASQ Certificated Quality Engineer(CQE) 考試經驗分享 【品質工程】為什麼SPC Control Chart要先看R chart再看X-bar chart ?  Why should study R chart then X-bar chart? 【品質工程】IATF16949 Control Chart Special Cause Criteria 管制圖警示型態的統計意義 品質管理手冊 202006更新 【品質工程】統計製程管制Statistical Process Control SPC的架構與使用

量測系統的表現GR&R 量測系統分析Measurement System Analysis的一大重點在於量化量測系統的好壞，最為人所知的就是GR&R指標(Gauge Repeatability & Reproducibility/量測重複性與再生性)，量測重複性指的是單一量測設備多次量測的變異，而量測再生性指的是量測人員ABC之間的變異。 這邊Jeff建議大家記住英文Repeatability & Reproducibility就好，不要記憶中文，原因是中文常常出現許多相近的翻譯名詞，例如再現性、再生性、重複性、重現性...etc，諸多非常接近的名詞互相混用的結果就是溝通不良，這點大家在實務上須多加留意溝通的詞彙。

十分之一法則 學習量測系統分析MSA時有幾件事情非常重要，其中一件就是了解量測的解析度對於觀察Process Variation有甚麼影響。在所有客觀條件都一樣的狀況之下，量測解析度就會影響Control Chart的穩定程度了，這點大家千萬要留意。 每一種量測系統都有它的限制，量測系統只能觀察到某種程度的變異，若變異的變化量小於量測系統的解析度，則我們說這量測系統無法區分此變異。 如果要挑選適當解析度的量測設備，最好的方法是挑選該變異的1/10；這被稱為十分之一法則(One to ten rule)。 解析度0.001 V.S. 0.01 下面是兩個相同製程搭配不同的量測儀器解析度所觀察到的Control Chart，我們可以看到解析度0.01的儀器所量得的Control Chart呈現不穩定的狀態，有許多點都超出了管制界限，顯然在管控上出了問題。 但相同的數據若以量測解析度為0.001的量測儀器測量，則會出現截然不同的結果。原本不穩定的製程變得都在統計管制裡面，整體的趨勢十分穩定，看不出哪裡有太大問題。 如何識別問題出在量測解析度? 這問題問得好!答案就在R Chart裡頭。觀察Control Chart的趨勢可以看到，解析度0.01的量測系統所得到的R Chart呈現的折線十分彎折，起伏落差很大；細查之下更可以發現其數值變化僅在三個數字分佈：0、0.01、0.02。這讓我們歸納出一個原則：只要R Chart的數值個數在5以下，我們就說這個量測系統的解析度不足。 笨蛋!問題在量測系統! 許多製程工程師應用SPC常犯一個錯誤，只記得用Control Chart的異常型態去檢視是否符合統計穩定，卻忘記任何時候應用SPC都應該確認其量測系統的穩定度，我想這應該是統計工具的教學問題吧。 任何時候若觀察到R Chart出現了奇怪的趨勢，不要懷疑，先去確認量測系統的解析度；更棒的作法是：無論何時都先做量測系統的確認。 相關文章 【品質工程】量測系統分析Measurement System Analysis 量測位置變異Location Variation 【品質工程】量測系統分析Measurement System Analysis 量測寬度變異Width Variation

