六西格玛Analyze阶段怎么做？数据分析工具和根因验证方法

核心结论

Analyze（分析）是DMAIC五阶段中技术含量最高的环节。它的任务是从Measure阶段收集的海量数据中，找出真正影响CTQ的关键因子，并用统计方法验证这些因子的显著性。分析结论直接决定Improve阶段的改进方向，分析错了，后面所有努力都白费。

Analyze阶段的核心逻辑

Analyze阶段回答三个问题：

1. 哪些因子可能影响CTQ？ → 用鱼骨图、柏拉图、流程图发散梳理
2. 这些因子真的显著吗？ → 用假设检验、回归分析、方差分析验证
3. 关键因子之间的交互关系是什么？ → 用多变量图、交互作用图探索

注意顺序：先发散找可能原因，再收敛验证显著性，最后探索交互关系。很多团队跳过第一步直接做假设检验，结果检验的因子不是最可能的原因，浪费了统计资源。

工具一：鱼骨图 + 柏拉图 = 筛选关键少数

鱼骨图：从人、机、料、法、环、测六个维度梳理所有潜在原因。团队头脑风暴时，鼓励多写、不评判，先把可能的原因全部列出来。

柏拉图：对鱼骨图列出的原因，用历史数据或快速调查统计各原因的发生频次，按80-20法则筛选"关键少数"。

组合使用流程：

1. 鱼骨图发散 → 列出20-30个可能原因
2. 柏拉图收敛 → 锁定前3-5个高频原因
3. 数据验证 → 对这3-5个原因做假设检验

工具二：假设检验 = 验证因果关系

假设检验是Analyze阶段的统计核心，回答"这个因子是否真的影响输出"。

常用检验方法选择：

实际案例：某工序温度设置有两种（180°C vs 200°C），比较产品强度：

• 双样本t检验结果：t=3.24，p=0.002 < 0.05
• 结论：温度对强度有显著影响，200°C组强度显著更高

工具三：回归分析 = 量化影响程度

回归分析不仅能判断"有没有影响"，还能量化"影响多大"。

简单线性回归：一个自变量X与一个响应Y的关系

• 输出：回归方程 Y = a + bX，R²（解释变异比例）
• 示例：温度每升高10°C，强度平均增加2.5MPa，R²=0.78

多元回归：多个自变量同时影响响应

• 输出：各因子的系数、p值、R²调整
• 注意：检查多重共线性（VIF>10说明自变量之间高度相关）

残差分析：验证模型是否可靠

• 残差应随机分布，无趋势、无异常值
• 残差非正态或有模式，说明模型假设 violated，需要修正

工具四：多变量图 = 发现隐藏模式

多变量图（Multi-Vari Chart）在同一张图上展示多个因子对响应的影响，帮助发现交互作用和分层现象。

应用场景：

• 同一产品在不同班次、不同设备上的输出差异
• 多个供应商来料的质量波动对比
• 温度和压力两个因子组合对产品尺寸的影响

读图要点：

• 看各组之间的均值差异（主效应）
• 看各组内部的波动大小（一致性）
• 看不同条件下趋势是否一致（交互作用）

Analyze阶段的常见陷阱

1. 相关当因果：发现两个变量同时变化，不等于一个导致另一个。必须通过实验设计或更严谨的因果推断验证。
2. 忽视交互作用：A因子单独没影响，B因子单独也没影响，但A×B组合效果显著——这种交互在ANOVA中才能发现。
3. 样本量不足：t检验需要足够的检验力（通常≥0.8），样本量太小可能漏掉真实存在的差异。
4. 多重比较问题：做10次t检验，即使全部无差异，也有约40%概率至少一次"假显著"。需要Bonferroni校正或改用ANOVA。
5. 分析完不验证：统计显著的结论只是假设，需要在Improve阶段通过实验验证。

Analyze到Improve的过渡

Analyze阶段结束时，团队应该能清晰回答：

• 关键因子是哪几个？（通常3-5个）
• 每个因子的影响方向和程度？（回归系数）
• 因子之间有没有交互作用？
• 哪些根因是团队有能力改变的？

这些答案直接转化为Improve阶段的实验方案。

学习建议

Analyze阶段是六西格玛绿带和黑带考试的重点，也是实际项目中最考验统计功底的环节。建议用Minitab或Excel找一组三因子数据，完整走一遍"柏拉图→假设检验→回归分析→残差诊断"的流程。

众智商学院六西格玛绿带课程1580元、黑带1980元，Analyze阶段的假设检验和回归分析是核心模块。冯老师电话18610089571。