Was ist "Six Sigma"?

Six Sigma ist eine datengetriebene Methodik zur systematischen Prozessverbesserung und Qualitätssteigerung. Das Ziel besteht darin, die Streuung von Prozessen so weit zu reduzieren, dass die Toleranzgrenzen mindestens sechs Standardabweichungen (Sigma) vom Zentrum der Verteilung entfernt sind. Six Sigma kümmert sich darum, dass das Resultat eines Prozesses immer innerhalb des gewünschten Spielraums bleibt. Während Lean den Fokus auf die Beseitigung von Verschwendung legt, konzentriert sich Six Sigma auf die Reduzierung der Prozessstreuung, beides ergänzt sich und gehört zusammen (vgl. Leyendecker/Kierdorf 2021). Im Rahmen von Operational Excellence nimmt Six Sigma neben Lean Management und Total Productive Management (TPM) eine wichtige Rolle als komplementärer Verbesserungsansatz ein.

Kerngedanke und Zielsetzung

Bei Six Sigma geht es darum, Fehler zu reduzieren, Prozessstreuung zu verringern, Prozesse vorhersagbarer zu machen und Ursache-Wirkungsbeziehungen aufzuzeigen und zu belegen. Und das nicht mit Vermutungen und Bauchgefühl, sondern mit Zahlen, Daten und Fakten. Das ist die große Stärke von Six Sigma: die datenbasierte Arbeitsweise (vgl. Leyendecker/Kierdorf 2021). Damit werden Diskussionen versachlicht und die Aufmerksamkeit auf die eigentlichen Probleme gelenkt, und nicht auf die oberflächlichen, emotionalen Aspekte, die das berufliche Umfeld so oft prägen.

Kerngedanke: Six Sigma verbannt die Politik und das Bauchgefühl aus der Diskussion und richtet den Fokus auf die Probleme selbst. Die große Stärke liegt in der konsequent datenbasierten Vorgehensweise (vgl. Leyendecker/Kierdorf 2021).

Six Sigma ist zudem eine stark kundenorientierte Vorgehensweise. Die erste Frage gleich in der Define-Phase lautet immer: Was will der Kunde? Die sogenannte Voice of the Customer wird erhoben und daraus die für den Kunden wichtigen Aspekte der Prozesse abgeleitet (vgl. Leyendecker/Kierdorf 2021). So wird sichergestellt, dass Prozesse nicht um der Prozesse willen optimiert werden, sondern stets mit Blick auf den Kundennutzen.

Ursprung und historische Entwicklung

Six Sigma wurde um 1986 von Bill Smith bei Motorola als Methode zur Qualitätskontrolle entwickelt. Sie war ein Nachzügler zu der Welle von Qualitätskontrollmethoden, die während und nach dem Zweiten Weltkrieg entstanden waren, wie die statistische Prozesslenkung (SPC), das Total Quality Management und die Null-Fehler-Strategie (vgl. Roser 2018, S. 24–27). Six Sigma steht damit in einer Linie mit früheren Qualitätsbewegungen nach Walter Shewhart und W. Edwards Deming.

Die Methodik gewann große Popularität, als Jack Welch Six Sigma 1996 bei General Electric (GE) unternehmensweit einführte. Seither ist Six Sigma ein fester Bestandteil des Methodenrepertoires produzierender Unternehmen. Von der Automobilindustrie und Elektronikfertigung breitete sich der Ansatz in nahezu alle Branchen aus, von der pharmazeutischen Industrie über den Finanzsektor bis hin zu Dienstleistungsunternehmen. Die Innovation lag in der Systematisierung durch den DMAIC-Zyklus und der Einführung einer klaren Rollenstruktur mit Belt-Zertifizierungen.

Statistische Grundlagen

Das statistische Fundament von Six Sigma basiert auf der Normalverteilung und dem Konzept der Standardabweichung (Sigma). Viele Qualitätsmessungen weisen eine Normalverteilung auf. Die Distanz vom Zentrum der Verteilung zu den Toleranzgrenzen wird in Standardabweichungen gemessen. Six Sigma verlangt, dass diese Distanz mindestens sechs Sigma beträgt (vgl. Roser 2018, S. 24–27).

