朋友們
最近，我受邀前往一家大型電子組裝廠，就如何將被動元件的「墓碑效應」降至最低進行簡報並審核一條組裝線。
正如我在簡報中所述，「墓碑效應」可能由多種因素引起：回流曲線、焊料金屬成分（就無鉛焊料而言，SAC387 比SAC305 更容易產生墓碑效應）、元件放置偏離中心、氮氣回流氣氛、埋入式過孔等。進行了兩小時的簡報後，我實地巡視了那條「存在墓碑效應問題」的生產線。
當我開始詢問時，很明顯地，沒有人知道這個問題的嚴重程度。「每塊電路板上有多少個被動元件？」我問道。沒有人知道。 「最近『墓碑效應』的DPMO（每百萬次機會的缺陷數）是多少？」這個指標同樣無人知曉。當大家忙著四處尋找數據時，逐漸顯現出「墓碑效應」或許並不如大家想像的那麼嚴重。這更像是一個地方傳說。
終於，我們取得了一些數據。每塊電路板上約有 1,000 個被動元件，過去兩小時內生產了 100 塊電路板，總共出現了兩處「墓碑」缺陷。「墓碑」是唯一的缺陷類型。嗯……100 塊電路板中有 2 塊不良，也就是 98% 的首次通過良率，還不賴！ 從DPMO的角度來看，每 100,000 次機會中僅有 2 個缺陷，即 20DPMO，這屬於世界級水準。若不投入龐大的工程資源，要進一步改善這個DPMO水準將非常困難。這屬於「隨機波動」範圍，很可能是由「共同原因」變異所導致。接著我詢問修復一個「墓碑」需要多少成本，不出所料，沒有人知道。 我估計不到 2 美元。這種情況實屬罕見——良率已高到如此程度，投入工程資源來進一步提升，可能反而得不償失。
然而，這並非故事的重點；無論在像這樣的情形下採取何種行動，都必須以「數據為依據」。唯有透過將正確的故障率數據繪製於帕累托圖中，並充分理解相關成本，才能制定出適當的行動方案。
務必始終以數據為導向！
祝好。
羅恩博士
