在现实中有很多工厂使用了管制统计,并用于生产管理,但由于他们并没有真正理解它的涵义,造成误导曲解,请看下面的实例:例一:管制图上的行动线,是用“判断”设定的,而不是用“计算”。我们已经知道,管制图上的管制界限将让我们知道该对制程有什么样的期待,而不是以为心想就会事成。假设一个作业员在管制图上划了一条线来表示每天的不良率。假定说:他划在4%的水准上,对他而言,这似乎是合理的目标。他指给我们看,一个还在线外的点。他说,这是一个超出管制的点。戴明问:“你怎么算出管制界限的?”“我们不做计算;我们只是把线划在它该存在的地方而已。”有些教科书会误导读者根据规格或其他需求条件来设定管制界限。甚至有书本根据OC曲线来设定(此处不讨论)。这些误解都会增加成本,不能达成所需的品质。这样划一条线来取代管制界限,将会导致“过程调整”或“调整不足”的情形,并使问题永远无法根本消除。结果,如同戴明博士所说的:人们抛弃了管制图,用这种态度误用它,然后认为“品质管制在这里不管用。”也难怪!他们从来没有试过。“规格”界限绝不能划在管制图上。最近有一本统计品质管制书籍也犯了类似的错误,它认为顾客的要求才是计算管制界限的基础。这种说法残害了初学者,让他们永远都在歧途中。这里戴明要再强调一次,一定要由高水平的导师教导初学者,而不是冒牌货。
例二:同样的错误是:按制造商的等级来设定“行动”限制。落入用“判断”来设定行动限制的陷阱比你想像中的还要容易。戴明博士在这里引述一对来自某公司副总裁的来信;他对自己努力的成果感到很高兴,却浑然不知其方法实际上是剥夺了品质及生产力(可由同样的设备及人员来达成,只要给他们一个表现能力的机会)。制造设备的厂商如果有机会的话,设备也可能超过要求的水准。这封信的原文如下:在某年的最后一季,我们重新组织了一番,并聘请顾问通过正式指导及现场实习来了解督导的原则。
我们把许多工作合并在一起(正式员工和非正式员工)。我们取消了生产人员所有工作标准,改用制造商规定的设备最大速度为现场标准。不能百分之百的达成时,督导就要去查明不能达到最大绩效的原因。一旦查明,所有的保养、技术,及服务人员都须一起设法来改正。这个方法是错的。他的专家用制造商宣布的规格来作管制界限(行动限制),这样将会混淆特殊原因及其同原因,会使问题永远持续下去。更好的作法是在当时的情境下,使机器达到统计管制状态。这样下来的结果,绩效可能是制造商规定最大速度的90%、100%,或10%。第二步才是持续改善机器及使用方法。
例三:如此明显,如此徒劳。某大公司副总裁告诉戴明博士,他对最终产品的检验有一套严密的程序。我问他们如何使用数据时,他的回答是:“数据都在电脑里。电脑提供每一个缺点的记录及说明。我们的工程师从不休息,直到他们找出每一个缺点的原因为止。”然而,为什么过去两年内,其不良灯管的水准相当稳定地维持在4.5到5.5%之间的水准呢?因为工程师们把共同原因和特殊原因混为一谈了。每一个缺点对他们来说都是特殊原因,需要追查、发现,并加以消除。他们试着去找出稳定系统中(或上或下)的变动原因,但这只会使事情更糟,违反他们的目的。
对顾客而言,制造者的努力固然令人欣赏。因为看来制造者是很有良心的,他们会尽力降低未来的不良灯管。事情的确如此。只可惜,他们的努力方向是错误而显然无效的。但顾客和制造商两者都不知道。唯一明显的特例是,这环境“有规律地”产生不良品。不良品规律地出现,可视为是一种“形态”,表示缺乏统计管制;单一不良品项老是不时偶尔出现时,也是同样的道理。在这种个案中去研究不良品,可能会让我们找到问题的根源。
例四:在一家制造轮胎的工厂中,戴明看到工人把当天的不良轮胎排列起来等工程师查看。(和例三一样,保证问题会持续存在。)
例五:分配的误用——常在无人化电脑上发生。铜锭被挤出,炽热、火花四溅。一台机器把铜锭切割成所需的326公斤。每一块铜锭都自动秤重,数据也输入电脑中。下一步是电解铜沉淀,铜锭形成正极。当较重的铜锭在电解槽中完成之时,较轻的铜锭只会浪费空间。而作业员的工作,就是在看到铜锭的重量太轻时,调整开关以便增加下一个铜锭的重量(如果铜锭超重,就采取相反的行动)。自动秤重装置在每天结束时,会把当天生产的铜锭重量绘成一张直方圆。作业员每天早晨面前都会有一张前一天的铜锭重量直方图——一个令人垂头丧气的例子。问:“直方图到底有什么用?”答:“这是我们的品质管制系统,它可以指出作业员表现如何,使他得以改善。”问:“重量不均的情况发生多久了?”“一开始就有。”其实作业员这样根据铜锭重量,上上下下的调整机器时,等于是和自己唱反调,只会加大重量变异而已。他只会随着规则二、三、四的模式,只是尽其所能,使事情愈来愈糟。然而他也不明白。图的分配是完全无用的,它只会成为挫折的来源而已。应用图有什么错?这个分配无法让我们看出:(a)纵系统产生的原因,及(b)作业员所能矫正的原因。它根本就帮不上忙,只会使作业员觉得沮丧。管制图则会指出必要的原因,所以能帮助作业员。主管工程师向戴明解释,这里不需要统计的品质管制,因为他进行百分之百检验,并有每一个铜锭的重量纪录。作业员只需在每一个铜锭秤重之后,调整机器。工程师很清楚所有的工作,只是不知道哪些重要。他当然不知道!
