字数统计：3771 字 预计阅读时间：约8分钟
上一篇《新版SPC导读：Cpk很高，Ppk却很低，哪个才是真实能力？》，我们讨论了一个非常典型的现象：短期看，过程能力很好；长期看，Ppk却明显下降。很多时候，问题并不在公式，而在于不同时间、不同条件下的过程状态发生了变化。
继续往下追问，就会碰到一个现场更常见的问题：换了材料、换了刀具、换了班次，甚至换了设备，为什么这些数据最后还要放在一起算一个Cpk？
很多企业的SPC数据就是这样来的。一个月的数据全部导出来，几十组、几百组，不管期间换过几次材料、做过几次设备保养、换过多少次刀、经历过多少个班次，最后全部放在一起，软件自动生成一个Cpk。数字出来以后，大家开始讨论：1.42，够不够？要不要改善？谁负责？
但在讨论这个数字之前，其实应该先问一个更基础的问题：这些数据到底是不是来自“同一个过程”？
如果这个问题没有回答清楚，那么Cpk算得再精确，也可能只是一个非常精确的错误答案。
Cpk不是对“一堆数据”的评价，而是对“一个过程”的评价
很多人把Cpk理解成一种数据统计工具：只要有规格上限、下限，再有一批测量数据，就可以计算Cpk。
从数学上当然可以。
但从SPC角度看，Cpk真正要描述的是：一个相对稳定、具有一致过程条件的制造过程，它的输出分布与规格要求之间是什么关系。
这里最容易被忽略的四个字就是：一个过程。
什么叫一个过程？并不是产品名称一样、图号一样，就一定是同一个过程。
同一个零件，如果分别由两台设备加工，可能是两个不同的过程；同一台设备，如果换了完全不同的刀具状态，可能已经不是同一个过程状态；同一个产品，如果使用两家供应商的原材料，而两种材料在性能上存在系统差异，也可能需要分开看。
所以，Cpk并不是在回答：“这个月所有产品总体表现怎么样？”
它更接近在回答：在一个相对一致的制造条件下，这个过程能够做到什么水平？
如果把本来不同的过程状态混在一起，最终算出来的Cpk，可能什么都说明不了。
先看最常见的材料变化。
例如某个注塑件，使用A供应商和B供应商两种原材料。两家材料都满足来料规范，看起来都合格，于是生产数据统一放在一起计算Cpk。
但真正生产时，A材料的流动性更好，尺寸均值偏低一些；B材料收缩率不同，尺寸均值整体偏高一些。
单独看A材料，过程非常稳定，Cpk可能1.8；单独看B材料，过程也很稳定，Cpk可能1.7。
但把两种材料混在一起以后，由于两个均值不同，整体分布被拉宽，最终Cpk可能只有1.1。
这时候，如果你只看总Cpk，会得出一个结论：过程能力不足。
但实际上，可能根本不是设备能力差，而是两种材料代表了两个不同的过程中心。
反过来也可能出现另一种情况：A材料本身表现很差，但因为A材料数量少，和大量B材料数据混在一起后，总体Cpk看起来还不错，于是A材料的问题被平均掉了。
所以，材料发生变化时，第一反应不应该只是继续累计数据，而应该问：这种材料变化有没有改变过程分布？
如果答案是有，就应该进行分层。
机加工行业里，这个问题更加典型。
很多尺寸会随着刀具磨损逐渐漂移。新刀刚开始使用时，尺寸可能靠近一侧；随着加工数量增加，尺寸慢慢变化；到刀具寿命末期，又接近另一侧。
如果只看每个短时间窗口，过程可能都很稳定。
但如果把一把刀整个寿命周期的数据全部混在一起，分布自然会变宽。
更常见的情况是：企业一个月换了十几把刀，每一把刀安装后的初始状态都略有不同，刀补也不同，最后所有数据一起计算Cpk。
这时得到的Cpk，到底代表什么？
它既不完全代表某一把刀的能力，也不完全代表设备本身的能力，而更像是“换刀、调刀、磨损、补偿等所有变差叠加后的总结果”。
如果企业真正想改善过程，就应该把数据进一步分开看：新刀阶段表现如何？中期如何？寿命末期如何？不同刀具之间初始偏差多大？换刀后的刀补是否标准化？
否则，一个总Cpk只能告诉你“整体不太好”，却很难告诉你“问题到底在哪里”。
所以，换刀不是单纯一个生产动作，它本身就是一个重要的过程变化点。
很多企业对“班次差异”非常敏感，却很少真正把班次数据分开分析。
白班、夜班生产同一个产品，用同一台设备、同一套工艺参数，理论上应该是同一个过程。
但现实中经常不是。
不同班次人员操作习惯不同，调机方式不同，换刀判断标准不同，首件确认习惯不同，测量人员也可能不同；夜班环境温度可能变化，设备预热状态也不同。
结果就是：白班均值稳定在10.02，夜班稳定在10.12。
两个班次单独看，控制图可能都非常漂亮。
但合在一起以后，整体波动明显增加。
这时总Cpk下降，大家会说“这个过程能力不够”。
实际上更准确的说法应该是：过程在不同班次之间没有保持一致。
