实战技巧 · 工具应用 · 避坑指南 · 案例拆解 · 数据分析 · 改善方法 · 审核应对
短小精悍，快速解决工作中的实际问题
某汽车零部件企业主营传动轴花键轴，年产量约一百二十万件，客户是两家国内主流主机厂。今年四月，客户年度供应商审核的末次会议上，审核组长展示了一张统计图：抽查该企业近三个月一百二十五件过程检验数据，计算关键特性"花键大径"的过程能力指数 Cpk，结果只有 0.82，远低于客户对关键特性 Cpk≥1.33 的要求。审核结论里多了一条严重不符合项，整改期限九十天，超期未关闭将启动供应商淘汰程序。
摘要：控制图画不出来是能力问题，画错却是方向问题。很多企业上了SPC，控制图却形同虚设——不是不会判异，而是从一开始就选错了图：计量数据用了计数图，小批量用了均值图，计点数据用了不合格品率图。本文从数据类型和子组结构出发，讲清Xbar-R、Xbar-S、I-MR与p、np、c、u七种常用控制图的选用逻辑，并给出五步选图法和一个完整示例，帮你把"选图"这个最容易被忽视的环节一次做对。
很多企业上了SPC软件、买了监控大屏，却迟迟看不到效果。原因通常不是工具不好，而是落地方法不对：有的想把全部工序一次性铺开，数据没打通，控制图成了摆设；有的只是把纸面描点换成电子描点，报警后照样没人响应。SPC数字化的本质不是"把控制图画到电脑上"，而是建立一条"数据采集—实时监控—异常预警—快速处置"的闭环。把这个闭环拆成五步，每一步都扎扎实实做完，控制图才能真正在产线跑起来。
过程能力指数 Cpk（Process Capability Index）是质量管理中最常用的统计工具之一，它回答一个核心问题：当前生产过程能否稳定地满足规格要求？
控制图是统计过程控制（SPC）的核心工具，但很多质量人在使用中陷入一个误区：只看数据点是否超出控制界限（UCL/LCL），超出就报警，没超出就认为"一切正常"。
在质量管理的发展历程中，统计过程控制（SPC）一直扮演着"质量预警系统"的核心角色。然而，传统SPC的实施长期面临一个尴尬的现实：大量企业在推行SPC时，止步于培训阶段——操作工被要求手工描点绘制控制图，品质部门每周收集纸质记录归档。这种"为SPC而SPC"的做法，既加重了一线负担，又无法真正发挥过
摘要：审核问 Ppk，报告只写 Cpk；Cpk 1.67 量产却频繁超差——都是对 Cpk/Ppk 的误读。Cpk 用组内 σ 描述潜在能力，Ppk 用总体 σ 描述实际表现；子组划分、正态性、受控状态、抽样窗口任一条错了，指数就会"骗人"。本文给出定义对比、完整算例、PPAP 与量产监控场景、MSA 前置条件，以及"Cpk 高仍不良"的七类根因排查清单。
SPC 实战指南：控制图应用、过程能力分析、判异准则、实施步骤，含汽车行业经典案例，适配 IATF16949 要求。
