六西格玛项目不是把统计工具逐一套进流程，也不是完成一份内容丰富的项目报告。DMAIC真正的价值，在于围绕一个明确的业务问题，通过数据逐步缩小调查范围，找出影响结果的关键原因，制定有效方案，并将改善成果固化到日常管理之中。
DMAIC分别代表定义（Define）、测量（Measure）、分析（Analyze）、改善（Improve）和控制（Control）。五个阶段环环相扣：
- 定义阶段回答「为什么要做」；
- 测量阶段回答「目前表现如何」；
- 分析阶段回答「问题为什么发生」；
- 改善阶段回答「怎样解决最有效」；
- 控制阶段回答「如何防止问题再次出现」。
优思学院认为，一个完整的六西格玛项目，应当在每个阶段都形成清晰、可审核、可交接的阶段产出，而不是等到项目结束时才整理资料。下面将从实施内容、常用工具和关键产出三个角度，详细说明DMAIC各阶段的工作重点。
一、Define：定义阶段
定义阶段的重点，是把一个宽泛的经营问题转化为清晰、可测量、值得投入资源的六西格玛项目。
如果项目问题没有定义清楚，后续收集的数据再多、统计分析再复杂，也可能偏离真正需要解决的方向。
1. 说明项目背景
项目首先要回答：为什么现在需要开展这项改善？
项目背景可以从以下几个方面展开：
- 当前企业或部门面临什么经营压力？
- 项目与企业战略、年度目标或部门指标有什么关系？
- 问题会影响成本、交付、质量、效率还是客户满意度？
- 如果不处理，可能造成什么后果？
- 与其他问题相比，这个项目为什么更值得优先投入资源？
例如，某产品近期客户投诉率上升。如果只是写成「客户投诉较多」，就很难说明项目价值。更清楚的表达应该包括投诉数量、变化趋势、涉及产品、主要缺陷类型以及造成的损失。
项目背景不是企业介绍，也不是口号，而是项目与业务目标之间的连接。
2. 撰写问题陈述
问题陈述需要客观描述现状，但不要过早写入原因或解决方案。
一份清晰的问题陈述通常需要回答：
- 什么问题发生了？
- 问题发生在哪里？
- 从什么时候开始出现？
- 发生频率和严重程度如何？
- 对客户或企业造成了什么影响？
- 当前表现与要求之间存在多大差距？
例如：
「2026年1月至3月，A生产线X产品的焊接不良率由平均1.8%上升至4.6%，高于内部目标2.0%，造成返工工时和报废成本增加，并影响部分订单交付。」
这样的陈述包含时间、地点、对象、指标和影响，能够让项目团队对问题形成一致理解。
问题现状可以通过帕累托图、趋势图、直方图、柱状图或过程图展示，使问题的规模和分布更加直观。
3. 确定项目范围
项目范围决定团队研究什么，也决定哪些内容暂时不纳入项目。
范围过大，团队可能无法在合理时间内完成；范围过小，改善后又可能无法产生明显的业务效果。
项目范围需要明确：
- 涉及哪些产品或服务？
- 涉及哪一条生产线、部门或区域？
- 过程从哪里开始，到哪里结束？
- 包括哪些流程步骤？
- 哪些内容明确不在本次项目范围内？
团队可以使用SIPOC图，从供应商、输入、过程、输出和客户五个方面建立高层次的过程认知。
SIPOC尤其适合在项目早期使用，因为这时团队还不需要画出非常详细的过程图，而是先统一对项目边界的理解。
4. 识别客户需求和CTQ
六西格玛项目不能只从企业内部角度定义质量，还要理解客户真正关注的要求。
常用方法包括：
- VOC：客户之声；
- 问卷调查；
- 客户投诉分析；
- 访谈；
- 售后记录；
- 市场反馈；
- 质量功能展开；
- CTQ树。
客户的表达通常比较模糊，例如「交货要快」「产品要耐用」「服务要稳定」。项目团队需要把这些语言转换成能够测量的关键质量特性，也就是CTQ。
例如：
「交货要快」可以转换为「承诺日期内交付率」；
