本文中将缺陷定义为任何未达到客户期望或要求的内容。例如，假设一个客户要求准时交货，规定为“不早于承诺日期前两天，也不晚于承诺日期后一天”。任何在该范围之外的交货都是不可接受的，被认为是交货缺陷。其他示例包括包装缺陷，如缺少或错误的物品；运输缺陷，如损坏或缺少文件；当然还包括性能或外观的产品缺陷。如果缺陷导致客户不满或为检查和更正增加成本，应计算所有缺陷。然而，并不是所有缺陷都是平等的：有些缺陷对客户满意度和成本的影响比其他缺陷更大。有效的业务必须优先于简单的缺陷计数。

Six Sigma的目标可以简单地概括为：“定义、测量、分析、改进和控制导致客户和企业认为存在缺陷的差异源。” 缺陷计数是一个关键指标。实际上，Motorola的生产运营曾经专注于在指定时间内将缺陷数量降低一个数量级。如果我们声明任何有缺陷的物品至少有一个缺陷，那么我们可以（粗略地）表示任何持续的过程产生的产出率等于1减去该过程中出现的缺陷数量之和： 

Yield = 1 - Σ(defects)

我们还可以计算一个过程中产生缺陷的机会数。这可能只是简单地计算过程中的主要步骤数量，也可能是深入研究整个过程中的错误、失误和不符合规范的机会数。无论使用什么方法，都要标准化并且不要改变它。对于组装产品，我看过的最好、最简单的方法之一是计算一个产品的零部件数量，然后将总数乘以三。这种方法的逻辑是每个零部件可以：

（1）正确或不正确地采购

（2）正确或不正确地组装

（3）正确或不正确地执行

每个采购的子装配只算一个零部件。为了使不同产品和过程之间能够进行比较，Sigma度量涉及计算缺陷和缺陷机会的数量，然后计算Sigma值。其中一个步骤是计算每百万机会的缺陷数（DPMO）： 

DPMO = Σ(defects) ÷ Σ(opportunities) × 10⁶

我们使用DPMO来得出Sigma值。Sigma值越高，质量越高。图1中的表格将产出率、等效的每百万机会的缺陷数或DPMO和Sigma值相对应。

我们可以看到，当产出率在60%至95%范围内时，我们不需要其他措施来查看改进情况。然而，当接近95%时，我们的产出率指标变得相当不敏感，因此寻找更敏感的指标是有意义的——这就是Motorola使用缺陷计数的原因。如果我们需要比较差异较大的产品和流程，那么按机会计数进行归一化也是有意义的。最终，随着需要计算的缺陷越来越少，更重要的是从计数缺陷转向连续性衡量性能的指标，这些指标与客户满意度和产品价值有很好的关联。那么，不同的产品和服务在Sigma值上如何比较呢？图2说明了以PPM为单位的DPMO水平与Sigma值的关系。

Sigma Value是如何计算的？简而言之，它是等效正态分布的平均值与指定极限之间的标准偏差数量，具有与报告的DPMO相同的缺陷率。如果我们假设当任何输出超出规格限制时就会发生缺陷，那么在Sigma Value为6的情况下，出现缺陷的几率约为10亿分之2。然而，短期内进行的缺陷测量并不能完全与长期结果相关联。随着时间的推移，如果不加控制，过程质量会随着平均输出值的漂移和偏移、Sigma Value的波动或两者的结合而下降。需要一条经验规则来考虑时间上的输出漂移或质量降低。虽然这有点有争议，但George Box曾评论说他很高兴做了一些长期偏移的计算。通常应用的规则是，随着时间的推移，平均变化量为1.5个标准差。这种偏移最初源于容差叠加和偏移的研究，而转向接受这种程度的偏移通常是基于经验经验而不是理论构建。我个人见过随着时间的推移，平均值在0到4 Sigma之间的长期偏移，我最好的建议是以1.5 Sigma为目标。如果我们通过这个量减少Six Sigma距离，就会得到到达规格上限的4.5 Sigma距离，导致PPM上升到3.4。这是六西格玛描述中最经常提到的缺陷数。请参见图3，了解短期和长期性能之间的差异的示例。

现在我们有了一个六西格玛指标的描述，尽管对于那些有经验的人来说，它有些过于简化。

这个指标可以用于许多方面，从简单的缺陷计数到产品或服务输出的简单测量。了解这些测量值是交付符合客户期望的质量的关键一步。