你能信任自己的数字吗？测量系统分析实用指南
在精益六西格玛中，DMAIC 的“测量”阶段建立在一个无声的假设之上：你所收集的数字真实地反映了现实。如果并非如此，那么随之而来的每一张图表、每一个能力指数和每一项改进结论，都是建在沙地上的。测量系统分析（MSA）就是在你信任这一假设之前对其加以检验的方法。经历了两年之久——许多团队依据残缺的数据工作，奋力解读受扰的供应链与远程作业——在行动之前先核验测量这门功夫，重要性鲜少如此突出。
核心理念很简单。你记录下的任何数值都是真值加上测量误差。MSA 要问的是：这个误差有多大、来自何处，以及它是否足够小到可以据此数据做出决策。如果跳过这一步，你也许会花上数周去“修正”其实存在于量具、而非流程中的波动。
测量误差的来源
MSA 把测量质量拆解为若干属性。掌握这套术语能让研究保持诚实。
偏倚——相对于已知基准，测量值始终偏高或偏低。
线性——偏倚在量程范围内变化，量具在一端准确，在另一端则有偏差。
稳定性——测量值随时间漂移，往往是量具需要重新校准的最初征兆。
重复性——同一个人两次测量同一个物件得到不同结果（量具与操作者内部的波动）。
再现性——不同的人测量同一个物件得到不同结果（操作者之间的波动）。
开展一项量具 R&R 研究
对于连续型数据，MSA 的主力是量具重复性与再现性研究。一个常见且站得住脚的设计是：三名操作者测量十个零件，每个零件各测两到三次；所选零件要覆盖流程的真实量程，试验则以盲测和随机顺序进行，使任何人都不会被先前的读数所牵引。
选取零件与操作者。 使用约十个能代表生产中实际离散程度的零件，以及平日负责测量的人员——而不只是你最细心的那位技师。
盲测并随机化。 隐藏零件的身份并打乱顺序，使记忆与预期不会污染读数。
分析方差。 软件会把总波动划分为零件间、重复性与再现性三部分。零件间所占比例应当占主导；那才是你希望看到的真实信号。
对照经验法则来判断。 占用公差（或研究波动）不足 10% 的测量系统通常可以接受；10% 至 30% 属临界，视事关重大与否而定；超过 30% 则意味着该系统不足以支撑这项决策。
属性型数据——合格/不合格、缺陷类别、接受/拒收——需要另一种工具：属性一致性分析。在这里，你要检验各检验员彼此之间、以及与已知标准之间是否一致。令人警醒的是，一个“合格”竟常常取决于由谁拿着那个零件，而这种隐蔽的分歧又会带来多少返工。
当系统不合格时该怎么办
一项不合格的 MSA，是被及早抓住的好消息。若重复性差，就检查量具、夹具与测量环境。若再现性差，差距通常在于方法与培训：人们测量的方式各不相同。编写一份清晰、配图的标准作业程序，据此培训，然后重做研究。唯有当测量系统稳健可靠时，你才可以把流程数据当作真相来读，并进入分析阶段。
MSA 并不光鲜，在项目时间紧张时，跳过它颇具诱惑。但它是工具箱里最便宜的保险。花一个下午去证明你的量具，也许能省下一个季度去追逐一个其实从未存在于流程中的问题。
如果你的改进决策依赖于你并不完全有把握的数据，XNM 的战略咨询 可以帮助你建立经得起推敲的测量与分析。