In der Praxis wird bei Six Sigma eine langfristige Prozessverschiebung von 1,5 Sigma berücksichtigt. Unter dieser Annahme entspricht ein Six-Sigma-Niveau einer Fehlerrate von 3,4 Fehlern pro Million Möglichkeiten (DPMO, Defects Per Million Opportunities). Zum Vergleich: Ein Drei-Sigma-Prozess produziert rund 66.800 Fehler pro Million, ein Vier-Sigma-Prozess etwa 6.210 und ein Fünf-Sigma-Prozess nur noch 233 Fehler pro Million. Jede Verbesserung um ein Sigma-Niveau bedeutet somit eine dramatische Reduktion der Fehlerrate.

Die Prozessfähigkeitskennzahlen Cp und Cpk quantifizieren, wie gut ein Prozess die Spezifikationsgrenzen einhält. Der Cp-Wert misst das Verhältnis von Toleranzbreite zur Prozessstreuung, während der Cpk-Wert zusätzlich die Lage des Prozessmittelwerts berücksichtigt. Ein Six-Sigma-fähiger Prozess weist einen Cp-Wert von 2,0 auf.

Der DMAIC-Zyklus

Der DMAIC-Zyklus ist das zentrale Vorgehensmodell von Six Sigma für die Verbesserung bestehender Prozesse. Die fünf Phasen Define, Measure, Analyze, Improve und Control bilden einen strukturierten Rahmen für die systematische Problemlösung und Prozessoptimierung (vgl. Leyendecker/Kierdorf 2021):

• Define (Definieren): Das Problem wird präzise beschrieben, der Projektumfang festgelegt und die Kundenanforderungen (Voice of the Customer) ermittelt. Ein Project Charter dokumentiert Ziele, Meilensteine und Verantwortlichkeiten.
• Measure (Messen): Die aktuelle Prozessleistung wird durch Datenerhebung quantifiziert. Messbare Kennzahlen werden definiert und die Ausgangssituation (Baseline) dokumentiert. Die Zuverlässigkeit des Messsystems wird durch eine Messsystemanalyse (MSA) sichergestellt.
• Analyze (Analysieren): Die gesammelten Daten werden statistisch ausgewertet, um die Ursachen der Prozessstreuung und der Fehler zu identifizieren. Methoden wie Hypothesentests, Regressionsanalysen und Ishikawa-Diagramme kommen zum Einsatz.
• Improve (Verbessern): Auf Basis der Analyseergebnisse werden Lösungen entwickelt, getestet und implementiert. Statistische Versuchsplanung (Design of Experiments) kann eingesetzt werden, um die optimalen Prozesseinstellungen zu ermitteln (vgl. Leyendecker/Kierdorf 2021).
• Control (Steuern): Die erzielten Verbesserungen werden nachhaltig abgesichert. Statistische Prozesskontrolle (SPC), Kontrollpläne und Standardisierung stellen sicher, dass der Prozess dauerhaft auf dem verbesserten Niveau bleibt.

Für die Neuentwicklung von Prozessen und Produkten wird alternativ der DMADV-Zyklus (Define, Measure, Analyze, Design, Verify) verwendet, auch bekannt als Design for Six Sigma (DFSS). Dieser Ansatz kommt zum Einsatz, wenn ein Prozess nicht nur verbessert, sondern von Grund auf neu gestaltet werden soll.

