들어가며 : "3.4개"라는 숫자에 낚인 적 있나요?

야, 솔직히 한 번쯤은 들어봤을 거야.

"식스시그마는 100만 개 중 불량 3.4개를 목표로 하는 품질 경영 기법입니다."

회사 교육 자료에도, 대학 강의 PPT에도, 면접 준비 블로그에도 똑같은 문장이 박혀 있지.
그런데 말이야. 여기서 누가 손 들고 이렇게 물어보면 갑자기 강의실이 조용해져.

맞아. 당신의 계산이 맞다.
순수하게 통계 교과서대로 계산하면 ±6σ 바깥 확률은 10억 분의 2 수준이야. 0.002 DPMO.
그런데 식스시그마 업계는 뻔뻔하게 3.4라고 말해. 무려 1700배 차이나는 숫자를.

이게 사기냐고? 아니야. 여기엔 제조 현장에서만 이해되는 아주 실용적인 이유가 숨어 있어.
오늘 그 이야기를 처음부터 끝까지, 친구한테 떠들듯이 풀어볼게. 기계·제조공학 전공자라면 졸업 전에 꼭 한 번은 정리하고 가야 할 내용이거든.

1. 시그마(σ)라는 글자부터 잡고 가자

시그마는 그리스 문자 σ고, 통계에서는 표준편차(standard deviation)를 뜻해.
쉽게 말하면 "데이터가 평균에서 얼마나 널뛰기 하느냐"를 재는 자야.

공장에서 σ는 "손 떨림"의 크기다

CNC 선반으로 지름 10.000mm짜리 축(shaft)을 1000개 깎는다고 해보자.
자동화 장비라도 결과물은 절대 전부 10.000mm가 아니야.

9.998, 10.001, 10.000, 9.999, 10.002…
공구 마모, 열변형, 소재 경도 편차, 절삭유 온도, 척(chuck)의 미세한 편심.
이런 게 전부 합쳐져서 산포(variation)가 생겨.

이 산포의 크기가 바로 σ야.
σ가 작다 = 기계가 야무지게 일한다.
σ가 크다 = 기계가 술 마시고 일한다.

규격한계(USL, LSL)와 시그마 레벨

설계자가 도면에 이렇게 써둬.
Ø10.000 ±0.030

그러면
· LSL(하한규격) = 9.970
· USL(상한규격) = 10.030
· 규격 폭(Tolerance) = 0.060mm

여기서 질문. 평균에서 규격한계까지 σ 몇 개가 들어가느냐?
이게 바로 시그마 레벨(Sigma Level, Z값)이야.

즉 식스시그마 = 규격 한계가 평균에서 표준편차 6개만큼 떨어져 있는 상태.
규격을 넓힌 게 아니라 산포를 확 줄여서 그 안에 σ가 6개나 들어가게 만든 거야.

2. 그림으로 보는 종 모양 곡선과 6σ

위 그림에서 초록색 선(규격한계)이 산 끝자락에서 아주 멀리 떨어져 있는 게 보이지?
곡선의 꼬리가 초록 선 바깥으로 삐져나가는 양 = 불량률이야.
6σ쯤 되면 꼬리가 사실상 안 보여. 그래서 "무결점에 가깝다"고 하는 거고.

3. 그래서 진짜 3.4개가 맞아? — 1.5σ 시프트의 등장

먼저 순수 통계값부터

표준정규분포에서 양쪽 꼬리 확률을 계산하면 이래.

봐. 6σ의 순수 이론값은 0.002 DPMO야. 10억 개 중 2개.
3.4가 아니라고. 그럼 3.4는 어디서 왔냐?

모토로라의 현실 감각 : "공정 평균은 가만히 안 있는다"

1980년대 모토로라(Motorola)의 엔지니어 빌 스미스(Bill Smith)와 동료들은 현장 데이터를 오래 관찰하다가 아주 중요한 사실을 발견해.

왜 흔들릴까? 기계공학 하는 사람이면 바로 떠오르지.

