數據分析標尺是多少

1. 電商數據分析指標都有哪些該如何進行分析

此文是對最近學習的電商相關知識點做一個鞏固

傳統零售利用二八法則生存，電商靠長尾理論積累銷售。
傳統零售是小數據，電商是大數據。
傳統零售是「物流」，零售過程就是商品的流動；電商是「信息流」，顧客通過搜索、比較、評論、分享產生信息，達到購買的目的。
傳統零售注重體驗感，電商注重服務和效率。
傳統零售是做加法，電商是做乘法。傳統零售是通過一家家店擴大影響力，電商通過資金的投入迅速搶占市場。
傳統零售的主要成本是房租和人工成本，電商的主要成本是物流和營銷成本。
總結：電商和傳統零售雖有千萬種差別，但總歸都是零售，融合是二者註定的趨勢，即現在火熱的新零售。

傳統零售的數據主要是進銷存數據、顧客數據和消費數據。電商的數據卻復雜得多，數據來源渠道也很多樣化

電商數據來源廣泛，常規的流量數據、交易數據、會員數據在品牌的交易平台都有提供。一些第三方網站也提供數據源及分析功能。

1、網路統計：包括流量相關的網站統計、推廣統計、移動統計三部分內容。分析內容包括趨勢分析、來源分析、頁面分析、訪客分析、定製分析和優化分析。
2、谷歌分析：包括流量分析工具、內容分析、社交分析、移動分析、轉化分析、廣告分析幾部分內容。
3、Crazy egg熱力圖：主要特色是對頁面熱點追蹤分析的熱力圖。
4、CNZZ數據專家（友盟）：包括站長統計、全景統計、手機客戶端、雲推薦、廣告管家、廣告效果分析和數據中心等。
還有一些無需埋點監測數據的產品，如GrowingIO、神策數據、諸葛io等。

以下為用思維導圖進行梳理的電商數據分析指標，總共包括六大類

對訪問你網站的訪客進行分析，基於這些數據指標可以網頁進行改進

這里需要注意兩個點

1）影響因素不同：UV 價值更受流量質量的影響；而客單價更受賣的貨的影響；

2）使用場景不同：UV 價值可以用來評估頁面 / 模塊的創造價值的潛力；客單價可以用來比較品類和商品特徵，但一個頁面客單價高，並不代表它創造價值的能力強，只能得出這個頁面的品類更趨近於是賣高價格品類的。

如果網站是為了幫助客戶盡快完成他們的任務（比如：購買，答疑解惑），那麼在線時長應當是越短越好；如果希望客戶一同參與到網站的互動中來，那麼時間越久會越好。所以，分析在線時長是否越長越好，要根據產品定位來具體分析

從注冊到成交整個過程的數據，幫助提升商品轉化率。

對於一個新電商來說，積累數據，找准營運方向比賣多少貨，賺多少錢更重要。這個階段主要 關注流量指標 ，指標如下：

對於已經經營一段時間的電商，通過數據分析 提高店鋪銷量 就是首要任務。此階段的重點指標是 流量和銷售指標 ，指標如下：

對於已經有規模的電商，利用數據分析 提升整體營運水平 就很關鍵。重點指標如下：

數據指標分為追蹤指標、分析指標和營運指標，營運指標就是績效考核指標。一個團隊的銷售額首先是追蹤出來的，其次是分析出來的，最後才是績效考核出來的。銷售追蹤自然是按天、按時段說話，分析一般是以周和月為單位，績效考核常常是以月為主、以年為輔。

執行人員側重過程指標，管理層側重結果指標。對於數據分分析人員來說要學會根據職位提供不同的數據。

1、無流量不電商，對於流量分析，我們常用漏斗圖來做分析，幾乎每個流量的細分都可以用到漏斗圖。
2、漏斗圖就是一個細分和溯源的過程，通過不同的層次分解從而找到轉化的邏輯。
3、漏斗圖的弱點，就是反應一條轉化路徑的形態，我們可以稍加修改實現漏斗圖的對比功能。

