企业官网建设流程全解析

1. 先把这个词拆开：“6西格玛图”到底指哪几张图

刚入行那几年，我最怕别人甩过来一句“帮我画个6西格玛图”。因为这个词本身就不是一个标准术语——你在统计教材里翻不到它，在质量手册的目录里也翻不到它。它更像是一线车间里流传下来的口头简称，不同的人说这句话，脑子里想的根本不是同一张图。有人想要的是那张带正态曲线的过程能力直方图，有人想看的是带上下控制限的走势图，还有人其实只是想看一眼“我们现在到底是几个西格玛”的那个换算表。

所以写这篇文章，我不打算假装它是一个严谨定义的图表，而是把它当成一个入口：从“6西格玛图”这五个字出发，把六西格玛体系里真正需要用图来说话的几类场景讲透。你看完之后应该能做到三件事——知道手上这批数据该配哪张图、知道图上的每条线是怎么算出来的、知道图看起来“还行”但实际已经出问题的时候该怎么判断。这三件事，比记住某个软件菜单在哪一栏重要得多。

先说清楚这个体系的底层逻辑。六西格玛的核心度量是西格玛水平（Z值），它描述的是过程的中心离最近的规格限有几个标准差的距离。这个数字越大，落在规格外的概率就越小。而所谓“6西格玛图”，本质上是把这个抽象数字，用可视化的方式落到实处的几类图纸：能力类（直方图＋正态曲线、能力图、西格玛水平条形图）、监控类（各类控制图）、归因类（帕累托图、多变异图、箱线图矩阵）。这三类的用途完全不同，混着用是新手最常犯的第一个错误。

我见过一个典型的翻车现场：某条产线的工程师拿了一张控制图去汇报“过程能力”，图上点位全在控制限之内，他得出“过程很稳，可以放行”的结论。问题是，稳定不等于合格。控制限是根据过程自身波动算出来的，它只回答“这个过程跟自己比是否一致”，完全不回答“跟客户规格比是否达标”。那条线的实际 Cp 只有 0.9，也就是说即便过程一点都不漂，超规也是常态。图没错，用错图了。

记住这条分界线：控制图管“稳不稳”，能力图管“够不够”，帕累托图管“先改哪”。三者顺序不能颠倒——先稳，再谈能力，最后谈改进优先级。过程还在乱跳的时候算 Cpk，得到的数字没有任何预测价值。

1.1 西格玛水平与缺陷率的换算：整套体系的锚点

不管后面画什么图，六西格玛的“刻度尺”只有一把：每百万机会缺陷数（DPMO）与西格玛水平的对应关系。这张表是整个方法论的地基，图只是把它画出来而已。

行业里通用的换算表（含 1.5 个标准差长期偏移）大致是这样：

这张表里有两个细节值得多花点时间。第一，那个 1.5 是什么。它描述的是一种经验性的长期漂移：过程在短期内可能控制得很好，但换班次、换批次、换操作员、设备热变形之后，中心会缓慢偏移。业界的做法是把短期能力换算成长期水平时，默认中心偏移 1.5 个标准差。这不是数学推导出来的定理，而是大量实测数据归纳出的经验值。所以你在看别人报的“我们是 5 西格玛”时，一定要问一句：这是短期 Z 还是长期 Z，含不含偏移。同一批数据，两种口径能差出整整 1.5 个西格玛，汇报时能差出一个数量级的观感。

第二，DPMO 里的“机会”要定义清楚。一个产品有 20 个关键特性，每个特性都可能超规，那缺陷机会就是 20 而不是 1。机会数定得随意，算出来的西格玛水平就可以随意。我见过的骚操作是把机会数往大了报，因为分母变大、DPMO 变小、西格玛水平变好看。这跟做数据美化没区别。实操里我的建议是：机会数只统计客户明确关心、且能被现有量具测出来的特性，宁少勿多，口径一旦定下来就写进文档，跨月跨年不许改。

