استاندارد ۳.۴ نقص در یک میلیون فرصت (DPMO) که فرآیند شش سیگما را تعریف می‌کند

برای اینکه یک فرآیند تولیدی یا تجاری به معیار شناخته‌شده شش سیگما (Six Sigma) دست یابد، باید یک محدودیت دقیق ریاضی در آن رعایت شود: عملیات نباید بیش از ۳.۴ نقص به ازای هر یک میلیون فرصتِ بروز خطا تولید کند. این استاندارد که در سال ۱۹۸۶ توسط مهندس آمریکایی، بیل اسمیت (Bill Smith) در شرکت موتورولا (Motorola) تدوین شد، ایجاب می‌کند که یک فرآیند در بلندمدت با دقت ۹۹.۹۹۹۶۶ درصد عمل کند. اگر یک خط مونتاژ یا مرکز خدمات نتواند این نسبت دقیق را حفظ کند، در دریافت گواهینامه شش سیگما مردود می‌شود. در حال حاضر، بیشتر عملیات‌های صنعتی در سطح سه تا چهار سیگما کار می‌کنند؛ به این معنا که محدودیت الزام‌آور ۳.۴ نقص در یک میلیون فرصت (DPMO) برای اکثریت بخش تولید جهانی، همچنان یک هدف آرمانی است تا یک واقعیت پایه‌ای.[1][2]

پیامدهای مالی این شاخص، استراتژی شرکت‌ها را در صنایع هوافضا، خودروسازی و نیمه‌هادی‌ها دیکته می‌کند. ارتقای یک فرآیند از میانگین صنعتی سه سیگما (۶۶,۸۰۷ DPMO) به چهار سیگما (۶,۲۱۰ DPMO) بیش از ۹۰ درصد از ضایعات فرآیند را از بین می‌برد. رسیدن به آستانه ۳.۴ DPMO عملاً ضایعات، دوباره‌کاری و ادعاهای گارانتی را ریشه‌کن کرده و زیان‌های عملیاتی پیشین را مستقیماً به سود خالص تبدیل می‌کند. برای شرکتی که سالانه میلیون‌ها واحد تولید می‌کند، دستیابی به این استاندارد می‌تواند به معنای صدها میلیون دلار درآمد احیاشده باشد؛ به همین دلیل است که محاسبه DPMO به عنوان معیار بنیادین برای تخصیص هزینه‌های سرمایه‌ای و سرمایه‌گذاری در اتوماسیون عمل می‌کند.[3][5]

برای درک نحوه عملکرد این استاندارد، باید «واحد معیوب» را از «فرصت بروز نقص» تفکیک کرد. نقص، هرگونه عدم تطابق با مشخصات مدنظر مشتری است؛ خواه این نقص یک خطای ابعادی در یک قطعه ماشین‌کاری‌شده باشد، خواه دوز اشتباه در یک نسخه پزشکی، یا پاسخ دیرهنگام در یک مرکز تماس. فرصت، هر شانس مجزا در درون فرآیند برای وقوع آن نقص خاص است. اگر یک برد مدار چاپی دارای پنجاه نقطه لحیم‌کاری باشد، یک برد به‌تنهایی پنجاه فرصت برای بروز نقص لحیم‌کاری ایجاد می‌کند.[4]

فرمول DPMO این متغیرها را نرمال‌سازی می‌کند تا امکان مقایسه مستقیم میان عملیات‌های کاملاً متفاوت فراهم شود. این محاسبه نیازمند تقسیم تعداد کل نقص‌های واقعی بر تعداد کل فرصت‌هاست (که برابر است با تعداد واحدها ضربدر فرصت‌های هر واحد). عدد اعشاری به‌دست‌آمده که با عنوان نقص در هر فرصت (DPO) شناخته می‌شود، سپس در یک میلیون ضرب می‌گردد. به عنوان مثال، اگر یک کارخانه ۱۰,۰۰۰ واحد تولید کند که هر کدام پنج فرصت دارند (در مجموع ۵۰,۰۰۰ فرصت ایجاد می‌شود) و ۵۰ نقص ثبت کند، این فرآیند در سطح ۱,۰۰۰ DPMO عمل می‌کند.[4]

این نرمال‌سازی، همان مکانیزم حیاتی است که شش سیگما را به یک استاندارد شرکتی جهان‌شمول تبدیل می‌کند. بدون محاسبه DPMO، یک فرآیند تولیدی ساده سه‌مرحله‌ای همیشه بسیار برتر از یک فرآیند پیچیده پنجاه‌مرحله‌ای مونتاژ هوافضا به نظر می‌رسد، صرفاً به این دلیل که دومی شانس بیشتری برای شکست دارد. با تبدیل هر دو عملیات به یک مبنای «در هر میلیون فرصت»، مدیران اجرایی می‌توانند یک شبکه لجستیک را مستقیماً با یک خط توسعه نرم‌افزار مقایسه کرده و منابع را به فرآیندی اختصاص دهند که بالاترین نرخ نقص استانداردشده را نشان می‌دهد. این امر امکان مقایسه دقیق و هم‌سنخ کیفیت را در سراسر یک شرکت چندملیتی فراهم می‌آورد.[6]

با این حال، استاندارد ۳.۴ DPMO شامل یک تعدیل آماری عامدانه است که شکاف میان ریاضیات نظری و تولید در دنیای واقعی را پر می‌کند. در آمار محض، منحنی توزیع نرمال دیکته می‌کند که یک فرآیند واقعی با شش انحراف معیار، تنها ۰.۰۰۲ نقص در یک میلیون فرصت تولید می‌کند که تقریباً معادل دو نقص در یک میلیارد است. رقم ۳.۴ که به طور گسترده به آن استناد می‌شود، در واقع با قابلیت آماری ۴.۵ انحراف معیار مطابقت دارد. این اختلاف یک خطای ریاضی نیست، بلکه یک فرض بنیادین است که در این متدولوژی گنجانده شده تا واقعیت‌های تولید صنعتی در دوره‌های زمانی طولانی را لحاظ کند.[1][6]