「尺寸要稳定」可以转换为「关键尺寸的标准差和过程能力指数」；
「回复要及时」可以转换为「客户咨询后两小时内首次回复的比例」。
CTQ转换得越准确，后面的数据收集和分析越有方向。
5. 定义项目指标和缺陷
项目必须明确研究的主要输出指标Y。
团队需要统一以下定义：
- Y具体代表什么？
- 使用什么单位？
- 数据从哪里取得？
- 如何计算？
- 客户规格或内部标准是什么？
- 什么情况属于合格？
- 什么情况属于缺陷？
- 是否存在不同的缺陷等级？
如果缺陷定义含糊，不同人员可能采用不同判断标准，最终使数据失去可比性。
例如，「表面刮伤」需要进一步定义刮伤长度、宽度、深度、位置和允许数量，不能只依靠检验员的主观判断。
6. 建立现状基线和项目目标
定义阶段通常需要使用已有数据，初步说明当前表现。正式、深入的基线评估则会在测量阶段完成。
项目目标应符合SMART原则：
- 具体；
- 可测量；
- 可实现；
- 与业务有关；
- 有明确完成时间。
例如：
「在2026年12月前，将A生产线X产品的焊接不良率由4.6%降低至2.0%以下，同时不得增加产品的单位生产成本。」
目标不宜只写成「提升质量」或「减少不良」。没有指标、目标值和完成期限，项目结束时便难以判断是否成功。
基准比较、历史最佳表现、同行水平、理论极限和客户要求，都可以作为设定目标的参考。不过，目标应兼顾挑战性和现实条件，不能简单地把「零缺陷」写成所有项目的必然目标。
7. 预估财务收益
项目收益通常可以分成几类：
- 硬性收益，例如报废减少、材料节约、加班费降低；
- 软性收益，例如释放产能、缩短周期、减少等待；
- 风险规避，例如降低客户流失、召回或索赔风险；
- 无形收益，例如提升客户满意度和员工改善能力。
财务收益需要尽量与财务部门确认，明确计算范围、数据来源和计算方法。
定义阶段得到的通常是预估收益。项目完成后，还要根据实际改善结果重新核算，不能把预估金额直接当成项目最终收益。
8. 建立项目组织
典型的六西格玛项目可能包括：
- 倡导者Champion；
- 流程负责人；
- 黑带大师；
- 黑带或绿带项目负责人；
- 财务代表；
- 项目成员；
- 相关部门专家。
团队需要明确每个角色的责任、决策权限、资源投入和沟通方式。
随着项目推进，成员可以适当调整。例如，测量阶段可能需要质量和数据人员参与；改善阶段可能需要设备、工艺、采购或供应商加入。
9. 制定项目计划
项目计划需要列出：
- DMAIC各阶段的预计完成时间；
- 阶段评审时间；
- 主要分析任务；
- 数据收集计划；
- 资源需求；
- 责任人；
- 潜在风险。
常用工具包括甘特图、里程碑计划和阶段评审表。
定义阶段的主要产出
- 项目章程；
- 问题陈述；
- 项目目标；
- 项目范围；
- SIPOC；
- VOC和CTQ；
- 缺陷及指标操作定义；
- 项目团队及职责；
- 初步财务收益；
- 项目进度计划。
二、Measure：测量阶段
测量阶段的任务，是确认数据值得信任，并以可靠数据建立过程现状。
许多项目一开始就急着分析原因，却没有检查测量系统。如果数据本身不准确，后续的假设检验、回归分析和DOE都可能产生误导。
1. 制定数据收集计划
在收集数据前，需要明确：
- 测量什么指标？
- 数据类型是什么？
- 在什么位置收集？
- 由谁负责测量？
- 使用什么仪器或判断标准？
- 抽样频率是多少？
- 每次抽取多少样本？
- 是否需要区分机器、班次、人员、材料或供应商？
- 数据如何记录和保存？
数据收集计划的目的，是确保取得的数据能够支持后续分析，而不是收集大量缺少背景信息的数字。
例如，只记录产品尺寸，却没有记录生产时间、设备、模具、操作员和材料批次，后面便很难寻找变异来源。