1.2 三类图的边界：别拿监控图当能力图用

把这三类图的分工讲清楚，能省掉后面 80% 的沟通成本。

描述性图形解决“这批数据长什么样”。直方图看形状、看偏斜、看有没有双峰；箱线图看组间差异和离群点；运行图看随时间有没有趋势。这类图不需要假设检验，看一眼就有信息，是拿到数据后的第一步。很多人跳过这一步直接算指标，结果在一个明显双峰的数据上算出一个“还不错”的平均值，那个平均值实际上谁都不代表。

监控性图形解决“过程有没有发生不该发生的变化”。控制图是主体，核心是区分普通原因波动和特殊原因波动。前者是过程固有的、由许多小因素叠加而成的噪声，想降低它必须改系统；后者是某个具体事件造成的，找到就能消除。两者的处理方式完全相反，所以这个区分极其关键。

能力性图形解决“在稳定前提下，过程能满足规格的概率有多大”。前提是“稳定”——过程不稳定时算出来的能力指数只是对过去某一段的复述，不能外推。这就是为什么规范的流程要求先做控制图、确认受控、再算能力。

我自己的习惯是画一张“三联图”放在同一页：上半部分是运行图加控制限，中间是直方图叠加正态曲线和规格限，下半部分是能力指标卡片。一页纸同时回答“稳不稳”和“够不够”，汇报时不用来回翻页，也不会有人拿错图说话。

2. 画图之前必须算清的三件事：中心、波动、规格

我见过太多人拿到数据就打开工具点“生成图表”，三秒钟出一张漂亮的图，然后被问“这个控制限是怎么来的”就答不上来。图的可靠性完全取决于三个量的估计质量：过程中心、过程波动、规格限。这三个量但凡有一个估歪了，图画得再好看也是废纸。

2.1 中心与波动必须分开估，这是控制图的灵魂

波动怎么估，是控制图与普通统计描述最重要的分野。常规做法是直接用样本标准差 s，但控制图用的是组内波动：通过相邻样本的极差或移动极差来估。

以最常用的单值-移动极差图（I-MR）为例，移动极差 MR 是相邻两个观测值之差的绝对值，然后用平均移动极差除以一个修偏常数 d2（子组大小为 2 时 d2 = 1.128）得到 sigma 的估计：

sigma_hat = MR_bar / 1.128 UCL = X_bar + 3 * sigma_hat LCL = X_bar - 3 * sigma_hat

为什么要绕这么一圈，不直接算标准差？因为直接算标准差会把“过程中心的漂移”也算进波动里。假设一个过程每两小时整体平移一次，用总标准差去估，波动会非常大，控制限被撑得很宽，于是所有的漂移都被“合理化”了，图上一片安静，实际上过程一直在跳。用移动极差估波动，只反映相邻点之间的差异，漂移会被保留在中心线的偏离上，从而被规则识别出来。这个设计非常精巧，理解了这一层，你才明白控制图不是“画个均值加减三倍标准差”那么简单。

一个实操提醒：I-MR 图的两个图必须一起看。单值图看中心和异常点，移动极差图看波动是否稳定。如果 MR 图本身失控，说明波动不稳定，此时单值图的控制限是不可信的，得先查波动的来源。

2.2 规格限不是控制限：最容易被混用的一对概念

这两个东西放在同一张图上时特别容易糊。我做个对照：

现实中最常见的错误是把规格限画到控制图上去，然后看到“所有点都在规格内”就放心了。反过来也有：把控制限当规格，超了控制限就判产品不合格，白白报废一堆其实合格的东西。这两种错误我都亲眼见过，代价都不小。

我的做法是：只要一张图上同时出现两种线，就用不同颜色和不同线型强区分——控制限用实线加数据标签，规格限用虚线并在图例里写明“客户规格”。同时在图下方用一行字标注：“本图控制限由 XX 批次数据计算，规格限来自图纸版本号 XX”。这张图一旦流转出去，看图的人不会误解。

2.3 样本量与分组方式：图好不好看，在采样阶段就定了

分组（Rational Subgrouping）这个概念听起来很学术，说白了就是：你把哪些数据放在一组，决定了图能看见什么问题。

基本原则是：组内尽量同质，组间允许变化。比如你想监控一台注塑机的稳定性，那就把“同一模次、连续取出的 5 个产品”作为一组。组内的差异反映的是这台机器在极短时间内的固有波动；组与组之间的差异才反映换模、换料、温漂这些系统性因素。这样分组，组内变异小、组间变异被放大，控制图灵敏度高。

