以數據分析驅動持續改善

優秀的企業會不斷的推動持續改善來提升營運績效及企業競爭力。精實生產及六標準差是業界最常見的系統性改善方法，前者聚焦在改善效率、去除浪費，後者則著重在減少變異、提升品質。

各類型的改善活動要能達到預期的效果，專案團隊除了要具備足夠的專業知識及經驗外，還需要具有問題解決的思維及熟稔運用問題解決方法；即便如此，企業還是會常發生改執行改善專案並未收到預期的效果，甚至專案半途而廢。這是因為企業並未具有足夠的數據分析能力來推動持續改善，這包括數據架構的基礎設施和統計分析的知識技術。幾個常見的情況為：

• 缺乏關鍵數據，有時是並未收集數據，有時是因為數據散落在各部門，難以發現和取得。
• 缺乏統計機率的知識，不能或錯誤的理解製程變異的來源，或者錯誤的解釋變異，甚至做出錯誤的判斷。
• 不會或不熟悉統計和探索式分析，以致只能粗淺的看數據，無法深入挖掘數據的洞見價值。
• 不會或不熟悉分析軟體工具，導致上一個問題，或者進度緩慢、過程出錯又難以察覺。
• 缺乏數據分析的素養，偏執於經驗和直覺。

數據分析在持續改善中提供兩個重要的功能，一個是從複雜的營運動態中找出關鍵的改善主題，另一個是在專案過程伴演推動專案成功的引擎。

尋找關鍵的改善主題

除了選擇明顯的問題做為改善專案外，找出潛在的威脅或發現新的機會有時反而是影響企業生存或成長的重要關鍵。或者是影響小但長久的問題，譬如長期的 1% 良率損失或浪費，長期累積下來也是企業的一大損失。這些不明顯或者容易被忽視的問題，都很難在日常營運中被發現，更難以被注意而有機會成為改善專案。

無論是明顯或潛在的威脅或機會，進行改善專案就需要投入資源，從資源的配置運用來看，選擇改善專案有二個層次要考量。首先是投入的資源是否能產生效益，其次是資源的整體配置是否能達到公司的效能最大化。 在複雜的商業營運環境下，無論是專案選擇或資源配置，沒有數據分析的基礎設施跟能力是很難有效的完成。即使基於經驗或直覺做了對的選擇且解決危機，但仍很難務實評估長期的績效，做出下一步的改善。

推動專案成功的引擎

改善專案若涉及複雜的影響因子或大量的數據，在專案的執行過程中缺乏數據分析的能力幾乎就是等於宣告專案失敗。 以製造場域的改善專案而言，衡量關鍵指標的表現、量測系統分析及評估、製程因子關聯性和因果關係分析、製程的時間序列分析、實驗設計與分析、產品品質的統計管制等重要的技術都依賴數據分析的能力。擴大來看，這包含了數個層面：

• 企業的數據架構及資料庫是能整合為需求者使用，而不是散落在各部門的數據孤島。
• 人員是否有足夠的統計分析知識、操作數據分析的工具或編寫分析程式的能力、正確的解讀數據，從數據中取得洞見並萃取知識，最後促成理性決策。
• 管理系統是否能收納由這些專案萃取而來的知識，有效的傳播以形成再利用的循環，但也要能確保資訊及機密的安全。

諸如六標準差等改善方法其實就已相當強調數據分析的重要性，也強論人員教育訓練的重要性，這也為什麼六標準差方要推行不同程度的訓練課程，而且都會搭配 mintab 這個統計分析軟體來做數據分析。採用六標準差方法進行持續改善而取得重大成果的公司、案例比比皆是，但仍有不少公司在推行這些改善專案時僅著重在專案結果，而不注重執行專案所需的數據分析技能，致使未能養成以數據驅動或輔助決策的重要能力。

隨著現代數位科技及數據分析技術的蓬勃發展，企業在推行持續改善時，也應該要充分利用這些技術優勢為公司創造更強大的競爭力：

• 數據架構平台不再限於關聯資料庫的格式，可以容納非結構化的資訊，也更有能力統合散佈在企業各部門的孤島式的數據。讓數據來源更為廣泛、透明也更容易取得，讓企業整體的數據產大最大的價值。
• 機器學習、深度學習、電腦視覺等高階的演算法的應用門檻各成本大幅降低，讓企業可以更容易導入這些強大的技術。例如從機器設備的保養從預防性進階為預測性、更精確及快速的缺陷檢查及分類能力、先進的製程控制技術，更準確的良率預測及生產排程。
• 整合關鍵資訊成為儀表板，讓各層級的參與者跟決策者以視覺化的方式，更容易的傳遞及吸收資訊，幫助決策者以務實的數據做出判斷及決策。

應用這些技術，可以更進一步的為持續改善建立數據分析架構，讓個別的持續改善專案有一共同的基礎，提升改善方法的有效性也同時促進專案間的綜效。