数据的争论：持续改善降低损失

在“认识损失”一节中，我们分享了持续改善所要追求的“零损失”的概念。要做到持续降低损失，我们需要首先认识损失，并可以通过适当的数据记录、收集和统计体系，让损失清晰可见。

这就涉及如何让数据说话，发挥其作用的话题。同时，数据本身，是企业运作的一把双刃剑，运用得当，它可以发挥我们期望的“让损失清晰可见”的作用，并可以支持到后续的分析和专题改善。但是，如果运用不当，它也会产生负面作用。关于这点，让我们先看两个例子。

在前面我们分享了对损失进行划分归类的一种方式——八大浪费。损失还可以通过其他方式来进行划分，比如对于工厂运营来说，可以通过人工、设备效率、物料损耗、能源、物流仓储等成本要素来进行划分。这些要素可以视情况进一步予以细分。

例如人工损失可以进一步区分为由于组织安排所导致的组织损失、宏观上的饱和度不足、不平衡所带来的损失，以及微观作业层面上的不增值活动所产生的损失。

人工的组织损失，简单来说，就是指人员的考勤时间里，没有用在日常开机操作上的时间。这些损失，包括生产线的人员超额配置，而导致多产生的考勤时间，和由于生产量不足，而导致的开工不足继而造成的人员富余时间。在更严格的损失定义里，组织损失还包括了其他并没有被安排用于开机操作的考勤时间，比如参加沟通会议、培训时间、休息、用餐时间、交接班时间，这些凡是没有被投入到生产上的时间，都可以被视为人工的组织损失。

从宏观上来衡量人员的作业劳动负荷，可以通过工作取样的方式或者其他统计方式，得出各岗位的作业内容和所需时间，从而测算出增值工作和不增值工作，以及相应的岗位饱和度。过低的饱和度，意味着我们在人员的利用上存在着极大的损失。而过高的劳动负荷，不但对人员会带来较大的损害，也无形中增加了人员出错的几率。通过了解各岗位的实际负荷程度，我们可以对负荷过高的岗位，识别削减工作量的机会，而对负荷较低的岗位，可以寻找机会利用其空闲时间。

微观作业的观察，则是通过对某项作业的整个过程开展观察，识别其中存在的八大浪费，例如过多的搬运，来回的走动，动作上的不合理等，从而帮助我们识别其中的损失，找到改善的机会。(www.xing528.com)

在这个例子里，无论是对人工的组织损失进行分解，还是在宏观上对作业饱和度进行探究，或者是在微观层面上对作业的过程和动作进行观察分析，这些活动都涉及了数据的收集。没有这方面的数据，我们就无法计算出饱和度，无法全面地知晓在人员的组织损失上、微观层面上存在的改善空间。

让我们来看第二个例子。

在设备效率方面，我们通常将总的设备可利用时间与设备在理论速度下所需的理论开机时间之差的所有其他时间，视为损失。简单来说，就是设备没有按理论速度生产出好的产品的时间，都是设备效率的损失。不同的企业之间，会有不同的损失分类定义方式。我们大致可以将这些损失划分为两类，非计划的停机时间和计划停机时间。在非计划停机时间，包括设备故障、小停机、速度损失、废品、返工时间、设备调整、超出预期的换产时间、超出预期的开关机时间、临时断料而导致的停机时间等。而我们提前计划好的设备清洁时间、设备保养时间、开关机时间、换产时间等，都属于计划停机时间。

我在这里罗列了一些有关人工损失、设备效率损失方面的分类方式。关于损失分类的方法有多种，不同企业在损失的类别划分上也存在差异。无论哪种方法，都会显示，损失的数据分类是一项细致繁琐的工作。这点也使得数据的“双刃剑”特性得以体现。对于不少企业来说，往往并不具备完备而强大的损失数据收集系统。比如说人工损失，很多企业只知道每年、每个月支付了多少薪酬福利，但是却无法区分员工的作业里，哪些是增值的部分，哪些是不增值的时间损失，而这些损失，原则上都是我们可以予以改善和消除的，从而可以帮助我们节约成本，提升效率。但是，如果想要做到让损失清晰可见，就意味着必须要对损失予以明确的分类定义，必须要有一套行之有效并确切执行的数据记录、收集系统。而这又意味着会产生数据记录、收集的工作量。这往往会被团队成员视为额外的工作量，特别是当这些数据，是需要通过人工来采集、记录。如果数据过多，往往意味着花在数据记录上的时间会增多。

如果数据记录、收集的质量不能得以保障，这部分“增加”的时间，将导致大量“垃圾数据”的产生。这种情况，我屡见不鲜。很多工厂都会采用综合设备效率（OEE）来衡量设备效率，但是在实际运作中，我发现很多工厂的数据，都来自现场人员的估计：设备的损失时间，是人员在收班后，估了个大致数据填写上去的。我也看到有企业制定了一长串的损失分类清单，详细规定了每种数据的来源，统计周期等，但是在投入使用一段时间后，这套系统就被束之高阁，再也无人问津。我还见到有的企业，在故障的数据统计上，生产部门填写了一份报表，维修部门又填写了一份报表，两个部门各自做出了一份数据收集的结果，而这两份报告的结果却大相径庭。于是在讨论该关注哪台设备，该把哪个问题作为关注重点时，生产部门和维修部门意见相左，乃至争吵不断，无法达成一致意见。

要知道对于数据分析来说，垃圾进，垃圾出。如果数据不完备、不正确，我们是无法获得对损失的正确认知，“让损失清晰可见”的目的也就无法达成。