· 공구 마모 : 엔드밀 날이 닳으면 치수가 서서히 커지거나 작아짐
· 열 변형 : 아침 첫 가공과 오후 가공의 주축 온도가 다름(웜업 드리프트)
· 소재 로트 변경 : 강재 공급처가 바뀌면 경도·연신율이 달라짐
· 작업자 교대 : 셋업 방식의 미묘한 차이
· 금형 마모 : 사출 금형 게이트 마모로 충전량 변화
· 계측기 드리프트 : 캘리브레이션 주기 사이의 미세 오차

이런 요인들은 산포 자체를 키우기보다 분포 전체를 옆으로 밀어버려.
모토로라는 다양한 공정을 조사한 끝에 "장기적으로 공정 평균은 대략 ±1.5σ만큼 이동한다"는 경험적 보정값을 채택해.

계산의 마무리

분포가 오른쪽으로 1.5σ 밀렸다고 하면,
USL까지 남은 거리는 6σ − 1.5σ = 4.5σ.
반대편 LSL까지는 7.5σ라서 그쪽 불량은 사실상 0이야(약 3×10⁻¹⁴).

따라서 실질 불량률은 4.5σ의 단측 꼬리 확률만 보면 돼.

P(Z > 4.5) = 1 - Φ(4.5)
           = 3.3977 × 10^-6
           ≈ 0.0000034

DPMO = 0.0000034 × 1,000,000 = 3.4

시프트 반영 DPMO 전체 표

4. 1.5σ는 과학인가, 관습인가?

솔직하게 말할게. 이 1.5σ는 물리 법칙이 아니야.
모토로라가 자사 반도체·전자 조립 공정을 관찰해서 뽑은 경험적·보수적 보정 상수지.

학계에서는 꽤 비판도 받았어.

· 비판 1 : 공정마다 드리프트 크기가 다른데 왜 일률적으로 1.5σ인가?
· 비판 2 : SPC(통계적 공정관리)를 제대로 하면 평균 이동은 관리도에서 잡혀야 하는 것 아닌가?
· 비판 3 : 표본 크기 n=4~5의 관리도가 평균 이동을 감지하는 민감도 한계와 얽혀 있다는 해석

실제로 학술 문헌에서는 "1.5 shift는 부분군 크기 n≈4~5의 X-bar 관리도가 놓치기 쉬운 이동량과 얼추 맞아떨어진다"는 설명도 제시돼.
관리도에서 놓칠 정도의 이동은 현장에서 그냥 지나가니까, 그만큼을 미리 안전 마진으로 빼두자는 논리인 거지.

이게 기계공학도한테는 사실 되게 익숙한 사고방식이야.
우리도 재료 항복강도 그대로 쓰지 않잖아? 안전율 곱해서 허용응력 정하지.
식스시그마의 1.5σ도 딱 그 감성이야. 이론값을 현실로 번역하는 환율.

5. 공정능력지수 Cp, Cpk와의 연결고리

기계·제조 쪽 사람이라면 시그마 레벨보다 Cp / Cpk를 더 자주 볼 거야.
자동차 부품 승인(PPAP) 서류에 맨날 나오잖아. "Cpk ≥ 1.33 확보할 것" 이런 거.

Cp : 잠재 공정능력

Cp = (USL - LSL) / (6σ)

→ 규격 폭이 산포 폭(6σ)의 몇 배인가?
→ 공정이 "중심에 잘 맞춰졌다는 가정" 하의 최대 실력

Cpk : 실제 공정능력 (치우침 반영)

Cpk = min[ (USL - μ) / (3σ) , (μ - LSL) / (3σ) ]

→ 평균이 한쪽으로 치우쳤다면 그만큼 깎임
→ 항상 Cpk ≤ Cp

6. 부품 하나가 아니라 "제품 전체"라면? — RTY의 공포

여기서 진짜 중요한 얘기를 할게. 많은 사람이 놓치는 부분이야.

"우리 공정 99% 수율이면 훌륭한 거 아냐?"
응, 공정 하나라면.

누적 수율(Rolled Throughput Yield)

자동차 한 대에는 약 3만 개의 부품이 들어가.
스마트폰 기판 하나에도 수백~수천 개의 솔더 조인트가 있고.

각 공정 수율이 99%인데 공정이 100단계라면?

RTY = 0.99^100 = 0.366  →  36.6%

100대 만들면 63대가 재작업/폐기 대상

무섭지? 그럼 4σ(99.38%)로 해보자.

