<b>变异源分析</b>
一、基础认知
定义：识别、分解、量化流程波动来源
应用阶段
DMAIC分析阶段
过程优化与持续监控阶段
核心目的
区分普通/特殊变异
定位主要变异源
区分短期/长期波动
支撑改善方案制定
基本前提
MSA测量系统合格
数据采集方案规范
无明显异常离群点
二、变异的分类
按时间维度划分
组内变异（短期）
组间变异（长期）
按来源维度划分
5M1E全因子变异
系统变异、偶然变异
三、常用分析工具
定性分析工具
鱼骨图、5Why
流程图、SIPOC
分层法
定量分析工具
方差分析ANOVA
方差分量分析
均值-极差/标准差图
相关&回归分析
多变异分析MVA
四、多变异分析MVA（重点）
概念：分层拆解多层级变异
分析流程
设计抽样方案
采集多层级数据
图形展示波动
计算方差分量
判定主导变异源
适用场景
多工位/多型腔/多机台
批次化、连续生产
五、方差分量分析
核心逻辑：总变异拆解为各因子变异之和
六、5M1E变异源拆解
人员Man：技能、操作、班次、疲劳度
机器Machine：精度、磨损、参数漂移、设备差异
物料Material：批次、材质、供应商差异
方法Method：作业标准、工艺参数、流程
环境Environment：温湿度、粉尘、布局
测量Measurement：量具、读数、测量方法
七、实操实施步骤
明确CTQ与分析目标
制定数据收集计划
数据采集与有效性核查
定性工具初筛变异源
定量工具计算变异占比
变异源优先级排序
输出报告+制定改善措施
八、常见问题与误区
未分层分析，变异混杂
忽略MSA误差，误判来源
只看图不量化，难分主次
样本量不足，结果失真
混淆普通/特殊原因，改善方向错误
<b>业务-统计转化四步法</b>
一、框架概述
核心定位：业务问题 ↔ 数据统计的桥梁
核心价值：避免业务与数据“两张皮”，实现问题闭环解决
适用场景：六西格玛项目、数据分析项目、业务流程优化
核心逻辑：业务语言→数据语言→数据方案→业务方案
二、第一步：定义商业问题
核心目标：从业务视角精准描述问题与目标
关键动作
梳理问题背景、痛点与影响范围
明确问题对成本/质量/客户满意度的影响
定义可量化的业务目标
划定问题边界（范围、时间、资源）
常用工具：SIPOC、VOC客户之声、问题陈述表
输出：清晰的问题描述、量化目标、项目范围
典型例子：产品不良率居高不下，客户投诉率上升，目标是将不良率从3%降至1%
三、第二步：转化为分析/统计问题
核心目标：将模糊业务问题，翻译成可量化、可分析的数据目标
关键动作
识别CTQ关键质量特性/KPI
定义需要分析的输入/输出变量
将业务目标转化为统计假设或分析目标
明确数据来源、抽样方案与要求
常用工具：CTQ分解树、数据收集计划、变量清单
输出：统计问题陈述、变量清单、数据收集方案、统计假设
典型例子：业务问题→统计问题：找出影响关键工序缺陷率的显著工艺参数，并量化其影响程度
四、第三步：确定分析/统计解决方法
核心目标：选择合适的统计工具，制定数据解决方案
关键动作
根据统计问题选择对应分析方法
设计分析流程（数据清洗→分析→验证）
定义判定标准（显著性水平、置信区间）
规划数据验证的资源与时间节点
常用工具
描述性统计：直方图、箱线图、趋势图
推断性统计：假设检验、方差分析、回归分析
高级方法：DOE试验设计、多变异分析、分布拟合
可视化工具：控制图、帕累托图
输出：分析方案、工具清单、判定标准、分析计划
典型例子：统计问题→解决方法：采用方差分析（ANOVA）+回归分析，验证各工艺参数与缺陷率的相关性，识别关键因子
五、第四步：转化为商业解决方法
核心目标：将统计结论转化为可落地的业务决策与改善方案
关键动作
解读统计结论，转化为业务语言（参数调整/流程优化）
制定具体改善措施、实施步骤与责任分工
定义效果验证方法（前后对比、过程能力验证）
制定控制计划，确保成果固化
常用工具：改善方案矩阵、实施计划、控制计划、SOP更新
输出：业务改善方案、实施计划、控制计划、预期效果评估
典型例子：统计结论→业务方案：温度每降低5℃，缺陷率下降0.8%；将工艺温度从25℃调整至20℃，更新SOP并建立温度监控机制
六、框架关键要点
业务问题阶段：必须量化目标，避免模糊描述
统计问题阶段：变量定义清晰，确保可采集、可分析
统计方法阶段：方法匹配问题类型，避免过度复杂
业务方案阶段：措施必须可执行、可验证、可固化