如果你反过来，把“早班 5 个 + 中班 5 个 + 晚班 5 个”混成一组，组内就混进了班次差异，组内变异被人为撑大，控制限变宽，真实的问题反而被掩盖。这是分组错误最直接后果。

样本量方面，子组大小 4 到 5 是经典选择。太小（n=1）时只能用 I-MR，对中小偏移的检出力弱；太大（n>10）时，组内可能已经混入了不该有的变异，而且极差法估波的效率下降。至于需要多少个子组才能算出可信的控制限，经验值是至少 20 到 25 组，少于这个数量，控制限本身的不确定性太大，图上偶尔冒出一两个点越界，你根本分不清是真信号还是估计误差。我见过只拿 8 个点就算控制限的，那种图我不会拿来下任何结论。

3. 能力图：Cpk、Ppk 与西格玛水平的换算实操

能力图大概是“6西格玛图”这个说法最常指向的东西：一张直方图，上面叠一条正态曲线，两侧画上规格限，旁边挂一串 Cp、Cpk、Pp、Ppk 的数字。看起来简单，但真正读懂它需要几个前提。

3.1 直方图叠加正态曲线：先看图，再看数

我拿到一批数据，第一件事永远是画直方图，不是算指标。因为正态曲线一叠上去，很多问题自己就暴露了：

• 双峰：说明数据里混了两个总体，可能是两台设备、两批来料、两个班次。这时候算出来的任何单一能力指数都没有意义，因为过程本身就不是一个过程。
• 明显偏斜：正态假设不成立，Cpk 会失真。偏斜方向朝哪边，就说明哪一侧的超规风险被低估了。
• 截断：图形在一端突然被切掉，通常是全检剔除或者量具量程限制造成的，这种数据算能力会严重高估。
• 离群点：个别远离主体的点，会把标准差撑大，让 Cpk 看起来变好，属于典型的“被少数坏点掩盖”。

正确的顺序是：直方图 → 判断形状 → 判断是否需要变换或分组 → 再做正态性检验 → 最后算能力。跳过前面几步直接算数字，是最常见的偷懒，也是最贵的偷懒。

正态性检验不用搞太复杂，常用的几种方法（如基于偏度峰度的检验、基于经验分布的检验）挑一个就行，样本量大于 100 时它们都还算靠谱。重点不是记住检验名字，而是记住：检验不通过不等于不能用，但你必须知道自己在用一个近似。样本量大时检验特别敏感，一点点偏离就会报不通过，这时候更应该看 Q-Q 图或者直接看直方图形状来判断偏离的严重程度。

3.2 Cp 与 Cpk、Pp 与 Ppk：四兄弟的分工

这四个指标经常被混着报，其实就两个维度交叉：是否考虑中心偏移×用哪种波动估计。

Cp = (USL - LSL) / (6 * sigma_within) # 只看宽度够不够，不管偏不偏 Cpk = min(USL - mu, mu - LSL) / (3 * sigma_within) # 考虑偏移 Pp = (USL - LSL) / (6 * sigma_overall) Ppk = min(USL - mu, mu - LSL) / (3 * sigma_overall)

关键差别在 sigma：组内波动（用移动极差或合并标准差估）对应 C 系列，整体波动（直接用全部数据的样本标准差）对应 P 系列。因为整体波动里包含了中心漂移，所以必然有Ppk ≤ Cpk，两者差距越大，说明过程的中心越不稳定。

这个差距本身就是信息。如果 Cpk 1.67、Ppk 1.0，含义是“如果能把中心稳住，能力很好，但现在中心在漂，实际表现只有 1.0”。这时候的改进方向非常明确：去查漂移的原因，而不是去减小组内波动。反过来，如果两者都很低且接近，说明问题出在固有波动上，得从设备精度、工艺参数、来料一致性这些根源上动手。方向搞反了，投入全部打水漂。

