企业官网建设流程全解析

先说一个我在现场反复遇到的场景：产线日报上写着“今天全部合格，不良率 0.3%”，会议室里一群人点头，可到了客户那边，装配线上还是隔三差五卡壳。把数据拉出来画成图才发现，过程的中心值贴着规格上限在跑，波动幅度已经吃掉了大半个公差带，只是这一批运气好没超差而已。这种“数据看着没事、实际随时会翻车”的状态，靠一张合格率报表是看不出来的，得靠 6 西格玛图。

我这里说的 6 西格玛图，不是某一张有标准名字的图，而是六西格玛改善项目里用来把过程波动“画出来”的那一组图形工具的统称：控制图看过程稳不稳，能力直方图看过程挤不挤得进公差带，DPMO 与 σ 水平换算表把图上的距离翻译成缺陷率，帕累托图和测量系统分析图负责把问题定位到具体环节。这套东西解决的核心问题只有一个——把“合格/不合格”这种二元判断，换成“过程离出问题还有多远”的连续量化。它适合质量工程师、工艺工程师、产线主管，也适合刚开始接触过程能力分析、手里有一堆数据却不知道怎么下结论的朋友。下面我按自己实际做项目的顺序，从概念、取数、算参数到出图，完整走一遍。

1. 先把概念捋直：6 西格玛图到底在画什么

1.1 三条线放在一张图上，问题就藏不住了

一张标准的 6 西格玛能力图，横向是测量值，纵向是频次，主体是一个直方图，上面叠三条竖线：规格下限 LSL、规格上限 USL、过程均值。再加一条正态拟合曲线，就构成了最基础的画面。看起来简单，但信息量全在“距离”上。

打个生活化的比方：把过程想象成一个人端着一碗水走独木桥，规格限就是桥两侧的栏杆，均值是他的站位，σ 是他手抖的幅度。站位偏一点问题不大，只要抖得小；抖得厉害，站位再正也会洒出去。Cpk 这个指标，本质上就是在算“从站位到最近那根栏杆，还能容下几次手抖”。Cpk 等于 1，意思是距离最近的栏杆还有 3 个 σ；Cpk 等于 2，就是 6 个 σ。六西格玛水平说的就是这个 6σ 的距离感。

很多人第一次看这种图，注意力全在直方图是不是漂亮、是不是像钟形上，这其实是次要的。真正要盯的是三件事：直方图的中心离哪一侧规格限更近、分布的尾巴有没有越过规格线、直方图的宽度和公差带宽度是什么比例。前两件事决定 Cpk 的大小和方向，第三件事决定 Cp，也就是“潜在能力”。Cp 高但 Cpk 低，说明设备精度够，是调机没调准；Cp 本身就低，说明设备或工艺的固有波动就大，靠调中心救不回来，得改工艺。

我见过不少团队把这两者混为一谈，一看到 Cpk 不达标就去调参数挪均值，结果波动大的过程怎么挪都是这边刚合格那边又超差。所以第一件事一定是把 Cp 和 Cpk 分开看，一个管“宽不宽”，一个管“偏不偏”。

1.2 顺序不能反：先证明过程受控，再谈能力

这是我特别想强调的一点。能力指数 Cpk、Ppk 的计算公式里都隐含一个前提：过程处于统计受控状态，也就是波动只由普通原因（随机因素）构成，没有异常原因混进来。如果过程本身在漂移、有突跳、有周期性波动，你算出来的 Cpk 只是在描述“这一段时间的数据长什么样”，不代表过程未来的表现。

正确的顺序是：先用控制图判断过程是否受控，剔除去掉有明确原因的异常点（注意是“有明确原因”，不是“看着不顺眼”），确认剩下的数据呈现随机波动之后，再拿这批数据去做能力分析。我在某项目上就吃过这个亏，客户催着要 Cpk 报告，我图省事直接拿三个月的汇总数据算了 Cpk=1.42，看着挺漂亮。后来画控制图才发现，中间换过一次原料批次，均值整体上移了 0.8 个 σ，两个批次的分布叠在一起，把标准差撑大了，真实的单批次能力其实一个 1.6 一个 1.1。报告交上去，审核一问就露馅了。