1、流量的質量分為質和量兩方面，只有質沒有量的流量是沒有多少實際價值的，流量的質體現在不同的營銷目的上，例如獲得點擊、注冊、收藏、購買或者獲取利潤的目的。
2、可以通過四象限分析圖來對比分析流量的質量。下圖是針對購買的轉化率和流量的四象限圖，其中第一象限的流量應該是高質量的，流量和轉化率均高於平均值；第二象限渠道的流量轉化率高，但量不大，通過搜索來的流量大部分屬於此類；第四象限流量屬於質低量高，站外購買的流量這種情況比較多；第三象限屬於質低量低的雙低流量，不用特別維護，任其發展即可。
3、圖中的Y軸可以根據具體的分析目的替換成點擊率、注冊率、收藏率、ROI（單元產出）等進行對比分析。
四象限分析圖中，X軸、Y軸、分析對象都可以根據不同的目的進行替換。
4、散點圖的四象限分析可以結合趨勢，或者演變成四象限氣泡圖，氣泡圖的大小為ROI，這種四象限圖信息量更大。

1、電商的銷售針對比傳統零售復雜很多，主要復雜在流量的多層次多渠道上，互聯網的好處是幾乎能將用戶的每個動作記錄下來，然後我們從中找到關鍵點進行診斷即可。下圖，是一個類似杜邦分析的圖，從值（圖中紅色）和率（圖中藍色）兩個方面，訂單、新客、老客三個維度將銷售額拆成五個層次，每個層次間具有加或乘的邏輯關系。
2、銷售額是一個結果指標，圖中的20個指標是過程指標，每個指標的變化都會影響最終的銷售額，基本都是正相關。（折扣和銷售額的關聯會稍微復雜一些）
3、通過上圖，使用對比、細分的原則分析可以判斷出哪兒些指標變化對銷售額產生了影響。

參考書籍為《數據化管理——洞悉零售及電子商務運營》

2. 數據分析指標有那些

用戶行為類指標

用戶行為指標是互聯網行業和傳統行業最大區別。傳統行業，用戶行為發生在門店裡，極難用數字化手段記錄，因此只有在發生交易時，才能記錄數據。

傳統企業的大部分數據都是交易數據。而互聯網行業依託小程序/H5/APP，能記錄用戶在每個頁面的點擊，相當於在網上店鋪的每一步動作都有記錄，因此能分析很多東西。

具體到指標上，可以套用AARRR模型，分模塊展開：

拉新：主要用於分析拉新的轉化效率與質量。拉新是很多互聯網公司最重要的任務，拉新成本是很多互聯網公司最大的成本支出，因此拉新關注度極高。

通過這些指標的分析，能讓負責商品運營的同事直觀看到商品暢銷/滯銷情況，從而調整商品進銷存計劃，避免商品積壓/缺貨。

注意，虛擬商品原則上是沒有庫存的（或者說庫存想設多少設多少）。但是濫發虛擬商品，又會引發互聯網中通貨膨脹與商品貶值。比如游戲里稀有皮膚賣的貴，是因為稀有才貴，為了短期收入搞大優惠，一但爛大街，反而大家都不稀罕了。

所以控虛擬商品的庫存，不是看商品動銷率或者在庫時間，而是看GMV整體目標。在達成GMV整體目標情況下，高中低端商品保持一個穩定的庫存結構，避免爛大街。

3. 數據採集與分析的指標有哪些

講解幾個數據分析的常用指標

增長研究社
08-04 · 優質科技領域創作者
評價指標是評判數據表現的衡量標准，它是數據分析中非常重要的部分，也是產品經理必須掌握的重點內容。不同的數分任務採用不同的評價指標，對於同一種任務在不同場景下也會採用不同的評價指標。

例如在檢測垃圾郵件這個場景中，這是一個典型的二分類問題，所以可以用精確率和AUC曲線這兩個指標判斷模型的效果；在人臉識別場景中，使用誤識率、拒識率和ROC曲線這三個指標評判模型的效果。

