原材料产量的小幅增长带来利润的大幅增长 

不论你是叫一份外卖，或者在超市里买了一份速冻食品，亦或在家烹饪美食，你可能不会想到制作这些食品的工艺是一个高科技的流程。对于食品饮料行业来讲，任何一个日供货量在 20-100吨的工厂，如果产出率能有细微的改善都能实现利润的大幅提升。许多公司通过高科技手段来提升盈利收益率并满足客户质量标准。你经常可以发现价值百万带有高速摄像头的检测仪器和计算机软件在产品中穿梭来发现残次品。通常这种筛选流程会产生大概 10% 或更多的产量损失。DMAIC流程（D—定义，M—测量，A—分析，I—改善，C—控制）能够有效的通过运用六西格玛工具来改善食品饮料行业产出，进而实现利润的增长。

定义

很多时候，许多公司对所面临的问题都描述的非常模糊。比如，公司会设定诸如“提高客户满意度”或“改善质量”目标。在DMAIC的框架下，对一个目标明确的定义是至关重要的。比如“将质量合规指标X从95%提高到99%”。另外，在一个区域常出现的问题，例如包装问题，是会由于某个生产环节的问题引起的。问题原因不容易被察觉归咎于许多公司没有很好的基准数据。许多高产量的食品生产企业的包装线打包1—5磅的袋子每分钟要完成50—100袋的包装。这些包装线常常停运，有时候甚至每小时10—20次，每次1—2分钟。每次机器停转的时候，产品会被溅落而不得不重新包装。重包装会导致生产中断，无法达到客户的要求。在高速运转的生产线上，1—2%的产出率损耗是很常见的许多企业对这类不紧要的停顿并不在乎，所以不会查明其中原因。只有那些超过三十分钟的停机才会引起注意。但如果我们仔细研究，就会发现那些超过三十分钟的停机仅仅占到20%的停机时间，而超过80%的停机是这种不被重视的短暂停机。

当一个以去除主要停机提高机械正常运行时间为目的的项目展开的时候，那么往往结果是主要停机原因无法被发现。通常情况下，高速运转包装线的停机原因是由于其与产品的物理特性不相匹配，比如说产品的高度，长度和重量等。所以，为了更加明确的定义问题的本质，必须有一个全面的数据收集体系，可以真正的发现问题所在。

测量

当问题被正确定义并且为可测量的时候，下一步即是确保有一个能够适当测量问题水平的测量系统，比如产出率损失或者产品重量差异（它们是因变量）。该系统还可以测量导致因变量变化的所有可能变量（自变量）的水平。有很多有效的

工具可以正确识别产出率损失的根本原因，比如鱼骨图和比较分析工具。一个鱼骨图如下所示。

当所有因变量和自变量被识别，这些变量必须被有效地测量。如果测量系统能力不足的话，那么收集的数据就会不精确，从而不能被用作为根本原因分析。许多公司定义诸如颜色、形状不一致性的视觉特征作为质量标准。很多食品生产商经常通过不恰当的测量仪器或者单纯依靠人的视觉来辨识产品是否满足客户质量要求。某主要快餐连锁商想划定某款调味品的颜色在某个特定范围内。这种情况下，快餐连锁商和生产商决定用一个能够测量二维对象的仪器进行测量，比如颜料样本来测量和控制产品和流程。当然，我们吃的食品是三维的。

当采用这个仪器来测量产品颜色的时候，由于面对的表面的不同，会产生多种不同的结果。因为当一个质检员测量到颜色但结果不满足客户规格时，他经常会对同一个产品的多个表面进行测量，直到能够达到标准。这是一个非常常见的由于测量系统失效所产生的结果。并且产品的合格与否经常要靠质检员的经验的主观意识，这就造成了不一致性。

当一个管理者来到现场，想检查之前班次的工作时，发现数量可观的不合格产品都通过了检测，被认定为合格。而且，管理者通常的做法是询问前班次由哪个质检员负责而非真正的去发现流程中的问题所在。

一个对质检员个人判断依靠过度的测量系统是不完善的，需要及时改善。六西格玛工具用来量化测量系统的恰当性，是对再现性和重复性的研究(Gage R&R)。再现性和重复性的研究可以有效的辨识出测量系统对最后结果误差的影响。我们希望测量的不准确是由于产品本身导致的，而非测量系统的不完善而产生的。一般情况，我们希望来自系统的不准确性在5%以内。比如一个产品的长度如果是3-4厘米，那么我们希望来自测量系统的误差在0.05厘米之内。再现性因素代表作为视觉监测系统中的质检员间的不一致性。为了使这种类型的测量系统更有效，企业需要给质检员提供大量的培训和校正来定义一个标准。通常，视觉辅助和重复培训被用来提升再现性。重复性因素表示测量仪器和方法的不一致性。为了提高重复性，操作人员需要选择一个能够恰当区分想要测量变量水平的仪器。