控制图在这里扮演的是“守门员”角色。它用的控制限不是规格限，而是根据过程自身波动算出来的 ±3σ 界限，反映的是“这个过程正常应该波动的范围”。规格限是客户或设计给的，控制限是过程自己长出来的，两者来源完全不同。把规格限画到控制图上去判断异常，是最常见的初学者错误之一。

1.3 图表家族速选表：什么数据配什么图

6 西格玛图不是一张图打天下，选错图等于白做。判断依据有两个维度：数据类型（连续还是离散）、子组结构（能不能成组）。我整理了一张表，基本覆盖日常九成场景：

选图的关键判断是“我关心的是一个件合格还是不合格，还是一个件上有几个毛病”。前者用 p/np，后者用 c/u。这个区分非常实用，因为缺陷数图对改善的敏感度更高——把平均每件 3 个划痕降到 1 个，虽然产品可能一直合格，但返修成本实实在在降下来了。

2. 数据怎么来：抽样和量具决定图的生死

2.1 合理子组：把“同一时刻的同一批”圈在一起

控制图的灵魂在子组划分，术语叫合理子组（rational subgrouping）。原则只有一句：让子组内部的波动只反映普通原因，让子组之间的差异去暴露异常原因。

具体怎么操作？如果我想监控一台注塑机的稳定性，正确做法是每小时连续取 5 模，把这 5 个作为一个子组。这 5 件是在几乎相同的条件下生产出来的，它们之间的差异主要是设备瞬时抖动和材料微小不均，属于普通原因。而每小时之间可能发生的模具温度漂移、料斗换料、操作员调机，就会体现为子组均值之间的跳动，控制图很容易抓到。

反过来，如果我把一整天生产的 25 件打乱顺序、随机抽 5 件凑一组，那组内就混杂了不同时段的各种变化，σ 被放大，控制限被拉宽，真正的异常反而藏起来了。这是我在带新人时最常见的问题：数据是真的，分组是乱的，图画出来“很稳”，其实是被平均掉的假稳。

还有一个细节是子组大小。n=5 是最通用的选择，兼顾了灵敏度和操作性。n 太小（比如 2）控制限宽，中等偏移抓不住；n 太大（比如 20）虽然灵敏，但子组内时间跨度长，容易混入异常，且计算成本高。X̄-R 图在 n 大于 8 到 9 之后，极差法的效率下降明显，应该改用 X̄-S 图，用组内标准差来估计 σ。这条经验很多人不知道，一直用 R 图跑到 n=15，算出来的 σ 偏大，Cpk 虚高。

样本量方面，做能力分析我一般要求至少 25 个子组、100 个以上的数据点，覆盖足够长的时间跨度，把换班、换料、环境变化都包含进去。少于 50 个点的能力分析，我只会写成“初步评估”，不敢写进正式报告。

2.2 量具不过关，图画得再漂亮也是假的

这条是硬伤级的问题。测量系统本身的波动会直接叠加到过程波动里，你算出来的 σ 是“过程σ + 量具σ”的合成值，Cpk 会被系统性低估。更麻烦的是，如果量具存在偏倚或线性问题，均值也会歪。

通用的判断标准是看 %GRR（重复性与再现性占总波动的百分比，或占公差带的百分比）：低于 10% 可以接受，10%~30% 在特定条件下可接受（比如量具成本极高、或者只做粗判），超过 30% 必须改进测量系统。做破坏性测试没法重复测同一件，就得用嵌套式 GRR。

