六西格瑪零基礎小知識(從六西格瑪小白到大師) 優思學院:QC七大手法詳解及實例

工业质量
1粉絲
22 次觀看·2026年5月25日
AI 生成·可能包含錯誤
視頻概述
AI 生成本視頻詳細介紹了QC七大手法(質量管理七大工具),旨在指導學習者如何將這些工具應用於日常工作或六西格瑪(Green Belt/Black Belt)考試中。講師以「減少烤麵包機缺陷數量」為實例,將七大工具與PDCA或DMAIC循環相結合,演示了從定義流程、收集數據、分析根因到監控改善效果的完整問題解決過程。
歡迎收看優思學院的視頻
今天的視頻我想和大家聊一個非常重要的主題
那就是QC七大手法
無論你只是想在工作中做得更好
把這些工具應用到日常工作裡
還是正在準備綠帶考試 黑帶考試
今天這堂課都很適合你
好了 我們現在切換到電腦畫面 開始吧
好 我們直接進入今天的議程
我們會先簡單介紹QC七大手法
談一談它們分別是什麼
接著我們會逐一講解每一個工具
包括流程圖 檢查表 帕雷託圖
因果圖 閃電圖 質方圖 以及控制圖
在講解過程中
我們還會用一個實際問題
來貫穿所有七個工具
我們會以一臺烤麵包機為例
運用這七個工具來減少它的缺陷數量
好 我們開始吧
QC七大手法方面
我很喜歡石川鑫的一句話
他說
多達945%的質量問題
都可以用七種基本工具來解決
我非常認同這個說法
我認為不管你談的是綠帶 黑帶
還是質量工程
這七個工具可能都是最強大的
問題解決和改善工具之一
它們非常有力量
這個主題也非常重要
接下來在講解過程中
我也會說明我們處在類似PDCA
也就是計畫 執行 檢查 行動
或者DMAIC循環中的哪個階段
我們會用烤麵包機的問題來演示
並運用DMAIC或PDCA的思路去解決它
好 我們正式開始
第一個工具是流程圖
流程圖是一種可視化工具
用來描繪一個流程的流動或順序
這個流程可以是信息的流動
也可以是任務 物料 人員或決策的流動
形式並不重要
流程圖之所以非常有價值
是因為它可以把一個複雜流程變得簡單
並促進大家對流程形成共同理解
只要你把不只一個人
叫到房間裡討論一個流程
很可能就會出現分歧
因為每個人對流程如何運作的理解都不一樣
我經常很喜歡用一個比喻
當我們坐下來分析一個流程時
通常會有幾種版本
管理層認為正在發生的事
程序文件寫著應該發生的事
生產現場實際發生的事
以及本來可以發生的事
而流程圖的美妙之處就在於
它能夠讓所有人站到同一頁上
理解到底實際發生了什麼
我也很喜歡戴明博士的一句話
他說
如果你不能把自己正在做的事情
描述成一個流程
那你其實並不知道自己在做什麼
而描述自己正在做什麼的最好方式
就是使用流程圖
這也是為什麼這個工具這麼強大
如果你處在計畫階段或定義階段
流程圖非常適合用來定義你的流程
再利用這個流程圖來規劃你的實驗
規劃你要如何進行改善
我們就來這樣做
假設我們正在討論一臺烤麵包機
並且想要進行改善
第一件事是先確定邊界
我們想分析一個流程
但要先從流程邊界開始
所以我們的流程圖邊界
是從收到工單開始
到完成工單為止
這裡我把團隊放進來
因為這些活動和工具
本質上都是團隊導向的
你可以想像自己正和團隊坐在一起
第一件事就是頭腦風暴
把流程中的所有步驟都列出來
要和專家討論
瞭解流程到底是怎麼運作的
可以使用便利貼
不要一開始就嘗試用某個軟件來畫
先用便利貼把所有活動寫下來
當頭腦風暴完成後
再把這些想法整理成一個邏輯流程
也就是流程中各項活動的合理順序
現在我們已經有了流程
也處在計劃階段
那麼我們就需要設定一個目標
我們要做什麼改善
這裡我們的目標是把缺陷減少25%
但是如果沒有數據
我們就無法做改善
也無法解決問題
我們知道大部分缺陷
發生在最終測試階段
所以現在我們需要收集一些數據
這時檢查表就派上用場了
檢查表是一個非常簡單的工具
用來收集、整理和分析數據
你解決的每一個問題
或者你做的每一項改善
都應該建立在數據之上
而檢查表可能是最強大的
數據收集工具之一
不過我現在屏幕上展示的這個檢查表
有一個問題
問題在於它沒有任何原數據
如果你正在收集數據
並且希望用這些數據做出高質量的決策
