在快速變動、追求製程精進並強調高度揭露責任的時代，隨著數位科技、AI 與大數據的導入，品質管理（Quality Management, QM）已不再只是檢驗產品是否合格，各大廠也紛紛將智慧分析與持續監測的自動配適（Auto-Adaptive）系統引入品管中。傳統上統計製程管制（Statistical Process Control, SPC）被用來偵測異常與量化風險。透過 AI 異常偵測與機器學習模型導入，更精準地協助從業人員（Practitioner）處理複雜製程，在第一時間實現預測性控制與即時回應。

戴明博士的品質管理精神初探

品質管理是企業永續經營的基礎與核心，其目除了保障產品服務的品質，核心應是透過制度化及科學化的方法來確保長期能持續滿足顧客需求。傳統觀念往往將品質等同於檢驗，認為只要在製造完成後進行測試或挑選即可確保良品。現代品質管理的精髓在於事先規劃與過程管制，其實強調在投入、流程與輸出的每一環節皆保持透明、可控與可解釋。這樣的思維與戴明博士（W. Edwards Deming）所倡導的 PDCA 循環（Plan–Do–Check–Act）高度契合，PDCA重點是先計畫，再執行，隨後檢查，最後持續改善。品質不應被視為靜態的結果，而是需要被動態監督與優化的過程。

在推動現代品質管理的歷史中，戴明博士是無法忽視的重要人物。他在二十世紀中期對日本製造業的深遠影響，使品質從單純的檢驗行為提升為組織經營的核心哲學。戴明提出的戴明循環正是今日廣為人知的 PDCA 循環，其精神在於透過系統性的步驟讓品質改善形成一種習慣與文化，而非一次性的專案。戴明特別強調全員參與，認為品質並非僅是品管部門的責任，而是組織內每一位成員都應共同承擔的長期承諾。戴明也主張品質必須以數據與科學方法為依據。他提倡透過SPC統計過程管制對製程數據的監控與分析，企業能在問題發生之前（或當下）即偵測異常並加以改善。這種預防勝於檢驗的觀點顛覆傳統依賴最終檢測把關的做法，使品質管理不再只是事後補救，而是事前預防。

品質管理的價值在於透過制度、數據與文化建構，使組織能在不確定的環境下仍然穩定運作。而戴明則是將品質從單一技術層面提升至全方位管理哲學的關鍵人物。他的 PDCA 循環與 SPC 精神，至今仍是企業追求卓越與永續不可或缺的基礎。我們其實也能在 ISO 9001、ISO 20121 等標準中能看到他的觀念實踐。

SPC / QM 的現代意義與風險

現代品質管理的關鍵是讓變異被看見並讓決策可被驗證。SPC 承認任何流程都存在隨機波動，因此以資料描述分布Distribution並以統計術語標準去偵測異常：型一錯誤（Type I Error）與型二錯誤（Type II Error）界定了"太敏感"與"太遲鈍"的取捨，SPC中還有一個常用術語叫平均連串長度（Average Run Length, ARL），ARL則把SPC偵測速度作為可比較的指標。它把風險承擔變成設計決定的指標，讓從業人員或公司高層管理者可以用更低的虛警率換取更高的檢漏的風險。

國際ISO管理系統標準就能看到像是ISO 20121 Event sustainability management systems （永續活動管理系統）就以品質管理領域中常用的 PDCA作為核心概念之一，可見品質管理精神無處不在。近年來，我們也看到企業開始把 SPC 與 PDCA 工具延伸到 ESG 的監測、揭露與稽核證據以及作為的展現。

在治理層面，PDCA 是把 SPC 落地的共通底盤。(1) Plan 階段界定範疇及利害關係人與目標，並完成量測系統分析（Measurement System Analysis, MSA）與 Phase I 的sampling；(2) Do 則建立數據蒐集與管制圖的執行機制，讓alarm能轉成follow-up在下一階段能有所依歸；(3) Check 階段以在製程證據作為稽核合規與KPI；(4) Act 階段把Root Cause Analysis（RCA）與 CAPA（矯正與預防）回饋到策略與流程。

其實 ISO 9001 就是把「過程方法＋PDCA＋風險導向」寫成明確要求，而ISO 20121 更把同一語法擴展到永續性活動管理，把經濟、社會及環境影響放進這一條循環的證據鏈中。當品質與永續共享同一管理語言，資料、流程與責任能共通治理，避免系統內的從業人員們各說各話。