和西格玛水平的换算关系是：

Z_bench（短期，不含偏移） = 3 * Cpk Z_长期（含 1.5 偏移） = 3 * Cpk - 1.5

所以 Cpk = 2.0 对应短期 6σ、长期 4.5σ；Cpk = 1.33 对应短期 4σ、长期 2.5σ。很多汇报里的“我们达到了 4 西格玛”，实际 Cpk 可能只有 1.33 不到，讲的时候一定要把口径说全。

3.3 那段 1.5 偏移，什么时候该用什么时候不该用

我在实际项目里对 1.5 这个数的态度是：汇报长期水平时用，内部做改进决策时不用。

原因很实在。1.5 是个统计上的经验补偿，它不针对你的具体过程。如果你的过程中心控制得极好（有自动反馈调节、每班次校准），实际漂移可能只有 0.3；如果是个手工装配、换人如换刀的过程，漂移可能到 2.0 甚至更多。套用统一的 1.5，等于假设所有过程一样烂或者说一样好。

所以做改进时我只看两件事：控制图是否受控，以及受控状态下的 Cpk 是多少。这两个数才直接对应能不能发货、要不要继续优化。对外沟通或者做年度对比时，再按统一口径换算成长短期西格玛水平，保证可比性。

下面这段代码是我常用的能力计算函数，把组内和整体两个 sigma 分开算，输出完整指标：

import numpy as np from scipy import stats def capability_report(x, lsl=None, usl=None, subgroup_size=1): """ x: 一维数组，按采集顺序排列 lsl/usl: 规格下限/上限，单边规格可传 None subgroup_size: 子组大小，1 表示用移动极差估组内 sigma """ x = np.asarray(x, dtype=float) mu = x.mean() s_overall = x.std(ddof=1) # 组内 sigma 估计 if subgroup_size == 1: mr = np.abs(np.diff(x)) d2 = 1.128 s_within = mr.mean() / d2 else: k = len(x) // subgroup_size groups = x[:k * subgroup_size].reshape(k, subgroup_size) rbar = (groups.max(axis=1) - groups.min(axis=1)).mean() d2_table = {2: 1.128, 3: 1.693, 4: 2.059, 5: 2.326, 6: 2.534} s_within = rbar / d2_table[subgroup_size] out = {"mean": mu, "sigma_within": s_within, "sigma_overall": s_overall, "Cp": None, "Cpk": None, "Pp": None, "Ppk": None} if lsl is not None and usl is not None: out["Cp"] = (usl - lsl) / (6 * s_within) out["Pp"] = (usl - lsl) / (6 * s_overall) cpu_w = (usl - mu) / (3 * s_within) if usl is not None else np.inf cpl_w = (mu - lsl) / (3 * s_within) if lsl is not None else np.inf cpu_o = (usl - mu) / (3 * s_overall) if usl is not None else np.inf cpl_o = (mu - lsl) / (3 * s_overall) if lsl is not None else np.inf out["Cpk"] = min(cpu_w, cpl_w) out["Ppk"] = min(cpu_o, cpl_o) out["Z_short"] = 3 * out["Cpk"] out["Z_long"] = out["Z_short"] - 1.5 return out

调用之后，我通常会把Cpk - Ppk的差值单独拎出来看一眼。差值超过 0.3，基本可以断定存在明显的中心漂移或批次间差异，这时候下一步动作是画多变异图或者分组控制图去找漂移源，而不是继续盯着能力指数纠结。

4. 控制图：把“正常波动”和“异常信号”分开的那条线

控制图是这个体系里最经得起时间考验的工具，但也是被误用最多的。误用的方式集中在两个极端：一种是完全不用，出了问题才回头翻数据；另一种是到处都画，画完没人看，变成墙上的装饰。这两种我都经历过，后来我的做法是：只在关键特性上画，且每条图都指定一个明确的负责人和响应动作。没有响应机制的控制图，等于没有。

4.1 选图的第一道岔路口：连续型还是计数型

选图不要背菜单，就按数据类型分：

选择逻辑就两条：能不能形成合理子组，以及样本量是否固定。样本量变化时用 p 图和 u 图（它们会针对每个点单独算控制限），样本量固定时用 np 图和 c 图更直观。

