工廠經營分成兩大區塊，一個區塊是上一篇文章提及的精實生產，另一個區塊是六標準差；精實生產關乎效率、庫存、成本，六標準差則專注在產品品質。
在1970年代日本產品開始席捲全球之際，美國企業發現日本產品價格便宜、品質優異，美國企業一開始想學習日本企業的成功方法，請戴明把傳授給日本企業的方法傳授給美國企業。但是事與願違，美國企業發現戴明的方法比較適合日本的企業文化，對美國人不管用。一直到1984年摩托羅拉的 Bill Smith 才突破困境提出六標準差方法。
六標準差並非突然產生， Bill Smith 和 另一個六標準差創始人 Mikel Harry 結合了三個重要觀念，問題解決邏輯、科學研究方法論和統計檢驗。科學研究方法論是在面對一個議題時，先從現有知識的界限進行假設，然後設計驗證或實驗方法並執行，再根據驗證或實驗結果修正假設。統計檢驗則是運用各種統計工具，對驗證與實驗結果進行分析。問題解決邏輯是像福爾摩斯一樣抽絲剝繭的問題分析方法。把這三種方法結合之後，成為一種強而有力的方法論。
Define 定義階段
六標準差方法論簡稱為 DMAIC，多數企業人對這五個英文單字耳熟能詳。我們以一個事件當成案例來了解 DMAIC。例如，顧客反應我們生產的鉛酸蓄電池放電量不足，Define 的工作是先判斷這個事件是單一事件或是經常性發生，對企業影響有多大，解決這個問題有多少財務效益，需要整合哪幾個單位一起解決這個問題。
並非這個問題只是偶發、財務效益不高就不解決，Define 在協助專案負責人釐清需要投注多少資源來做這件事，以及優先順序如何。
Measure 量測階段
在定義階段確認問題的優先順序、可用資源以及專案團隊之後，量測階段必須深入了解問題。
失效模式初步分析：失效模式初步分析包含巨觀和微觀，以前面的電池放電量不足為例，在巨觀的初步分析必須瞭解，哪幾批電池有問題、失效的電池是由特定人員製造出來的嗎？或是特定機器設備？或是特定材料？何時生產的，是否集中在某一段時間？失效電池只在特定顧客發生嗎？顧客用甚麼充電設備？甚麼放電設備？顧客用的環境溫度、濕度、高度如何？顧客使用的負載放電特性如何？
完成巨觀分析之後再進行微觀分析，微觀分析包含失效電池的重量如何？外觀如何？解剖之後的極板重量如何？解剖後極板外觀如何？在電子顯微鏡之下，極板的外觀如何？硫酸液濃度如何？
很多時候，在巨觀分析和微觀分析之後，問題的原因就顯現了。如果在初步分析無法找到答案，就要繼續下一個步驟。
Process Map 流程圖：流程圖的功能是透過深入探究流程中的每一小段，試圖找尋可能是問題原因的影響因素。如果我們把結果看成 Y，現在 Y 失效了，我們必須在流程中找尋影響 Y 的 X。透過流程圖的方法，我們有機會找到比較多的 X，因此在流程圖階段我們也稱為發散 X，擴大搜尋範圍，期使造成失效的 X 能被我們涵蓋進來。
在電池放電量不足的案例中，我們既然已經完成巨觀和微觀分析，有些原因就可以先排除。例如這樣的現象發生在不同生產設備所生產的電池，我們就可以排除單一設備引起的可能性。因此，在流程圖分析過程中，我們就巨觀和微觀分析給我們的線索，探詢流程中那些因子失效可能符合已知的線索，如此就有很大機會將問題的可能因素包含在裡面。
Cause & Effect Matrix 因果矩陣：流程分析是發散 X，因此我們會找到過多的 X。因果矩陣這個小工具是透過評分，排定 X 和 Y 的關聯強度，一開始我們只會選擇5～10個X作為研究對象，所以我們也稱因果矩陣是收斂 X。當然，還要審視這些高關聯度的 X 是否和巨觀、微觀的現象一致。