十一月份網誌新增了四篇文章，從人類心理偏誤談到量測系統分析。 人類心理偏誤一直是Jeff很想談的一個品質議題，由於坊間並沒有人整理心理偏誤導致的重大品質錯誤，因此我之後會規劃幾篇文章分別談論這些偏誤到底會對我們的品質產生什麼負面影響。 至於量測系統分析則是一直想寫的主題，長久以來大家似乎談論到量測儀器都會想到儀校，但儀器校驗跟所謂的MSA還是不太一樣。許多負責儀器校驗的人員對於量測系統分析也不熟，大家往往按照週期定期校驗，但總覺得是件浪費時間金錢的動作。然而事實上，量測系統分析是觀測變異的重要因素；大家可以想像眼前如果戴上了模糊的眼鏡會是怎樣的世界?量測系統之於製程變異就有如眼前的世界之於戴模糊眼鏡的世界，戴上模糊眼鏡的觀測提升了不確定性，讓精密製程的開發成了遙不可及的夢想。 十一月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？Why Cpk must be greater than or equal to 1.33? 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 What's the difference between Ppk & Cpk? 【品質工程】你一定要有的品質觀念：損失函數Loss Function 【品質工程】為什麼SPC Control Chart要先看R chart再看X-bar chart ?  Why should study R chart then X-bar chart? 【品質工程】量測系統分析Measurement System Analysis 量測位置變異Location Variation 【品質工程】心理偏誤在品質工程中的影響與危害 【品質工程】IATF16949 Control Chart Special Cause Criteria 管制圖警示型態的統計意義 【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清 【品質工程】統計製程管制SPC全系列文章 【品質工程】ASQ Certificated Quality Engineer(CQE) 考試經驗分享

不同次量測數據彼此之間的差異就是量測的寬度變異，我們可以用Precision精密度這個用詞來表達。不同次的量測數據包含：同一個人不同次的量測，或者不同人之間不同次的量測都算精密度涵蓋的範疇。就概念上來說，精密度就是在量化量測數值的分佈有多廣，有多集中的意思。 Repeatability再現性 再現性指的是相同的操作人員以相同的設備量測同一個待測物相同的品質特性所得到的多個量測數值的分佈。 這就好像同一個阿兵哥手持同一把65K2對著同一個靶進行6發裝子彈射擊一樣，此時子彈在靶上的分佈就是再現性。我們認定在此條件下所產生的量測變異是來自於量測設備本身，因此再現性又被稱作E.V. (Equipment Variation)量測設備變異。

基於變異知識的理論，我們知道世界上沒有兩個相同的事物，這個道理在量測領域也同樣適用。量測的變異在巨觀世界下並不顯著，要等我們進入微觀的世界才顯得影響深遠。 為了客觀評估量測系統的變異，我們要先定義量測變異的種類。一般而言量測變異可以區分成兩大類，一是位置變異Location Variation，一是寬度變異Width Variation，我們先從位置變異開始說起；以下三項我們可以用Accuracy準確性來歸納這類的特性，翻譯成白話文就是「量測值的中心距離『真值』有多遠」。 真值True Value是理想狀態的數字，真實世界裡面人類無法做到或無法真正量測到的狀態。舉凡機械加工圖面上的尺寸公差、無塵室的環境溫度，或是光速都是真值；這些數值都被製造加工的精度及量測設備的精度所影響，因此無法達到理想值。一般而言，量測系統只會增加系統的變異，因此如何讓量測變異不致於影響我們取得正確的數據是一門很嚴謹的科學問題。 Bias偏誤 圖中的常態分配即為量測的變異，一般而言我們會使用常態分配描述量測變異，而常態分配的平均值與真值(True Value)的距離即為「偏誤」Bias。Bias與量測品質呈反比，Bias越大，則此量測系統的品質越不好。

  損失函數、田口博士與戴明博士 損失函數是品質工程發展中的一項極重要的觀念，最早是由田口博士( Genichi Taguchi )所提出，目的是協助工業界更好地掌握變異所帶來的品質成本問題，這些成本在短期內或許微不足道，但卻會累積成龐大的社會成本。由於產品偏移了客戶需求(Target)，這中間會有更多零件的磨損、難以組裝的問題、較低的產品可靠度等等。 但是損失函數Loss Function的概念令人匪夷所思，品質的損失不是來自於不合格品嗎?合規的產品何來損失之有?產品要嘛合格要嘛不合格，損失函數的概念根本多此一舉。 上述的觀念仍然廣泛出現在現今的製造業，多數人仍採用傳統的「符合規格」觀念，而缺乏「損失函數」的概念，這中間的差異到底在哪裡?戴明博士早就指出真正的原因出在大家沒有「變異知識」的觀念。變異知識Variation Knowledge指的是清楚認知到沒有兩個一樣的事物，事務彼此之間沒有一不一樣的問題，只有不一樣的程度問題。只有清楚了解變異知識並理解它的存在，我們才能進一步學習損失函數的概念。