2. 对输出Y进行测量系统分析
测量系统分析用于判断观察到的差异，有多少来自产品或过程本身，又有多少来自测量系统。
对于计量型数据，可以使用量具重复性与再现性分析，也就是Gage R&R。
常见评价指标包括：
- %Study Variation；
- %Contribution；
- Number of Distinct Categories；
- P/T；
- P/TV；
- 重复性；
- 再现性。
重复性反映同一测量人员使用同一设备重复测量时的差异；再现性反映不同测量人员或不同测量条件之间的差异。
对于计数型或属性数据，可以进行属性一致性分析，评价：
- 同一检验员多次判断的一致性；
- 不同检验员之间的一致性；
- 检验结果与标准答案的一致性；
- 漏判率；
-误判率。
如果测量系统不能接受，应先改善测量方法、检具、环境、操作培训或判定标准，再进行后续数据分析。
3. 验证过程稳定性
计算Cpk之前，应先判断过程是否处于统计稳定状态。
控制图用于区分：
- 普通原因变异；
- 特殊原因变异。
如果过程存在特殊原因，当前数据可能混合了多个不同状态。此时直接计算一个Cpk数值，往往不能准确说明过程未来的表现。
常见控制图包括：
- X̄-R控制图；
- X̄-S控制图；
- I-MR控制图；
- p控制图；
- np控制图；
- c控制图；
- u控制图。
控制图的选择取决于数据类型、子组结构和抽样方式。
4. 分析Y的过程能力
过程稳定后，可以根据指标类型、数据分布和规格要求选择合适的能力分析方法。
计量型数据常见指标包括：
- Cp；
- Cpk；
- Pp；
- Ppk。
Cp和Pp主要反映过程变异与规格宽度之间的关系；Cpk和Ppk还会考虑过程中心是否偏离规格中心。
团队还需要检查：
- 数据是否近似正态分布；
- 是否需要进行数据转换；
- 是否适合使用非正态能力分析；
- 规格来自客户还是内部要求；
- 数据是否具有合理的分组结构；
- 短期能力与长期绩效是否被混淆。
计数型数据则可以使用不良率、缺陷率、DPU、DPO、DPMO或西格玛水平描述现状。
5. 绘制详细流程图
定义阶段的SIPOC属于高层次流程图。到了测量阶段，团队需要进一步观察现场，绘制更详细的实际流程。
可以采用：
- 流程图；
- 泳道图；
- 价值流程图；
- 微观流程图；
- 时间价值分析；
- Spaghetti Diagram。
关键是绘制「实际如何运行」的流程，而不是文件规定的理想流程。
通过现场观察，团队可能发现返工、等待、重复审批、信息中断、搬运和库存等问题，这些现象会成为后续分析的线索。
6. 初步识别潜在原因X
团队可以通过流程观察、头脑风暴、鱼骨图和5Why，建立潜在输入变量X清单。
鱼骨图常见分类包括：
- 人员；
- 机器；
- 材料；
- 方法；
- 测量；
- 环境。
这一步的目标是广泛识别可能原因，而不是仅凭经验确定根本原因。鱼骨图上的内容仍然属于假设，需要通过数据进一步验证。
7. 运用因果矩阵筛选输入变量
当潜在原因较多时，可以使用因果矩阵评估各输入X与输出Y之间的关系。
基本步骤包括：
- 列出关键输出Y；
- 为不同Y分配重要度；
- 列出可能影响输出的输入X；
- 评价每个X与每个Y之间的关联程度；
- 计算各输入变量的加权得分；
- 按得分排序，选出优先调查的X。
常用关联分值为0、1、3、9，其中9代表强关联，0代表没有明显关联。
因果矩阵适合帮助团队确定调查顺序，但矩阵得分主要来自专业判断，不能直接证明某个X就是根本原因。
8. 进行过程FMEA
过程FMEA用于识别过程中的潜在失效模式、后果、原因和现有控制。
传统FMEA经常使用以下三个维度：
- 严重度S；
