Uchanganuzi wa michakato na mkondo wa thamani
Uchanganuzi wa michakato na mkondo wa thamani hupima jinsi kazi inavyotiririka kweli: kila hatua inachukua muda gani, kazi inasubiri kwa muda gani, inarudi nyuma wapi, na inarundikana wapi; hufanya kazi unapojengwa kutoka kwa data ya matukio yenye mihuri ya wakati na ufuatiliaji halisi, ukilenga kikwazo, na kukaguliwa dhidi ya watu wanaofanya kazi.
Kwa nini hili ni muhimu
Kila mtu ana picha ya jinsi kazi inavyotiririka, na kwa kawaida si sahihi. Nyaraka za mchakato zinaonyesha njia safi kutoka ombi hadi kukamilika. Uhalisia unajumuisha mizunguko, makabidhiano ambayo hayamo katika mchoro wowote, na vipindi virefu ambapo kazi inakaa bila kuguswa. Ombi ambalo nyaraka zinasema huchukua hatua tatu linaweza kupitia kumi na moja, na kutumia asilimia 90 ya maisha yake kusubiri.
Uchanganuzi wa michakato na mkondo wa thamani hubadilisha picha na ushahidi. Huanza kutoka kwa data ambayo mifumo tayari inarekodi, kama hali za tiketi, mihuri ya wakati, na ukabidhi, na kutoka kwa uchunguzi wa kazi halisi. Hujenga upya njia ambazo kazi inapitia, hupima muda katika kila hatua, na kutenganisha muda wa kufanya kazi na muda wa kusubiri. Wikipedia inaeleza uchimbaji wa michakato (process mining) kama mbinu za kuchanganua kumbukumbu za matukio kugundua, kufuatilia, na kuboresha michakato halisi.
Matokeo mara nyingi hushangaza. Kikwazo si pale watu walipofikiri. Hatua ambayo kila mtu analalamikia ni ya haraka, na ucheleweshaji uko katika makabidhiano kabla yake. Theluthi ya maombi hurudi nyuma kwa taarifa zinazokosekana. Matokeo haya husababisha maboresho mahususi, madogo, ndiyo maana uchanganuzi huu ni mojawapo ya wenye manufaa zaidi katika usimamizi wa huduma. Mada hii inaeleza mbinu kuu, data inayohitajika, na tahadhari. Inajenga juu ya mnyororo wa thamani (mada 1.7 — Mnyororo wa Thamani ya Huduma), mtiririko na kanban (mada 2.3 — Mtiririko na kanban), fikra za lean (mada 2.4 — Lean na kaizen), na uchanganuzi (mada 7.1 — Uchanganuzi kwa usimamizi wa huduma). Misingi ya data (mada 7.2 — Misingi ya data na utawala wa data) ni muhimu sana hapa, kwa sababu mihuri ya wakati na mabadiliko ya hali ndiyo malighafi.
Dhana kuu
Mkondo wa thamani. Mfuatano wa hatua ambazo shirika hufanya kutoa bidhaa au huduma kwa mteja, kama "tatua tukio kuu la hitilafu" au "mpokee mfanyakazi mpya". Wikipedia inaeleza mikondo ya thamani. Mkondo wa thamani hupita katika shughuli za mnyororo wa thamani kwa mpangilio wake. Tazama mada 1.7 — Mnyororo wa Thamani ya Huduma.
Kuchora ramani ya mkondo wa thamani. Mbinu ya lean inayochora kila hatua ya mkondo wa thamani pamoja na muda wake wa kuchakata na kusubiri kati ya hatua, ili muda unaotumika kuongeza thamani ulinganishwe na jumla ya muda uliopita. Wikipedia inaieleza. Ramani mara nyingi huchorwa kwa kutembea kupitia mchakato na watu wanaohusika na kuandika nyakati halisi.
Uchimbaji wa michakato (process mining). Kutumia data ya matukio kugundua jinsi michakato inavyoendeshwa kweli. Kila tukio lina kitambulisho cha kesi (kama nambari ya tiketi), shughuli (kama "imekabidhiwa" au "imetatuliwa"), na muhuri wa wakati. Kutoka kwa hivi, mbinu hujenga upya njia ya kila kesi, huonyesha njia za kawaida zaidi, hupata tofauti, na kupima nyakati. Wikipedia inaeleza uchimbaji wa michakato na ugunduzi wa michakato. Inakamilisha kuchora ramani: uchimbaji unaonyesha kilichotokea kati ya maelfu ya kesi, ramani inaonyesha kwa nini katika chache.