那麼你也需要原數據
所以在設計檢查表時
不要忘記加入一些信息
比如誰收集的
什麼時候收集的
在哪裡收集的
這些與數據完整性
和數據準確性有關的關鍵元素
對於做出高質量決策非常重要
好
現在我們把團隊召集起來
又做了一些頭腦風暴
我們說
在最終測試階段
有八類缺陷是我們想要收集數據的
於是
我們創建了這張檢查表
並加入了原數據
我們把它交給團隊
一週後團隊帶回了一批數據
這非常好
我們終於有數據可以分析了
接下來的問題是
我們應該聚焦哪一種缺陷
我想改善我們的目標
最初我們說要把缺陷減少25%
現在有了一些數據後
我們就可以真正建立目標了
我們一整週
也就是七天內
共有145個缺陷
這表示我們平均每天大約有20到21個缺陷
如果我們能夠減少25
就等於每天消除大約5個缺陷
但我們顯然不可能同時聚焦所有缺陷
所以真正的問題是
我們如何知道應該聚焦什麼
這時帕類託圖就派上用場了
帕類託圖是另一種QC工具
可以幫助你分析數據
尋找帕類託原則
那什麼是帕類託法則
什麼是80-20法則
這是一個自然現象
最早由意大利研究者
維爾弗雷多.帕類託發現
他當時研究意大利和歐洲的土地
所有權與財富分配
結果發現80部的土地
掌握在20個人手中
這種80-20現象
後來也被約瑟夫.朱蘭注意到
他把這個工具的功勞歸給帕類託
但真正將80-20法則和帕類託圖
推廣開來的人是朱蘭
朱蘭告訴我們
帕類託圖可以幫助我們
把關鍵的少數和瑣碎的多數區分開來
朱蘭這句話是什麼意思呢
他的意思是
當你解決問題時
通常會有一兩個關鍵問題
關鍵根因或者關鍵缺陷
只要你聚焦它們
就能對整個情況產生重大影響
這正是我們在這裡看到的
當我們把檢查表中的數據
放入帕類託圖後
可以看到控制PCB問題
幾乎佔了所有缺陷的40%
從圖上可以看到
約40%的缺陷
直接來自控制PCB
這個圖上其實有兩類信息
藍色柱子代表的是
一週內發生的缺陷頻次或數量
而黑色線條則是累計百分比線
第一個缺陷類別佔了40排
之後繼續向上累加直到100
現在我們有了帕類託分析
就知道控制PCB是我們的主要問題
它告訴我們應該聚焦哪裡
但我們仍然不知道這些問題
為什麼會發生
這時因果圖就非常有用了
因果圖也叫魚骨圖或者石川圖
它有很多不同名稱
但本質上都是因果圖
它的工作方式是從結果開始
結果放在右邊
也就是魚頭的位置
這裡橙色部分就是我們的結果
所以繪製因果圖的第一步
是先寫出一個非常清晰的問題陳述
這裡我寫的是PCB故障
但實際上你應該寫一個比這更具體
更有描述性的問題陳述
有了這個結果之後
就可以通過魚骨圖的過程
分析所有可能的原因和失效模式
我這裡展示的是所謂的8M
魚骨圖的美妙之處在於
它是一種結構化的根因分析方法
它會迫使你思考所有可能的不同類別
情境或原因
看看它們是否可能導致
你所看到的問題
在使用因果圖的同時
也有一些工具值得配合使用
我建議你把流程圖拿出來
查看你的流程
並思考流程中的每一個步驟
可能如何失效
以及它如何可能導致我們看到的結果
團隊合作在這裡也非常必要
你不可能是所有領域的主題專家
你需要來自運營
工程 質量 研發 市場 維修
等不同部門的人
才能對每一個領域做出充分分析
真正理解根因
當然還需要頭腦風暴
你需要有創造性的思考
討論各種潛在根因
有些根因可能一開始並不明顯
接著是五問法
我很喜歡五問法
它可以幫助你從高層次的表面症狀
一步步深入到真正的根本原因
不斷問
為什麼
才能真正找到那些需要解決的真實根因
當團隊進行討論
並走完整個過程後
你就可以識別出問題的潛在根因和影響因素
當然我們還是要回到帕雷託原則
我們不可能聚焦所有東西
我們必須討論最可能的根因
以及最可能的影響因素
所以在完成因果圖之後
你可能會識別出三到四個需要進一步研究的問題
現在我想談其中一個問題
裝配過程中的高濕度
在我們進行因果圖分析時
協助我們的工程師看了檢查表
並注意到一個有趣的模式
我在這裡用黃色標出來
星期日
星期一
星期二
我們只有少量缺陷
分別是六個
四個
和一個
但到了星期三
星期四
星期五
你會注意到缺陷率上升了
這位工程師想起來