Rollenstruktur und Belt-System

Six Sigma zeichnet sich durch eine klar definierte Rollenstruktur aus, die durch ein Belt-System organisiert ist. Diese Begriffe klingen eher nach ostasiatischen Kampfsportarten, sie wurden in den 1980er Jahren von Mikel Harry geprägt, vermutlich um auf die neue Methode aufmerksam zu machen (vgl. Leyendecker/Kierdorf 2021). Die Struktur stellt sicher, dass die Methodik auf allen Ebenen der Organisation verankert ist:

• Yellow Belt: Eine kurze Einsteigerausbildung, die zahlreiche Problemlösungswerkzeuge beinhaltet, jedoch ohne Statistik. Yellow Belts wirken als Teammitglieder in Verbesserungsprojekten mit (vgl. Leyendecker/Kierdorf 2021).
• Green Belt: Projektleiter, die eine umfangreiche Ausbildung erhalten und anschließend eigene Optimierungsprojekte selbstständig durchführen können. Sie beherrschen die grundlegenden statistischen Werkzeuge und den DMAIC-Zyklus (vgl. Leyendecker/Kierdorf 2021).
• Black Belt: Vollzeit-Projektleiter mit vertieftem statistischem Wissen, insbesondere in der statistischen Versuchsplanung. Sie leiten komplexe Verbesserungsprojekte und coachen Green Belts. Die Ausbildung baut auf der Green-Belt-Ausbildung auf (vgl. Leyendecker/Kierdorf 2021).
• Master Black Belt: Experten auf höchstem Niveau, die die Six-Sigma-Strategie im Unternehmen vorantreiben, Black Belts ausbilden und die methodische Weiterentwicklung verantworten.
• Champion/Sponsor: Führungskräfte, die Six-Sigma-Projekte initiieren, Ressourcen bereitstellen und organisatorische Hindernisse beseitigen. Sie sichern die strategische Ausrichtung der Projekte.

Werkzeuge und statistische Methoden

Six Sigma nutzt ein umfangreiches Arsenal an statistischen und analytischen Werkzeugen, die je nach DMAIC-Phase zum Einsatz kommen. Die methodische Tiefe ist ein wesentliches Unterscheidungsmerkmal zu anderen Verbesserungsansätzen:

• Statistische Prozesskontrolle (SPC): Regelkarten überwachen die Prozessstabilität in Echtzeit und zeigen Abweichungen frühzeitig an.
• Versuchsplanung (Design of Experiments): Systematische Experimente identifizieren die signifikanten Einflussfaktoren und deren optimale Einstellungen. Die statistische Versuchsplanung ist das mächtigste Werkzeug im Six-Sigma-Koffer (vgl. Leyendecker/Kierdorf 2021).
• Messsystemanalyse (MSA): Prüft die Zuverlässigkeit des Messsystems als Voraussetzung für valide Entscheidungen.
• Ursache-Wirkungs-Analyse: Ishikawa-Diagramme und 5-Why-Analysen identifizieren Grundursachen systematisch.
• Regressionsanalyse und Transferfunktion: Idealerweise wird eine Regressionsgleichung erstellt, in der die Zusammenhänge zwischen Einflussgrößen und Prozessergebnissen mathematisch beschrieben werden. Ist diese Transferfunktion gefunden, hat man die Prozesszusammenhänge vollumfänglich verstanden (vgl. Leyendecker/Kierdorf 2021).

Six Sigma und Lean, Komplementäre Ansätze

Lean Management und Six Sigma wurden noch vor einigen Jahren in vielen Unternehmen getrennt betrachtet, verschmelzen aber zunehmend. Es wurde erkannt, dass das Zusammenspiel technischer und statistischer Aspekte mit dem kontinuierlichen Verbesserungsprozess die besten Ergebnisse hervorbringt (vgl. Leyendecker/Kierdorf 2021). Bei Lean ist das Kernthema die Reduzierung von Verschwendung; bei Six Sigma geht es um die Verringerung der Prozessstreuung. Während Lean eher die Logistik und die Abfolge verschiedener Schritte im Prozess verfolgt, befasst sich Six Sigma schwerpunktmäßig mit der Optimierung individueller Aktivitäten innerhalb des Prozesses (vgl. Koch 2021, S. 13–15).