- 发生频度O；
- 探测度D。
传统风险顺序数的计算方式为：
[
RPN=S\times O\times D
]
不过，团队不能只按照RPN机械排序。两个完全不同的风险组合可能得到相同的RPN，而高严重度风险即使发生频度较低，也可能需要优先处理。
如果企业采用AIAG与VDA FMEA方法，还可以结合行动优先级AP判断改善优先次序。
FMEA可以帮助团队进一步筛选关键过程步骤和潜在输入X，并检查现有预防及探测控制是否有效。
9. 形成测量阶段结论
测量阶段结束时，团队需要清楚回答：
- 测量系统是否可靠？
- 过程是否稳定？
- 当前过程能力如何？
- 问题主要发生在哪里？
- 问题集中在哪些产品、设备、时段或条件？
- 哪些潜在X需要进入分析阶段验证？
- 是否存在可以立即处理的明显问题？
测量阶段的主要产出
- 数据收集计划；
- 指标及缺陷操作定义；
- Y的测量系统分析；
- 详细流程图；
- 过程稳定性分析；
- 过程能力基线；
- 鱼骨图；
- 因果矩阵；
- FMEA；
- 潜在关键X清单；
- 测量阶段总结。
三、Analyze：分析阶段
分析阶段的核心，不是列出更多可能原因，而是利用事实和数据，从众多潜在X中找出真正影响Y的关键因素。
鱼骨图、经验判断和会议讨论只能产生原因假设。只有经过适当验证，才能把「可能原因」升级为「已确认的关键原因」。
1. 深入分析流程
团队可以把宏观流程继续拆解为微观流程，识别每个关键步骤的：
- KPIV：关键过程输入变量；
- KPOV：关键过程输出变量；
- 标准工时；
- 等待时间；
- 搬运距离；
- 返工路径；
- 决策点；
- 信息传递方式。
各步骤还可以区分为：
- 客户愿意为其付费的增值活动；
- 目前必要但不直接增值的活动；
- 可以消除或减少的浪费活动。
某些非增值步骤可能受法规、技术或现有系统限制，短期内无法完全取消，但仍可研究缩短时间、减少次数或降低复杂程度。
2. 验证关键X的数据质量
如果分析阶段需要收集关键X的数据，同样要确认这些数据是否可靠。
例如，项目怀疑温度影响产品强度，但温度传感器本身误差很大，那么后面的相关分析很可能得出错误结论。
团队可根据X的数据类型开展：
- 计量型测量系统分析；
- 属性一致性分析；
- 校准与偏倚研究；
- 线性研究；
- 稳定性研究。
对于能够单独控制或设定的关键X，也可以检查其稳定性和过程能力。
3. 使用描述统计寻找规律
描述统计可以帮助团队快速理解数据的中心、离散和分布特征。
常用工具包括：
- 均值、中位数和众数；
- 极差、方差和标准差；
- 四分位数；
- 直方图；
- 箱线图；
- 帕累托图；
- 散点图；
- 多变量图；
- 分层图；
- 时间序列图。
分层分析尤其重要。总体数据看起来可能没有明显问题，但按设备、班次、人员、供应商、材料批次或产品型号拆分后，差异可能立即出现。
不过，图形上的差异仍需结合统计方法和过程知识判断，不能只凭视觉印象确定原因。
4. 运用假设检验验证原因
假设检验用于判断观察到的差异，究竟来自真实影响，还是可能由随机抽样误差造成。
基本步骤包括：
- 建立零假设和备择假设；
- 选择显著性水平；
- 根据数据类型和研究目的选择检验方法；
- 检查检验前提；
- 计算统计量和P值；
- 结合实际差异作出业务判断。
常见方法包括：
- 单样本t检验；
- 双样本t检验；
- 配对t检验；
- 方差检验；
- 比例检验；
- 卡方检验；
- 非参数检验。
P值较小，只代表数据对零假设提供了较强的反对证据，并不自动说明差异具有实际业务价值。团队还应结合效应量、置信区间、样本量和改善成本作出判断。
5. 相关与回归分析
