QKC20170324：彰曰維_大數據時代確保資訊品質的手法:飛機圖

hlperng

品質學會品質知識社群 (QKC) 研討會
專題：大數據時代確保資訊品質的手法:飛機圖
時間：2017 年 03月 24日(星期五) 19:00 - 21:00
地點：品質學會九樓教室（台北市羅斯福路 2 段 75 號）
主講：彰曰維會友

hlperng

統計推論，感覺哲學問題，群體推納法。
演譯法。
缺乏組織團隊能力，不只是沒有團隊精神。
華人內心都有忌妒心，性惡。
中小企業、高科技公司的應用。
知識傳承需要有系統，完整的東西都沒有留下來，剩下來的都在搶市場。
辦教育訓練，培育人才。

蕭老師：習慣領域老師，人力與人才，用對的人要贏就很容易。知人、育人。

50 年代，

2017年11月16日 第二屆全球（四個地區）華人品質峰會！
早上 Keynote Speech

hlperng

彰曰維 (William Chang)，睦錦科技總經理
平台定位，顧問級水平、業界精進水平。曾任職友達。
知識平台，兩周前上陳老師 MSA，道與術。
資訊品質的手法，官越深越高，自動化軟體隔閡感。
四大產業：DRAM、LCD、太陽能。500 人受教。
Data --> Information --> Knowledge --> Wisdom
產品                     好壞、因果、利害
十幾年前講知識管理，現象帶不走，只有因果會帶走。溫溼度對於芒果的影響。日本專家與青果合作社合作，外銷日本。打掉很多，提升台灣芒果品質。本土廠商欺負農民，利害決定結果。
新八字：好壞、
決策好壞與對錯，中間的問題解決與對策。
因果分析必須避免的謬誤：資訊雜亂、資訊偏誤、妄下定論。
英國人喜歡寫下結論的文章（新聞性文章）。
Big Data --> Correct Data? Useful Data?
No Data No Money 的中小企業只能做 PDCA。Please Don't Change Anathing
妄下定論，倒果為因。
案例：柴油噴燃機氣爆，關鍵在於點火棒，台灣做太短，需斜一角度，裝正之後一點即爆。
三星電池爆炸案例，3 - 50 ppm，SDI、ZERO。
大數據時代，機器導引（導盲犬帶路）、vs. 雪橇狗拉車。
飛機圖建構在魚骨圖之上。
如果招募的員工無法為企業解決問題，未來將會成為企業需要解決的問題。
勞基法保障離職人員？
就守法的延誤、飛機圖的特點、人類與類人（機器人）的競爭。
客訴效率的壓力：
輕薄短小，標準，實際，變異。問題發生了，快速找出問題的root cause。
態度決定高度，20 年前代工只有華人，稍一遲疑，速度揚升高度。
問題終究會被時間解決，但解決科技業的也是時間。
特性要因分析，三根還是虱目魚。大公司 big data。華邦 CIM 經理。接、收需求太多，廠商崩潰。只能砍需求，才讓 CIM 運作。升任製造部經理，類 TSMC。
魚骨圖的，缺陷，問題太多。QIT 或 8D：

人力與人才。
職場能力培養四階段：
I Don't Know I Don't Know.　跟著做，端盤子。
I Don't Know I Know.　異常排除，肉太老。
I Know I Don't Know. 解決問題，肉品質不穩定的原因。（人才）進料，
I Know I Know.  設定問題，

結合魚骨圖與現況分析，變成飛機圖。
提問能力的培養：

不敢找 Owner。
O: Object
D: Defect

When:
頻率型態：偶發、持續、或週期
FT: first time，第一次時間
FPT: first process time，第一次製程時間

Where:
解釋因 與 真因
Cause vs. Root Cause

Situation Appraisal
整合能力的訓練與教導。
比東西與比毛病，

會問問題的主管，嘴巴可以變成眼睛。
DMAIC，量度資訊的方法。
飛機圖檢驗假設的方法，書面驗證不花錢。
日常管理的問題解決方法。
問題的解決次序，考慮成本與風險。Correct Data 用對照組即可解決，所以重點在於有用的數據 useful data。
人機料法環

DOT, TPM
差異變因的組合
Two Factors 變音分析
searching 探盡式因果分析，netting 布網式因果分析
飛機圖列出所的因，大數據和工業 4.0。實人與同人，波音不賣引擎，賣吃住！

工業 4.0 的定義：
modeling, 預測
multi tasking, 多工
margined emission, 減排
manned 人馭

七八年級分工細，
工程師蒐集線索。
主管處理客訴會報狀況

合作開發團隊智能，人材變人才
太有主見和沒有意見
invisible 人因、人工 visible
1. 趨勢（知識）
2. 經驗
3. 資訊間矛盾
4. 因果順序
5. 時間遞延性
6. 多變因加成姓
7. NTCheck
8. Need More Data (參數收集技巧)

Structure data and-structure data
GD&T，適配過的產品，客製化與標準化。
Know Cause vs. New Cause
Profit and Loss，
標準讓人失業！


相關資料:

• Chapter 7: Situation Appraisal, http://www.kepner-tregoe.com/lin ... BD60C6F/showMeta/0