相信很多人都聽過「品質管理」這項職務，不過大家是否知道，在製造業中，品質管理其實分爲品質保證（Quality Assurance；QA）和品質控制（Quality Control；QC）

很多人也分不清QA和QC的差別＞。

QA（Quality assurance；品質保證）：保證產品交付的品質；在產品開發的過程中即確保開發是以正確的流程、方法、技術，以預防產品有錯誤。

QC（Quality Control）為品質控制：主要是產品的品質檢驗，發現品質問題後的分析、改善及不合格品的控制等。以確保產品出廠零缺陷並達到客戶的標準及零客訴的目標。

　　打個不恰當的比方， QC是警察，QA是法官。QC只要把違反法律的抓起來就可以了，並不能防止別人犯罪和給別人最終定罪，而法官就是制訂法律來預防犯罪，依據法律宣判處置結果。

　　剛剛提到的品質管制，整個生產過程中QC的順序，即來料品質管理、製程品質管理、入庫前品質管、出貨品質管理，企業可從以上四方面突破品質管理，尋找最優方法。今天我們就來介紹如何做好來品質管制工作。

　　首先是通過專業技術和管理技術，配合生產流程，來檢驗（進料檢驗、製程檢驗、出貨檢驗）

或測試各個作業階段中所製造出來的產品品質，以確保其滿足顧客、法律、法規等方面所提出的品質要求（如適用性、安全性等）。品質管理的核心是質量，基礎是全面參與，宗旨是讓客戶滿意，最終目的是形成一套長期成功的管理途徑。針對廠商在執行105E抽樣檢驗之計畫過程中，應針對過去檢驗記錄數位化建檔，才可作為決定未來抽樣方式之參考。特別是進行供應廠商評鑑時，應依其過去表現而決定採取嚴格或減量檢驗的方式。這對表現好的供應商有一種鼓勵作用，而對表現差的供應商則具警示作用。實施105E過程中的轉換機制如影片中所示：

正常→嚴格=>處於正常檢驗的供應商，若在連續5個批量中有2個被拒收，則應轉換至嚴格檢驗。

嚴格→正常=>處於嚴格檢驗的供應商，若連續5個批量均被允收，則應轉換至正常檢驗。

　　過往我們在客戶端調研QC單位，最常發生的現象是有等送來紙本進貨單才會安排進料檢驗，但沒單據QC無法知道今天有哪些預計要檢驗？更不要說安排隔天的檢驗規劃，這往往造成製造單位在等待QC檢驗的主因。在這裡也分享一個實際案例，現場反應缺料，因為倉管ERP key完進貨單，但這張紙本進貨單沒提供給QC，QC也不知道有待檢過了，就這樣過了1個月才被發現。也會造成二個單位很嚴重的資訊斷鏈，也讓公司損失更多的人力、時間成本。

　　管制圖的主要目的在維持製程的穩定性，就類似讓車子行駛時維持在馬路的兩條白線內。管制線 : 通常為3倍標準差是穩定製程的警戒。但管制圖是無法提高製程能力的。它是一種用於調查製造程序，是否在穩定狀態下，或者維持製造程序在穩定狀態上所用的生產與輔助工具

不過管制圖的判讀並非只有超出管制界限而已，例如連續數點上升，或下降等等，雖然這些點沒有超過管制界限，管制圖可幫助發現變化源頭，同時觸發通知預警。例如第一段開始連數點上升就應該持續改善，第二段連續數點偏一側就要先期預防，找出問題點。

　　看到OOS和OOC都不是什麼好事，處理過程需加入偏差報告。

　　OOS指的是超標結果，檢驗結果偏差，是指檢驗數據結果不符合企業内控標準的結果，偏差是一种非预期的情况，往往由生産操作引起的，所以最好于生産中的異常情况一起處理，偏差時的足夠充份調查程序需做複驗。

　　OOC指的是産品品質失去控制，需採取返工、召回等手段。任何超出法定質量標準的産品都不能被放行，超出內控標準但仍符合法定標準的産品，應經過品質調查評估後由受權人决定是否放行。

完整的統計分析指標。

　　搭配不同管制圖表與統計分析功能，SPC提供多種專業統計分析指標，包括 Mean、Maximum、Minimum、Range、Uniformity、Std、Std_hat（估計標準差）、Std_Raw（原始資料標準差）、Ca、Cp、Cpk、Cnpk、Cpm、Pp、Ppk、Percentile...等，涵蓋各式管制圖、Cpk相關報表與變異分析需求，充分滿足您的所需。管制圖可幫助發現製程變異源頭。

　　另外，流程數據可用來預測未來流程表現，若流程穩定，但數值在理想範圍以外，需設法找出變異的來源，再設法改善系統。「機遇變異」大約佔了製程中的85%的大部分問題，而「非機遇變異」則約佔15%的比率。當生產線經過「統計製程管制(SPC)」手法改善後，原則上應該要可以消除「非機遇變異」，而只剩下「機遇變異」，因為「機遇變異」的原因並非工程人員或是生產線本身就可以被解決，它必須經由管理階層變更系統或是添購更精準的設備才能加以解決。

　　製程能力綜合指標 Cpk 愈大值製程能力越好，相信大家也經常聽人家說Cpk最好要管控在1.33以上，但你有沒有想過為什麼是Cpk>1.33而不是其他的數字呢？

也就是說如果產品符合Cpk=1.33時，，其所每生產一百萬個產品的不良率大概只會有63～66個左右。如果我們改取Cpk>1.67，雖然不良率會降，但可能需要花費非常高的投資成本才能達到這個標準。一般在衡量品質損失與投資成本的兩個翹翹板平衡的情況下，於是取了Cpk>1.33這個折衷值來當標準。

　　如果想提高製程能力，建議各位可以使用層別法並利用柏拉圖、特性要因分析圖尋找主要不良原因並加以改善，或是更換精準度較高的生產設備。今天就先以層別法分析做個Endding，期望大家都能有收穫，更有效率將這些分析方法運用在工作上滿足品質要求。