이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
품질 기준을 숫자로 만드는 작업을 처음 경험한 것은 공정 품질 수업 프로젝트였습니다. 측정값이 있어도 합격 기준이 없으면 판단 자체가 주관에 기대게 된다는 문제를 직접 확인했습니다.
프로젝트에서 Cpk(공정능력지수)와 X-bar 관리도를 함께 적용해 기준값을 설정했습니다. Cpk가 1.0 미만이면 공정이 불안정하다고 판단하고, 관리도 상한선을 넘는 점이 나오면 즉시 원인 분석으로 넘어가는 흐름으로 설계했습니다. 분석 결과가 있어도 공정 변경으로 이어지지 않으면 숫자를 만든 의미가 없다는 것을 팀 리뷰에서 배웠습니다.
데이터 분석은 판단의 보조 도구이지 결론 자체가 아니라는 점이 가장 인상 깊었습니다. 수치가 많아도 그것이 실제 공정 변화로 이어지지 않으면 의미가 없다는 것을 팀 발표에서 다시 확인했습니다.
품질 기준을 정량화할 때 제가 따른 순서는 기술 통계 → 분포 분석 → 공정 능력 지수입니다. 먼저 평균·표준편차를 보고, 정규성 검정으로 분포를 확인한 뒤, Cpk(규격 대비 실제 공정 변동 비율)를 봤습니다. Cpk ≥1.33이 통상 제조 목표, 1.67 이상이면 6시그마 수준이었습니다. 또 SPC 관리도(X-bar·R 차트·I-MR 차트)로, 공정이 통계적 관리 상태에 있는지 판단했습니다. 먼저 MSA(측정 시스템 분석)로, 측정 오차가 공정 능력 평가를 왜곡하지 않는지 사전 검증했습니다. 막연히 '통계를 쓴다'가 아니라, 순서대로 기법을 쌓았습니다.
측정이 틀리면, Cpk도 거짓이었습니다. 그래서 MSA부터 순서대로 간 게 근거였습니다.
품질 기준 정량화에서 제가 의식한 건 분석이 공정 변경으로 이어지는 것입니다. 분석 결과가 있어도, 공정 변경으로 안 이어지면 숫자를 만든 의미가 없었습니다. 그래서 Cpk가 1.0 미만이면 공정이 불안정하다고 판단하고, 관리도 상한을 넘는 점이 나오면 즉시 원인 분석으로 넘어가는 흐름을 설계했습니다. 또 단순 평균 합격/불합격이 아니라, 공정 변동을 반영한 규격 상·하한(USL/LSL)을 설계했습니다.
데이터 분석은 판단의 보조 도구이지 결론 자체가 아니었습니다. 한 번은 수치만 만들고 행동을 안 해, 의미 없던 경우를 봤습니다. 그래서 분석을 공정 개선으로 잇는 게 핵심이었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 GS리테일 품질보증 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.