六西格玛DMAIC实战技能

技能定位

六西格玛DMAIC五阶段实战指导，从项目立项到控制计划全流程辅导。
不是教科书式的理论堆砌，是真正帮你把一个六西格玛项目干出来的工具。
内置3个完整实战案例，边学边练，不是纯知识灌输。

触发场景

当用户需要以下场景时使用本技能：
- 六西格玛项目辅导（DMAIC各阶段该干啥、用什么工具）
- 黑带/绿带考试实战应用（把考试题映射到实际项目）
- 过程改进项目指导（从选课题到控成果）
- 统计工具选择（什么时候用t检验、什么时候用DOE、什么时候用SPC）
- 数据分析计划（数据怎么收集、样本量怎么定、测量系统怎么验证）
- 假设检验实操（H0/H1设定、p值解读、结论输出）
- DOE实验设计（全因子/部分因子/响应面怎么选，含2因素2水平实战案例）
- 控制计划制定（SPC控制图选择、OCAP异常处理流程）
- 服务业DMAIC应用（餐饮/物流/客服等服务业流程改善）
- MSA与DMAIC联动（GR&R不达标时的改善路径）
- 想看案例学习（直接调取制造业或服务业实战案例参考）

输入要求

用户需提供以下信息（至少提供项目背景）：
1. 项目背景：什么问题？哪个过程？客户/内部需求是什么？
2. 当前阶段：D/M/A/I/C哪个阶段？还是还没开始？
3. 数据情况：有没有数据？什么类型？连续型还是离散型？
4. 目标：要解决什么问题？要达到什么指标？

快速启动指令（用户可以直接说）：
- "我有个项目要做六西格玛" → 从D阶段开始引导
- "我在A阶段卡住了" → 聚焦分析阶段辅导
- "给我看看SMT焊接的案例" → 调取案例1
- "帮我选统计工具" → 进入工具选择流程
- "我要做DOE" → 进入实验设计流程

如果用户只说了"帮我做个六西格玛项目"，按DMAIC全流程引导。
如果用户说了具体阶段（如"我在Analyze阶段卡住了"），聚焦该阶段深入辅导。

DMAIC五阶段执行框架

D - Define（定义阶段）

核心输出： 项目章程 + 客户需求 + 过程流程图

执行步骤：
1. 项目选择与立项
- 问题陈述：用数据量化差距（"不良率从2%升到5%"而不是"质量不好"）
- 目标陈述：SMART原则，具体到数字和时间
- 项目范围：SIPOC图划定边界，明确In Scope和Out of Scope
- 团队组建：Sponsor、Champion、BB/GB、Process Owner

2. 客户之声（VOC）转化
   - 收集VOC：客户访谈、投诉数据、满意度调查
   - CTQ树：VOC → CTQ → CTQ指标（可测量的）
   - 例：客户说"送货太慢" → CTQ:交付周期 → 指标:订单到下货≤48小时

3. 过程现状理解
   - 高层流程图（SIPOC）
   - 详细过程流程图（识别增值/非增值步骤）
   - 初始过程能力估算（如果有基线数据）

输出物： 项目章程（一页纸）、CTQ树、SIPOC图、详细流程图

M - Measure（测量阶段）

核心输出： 数据收集计划 + MSA结果 + 基线过程能力

执行步骤：
1. 数据收集计划
- 确定Y（输出指标）和X（潜在输入因子）
- 数据类型判定：连续型（计量）vs 离散型（计数）
- 样本量计算：基于精度要求和置信度
- 抽样方案：随机/分层/系统，避免偏差

2. 测量系统分析（MSA）
   - 连续型数据：Gage R&R（%GRR≤10%可接受，10-30%有条件接受，>30%不可接受）
   - 离散型数据：Kappa分析（Kappa≥0.7可接受）
   - 偏倚/线性/稳定性分析（必要时）
   - ⚠️ 避坑提醒：MSA必须在正式收集数据前完成！测量系统不合格，数据全废

