六西格玛 · 工具箱
绿带必会的7个工具
黑带必会的7个进阶工具
（附使用场景 · 建议收藏）
带过不少学员，发现一个有意思的现象：同样是改善项目，绿带交出来的报告，和黑带交出来的，往往不在一个量级。
差的不是态度，是工具箱。
绿带的工具解决"看得见"的问题——数据收上来、原因找出来、重点抓出来；黑带的工具解决"算得准"的问题——数据可信吗、差异显著吗、参数怎么定才最优。
今天把两个工具箱一次摆开，每件都配上使用场景。对照看看，你的箱子缺哪几件。
一、绿带必会的 7 个工具
关键词：把数据收上来 · 把原因找出来 · 把重点抓出来
015Why 分析
一句话：不满足于表面原因，连追问五次"为什么"，直到碰到能采取行动的根本原因。
使用场景：不良品归因、客诉分析、8D 报告的根因分析环节。
举个例子：产品表面划伤。为什么？转运时碰到了料框内壁。为什么会碰到？料框装得太满。为什么装太满？没有限高要求。为什么没有？转运规范里压根没写这一条。根因清楚了——补文件、加限高工装。对比一下"加强员工培训"，哪个更治本？
划重点：追问到你能"改变点什么"的那一层就停，别问成追责大会。
02检查表
一句话：改善前的第一件事——用一张设计好的表格，把数据规范地收上来。
使用场景：产线不良统计、现场点检、审核发现项记录。
举个例子：想降低装配不良，先别急着开会吵原因。花一周时间，按"不良类型 × 班次 × 机台"做张检查表收数据。一周之后谁是谁非，数据自己会说话。
划重点：表头分类现在多想一步，后面画柏拉图就少返工一次。
03柏拉图（Pareto 图）
一句话：按 80/20 法则排序，找出贡献 80% 问题的那 20% 原因。
使用场景：不良项目排序、客诉分类、质量成本损失分析。
举个例子：一种产品的不良记录有十七种，全都改？资源不够。柏拉图一画，前 3 项占了 76%——就先啃这三块，剩下十四种缓一缓。
划重点："其他"这一栏超过 30%，说明分类太粗，推倒重分。
04鱼骨图（因果图）
一句话：从人、机、料、法、环、测六个维度系统展开，把可能原因一网打尽，不漏项。
使用场景：团队头脑风暴、8D 的 D4 阶段、改善项目的分析阶段。
举个例子：焊接虚焊率抬头，团队围一圈，从人机料法环逐条展开，最后在"法"里发现——焊接参数根本没有作业标准，各人凭手感干活。
划重点：鱼骨图管"全"不管"准"，候选原因要靠数据验证，别把白板当结论。
05直方图
一句话：把一堆数据画出分布形状——中心在哪、散布多宽、有没有异常，一眼看清。
使用场景：尺寸、重量等计量值数据分析，过程状态初判、规格符合性预判。
举个例子：轴径公差 ±0.02mm，一直没超差。直方图画出来，整体分布贴着上差走——没报警，但已经在悬崖边散步了。这就是最早的改善信号。
划重点：样本 30 个起步，数据太少的直方图，等于开盲盒。
06散点图
一句话：把两个变量的成对数据画出来，快速判断有没有相关关系、相关多强。
使用场景：参数与质量特性的关系初判、改善因子的初步筛选。
举个例子：怀疑注塑温度影响缩水率，把 30 模的成对数据一画，明显正相关——这个因子值得留下，进入下一轮分析；其他的先放一放。
划重点：相关不等于因果，方向和机理还得靠工艺逻辑兜底。
07控制图（SPC 基础）
一句话：用控制限监控过程波动，区分普通原因和特殊原因，让过程自己"说话"。
使用场景：量产过程监控、SPC 导入、判断改善效果能不能稳得住。
举个例子：Cpk 做到 1.33，先别开香槟。控制图上连续 8 点偏在中心线同一侧——均值漂了，过程并不稳，回去继续找特殊原因。
划重点：控制限是算出来的，不是画出来的；规格线和控制限，是两码事。
绿带小结：这 7 件其实是一条流水线——检查表收数据 → 柏拉图抓重点 → 鱼骨图、散点图找原因 → 直方图、控制图看过程 → 5Why 挖到底。绿带的功力，不在认得几个名词，而在真实项目里把这条线走通。
绿带和黑带的分水岭在哪？
我的理解是三句话：
第一，绿带回答"问题大概出在哪"，黑带要回答"证据在哪、置信度多少"；
第二，绿带解释过去，黑带还能推演未来——建模、预测、优化；
第三，绿带把问题关掉，黑带把"笼子"焊死——FMEA、控制计划。
工具箱的差别，本质是统计功力和项目掌控力的差别。
对比维度
绿带
黑带
角色定位
在本职工作中主导小型改善
深度主导复杂跨部门项目
工具核心
收数据、找原因、抓重点
统计推断、定量建模、试验优化
结论依据
经验 + 基础数据分析
显著性、置信度、模型验证
典型产出
QC 成果、8D 报告
DMAIC 全流程项目报告
二、黑带必会的 7 个进阶工具
关键词：数据可信 · 统计推断 · 寻优固化
01MSA 测量系统分析（Gage R&R）
一句话：在分析任何数据之前，先证明你的测量系统可信。