Data ya matukio. Uchanganuzi wa michakato unategemea data nzuri ya matukio: kitambulisho thabiti cha kesi, majina wazi ya shughuli, na mihuri sahihi ya wakati. Mifumo ya tiketi na mtiririko wa kazi kwa kawaida huhifadhi mabadiliko ya hali pamoja na nyakati. Kagua kwamba data inaakisi kilichotokea. Tiketi iliyowekwa alama "inasubiri" inaweza isimaanishe inasubiri mteja; hali inaweza kuwekwa kwa wingi mwishoni. Tazama mada 7.2 — Misingi ya data na utawala wa data.
Muda wa kuongoza, muda wa mzunguko, na muda wa kusubiri. Muda wa kuongoza ni muda uliopita kutoka ombi hadi kukamilika, kama mteja anavyopitia. Muda wa mzunguko ni muda tangu kuanza kwa kazi. Wikipedia inaeleza vyote viwili. Muda wa kusubiri, muda unaotumika kwenye foleni au bila kazi kati ya hatua, kwa kawaida ndio sehemu kubwa zaidi. Fafanua kila nukta ya kuanza na kuisha kwa usahihi. Uhusiano kati ya kazi inayoendelea, upitishaji, na muda wa kuongoza unatolewa na sheria ya Little, inayoelezwa na Wikipedia. Tazama mada 2.3 — Mtiririko na kanban.
Ufanisi wa mtiririko. Sehemu ya muda wa kuongoza ambapo kazi inafanyiwa kazi kikamilifu. Katika michakato mingi ya maarifa na huduma, ufanisi wa mtiririko uko chini ya asilimia 20, ikimaanisha muda mwingi ni kusubiri. Kipimo hiki huelekeza umakini kwenye ucheleweshaji badala ya juhudi. Kagua namba kwa kuchukua sampuli ya kesi halisi, kwa kuwa zinategemea jinsi muda wa kazi unavyorekodiwa.
Vikwazo na vizuizi. Kikwazo ni hatua inayopunguza upitishaji wa mchakato mzima. Nadharia ya vizuizi (theory of constraints), ambayo Wikipedia inaeleza, inasema kuboresha chochote isipokuwa kizuizi hakuboreshi mtiririko wa jumla, na kwamba kizuizi kinapaswa kutambuliwa, kutumiwa kikamilifu, kisha kupunguzwa. Wikipedia inaeleza vikwazo katika uzalishaji. Katika uchanganuzi, tafuta hatua ambapo kazi inarundikana, ambapo muda wa kusubiri ni mrefu zaidi, au ambapo matumizi yanakaribia kamili.
Tofauti na kazi upya. Mchakato uleule huendeshwa kwa tofauti nyingi: njia ya furaha, njia zenye idhini, njia zenye mizunguko. Wikipedia inaeleza kazi upya (rework), kurudia kazi kwa sababu ya makosa au taarifa zinazokosekana. Kuhesabu mara ngapi kesi zinarudi nyuma, na kwa nini, hupata upotevu. Mzunguko kwenda kwa mteja kwa taarifa zinazokosekana katika asilimia 30 ya maombi unaashiria tatizo la fomu.
Makabidhiano. Kila kabidhi kati ya timu huongeza kusubiri na nafasi ya taarifa kupotea. Hesabu makabidhiano kwa kila kesi na muda unaotumika baada ya kila moja. Mtazamo wa njia za kuogelea (swimlane), unaoelezwa na Wikipedia, unaonyesha nani anashughulikia nini. Njia zenye makabidhiano mengi ni wagombea wa kubuniwa upya. Tazama mada 3.1 — Dawati la Huduma.
Tofauti. Wastani huficha mtawanyiko. Kesi zinazochukua mara kumi zaidi ya kesi ya kawaida ndizo zinazosababisha maumivu, na zina sababu zinazostahili kupatikana. Wikipedia inaeleza mtawanyiko wa kitakwimu na udhibiti wa michakato ya kitakwimu, vinavyotenganisha tofauti za kawaida na ishara. Ripoti migawanyo na asilimia, si wastani tu. Tazama mada 7.3 — Upimaji na utoaji taarifa.