分析 

当问题很好的定义并且针对因变量和自变量具备一个完善的测量系统的情况下，我们便可以准备收集数据来识别影响产出的关键变量。收集一整月的生产数据并保证每个生产批次的因变量和自变量信息收集完整。从这一个月的生产数据中，你便可以通过假设检验或者回归分析去筛选出严重影响产出的关键变量。

首先，考虑在根本原因分析的头脑风暴中识别出来的所有40-50个变量。通过对生产数据进行假设检验和回归分析，我们可以将初步识别的40-50 个变量缩小到不到10个。由于生产数据是从不受控的实验中获得，因此会有很多噪音数据。数据必须要经过仔细检查来找出被遗漏的模式。另外，必须验证分析结果是否具有重复性。这种验证方法可以通过简单的单变量筛选实验或者多变量设计实验(DoE)进行。比如，很多食品生产商希望减少已包装产品重量的差异。通过分析这个点心生产商的生产数据，我们发现只有三个重要变量会对重量产生影响。通过DoE，我们发现只有一个自变量“A”对重量产生真正重要的影响。在这个例子中，没有其它交互项对重量有重大影响。在这个阶段，所有对产出有重要影响的变量都被识别并验证。必须保证这些关键变量占数据变异的大部分。如果做不到的话，一些根本原因会被遗漏，而且需要进行更多分析去识别其它的关键变量。

改善

在识别和证实产量损耗的根本原因后，现在你可以进入到对设备或者流程的改善阶段了。如上述例子中只有一个变量，即设备中的部件的某个物理特性被证实是控制重量差异的关键。在项目工作周中，这个部件将用多种不同的方法来得到最佳改善。最佳改善允许平均重量减少超过3%，从而产出率提高超过3%。这个改善只在其中一个生产线上做了实施，但结果却是年节省超过20万美金的原材料。这个工厂有五条以上这样的生产线，都实施的话可以同时从中受益。

其他改善是对少数关键设备的流程进行调整。通常情况下，很多设备并非处于最佳设置。并且通常给到的理由是“我们一直是这么做的”。几年前当设备最初安装时流程可能被优化过，但是由于中间这么多年的变化，流程没有被再次优化。这对食品和饮料生产商是很常见的因为这是个更既定的行业。

比如一家冷冻食品生产商，其关键流程的传送机速度对减少40%以上的副产品浪费至关重要。但在过去十多年中，这家企业都没有优化副产品浪费的流程。这个副产品浪费包含两个相当昂贵的配料。通过减少浪费，这些配料的利用率提高了，结果是这家企业每年可节省14万美金的成本。

控制

最后一步是至关重要的。在这一步，控制关键变量的流程需要被清晰的定义。当对各个不同工作时间的操作员访谈时，会发现每个人的控制流程都有不同。比如在烘焙阶段，为了控制重量，每30分钟测量一次，每个班次的烘培操作员会做不同的调整。这种差异会在流程中导致不必要的差异及波动。由于高差异性，对于大多数的包装产品而言，流程总体平均不得不维持在更高的水平，以保证包装后产品重量在对外宣称的重量之上。当所有的操作员进行相同调整操作时，流程差异性降低，允许更低的平均重量，进而使原材料利用率提高。

正如所说的，通过分析和改善可以为现有流程带来很多有益的改变。然而难点是如何保持这种改善。一个非常重要的工具是借助于视觉管理系统来显示指标和日常纠正措施。这些指标能够展示项目实施过程中确定的产量相关因素趋势图或关键变量的控制图，如左图所示。

管理层必须建立一个操作员去承担责任的环境，让他们主动去维护这些数据，分析数据并据此做出适当的反应。应对措施应该是被统一的标准化的流程，让所有操作员都能执行以减少差异性，以提高效率和产出。

DMAIC的威力

利用六西格玛工具的DMAIC流程可以有效地被使用在食品饮料行业以及其它流程性行业，实现原材料利用率提升，进而实现整体效益的改善。不像其他六西格玛项目那样的需要六个月到一年的实施，精益西格玛改善活动可以在六周内实现。如果一个工厂可以在一周内有效的组织一个专家团队，他们能在第一周实施完定义-测量（DM）阶段。

如果第一周可以有效的定义需要测量的目标，保证测试系统的有效性。那么在后面的四周里，就可以顺利的采集生产数据。在为期四周的数据收集后，项目团队验证和优化实验在项目AIC阶段进行，因为食品饮料生产商的生产周期很短（少于3-4个小时）。

通常情况下许多食品饮料行业的企业经常收集大量的数据但是却很少分析或有效地利用它们来改善流程。往往由于使用了一个不恰当的测量系统，收集到的数据格式错误或无法使用。通过有效运用DMAIC流程和六西格玛工具，可以更有效地利用原材料，从而实现明显的财务效益，常常会有1-2%的收入增长。