使用场景：六西格玛项目的测量阶段、新检具验收、量具定期评审。
举个例子：某项目分析了一个月"尺寸波动为什么大"，一做 Gage R&R，GR&R% 高达 45%——数据根本不可信，元凶是量具分辨率不足加人为读数误差。前面所有分析，全部作废。
划重点：先证测量系统，再谈数据分析。GR&R% 小于 10% 可接受，10%~30% 要按关键程度酌情判定。
02过程能力分析（Cp / Cpk / Pp / Ppk）
一句话：量化过程满足规格的能力，给改善立项和验收一个能说话的基准。
使用场景：改善前的基线测量、量产能力评审、供应商审核。
举个例子：客户要求 Cpk ≥ 1.33，实测只有 0.9。改善目标不用开会吵了——把 Cpk 从 0.9 做到 1.33，立项依据和验收标准一次到位。
划重点：Cpk 看短期、Ppk 看长期；前提是数据正态、过程受控，否则算出来的数字是空中楼阁。
03假设检验
一句话：用统计判断差异是真实存在的，还是抽样波动造成的巧合。
使用场景：新旧工艺对比、改善前后验证、两供方来料对比。
举个例子：新方案把不良率从 3.2% 降到 2.5%，是真改善还是运气好？做一次比例检验，p 值 0.03，小于 0.05——差异显著，改善成立，可以固化。
划重点：先定显著性水平和样本量，再收数据；拿数据凑 p 值，是统计上的自欺欺人。
04方差分析（ANOVA）
一句话：假设检验的升级版——一次比较三组以上，判断组间差异是否显著。
使用场景：多台设备、多班次、多供方的组间比较。
举个例子：4 台同型号注塑机良率看起来高低不同，ANOVA 一算，F 检验显著——再做事后两两比较，锁定 3 号机。问题从"四选一"变成"一选一"。
划重点：ANOVA 显著只说明"至少有一组不同"，具体谁和谁不同，交给事后检验（比如 Tukey）。
05回归分析
一句话：建立 Y=f(X) 的定量关系，把"有没有影响"推进到"影响多大、怎么算"。
使用场景：工艺参数与质量特性的定量建模、结果预测与优化。
举个例子：回流焊峰值温度和焊点强度做回归，R²=0.87，得到预测方程。温度设多少、落在哪个区间最稳，从此有数学依据，不再靠老师傅手感。
划重点：别只盯着 R²，残差要查、外推要慎——模型只在数据覆盖的范围内说话。
06DOE 试验设计
一句话：主动设计试验、同时改变多个因子，用最少的轮次找出显著因子和最优组合。
使用场景：工艺参数优化、配方开发、多因子寻优。
举个例子：4 因子 3 水平，全因子要 81 次试验，成本扛不住。合理设计 DOE，20 多次跑完，主效应、交互作用一次摸清，还顺手发现了温度和保温时间之间"此消彼长"的交互——单因子试验永远看不到这一层。
划重点："一次只动一个因子"是最贵的惯性思维；试验前定好随机化、重复和区组策略。
07FMEA 与控制计划
一句话：把失效模式提前识别、评级、采取措施，再把改善成果固化进体系，防止"退化"。
使用场景：新产品导入、过程设计评审、改善成果的长期固化。
举个例子：改善项目收尾时，把验证过的措施写回 PFMEA，同步更新控制计划、作业标准和 SPC 监控点。半年后回访，指标还在——因为防再发的"笼子"已经焊死在体系里了。
划重点：FMEA 不是交作业，评分要团队一起评；控制计划是活文件，工程一变更就得跟着动。
黑带小结：这 7 件也是一条线——MSA 保证数据可信 → 过程能力定基线 → 假设检验、ANOVA、回归做统计推断 → DOE 找最优组合 → FMEA 和控制计划防再发。走完这条线，改善才真正闭环。
收藏版 · 14 个工具速查表
工具
干什么用
什么时候用
绿 带 工 具 箱
5Why 分析
追到能行动的根因
不良归因、客诉分析、8D
检查表
规范地采集数据
改善第一步、现场点检
柏拉图
抓关键的少数
不良排序、客诉分类
鱼骨图
系统展开可能原因
头脑风暴、根因分析
直方图
看分布形态
计量值分析、过程初判
散点图
判断两变量相关性
因子初筛
控制图
区分两类波动原因
量产监控、SPC 导入
黑 带 工 具 箱
MSA
证明测量系统可信
分析数据之前、检具验收
过程能力分析
量化满足规格的能力
项目基线、能力评审
假设检验
判断差异是否真实
新旧对比、改善验证
ANOVA
多组差异比较
多设备、多班次、多供方
回归分析
建立 Y=f(X) 模型
参数定量建模、预测
DOE
多因子寻优
工艺优化、配方开发
FMEA + 控制计划
预防失效、固化成果
新品导入、成果防退化
最后说两句。
工具不在多，在于每一件都真正用过、用对过场景。绿带的 7 件，撑得起车间里大多数日常改善；黑带的 7 件，决定你能不能啃下那些"没人说得清"的硬骨头项目。
别急着囤工具，从今天手头正在用的那一件开始，把它用透。
互动一下：你的工具箱里，用得最顺手的是哪一件？评论区聊聊。
热门跟贴