DMAIC不再是唯一剧本
传统精益六西格玛的DMAIC（定义-测量-分析-改进-控制）模型，在数字化的冲击下正变得极其灵活。以前我们要花三周收集数据，现在直接从MES系统里拉取实时数据，测量阶段压缩到半天。不过问题也来了——数据太多了，反而容易迷路。 我经常跟团队讲：别被数据淹死，先定性再定量。 上周帮一家注塑厂做过程能力分析（Cpk），他们居然给我导出了两万条实时温度数据！疯了吧？我们最终只取了换模后稳态的150组数据，因为非稳态阶段完全是噪声。这个经验，是十年来摔得鼻青脸肿才学会的。
当“改善周”撞上“Sprint”
数据不是万能的——那些年我们掉过的坑
必须承认，大数据把一些六西格玛实践者带进了沟里。2017年我们在一个消费电子代工厂推一个黑带项目，目标是降低屏幕贴合的气泡不良率。团队里有个数据科学家，直接用Python跑了一百多个特征的相关性，发现“车间湿度”p值小于0.05，欣喜若狂。 结果呢？花了三十万改造加湿系统，不良率纹丝不动！ 我后来到现场，盯着操作工的动作看了半小时，才发现是他们在取放玻璃盖板时，手套上的汗渍污染了边缘。这跟湿度完全无关，是作业标准化没做好。所以我现在总强调：回归现场，回归Gemba（现地），数据只是线索，不是答案。 这种故事我能讲一整天。 另外，六西格玛的硬工具树——FMEA（失效模式与影响分析）、QFD（质量功能展开）、回归分析——必须和精益的软工具结合。比如价值流图不分析信息流延迟，单靠控制图降低缺陷就是缘木求鱼。我去年在一家医疗器械企业，把VSM（价值流图）和在线SPC系统打通，实现质量异常对应的物料批次自动追溯，这才是当代精益六西格玛该有的样子。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：精益六西格玛：当严谨方法论遇上柔性的数字工厂 https://www.dachanpin.com/a/tg/58115.html