心理學在品質工程的影響 許多決策錯誤並非來自於技術層面，而是基於人類慣有的思維盲點及模式所導致的必然結果。既然了解到許多錯誤所帶來的災難，我們便需要引進心理學到品質工程的學科以便我們更了解人類心理對於各種品質問題的因果關係。 24種心理誤判傾向 以下針對各種心理傾向所造成的品質異常提出實務的說明，這24種誤判傾向來自於查理蒙格的演講：人類誤判心理學。各位讀者可以參考窮查理的普通常識一書(Poor Charlie's Almanack)。 獎勵與懲罰超級反應傾向 企業制度往往不喜歡報告壞消息的人，因此人人變得擅於回報好消息而隱匿壞消息。 作業員認知會受到懲罰，所以提供造假的量測數據。 採購部門的績效來自Cost Reduction，讓成本過低的零件造成公司系統性的危害。 代理成本。 喜歡/熱愛傾向 討厭/憎恨傾向 避免懷疑傾向 嚴重的客訴，在快速回應的要求及短時間無法查證的前提之下跳過公司內部的調查系統而直接懷疑供應商物料的問題，以達到某種「我有在做事」的回應。 避免不一致傾向 品質教育之前，讓學員彼此在每個人的見證之下簽署自己的「品質宣言」，將有助於推廣及深耕品質領域的觀念。 對於多數認知品質來自於檢驗的人來說，由於對此論點深信不疑，因此很難相信高品質可以帶來低廉的成本這項觀念。 好奇傾向 康德式公平傾向 羨慕/忌妒傾向

九月份開始Jeff的文章開始增加了每一個段落的標題，讓文章在撰寫及閱讀時更加有層次與脈絡，增加文章的可閱讀性。 作為品質專業的工作者，我時常關心整個系統的表現：不僅僅是各別部門的表現，而是一整體的表現。這一點表現在供應商管理上面，供應商可能會因為採購成本或者缺乏量測知識，導致忽略精密量具的選擇。選擇較便宜但精密度較差的量具，將導致零件的尺寸差異過大，進而無法產生足夠的可替換性，導致後續衍生的組裝問題。九月份的文章當中就有一篇提到了精密量測的問題，供應商的稽核項目中一定要謹記這項量測能力的問題。 管理者必須擁有足夠的智慧才能識別出所有的部門互動都是系統的一部分，在分析問題時才能夠看出問題的根本原因所在，也才能激勵所有人去追根究柢，了解整個組織的問題在哪裡，並且持續改進。 九月份新進文章 【品質工程】為什麼人生總是在後悔? 談Loser Game失敗者的遊戲及FMEA失效模式與效應分析 【品質工程】供應商SMA905環規尺寸差異---談中國大陸的精密儀器問題(成都量具) 【閱讀筆記】14個克服自我懷疑與恐懼的技巧，創造更好的職涯與商業發展 【品質工程】根因分析Root Cause Analysis(RCA) 九月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？ 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 【品質工程】統計製程管制SPC全系列文章 慶祝10萬人次點閱 2020年八月份文章彙整 【品質工程】ASQ Certificated Quality Engineer(CQE) 考試經驗分享 【品質工程】為什麼SPC Control Chart要先看R chart or S chart ?  【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清 【品質工程】為什麼人生總是在後悔? 談Loser Game失敗者的遊戲及FMEA失效模式與效應分析 【品質工程】統計製程管制Statistical Process Control SPC的架構與使用