我遇到过一个典型案例：某零件厚度公差 ±0.03 mm，用的千分尺分辨率 0.001 mm，看着够用，但 GRR 算出来 38%。原因是测量时夹持力不一致，不同人测同一片能差 0.008 mm，占了公差带的 13%。这种状态下无论怎么调工艺，Cpk 都上不去，因为天花板被量具锁死了。换了带恒力装置的测头之后，GRR 降到 9%，同一批数据重算 Cpk 从 0.92 跳到 1.45。工艺一点没改，指标跳了一大截，这就是测量系统的威力。

2.3 数据录入的几种低级错误

说几个听着好笑但真的常见的问题。一是单位不统一，一半数据是 mm 一半是 mil，混在一列里，图一画出来是双峰，还以为是两台设备。二是时间戳缺失或错乱，导致无法按生产顺序排子组，只能随机分组，前面说的合理子组就无从谈起。三是把“未检出”写成 0，“超量程”写成上限值，这些伪数据会严重扭曲均值和标准差。四是 Excel 自动把“10.00”存成“10”，看起来没影响，但如果这一列里混着“10.00”和“10”，后续做文本匹配或者按值筛选就会出错。

我的做法是建一个固定模板，第一列时间戳，第二列设备号，第三列批次号，第四列操作员，第五列开始才是测量值，所有列都标注单位，录入时用数据验证限制范围。模板一旦定下来，谁都不能改结构，宁可多几列空着。

3. 参数计算：从 R̄ 到 Cpk 再到 DPMO

3.1 组内 σ 和整体 σ，两套算法两种结论

这是 6 西格玛图里最容易混淆的一对概念。组内标准差（也叫短期标准差）σ_within，是通过子组内的极差或标准差估计出来的，反映的是“排除批次间漂移之后的纯随机波动”。整体标准差 s_overall，是把所有数据放在一起直接算样本标准差，包含了批次间、时间上的所有漂移。

用 σ_within 算出来的是 Cp、Cpk，叫短期能力；用 s_overall 算出来的是 Pp、Ppk，叫长期性能。两者的公式结构完全一样，只是分母不同：

• Cp = (USL − LSL) / (6 × σ_within)
• Cpk = min[(USL − X̄) / (3 × σ_within), (X̄ − LSL) / (3 × σ_within)]
• Pp = (USL − LSL) / (6 × s_overall)
• Ppk = min[(USL − X̄) / (3 × s_overall), (X̄ − LSL) / (3 × s_overall)]

因为 s_overall 通常大于 σ_within（它含了漂移），所以 Ppk 一般小于或等于 Cpk。两者差距越大，说明过程的时间稳定性越差。我习惯在报告里同时给出这两个值，然后看差值：如果 Cpk 1.8、Ppk 1.2，说明设备能力不错，但过程控制有问题，得去查换批、换班、环境这些系统性因素；如果两个都低且接近，说明是根本性的能力不足，得动工艺或设备。

σ_within 的两种常用估计方法：极差法 σ = R̄/d2，以及标准差法 σ = s̄/c4。d2 和 c4 都是与子组大小 n 有关的常数，n=5 时 d2=2.326，c4=0.9400。极差法计算简单，现场人员容易掌握，但对异常值不敏感；标准差法利用了子组内全部信息，效率更高，n 较大时更准。

3.2 一个完整算例，手推一遍

光看公式容易飘，拿一组具体数据走一遍。某轴类零件外径，规格 10.00 ± 0.05 mm，即 USL=10.05，LSL=9.95，公差带 0.10 mm。连续生产一周，每小时取 5 件，共 25 个子组、125 个数据。

算下来：总均值 X̄̄ = 10.001 mm，平均极差 R̄ = 0.018 mm。

第一步估 σ_within：σ = R̄ / d2 = 0.018 / 2.326 ≈ 0.00774 mm。

第二步算 Cp：Cp = 0.10 / (6 × 0.00774) = 0.10 / 0.04644 ≈ 2.15。

第三步算两个单边指数：Cpu = (10.05 − 10.001) / (3 × 0.00774) = 0.049 / 0.02322 ≈ 2.11；Cpl = (10.001 − 9.95) / 0.02322 = 0.051 / 0.02322 ≈ 2.20。取小的，Cpk ≈ 2.11。

