去年，老李又被老板骂了。
他那个六西格玛项目，轰轰烈烈启动，悄无声息烂尾。设备还是那个设备，缺陷率还是那个缺陷率，唯一改变的是——多了一柜子没人看的MINITAB报告。
我跟他说：“你们这不叫实施六西格玛，这叫买个黑带证书搞自我感动。”

不是工具，是文化？别逗了。

说实话，市面上90%的培训都跑偏了。他们教你算CPK、画鱼骨图、做假设检验，就好像学会挥舞扳手就能造出航天飞机。
六西格玛真正的瓶颈根本不是工具！
是人的脑子。
——那种根深蒂固的“差不多得了”思维。
我见过一个注塑厂，花大价钱请了咨询公司，DMAIC每一步都做得漂漂亮亮，数据光鲜。可一到改进阶段，产线师傅偷偷调回老参数，因为“新方法太麻烦，影响计件工资”。
黑带气得跳脚，有用吗？
文化不变，流程改进就是纸上谈兵。你得让一线觉得这事儿对他有好处，而不是又多了一堆扯皮的破表。

六西格玛黑带项目实战现场

还有个更离谱的。
某电子厂推六西格玛，强调“数据驱动”。结果数据怎么来的？质检员手填，班组长老花眼对着Excel敲数字——录入错误率比产品缺陷还高。
这就引出一个带血泪的笑话：你的测量系统本身就是3西格玛水平，却妄想分析出6西格玛的结论？
💡基线不稳，全盘皆输。

数据会说谎，统计陷阱

数据会说谎，统计陷阱

统计是六西格玛的基石，但也是最大的坑。
爆个料：很多黑带项目最终失败，是因为从根上就搞错了“显著性”。
p值小于0.05就欢呼雀跃，大于0.05就垂头丧气——这种机械式的判断，简直是把统计学用成了玄学。
我参与过一个汽车零部件项目：改善焊点强度，两组数据t检验p=0.07，按书本该放弃。
可现场工程师坚持说：“你看这分布，明明有偏移！”
后来发现，样本量不够，而且数据非正态。改用Mann-Whitney检验，p=0.008，效果显著。
所以，别盲目信软件输出的星号！你得理解背后的工艺噪声、抽样风险——有时候，一个散点图比一百个p值更有说服力。
❗六西格玛里最危险的，就是那些只会按按钮的“统计文盲”。

问：为什么我们收集的数据总是不显著？明明感觉有改善。
答：十有八九是测量系统太烂。先做个GR&R（量具重复性和再现性研究）吧。如果%GR&R超过30%，你测出来的波动大部分来自测量误差，还谈什么过程改进？另一种可能：样本量太小，功效不足。别指望30个数据就能检验出0.5西格玛的偏移。我一般建议，先估算所需样本量，再动手做假设检验——这能省掉无数无用功。

从3西格玛到6西格玛，那0.00034%的执念

很多老板不理解：99%的合格率还不行吗？非要搞到99.99966%？
来算笔账。
如果一家航空公司，航班安全率是99%（3.8西格玛），意味着每天有近两万次航班中，大概200起事故——你还会坐飞机吗？
99%的药品合格率，代表每开一百瓶药，就有一瓶可能无效甚至有毒。
这就是“3西格玛陷阱”：在小批量、低复杂度产品里也许凑合，一旦量级放大，绝对灾难。
💡六西格玛的本质，不是完美主义，而是经济性——在成本与风险间找到那个百万分之三点四的平衡点。
可现实是，很多工厂连稳定在3西格玛都做不到。
CPK常年0.8，还在那儿喊“我们差不多达标了”。

六西格玛过程能力指数CPK示意图

问：99%和6西格玛，成本差异真那么大吗？值得吗？
答：这要看不良的后果。如果不良只是局部外观瑕疵，返工成本低，也许3西格玛够用。但若涉及安全、可靠性，或者产品是组装到复杂系统中的（比如车载芯片），一个缺陷就可能引起连锁失效。这时候，六西格玛不是成本，是救命。而且，长期看，减少变异就是减少浪费，提升产出效率。很多企业推行六西格玛后，质量成本（COPQ）下降50%以上——这笔隐形利润，财报上可不直接告诉你。

数字化转型下的六西格玛，老树新芽？

数字化转型下的六西格玛，老树新芽？

最近几年，工业4.0、IoT、大数据一顿狂轰滥炸，有人高喊“六西格玛过时了”。
过时个鬼！
它只是换了一套武器。
以前我们掰着指头算流程能力，靠巡检填纸质记录；现在传感器每秒产生上千个数据点，SPC（统计过程控制）图实时刷新，异常刚露头就报警——这简直是为六西格玛量身定做的数据土壤。
比如，某家电企业把六西格玛DMAIC中的“测量”和“分析”阶段与机器学习结合，用聚类算法自动找出多变量交互效应，过去两个月才能完成的DOE（实验设计），现在两周搞定。
不过话说回来，技术再牛，也代替不了人的判断。算法可能把噪声当信号，黑带必须能戳穿数据的幻觉。
我见过一个案例：智能系统提示某参数显著影响良率，工程师连夜调整，结果整批报废——后来查实，传感器本身漂移了。
✅总结不了，但我得说一句：六西格玛活着，而且比以前更野了。

最后讲个真事儿。
上个月去一家德资工厂，他们的六西格玛项目墙上贴着标语：“不要猜测，要测量。”
旁边却挂着另一个手写板：“所有的测量都是近似。”
这两句话之间的张力，就是六西格玛的魂。