那天 Cpk 1.08 的報告出來，我差點把咖啡噴出來
你知道嗎？做製程這麼多年，最怕的不是機台掛掉，而是那種「看起來沒問題，但其實問題超大」的狀況。記得有一次，我們產線一個關鍵尺寸的 Cpk 報告出來，數字是 1.08，看起來還行，勉強過關。結果品管那邊突然殺過來，說客戶抱怨我們的產品尺寸飄很大，退貨率高到嚇死人。我當時心想，Cpk 1.08 耶，哪來這麼大的問題？結果一查才發現，我們那套抽樣計畫根本就是個篩子，很多不良品都直接放行了。
問題出在哪？你的抽樣計畫是不是瞎了？
說白了，你每天在用的那些抽樣計畫，比如「每小時抽 5 片量 1 個點」，或者「每批抽 10 片」，它們其實都有自己的「視力」。OC 曲線（Operating Characteristic Curve），顧名思義，就是告訴你你的抽樣計畫「看得到」多少不良品，又會「放過」多少不良品。它就像是你的品管系統的一副眼鏡，度數不對，再簡單的東西你都可能看走眼。
想像一下，你的產品尺寸規格是 100±5 um。如果你的製程平均值在 100 um，標準差很小，不良率很低（比如 DPMO 只有 3.4，就是 6 個標準差，幾乎完美），你的抽樣計畫隨便抽都能過。但如果你的製程已經開始飄了，不良率已經高到 DPMO 6210（大約 Cpk 1.0），這時候你的抽樣計畫能不能及時警示你？OC 曲線就是在分析這個「識別力」。
所以重點是，你不能只看抽樣數量，更要看你的抽樣計畫在不同「不良率」狀況下，能夠成功檢測出不良批的機率。
實際上怎麼做，才能知道你的抽樣計畫有沒有在混？
坦白講，OC 曲線的計算有點複雜，通常會用到統計軟體。但我們工程師又不是統計學家，你只要理解背後的邏輯就好。
- 定義你的抽樣計畫： 比如我們剛剛說的「每批抽 10 片」，然後「只要有 1 片不良品就判退」。
- 設定不同的不良率情境： 假設你的製程不良率從 0.1%、0.5%、1%、5%、10% 一路往上跑。
- 計算每個情境下，你的抽樣計畫「誤判」的機率： 這裡的「誤判」指的是把一個不良批誤判為良品批（這叫 Type II Error，或者說 β 風險）。
舉例來說，如果你的抽樣計畫是「抽 10 片，發現 1 片不良就判退」，當你製程不良率已經高達 5% 的時候，你的計畫仍有高達 60% 的機率會「放行」這個不良批。換句話說，你只看到 40% 的壞批，另外 60% 都悄悄溜出去了。是不是很可怕？如果你的 Cpk 只有 1.08，DPMO 大約 6210，不良率約 0.6%，那你的抽樣計畫會放過的不良批可能就更高了。
最常見的坑：以為抽得多就安全，結果只是在燒錢
我遇過最扯的是，有同事為了「保險起見」，把抽樣數量拉到一個超級誇張的數字，結果就是每次抽樣都花掉大量時間人力，但根本沒去分析這個「多抽」有沒有實質意義。他以為抽得多就代表「看得到」，但他的抽樣判退標準設得太寬鬆，導致他雖然抽了 50 片，但還是放過了很多不良批。說穿了，OC 曲線就是告訴你，你的抽樣計畫是不是「經濟又有效」的。你抽了這麼多，結果判斷力跟抽 10 片差不多，那不是白白浪費資源嗎？這就是很多人會掉進的坑。
今天能做的一件事
回去重新檢視你最重要的幾個抽樣計畫，至少思考一下：「我的抽樣計畫，真的能抓到我擔心的不良率嗎？」