儀器編號名稱 Standard 有效徑標稱值(mm) 校正標準值(mm) 器差值 雙方原廠成績書 1號環規(1/4-36 UNS 2A GR) 5.869 5.8621 -0.0069 5.8619 2號有校正環規(1/4-36 UNS-2A T) 5.87 5.8584 -0.0116 5.8591 3號無校正環規(1/4-36 UNS-2A T) 5.87 5.8583 -0.0117 無 SMA905的鎖附問題 最近Jeff遇到IQC檢測SMA905使用環規1/4-36 UNS 2A GR卻無法轉入的問題，但供應商宣稱他們使用通規很容易就過了，討論了許久我還是請他們將他們手上的環規寄過來我們確認一下。為了維護跟供應商的關係，我將上表的三個環規都送去校驗，不讓供應商認為我在刁難他。 不同環規的差異 檢測的結果如上表所示，1號環規是我買的Mitutoyo日本原廠貨，沒用幾次，所以送出去校驗之前我還滿有信心的；2號跟3號都是供應商宣稱的「國產貨」，來自 成都量具 這家公司，在這之前我從未聽說過這家公司，這兩隻的外觀狀況都是不錯的，目視沒有磨損。 這三隻環規的有效徑目標值都一樣，但是校驗出來的量測值卻差異頗大；我公司的環規器差值在-0.0069，約等於7 um；而成都量具環規的器差值都在0.01mm左右，真叫人吃驚。 對於機械公差有點概念的人都知道IT等級這件事，一般來說精密量具的IT等級約在0級或01級，這才能稱作是精密量具；而0.011mm的誤差即便扣掉量測不確定性也是太驚人的差，也造成了這次供應商判斷不良品為良品的事件。

如何陷自己於不利之地 「遊戲才剛開始，就已經輸一半。」這絕對不是廢話，而是一般人的日常作為，大部分的人都貫徹在生活的每一件事情上頭。 過馬路橫跨分隔島，不走斑馬線。 邊走路邊滑手機。 用機車載小孩，或者開車載小孩不坐安全座椅。 看到電視撥放樂透的巨額獎金消息跑去花數萬元包票，希望能中15億。 下班只想看YT玩手遊，再咒罵公司沒加薪。 我們的人生就像玩線上遊戲，只不過只有一次活著的機會。遊戲想玩得好、得到好的排位、名次，我們得專注於思考每一次升等的投資是否經濟?這次出門訓練是否值得?得到好的獎勵，我應該拿來換取什麼提升?這中間的過程都是一次決策，而每次決策的單次結果雖然有成功有失敗，但好的決策品質則能帶給你最多的成功機率，長期下來你得勝的次數會比較多。 反過來說，我們如果在日常中做出的決策都像是上述的例子，雖然當下覺得沒什麼，但實際上都在替自己埋下失敗的種子，日積月累下來不僅容易決策失敗，連串的失敗更導致不可挽回的後果。這種未戰先輸的現象在投資決策上叫做「Loser Game」。 有僥倖成功，沒有僥倖失敗 「過馬路橫跨分隔島，不走紅綠燈斑馬線有什麼關係?我走的時候都有看兩邊的馬路，不至於會發生危險，你也太小看我了，Jeff」。對於諸如此類的反應我也只能笑笑，因為工作必須接觸到各種奇怪的品質問題，我觀察到許多的品質異常並非來自單一因子，而往往來自於複合的因子，要好幾個原因同時發生才會引起重大的問題。 Jeff印象很深刻，有一次我在產線閒晃想看看有哪些地方可以改善，正好被我看到裝著產品機殼 的透明泡殼裂的裂、碎的碎，不僅有礙觀瞻，也影響到產線的潔淨度。當下我就找產線當站人員跟領班過來講一下，說這邊需要改善一下，這件事就這樣告一段落；一個星期過後，QA功能測試人員說抽驗到一個產品有搖晃異音，不知道怎麼回事，就請領班拆開來看。 答案揭曉，造成產品搖晃異音的東西就是碎掉的透明泡殼。 後來查證事情的緣由是因為夜班人員拿起機殼時沒留意連帶的泡殼，在組裝產品時一併帶入機殼內部，當下又沒有注意到泡殼跑到機殼裡面才導致的「意外」。 這真的是「意外」嗎? 碎掉的透明泡殼 + 泡殼被機殼帶起 + 組裝時沒留意，過程之中只要任何一個事件沒有發生，這起異常就不會發生。既然如此，為什麼這起異常仍被我們觀察到了呢? 事實上，碎掉的透明泡殼並不只出現一次，而是持續出現在產線上；泡殼被機殼帶起的動作也出...