Die beiden Ansätze benötigen einander: Wenn mit Lean eine Produktionslinie gut ausgetaktet werden soll, braucht man vorhersagbare Prozessergebnisse mit möglichst geringer Streuung, das ist das Thema von Six Sigma. Umgekehrt sind Six-Sigma-Datenanalysen kaum in der Lage, ein Signal im Rauschen zu erkennen, wenn nicht zuvor mit Lean 5S und die offensichtlichsten Formen der Verschwendung eliminiert wurden (vgl. Leyendecker/Kierdorf 2021). Die Kombination zu Lean Six Sigma vereint die Stärken beider Ansätze.

Lean und Six Sigma: Es gab Zeiten, da hatten die Vertreter beider Verbesserungsansätze wenig Verständnis füreinander. Doch die Zeit der Glaubenskriege ist vorbei. Nun wird Hand in Hand daran gearbeitet, effizienter und effektiver zu werden (vgl. Leyendecker/Kierdorf 2021).

Six Sigma und Data Analytics

In der Ära von Big Data, Data Analytics und Industrie 4.0 gewinnt Six Sigma zusätzlich an Bedeutung. Wer als Black Belt gelernt hat, professionell mit Daten umzugehen, hat einen strategischen Vorteil beim Einstieg in die datengetriebene Fertigung (vgl. Leyendecker/Kierdorf 2021). Data Mining, Data Analytics und Six Sigma bilden eine natürliche Verbindung, da die wissenschaftlich fundierten Werkzeuge zur Datenanalyse aus dem Six-Sigma-Methodenkoffer eine hervorragende Grundlage für moderne Datenanalysen darstellen.

Unternehmen sammeln immer größere Datenmengen, doch ohne die Fähigkeit, diese Daten professionell auszuwerten, bleibt das Potenzial ungenutzt. Mitarbeiter, die als Black Belts an die Datenanalyse herangeführt wurden, können dieses Potenzial systematisch erschließen (vgl. Leyendecker/Kierdorf 2021).

Six Sigma in der Unternehmenspraxis

Am Beispiel des Pharmaunternehmens Boehringer Ingelheim wird deutlich, wie Six Sigma als tragende Säule der Business Process Excellence erfolgreich implementiert werden kann. Seit dem Jahr 2002 beschäftigt sich der Standort Ingelheim mit der Six-Sigma-Methodik zur Prozessoptimierung. Begann damals alles im Bereich der Wirkstoffproduktion, so strahlt der Ansatz mittlerweile in die pharmazeutische und biopharmazeutische Produktion, die Infrastruktur, Tiergesundheit und Entwicklung aus (vgl. Klocker 2020, S. 12–16).

Six Sigma bildet bei Boehringer Ingelheim eine der Säulen der Business Process Excellence. Die Verbindung mit der Coaching-KATA schafft dabei eine Bereicherung in der Entwicklung der Mitarbeiter hin zu strukturierten und zielorientierten Problemlösern (vgl. Klocker 2020, S. 12–16). Dieser Praxisbericht zeigt, dass Six Sigma nicht isoliert eingesetzt werden muss, sondern in Kombination mit anderen Ansätzen wie der KATA seine volle Wirkung entfaltet.

Six Sigma im Kontext von Operational Excellence

Im Operational Excellence Reference Model nimmt Six Sigma eine wichtige Position neben Lean Management und TPM ein. Wird ein Verbesserungsprogramm wie Six Sigma gestartet, ist die erste sinnvolle Aktivität der Erkenntnisgewinn durch Messung: Was ist mit der Anlage los, und welche Vorgehensweise verspricht Erfolg? Die Overall Equipment Effectiveness (OEE) ermöglicht es, sich schnell einen Überblick über die Verluste zu verschaffen. OEE ist ein grundlegendes Instrument für Verbesserungsprogramme wie TPM, Lean oder Six Sigma und dient allen Beteiligten als gemeinsame Sprache (vgl. Koch 2021, S. 5–6).

Ob TPM, Lean, Six Sigma, Kaizen oder ein anderer Ansatz gewählt wird, die Produktionsanlagen sollten immer beherrscht und zuverlässig arbeiten. Der Baustein Qualitätserhaltung im TPM-System umfasst die funktionsübergreifende Zusammenarbeit von Qualitätssicherung und Produktion. Six Sigma liefert hierfür das methodische Instrumentarium, um Qualitätsprobleme datenbasiert zu analysieren und nachhaltig zu lösen (vgl. May/Schimek 2015, S. 72–75).