相关分析用于研究变量之间的关联程度，回归分析则用于建立输入X与输出Y之间的数学关系。
团队需要注意：
- 相关不等于因果；
- 异常值可能严重影响结果；
- 关系未必是线性的；
- 多个X之间可能存在共线性；
- 残差是否满足模型假设；
- 模型是否具备过程上的合理解释。
回归模型可以帮助团队预测Y，也可以量化不同X对Y的影响。不过，模型必须经过验证，不能只因为(R^2)较高就认为模型一定可靠。
6. 使用方差分析比较多组差异
当需要比较三个或以上组别的均值时，可以使用方差分析。
例如，研究：
- 不同供应商的材料强度是否有差异；
- 不同机器的产品尺寸是否不同；
- 不同工艺参数水平是否影响良率；
- 不同班次的生产周期是否存在差别。
如果方差分析结果显示存在显著差异，还要进一步进行多重比较，确认具体哪些组之间存在差异。
7. 确认根本原因
一个关键X要被认定为根本原因，最好具备以下证据：
- 有合理的过程或工程机制；
- 数据显示X与Y之间存在关系；
- 统计分析支持该关系；
- 时间顺序合理；
- 改变X后，Y会出现可重复的变化；
- 现场验证与分析结论一致。
分析阶段结束时，团队应将关键X从「怀疑」推进到「验证」。如果现有观察数据不足以判断因果关系，可以在改善阶段通过DOE进一步确认。
分析阶段的主要产出
- 详细流程分析；
- 关键X的测量系统验证；
- 分层和描述统计分析；
- 假设检验结果；
- 相关与回归模型；
- 方差分析结果；
- 已验证的关键X；
- 根本原因证据；
- 改善机会清单；
- 是否需要DOE的判断；
- 分析阶段总结。
四、Improve：改善阶段
改善阶段需要针对已确认的关键X设计解决方案，并通过试验或试运行证明方案确实能够改善Y。
项目团队不应因为某项方案听起来合理，就直接全面推广。有效的改善必须经过验证，同时还要考虑成本、风险、实施难度和长期维护能力。
1. 提出改善方案
团队可以使用以下方法产生方案：
- 头脑风暴；
- 标杆比较；
- TRIZ；
- ECRS；
- 防错设计；
- 5S；
- 快速换模；
- 标准作业；
- 自动化；
- 流程简化；
- 目视管理。
方案需要直接对应已经验证的根本原因。若原因是测量标准不一致，改善重点应放在标准、培训和判定方式；若原因是设备参数波动，改善重点则可能是参数控制、设备维护或闭环调节。
2. 评价和选择方案
当存在多个备选方案时，可以使用方案选择矩阵，从以下维度比较：
- 改善效果；
- 实施成本；
- 技术难度；
- 完成时间；
- 对客户的影响；
- 潜在风险；
- 所需资源；
- 可持续性；
- 员工接受程度。
选择方案时不能只追求短期效果，还要考虑方案是否容易执行、是否可能产生新的质量或安全风险。
团队可以通过改善版FMEA，预先分析方案实施后的潜在风险。
3. 进行DOE试验设计
当多个输入X可能共同影响Y，或者输入之间可能存在交互作用时，DOE是一项非常有效的分析与优化工具。
DOE常见步骤包括：
- 明确试验目的和响应变量Y；
- 选择需要研究的因子X；
- 确定各因子的水平和范围；
- 选择适当的试验设计；
- 规划随机化、重复和区组；
- 执行试验并记录数据；
- 分析主效应和交互作用；
- 建立预测模型；
- 寻找优化参数组合；
- 进行确认试验。
常见DOE方法包括：
- 全因子设计；
- 部分析因设计；
- 筛选设计；
- 响应曲面法；
- 混料设计；
- 稳健参数设计。
DOE的优势，是能够用较有效率的试验安排，同时研究多个因子，并发现单因素试验难以识别的交互作用。
不过，并非所有六西格玛项目都必须使用DOE。如果根本原因已经清楚，解决方法明确，而且风险较低，常规改善和现场验证也可以完成项目目标。
4. 开展试运行