敘述統計：進行至此，我們對電池放但量不足的因素已經有一定的認知，但是尚無太多證據可以給我們篤定的答案，所有事情都是我們運用專業知識和邏輯推論。在此之前也都非六標準差的強項，這些技巧在任何問題解決邏輯都差不多，接下來才是六標準差獨創的技巧。我們必須把可疑的因子相關數據進行敘述統計。在電池放電量不足的案例中，假如我們認為可能是化成製程的問題，我們可以蒐集化成時的電流量、化成溫度、化成硫酸液比重等數據進行敘述統計分析。
敘述統計分析包含常態檢驗、平均值、標準差、中位數、置信區間、聚類性、混合性、趨勢性、振動性、穩定性、能力分析、量測系統分析等。
我們必須蒐集對我們確認原因可能有幫助的資料，一一分析以上統計特性，這將使我們更確認某些X是關鍵因素，或是排除某些X。
Analyze 分析階段
經過量測階段，多數時候我們已經可以確認關鍵因素進入改善了，但是有時原因仍在五里霧之中，此時就必須進入分析階段。
FMEA 失效模式與效應分析：FMEA 在六標準差的用途和它原始用途並不相同，在六標準差之中，FMEA 是一種分析邏輯，進一步確認我們在量測階段發現的可能原因是否有管制漏洞，如果有就可以直接改善。如果 FMEA 分析後仍然無法確認真正原因，就要進入下一個重要工具多變量研究。
假設與多變量研究：既然我們至此依然無法確認原因，我們必須進行假設。以電池放電量不足為例，我們在經過前述巨觀分析、微觀分析、敘述統計與專業知識分析之後，我們假設電池放電量不足和化成槽溫度有關，也可能和第一次充電深度不足有關，或是也可能是極板重量不足造成的。
因應這樣的假設，我們必須蒐集多變量研究的資料，包含一顆電池的放電容量，這顆電池在化成時的化成槽溫度，第一次充電時間和換算充電量，這顆電池的極版重量。這些資料不用特別製作，而是從現有正常製造的電池中量測取得數據。其中電池放電容量是 Y，化成槽溫度、第一次充電時間、第一次充電電量、極版重量是X’s。
現在我們有Y和X的資料，我們就這些資料進行關聯分析，因為Y和X的產生時間有明確的先後之分，因此也可以說是因果分析。分析方法主要有四種，ANOVA 變異數分析、回歸和多元回歸分析、卡方檢定、邏輯回歸和多元邏輯回歸分析。透過這四項分析，我們可以確認這些X和Y是否有關聯。如果有，當然就確認原因了；如果沒有，就要重新輸入不同的X。
在多變量研究之後，必須就多變量研究結果修正微觀的專業知識。
Improve 改善階段
經過多變量研究之後我們會確認哪一些X對Y有關鍵性影響，我們可以藉此改善問題，但是我們也可以進一步探究，是否可以將X調整到最佳化，使得Y的表現最好。以前例而言，經過多變量研究，我們找到影響電池放電量的X，可以讓放電量回到正常，但是我們還可以把這些X最佳化，如此一來放電量不只回到正常，還有機會超越原來的表現。為了要找尋這個最佳化的設定，可以進行實驗設計 DOE。
DOE 實驗設計：實驗設計方法是1920年代費雪所發明，這個方法主要是透過設計實驗和分析實驗找尋最佳參數。因此，可以透過實驗設計法，找出Y和X的互動模型，以找出最佳參數值。
Control 控制階段
當重要因子X和X的最佳參數都已經確認，最後的工作是用這些結果修改 QC 工程表，使這些參數成為新的製程標準，並且運用管制圖，確保這些參數可以被落實執行。
如此，完成六標準差 DMAIC 的五個階段。
廣義的六標準差
六標準差方法論對品質改善成效卓越；在 GE 導入六標準差之後將六標準差廣義化，使六標準差變成制度和文化。我對這樣的做法不予置評，我認為這樣的作法有好的影響也有壞的影響，要看企業的實際狀況而定。
結論
六標準差是一個針對企業製造品質議題加入統計工具和解題邏輯的科學方法論；因此六標準差包含三個重點，統計工具、問題解決邏輯和科學方法論，必須完整理解這三部分，才能通透六標準差。
在經營工廠中，交互使用精實生產和六標準差，再加上既有的專業知識，工廠會變成一個充滿樂趣而且效率超好的快樂遊樂場。