Kritische Betrachtung und Grenzen

Trotz ihrer Erfolge ist die Six-Sigma-Methodik nicht frei von Kritik. Eine wesentliche Herausforderung besteht darin, dass Six Sigma häufig als rein technisch-statistischer Ansatz verstanden wird, während die kulturellen und führungsbezogenen Aspekte der Verbesserung zu kurz kommen. Die Frage, ob ein Black Belt automatisch einen Lean-Profi ausmacht, wird zurecht kritisch diskutiert (vgl. Roser 2018, S. 24–27). Statistische Kompetenz allein reicht nicht aus, um nachhaltige Verbesserungen zu erzielen.

Es bedarf zusätzlich eines tiefen Verständnisses für die Prozesse vor Ort, für die Bedürfnisse der Mitarbeiter und für die Prinzipien der schlanken Produktion. Ohne Anpassung des Führungsverhaltens führt die Verbesserung der Prozesse nur kurzfristig zu Erfolgen. Ohne die Integration in ein ganzheitliches Verbesserungssystem bleiben Six-Sigma-Projekte oft Inseloptimierungen.

Erfolgsfaktoren für Six-Sigma-Projekte

Unternehmen, die Six Sigma nachhaltig implementieren wollen, müssen sowohl die organisatorischen als auch die kulturellen Voraussetzungen schaffen:

• Management-Commitment: Six-Sigma-Projekte benötigen Ressourcen, Zeit und die aktive Beteiligung der Führungskräfte als Champions und Sponsoren.
• Projektauswahl: Projekte müssen strategisch relevant sein, einen messbaren Nutzen versprechen und in überschaubarem Zeitrahmen abschließbar sein.
• Datenqualität: Ohne zuverlässige Messsysteme und valide Daten führen auch die besten statistischen Methoden zu falschen Schlussfolgerungen.
• Mitarbeiterentwicklung: Black Belts müssen nicht nur statistisch kompetent sein, sondern auch Prozesse und Menschen verstehen. Die nachhaltige Verankerung erfordert ein Führungsverständnis, das die Mitarbeiterentwicklung in den Mittelpunkt stellt.
• Integration mit anderen Ansätzen: Six Sigma entfaltet seine volle Wirkung erst in Kombination mit Lean, TPM und der Toyota-KATA (vgl. Klocker 2020, S. 12–16).

Quellenangaben

Koch, A. (2021): OEE für das Produktionsteam. 4. korr. Aufl., Deutscher Management Verlag, Herrieden, S. 5–15.

May, C.; Schimek, P. (2015): Total Productive Management. 3. korr. Aufl., CETPM Publishing, Herrieden, S. 72–75.

Roser, C. (2018): Macht ein „Black Belt“ den Lean-Profi aus?, in: YOKOTEN 01/2018, S. 24–27.

Klocker, A. (2020): Wenn die Chemie stimmt, Six Sigma trifft Coaching-KATA bei Boehringer Ingelheim, in: YOKOTEN 01/2020, S. 12–16.

Leyendecker, B.; Kierdorf, M. (2021): Und warum jetzt auch noch Six Sigma? Zwei Trainer und Experten im Dialog, in: YOKOTEN 02/2021.

Weiterführende Literatur

May, C.; Schimek, P. (2015): Total Productive Management. 3. korr. Aufl., CETPM Publishing, Herrieden.

Koch, A. (2021): OEE für das Produktionsteam. 4. korr. Aufl., Deutscher Management Verlag, Herrieden.

Verwandte Konzepte

Kennzahlen · OEE · Operational Excellence · KVP · 16 Verlustarten · Qualitätserhaltung · Kobetsu Kaizen (1. Säule des TPM-Hauses) · Standards · Wertstrom-Management · Shopfloor Management