RTY = 0.9938^100 = 0.539  →  53.9%

여전히 절반이 날아가. 이제 6σ(99.99966%)를 넣으면?

RTY = 0.9999966^100 = 0.99966  →  99.97%

7. DPMO를 제대로 세는 법 — "기회(Opportunity)"의 정의

DPMO는 Defects Per Million Opportunities의 약자야.
"제품 100만 개당"이 아니라 "불량이 발생할 수 있는 기회 100만 번당"이라는 게 포인트.

DPMO = (총 결함 수 / (단위 수 × 단위당 기회 수)) × 1,000,000

예제로 감 잡기

총 기회 수 = 5,000 × 8 = 40,000
DPMO = (62 / 40,000) × 1,000,000 = 1,550

→ DPMO 1,550 ≈ 시그마 레벨 약 4.46σ

관련 지표 정리

· DPU (Defects Per Unit) = 총 결함 수 ÷ 단위 수 → 위 예시는 62/5000 = 0.0124
· DPO (Defects Per Opportunity) = DPMO ÷ 1,000,000
· FTY (First Time Yield) = 재작업 없이 한 번에 통과한 비율
· RTY = 각 공정 FTY의 곱
· COPQ (Cost of Poor Quality) = 품질 실패로 날아간 돈

현장에서 진짜 임원을 설득하는 숫자는 시그마 레벨이 아니라 COPQ야.
"우리 지금 3.8σ입니다" 하면 표정 변화 없지만,
"불량 때문에 연간 47억 원이 증발 중입니다" 하면 회의실 공기가 바뀌지.

8. 어떻게 6σ까지 가는가 — DMAIC 로드맵

목표만 외친다고 산포가 줄어들진 않아. 식스시그마의 진짜 알맹이는 방법론이야.

D — Define (정의)

고객이 진짜로 원하는 특성(CTQ, Critical To Quality)을 찾는다.
"소음이 조용해야 한다" 같은 감성 요구를 "1m 거리에서 45dB 이하"로 번역하는 단계.
프로젝트 헌장(Charter), SIPOC 다이어그램, VOC 분석이 여기 들어가.

M — Measure (측정)

측정 못 하면 개선도 못 해. 근데 여기서 제일 많이 터지는 게 측정시스템 자체의 오차야.
그래서 Gage R&R(반복성·재현성 분석)을 먼저 한다.

A — Analyze (분석)

결함의 근본 원인(Root Cause)을 통계로 잡아낸다.
파레토 차트로 "상위 20% 원인이 80% 문제를 만든다"를 확인하고,
특성요인도(Fishbone, 4M: Man·Machine·Material·Method)로 후보를 뽑고,
가설검정(t-test, ANOVA), 회귀분석으로 진짜 범인을 특정해.

I — Improve (개선)

꽃은 여기야. 실험계획법(DOE, Design of Experiments).
사출 성형에서 금형 온도, 사출 압력, 보압 시간, 냉각 시간을 한 번에 조합 실험해서
최적 조건을 찾아내는 게 전형적 예시지.

2^k 완전요인배치 예시 (k=4)
→ 16회 실험으로 4개 인자의 주효과 + 교호작용 파악
→ 반응표면법(RSM)으로 최적점 미세 조정

한 번에 한 인자씩 바꾸는(OFAT) 구식 방식은 인자 간 교호작용을 절대 못 잡아.
그래서 DOE가 필수야.

C — Control (관리)

개선해놓고 6개월 뒤에 원상복구되는 게 제조 현장의 슬픈 클리셰지.
그래서 관리도(Control Chart)로 지속 감시하고, 작업표준서를 갱신하고,
가능하면 포카요케(Poka-Yoke, 실수방지 설계)로 아예 실수를 물리적으로 막아.

9. 설계 단계에서 이기는 법 — DFSS와 공차 스택업

여기가 기계설계 하는 사람들한테 제일 중요한 대목이야.

생산 공정을 아무리 쥐어짜도, 설계가 무리하면 6σ는 불가능해.
그래서 나온 게 DFSS(Design For Six Sigma), 방법론은 DMADV(Define-Measure-Analyze-Design-Verify).

공차 스택업(Tolerance Stack-up)의 함정

부품 5개를 일렬로 조립하는데, 각각 ±0.10mm 공차라고 하자.