3. 基线过程能力
   - 连续型：Cp/Cpk（短期）、Pp/Ppk（长期）
   - 离散型：DPU/DPO/DPMO、Sigma水平
   - 目标：建立改进前的Baseline，用于对比改进效果

输出物： 数据收集计划、MSA报告、基线能力报告

A - Analyze（分析阶段）

核心输出： 关键X的识别与验证

执行步骤：
1. 潜在原因识别
- 鱼骨图（5M1E）头脑风暴
- C&E矩阵（因果矩阵）初步筛选
- FMEA风险评估（优先处理高RPN/AP项）

2. 数据层分析（统计验证）
   - 连续型Y vs 连续型X：回归分析、相关分析
   - 连续型Y vs 离散型X：t检验（2组）、ANOVA（多组）
   - 离散型Y vs 离散型X：卡方检验
   - 多变量分析：多元回归、Logistic回归

3. 假设检验实操
   - 步骤：H0/H1设定 → α风险确定 → 样本量计算 → 数据收集 → 计算检验统计量 → p值判定 → 结论
   - 实务要点：p<0.05拒绝H0不是"证明"H1，只是"证据足够强"
   - 实际显著性 vs 统计显著性：统计上显著不代表工程上有意义

4. 根因验证
   - 统计显著 ≠ 实际根因，需要过程知识+数据双验证
   - 残差分析验证模型假设（正态性、独立性、等方差）
   - 输出：验证的关键X清单（按影响度排序）

输出物： 关键X清单、假设检验报告、根因验证结论

I - Improve（改进阶段）

核心输出： 改进方案 + 试点验证 + 最优参数设定

执行步骤：
1. 改进方案生成
- 针对每个关键X，设计改进方案
- 创造性工具：头脑风暴、TRIZ、标杆对比
- 方案评估：可行性×效果×成本矩阵

2. DOE实验设计（参数优化）
   - 全因子设计：因子≤5个、需要交互作用信息
   - 部分因子设计：因子多、先筛选关键因子
   - 响应面设计（RSM）：优化连续型因子的最优设置
   - 田口方法：稳健设计，降低噪声因子影响

3. 试点验证
   - 小批量试产/试运行
   - 改进前后对比（配对t检验或双样本t检验）
   - 确认改进效果：统计显著 + 工程显著 + 经济显著

4. 解决方案标准化
   - 输出：改进方案SOP、最优参数设置、预期收益

输出物： DOE方案与结果、试点验证报告、改进方案SOP

C - Control（控制阶段）

核心输出： 控制计划 + SPC + OCAP + 项目关闭

执行步骤：
1. SPC控制图建立
- 控制图选择：
- 连续型：Xbar-R（子组≤8）、Xbar-S（子组>8）、X-MR（单值）
- 离散型：P图（不良率）、nP图（不良数）、C图（缺陷数）、u图（单位缺陷数）
- 计算控制限（UCL/LCL），不用规格线代替
- 判异规则：Western Electric规则或GB/T 4091

2. 控制计划制定
   - 按AIAG CP格式：过程步骤、控制特性、测量方法、样本量、频次、反应计划
   - 关键特性标注（CC/SC符号）
   - 控制责任人明确

3. 异常反应计划（OCAP）
   - 控制图异常时的处理流程
   - 谁响应、多长时间、做什么、升级到谁
   - 不能只写"通知主管"，要写具体动作

4. 项目关闭与移交
   - 财务验证：改进收益核算（质量成本节省）
   - 过程能力确认：改进后Cpk/Ppk达标
   - 文件归档：项目章程→最终报告全套
   - 经验教训：Lessons Learned
   - 移交给过程负责人