星期二晚上曾經下過一場暴雨
工廠內的濕度水平明顯上升
所以這裡的假設是
濕度正在影響我們的缺陷率
我創建了這個小表格
列出了星期
缺陷數和濕度水平
要真正理解它們之間的關係
我們需要建立一個散點圖
這就是散點圖的樣子
我們在這裡繪製成對數據
例如
星期日有六個缺陷
濕度為18
你可以在圖上看到這個點
就是六個缺陷和18濕度對應的數據點
散點圖也有人叫它XY散佈圖
它的工作方式是
在X軸上放置我們的可控變量或自變量
在Y軸上放置我們的響應變量
在這裡
我們認為相對濕度是自變量
它正在影響我們的響應變量
也就是缺陷數
你可以看到PCB故障和濕度之間
似乎存在某種關係
不過
在看散點圖時
非常重要的一點是
不要直接假設這種關係
就是因果關係
有一個很重要的概念就是
相關不等於因果
兩個參數或兩個變量之間
可以有相關性
但不一定存在因果關係
不過
假設我們已經做了DOE
也就是實驗設計
並證明濕度確實會影響PCB缺陷
那麼我們就可以回到散點圖
設定我們的PCB缺陷目標
比如五個或更少
接著我們往下看濕度就可以說
如果要保持較低缺陷
我們可能需要把濕度控制在大約20左右
這樣理解是合理的
散點圖是一個很好的工具
可以幫助我們理解兩個變量之間
可能存在的關係
完成散點圖之後
我們還可以量化
這兩個變量之間的關係
這裡我展示的是皮爾遜相關係數
這個係數的範圍從正一到負一
正一代表完全正相關
也就是說
當X改變時
Y以相同方向變化
負一則代表完全負相關
當相關係數越接近0時
這種關係就越弱
相關係數為0表示
也就是說
當X變化時
Y基本上沒有固定規律
它想怎麼變化就怎麼變化
兩個變量之間沒有關係
接下來我們可以進一步分析
相對濕度隨時間的變化
假設我們去找廠務工程師說
請給我們過去六個月內
環境中的相對濕度數據
比如每六小時一次
拿到這些數據後
我們需要把它畫出來
因為我們要理解
工廠環境中的相對濕度
是如何變化的
分析這類數據的一種方式
就是使用質方圖
質方圖是一種非常簡單的柱狀圖
用來展示連續數據出現的頻率
這也是理解流程的一種好方法
每一個流程
每一個產品
或者每一種質量特性
都會存在一定程度的隨機正常變異
而且這種變異通常會呈現某種模式
作為工程師
我們需要理解流程輸出
或過程本身所呈現的模式
質方圖就是理解流程模式
和變異的好工具
你拿到數據後
可能會得到偏態分佈
也可能得到雙峯分佈
或者質數分佈
可能出現各種各樣的分佈形態
但重要的是
你要知道流程正在如何表現
質方圖另一個很有價值的地方在於
你可以把數據與規格線疊加在一起
這樣
我們就開始進入
過程能力分析的概念了
好 現在進入最後一個QC工具
假設我們現在已經開始控制濕度
並希望確認這個改變
隨著時間推移是否有效
那麼控制圖就是正確的工具
甚至可以說是最理想的工具
什麼是控制圖
本質上它是一種幫助你確認過程
是否處於受控狀態的工具
當我說過程受控時
我的意思是
你的過程只受到
普通原因變異的影響
當過程只存在普通原因變異時
數據應該落在控制線之內
順便說一下
如果你是SBC的初學者
我還有一個專門講控制圖的視頻
你可以去看看
裡麪包括Xbar和R圖
也包括屬性數據控制圖
控制圖非常適合在
項目結束階段使用
用來監控和控制過程
確保你的改善措施確實有效
我們來看一下這個過程的情況
這裡是我們的過程數據
第一週的數據可以看到非常不穩定
控制線也很寬
因為我們還沒有控制濕度
數據波動很大
平均每天大約有8個缺陷
然後假設從第9天開始
我們開始控制相對濕度
並持續收集數據
你可以看到
在接下來的20多天裡
缺陷率明顯下降
事實上
我們新的平均缺陷數
大約是每天3個
也就是說
我們基本上從每天8個缺陷
降到了每天3個缺陷
並且達成了減少缺陷25的目標
通過控制過程中的相對濕度
我們把每天20多個缺陷
降到了大約15個
好 今天內容就到這裡
希望你喜歡這個視頻
如果你覺得有幫助
請點擊點贊
如果你認真想成為一名
專業的質量工程師
優思學院也提供
六夕格瑪綠帶和黑帶課程
歡迎到優思學院官網聯繫我們
MING PAO CANADA // MING PAO TORONTO