不同指標的著重點不一樣，一個指標在不同場景下適用性可能不一樣，產品經理需要學習不同指標的特性，在項目中根據實際需要選擇不同的評價指標。下文中我們重點講解一些產品經理常用的評價指標。

01 混淆矩陣

混淆矩陣（Confusion Matrix）是評價模型精度的一種標准格式，用一個N行N列的矩陣形式來表示。矩陣每一列代表預測值，每一行代表實際值。

從混淆矩陣的名字不難看出來，它的作用是表明多個類別之間是否有混淆，也就是模型到底判斷對了多少個結果，有多少個結果判斷錯了。同時混淆矩陣能夠幫助我們理解准確率、精確率和召回率的區別。

面對一個二分類問題時，通常我們會將結果表示為正類與負類，兩者可以隨意指定。在上述區分貓狗圖片的例子中，我們假定貓為正類、狗為負類。那麼在實際進行預測的時候就會出現四種情況，如下圖所示：

混淆矩陣

如果這張圖片是貓，機器預測出來的結果也是貓，這種情況稱為真正類（True Positive，以下簡稱TP）；

如果這張圖片是狗，機器預測出來的結果也是狗，這種情況稱為真負類（True Negative，以下簡稱TN）；

如果這張圖片是貓，機器預測出來的結果是狗，這種情況稱為假負類（False Negative，以下簡稱FN）；

如果這張圖片是狗，機器預測的結果是貓，則為假正類（False Positive，以下簡稱FP）。

02 准確率

准確率（Accuracy）是指預測正確的樣本占總樣本的比例，即模型找到的真正類與真負類與整體預測樣本的比例。用公式表示為：

Accuracy=(TP+TN)/(TP+TN+FP+FN)
准確率的取值范圍為[0,1]，一般情況下取值越大，代表模型預測能力越好。

假設上述貓狗圖片分類的例子中，貓狗圖片各有500張。最後模型預測的結果中真正類有318個，真負類有415個，假正類有75個，假負類有182個。根據准確率的定義可以算出來目前模型的准確率為：（318+415）/（1000）=0.73。

准確率是評價模型效果最通用的指標之一，描述模型找到「真」類別的能力。也就是說模型准確識別出貓和狗的概率為0.73。但是在使用的時候有兩點需要我們注意。首先是准確率沒有針對不同類別進行區分，最後求得的准確率對每個類別而言是平等對待的，這種評價方式在很多場景下是有欠缺的。

在本例中，雖然可以看到模型的整體准確率是73.30%，但是從結果中明顯可以看出來，模型對於貓的識別效果遠不如對狗的識別效果。如果我們模型的目的是為了把貓的圖片挑出來，那麼這個准確率就有些虛高。

在實際的病患診斷中，計算機診斷出某患者患有癌症，實際上卻未患癌症與計算機診斷出某患者未患有癌症，而實際上卻患有癌症這兩種情況的重要性不一樣，不能一概而論。我們需要明確後續是降低誤診率還是提高確診率，才能讓後續模型優化更有針對性。

另外在正負樣本極不平衡的情況下，准確率這個指標存在很大的缺陷。例如在銀行的全量客戶中，要尋找適合推薦信託產品的超高凈值客戶是非常難的。因為這部分人群要求存款較多、收入較高，比較稀少，往往只有萬分之一的概率。

如果一個預測客戶適不適合信託產品的模型用准確率去評判，哪怕模型把全部客戶預測成負類，即全部都是不適合的情況，那麼這個模型的精度也有 99% 以上。

但這個指標就失去了原有的意義，因為無法找到任何高凈值的人群。所以我們一再強調，沒有萬能的指標，根據場景選擇合適的指標非常重要。

03 精確率與召回率

精確率（Precision）和召回率（Recall）是一對好兄弟，雖然是兩個不同的評價指標，但它們互相影響，通常一起出現。在很多書上又把精確率稱為查准率，把召回率稱為查全率。