[최악조건법 / Worst Case]
누적 공차 = 0.10 × 5 = ±0.50 mm
→ 안전하지만 지나치게 보수적, 원가 폭발

[통계적 합성법 / RSS: Root Sum Square]
누적 공차 = √(0.10² × 5) = √0.05 = ±0.224 mm
→ 현실적, 다만 각 부품이 정규분포·독립임을 전제

차이가 두 배 이상이지?
WC로 설계하면 공차를 너무 빡빡하게 잡아서 가공비가 치솟고,
RSS로 설계하면 조립 여유가 생겨 원가를 아낄 수 있어.

재밌는 건, 설계를 잘하면 공정 능력이 그대로여도 시그마 레벨이 올라간다는 거야.
Cp = (USL−LSL)/6σ 에서 분자를 키우는 방법이니까.
현장 개선은 분모(σ)를 줄이는 싸움이고, 설계 개선은 분자(규격 폭)를 합리화하는 싸움이지.

이런 실무 감각은 교과서만으로 안 생겨서, 요즘엔 현직 품질 엔지니어들이 재능넷 같은 재능 공유 플랫폼에서 Minitab 실습이나 DOE 케이스 스터디를 직접 코칭해주기도 해. 이론과 현장 사이의 간극을 메우는 데는 이런 실전 경험 공유가 꽤 효과적이더라고.

10. 역사 : 반도체 회사 하나가 세상을 바꾼 이야기

1980년대, 모토로라의 위기

1970~80년대 미국 제조업은 일본 기업에 처참히 밀리고 있었어.
모토로라 TV 공장을 인수한 일본 기업이 같은 설비, 같은 인력으로 불량률을 1/20로 줄였다는 일화는 유명하지.

충격 받은 모토로라는 1986년 빌 스미스의 제안으로 식스시그마 프로그램을 공식화해.
1988년에는 미국 말콤 볼드리지 국가품질상 초대 수상.
1987~1997년 10년간 약 140억 달러 규모의 비용을 절감했다고 발표했어.

1995년, GE의 잭 웰치가 불을 붙이다

얼라이드시그널(Allied Signal)의 래리 보시디를 통해 식스시그마를 접한 GE의 잭 웰치는
이걸 전사 경영 전략으로 밀어붙여.

· 승진 요건에 그린벨트 취득 포함
· 임원 보너스의 상당 부분을 식스시그마 성과와 연동
· 5년간 누적 수십억 달러 효과 발표

이때부터 블랙벨트, 그린벨트, 챔피언 같은 유도 띠 색깔 용어가 전 세계 기업 문화로 퍼졌지.

2000년대 이후 : 린과의 결혼

식스시그마는 산포(variation)를 줄이는 데 강했지만 속도와 낭비에는 약했어.
반대로 도요타의 린(Lean)은 낭비 제거엔 최강이지만 통계적 정밀함은 부족했지.

그래서 둘을 합친 Lean Six Sigma가 표준이 됐어.
린의 7대 낭비(과잉생산·재고·운반·대기·과잉가공·동작·불량) 제거 + 식스시그마의 통계적 산포 축소.
지금 대부분의 기업 교육 과정은 이 통합 버전이야.

11. 그런데 정말 6σ가 항상 답일까?

친구로서 솔직하게 말할게. 아니야.

비판 1 : 창의성을 죽인다

3M은 2000년대 초 CEO 제임스 맥너니(GE 출신)가 식스시그마를 전사 도입한 뒤
효율은 올랐지만 혁신 제품 비율이 급감했다는 평가를 받았어.
포스트잇 같은 발명은 "산포를 줄이는" 사고방식에서 나오지 않거든.
연구개발은 본질적으로 실패와 변동을 껴안는 활동이니까.

비판 2 : 경제적 최적점 무시

3σ에서 4σ로 가는 비용과, 5σ에서 6σ로 가는 비용은 전혀 달라.
마지막 0.5σ를 얻는 데 드는 투자가 절감액보다 크면 그건 그냥 손해야.

비판 3 : 정규분포 가정의 한계

DPMO 환산표는 전부 정규분포를 전제해.
근데 현실 데이터가 항상 정규분포는 아니야.