第四步，假设这 125 个数据直接算整体标准差 s = 0.0081 mm（比组内 σ 大，符合预期），则 Pp = 0.10 / (6 × 0.0081) = 0.10 / 0.0486 ≈ 2.06，Ppk = 0.049 / (3 × 0.0081) = 0.049 / 0.0243 ≈ 2.02。

结论：Cpk 2.11、Ppk 2.02，两者接近，说明过程在时间维度上比较稳定；Cpk 远大于 1.33 的通用门槛，能力充足。再看中心偏移：均值 10.001，规格中心是 10.000，偏了 0.001 mm，相当于 0.13 个 σ，非常小，不需要调整。如果是 Cpk 只有 0.9 而 Cp 有 1.6 的情况，那就该优先调中心而不是改设备。

这套手算流程建议每个人都亲自算一遍，算过三次之后，对“σ 是什么量级”会有肌肉记忆，看到 Cpk 数字就知道背后大概的分布长什么样。

3.3 DPMO 与 σ 水平的换算，口径必须说清楚

把图上的距离翻译成缺陷率，是 6 西格玛图最有传播力的一步，但也是最容易口径打架的地方。核心争议就在那个著名的“1.5σ 偏移”。

理论计算：如果过程完美居中，6σ 能力意味着单侧超出概率为 Φ(−6) ≈ 9.87×10⁻¹⁰，双侧约 2×10⁻⁹，换成 DPMO 是 0.002。这个数字太理想化了，现实中过程中心总会漂。所以业界约定俗成地引入 1.5σ 的长期漂移假设，把计算基准从 6σ 降到 4.5σ：双侧超出概率约 6.8×10⁻⁶，即 3.4 DPMO。这就是“6 西格玛等于 3.4 DPMO”的由来。

所以看到任何一份换算表，第一件事是问它含不含 1.5σ 偏移。我整理一个对照，把两种口径放在一起：

实际做法上，如果你的 Cpk 是用组内 σ 算的、且过程受控，可以直接用 Z = 3 × Cpk 作为短期 Z 值，然后用不含偏移的正态概率换算成短期 DPMO；如果要汇报“长期水平”，再加 1.5σ 偏移。两套数字都写清楚口径，别混着用。

举个具体换算：某过程 Cpk = 1.33，Z_short = 3 × 1.33 = 3.99，单侧超出概率 Φ(−3.99) ≈ 3.3×10⁻⁵，双侧约 6.6×10⁻⁵，即 66 DPMO。若按含偏移口径，Z_long = 3.99 − 1.5 = 2.49，单侧 Φ(−2.49) ≈ 6.4×10⁻³，双侧约 12,800 DPMO。两个数字差了近 200 倍，汇报时不说明口径，很容易被质疑。

3.4 非正态怎么办

能力指数的整套公式建立在正态分布假设上。偏态明显的数据（比如粗糙度、圆度、某些化学成分配比、接近零的磨损量），直接套公式会得出误导性结论。判断方法是看能力图上的正态拟合曲线和直方图的贴合程度，或者做 Anderson-Darling 检验，p 值大于 0.05 才认为不拒绝正态。

不合规时的几条路：一是做 Box-Cox 变换（或 Johnson 变换），把数据转到近似正态再算，报告里注明“变换后”；二是用百分位数法直接算 Ppk，用 0.135% 和 99.865% 分位数代替 ±3σ，这个做法对分布形状不敏感，我更推荐；三是如果数据本身有物理上限（比如平面度不可能为负），可以用 Weibull、Gamma 等分布拟合，再用拟合分布算超差概率。这三条路我都用过，最稳妥的是第二条，现场不需要额外工具，Excel 的 PERCENTILE 函数就能算。

