那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們機台突然爆了一批貨，良率從 99.8% 掉到 95%。產線主管臉都綠了，直接叫我們開會。數據一出來，某個關鍵尺寸的 Cpk 值從 1.6 掉到 1.08，DPMO 瞬間飆到 6210。大家面面相覷，都不知道該怎麼辦。那時候，我們就開始了 DMAIC 的 Measure 階段，說穿了就是要搞清楚「Y = f(X)」到底是什麼鬼。
問題出在哪？
說實話，很多時候我們看到良率掉，第一個反應就是「是不是機台又壞了？」或是「會不會是上次參數改錯了？」。但實際上，你看到的「良率」就是我們的 Y 值，也就是那個「結果」。而那些你懷疑的「機台狀況」或「參數設定」，這些就是潛在的 X 值，也就是可能影響結果的「原因」。Measure 階段，就是要你用科學的方法，把這些 Y 和 X 之間的關係找出來，建立一個假設。換句話說，就是從一大堆變數裡面，找出最有可能影響你良率的那個關鍵因子。
實際上怎麼做？
我們當時怎麼做的？首先，我們把所有可能影響這個關鍵尺寸的變數都列出來，大概有二十幾個。從進料的某個材料批號、機台的溫度、壓力、轉速，甚至連當班操作員的班別都算進去。接著，我們利用 MiniTab 軟體跑了一堆統計分析，像是相關性分析 (Correlation Analysis) 或是迴歸分析 (Regression Analysis)。
舉個例子，當時我們發現，機台的「反應槽壓力」跟那個關鍵尺寸的 Cpk 值呈現高度負相關，相關係數竟然高達 -0.85。意思就是說，壓力越高，Cpk 值越低。這時候，我們就有了第一個具體的假設：Y（關鍵尺寸 Cpk）= f(X, 反應槽壓力)。這個假設不是亂猜的，是靠數據說話的。所以重點是，你不能只靠經驗去猜，要用數據去驗證你的直覺。
最常見的坑
坦白講，這個階段最常踩到的坑，就是「資料不足」或「資料錯誤」。有一次，我們也懷疑是某個耗材的供應商問題。於是我們跑去拉資料，結果發現，生產系統裡面的耗材批號輸入常常是錯的，根本對不上實際使用的批號。這樣一來，不管你用多好的統計工具，跑出來的結果都是垃圾。所以，在開始分析之前，你一定要花時間去確認你的資料來源是不是正確、完整。你花再多時間分析錯誤的資料，也只會得出錯誤的結論。另一個坑是，一下子想找出太多 X，把所有可能的因素都拉進來，結果數據量太大，反而不知道從何下手。一次先專注在幾個最有影響力的 X 上面，會更有效率。
今天能做的一件事
回去看看你手邊最新的良率異常報告，列出三個你覺得最可疑的 X。