核心结论：DMAIC 不是 “必须有大量历史数据才能做”，数据不足时，把 “量化数据” 替换成 “定性证据 + 假设验证”，依然完整走完定义 - 测量 - 分析 - 改进 - 控制 5 个阶段；本质是从事后数据分析转向事前问题结构化。
D 定义（Define）—— 不依赖历史数据
目标：锁定问题、范围、客户需求、项目目标可用手段：
VOC 客户访谈、内部业务方访谈、竞品对标、业务场景流程图。绘制 SIPOC，明确输入输出、上下游边界。输出项目章程：问题描述、预期收益、范围、团队、时间计划。
要点：不用历史数据，只需要把要解决什么问题、谁是客户、成功标准写清楚。成功标准可以先设为可观测指标（哪怕暂时没有基线）。
M 测量（Measure）—— 缺历史数据就搭建基线体系
很多人卡在这一步：没有过往数据，没法算基线。应对方案：
小样本快速采集：试点 / 小范围试运行、手工台账、现场观测，收集少量原始数据作为临时基线。定性打分：用风险矩阵、1-5 分评分表对缺陷、等待时间、客户投诉做主观评估（注明是定性评估，后续迭代量化）
测量系统分析 MSA 简化：不做复杂 GRR，重点确认我们打算怎么收集数据、指标定义是否统一，避免后续数据口径混乱。
识别关键 Y（输出指标）和潜在 X（影响因子），建立数据采集计划。产出：当前状态的基线（可以是小样本 / 定性基线）+ 数据收集方案。
A 分析（Analyze）—— 数据少时优先逻辑分析，而非统计检验
不要强行做 t 检验、方差分析，样本不足统计结论不可靠。优先使用：鱼骨图、5Why、流程价值流 VSM，识别潜在根因。FMEA 失效模式分析，对潜在原因做风险排序，锁定高风险因子。
假设清单：列出 “哪些 X 可能影响 Y”，形成待验证假设。
核心：用逻辑推理缩小根因范围，而不是依靠大量数据证明相关性。把根因变成可测试假设，留给改进阶段验证。
I 改进（Improve）—— 小批量试验验证假设
针对 A 阶段筛选出的关键因子，设计小范围试点（单因子试错、A/B 小试验）。小范围落地改进方案，同步采集新数据，验证假设是否成立。多方案对比，筛选最优方案；评估成本、风险、落地难度。
产出：验证后的改进方案。这一阶段才是新业务数据的起点。
C 控制（Control）—— 建立长效数据机制，固化成果
重点不是传统控制图（数据量不够画不了），而是：标准化作业 SOP，明确后续持续采集哪些指标、谁负责、采集频率。设置预警规则（不一定是 3σ 控制线，可以是业务阈值）。建立复盘机制，持续积累数据；当数据量慢慢充足后，再补做统计控制图。知识移交，把项目经验沉淀给业务团队。
关键风险提醒（短板）
定性 / 小样本得出的结论不确定性更高，结论只能作为阶段性结论，不能当成永久定论；后续数据积累后持续迭代。
项目目标尽量选择可快速观测的指标，避开需要长期大量数据的指标。
全程标注假设条件，区分【事实】和【团队推断】，避免把主观判断当成客观结论。
一句话总结
传统 DMAIC 是数据驱动找根因；新业务缺数据版 DMAIC 是结构化假设 + 试点产生数据 + 逐步量化验证，框架不变，只是把 heavy 的统计分析替换成定性工具 + 小试验证，完整跑通 5 阶段。
