车间里常有人拍板说这个方案肯定更好，问依据却只有一次尝试的结果。样本小、偶然性大时，直觉很容易看走眼。假设检验的作用，就是在有随机波动的情况下，判断观察到的差异到底是真差别还是碰巧。
先立一个待检验的说法，通常默认没有差别，然后看手上的数据在这个前提下出现的可能性有多大。可能性很低，就倾向于否定这个默认说法，认为差别确实存在；可能性不低，就只能说数据还不足以证明有差别。
它给的从来不是非黑即白的对错，而是在数据支持下的倾向性判断。
比较一组数据的均值与某个目标值，用单样本检验；比较两组独立样本均值，用两样本检验；比较同一批对象前后两次测量，用配对检验；比较多组均值，用方差分析；判断两个分类变量是否相关，用卡方检验。用哪一类，取决于数据结构和你要回答的问题。
p值反映在默认无差别前提下，出现当前或更极端数据的可能性。p值小于事先约定的判断线，一般就认为差别显著。但显著不等于重要：样本足够大时，很小的差别也可能被判显著，是否值得动手还要看实际影响。
一类是把没有证据说明有差别，直接说成两者一样，这两者并不等价。另一类是拿数据一直试，直到试出显著为止，这种做法结论不可靠。检验的类型和判断线，宜在收集数据之前就定下来。
分析阶段先靠鱼骨图、流程图把可能的原因铺开，再用假设检验逐个验证，把站不住的原因剔掉，把真正起作用的留下。这样改进阶段下手就有针对性，而不是把能想到的招都试一遍。
样本太少，检验的功效低，真实存在的差别也可能测不出来。做检验前宜先估一下需要多少样本，再动手收集数据，避免测完发现数据不够、只能重来。
两个量随同变化，不代表一个引起了另一个，背后可能有共同原因。想验证因果，宜用对照实验或分层的办法把其他因素固定住，别把相关直接当成因果去改。
汇报时别把统计结论说得过满。显著就说在这个数据和判断线下认为有差别，不显著就说当前证据还不足。给结论留出分寸，反而更让人信服，也更经得起复核。
检验只回答有没有差别，值不值得改还得看实际影响。差异再显著，若改善的代价高于收益，也未必值得动手。把统计结论和成本放在一起看，决策才完整。
很多人一听统计就犯怵。试着用一个日常例子把检验的思路讲给同事听：猜硬币正反面、比两种做法谁更快。把原理讲通俗了，团队才愿意接受数据结论，改进也更好推动，不会觉得那是报表上的事。
检验做完，别停在有没有差别上。有差别就接着定改哪些环节、谁来改、多久验证；没差别就回头看看问题定义或数据是否到位。检验是通往行动的桥，不是终点。
假设检验是把凭感觉变成看数据的一座桥。把问题定义清楚、数据收集规范、解读保持分寸，它就能帮你在众多说法里挑出更站得住的那些。
众智商学院提供六西格玛绿带与黑带的报考与课程服务。报考咨询热线：400-880-3651，手机/微信：19963017889（张明老师），官网：www.cppmchina.com。