召回率是針對原始樣本而言的指標，它表示原始樣本中的正例有多少被預測正確。

原始樣本中的正例有兩種情況，一種是把原來的正類預測成正類(TP)，另一種就是把原來的正類預測為負類(FN)，這兩種情況組成了原始樣本所有的正例。計算公式為：

Recall=TP/(TP+FN)
上述模型中識別貓類圖片的召回率為：

318/（318+182）=0.63
從這個角度可以看出來總共500張貓的圖片，模型只找對了318張，相比准確率而言，召回率更真實地反應了模型的效果。

而精確率是針對預測結果而言的指標，它表示預測為正類的樣本中有多少是對的。預測結果為正例有兩種情況，一種就是把正類預測為正類(TP)，另一種就是把負類預測為正類(FP)。所以精確率的計算公式為：

Precision=TP/(TP+FP)
即上述模型中識別貓類圖片的精確率為：

318/（318+75）=0.81
從這個指標可以看出來模型總共把393張圖片預測為貓，其中只有318張圖片預測正確。所以模型可能存在欠擬合的情況，將部分狗的照片判斷成貓，判斷為正類的條件太寬松。下一步優化的時候可以選擇適當降低條件以此提高模型效果。如下圖所示可以看出精確率與召回率的區別：

精確率與召回率

在理想情況下，我們希望精確率和召回率兩者都越高越好。

然而事實上這兩者在很多情況下是互相矛盾的。當召回率變高時意味著需要盡可能找到原始樣本的正例，因此模型覆蓋的數量會變多，模型就更高的幾率犯錯，將原本不屬於該分類的樣本也加進來，這就導致精確率下降。

如果我們希望模型盡可能多得找出貓的圖片，我們會想辦法提高召回率；如果我們希望模型找到的圖片少一點但找出來的都是貓的圖片，我們會想辦法提高精確率。

有兩個很典型的場景可以說明這兩個指標實際運用的區別，一個是對於地震的預測，我們希望盡可能預測到所有的地震，哪怕這些預測到的地震中只有少數真正發生了地震，在這個時候我們就可以犧牲精確率。

寧願發出100次警報，但是把10次真實的地震都預測對了，也不希望預測了10次但是只有8次真實的地震被預測出來了，因為只要有1次地震沒被發現都會造成巨大的損失。因此這是一個「寧可抓錯，不可放過」的場景。

還有一種是垃圾郵件分類的場景，我們希望模型能夠盡可能找到所有垃圾郵件，但是我們更不希望把自己正常的郵件被分到垃圾郵件中，哪怕是一封正常的郵件，這會對用戶造成很嚴重的後果。對於少數沒有被識別出來的垃圾郵件，其實用戶是可以容忍的。

這時候我們寧可少分類成垃圾郵件，但必須確保分的都是對的，這就是一個「寧可放過，不可抓錯」的場景。因此在不同的場合中，需要產品經理根據實際情況，自己判斷希望是精確率比較高或是召回率比較高。

另外精確率和准確率是比較容易混淆的兩個評估指標，兩者的核心區別在於：精確率是一個二分類指標，只適用於二分類任務，而准確率能應用於多分類任務。

04 ROC曲線

在邏輯回歸的分類模型里，對於正負例的界定，通常會設一個閾值。大於閾值的樣本判定為正類，小於閾值的樣本為負類。如果我們減小這個閾值，會讓更多的樣本被識別為正類，從而提高了正類的識別率，但同時也會使得更多的負類被錯誤識別為正類。

直接調整閾值可以提升或降低模型的精確率和召回率，也就是說使用精確率和召回率這對指標進行評價時會使得模型多了「閾值」這樣一個超參數，並且這個超參數會直接影響模型的泛化能力。在數學上正好存在ROC曲線能夠幫助我們形象化地展示這個變化過程。

ROC曲線是一個畫在二維平面上的曲線，平面的橫坐標是假正類率（FalsePositive Rate，簡稱FPR），計算公式為：

FPR=FP/(FP+TN)
縱坐標是真正類率（True Positive Rate，簡稱TPR），計算公式為：

TPR=TP/(TP+FN)
對於一個分類器而言，每一個閾值下都會有一個FPR和TPR，這個分類器就可以映射成ROC平面上的一個點。當我們調整這個分類器分類時使用的閾值，就可以得到一個經過(0,0)，(1, 1)的曲線，這條曲線就是這個分類器的ROC曲線，如下圖所示。