炎熱的八月已經過去了，Jeff的公司遇到一起大客訴，被客戶退了一堆貨；這場災難是從一個AB膠開始的，所以寫了一篇文章帶大家認識一下AB膠的特性以及Data Sheet的長相。 Jeff對於將統計應用於設計製造生產的領域是極度有熱情的，也因此找了一篇半導體現在常看到的AEC-Q001裡面講的統計技術→PAT，用淺白的話語解釋了一下。 工作上能應用統計技術的地方實在太多了，但說也奇怪，大概是我還沒遇到厲害的人吧，我幾乎沒有看過身邊的人用統計去理解這個世界的運作，大多數都是從書上看到應用統計技術的方法。如果你能學著使用統計技巧增進你對這個世界的了解，將能促使你做出更多高品質的決策。 八月份新進文章 【品質工程】利用poisson distribution制定產線機台保養計畫 【品質工程】AEC-Q001_D Guides for Parts Average Testing 【品質工程】環氧樹脂AB膠的關鍵品質特性與注意事項(以Henkel E-60HP為例) 八月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？ 【品質工程】失敗的轉職經歷 【品質工程】ASQ Certificated Quality Engineer(CQE) 考試經驗分享 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 【品質工程】IATF16949 SPC Manual 2nd edition Special Cause Criteria 管制圖警示型態的統計意義 【品質工程】為什麼SPC Control Chart要先看R chart or S chart ?  【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清 慶祝10萬人次點閱 【品質工程】統計製程管制SPC全系列文章 【品質工程】統計製程管制Statistical Process Control SPC的架構與使用

截至寫文章的這刻，Jeff談統計品質工程這個網誌的瀏覽人次是99,251次，連續6個月的點閱人次都在3000人以上(好啦，2020/07只有2909)，與以往整個月只有一兩千次的點閱已有顯著的差異。平常日每天平均可以獲得150人次的點閱次數，而週末及假日會降低到只有30~40人次。 我並沒有增加發文的頻率，但我試著用相關文章的超連結將每篇文章都串連起來，讓讀者能從一篇文章導引到另一篇文章，增加點閱的次數。我更透過Google的分析，將點閱率最高的幾篇文章產生母雞帶小雞的作用，進一步擴增點閱次數。 另一方面，我開始積極在LinkedIn轉發我的網誌文章，這讓更多人可以透過不同的管道閱讀到我的專業知識與工作的見解。 為了克服週末點閱次數大幅下降的問題，我開始更多的週末發文及回顧，減少週末及連假讀者不會主動接收知識的問題。 此外，我更刻意留意工作上的細節，讓工作上遇到的每個大問題都成為我網誌的題材；這可以讓大家體認到，原來統計品質工程並非遙遠的「課程」，而是實際的工具。 近期的目標是將網誌的每月點閱人次提升到10,000人次，這需要更有紀律的發文機制、更好的文章題材規劃、更細緻的文章點閱次數分析，我自己也很期待達成這個目標的那一天。

公司一直以來都使用AB膠作為黏著光學鏡片與基座的材料，這款膠最近出了一點差錯，導致整批貨都有問題；在處理客訴的過程中，我從這款膠的Data Sheet學到不少AB膠的關鍵品質特性，特別寫篇文章記錄這些重點。 這款膠的規格書可以從超連結點閱： Technical Data Sheet Viscosity黏度：黏度大概是最膠類最重要的特性了， 被定義為 定義為流體承受 剪應力 時，剪應力與流體單位速度差的比值。 水 為1mPa·s，而這款膠的黏度在50,000~80,000mPa·s之間。數值越大者，其流動性越差。 Cure Speed固化速度：隨著黏著時間而發展的黏著剪切強度。這款膠於25℃時，24小時內可以達到100%的固化。 Working Life工作時間：AB膠混合之後的可用時間區間，在此區間內AB膠會保持流動性，以便操作者使用。此膠的工作時間為60分鐘。 Tack Free Time表面乾著時間：膠體表面用手觸摸而不黏手所需的時間。此膠為120分鐘。這個特性常見於黏著後需要移動產品的時候，在表面乾著之後才能將產品移動至環境管控較差的地點。 Hardness硬度：膠體固化之後的硬度，此膠的硬度標準為ASTM D-1706, Shore D。Jeff此次客訴買了一台Shore D的硬度量測計，是我第一次知道有這種標準，也算學了一課。 Glass Transition Temperature玻璃轉換溫度：在此溫度下，物質會在玻璃態與橡膠態之間轉換。此膠的玻璃轉換溫度為70℃。 Mix Ratio by Weight混合比例(依重量)：100 to 50 Mix Ratio by Volume混合比例(依體積)：2 to 1