Kanuni ya Pareto. Sababu chache mara nyingi hutoa sehemu kubwa ya athari, mfumo ambao Wikipedia inaeleza kama kanuni ya Pareto. Ikitumika kwa ucheleweshaji, tofauti chache au hatua chache mara nyingi hufanya sehemu kubwa ya muda uliopotea. Anza hapo.
Foleni. Matumizi yanapokaribia uwezo, kusubiri hukua kwa kasi, kama nadharia ya foleni inavyoonyesha. Wikipedia inaieleza. Timu "iliyo na shughuli asilimia 100" itakuwa na foleni ndefu. Acha nafasi, hasa kwa kazi inayofika kwa nasibu. Tazama mada 3.11 — Upatikanaji, Uwezo, na Utendaji.
Ulinganifu na uzingatiaji. Uchimbaji wa michakato unaweza kukagua kama kesi halisi zinafuata mchakato uliokusudiwa, kama idhini zinazohitajika zilitokea. Unasaidia ukaguzi na udhibiti, kwa tahadhari kwamba data inaonyesha kilichorekodiwa, si lazima kilichofanywa. Tazama mada 3.4 — Uwezeshaji wa Mabadiliko.
Kutembea kupitia mchakato. Data hupata wapi; watu huelezea kwa nini. Tazama kazi, zungumza na watu wanaoifanya, na uangalie sampuli ya kesi halisi. Mazoea ya lean huita hili kwenda mahali kazi inapofanyika, gemba. Tazama mada 2.4 — Lean na kaizen.
Faragha na haki. Data ya michakato inaweza kuonyesha mifumo ya kazi ya watu binafsi. Itumie kuelewa mfumo, jumlisha kwa timu au hatua, na usiitumie kufuatilia au kupanga watu binafsi. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.
Lenzi zinavyolingana. Uchanganuzi wa michakato ni upande wa data wa uboreshaji wa uchapuchapu na fikra za lean: pata kizuizi, jaribu badiliko dogo, pima tena. AI inaweza kusaidia kugundua mifumo na kuandaa ramani, chini ya mapitio. Uendeshaji otomatiki hutenda juu ya matokeo, kama kuondoa kabidhi. Uchanganuzi hutoa ushahidi.
Mazoea bora
- Chagua mkondo wa thamani unaojalisha. Chagua unaojalisha wateja na ulio polepole au usio thabiti, kama maombi ya ufikiaji au ushughulikiaji wa matukio makuu ya hitilafu. Fafanua mwanzo na mwisho wake kutoka mtazamo wa mteja.
- Kagua data ya matukio kwanza. Thibitisha una vitambulisho vya kesi, majina ya shughuli, na mihuri ya wakati inayoaminika. Chukua sampuli ya kesi dhidi ya uhalisia, na uandike hali zisizomaanisha zinachosema.
- Chora mtiririko uliopo kutoka kwa data na watu. Jenga upya njia kwa uchimbaji wa michakato inapowezekana, na utembee kupitia kesi chache halisi na wanaozishughulikia. Linganisha mitazamo miwili.
- Tenganisha kufanya kazi na kusubiri. Kwa kila hatua, pima muda wa kazi na muda wa kusubiri. Kokotoa ufanisi wa mtiririko, na ubainishe vipindi virefu zaidi vya kusubiri.
- Tazama tofauti na mizunguko. Hesabu tofauti kuu, sehemu ya kesi zinazorudi nyuma, na sababu. Pitia kesi ndefu zaidi kibinafsi.
- Pata kizuizi. Tambua hatua inayopunguza upitishaji, na uelekeze uboreshaji hapo. Usiboreshe hatua nyingine kwanza.
- Hesabu makabidhiano na taarifa zilizopotea. Pima makabidhiano kwa kila kesi na ucheleweshaji baada ya kila moja, na uwahoji upande wa kupokea kuhusu wanachokosa.
- Tumia migawanyo na sampuli ya kesi halisi. Ripoti wastani wa kati na asilimia, na usome sampuli kutoka kwenye mkia. Kagua matokeo ya kiotomatiki kwa mikono.
- Badilisha kitu kimoja na upime tena. Fanya badiliko dogo kwenye kizuizi, rekodi msingi wa awali, na ulinganishe baada ya kipindi kilichofafanuliwa, ukibainisha mabadiliko mengine ya kipindi hicho.
- Tumia data kuelewa mfumo. Jumlisha kwa timu na hatua, usiwapange watu binafsi, na ushiriki matokeo na wanaofanya kazi.