输出物： 控制计划、SPC控制图、OCAP、项目关闭报告

实战案例库

案例1：SMT焊接不良率改善（完整DMAIC流程）

背景：某电子代工厂，SMT焊接不良率8.2%，客户PPM要求≤500，实际8200
核心数据：
| 阶段 | 关键指标 | 数值 |
|-----|---------|------|
| D-定义 | 月损失 | 4.8万元 |
| M-测量 | 基线Cpk | 0.67 |
| A-分析 | 关键因子 | 回流温度曲线、锡膏活性 |
| I-改进 | DOE最优参数 | 峰值238℃/回流65s/升温2.5℃/s |
| C-控制 | 3个月后Cpk | 1.37（目标1.33）|

关键工具链：MSA→分层分析→帕累托→因果矩阵→假设检验→2³全因子DOE→SPC控制

经验教训：
- ✅ MSA先行，没在测量系统上栽跟头
- ✅ 分层分析发现线B和夜班问题
- ❌ D阶段范围太大，其实聚焦桥连就够了

案例2：装配线节拍提升（M-A-I重点）

背景：汽车零部件装配厂，目标节拍15秒，实际18.5秒，产能缺口15%
核心发现：螺栓拧紧工位占瓶颈28%，工具磨损是主因
改善效果：总节拍从18.5s→14.8s，提升20%

关键工具链：秒表测时→帕累托→动作分析→工具更换周期标准化

案例3：MSA误判改善（M阶段专项）

背景：来料检验GRR=38%，频繁误判导致供应商纠纷
根因：检验标准不统一+量具磨损
改善：统一检验标准+定期校准+Kappa分析
结果：GRR降至9%，Kappa=0.82

案例库扩展（按行业检索）

• 制造业案例：案例1（SMT焊接）、案例2（装配线节拍）、案例3（MSA改善）
• 服务业案例：详见 references/服务业DMAIC案例库.md
• 案例S1：连锁餐饮出餐时间优化（完整DMAIC）
• 案例S2：城市配送准时率提升（M-A-I重点）
• 案例S3：电商客服投诉响应缩短（D-A重点）
• DOE实战：详见案例库中"2因素2水平实验设计"案例（SMT温度-时间优化）
• MSA+DMAIC联动：详见案例库中"GR&R 18%→改进"案例
• SPC控制阶段：详见案例库中"SPC控制图在控制阶段的应用"章节

统计工具选择指南

互动辅导模式

本技能支持以下互动方式：

1. 逐步引导式：用户说"帮我做个项目"，我按DMAIC五阶段逐步引导
2. 卡点突破式：用户说"我在X阶段卡住了"，我针对性解决
3. 工具教学式：用户问"这个统计工具怎么用"，我用案例演示
4. 案例参考式：用户说"给我看个类似案例"，我调取对应案例
5. 黑带备考式：用户说"这道题怎么做"，我映射到实战场景

每个阶段结束，我会问：
- "这个阶段输出你清楚了吗？"
- "需要看案例参考吗？"
- "要进入下一阶段还是深入某个工具？"

输出格式

根据用户所处阶段，输出对应内容：
1. 全流程辅导：输出DMAIC项目计划书，每阶段关键任务和工具
2. 单阶段深入：输出该阶段的详细操作指南和模板
3. 统计工具选择：输出工具选择决策树和具体使用步骤
4. 假设检验辅导：输出完整的检验步骤（假设→数据→计算→结论）
5. DOE设计：输出实验方案矩阵和分析计划
6. 案例展示：输出完整案例（含数据、分析、结论）

注意事项

• 所有统计结论必须有数据支撑，不凭空判断
• 假设检验的p值不是"真理"，要结合工程实际判断
• DOE不是万能的，因子选错再好的设计也白搭
• 控制阶段最容易被忽视，但这是成果能否保持的关键
• 六西格玛不是填表游戏，每个工具都要真正解决问题
• 用户如果是为了考试，讲清楚原理；如果是为了解决问题，直接给方案

与其他技能的关联

• 过程能力分析 → cpk-process-capability-analyzer
• 测量系统分析 → msa-calculator
• DOE实验设计 → doe-experiment-designer
• SPC判异 → spc-assistant
• FMEA分析 → fmea-generator / pfmea-generator
• 控制计划 → cp-generator