精益和六西格玛经常被放在一起讨论，以至于很多人会把它们看成同一种方法。实际上，两者解决问题的出发点并不完全相同。
如果用最简单的方式区分，可以这样理解：
精益（Lean）：消除浪费，改善流动。
六西格玛（Six Sigma）：减少变异，降低缺陷。
一个流程可能速度很慢，却非常稳定；也可能速度很快，却不断产生质量波动。因此，企业面对问题时，与其争论「精益和六西格玛哪个更好」，更实际的问题应该是：现在面对的究竟是什么问题，应该使用哪一种方法和工具？
精益和六西格玛来自不同的发展路径
精益管理的思想来源可以追溯到丰田生产方式（Toyota Production System，TPS），其发展又受到更早期流水生产、质量管理和工业工程思想的影响。
20世纪80年代，麻省理工学院国际汽车项目对全球汽车产业展开研究。詹姆斯·沃马克（James P. Womack）、丹尼尔·T·琼斯（Daniel T. Jones）和丹尼尔·鲁斯（Daniel Roos）后来在《改变世界的机器》（The Machine That Changed the World）中系统介绍这种与传统大规模生产不同的生产体系，「Lean Production」也因此广为人知。
精益关注的是价值怎样在整个流程中流动。等待、库存、搬运、重复加工、过量生产等不能为客户创造价值的活动，都成为改善对象。
六西格玛则在20世纪80年代的摩托罗拉发展起来。它更加关注过程变异、缺陷以及数据分析。
当产品尺寸不断波动、不同班次表现差异明显、良率不稳定或过程能力不足时，只知道「存在问题」并不足够。企业还需要利用数据判断变异有多大、来自哪里，以及哪些因素真正影响结果。
后来，AlliedSignal、通用电气等大型企业进一步推广六西格玛，使DMAIC、绿带、黑带等概念逐渐成为流程改善领域的重要组成部分。
精益关注「流程里有什么不必要的东西」
假设一家工厂生产某种机械组件，客户要求每天交付500件，但实际经常无法按时完成。
走进现场以后可能发现，产品在不同工位之间不断搬运；半成品堆积在设备旁；操作人员经常等待物料；换型需要很长时间；某些工序生产速度远高于后工序，造成大量在制品。
这些问题不一定需要复杂统计分析才能发现。
通过现场观察、价值流图、意大利面图、节拍时间、周期时间、标准化作业、5S、看板、快速换模等方法，已经可以识别大量改善机会。
这就是典型的精益思维。
它关注的是：
客户真正需要什么？哪些活动创造价值？产品和信息为什么不能顺畅流动？流程中的浪费在哪里？
六西格玛关注「为什么结果不断发生变化」
换一个问题。
同样的设备、同样的材料和同样的产品，昨天不良率是0.8%，今天突然变成3.5%；白班生产稳定，夜班尺寸却明显偏高；某项关键尺寸虽然平均值符合要求，但波动很大，经常出现超出规格的产品。
这类问题的重点已经不是单纯寻找浪费，而是理解变异（Variation）。
六西格玛通常会进一步追问：
测量数据可靠吗？过程稳定吗？过程能力是多少？不同设备之间有没有显著差异？温度是否影响尺寸？刀具寿命与不良率有没有关系？哪些X真正影响关键输出Y？
这时就可能使用MSA、SPC、过程能力分析、假设检验、ANOVA、回归分析以及实验设计（DOE）等工具。
所以六西格玛的优势之一，就是把「我觉得这个可能是原因」转化为可以利用数据验证的假设。
精益不等于「不用数据」，六西格玛也不等于「只有统计」
这是理解两者时很重要的一点。
精益同样使用数据。
计算节拍时间需要数据，分析周期时间需要数据，价值流图需要库存、等待和加工时间数据，生产线平衡也需要量化不同工序的工作负荷。
区别在于，很多精益问题使用现场观察和相对基础的计算已经能够找到改善方向，并不一定需要进行复杂统计推断。
六西格玛也不只是统计分析。
一个完整的DMAIC项目还涉及VOC、CTQ、项目章程、流程分析、根因分析、改善方案、风险控制、项目管理和跨部门协调。
统计工具只是六西格玛体系的重要组成部分，而不是全部。
为什么精益和六西格玛后来会结合起来？
原因其实很实际：企业的问题不会按照管理学教材分类。
客户可能同时抱怨交货太慢和产品质量不稳定。
一个生产流程也可能同时存在大量等待、库存、返工、设备停机和尺寸波动。
如果坚持「这是精益问题，所以只能使用精益工具」，或者「我们是六西格玛团队，所以所有问题都必须做统计分析」，改善方法本身反而成为限制。
精益六西格玛（Lean Six Sigma）的价值，就在于把两种思维放到同一个改善框架中，根据问题选择适当工具。
需要改善流动，就使用精益；需要理解变异，就使用六西格玛；两种问题同时存在，就结合使用。
一个制造案例：同一条生产线可以同时需要Lean和Six Sigma
假设一家工厂生产某种机械组件。三个成型零件需要焊接到一个经过加工的铸件上。客户最近不断投诉两个问题：交货速度太慢，而且产品质量不够稳定。
改善团队进入现场以后，没有马上进行复杂的数据分析，而是先观察产品实际怎样流动。
