相信大家在日常的工作中肯定会遇到这样一种情况：产品的质量特性属于外观特性，即 需要靠人工判断产品是不是符合标准。当遇到客户投诉，或者内部报废率比较高的时候，经
常会遇到客户和领导的挑战：
- 如何保证员工清楚的知道放行标准？
- 如何保证不同员工的判断一致性？
- 如何考核员工是否掌握了标准？
这个时候， 可能我们更多想到的措施就是： - 加强员工培训
- 加强员工考核
大家试想一下，如果你作为客户或者领导，看到这样措施会是怎样的感觉， 个人感受是 这样的措施有效性很差，而且缺乏量化考核的方式，难以有效的避免不良的重复发生，总之， 这样的措施不能让客户或者领导满意。那是否由一种能否量化的方法用以确认目视检查是否 有效呢？答案是肯定的， 我们可以通过极限样品库+属性值数据一致性分析的方法去确定不 良品的极限表现以及属性值数据的一致性。
相信大家对测量系统的 MSA 并不陌生，对测量系统的评价标准也是非常明确： R&R% ≤10%，表明测量系统是有能力的。
10% ＜R&R≤ 30%，表明测量系统能力处于临界状态，不可测量重要的测量对象。 30% ＜R&R ，表明测量系统需要改进。
当然， 上述的标准是针对计量型数据；对于目视检查是否合格的这种属性值数据同样也 有一致性分析的方法。
首先，需要建立一个极限样品库， 通过对设计输入、客户投诉、内部不良品等的收集， 找到客户可以接收的产品的最差状态， 可以让员工清楚的意识到客户所能接收的极限状态。
第二步，需要收集良品和不良品，在成本可控的状态下， 样品越多，越可以真实的反应 出员工对于产品判断的一致性。一般情况下，样品总共要达到 30 个，并且尽量使得良品和 不良品各占 50%。
第三步，选择参与一致性分析的员工，应经常从事该项检查。另外， 在一致性分析之前， 员工并不知道待评判样品的状态。
第四步，员工分别对每个样品进行两次判断并将评判结果填入表格当中(表格可按照如 下进行设计)
第五步，可使用 minitab 对结果进行分析，也可人工对结果进行计算。 操作员自身的评估称为重复性； 操作员之间的一致性称为再现性。
评价标准：
有效性：员工的各次判断与样品实际状态一致
漏判率：对于每个测量者，将不合格样品判断为合格样品的比率，漏判率=漏判次数/漏 判机会数，
漏判机会数： 假定待判定样品中有5 个不良品；员工针对每个样品判断 2 次， 则漏判机 会数为 52=10 个
误判率：对于每个测量者，将合格样品判断为不合格样品的比率，误判率=误判次数/误 判机会数。
误判机会数： 假定待判定样品中有5 个良品；员工针对每个样品判断 2 次， 则误判机会 数为 52=10 个
下面用一个例子给大家具体介绍一下：共有 24 个样品，其中良品 14 个，不良品 10 个； 共有两名检验员参与，设计表格如下：
操作员自身的评估称为重复性； 操作员之间的一致性称为再现性。
通过图表， 共有 24 个样品待评判，根据判断结果，其中 18 个样品的实际状态、 员工 1 各次判断状态、 员工 2 的各次判断状态一致， 则系统的一致性为：18/24=75%
员工 1 的漏判率：2/20=10% 误判率: 1/28=3.5%
解读： 员工 1 将有 2 次将“不合格”判定为“合格”，有 1 次将“合格”判定为“不合格”，漏判 机会数为 10 个不良品员工进行 2 次判断=20；误判机会数为 14 个良品员工进行 2 次判断 =28.
员工 2 的漏判率：1/20=5% ；误判率：2/28=7%
解读： 员工 2 将有 1 次将“不合格”判定为“合格”，有 2 次将“合格”判定为“不合格”，漏判 机会数为 10 个不良品员工进行 2 次判断=20；误判机会数为 14 个良品员工进行 2 次判断 =28.
也可通过 Minitab -统计-质量工具-属性值一致性分析进行数据处理， 分析结果如下：