这里有个容易忽略的细节：计数型控制图的控制限不是对称的。p 图的下控制限经常算出来是负数，这时候要截断到 0——不是数据错了，而是正态近似在小 p 值情况下不成立。同理，当 np 小于 5 时，用正态近似算出来的控制限很不准，应当改用精确分布。这些细节不写进汇报，但你自己得心里有数，否则会得出“下控制限为 -0.003 说明过程很好”这种荒唐结论。

4.2 八个判异模式里，我最常用的只有三个

规则很多，全背下来不现实，全用上会天天报警，最后没人看。我的实际做法是配置三个层次：

第一层，点越界。这是最硬的信号，必须响应。越界说明有特殊原因，立即冻结该批次，回溯这个点对应的时间、设备、操作员、来料批号。

第二层，连续 7 点同侧。只看越界会漏掉缓慢漂移——刀具磨损、催化剂衰减、模具温升都是这种模式，点位一直在控制限里，但已经排成一条斜线或一直偏在同一侧。这条规则抓的就是这类问题，灵敏度高，误报率可接受。

第三层，连续 6 点单调递增或递减。这是趋势信号，适合抓渐进性劣化。参数设置上，我把这三条写进监控系统的默认配置，超过三条的规则只在专项分析时临时开启，避免报警疲劳。

一个真实的教训：某条线的图连续三个月“全部受控”，大家很放心。后来我把连续 7 点同侧的规则打开，发现中间有一段 11 个点全在中心线下方——过程其实早就发生了偏置，只因为偏置的幅度没到 3 sigma，一直没被识别。那段时间的实际不良率比历史均值高了一倍多。图没错，规则配少了。

4.3 完整跑一张 I-MR 图

下面这段代码是我做单值监控的常用模板，包含控制限计算、越界标记和简易的连续同侧检测：

import numpy as np import matplotlib.pyplot as plt def imr_chart(x, title="I-MR Chart"): x = np.asarray(x, dtype=float) n = len(x) idx = np.arange(1, n + 1) mr = np.abs(np.diff(x)) mr_bar = mr.mean() sigma_hat = mr_bar / 1.128 xbar = x.mean() ucl_x, lcl_x = xbar + 3 * sigma_hat, xbar - 3 * sigma_hat ucl_mr, lcl_mr = 3.267 * mr_bar, 0.0 fig, axes = plt.subplots(2, 1, figsize=(11, 7), sharex=False) axes[0].plot(idx, x, marker="o", ms=4, lw=1.2, color="#2b6cb0") axes[0].axhline(xbar, color="gray", lw=1.2) axes[0].axhline(ucl_x, color="#c53030", ls="--", lw=1.2) axes[0].axhline(lcl_x, color="#c53030", ls="--", lw=1.2) out = np.where((x > ucl_x) | (x < lcl_x))[0] axes[0].scatter(idx[out], x[out], color="#c53030", s=60, zorder=5) axes[0].set_title(f"{title} - Individual Values") axes[1].plot(idx[1:], mr, marker="o", ms=4, lw=1.2, color="#2f855a") axes[1].axhline(mr_bar, color="gray", lw=1.2) axes[1].axhline(ucl_mr, color="#c53030", ls="--", lw=1.2) axes[1].set_title("Moving Range") axes[1].set_xlabel("Observation order") plt.tight_layout() plt.show() # 简易连续同侧检测 side = np.sign(x - xbar) run, max_run = 1, 1 for i in range(1, n): run = run + 1 if side[i] == side[i-1] and side[i] != 0 else 1 max_run = max(max_run, run) return {"UCL": ucl_x, "LCL": lcl_x, "center": xbar, "sigma_within": sigma_hat, "max_run_one_side": max_run}

输出里的max_run_one_side一旦大于等于 7，就该去查那一段发生了什么。我把它做成自动打印，省得每次手动数点。

5. 缺陷归因：帕累托图和多变异图怎么配合用

前面几类图回答的是“现状如何”，归因类图形回答的是“先动哪里”。这两类图的用法差别很大：控制图要求样本量和统计条件，帕累托图则更依赖分类口径的质量。

5.1 帕累托图的“二八”陷阱

帕累托图的画法很朴素：按缺陷类型分组计数，降序排列，画柱状图，再叠一条累计百分比曲线。但它有三个坑，几乎每个项目都会踩一遍。

坑一，分类维度混用。把“外观划伤”“尺寸超差”“来料不良”“其他”放在同一张图上，前三个是缺陷模式，第四个是原因类别，维度不一致，排名就没有意义。正确做法是按同一维度分层，比如全部按缺陷模式分，或者全部按发生工序分，一个维度一张图。