他们绘制意大利面图，记录零件在车间中的移动路线，再测量各工序的周期时间、等待时间、在制品数量以及换型时间。
结果发现产品在几个工作区域之间来回搬运，部分工序前堆积大量库存，而且某个工序的周期时间长期超过客户需求所对应的节拍时间。
这些问题主要属于流动和浪费。
团队于是重新设计工位布局、减少搬运、调整作业组合，并改善换型方式。
这是非常典型的精益改善。
流程加快以后，新的问题出现了
改善布局以后，平均周期时间明显下降，但团队发现另一个现象：虽然平均速度够快，每批产品实际需要的时间却非常不稳定。
有时候一分钟完成，有时候需要一分半钟，偶尔甚至超过两分钟。
如果只看平均值，流程似乎已经达到要求；但从客户交付角度看，这种不稳定仍然会造成排程困难。
这时团队开始分析周期时间的分布、标准差以及不同班次、设备和人员之间的差异，并利用统计方法判断某些因素是否真正影响周期时间。
这就是精益和六西格玛开始交叉的地方。
精益发现了流程问题，六西格玛进一步帮助团队理解为什么流程表现不稳定。
遇到关键尺寸问题，就更需要六西格玛工具
项目继续进行以后，团队又发现铸件的一个关键加工表面平面度经常出现超差。
这个问题与等待和搬运已经没有太直接的关系。
团队需要回答的是：
过程能力到底够不够？过程有没有特殊原因变异？哪些加工参数真正影响平面度？不同刀具、夹具、设备或材料之间有没有显著差异？
这时可以建立控制图监测过程稳定性，进行Cp、Cpk等过程能力分析，再利用回归、假设检验或DOE研究不同因素对结果的影响。
如果发现切削速度、进给量和夹紧压力之间存在交互作用，就可以进一步通过实验寻找更合适的参数组合。
这就是典型的六西格玛分析。
所以到底什么时候用精益，什么时候用六西格玛？
可以用一个非常简单的判断方法。
如果现场的问题主要是：
- 等待时间过长；
- 库存太多；
- 人员和物料搬运距离过长；
- 流程步骤复杂；
- 换型时间太长；
- 生产节奏不平衡；
- 大量工作没有为客户创造价值；
可以优先从精益角度分析。
如果问题主要是：
- 不良率波动；
- 尺寸不稳定；
- 过程能力不足；
- 不同设备或班次表现存在差异；
- 不知道哪些因素真正影响结果；
- 需要验证因果关系；
- 需要寻找最佳工艺参数；
则更适合引入六西格玛的数据分析方法。
如果两个问题同时存在，就没有必要硬选其中一个。
精益六西格玛真正重要的是「问题导向」
企业实施持续改善时，很容易出现一种工具导向的思维。
学过5S的人看到任何问题都想做5S；学过价值流图的人什么项目都想画VSM；掌握Minitab以后，又可能任何问题都想进行假设检验。
这其实把顺序倒过来了。
真正合理的顺序应该是：
先理解问题 → 判断变异和浪费来自哪里 → 再选择工具。
简单的问题，没有必要为了显示专业而使用复杂统计方法；复杂的变异问题，也不能只靠现场经验和头脑风暴解决。
绿带、黑带和精益管理专业人员的能力也会出现交叉
从人才能力角度来看，精益和六西格玛之间同样不存在绝对边界。
精益管理专业人员需要理解价值、流动、浪费、标准化作业、看板、拉动生产、快速换模和持续改善等方法。
六西格玛绿带则进一步掌握DMAIC、流程分析、基本统计、MSA、SPC、过程能力和常用分析工具。
到了黑带层面，通常需要处理更复杂的数据分析、假设检验、回归、ANOVA、DOE以及跨部门改善项目。
实际工作中，一个成熟的改善人员不会因为自己的认证名称而限制工具选择。面对库存问题，他可以使用精益；面对Cpk不足，他可以使用六西格玛；如果项目既有交期问题又有质量波动，就同时使用两者。
精益六西格玛也不只是把工具放在一起
把5S、VSM、SPC、DOE全部学会，并不自动代表掌握了精益六西格玛。
两种方法背后还有一些共同的管理基础，例如尊重员工、以客户价值为导向、到现场了解事实、基于事实做决策、跨部门合作以及持续改善。
如果企业只是要求员工完成大量改善项目，却没有给团队解决问题的权限；或者只要求降低成本，却忽略客户价值和员工参与，那么即使使用很多Lean和Six Sigma工具，也很难形成真正的持续改善文化。
精益和六西格玛谁更好？这个问题本身就问错了
精益和六西格玛曾经经常被当成两套互相竞争的方法。实际上，从企业解决问题的角度看，这种争论没有太大意义。
一条生产线不会因为企业「推行精益」就停止出现质量变异，也不会因为企业「推行六西格玛」就自动消除等待、库存和搬运。
真正需要解决的是业务问题。
优思学院认为，理解精益和六西格玛最实用的方法，可以浓缩成两个问题：
流程中有没有浪费？——用精益的眼光看。
流程为什么发生变异？——用六西格玛的眼光看。
当这两个问题同时存在，就把两套方法结合起来。
所以，精益六西格玛真正成熟的思维，并不是拥有越来越多工具，而是面对问题时能够判断：现在究竟需要改善流动、减少浪费，还是需要利用数据找出变异来源；如果两者都需要，就让最适合的工具一起发挥作用。
