InsightFab — AI 製程分析平台

情境

客戶要求提供製程能力報告，要求 Cpk ≥ 1.33。你提交了，客戶回來問：「你提的是 Cpk 還是 Ppk？這兩個我們都要。」你愣住了——這不是一樣的東西嗎？

不一樣，差很多。

Cp / Cpk 用的是短期製程內變異（Within subgroup variation）

σ 從子群組內的範圍（R bar）或標準差（S bar）估計

Pp / Ppk 用的是長期總體變異（Overall variation）

σ 直接從所有數據的標準差計算

白話說：

Cp/Cpk = 你在穩定狀態下「能做到多好」（潛在能力）

Pp/Ppk = 你「實際做到多好」，包含批次間差異、換班、時間漂移

通常：Cpk > Ppk

因為 Cp 只看子群組內的小變異，而 Pp 把所有變異（包含批次間、時間趨勢）都算進去。

如果 Cpk 和 Ppk 差距很大（例如 Cpk = 1.5，Ppk = 0.9），代表：

製程本身的精度不錯（短期穩定）

但長期有漂移或批次差異問題

需要從批次管理、換班一致性、設備維護下手

情況用哪個新製程初期評估（只有幾批數據）Pp / Ppk 製程穩定後的能力確認Cp / Cpk 長期客戶報告兩個都要製程改善前後比較Pp / Ppk（反映真實改善幅度）管制圖顯示製程穩定Cp / Cpk 更有意義

指標公式σ 來源 Cp(USL - LSL) / 6σ̂R-bar / d₂ 或 S-bar / c₄ Cpkmin[(USL-μ)/3σ̂, (μ-LSL)/3σ̂]同上 Pp(USL - LSL) / 6s所有數據標準差 s Ppkmin[(USL-μ)/3s, (μ-LSL)/3s]同上

「Cpk 是你最好的狀態，Ppk 是你真實的表現。客戶買的是 Ppk，不是你的潛力。」