Definition
Datengetriebene Methode zur Prozessoptimierung und Fehlerreduktion auf ein Niveau von maximal 3,4 Defekten pro Million Möglichkeiten (DPMO). Kombiniert statistische Werkzeuge mit dem DMAIC-Zyklus. Ursprünglich bei Motorola entwickelt, heute global in Fertigungs- und Dienstleistungsunternehmen verbreitet.
In der Praxis
Six Sigma entfaltet seinen Nutzen dort, wo Probleme komplex und die Ursachen nicht offensichtlich sind: Statt mit Erfahrungswissen zu korrigieren, werden Prozessdaten statistisch ausgewertet, bis die Einflussgrößen auf die Streuung belegt sind. Das macht die Methode aufwendig — Messreihen, Hypothesentests, Prozessfähigkeitsanalysen — und erklärt, warum sie sich für einfache Probleme nicht lohnt. Der Anspruch von 3,4 Fehlern pro Million Möglichkeiten beruht auf einem Sechs-Sigma-Prozess mit einer langfristigen Verschiebung von 1,5 Sigma; in der Praxis arbeiten die meisten Unternehmen mit deutlich niedrigeren Sigma-Niveaus und nutzen die Methodik zur schrittweisen Annäherung. Erfolgreiche Programme koppeln Projekte an Einsparpotenziale und qualifizieren Mitarbeitende als Green oder Black Belts.
Verwandte Begriffe
Häufige Fragen zu Six Sigma
Was bedeutet Six Sigma konkret?
Ein Sechs-Sigma-Prozess erzeugt statistisch höchstens 3,4 Fehler pro Million Möglichkeiten (DPMO) — unter Annahme einer langfristigen Mittelwertverschiebung von 1,5 Sigma. Praktisch heißt das: Die Prozessstreuung ist so klein, dass auch bei Schwankungen praktisch keine fehlerhaften Ergebnisse außerhalb der Toleranz entstehen.
Ist Six Sigma genormt?
Ja — die ISO-13053-Reihe beschreibt Six Sigma als quantitative Methode zur Prozessverbesserung; Teil 1 (ISO 13053-1) legt die DMAIC-Methodik fest. Die Gürtel-Qualifikationen (Green Belt, Black Belt) sind dagegen nicht einheitlich genormt, die Ausbildungsinhalte variieren je nach Anbieter.
Für wen lohnt sich Six Sigma?
Vor allem für Unternehmen mit großen Stückzahlen, hohen Qualitätskosten oder komplexen Prozessen, bei denen sich Streuungsreduktion messbar auszahlt. Für kleine Losgrößen oder einfache Probleme ist der statistische Aufwand meist zu hoch — dort reichen schlankere Methoden wie 8D oder KVP aus.