“鸽子迷信”中的6 sigma管理咨询公司

“吉姆，我们怎么知道你的项目取得了一些进展？”六西格玛的倡导者问道。黑带候选人看起来很困惑:“哦，我想他听到赞助商说他对结果很满意。”认证委员会的成员面面相觑。

“但你提供给我们的测量方法只有在项目完成后才能得到，”另一位委员仍然满怀希望地问道。“在你开始这个项目之前，你没有仔细测量主流程的变量输出吗？”黑带候选人摇了摇头。

“好吧。谢谢你，吉姆。我们会联系你的。”认证委员会的女主席说。吉姆最终没有获得认证。

以上是发生在现实生活中的真实一幕。

认证标准要求参与黑带的项目能够产生一种可以用一定尺度来衡量的改进，而这种尺度对于客户、股东或员工来说都是非常重要的。这种可测量的改进需要一些比较的基础。例如，与基线测量相比，可以说某个变化正在向好的方向发展。吉姆只能说明项目完成后原来的东西依然运转良好，但他无法回答下面的问题:“现在比你开始这个项目前好吗？”如果他不能回答这个问题，显然不能说明这个项目真的带来了一些改善。同样，如果没有基线测量的帮助，委员会无法确定事情是在变好、变坏还是根本没有变化。所以，Jim要么要寻找历史数据来证明自己是对的，要么要用另一个项目来参与认证选择。

第一，输入变量也很重要。

关键输出变量(或质量关键)很重要，但关键输入变量也很重要。六西格玛明确了所有利益相关者的预期结果，明确了实现这些结果的必要驱动力和根本原因；企业在试图解决根本原因的时候，巧妙地利用数据来帮助和引导；它也可以通过系统的方法实现持续改进。思考已经成为六西格玛的必要部分，因为它有两个功能:

1.提供区分特殊原因引起的变更和一般原因引起的变更的指南。

2.通过数据验证因果的模型，让人们的注意力集中到根本原因上。

没有统计思维，迷信学习就无法避免。以下身无分文的章节选自BF斯金纳的经典《纸鸽迷信》，用一个实验室实验描述了这种现象:

每当我们向人们展示强化...我们必须假设条件反射已经发生，即使我们根本没有注意到表现出这种行为的生物体的具体表现。有一个简单的实验可以证明事实确实如此。

让一只鸽子保持稳定的饥饿状态，但要保证每顿饭都按时上桌，让它的体重降到原来的75%，每天让它在实验笼子里待几分钟。笼子与喂食槽相连，喂食槽可以摆动到笼子的侧面，这样鸽子就可以吃到里面的食物。每次强化刺激时，通过螺线管和延时继电器，食槽摆动到笼子后保持五秒钟。

当时间间隔有规律时，如果用一个时钟代替喂食槽，不管鸽子的行为如何，通常都会发生操作性条件反射。在八个笼子中的六个里，鸽子的反应非常明显，以至于两位观察者在数例子时几乎完全一致。一只鸽子由于条件反射习惯在笼子里逆时针走，在两次强烈刺激之间要转两三圈。另一只一直用头撞笼子的上角；第三个形成了另一种“惹事”的反应，好像把头放在一根看不见的横杆下，不停地抬起来。

两只鸽子的头和身体形态做了一个钟摆似的运动:头向前伸，从右向左快速摆动，然后慢慢向后移动；基本上，身体随着头部的运动而运动。如果动作幅度大，它的脚会跟着走几步。另一只鸽子由于条件反射习惯于做一个类似啄地板的动作，但并没有真正接触到地板，或者只是快速的飞起来。如果鸽子还在适应笼养环境或者喂食槽没有规律的出现在鸽子面前，这些反应不会很明显。

条件反射的训练过程很好理解。喂食槽出现的时候，鸽子正好在做一些反应；结果它就慢慢习惯性的做出这种反应。如果到下一个喂食槽的时间间隔不够长，不足以让分娩消失，那么“偶发事件”的可能性就很大。这就进一步强化了这种反应，后续的强化就变得更有可能。的确，有些反应没有被强化，而有些强化效应在反应发生之前就已经出现，但最终的结果是强化效应的情况得到了显著的发展。

二，统计思维要避免迷信学习

当然，人不是鸽子，但也是通过观察周围的信号来学习的。比如统计学中有一种现象叫做“回归均值”。简而言之，“回归均值”说明了一种现象，即相对远离均值的测量结果可能会产生更接近均值的结果。管理者通常会在事情失控时采取行动，然后观察他们觉得不典型的结果。这是因为有了这些非典型结果，很可能会有一些更接近正常情况的结果，所以即使实际上没有用，管理者也会从他们的预期结果中受益。因此，管理人员得出结论，他们的做法收到了良好的效果，所以他们会加强这种做法。没有好的统计指南，管理者往往认为自己的行为有助于观察到的结果，所以会像那些鸽子一样重复自己的强化行为。

对统计学的思考可以在两个方面最大程度上避免迷信学习:一是可以让管理者明白，一个观察到的结果是由一个很容易确定的重要原因引起的，而不是由许多偶然凑在一起的不重要原因引起的。统计学为管理者提供了一套分析工具(通常以图表的形式)，帮助他们理解动态过程行为随时间的变化。其次，统计思维可以得到强大的实验设计工具的支持。这些工具可以帮助项目经理通过前馈而不是反馈来研究因果模型。

前馈意味着管理者开发预测模型，然后通过仔细检查它们预测未来的能力来测试它们。通过研究专家的预测和实际结果之间的差异(即误差)，我们可以帮助管理者确定他们的模型是否存在系统性误差。与迷信从有利结果中学习不同，我们可以操纵前馈模型产生远离均值和接近均值的结果。一个精心设计的实验设计(DOE)项目肯定会包含这种确定的趋势。

思考统计学也会让管理者的注意力集中在变化和共性上。他们的统计指南和实验将可变性与计算相结合。这一点非常关键，因为客户感受到的是变异。如果没有六西格玛，管理者很可能只会看到一般的质量，而失去质量的这个关键组成部分。