4. 实操：Excel 与 Python 两条路出一张完整的图

4.1 Excel 版：函数加组合图，够用且好交接

现场用得最多的还是 Excel，好处是交付方便，产线主管自己能更新。我的模板结构是这样的：A 列时间，B 列子组号，C~G 列是 5 个测量值，H 列子组均值（=AVERAGE(C2:G2)），I 列子组极差（=MAX(C2:G2)-MIN(C2:G2)）。

关键参数单元格放几个固定位置，方便引用：

总均值 =AVERAGE(H2:H26) 平均极差 =AVERAGE(I2:I26) 组内σ =平均极差/2.326 整体σ =STDEV.S(C2:G26) USL =10.05 LSL =9.95 Cp =(USL-LSL)/(6*组内σ) Cpk =MIN((USL-总均值)/(3*组内σ),(总均值-LSL)/(3*组内σ)) Ppk =MIN((USL-总均值)/(3*整体σ),(总均值-LSL)/(3*整体σ)) 单侧DPMO =NORM.S.DIST((LSL-总均值)/整体σ,TRUE)*1000000

X̄ 图的控制限（n=5，A2=0.577）：UCL = 总均值 + 0.577 × 平均极差，LCL = 总均值 − 0.577 × 平均极差。R 图的控制限（D3=0，D4=2.114）：UCL = 2.114 × 平均极差，LCL = 0。

画图时用“组合图”：X̄ 图把子组均值做成带标记的折线，把 UCL、CL、LCL 三列做成直线，数据点少的时候看起来就是三条水平线。能力图用“直方图”功能加“次坐标轴”的散点，把规格线和拟合曲线叠上去。Excel 的直方图分箱需要手动设置，建议分箱数取 √n 向上取整，或者按公差带的 1/10 设箱宽，看起来最清楚。

提示：控制限一旦根据基线数据算定，后续监控阶段不要每个月重算。频繁重算会让控制图失去“和标准比”的意义，等于自己给自己放水。只有在工艺发生重大变更、或者累计数据量翻倍时才重新评估基线。

4.2 Python 版：批量化和自动化的场景更适合

数据量大、要定期出图、或者要嵌入自动化流程的时候，Python 更省事。下面这段代码用模拟数据跑通全流程，把控制图和能力图画在一张画布上，参数替换成自己的数据就能用。

import numpy as np import matplotlib.pyplot as plt from math import erf, sqrt def norm_cdf(z): return 0.5 * (1.0 + erf(z / sqrt(2.0))) # ---------- 参数 ---------- USL, LSL = 10.05, 9.95 D2_N5, A2_N5, D4_N5 = 2.326, 0.577, 2.114 # ---------- 数据：25 子组 x 5 样本（此处用模拟值演示）---------- rng = np.random.default_rng(7) data = rng.normal(loc=10.0005, scale=0.0075, size=(25, 5)) xbar = data.mean(axis=1) rng_ = data.max(axis=1) - data.min(axis=1) grand_mean = xbar.mean() rbar = rng_.mean() sigma_within = rbar / D2_N5 sigma_overall = data.std(ddof=1) cp = (USL - LSL) / (6 * sigma_within) cpk = min((USL - grand_mean) / (3 * sigma_within), (grand_mean - LSL) / (3 * sigma_within)) ppk = min((USL - grand_mean) / (3 * sigma_overall), (grand_mean - LSL) / (3 * sigma_overall)) z_usl = (USL - grand_mean) / sigma_overall z_lsl = (grand_mean - LSL) / sigma_overall dpmo = (norm_cdf(-z_usl) + norm_cdf(-z_lsl)) * 1e6 print(f"σ_within={sigma_within:.5f} σ_overall={sigma_overall:.5f}") print(f"Cp={cp:.2f} Cpk={cpk:.2f} Ppk={ppk:.2f} DPMO={dpmo:.2f}") # ---------- 画图 ---------- fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # 左：X-bar 控制图 ucl = grand_mean + A2_N5 * rbar lcl = grand_mean - A2_N5 * rbar axes[0].plot(range(1, len(xbar) + 1), xbar, marker="o", lw=1) axes[0].axhline(grand_mean, color="k", ls="-") axes[0].axhline(ucl, color="r", ls="--", label=f"UCL={ucl:.4f}") axes[0].axhline(lcl, color="r", ls="--", label=f"LCL={lcl:.4f}") axes[0].set_title("X-bar Control Chart") axes[0].set_xlabel("Subgroup") axes[0].set_ylabel("Mean") axes[0].legend() # 右：能力直方图 axes[1].hist(data.ravel(), bins=15, edgecolor="k", alpha=0.7, density=True) xs = np.linspace(LSL - 0.02, USL + 0.02, 300) pdf = (1 / (sigma_overall * sqrt(2 * np.pi))) * np.exp(-0.5 * ((xs - grand_mean) / sigma_overall) ** 2) axes[1].plot(xs, pdf, lw=1.5) for v, c in [(USL, "r"), (LSL, "r")]: axes[1].axvline(v, color=c, ls="--") axes[1].axvline(grand_mean, color="k", ls=":") axes[1].set_title(f"Capability Cp={cp:.2f} Cpk={cpk:.2f}") axes[1].set_xlabel("Measurement") plt.tight_layout() plt.savefig("six_sigma_chart.png", dpi=150) plt.show()