坑二，“其他”类挤进前两名。那说明你的分类口径太粗，把大量问题塞进垃圾桶类目了。这时候应该拆解“其他”，重新分层，宁可多分几类也不要有一个说不清的大类。我见过的极端案例是“其他”占了 62%，图一出来大家都沉默了。

坑三，只统计不良数不统计损失。排序依据用“件数”，还是用“工时损失”“成本损失”“客户投诉次数”，结论可能完全不同。一个只发生 3 次但每次都导致整线停机的缺陷，按件数排名垫底，按停机损失排名第一。我的建议是：默认按成本或影响排序，件数作为辅助信息并列显示，两个维度放一起看，决策质量会明显提升。

5.2 多变异图：把波动的来源摊开看

帕累托图告诉你哪类缺陷多，多变异图告诉你这些缺陷的波动来自哪个层级。做法是把数据按不同的分组因素（设备、班次、批次、操作员）画成多个并排的箱线图或者点图，直观比较组间差异和组内离散。

判读原则很简单：组间差异大、组内离散小，说明差异来自这个分组因素；组间几乎重合、组内离散大，说明这个因素不是主因，得换个角度分层。

我做过一个案例，某工序的尺寸波动一直降不下来，最初怀疑是设备差异，画多变异图一看，三台设备的箱体几乎完全重叠，组内离散却很大——问题不在设备之间，而在设备内部或时间维度上。后来按“同一设备的不同时段”重新分层，立刻看到每班次开机后头 30 分钟的离散度是稳定期的两倍多，这才锁定到预热不足。如果一开始就按“设备”这个维度去调参数，方向就完全错了。

分层维度的选择有技巧：先用因果矩阵列出可能的影响因素，按影响程度打分，从得分最高的两个维度开始分层。盲目把所有维度都画一遍，效率极低。

6. 实操中踩过的坑：数据不独立、非正态、量具没验证

前面讲的是方法和原理，这一节讲我真正在项目里翻车的地方。这些东西在手册里通常不写，但直接用会直接导致结论错误。

6.1 自相关数据画控制图，满屏假信号

控制图有个隐含前提：观测值之间相互独立。而实际生产中，连续采集的数据几乎不独立——温度、压力、浓度这类过程变量，前一刻的值强烈影响下一刻，这叫自相关。

曾经有个项目，一段在线浓度数据，每 10 秒采一个点，画出来控制限内只有 60% 的点，报警此起彼伏，但现场查不出任何异常。后来算了滞后一阶自相关系数，高达 0.85——数据高度自相关，用标准公式算出来的控制限严重偏窄，正常波动都被判成了异常。

解决办法有两个：一是拉大采样间隔，间隔大到前后两次测量基本不相关（通常要超过自相关显著的那个滞后阶数）；二是改用针对自相关的控制图，比如对数据做差分，或者用移动极差思路构造残差图。我的常规做法是先算自相关函数，滞后 1 阶的相关系数超过 0.3 就拉大间隔重采，简单有效，不用引入复杂方法。

6.2 非正态数据硬套能力指数，数字好看但不可信

Cpk 的推导依赖正态假设。但实际数据里，位置度、圆度、粗糙度、某些寿命指标，天然就是偏态的（通常右偏，存在物理下限 0）。直接套公式，会得出偏乐观的结论。

处理方式按优先级排：

1. 先做变换。对数变换、平方根变换、Box-Cox 变换，把数据拉回近似正态，再算能力。Box-Cox 的关键是找到最优的 lambda，一般用极大似然估计，常见统计库都有现成实现。
2. 用非正态能力分析。拟合合适的分布（如 Weibull、Gamma、对数正态），按拟合分布直接算超出规格的概率，而不是套 Cpk 公式。
3. 实在不行的，看图形不看指数。把直方图和规格限画出来，目测超规面积，配合百分位数（如 P99.5 是否超过 USL）来判断，比硬报一个 Cpk 靠谱。

