很多人提到六西格玛，第一时间想到的仍然是工厂、生产线和质量部门。但亚马逊的发展历史提供了一个很好的例子：六西格玛并不一定只能用于制造产品，它同样可以用来改善物流、库存、订单履行和客户服务等复杂流程。
亚马逊很少在年度报告中把自己描述成一家「六西格玛企业」，因此如果把亚马逊今天所有的成功都归功于六西格玛，显然会过度简化。但从公开资料可以确认，六西格玛和DMAIC确实曾经进入亚马逊早期的运营管理体系，而且与Jeff Wilke在1999年加入公司后的运营改革有密切关系。亚马逊自己的历史资料也显示，Wilke在1999年9月加入公司，负责运营业务，此前曾在AlliedSignal工作。
1999年的亚马逊，面对的是另一种质量问题
今天我们看到亚马逊庞大的物流网络，可能很难想象20多年前它面对的问题。当时亚马逊正在从一家网上书店快速扩展到更多商品类别，订单量、库存数量、配送中心和业务复杂度都在增加。
对于传统制造企业来说，质量问题可能表现为尺寸超差、焊接不良或者设备故障；对于电商企业来说，问题则可能变成另一种形式：库存系统显示有货，实际却找不到商品；订单处理太慢；商品被放错位置；配送中心效率不足；客户因为订单问题不断联系客服。
这些问题看起来不像传统意义上的「产品缺陷」，但从六西格玛角度来看，本质其实很相似：过程存在变异，而这种变异最终影响客户体验和企业成本。
亚马逊在1999年年度报告中已经明确提出「运营卓越」这个概念，并把它解释为两个方向：持续改善客户体验，同时推动生产力、利润率、效率和资产周转。报告还特别指出，更高效的配送可以带来更快的交付，进一步减少客户联系次数和客户服务成本。
这段话其实很能说明亚马逊后来运营管理的基本逻辑。提高效率和改善客户体验并不是两件互相冲突的事情，很多时候它们来自同一个流程改善。
Jeff Wilke把工业管理思维带进电商运营
Jeff Wilke加入亚马逊之前曾在AlliedSignal工作，而AlliedSignal本身就是当时积极采用六西格玛的企业之一。他来到亚马逊以后，把不少来自工业工程、流程管理和六西格玛的方法带进了配送中心。
2000年的一次采访中，Wilke谈到亚马逊运营流程时用了非常典型的六西格玛语言。他认为这些流程是可以被描绘、测量和改善的，并直接提到「Measure、Analyze、Improve、Control」的思路。相比他过去面对化学、物理和电子系统的问题，在亚马逊需要处理的是商品流动和物流过程，而这些过程同样可以通过减少变异来改善。
这个观点很值得注意。
六西格玛之所以能够从工厂进入服务业、物流和金融领域，并不是因为这些行业也突然开始生产零件，而是因为它们同样拥有可以重复的流程。
只要存在流程，就可能存在等待、错误、返工、波动和失误；只要这些结果能够被测量，就有机会利用DMAIC的思路进行改善。
在亚马逊，库存准确率就是一个典型的Y
早期亚马逊有一个非常实际的问题：库存记录准确性。
对于电商来说，系统显示「有货」还不够，仓库必须真的知道商品在哪里。如果系统认为某本书位于某个货架，员工走过去却找不到，这个小问题会马上产生一连串后果：拣货时间增加、订单延误、客户等待时间变长，甚至可能需要取消订单。
所以库存准确率虽然只是一个运营指标，背后实际上同时影响效率、成本和客户体验。
公开资料显示，Wilke的团队把Inventory Record Accuracy，也就是库存记录准确率，作为一个重要的输入指标，通过持续审核和管理提高仓库对商品位置的掌握程度。亚马逊早期管理团队后来也把库存准确率改善视为运营团队利用六西格玛方法取得成果的一个典型例子。
这也体现了六西格玛中非常重要的一种思维方式：不要只盯着最终结果，而要找到真正影响结果的关键输入。
如果客户投诉增加，直接要求客服「提高服务水平」未必有用。如果投诉的真正原因是仓库找不到商品，那么应该改善的X可能是库存准确率，而不是客服人员。
DMAIC如何应用在配送中心？
2002年的报道提到，Wilke曾要求亚马逊大型配送中心的员工使用六西格玛DMAIC评审寻找流程中的低效率。
如果把这种做法放回物流场景，其实很好理解。
Define阶段可能先明确问题，例如某配送中心订单平均处理时间过长；Measure阶段则收集拣货时间、库存准确率、行走距离、订单错误等数据；Analyze阶段寻找真正造成延误的因素；Improve阶段重新设计流程、库存位置或工作方法；Control阶段再通过指标持续监控，防止过程回到原来的水平。
这里并不一定需要非常复杂的统计模型。Wilke自己当时也提到，物流问题虽然复杂，但并不需要像某些化学或工程过程那样高的数学严谨程度，一些基本工具已经能够帮助团队减少变异，并建立大家都能理解的流程。
这其实也是很多企业学习六西格玛时容易忽略的一点。六西格玛不是统计工具用得越复杂越好。真正的标准应该是：这个工具有没有帮助我们更清楚地理解问题，并作出更好的决定。
亚马逊甚至设置了黑带和绿带角色
六西格玛在亚马逊早期运营体系中的影响，并不只是偶尔使用DMAIC。