真正的難題是估計誤差、SDARL 與製程變數複雜度

SPC 其實難不在公式，而在估計不確定度，或著說許多人出社會發現課本上的統計無法在實務上使用都脫離不了這個觀點。回到SPC而言，多數企業在 Phase I 只能用有限樣本估計平均值與變異數，Phase II 以此設定管制界限，造成樣本若不足或分布假設錯誤，ARL的衡量就會與實際效能脫鉤產生極大落差，若我們把ARL也視為變數，從實驗中可看到ARL呈現高度變異（i.e., Large SDARL），也就是所謂 SDARL 偏大。許多研究指出在傳統SPC管制圖其 ARL 的機率分布偏斜，且存在相當高機率使實際在實際的 ARL 低於原設定的值。可以想成同一條產線，不同從業人員各自用手上的 Phase I 樣本建出的界限，造成變異大，這也是實務上當製程越先進越會發現品管工具難以真實管理，加上老師傅的經驗也無法協助管理，造成製程上的失控（out-of-control）。當我們以為我們是按設計工作，其實就陷入了相對的謬誤中。

有些研究提出解法是在於判斷ARL的變異也視為要管理的不確定因子。舉例以以拔靴法（bootstrap）為基礎的管制圖能透過 Phase I 重抽樣直接估計「期望 ARL 與實際 ARL 的落差」，對管制界限進行偏誤校正，使管理者及從業人員在事前獲得相對高信心，即實際在管制 ARL 超過期望水準的機率足夠，因而降低誤警報風險。從研究中的統計模擬中也顯示這種管制界線能顯著收斂 SDARL讓 Phase II 的效能更一致及可預期，等於把從業人員之間（practitioner-to-practitioner）的變異在管制界線設定時候的演算法就先得以評估及處理，不是丟給現場從業人員的誤警報負，讓每個人做對該做的事情，才是管理思維的展現。在多變量世界裡，把估計不確定度納入管理工具的設計思維中，也是管理突破的重點創新。

應用在 ESG管理系統中

當 ESG 成為資本市場與利害關係人關注的核心議題，非財務資料若只做彙整、不做精進管制就缺乏可稽核的可信度，淪為作文比賽。我們看到前面提到的ISO 20121永續活動管理系統，正是把 PDCA 應用於永續性活動的國際標準，就是在ESG中做 PDCA的實踐例子及規範。永續報告呈現的不再只是行銷故事，而是可被數據及統計方法驗證的事實；利害關係人不再需要憑信仰或行銷成果去辨識其ESG表現，而能透過數據在合理的品管方法做無人為因素一制性的判斷。

現今的品質管理已大量導入數位化數據驅動的動態管理模式，不再只是過往為了解決ISO驗證的紙上功夫。尤其在 ESG 永續治理當道的時代，品質管理的可信度藉由AI 工具的切入，方能在企業的雙軸轉型路上能發揮最大價值。

參考文獻

1.       李緯明（2015）。適應估計誤差之 Hotelling T² 管制圖。國立交通大學統計學研究所。

2.       Deming, W. E. (1986). Out of the crisis. MIT Press.

3.       ISO. (2015). ISO 9001:2015 Quality management systems — Requirements. International Organization for Standardization.

4.       ISO. (2012/2024). ISO 20121 — Event sustainability management systems: Requirements with guidance for use. International Organization for Standardization.

5.       Montgomery, D. C. (2019). Introduction to statistical quality control (8th ed.). Wiley.

6.       Qiu, P. (2014). Introduction to statistical process control. CRC Press.

7.       Woodall, W. H. (2006). The use of control charts in health-care and public-health surveillance. Journal of Quality Technology, 38(2), 89–104.

8.       Woodall, W. H., & Montgomery, D. C. (2014). Some current directions in the theory and application of statistical process monitoring. Journal of Quality Technology, 46(1), 78–94.

9.       Aly, A. A., Mahmoud, M. A., & Hamed, R. (2015a). The performance of the multivariate adaptive exponentially weighted moving average control chart with estimated parameters. Quality and Reliability Engineering International. https://doi.org/10.1002/qre.1806

10.   Champ, C. W., Jones-Farmer, L. A., & Rigdon, S. E. (2005). Properties of the T² control chart when parameters are estimated. Technometrics, 47(4), 437–445.

11.   Faraz, A., Heuchenne, C., & Woodall, W. H. (2015). Guaranteed conditional performance of the S² control chart with estimated parameters. International Journal of Production Research. https://doi.org/10.1080/00207543.2015.1008112

12.   Gandy, A., & Kvaløy, J. T. (2013). Guaranteed conditional performance of control charts via bootstrap methods. Scandinavian Journal of Statistics, 40(4), 647–668.

13.   Jones-Farmer, L. A., Woodall, W. H., Steiner, S. H., & Champ, C. W. (2014). An overview of Phase I analysis for process improvement and monitoring. Journal of Quality Technology, 46(3), 265–280.