ROC曲線

從圖中可以看到，所有演算法的ROC曲線都在y=x這條線的上方，因為y=x表示了隨機的猜測的概率。所有二分類問題隨便猜正確或不正確都是50%的准確率。

一般情況下不存在比隨機猜測的准確率更糟糕的演算法，因為我們總是可以將錯誤率轉換為正確率。如果一個分類器的准確率是40%，那麼將兩類的標簽互換，准確率就變為了60%。

從圖中可以看出來，最理想的分類器是到達(0,1)點的折線，代表模型的准確率達到100%，但是這種情況在現實中是不存在的。如果我們說一個分類器A比分類器B好，實際上我們指的是A的ROC曲線能夠完全覆蓋B的ROC曲線。如果有交點，只能說明A在某個場合優於B，如下圖所示。

分類器A與分類器B的ROC曲線

ROC曲線通常搭配著它對應的比率圖一起使用，我們繼續用貓狗圖片分類的例子說明這兩個圖怎麼看。原本我們貓狗的圖片各有500張，如所示圖形的X軸代表預測的概率值，Y軸代表觀察的數量。

假設我們用一個新的分類器對圖片進行分類，分類結果用黑色線代表狗圖片的分布，用灰色代表貓圖片的分布。模型給出的分值越高代表模型判斷這張圖片是貓的把握越大，反之模型的給出的分值越低代表模型判斷這張圖片不是貓的把握越大，也就是說這張圖片更有可能是狗。

從下圖中可以看出來這個分類器的分類效果還是挺好的，基本上基本把兩個物群的分布分開，ROC曲線也非常靠近（0,1）這個點。

某分類器下的ROC曲線

如上圖所示，如果將閾值設為0.3，左邊劃線部分的面積代表模型判斷為狗的圖片數量有300張左右，並且從圖中可以看出來這300張圖片全部分類正確。

如果將閾值設為0.5，則左邊劃線部分的面積代表模型判斷為狗的圖片有530張左右，從圖中重疊部分可以看出來大約有40個分類結果是包含錯誤分類的，這些錯誤分類包括實際是狗的圖片被分成貓的情況以及實際是貓的圖片被分類成狗的情況。

0.3閾值與0.5閾值下的分類結果

這時候我們用另外一個分類器再進行分類，結果如圖3-16所示。可以看到整個分類結果向右偏移，同時模型的效果變差，因為兩個分類結果重疊的部分變大，無論我們把閾值設在哪裡都會比上一個分類器產生更多的錯誤分類。

假如這時我們採用「寧可抓錯，不可放過」的原則把閾值設置為0.8，則右邊劃線部分只有200個左右不會被分類為狗的圖片，其餘800個結果全部會被判定為狗的圖片，盡管這裡面有350個分類結果是錯誤的結果。

新的分類器下的ROC曲線

從上述例子中看出來，ROC曲線可以幫助我們從圖像的角度分辨兩個分類結果的分布情況以及選擇模型合適的閾值。因此也是很多產品經理比較喜愛的指標之一。

這時很多讀者可能會有疑問，既然已經有那麼多評價標准，為什麼還要使用ROC呢？

原因在於ROC曲線有個很好的特性：當測試集中的正負樣本的分布變換的時候，ROC曲線能夠保持不變。在實際的數據集中經常會出現樣本類不平衡，即正負樣本比例差距較大，而且測試數據中的正負樣本也可能隨著時間變化，使用ROC曲線不管是數據集怎麼變換，都有直觀的展示效果。

05 AUC值

ROC曲線一定程度上可以反映分類器的分類效果，但始終是以圖像的形式，不能告訴我們直接的結果。我們希望有一個指標，這個指標越大代表模型的效果越好，越小代表模型的效果越差。於是引入了AUC值（Area Under Curve）的概念。