2002年的公开报道指出，Wilke是六西格玛的积极使用者，并在仓储运营中设置过Black Belt和Green Belt角色，用来表彰和培养具有较强问题解决能力的员工。同时，他还建立了数学分析团队，处理库存应该如何分布在不同仓库等问题。
这说明亚马逊当时并不是把六西格玛理解成质量部门的一套工具，而是把数据分析和问题解决能力放进运营管理体系。
从企业角度看，这一点甚至可能比DMAIC本身更重要。因为真正能够长期产生改善的，并不是某一张鱼骨图或某一次统计检验，而是一群遇到问题以后知道怎样定义、测量、分析和验证的人。
改善最终必须反映在成本上
质量改善如果只停留在统计图表里，很难获得管理层长期支持。亚马逊早期的运营改善之所以值得研究，是因为这些改善最终和履约成本联系在了一起。
2002年的报道指出，亚马逊的履约成本占收入比例从2000年的15%下降到之后的12%，而当时最近一个季度进一步下降到10.6%。报道将Wilke推动的运营改革视为这一改善的一部分。
当然，我们不能因此简单计算出「六西格玛为亚马逊节省了多少亿美元」。一个企业的成本变化同时受到订单规模、自动化、网络布局、技术、采购能力和很多其他因素影响。
但这个案例至少说明了六西格玛一个非常重要的原则：改善项目最好最终能够连接到业务结果。
减少一次库存错误，看起来只是质量改善；但如果每天减少数以万计的错误，就可能进一步减少重新拣货、客户联系、退款、延误和额外物流工作。这时候质量、效率和成本其实已经连在一起。
亚马逊真正值得学习的是「输入指标」思维
如果只把亚马逊的六西格玛经验理解成「用了DMAIC，所以成功」，其实还是太表面。
更值得学习的是它后来逐渐形成的一种管理习惯：管理那些真正能够影响结果的输入指标。
营收、利润、订单数量这些都是重要结果，但它们通常已经是事情发生之后才看到的输出。管理者很难直接命令「下个月利润提高10%」，却可以改善库存准确率、订单处理速度、价格竞争力、网站性能和客户服务质量。
这些输入变化以后，最终才有可能推动业务结果变化。
亚马逊早期运营经验的相关回顾也指出，他们逐渐把复杂的零售系统拆解成一系列可以定义和测量的输入，例如库存水平、客户服务、支付处理、软件处理速度、订单履行和配送等，再通过这些输入理解整个系统的表现。
这和六西格玛经常使用的一个基本思想非常接近：
Y = f(X)
也就是结果Y受到一系列输入X影响。如果只管理Y，不了解真正影响它的X，很多改善最终只能停留在要求员工「做得更好」。
亚马逊是不是靠六西格玛成功的？
这里需要特别谨慎。
亚马逊的成功当然不能简单归功于六西格玛。它的发展还涉及电子商务模式、技术平台、长期投资、物流网络、AWS、Marketplace、Prime以及很多战略决策。
同样，我们也没有足够公开证据证明今天亚马逊每一个部门都继续按照传统六西格玛体系运作。
所以更准确的说法应该是：六西格玛曾经是亚马逊早期建立运营纪律和改善配送体系的重要方法之一，它的一些核心思想后来与亚马逊强调数据、指标、流程和持续改善的管理方式产生了很强的延续性。
这比简单说「亚马逊因为六西格玛而成功」更接近事实。
为什么服务业同样适合六西格玛？
亚马逊这个案例也很好地回答了另一个常见问题：六西格玛是不是只有制造业才能使用？
答案显然不是。
制造过程生产的是零件，物流过程处理的是订单，银行处理的是交易，医院处理的是患者流程，客服中心处理的是客户请求。虽然产出不同，但它们都可能面对相似的问题：处理时间不稳定、错误率太高、等待过长、重复工作太多，以及客户体验不一致。
六西格玛关注的核心并不是「工厂」，而是过程和变异。
只要一个过程能够重复发生，我们就可以测量它的表现；只要能够测量，就可以研究哪些因素正在影响结果。
企业可以从亚马逊案例学到什么？
优思学院认为，亚马逊早期的六西格玛实践最值得企业学习的，并不是去复制它的黑带制度，而是改变看问题的方法。
当客户投诉增加时，不要马上认为这是客服的问题；当交付变慢时，也不要直接认为仓库员工效率下降。先把整个过程展开，找到真正影响结果的输入因素，再利用数据确认问题发生在哪里。
同样，企业也不需要为了推行六西格玛而把每个问题都做成庞大的统计项目。有些问题用流程图、Pareto图和简单数据分析已经能够解决；真正复杂的问题才需要进一步使用假设检验、回归分析、DOE等方法。
方法应该服从问题，而不是让问题迁就工具。
结语
亚马逊的案例说明，六西格玛并没有被限制在生产线上。20多年前，当Amazon开始面对越来越复杂的库存、配送和订单履行问题时，Jeff Wilke和运营团队已经把DMAIC、减少变异和数据驱动的问题解决方法应用到这些流程中。
这些方法帮助团队把模糊的「运营效率不好」转化成可以测量的问题，例如库存准确率、履约成本和过程效率，再针对这些指标寻找真正的改善机会。
优思学院认为，这也是六西格玛直到今天仍然具有价值的原因。它不是保证一家企业成功的公式，也不是只有大型制造企业才能使用的工具。它真正提供的是一种比较朴素但非常重要的管理逻辑：把过程看清楚，把数据测出来，找到真正影响结果的因素，再用证据证明改善是否有效。
