分析问题时容易犯的错

   1、有问题时直接给原因，下对策。
   有产品的地方，就会有产品缺陷；有产品缺陷时，就需要去找原因；那么，产品有缺陷问题时，是不是会直接进入给原因、下对策？

   如果我们去医院就医时，你只告诉医生说我身体不舒服，医生能不能给开药呢？可以肯定没有哪位医生会直接开药的，医生都会望、闻、问、切。
   那么医生会问：

   医生：你哪里不舒服？
   病人：我脚痛
   医生：你哪只脚痛？
   病人：我左脚痛
   医生：你左脚哪里痛？
   病人：我左脚底板痛

   那为什么在解决产品问题时就直接跳入原因，给对策呢？而不经过望、闻、问、切呢？产品有问题，我们是否应该先去确认该问题的属性，属于技术问题还是管控问题，若把问题原因寻找范围定义为100%时，确认问题属性后就可以把范围缩小至50%；所有的原因都可以归到三类族系里面来，产品内，产品对产品，时间对时间，找到族系后，范围由50%变成16.67%；想想从100%的范围内找到原因的可能性大，还是从16.67%的范围内容易呢？

   2、原因验证时仅用了一组数据
   假如某个产品，验证了某个参数，得出了一组数据：
   A参数：(3/86)96.5%；B参数：(4/73)94.5%，会如何判定呢？判定A参数优于B参数，认同吗？

   如果认同的话，接着看下面的问题：
   假如我告诉你，我有一套可以一买就能中大奖（500万）的机会，要你花50万来买时，你会愿意吗？
   你一定会说，“神经病”;
   可是很不幸，第一天购买时，中了500万；
   这时你会说，这小子运气真好；
   第二天购买时，又中了500万；
   这时你会不会有所心动呢？
   第三天购买时，又中了500万；
   这时你会不会很后悔了，会不会提钱来购买这套中奖方法呢？

   那么为什么会中奖时第一次会归到运气上去；而在解决问题时，只用了一组数据却判断呢？如果我们要确保改善效果的持续性，那么必须至少有三组以上随机化的试验验证来确认。

   3、分析数据时，通常只看规格范围

    产品有问题时，通常会去测量尺寸，看测量数据有没有在规格范围内，是也不是？回答,是，也是正常的，因为都是这样的；回答不是，那又能怎么办呢？

   如果有这一组数据给我们时，会如何判定
   产品尺寸规格0.3+/-0.05
   测量了一组数据：
   0.31；0.28；0.29；0.28；0.3；0.31；0.32；0.31；0.31；0.29；0.31；0.31
   这样的一组数据会如何看呢？看数值都是规格范围内，认为这组数据没有问题，这个很正常，没有问题。

   如果再加一个条件后，又会如何呢？（NG代表不合格产品值，OK代表合格产品值）
   0.31（NG）；0.28（NG）；0.29（NG）；0.28（NG）；0.3（NG）；0.31（NG）；0.32（OK）；0.31（OK）；0.31（OK）；0.29（OK）；0.31（OK）；0.31（OK）; 

   那么现在能看出什么来了没有？