这段代码有几个地方值得说明。第一，判异用的控制限是基于 rbar 算的，不是规格限，这一点千万别改错。第二，直方图用了 density=True，才能和拟合曲线放在同一个纵轴刻度上。第三，DPMO 用的是整体 σ，如果你要短期口径，把 sigma_overall 换成 sigma_within 即可，但要在报告里标注口径。

4.3 判异规则怎么落地

控制图只画三条线是不够的，光看有没有点出界，灵敏度很低。业界常用的判异规则有八条，我挑最实用的四条，把判断逻辑写成函数：

def detect_rules(xbar, cl, sigma): out = [] for i, x in enumerate(xbar): # 规则1：单点超出 3σ if abs(x - cl) > 3 * sigma: out.append((i + 1, "R1 超3σ")) # 规则2：连续 9 点在中心线同侧 if i >= 8: seg = xbar[i - 8:i + 1] if all(v > cl for v in seg) or all(v < cl for v in seg): out.append((i + 1, "R2 连续9点同侧")) # 规则3：连续 6 点单调递增或递减 if i >= 5: seg = xbar[i - 5:i + 1] if all(seg[j] < seg[j + 1] for j in range(5)) or \ all(seg[j] > seg[j + 1] for j in range(5)): out.append((i + 1, "R3 连续6点趋势")) # 规则5：连续 3 点中 2 点落在 2σ 外（同侧） if i >= 2: seg = xbar[i - 2:i + 1] hi = sum(1 for v in seg if v > cl + 2 * sigma) lo = sum(1 for v in seg if v < cl - 2 * sigma) if hi >= 2 or lo >= 2: out.append((i + 1, "R5 3点中2点出2σ")) return out

这里的 sigma 用 σ_within 而不是极差。规则 2 的“连续 9 点同侧”是最容易触发也有实际意义的一条，它往往对应过程中心发生了小幅度偏移，单看点值根本看不出异常，但累积起来足以让 Cpk 掉一个档次。规则 3 的连续趋势，通常是刀具磨损、模具老化、温度爬升这类渐变型原因，抓到了就顺着时间轴去查设备保养记录。