車用電子協會Automotive Electronics Council提供半導體電子元件產業一項品質準則：為了提升車用電子設備的可靠性及品質，勢必要透過一種方法來因應數量龐大的半導體電子元件，而這方法就是Part Average Testing(PAT)零件平均測試。 This guideline presents a statistically based method, called part average testing (PAT), for removing parts with abnormal characteristics (outliers) from the semiconductors supplied per AEC-Q100 and AEC-Q101. The test limits used in PAT are established based on a sample of the electrical test results for that particular part with its unique design and processing. Each part design and its associated processing will show a unique distribution of test results for each test requirement and this data is the basis for establishing PAT limits. The principles described in this guideline are applicable to packaged or unpackaged die. For a further discussion of PAT and its possible use to provide Known Good Die, see Appendix 1. 零件平均測試的一大重點，就是針對一般統計位置與離散程度的「平均值」及「標準差」提出了新的概念：「Robust Mean」&「Robust Sigma」。所謂的Robust就是指可靠度更佳、品質更好的電子元件，而實務上達成robust的作法則是透過去除outlier...

製程中最麻煩的事情不外乎許多打雜的雜事，PE或設備工程師不定時會收到產線測試機台損壞的通知，被產線發異常Call去維修。這種事情一多，人的情緒都不會太好，只覺得人生浪費生命修這些垃圾，又被產線當狗叫來叫去很肚爛。 Poisson distribution正好可以協助我們觀察機台維修的狀況，這個分配是以一位法國統計學家命名的，專門描述在某段固定時間的事件發生次數的機率。實務上某條生產線的某台機台運行一段時間之後，我們可以陸續觀察到治具需要維修的狀況，此時我們可以紀錄每台治具的失效時間，並利用Poisson distribution建構出這個治具的失效統計紀錄。 舉例來說，我們已經觀察出機台一年內的失效時間點為t (day)= 125, 275, 350，則我們可以知道一年內這台機台損壞了3次， λ = 3。在客觀條件，例如產品的設計及生產線生產條件沒有大幅改變的前提下，我們預期機台的失效次數(X)將會服從Poisson distribution，即機台的失效次數 X ~ Poisson( λ= 3)。 使用Poisson Distribution計算機台在一年內最多失效1次的機率： P( x <= 1 ) = P(0)+P(1)  = ((3)^1*(e)^-3 )/(1!) +  ((3)^2*(e)^-3 )/(2!)   = 0.19915 使用Poisson Distribution計算機台在一年內最多失效2次的機率： P( x <= 2 ) = P(0)+P(1)+P(2)  = ((3)^1*(e)^-3 )/(1!) +  ((3)^2*(e)^-3 )/(2!) +  ((3)^3*(e)^-3 )/(3!) = 0.42319 使用Poisson Distribution計算機台在一年內最多失效3次的機率： P( x <= 3 ) = P(0)+P(1)+P(2)+P(3)  = 0.64723 使用Poisson Distribution計算機台在一年內最多失效4次的機率： P( x <= 4 ) =  P(0)+P(1)+P(2)+P(3)+P(4)   = 0.81526

