判退率突然變好,先問尺有沒有變
一、一個看起來是好消息的數字 某天的品質日報上，一條產線的判退率從六成五掉到不到三成。 這是所有人都想看到的數字。當天的會議上，大家的討論很自然地往「哪個改善見效了」去走：是前段的參數調整？還是新的清潔程序？要不要複製到其他產線？ 我沒有跟著討論。我問了一個不太受歡迎的問題： 「那天，判的人有沒有換？判的標準有沒有換？」 二、為什麼我不信 品質數字有一個特性，和製程數字不同： 它是「判」出來的，不是「量」出來的。 線寬是量出來的，尺不變，數字就有可比性。但外觀判退不是——它經過一個人、一份限度樣本、一套判定標準。這條鏈上任何一環變了，數字就會跳，而製程可能一點都沒動。 更麻煩的是， 兩種原因造成的跳躍，在圖上長得一模一樣 ：都是某一天之後，均值換到另一個水準，而且穩定地停在那裡。統計上做變點偵測，兩者都會被抓出同一個日期，分不出誰是誰。 所以我的習慣是： 當判退率出現階梯式的大幅改善，先假設是量測系統變了，直到證明它不是。 這不是悲觀，是因為兩件事的後果差很多： 若是真的製程改善，你該去複製它。 若是判準改了，你複製的是一個不存在的東西，而且 你從此失去了跨越那一天比較的能力 。 第二種情況最傷的不是那一天，是 往後一整年的趨勢圖全部不能用 。 三、怎麼查 查證的順序是固定的，從最便宜的查起： 第一步：問人，不要先算。 那段期間判定人員有沒有異動？有沒有新人接手？有沒有因為人力調度換班？這個問題花五分鐘，卻能省下三天的分析。 第二步：查限度樣本與判定標準的版本。 限度樣本有沒有換一套？判定基準有沒有改版？文件有沒有留下生效日？ 這裡最常見的失敗是：標準確實改了，但沒有人把生效日記在品質數據旁邊 ，所以三個月後沒人記得。 第三步：對日期。 把變點日期、人員異動日期、標準改版日期三條時間軸疊在一起看。如果變點正好落在改版日或換人日的那一兩天，它幾乎不會是巧合。 第四步：看缺陷結構，不要只看總率。 這一步最有力。如果是真的製程改善，通常是 某幾類特定缺陷 減少，其他類別維持不動。如果是判準變鬆或換人，則往往是 某一類邊界模糊的缺陷整批消失 ——就是那種「判 A 也可以、判 B 也說得過去」的類別。 總率一樣降，結構卻完全不同。 第五步：找還在的實物。 如果那段期間的樣片還留著，拿改版前後的實物讓同一位判定人員重判一次。...