在全面实施前，建议先进行小范围试运行。
试运行需要明确：
- 实施范围；
- 责任人；
- 时间；
- 参数设置；
- 数据收集方法；
- 成功标准；
- 异常处理方法；
- 回退方案。
小范围试运行可以帮助团队及时发现方案中的技术、流程或人员问题，降低全面实施的风险。
5. 验证改善效果
改善后需要比较前后表现，常用工具包括：
- 趋势图；
- 控制图；
- 箱线图；
- 直方图；
- 过程能力分析；
- 假设检验；
- 比例检验；
- 置信区间。
验证时应注意季节、订单结构、产品组合、样本量和外部环境变化，避免把自然波动误判为改善成果。
除了检查主要Y是否改善，还要确认：
- 是否产生新的缺陷；
- 是否增加其他成本；
- 是否影响安全和交付；
- 改善是否在不同条件下仍然有效；
- 是否达到项目目标。
6. 制定全面实施计划
验证成功后，需要把方案转化为正式实施计划，包括：
- 实施任务；
- 责任人；
- 完成时间；
- 资源投入；
- 培训安排；
- 文件修改；
- 设备或系统变更；
- 风险及应急措施；
- 效果跟踪方法。
改善阶段的主要产出
- 改善方案清单；
- 方案评价矩阵；
- 改善版FMEA；
- DOE计划及分析结果；
- 优化参数组合；
- 试运行报告；
- 确认试验结果；
- 改善前后对比；
- 全面实施计划；
- 改善阶段总结。
五、Control：控制阶段
控制阶段的工作，是把项目取得的成果转化为日常管理机制。
如果改善方案只依靠项目成员持续关注，一旦团队解散或人员更换，过程很容易回到原来的状态。因此，控制阶段需要通过文件、标准、监控、责任和反应机制，让改善后的方法成为新的工作方式。
1. 制定控制计划
控制计划需要明确关键过程和产品特性的管理方式，通常包括：
- 控制对象；
- 产品或过程特性；
- 规格与控制标准；
- 测量方法；
- 抽样数量；
- 检查频率；
- 责任人员；
- 记录方式；
- 异常反应计划；
- 升级和反馈机制。
一份控制计划不能只写「持续监控」。它必须具体说明谁在什么时间、用什么方法测量什么指标，出现什么情况时需要采取什么行动。
2. 更新标准和文件
经过验证的改善方法需要正式文件化，例如：
- SOP；
- 作业指导书；
- 检验标准；
- 参数设定表；
- 设备点检表；
- 维护计划；
- 培训资料；
- 反应计划；
- 管理流程；
- 供应商技术要求。
文件更新后，还要完成培训和理解确认，不能只修改文件版本却没有改变现场操作。
3. 对输出Y实施SPC监控
对关键输出Y建立SPC监控，可以帮助团队及时发现过程中的异常变化。
控制图的作用不是证明产品一定符合规格，而是监控过程是否出现特殊原因变异。
当控制图出现异常信号时，现场人员应按照反应计划：
- 确认测量结果；
- 隔离可能受影响的产品；
- 调查特殊原因；
- 采取纠正措施；
- 记录处理结果；
- 验证过程是否恢复稳定。
4. 重新分析Y的过程能力
过程稳定后，应重新计算改善后的过程能力，并与项目基线和目标进行比较。
重点包括：
- 均值是否更接近目标；
- 变异是否减少；
- Cpk或Ppk是否提高；
- 不良率是否下降；
- 改善效果是否持续；
- 是否满足客户要求。
过程能力不是只在项目结束时计算一次。对于关键特性，应按照风险和生产情况定期复核。
5. 监控关键输入X
很多企业只监控最终结果Y，却忽略了造成结果变化的关键输入X。
如果项目已经证明某个温度、压力、速度、浓度或材料特性会显著影响Y，那么控制X往往比等待Y出现不良更及时。
对关键X的监控可以包括：
- 控制图；
- 参数自动报警；
- 首件确认；
- 定期校准；
- 设备点检；
- 供应商来料监控；
- 防错装置；