این اختلاف از «شیفت ۱.۵ سیگما» سرچشمه می‌گیرد؛ یک ارفاق عمل‌گرایانه که توسط پیشگامان موتورولا، بیل اسمیت و مایکل هری (Mikel Harry) معرفی شد. آن‌ها از طریق تحلیل گسترده داده‌های تولید در دنیای واقعی، مشاهده کردند که اگرچه یک فرآیند ممکن است در طول یک مطالعه قابلیت کوتاه‌مدت بی‌نقص عمل کند، اما به ناچار در طول زمان دچار افت می‌شود. فرسودگی ابزار، تغییرات دمای محیط، ناهماهنگی در مواد اولیه و خستگی اپراتور باعث انحراف میانگین فرآیند می‌شوند. آن‌ها این انحراف بلندمدت را در حدود ۱.۵ انحراف معیار کمی‌سازی کردند و استدلال نمودند که داده‌های کوتاه‌مدت تنها تغییرات با علت عام را ثبت می‌کنند، در حالی که در دوره‌های طولانی‌تر، علل خاص به ناچار میانگین فرآیند را جابه‌جا می‌کنند.[1]

بنابراین، برای اطمینان از اینکه یک فرآیند می‌تواند سطح بالایی از کیفیت را در طول سال‌ها عملیات مداوم حفظ کند، متدولوژی شش سیگما ایجاب می‌کند که قابلیت کوتاه‌مدت به شش انحراف معیار برسد. هنگامی که شیفت اجتناب‌ناپذیر ۱.۵ سیگمای بلندمدت رخ می‌دهد، فرآیند به سطح ۴.۵ سیگما تنزل می‌یابد که از نظر ریاضی همان رقم معروف ۳.۴ نقص در یک میلیون فرصت را به دست می‌دهد. این حاشیه امن درونی مانع از آن می‌شود که سازمان‌ها بر اساس یک دوره کوتاه تولید بی‌نقص، اعلام پیروزی کنند. با گره زدن گواهینامه نهایی به انتظار بلندمدت و تنزل‌یافته ۳.۴ DPMO، این متدولوژی مهندسان را مجبور می‌کند تا فرآیندها را با حاشیه‌های خطای بسیار وسیع طراحی کنند.[1][6]

پیاده‌سازی استاندارد DPMO نیازمند سیستم‌های دقیق جمع‌آوری داده و اندازه‌گیری است. سازمان‌ها پیش از آنکه حتی بتوانند یک معیار پایه ایجاد کنند، باید فرآیندهای خود را با دقت نقشه‌برداری کرده و تک‌تک فرصت‌های شکست را شناسایی نمایند. به گفته انجمن کیفیت آمریکا (ASQ)، این متدولوژی چارچوبی را برای «بهبود رضایت مشتری از طریق کاهش و حذف تغییرات در فرآیندها، محصولات و خدماتی که ممکن است منجر به نقص شوند» فراهم می‌کند. این امر اغلب نشان می‌دهد که شرکت‌ها در واقع نمی‌دانند محصولاتشان از چند طریق ممکن است دچار خرابی شوند و آن‌ها را مجبور به انجام یک ممیزی جامع از الزامات مشتری و تلورانس‌های داخلی می‌کند.[2]

پیگیری هدف ۳.۴ DPMO از طریق چارچوب DMAIC اجرا می‌شود: تعریف (Define)، اندازه‌گیری (Measure)، تحلیل (Analyze)، بهبود (Improve) و کنترل (Control). تیم‌ها نقص را تعریف می‌کنند، DPMO فعلی را اندازه می‌گیرند، علل ریشه‌ای تغییرات را تحلیل می‌کنند، فرآیند را برای حذف آن علل بهبود می‌بخشند و برنامه‌های کنترلی را برای جلوگیری از بازگشت به عقب اجرا می‌کنند. هر کاهش تدریجی در DPMO نیازمند تحلیل آماری عمیق‌تر و کنترل‌های عملیاتی سخت‌گیرانه‌تر است که اغلب اتوماسیون پیشرفته یا بازطراحی بنیادین محصول را ضروری می‌سازد. حرکت از یک فرآیند سه سیگما به شش سیگما صرفاً به معنای درخواست از کارگران برای دقت بیشتر نیست؛ بلکه نیازمند یک بازنگری سیستماتیک در نحوه انجام کار است.[2][3]

در نهایت، استاندارد ۳.۴ DPMO کمتر درباره دستیابی به کمال مطلق آماری و بیشتر درباره ایجاد یک پیگیری بی‌وقفه و قابل‌سنجش برای کیفیت است. با ارائه یک زبان مشترک برای اندازه‌گیری نقص و لحاظ کردن یک ارفاق واقع‌بینانه برای انحراف عملیاتی، این معیار یک هدف ملموس را به سازمان‌های صنعتی و خدماتی می‌دهد. مرز بعدی برای این متدولوژی شامل ادغام داده‌های حسگرهای بلادرنگ و یادگیری ماشین برای پیش‌بینی و جلوگیری از شیفت ۱.۵ سیگما پیش از وقوع آن است که به طور بالقوه عملکرد بلندمدت را به کمال آماری واقعی نزدیک‌تر می‌کند.[6]