這篇文章算是失敗經驗三部曲的最後一篇了，我打算回顧一下自己職涯中最失敗的「轉職過程」。 我本身是工業工程背景，讀書時的興趣就是工程統計跟品質管理，畢業出社會之後的所有工作經歷都直接與產品品質相關。第一份工作在群創Cell段做品保課長，跟LCM打交道交朋友處理客訴、管理線上的品檢員、製程異常分析處理、8D，兩年左右離職；第二份工作在一家德商Formel D，在台灣福特提供第三方服務，做了一年離職；第三份工作跑到啟基做製程品質工程師，負責智慧電錶等產品，做客訴處理、變更管理、產品設計開發DFM、IAFT 16949核心工具應用，兩年半離職；第四份工作去生醫園區做血管夾，分析產品、建SPC抓問題，一年離職；第五份工作為現職，兩年半已經是我最長的服務時間。 除了現職跟Formel D(沒有辦公室)，其他工作我都早上七點半到公司，沒有例外。早到有個好處，可以安靜地思考工作的脈絡，也有餘裕撰寫主管要的報告，還可以幫自己減少塞車時間，爭取更高的時間利用效率。工作中，我也經常利用自己的時間幫助同事，協助他們通過公司的6-sigma課程；許多台灣公司會訂定相關的辦法，強迫公司同仁利用所剩不多的時間學習統計相關知識，然後通過考試。這種方式當然搞得所有人都疲累不堪，最後只能背答案交差了事。我看他們考了N次都沒過，就開課並把他們叫進會議室，解釋什麼是機率什麼是統計，什麼是假設檢定，什麼是常態分配跟SPC，工作上可以如何使用統計？使得群創跟啟碁幾位同仁受益。我也喜歡到產線裡面問作業員問題，除了快速了解製程細節之外，更能了解他們工作上的困難；同時我更熱愛觀察製程中設計不良的問題，常提出以Lean Production為基底的改善方案供製造、工程單位參考。

工作了一段時日，在履歷上總寫些成功的案例，心裡覺得不太踏實。事實上多數狀況下，失敗的故事應該要比較多的，另一方面也是因為我自己其實從錯誤中學習到最多知識(這絕對不是謙虛)，過程中不是單純的試誤，有一些自省、有一些機遇，也有一些思考衝撞，今天來談談一個職涯初期的重大錯誤。  當我還在面板廠工作時，由於需要區別眾多的檢驗員中哪些人的表現特別不好，因此需要對她們判定的面板等級資料進行分析。許多人不明白，面板的等級是在Cell段篩選的，而且不同等級的售價是天差地遠的。面板的判定站點可分為偏貼前跟偏貼後；若偏貼前的判等等級比偏貼後的判等等級來得高，就稱為「降等」、若偏貼前的判等等級比偏貼後的判等等級來得低，就稱為「升等」。對公司來說，降等這件事當然要越少越好，這不僅反應出判等的人其工作能力有問題，更嚴重影響了公司的盈利能力。  在多達數十位的外籍判等人員(本國人基本上很少了)當中，要挑出某幾位表現較差的人員是很簡單的。我當然不做它想，便從表現不好的人員中選出幾位來約談，看看他們遇到的狀況是什麼。甚至有一次我還獲得製造部經理的同意，特別停線一小時，讓我進線當面跟各位判等人員說明某個面板異常的判等方式及如何處置，當時的我覺得自己表現得滿不錯的。  但我離職多年之後開始鑽研品質大師戴明博士的著作，他一席話我立刻汗流浹背。他說，線上的作業人員都是系統的一份子，他們深受系統的影響，因此最多只能貢獻15%的原因，其他85%問題的原因都是由系統端來的。他並以紅珠實驗為例，說明作業人員如何遵守SOP，公司又是如何依照人員的績效進行審核，找出「績優」的員工，又如何懲罰「差勁」的員工。我開始想起，這不就是我之前在做的事嗎？面板廠生產出一堆有問題的面板，就好像紅珠實驗的紅色珠子一樣，我們耳提面命要判等人員不要撈起紅色珠子，紅色珠子撈得越多、績效越差，這就像是提醒判等人員要判得好、判得快、判得準一樣，而無視她們面對成千上萬的面板缺陷。然後我再依照判等人員表現的高低順序對他們進行獎勵懲罰，看似合理，其實違背了系統知識。  大家要知道一個由幾十個判等人員組合成的系統，如果你用某個標準去篩選，一定能分出個高低。此時你該看的不是那個人的單次表現，而應該看他與其他人的表現是否有明顯差距，這件事可以從SPC Control Chart看得出來。但若你用某個時間區間之內的個人...