- 参数权限管理。
如果关键X来自供应商，还可以把相关要求纳入供应商控制计划和绩效管理。
6. 采用精益和防错工具
除了SPC，控制阶段还可以配合以下方法：
- 5S；
- 目视管理；
- 看板；
- 标准作业；
- 分层审核；
- 防错；
- 日常管理板；
- 快速反应机制；
- 预防性维护。
这些工具能够让异常更容易被发现，也让正确的操作方式更容易执行。
7. 跟踪改善效果
控制阶段需要持续观察Y的变化，例如使用：
- 趋势图；
- 控制图；
- 直方图；
- 过程能力分析；
- 不良率图；
- 财务收益趋势。
跟踪时间应根据生产周期、风险程度和数据量确定。仅凭几天的良好表现，通常不足以证明改善已经稳定。
8. 核算实际财务收益
项目结束时，应根据实际数据重新核算收益。
计算时需要区分：
- 已经反映在财务报表中的硬性收益；
- 释放但尚未转化为现金的产能；
- 避免未来损失的风险收益；
- 无法直接货币化的软性收益。
财务部门应参与验证，避免重复计算或夸大项目成果。
例如，生产周期缩短所释放的产能，只有在企业用这些产能增加产量、减少加班或避免设备投资时，才可能转化为实际财务收益。
9. 完成交接和项目关闭
项目成果应正式移交给流程负责人。
交接内容可以包括：
- 控制计划；
- 最新流程文件；
- 关键参数清单；
- 异常反应计划；
- 培训记录；
- 监控报表；
- 未完成事项；
- 责任人；
- 后续审核时间。
项目团队还应总结：
- 哪些方法最有效？
- 哪些假设被数据推翻？
- 项目中出现了哪些失误？
- 哪些经验能够复制到其他流程？
- 是否产生了新的改善项目机会？
这些经验可以纳入企业的项目知识库，避免其他团队重复摸索。
控制阶段的主要产出
- 控制计划；
- SPC监控方案；
- 异常反应计划；
- 更新后的SOP和作业标准；
- 培训及交接记录；
- 改善后的过程能力报告；
- 关键X监控机制；
- 实际财务收益；
- 项目经验总结；
- 后续改善计划；
- 项目关闭报告。
DMAIC各阶段工具与产出汇总
| 阶段 | 核心问题 | 常用工具 | 主要产出 |
|---|---|---|---|
| Define定义 | 为什么要做？ | 项目章程、VOC、CTQ、SIPOC、帕累托图、甘特图 | 问题、目标、范围、团队、收益和计划 |
| Measure测量 | 目前表现如何？ | MSA、流程图、控制图、能力分析、鱼骨图、因果矩阵、FMEA | 可信数据、过程基线和潜在关键X |
| Analyze分析 | 问题为什么发生？ | 分层分析、假设检验、回归、ANOVA、多变量图 | 已验证的根本原因和关键X |
| Improve改善 | 怎样解决最有效？ | 方案矩阵、DOE、防错、试运行、前后对比 | 已验证的改善方案和优化参数 |
| Control控制 | 怎样长期保持？ | 控制计划、SPC、标准作业、目视管理、分层审核 | 稳定的控制机制、实际收益和项目交接 |
结语
DMAIC并不是五个彼此独立的工具箱，而是一条逐步收敛的改善路径。
定义阶段把业务问题说清楚；测量阶段确认数据可靠并建立基线；分析阶段通过证据寻找关键原因；改善阶段设计和验证解决方案；控制阶段把成果纳入日常管理。
优思学院认为，六西格玛项目最常见的问题，并不是统计工具用得不够复杂，而是阶段之间缺乏严密衔接：问题定义与客户需求无关、测量系统未经验证、把相关关系当成因果关系，或者改善后没有建立控制机制。
真正成熟的DMAIC项目，每一项结论都应有数据支持，每一个方案都应对应已经验证的原因，每一项成果也都应有人负责持续管理。做到这一点，六西格玛才能从一次性的改善活动，转化为企业长期解决问题和提升经营绩效的能力。
