Base técnica para la decisión del comité — con el mismo ejemplo real de inyección que sustenta el objetivo del proyecto.
Es una metodología para reducir la variación de un proceso hasta el punto de que los defectos sean prácticamente imposibles — usando datos y estadística, no percepciones ni suposiciones.
Nació en Motorola en 1986, creada por el ingeniero Bill Smith para resolver un problema muy concreto: los productos pasaban el control de calidad final, pero fallaban en manos del cliente. Se popularizó mundialmente en los años 90, cuando General Electric la adoptó como estándar corporativo bajo Jack Welch.
El nombre viene de la meta original: que el proceso quepa 6 desviaciones estándar (6σ) entre el centro y cada límite de especificación. En la práctica, esto equivale a permitir apenas 3.4 defectos por cada millón de oportunidades — un proceso casi sin fallas.
Por qué importa aquí: hoy el proceso de inyección no se mide con esta disciplina — el control es un muestreo aleatorio en el mes, sin límites formales. Six Sigma no es "hacer las cosas mejor" de forma genérica: es un método puntual para encontrar, con datos, exactamente dónde y por qué se pierde consistencia — y corregirlo antes de que se convierta en scrap o en una pieza defectuosa en manos del cliente.
Confundirlos es la razón por la que muchos programas de mejora fallan. Uno ataca el flujo; el otro, la variación.
Saltarse un paso (por ejemplo, medir sin validar antes el instrumento de medición) invalida todo lo que sigue.
| Qué significa | Aplicado a CILES — probetas de peso | |
|---|---|---|
| D | Definir el problema exacto, con datos — no una queja general. | La referencia PP130057 muestra una variación de peso >20% entre muestras. Ese es el problema puntual a resolver — no "hay mucha variación en general". |
| M | Recolectar datos — pero primero validar que el instrumento mida bien. | Antes de confiar en cualquier peso registrado, se valida la báscula con MSA (Gage R&R) — ver calculadora más abajo. |
| A | Encontrar la causa raíz con estadística, no con intuición. | Se calcula σ, Cp y Cpk sobre las probetas críticas para saber si la variación es del proceso o del instrumento, y qué tan lejos está de ser un proceso capaz. |
| I | Implementar la solución sobre la causa raíz encontrada. | Se ajustan los parámetros de inyección (temperatura, presión, tiempo de enfriamiento) y se definen límites de control estadísticos por referencia. |
| C | Sostener la mejora — que no se pierda con el tiempo. | La app de proveedores queda como el mecanismo de control continuo: alertas automáticas y dashboard en vivo, en vez de revisión manual esporádica. |
La base de todo cálculo de capacidad del proceso son estos dos números.
La analogía del tiro al blanco: imagina 10 disparos a una diana. La media te dice dónde cayó el "centro" de todos los disparos — ¿le pegaron arriba, abajo, al centro? La desviación estándar te dice qué tan juntos o dispersos cayeron esos disparos entre sí — si formaron un grupo apretado o quedaron regados por todo el blanco.
Un proceso puede tener un buen promedio (el centro está bien ubicado) y aun así ser inconsistente (mucha dispersión pieza a pieza). Por eso no basta con mirar el promedio: hay que mirar los dos números juntos.
El promedio. Suma todas las mediciones y divide entre cuántas hay. Responde: "¿dónde está centrado el proceso hoy?"
xi = cada medición individual · n = número de datos.
Qué tan parecidas —o distintas— son las piezas entre sí. Responde: "¿qué tanto se aleja, en promedio, cada pieza del centro?"
A mayor σ, más inconsistente es el proceso — sin importar qué tan bueno sea el promedio. Es la medida de la variación.
