六西格玛为什么叫「六西格玛」？为什么不是5σ或7σ？

刚开始学习六西格玛时，很多人都会有一个很自然的疑问：为什么偏偏叫「六西格玛」？为什么不是五西格玛、七西格玛，甚至十西格玛？

要理解这个问题，先要从「西格玛」本身说起。西格玛通常用希腊字母σ表示，在统计学中代表标准差（Standard Deviation）。标准差反映一组数据围绕平均值的分散程度，也就是过程变异的大小。

因此，所谓「六西格玛」，本质上是在描述：过程平均值与规格界限之间，可以容纳大约六个标准差。

一、西格玛水平越高，代表过程波动相对越小

假设一个零件的尺寸有明确的规格上限USL和规格下限LSL，而生产过程的尺寸会围绕平均值上下波动。

如果过程波动很大，数据分布会比较宽，很多产品就容易靠近甚至超出规格界限。

如果过程波动很小，数据会更集中在平均值附近，超规格的机会也会降低。

所以，当平均值与最近规格界限之间能够容纳的标准差数量越多，通常代表过程相对于规格要求越有能力。

简单来说：

1σ、2σ、3σ、4σ、5σ、6σ……西格玛水平越高，缺陷风险通常越低。

二、为什么6σ会成为一个特别的目标？

从纯统计学角度看，当然没有什么神奇定律规定企业必须以6σ为终点。

7σ比6σ更好，8σ理论上又可以更低缺陷。

问题在于，企业改善从来不是只看统计数字，还要考虑成本、技术难度和实际风险。

如果某个普通行政流程从4σ提升到6σ已经需要投入大量资源，而继续提升到7σ只能减少极少量风险，那么进一步投入未必具有经济意义。

六西格玛之所以逐渐成为一个具有代表性的卓越水平，是因为它提供了一个非常高、同时又具有现实管理意义的质量目标。

所以「六」不是统计学中的绝对极限，而是六西格玛管理发展过程中形成的一个高质量基准。

三、六西格玛到底代表什么？

假设一个过程平均值位于规格中心，而且平均值距离最近的规格界限为6个标准差，那么可以表示为：

规格界限距离 = 6 × σ

例如某汽车车门的目标长度为1.37185米，规格下限LSL为1.37179米，规格上限USL为1.37191米。

平均值与任一规格界限之间的距离为：

1.37191 − 1.37185 = 0.00006米

如果这个距离相当于6σ，那么：

σ = 0.00006 ÷ 6 = 0.00001米

也就是说，过程标准差需要控制在大约0.00001米，平均值与规格界限之间才能容纳六个标准差。

这个例子也说明，六西格玛真正强调的是过程变异相对于客户规格有多小。

四、西格玛水平和DPMO有什么关系？

DPMO是Defects Per Million Opportunities，即每百万次机会中的缺陷数。

六西格玛管理中经常使用下面这组参考关系：

从这个表可以看到，西格玛水平从3σ提升到4σ，或者从4σ提升到5σ，缺陷数量都会显著下降。

这也解释了为什么六西格玛不是单纯追求「合格率高一点」，而是希望过程达到非常低的缺陷水平。

五、为什么6σ是3.4 DPMO？

这里是很多初学者最容易混淆的地方。

如果一个正态分布过程始终完全居中，而且平均值距离两侧规格界限都是6σ，那么理论上的缺陷率其实远低于3.4 DPMO。

六西格玛管理中常说的3.4 DPMO，是加入所谓1.5σ长期偏移（1.5 Sigma Shift）假设后的惯用结果。

这个思想来自六西格玛早期发展中的长期过程表现考虑：一个过程在短期内可能看起来非常稳定，但在长期运行中，受到设备磨损、材料变化、环境、人员和调整等因素影响，过程平均值可能发生漂移。