· 진원도, 평면도, 표면거칠기 같은 0 이하가 불가능한 특성 → 오른쪽으로 치우친 분포
· 수명 데이터 → 와이블(Weibull) 분포
· 계수형 데이터 → 이항/포아송 분포

이럴 땐 Box-Cox 변환이나 Johnson 변환으로 정규화하거나,
비정규 공정능력분석(Non-normal Capability Analysis)을 써야 해.
무작정 Cpk 돌리면 숫자는 나오는데 그 숫자가 거짓말이야.

비판 4 : 꼬리 위험(Tail Risk)

실제 공정 데이터는 정규분포보다 꼬리가 두꺼운 경우가 많아.
즉, 극단적 불량이 이론 예측보다 훨씬 자주 나온다는 뜻.
그래서 아무리 계산상 3.4 DPMO여도, 안전 필수 부품은 100% 전수검사를 병행하는 거지.

12. 숫자로 체감하는 3.4 DPMO

추상적이니까, 3σ와 6σ를 일상으로 번역해보자.

이렇게 보면 왜 항공·의료·반도체가 식스시그마에 목매는지 바로 이해되지?
반대로 3σ가 얼마나 무서운 수준인지도 확 와닿고.

13. 현장 엔지니어를 위한 실전 체크리스트

시그마 레벨 계산 순서

① 결함(Defect)의 정의를 명확히 한다
   → 무엇이 불량인가? 재작업도 불량에 포함하는가?

② 단위(Unit)와 기회(Opportunity)를 정의한다
   → 기회 수를 부풀리지 않는다 (실제 검사 항목만)

③ 데이터를 충분히 수집한다 (최소 30개, 권장 100개 이상)

④ 정규성 검정 (Anderson-Darling, p > 0.05 확인)

⑤ DPMO 계산 → 시그마 레벨 환산표 적용
   (단기/장기 기준을 반드시 명시)

⑥ Cp, Cpk 병행 계산 → 산포 문제인지 중심 이탈 문제인지 구분

자주 쓰는 도구 요약

참고로 FMEA(고장모드영향분석)는 설계·공정 양쪽에서 쓰이는데,
심각도(S) × 발생도(O) × 검출도(D) = RPN으로 우선순위를 매겨.
최신 AIAG-VDA 기준에서는 RPN 대신 AP(Action Priority) 체계를 쓰니 이것도 알아두면 좋아.

14. 마무리 : 3.4는 목표가 아니라 사고방식이다

자, 정리해보자.

사실 나는 3.4라는 숫자 자체보다, 그 숫자가 태어난 사고의 전환이 더 멋있다고 생각해.

예전 품질관리는 "불량을 잘 걸러내자"였어. 검사 강화, 전수 검사, 선별.
식스시그마는 "애초에 산포를 줄여서 불량이 생길 수 없게 하자"로 판을 뒤집은 거야.

검사는 이미 만든 불량에 돈을 두 번 쓰는 일이잖아.
근본에서 산포를 잡으면, 검사 비용도 줄고 재작업도 사라지고 고객도 행복해져.

그래서 현장에서 진짜 중요한 질문은 "우리 몇 시그마예요?"가 아니야.
"우리 공정의 산포는 어디서 오고, 그걸 어떻게 줄일 수 있죠?"
이게 진짜 질문이지.

기계·제조공학을 공부하는 사람이라면, 도면에 공차를 적을 때마다
그 뒤에 숨은 σ와 Cp와 DPMO를 한 번쯤 떠올려봤으면 좋겠어.
숫자 하나 바꾸는 게 생산라인의 운명과 원가를 통째로 흔드니까.

혹시 Minitab 실습이나 실제 공정 데이터 분석 같은 부분이 막힌다면,
재능넷 같은 플랫폼에서 현직자들의 실전 노하우를 찾아보는 것도 좋은 방법이야.
통계는 손으로 돌려봐야 진짜 내 것이 되거든.

다음에 회사 교육에서 "식스시그마는 100만 개 중 3.4개"라는 슬라이드가 뜨면,
조용히 속으로 이렇게 생각해줘.

"아, 1.5σ 시프트 적용한 4.5σ 단측 확률이구나."

그 순간 당신은 이미 그린벨트 절반은 딴 거야. 😎