Mismos números que usa el simulador de Cp/Cpk más abajo — para que el comité vea de dónde salen.
| # | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| Medición xi | 102.4 | 101.0 | 101.9 | 101.4 | 102.4 | 99.4 | 98.4 | 98.6 | 99.5 | 98.0 |
| xi − x̄ | +2.1 | +0.7 | +1.6 | +1.1 | +2.1 | −0.9 | −1.9 | −1.7 | −0.8 | −2.3 |
| (xi − x̄)² | 4.41 | 0.49 | 2.56 | 1.21 | 4.41 | 0.81 | 3.61 | 2.89 | 0.64 | 5.29 |
¿Qué es el Cp? Es un número que compara dos cosas: qué tan ancha es la tolerancia permitida (lo que el cliente o el diseño acepta, LSL a USL) contra qué tan ancha es la variación real del proceso (6 desviaciones estándar). En una frase: ¿le cabe la variación del proceso a la tolerancia, con espacio de sobra, o no?
¿Para qué sirve? Convierte "el proceso varía mucho o poco" — algo subjetivo — en un solo número comparable, igual para cualquier pieza, cualquier proveedor, cualquier planta. Permite predecir el riesgo de defectos antes de que ocurran, no solo contarlos después.
Por qué importa: un Cp bajo no es una opinión — es una alerta temprana de que, tarde o temprano, van a salir piezas fuera de especificación, aunque hoy el promedio se vea bien. Es la diferencia entre reaccionar al problema cuando ya generó scrap, y anticiparlo con datos.
Compara el ancho de la tolerancia contra el ancho de la variación. No le importa si el proceso está centrado — solo si "cabría" en el mejor de los casos.
Lo mismo que el Cp, pero sí tiene en cuenta el centrado. Es el número que manda: un proceso puede tener buen Cp y mal Cpk si está descentrado hacia un límite.
Referencia de industria: Cpk < 1.0 → no capaz · 1.0 – 1.33 → marginal, requiere vigilancia · ≥ 1.33 → capaz.
USL = 102 mm · LSL = 98 mm · x̄ = 100.3 mm · σ = 1.71 mm
Cpk = mín(0.33, 0.45) = 0.33
El límite más cercano al centro "gana": aquí es el superior (USL) — por eso Cpk = Cpu = 0.33, no el promedio de los dos.
Simulación con los datos reales del proceso de inyección — pieza objetivo 100 mm ± 2 mm.
Repetibilidad y Reproducibilidad (R&R) con el método rápido de rangos — el mismo que se usa en piso de planta para un chequeo inicial.
Repetibilidad: si la MISMA persona pesa la MISMA pieza dos veces, ¿da el mismo resultado? Reproducibilidad: si dos personas DISTINTAS pesan la misma pieza, ¿coinciden entre ellas? Si la báscula falla en cualquiera de las dos, cualquier Cp o Cpk calculado con esos datos no sirve — se estaría midiendo el error del instrumento, no la variación real del proceso.
| Pieza | Operario A | Operario B | ||
|---|---|---|---|---|
| Repetición 1 | Repetición 2 | Repetición 1 | Repetición 2 | |
| Pieza 1 | ||||
| Pieza 2 | ||||
| Pieza 3 | ||||
Patrones ampliamente publicados en la literatura de Six Sigma y manufactura — no cifras específicas de una empresa auditada, sino el tipo de resultado que se documenta una y otra vez en plantas similares a la nuestra.
La industria automotriz fue pionera en llevar Six Sigma a proveedores de inyección y estampado — el estándar de calidad IATF 16949 exige MSA y control estadístico de proceso (SPC) como requisito, precisamente porque la variación no detectada en un componente pequeño se multiplica en el ensamble final.
En procesos de inyección, la literatura de Six Sigma documenta de forma consistente que la mayor fuente de variación de peso/dimensión suele estar en parámetros de máquina no estandarizados (temperatura, presión de sostenimiento, tiempo de enfriamiento) — exactamente el tipo de causa raíz que la etapa "Analizar" de DMAIC busca aislar.
21.8% de variación de peso sin control formal, con proveedores midiendo sin báscula validada. Eso es scrap que no se ve hasta que ya se gastó la materia prima.
App de Proveedores + Six Sigma (DMAIC): primero validar cómo se mide, luego estabilizar el proceso con datos — no con percepciones.
Menos scrap, piezas más consistentes, y una base de datos real para negociar y exigir a cada proveedor — más competitividad, no solo menos desperdicio.