AUC是數據分析中最常用的模型評價指標之一，實際上AUC代表的含義就是ROC曲線下的面積，如下圖所示，它直觀地反映了ROC曲線表達的分類能力。AUC值通常大於0.5小於1，AUC（面積）越大的分類器，性能越好。

AUC值的圖形展示

AUC值的定義是：從所有正類樣本中隨機選取一個樣本，再從所有負類樣本中隨機選取一個樣本，然後分類器對這兩個隨機樣本進行預測，把正類樣本預測為正類的概率為p1，把負類樣本預測為正類的概率為p0，p1>p0的概率就等於AUC值。

即AUC值是指隨機給定一個正樣本和一個負樣本，分類器輸出該正樣本為正的概率值比分類器輸出該負樣本為正的那個概率值要大的可能性，AUC值越高代表模型的排序能力越強。理論上，如果模型把所有正樣本排在負樣本之前，此時AUC的取值為1，代表模型完全分類正確，但這種情況在實際中不可能出現。

總結AUC值的四種取值結果有：

AUC=1時，代表採用這個預測模型，不管設定什麼閾值都能得出完美預測，模型能夠將所有的正樣本都排在負樣本前面。但是在現實中不存在完美的分類器。

0.5<AUC<1時，代表模型的效果比隨機猜測的准確率高，也就是說模型能夠將大部分的正樣本排在負樣本前面，模型有一定的預測價值。

AUC=0.5時，代表模型的預測效果與隨機猜測一樣，只有50%的准確率。也就是說模型完全不能區分哪些是正樣本哪些是負樣本，沒有預測價值。

AUC<0.5時，代表模型的預測效果比隨機猜測還差；但只要將樣本正負例互換，結果就能優於隨機猜測。

4. 6西格碼是什麼意思

6西格碼是什麼意思？
回答：
六西格瑪是一項以數據為基礎，追求幾乎完美的質量管理方法。
西格瑪是一個希臘字母σ的中文譯音，統計學用來表示標准偏差，用"σ"度量質量特性總體上對目標值的偏離程度。幾個西格瑪是一種表示品質的統計尺度。任何一個工作程序或工藝過程都可用幾個西格瑪表示。六個西格瑪可解釋為每一百萬個機會中有3.4個出錯的機會，即合格率是99.99966％。而三個西格瑪的合格率只有93.32％。六個西格瑪的管理方法重點是將所有的工作作為一種流程，採用量化的方法
分析流程中影響質量的因素，找出最關鍵的因素加以改進從而達到更高的客戶滿意度。

六西格瑪（Six Sigma）是在九十年代中期開始從一種全面質量管理方法演變成為一個高度有效的企業流程設計、改善和優化技術，並提供了一系列同等地適用於設計、生產和服務的新產品開發工具。繼而與全球化、產品服務、電子商務等戰略齊頭並進，成為全世界上追求管理卓越性的企業最為重要的戰略舉措。六西格瑪逐步發展成為以顧客為主
體來確定企業戰略目標和產品開發設計的標尺，追求持續進步的一種質量管理哲學。
六西格瑪類似於SPC（統計性工作程序控制）嗎？
六西格瑪是一個致力於完美和追求客戶滿意的管理理，SPC是一個支持六西格瑪這個管理理念的工具。所有那些傳統的質量管理工具，像SPC、MSA、FMEA、QFD等均是實現六西格瑪必不可少的工具。
實施六西格瑪的目的是什麼？
為企業實施六西格瑪提供必須的管理工具和操作技巧；為企業培養具備組織能力，激勵能力，項目管理技術和數理統計診斷能力的領導者，這些人才是企業適應變革和競爭的
核心力量。從而使企業降低質量缺陷和服務偏差並保持持久性的效益，促進快速實現突破性績效，幫助企業達到戰略目標。
六西格瑪適合於什麼樣的企業？
它適用於任何水平、任何企業，它功能強，可以測量到百萬分之一的水平。因為它是要影響到整個公司，實施六西格瑪需要上層領導的大力協助。中國的企業在中國加入WTO後，必將面臨日益激烈的來自全球的競爭，同時信息化的飛速發展將從根本上改變經濟的組織結構和消費行為，如何在這種新的經濟環境中生存、成長、壯大是對每一個企業領
導人的挑戰。六西格瑪，由於其嚴謹的方法和實施步驟、以面向最終用戶來建立營運體系的管理思想，對於中國企業建立卓越的管理體系、獲取並保持在國際市場上的競爭優勢提供一個非常有效的管理思想和實踐。現在，一些中小型企業也開始運用六西格瑪工具，來提高效率和創新開發能力，為擴大企業規模和提高國際競爭力奠定堅實的基礎。