4.4 汇报版面怎么排

图是给自己看的，版面是给别人看的。我给客户做报告，一页纸通常这么排：左上角放控制图，证明过程受控；右上角放能力直方图，配大的 Cp/Cpk/Ppk 数字；左下角放趋势图，把过去 6 个月的 Cpk 按月画出来，看改善有没有持续；右下角放一张小的 DPMO 换算表，把当前水平和目标水平的缺陷率换算出来。整页只用红黄绿三色标注状态，绿色 Cpk≥1.33，黄色 1.0~1.33，红色低于 1.0，一眼就能看出问题在哪。

颜色不要滥用，我看过一份报告用了七八种颜色，直方图柱子还是渐变的，看完完全记不住重点。克制一点，用两三种颜色表达状态就够了。

5. 常见问题与排查实录

5.1 控制限被异常点撑开，真正的问题漏掉了

这是我在项目复盘里见到最多的问题。某批次出现了一次明显的设备故障，数据里留下几个离群点，如果直接把这批数据放进去算控制限，σ 被拉大，UCL 和 LCL 变宽，后面的小偏移就完全抓不到了。

正确处理是：先确认离群点背后的原因，有明确原因（设备故障、原料错发、量具摔过）的，记录在案后剔除，重新计算控制限，再拿新控制限回头检查剩余数据。没有明确原因的离群点不能随便删，它可能正是过程失控的证据。我一般要求每条剔除记录都写清楚“时间、点号、原因、处理措施”，附在报告后面，经得起审。

还有一个变种是“控制限阶梯式变化”：工艺改造后过程波动明显变小，但控制图还在用老的控制限，导致新数据全部落在中心线附近，看起来“过于完美”。这其实也是异常信号，说明控制限该更新了。

5.2 数据全部合格，Cpk 却低得离谱

这种情况我遇到过三次，原因各不相同。第一次是规格限填错了，图纸上是 ±0.05，录入时写成了 ±0.005，公差带缩了十倍。第二次是量具分辨率不够，公差带 0.02 mm，用的卡尺分辨率 0.02 mm，所有读数在几个离散值上跳，算出来的标准差是假的。第三次最有意思，数据本身没问题，但它是从三台设备汇总来的，三台设备的均值差了两个 σ，合并后标准差暴涨，单台看每台 Cpk 都有 1.5 以上。

对应的排查动作：先核对规格限来源，再核对量具分辨率是否小于公差带的 1/10，最后按设备、班次、批次分层画图，看是不是混批导致的“假波动”。分层这一步特别关键，我建议所有能力分析在出总图之前，先按 2~3 个维度分层各画一次，很多问题在这一步就暴露了。

5.3 速查表：现象、原因、动作

5.4 几条踩过的坑，送给准备动手的人

第一，不要为了好看去调分箱数。直方图分箱多一点少一点，形状差别很大，有人为了让图“更像正态”，反复调箱宽，这是自欺欺人。分箱规则定死，用 √n 或者固定公差带比例，之后所有图都用同一个规则。

第二，能力分析报告里必须写清楚四件事：数据采集时间段、子组划分方式、σ 的估计方法、是否剔除过异常点。缺任何一条，这份报告就没法被别人复现，也就没有说服力。

第三，Cpk 是一个“快照”，不是“身份证”。它只描述采集那段时间的过程表现，工艺一改、原料一换就失效。我看到过拿两年前的 Cpk 报告去投标的，这种数据在审核眼里一文不值。

第四，改善的顺序永远是先稳后准。过程还在漂，调中心是徒劳的；过程稳了但偏离，才轮到调参数。这个顺序搞反，投入的时间和产出完全不成比例。

我个人在实际操作中的体会是，6 西格玛图真正的价值不在于算出那个 Cpk 数字，而在于逼着你去回答“这个波动是从哪来的”。数字只是结果，分层、追溯、验证原因才是过程。我做过的一个项目，前后花了六周，真正算指标的时间不到两天，剩下全在查数据来源、跑现场、比对设备日志。最后 Cpk 从 0.85 提到 1.62，靠的不是什么高级算法，是把一台冷却水流量不稳的老设备修好了。图只是把问题指出来，动手解决问题还得回到现场。