另一个有趣的统计问题则是在我们考虑平均值以上的最佳重量(利润最高)时产生的——铜锭超重的部分则予以切除。这个问题相当直截了当(而简单),但我们不打算在这里研究。它将牵涉到重量的分配、超重铜锭的切割成本,以及延长铜锭在电解槽中的时间成本。戴明曾在一个实验室看到一张圆型图,依错误类型显示出每个人上周犯错的数目——同样的过失、同样的理由。因为他们的管理阶层假设每一个人在工作岗位上都能改正所有的错误,也就是,他们都能做到尽善尽美——只要他们知道自己错了,而且努力去做得更好。
例六:绩效指标带来的损失。某货运公司的工程师们发展出一套标准,来测量70个转运站经理的绩效。只要该经理的绩效低于百分之百,就表示他在某方面玩忽职守,只要高于百分之百,就说他做事确实。这就像叫经理去检视不良品,以便努力改善未来产品一样(是错误的)。管理阶层该做的是调查“指标”的分配状况。看看这个分配会形成一个系统吗?或是还有超出范围外的点?研究你身边绩效和业务间的“相关”关系,将可发现绩效为什么特别好或特别坏。例如,内陆运输比海外运输比例高的情况,就可以解释为什么有些装卸站的利润不高。这也就是为什么进入佛罗里达州的货运比运出者多的原因:结果铁路车箱及货车北上时都是空的。(转运站经理对这种比例无能为力。)例七:在生产阶段早期程序的错误。这个例子的课题和我们从前讲过的一样,但再重复一遍也无妨我们先检测十、三十、四十或一百件产品,以知制程是否管用。下一步(错误的)是研究失效的产品,以期挖掘问题的原因。这是个分析“失败”的失败分析。
使用统计方法来解决统计问题是较好的办法:1. 依生产次序,用测量值绘出操作纪录图或其他统计图表(数据足够,还可以划出x或R图),以了解制程是否在统计管制之下。
2. 如果图表显示确有相当合理的统计管制存在,我们可以说:制造不良品的系统也是制造好产品的系统所制造的。只有改变系统,才能减少未来不良品的数目。我们也许要改变零件的设计,或是改变制造方法。然后还要检查测量系统,是否够标准化及在统计管制之下。我们少于15或20件样品的合理程序,很难对制程能力问题有一个合乎逻辑的回答。虽然较小数目的样本,有时也会确定结论。因此,如果开始生产时的六或七件产品都不合格,我们就可以说,制程无法满足规格要求,或是测量系统无用,或是规格应予放宽。七八件产品都显示出向上或向下趋势,而无相反迹象时,这表示我们相当确定制程出了问题,或是测量系统有问题。有关变异的资讯:如果你在取得五、六个测量值之后便停止,你便没什么机会得知更多测量值所能提供的变异了。
3. 如果管制图显示缺乏统计管制,那么下一步骤便是我寻特殊原因。同样的,我们最好先调查测量系统;首先是找出数据中的错误。例八:戴明向华盛顿的邮政局长抱怨寄给他的信邮递错误。邻居的每一个人(包括他在内),都好像常常收到给别人的邮件。当他将信转交过去时(地址就在附近),在门口巧遇一位手中拿着戴明博士信的邻居。真是公平交换。邮政局长对戴明博士的抱怨所给的答案是:你所指出的问题,也是邮政系统中令我们伤脑筋的问题之一(如同它令你头痛一样)。这个问题已经存在多年了。我们向你保证,你所提到的每一项错误,我们都会让出错的邮差多加留意。“已经有好多年了”等于是承认错误是系统造成的。
这问题显然不仅限于我住家附近,也不限于时间,或任何一位邮差;它将持续下去,直到系统开始进行基本变革为止。同时,管理人员将会继续责备邮差,结果我的埋怨只会让邮差难堪。