因此，传统六西格玛体系在长期能力换算时，会加入1.5σ偏移假设。

也就是说：

6σ短期能力 − 1.5σ长期偏移 = 4.5σ长期单侧距离

对应的长期缺陷机会大约就是3.4 DPMO。

所以，「6σ = 3.4 DPMO」不是单纯由完全居中的正态分布直接计算出来的结果，而是六西格玛管理体系中的传统长期能力假设。

六、6σ过程一定比2σ过程的标准差小吗？

要小心这个说法。

西格玛水平并不是单独由标准差大小决定，而是看标准差相对于规格宽度有多大。

例如两个不同产品：

A产品的标准差为0.01 mm，但规格非常窄；B产品标准差为0.05 mm，但规格范围非常宽。

虽然B的绝对标准差更大，它反而可能拥有更高的过程能力。

因此，不应该简单说「6σ过程一定有更小的标准差」。更准确的说法是：

6σ过程的变异，相对于其规格允许范围来说更小。

七、六西格玛水平和Cpk有什么关系？

如果过程稳定，并且使用短期标准差，可以粗略把西格玛水平和过程能力指数联系起来。

Cpk的基本形式是：

Cpk = 最近规格界限与过程平均值的距离 ÷ 3σ

所以如果平均值到最近规格界限正好是6σ：

Cpk = 6σ ÷ 3σ = 2.0

因此，一个完全居中、短期表现达到6σ的过程，对应的Cpk大约为2.0。

但实际应用时仍要注意长期/短期标准差、过程偏移、稳定性以及不同机构的西格玛换算定义，不应该机械地把所有Sigma Level和Cpk直接等同。

八、现实中真的存在六西格玛水平的过程吗？

当然存在，但需要正确理解。

一家企业「采用六西格玛」，不代表公司所有产品、所有工序和所有指标都长期保持在6σ。

不同过程有不同风险和经济要求。

对于一些安全关键、高可靠性的过程，例如航空航天、汽车安全零部件、医疗器械、半导体或制药中的某些关键环节，企业确实可能需要极高的过程能力。

但对于一些低风险的内部行政流程，一味追求6σ可能成本过高。

六西格玛真正的管理思想并不是要求企业把每一件事都做到3.4 DPMO，而是根据客户要求、风险和经济价值，持续减少不必要的变异和缺陷。

九、为什么99%的合格率有时候仍然远远不够？

99%听起来已经非常优秀，但如果过程每天重复数百万次，剩下的1%就会变成一个非常大的数字。

例如一个系统每天处理100万次交易，99%正确仍然意味着：

每天可能发生10,000次错误。

如果这些错误只是网页上的一个无关紧要的小问题，风险可能有限；如果涉及药物剂量、飞机零部件、金融支付或手术程序，1%的错误率就完全无法接受。

所以西格玛水平的价值必须结合过程发生频率与错误后果理解。

十、为什么不是所有过程都应该追求7σ甚至更高？

因为质量改善存在经济边界。

从2σ提升到3σ，可能能够消除大量明显缺陷；从3σ提升到4σ，可能仍然具有巨大的客户和财务价值。

但当过程已经非常成熟时，每进一步压缩一点变异，所需要投入的设备、技术、测量、控制和管理成本都可能越来越高。

因此，企业真正需要寻找的是：

质量风险与改善成本之间的合理平衡。

对于安全关键过程，7σ甚至更高能力可能有价值；对于普通低风险流程，做到稳定满足客户要求可能已经足够。

十一、六西格玛的重点其实不是「六」这个数字

从管理角度来看，「六西格玛」这个名称很容易让人把注意力放到6σ、3.4 DPMO和标准差上。

但真正让六西格玛成为一种管理方法的，是它后来发展出来的一整套问题解决体系。

例如：

• 以客户需求定义CTQ；
• 通过DMAIC改善现有流程；
• 先确认测量系统可靠；
• 利用数据验证根本原因；
• 使用SPC维持过程稳定；
• 通过DOE等方法优化关键参数；
• 用控制计划防止改善成果反弹。

因此，一个企业即使没有任何过程真正达到严格意义上的6σ，也仍然可以运用六西格玛方法进行有效改善。

十二、为什么叫Six Sigma，而不是「零缺陷」？

六西格玛追求极低缺陷，但它并不假设所有现实过程都可以绝对没有任何波动。

统计学的基本思想正好相反：变异永远存在。

即使使用同一台设备、同一批材料、同一个操作员，连续生产出来的100件产品也几乎不可能完全一样。

因此，六西格玛不是幻想完全消灭变异，而是通过测量、理解和控制，让变异小到不会轻易影响客户。

这也是「西格玛」这个名称比简单喊「零缺陷」更能体现它的数据和统计基础的地方。

结语

六西格玛之所以叫「六西格玛」，核心来自统计学中标准差与规格界限之间的关系。

当一个过程的平均值距离最近规格界限能够容纳六个标准差时，它代表过程变异相对于客户允许范围已经非常小。

传统六西格玛进一步加入1.5σ长期偏移假设，因此形成了大家熟悉的6σ约等于3.4 DPMO这一质量水平。

但优思学院认为，学习六西格玛时不要过度执着于「为什么一定是6而不是7」。

更重要的是理解背后的逻辑：

西格玛水平本质上是在衡量过程变异相对于规格要求有多大，而六西格玛管理真正要做的，是利用数据不断减少这种变异，让过程更加稳定、可靠，并更持续地满足客户要求。