这两种表述差别非常大。
前者容易把问题归结为设备精度不够，后者则会引导企业去检查人员、调机、参数、标准化作业和测量一致性。
所以，数据分层不是为了让数字变好看，而是为了让问题变得可解释。
设备、模腔、产线混在一起，是最常见的“平均掉问题”
多设备、多模腔生产时，这个问题更加明显。
例如一个八腔模具，8个腔都生产同一个零件。企业为了方便，每次抽样随机取几个产品，最后全部混在一起算Cpk。
结果可能出现一种情况：7个腔表现很好，1个腔均值明显偏移。
如果混在一起，整体Cpk可能还能达到1.5。
但那个异常模腔的产品，可能已经存在明显风险。
同样，三台设备生产同一个零件，A设备Cpk 2.0，B设备1.8，C设备0.9。三台设备的数据放在一起，也许总体还能算出1.4。
这个1.4对管理有什么意义？
真正的问题已经非常明确：C设备能力不足。
但平均以后，问题反而变模糊了。
这也是质量数据分析中最危险的一种现象：平均值让组织看起来更稳定，却把局部风险隐藏了。
也不是。
如果什么都拆开，最终也可能走向另一个极端。
比如一个月有20把刀、3个班次、2个供应商、4台设备，如果全部交叉分层，可能瞬间变成几百个小样本，数据量不足，也很难管理。
所以真正的关键不是“越细越好”，而是：哪些变化会真正改变过程分布？
这才是合理分层的核心。
可以用几个问题来判断。
材料换批以后，均值或波动有没有系统变化？
换刀以后，过程中心有没有明显重新定位？
不同班次之间，均值和标准差有没有稳定差异？
不同设备、模腔之间，输出分布是否一致？
如果答案是“没有明显差异”，那么这些数据可能可以在一定条件下合并。
如果答案是“存在系统性差异”，那么继续混在一起算，就会掩盖问题。
所以，数据分层不是凭感觉，也不是简单按照所有4M1E因素全部拆开，而应该基于数据去判断：这个因素到底有没有造成不同的过程状态。
这一篇表面上在谈Cpk，其实背后真正涉及的是新版SPC中非常重要的“合理子组”和数据分层逻辑。
合理子组的核心思想，是尽量让组内反映短期、相对一致条件下的自然波动，而让组间变化能够暴露不同时间、不同条件下的过程变化。
如果你把本来有明显差异的材料、刀具、班次混进同一个组里，组内波动就被人为放大。
反过来，如果你把所有变化都拆得过细，又可能低估真实长期波动。
所以SPC从来都不是简单“多采数据”。
真正的问题是：你采到的数据，是否保留了过程变化的结构？
如果数据结构在进入软件之前已经被打散，那么后面无论画控制图、算Cpk还是算Ppk，分析价值都会大幅下降。
未来真正有价值的SPC系统，应该自动知道“这批数据来自什么状态”
传统SPC系统往往只记录几个字段：产品、特性、测量值、时间。
但如果未来企业想真正做好过程分析，这些信息远远不够。
至少还应该尽可能关联：设备、产线、模腔、材料供应商、材料批次、刀具编号、刀具寿命阶段、班次、操作人员、工艺参数、环境条件、换模、维护、调机和工程变更等。
这样，当Cpk突然下降时，系统才能进一步分析：是不是换了材料？是不是某一台设备？是不是夜班？是不是刀具寿命后半段？
如果这些数据全部存在，未来AI才真正有机会从大量质量数据中识别模式。
例如系统发现，某尺寸Cpk下降几乎都发生在某一种材料批次以后；或者某台设备夜班Ppk长期低于白班；又或者某把刀使用到800件以后波动显著增加。
这种分析，才是真正意义上的“质量数据价值”。
否则，系统里只有一串测量值，再先进的AI也很难知道过程为什么发生变化。
上一篇我们讨论了Cpk高、Ppk低到底该看哪个。这一篇继续往前一步：很多时候，两者出现巨大差异，并不是哪个指标有问题，而是企业把不同过程状态的数据混在了一起。
材料变了，刀具变了，班次变了，设备变了，模腔变了，参数也发生了变化，但最后所有数据仍然被放进同一个Cpk里。
结果就是一个看起来非常精确的数字。
但这个数字描述的过程，现实中可能根本不存在。
所以，真正成熟的过程能力分析，第一步从来不是打开软件点击“Calculate Cpk”，而是先问：这些数据究竟来自几个过程状态？
如果变化没有改变过程分布，可以合并；如果变化已经让过程均值、波动或者分布发生了系统变化，就应该分层分析。
这也是TPP在新版SPC培训、过程能力分析和数字化项目中非常关注的方向。真正有效的SPC，不只是计算能力指数，而是把测量数据和材料、设备、刀具、模腔、班次、参数以及变化点关联起来，让企业真正知道：过程为什么变，什么时候变，哪个条件下变。
因为最危险的，不一定是Cpk低。
而是企业把几个完全不同的过程，平均成一个看起来还不错的Cpk。