我們經常調查我們的客戶，發現他們對我們的公司很滿意，六西格瑪怎麼能幫助我們呢？
如果你們的客戶只是滿意，並沒有填上最好的一欄，請注意，他們現在可能滿意，但是客戶非常易變，如果他們發現市場上還有（可能）更好的選擇，他們很可能會從你公司
跳到另一公司。以往經驗表明，那些在調查中填寫"好"的客戶比那些填"極好"的客戶有六倍更傾向於更換公司。六西格瑪可以幫你提高他們對你公司的認可，同時在既定客戶滿意度基礎上，企業可以大幅度降低為實現該目標而支付的成本，從而在激烈的競爭環境中顯著提升企業的經營利潤。
六西格瑪能提高基線嗎？
如果我們看到那些詞，譬如：返工、重新檢驗、重新修改等等，我們就會有概念，我們生產過程中有多少個浪費，六西格瑪致力於減少浪費，提高基線。一般企業的次品成本
占銷售的10％-25％，試想，這個數字能夠提高多大幅度的基線。
六西格瑪保證零個次品嗎？
六西格瑪保證一個極小且有限的數目的次品，這個數目非常地小以至於被認為基本上完美，不保證零個次品這個事實吸引了許多人來應用六西格瑪，因為大多數人不相信有真
正完美，大多數願意把目標訂到在一百萬中只有三個次品，因為它是一個有限的數字。
有目標之後，他們就願意去努力，這正是我們需要的開始。
我們是服務性企業，如何運用六西格瑪？
不管你是服務性或生產性企業，你們都會有工作程序，六西格瑪致力於優化工作程序。如果一個工作程序浪費許多我們的努力或是另一種工作程序產生許多次品，這兩種工作
程序都一樣傷害到公司本身和我們的顧客。服務行業可能比生產行業更需要提高，因為工程師們從一開始就致力於優化他們的生產程序，而服務行業的白領們卻始終找不到衡量服務標準的尺度。在服務業中，誰能越快找到這個量化的標准，誰就能越快地提高自身的競爭力。六西格瑪是由顧客開始由顧客結束，並且是一個確定什麼是客戶的真正要求和找出沒有滿足顧客期望的缺陷，以便建立新的服務流程和產品設計開發能力或提高客戶滿意度的過程。
我們已經有了一個質量控制系統，為什麼我們還需要六西格瑪？
六西格瑪是一套連續的優化工具，它能夠提高質量、減少消耗，如果你們的企業現在並沒有在進步，你的企業可能正在落伍。六西格瑪不是一個標准，而是一種文化，是從防
護的標准到放開思想改革創新的突破性理念。
我們正在申請ISO9000，六西格瑪能夠促進還是阻礙我們的努力？
ISO9000和它的衍生（QS-9000、TL-9000、AS-9000等）能給我們提供一個基本的質量保
證系統，一個工作程序化思想的基礎。要成為世界級的企業，你們需要一個更先進的質
量系統，更可靠的質量能夠讓我們的客戶更滿意。六西格瑪能夠產生更高層次的凝聚力
，ISO/QS-9000在文件記錄與監測方面支持六西格瑪。請注意，ISO-9000 2000版和現在的QS-9000要求持續的優化。六西格瑪是一個非常好的管理理念和工作方法，它既促進企業改革又能保證在企業各個層面上的持續優化。