一个反直觉的细节：右偏数据用正态近似算 Cpk，往往高估上限侧的风险。因为正态曲线在上尾衰减得比真实分布快，实际超规比例可能比算出来的大好几倍。所以遇到偏态数据又不得不报 Cpk 时，我至少会附上一句“数据呈右偏，该项指标仅供参考，实际超规风险可能更高”。

6.3 量具没验证就画图，等于在噪声上做决策

这是最隐蔽的坑，因为数据看起来一切正常，图画得也漂亮，但所有指标都在描述测量系统的误差，而不是过程的真实波动。

判断方法就是做量具重复性与再现性分析：同一批样品，让多个操作者各测多次，把总波动拆成“零件真实差异 + 重复性（同一人同一量具多次测的差异）+ 再现性（不同人之间的差异）”。如果量具波动占总波动的比例超过 30%，这批数据就不适合做能力分析；超过 10% 就应该关注。

我遇到过的极端情况：某尺寸的 Cpk 算出来只有 0.7，团队准备大改模具。做了一次量具分析，发现量具本身的波动就占了总波动的 48%，扣掉之后实际的 Cpk 接近 1.5。也就是说，他们差点为一把不准的卡尺去改模具。

顺序绝对不能颠倒：先确认量具可用，再谈过程能力。这一步花的成本，通常比后面所有改进动作加起来都便宜。

具体操作上，我习惯在采集数据前做三件事：用标准件校准、抽查至少两位操作者的测量一致性、对同一件样品重复测 10 次看离散度。这三步加起来花不到半小时，但能挡掉大部分“数据不可用”的返工。

7. 从图到报告：我自己的输出习惯

说了这么多图，最后落到一个很实际的问题：这些图怎么组织成一份别人能看懂的结论。

我的习惯是固定三页。第一页一张总览：过程流程图加上关键特性清单，标出哪几个特性被纳入监控、哪几个做过能力分析，用一张表把每个特性的当前西格玛水平、控制状态、能力指数列出来，一眼能看出全貌。第二页是问题聚焦：选当前最差的 1 到 2 个特性，放上控制图、能力图、帕累托图，三段式讲清楚“不稳还是不够、缺陷集中在哪、下一步动哪里”。第三页是行动清单：每条行动写明负责人、验证方式和验证指标，指标必须能对应回某一类图。比如“调整预热时间后，重新采集 25 组数据，要求移动极差图受控且 Cpk 提升到 1.33 以上”。

这个结构最大的好处是闭环。图不只是用来描述现状的，它还是行动的验收标准。没有验收标准的改进，往往在几周后就悄悄回到原样，然后所有人都不记得当初改了什么。

还有个习惯值得分享：所有图的原始数据和计算脚本都归档在同一目录下，命名带上日期和版本号。因为一旦有人质疑“这个 Cpk 怎么算出来的”，你能在五分钟内复现出来，而不是重新翻邮件找附件。我吃过这个亏——某次汇报被问到组内 sigma 的估计方法，我当时用的是移动极差，但记不清 d2 取的是 1.128 还是别的，现场只能含糊过去。那次之后，我把所有计算过程都固化成了脚本，图从脚本直接生成，任何数字都可追溯。

数据本身的记录也有讲究。每个数据点旁边至少要能关联到：采集时间、设备编号、班次、操作员、来料批号、量具编号。缺了这些，图上一旦出现异常点，你连往回查的线索都没有。这不算统计问题，但它是所有分析能不能落地的前提。我见过太多项目卡在这一步——图出来了，异常也识别了，就是查不出原因，因为当初采集数据时什么都没记。

最后说一个我自己的判断标准：一张图，如果不能在 30 秒内让一个不熟悉这个项目的人说出“现在是什么状态、要不要采取行动”，那这张图就还没做完。控制限该标的都标了，规格线该区分的都区分了，越界点该高亮的都高亮了，剩下的事情就是把图上的信息压缩成一句话，放在标题位置。很多人把这一步省了，结果图被翻过去就再也没人回头看。