Maswali ya kujadili na timu yako
Ombi la kawaida linasubiri wapi kwa muda mrefu zaidi, na linamsubiri nani? Tumia data au kesi iliyofuatiliwa. Tarajia idhini, foleni, na kumsubiri mteja. Ili kwenda mbali zaidi, chagua kusubiri kumoja na uulize nani anaweza kukifupisha.
Maombi yanachukua njia ngapi tofauti kupitia mchakato wetu, na zote ni za lazima? Onyesha tofauti. Tarajia zaidi ya vile mtu yeyote alifikiri. Ili kwenda mbali zaidi, chagua isiyofaa zaidi na uulize kama inaweza kuondolewa.
Ni sehemu gani ya kesi zetu zinarudi nyuma kwa taarifa zinazokosekana, na kinakosekana nini? Zihesabu. Tarajia kiwango cha juu kwa aina fulani za maombi. Ili kwenda mbali zaidi, badilisha fomu au jibu la kwanza kuomba mapema.
Makabidhiano yanapoteza taarifa wapi, na timu inayopokea ingetaka kuwa na nini? Uliza timu inayopokea. Tarajia vitu vichache vilevile. Ili kwenda mbali zaidi, viongeze kwenye kabidhi.
Hatua ipi ni kizuizi, na nini kingetokea kwa mtiririko wa jumla tukiongeza kasi yake mara mbili? Fikiria kupitia data. Tarajia watu kutaja hatua yenye kelele nyingi. Ili kwenda mbali zaidi, jaribu jibu dhidi ya nyakati za foleni na kusubiri.
AI inawezaje kutusaidia kupata mifumo katika data ya michakato yetu, na tungekagua vipi kwamba ilikuwa sahihi? AI inaweza kufupisha tofauti na kupendekeza sababu. Pia inaweza kufasiri kelele kupita kiasi. Uliza nani anapitia. Ili kwenda mbali zaidi, linganisha muhtasari wa AI na uchanganuzi wa mikono wa sampuli.
Kwa vitendo: mfano wa usimamizi wa huduma
Idara ya TEHAMA ya mamlaka ya afya ya kikanda inachukua wastani wa siku 19 za kazi kuwapa wataalamu wa kliniki ufikiaji wa programu mpya ya kliniki. Wataalamu wa kliniki wanalalamika; ripoti ya idara inaonyesha kila kazi ikikamilika ndani ya lengo lake. Meneja wa huduma anaamua kufuatilia mkondo.
Anatoa data ya matukio kwa maombi 600 ya hivi karibuni ya ufikiaji: mabadiliko ya hali na mihuri ya wakati kutoka kwa mfumo wa tiketi. Zana ya uchimbaji wa michakato inajenga upya njia. Inapata tofauti tisa, ambapo tatu zinafunika asilimia 80 ya kesi. Muda wa kazi unafikia wastani wa siku 2.5. Zilizobaki ni kusubiri: idhini ya meneja (wastani siku 4), sahihi ya kiongozi wa kliniki (wastani siku 5), timu ya programu kuchukua kazi (siku 3), na mwombaji kutoa cheti cha mafunzo kinachokosekana (siku 4, katika asilimia 35 ya kesi). Ufanisi wa mtiririko ni takriban asilimia 13.
Anatembea kupitia kesi tano na watu wanaohusika. Anagundua kwamba idhini ya kiongozi wa kliniki kwa majukumu mengi ni utaratibu tu: kati ya 200 za mwisho, hakuna iliyokataliwa. Pia anagundua mzunguko wa cheti unatokea kwa sababu fomu haikiombi mwanzoni, na kwamba timu ya programu inakusanya maombi siku ya Alhamisi.
Timu inafanya mabadiliko matatu. Inaondoa idhini ya kiongozi wa kliniki kwa majukumu yenye ufikiaji wa kawaida, inaongeza cheti kwenye fomu, na kubadilisha timu ya programu kuwa foleni inayofanyiwa kazi kila siku. Meneja anarekodi msingi wa awali na kufuatilia kesi 100 baada ya badiliko. Wastani wa muda wa kuongoza unashuka hadi siku 8, na asilimia ya 90 ikishuka kutoka 31 hadi 15. Anasoma kesi kumi ndefu zaidi na kupata nyingi zinahusisha majukumu yasiyo ya kawaida.
Kinachobadilika: wataalamu wa kliniki wanapata ufikiaji haraka, na ripoti sasa inaonyesha muda wa kuongoza kama mteja anavyopitia. Kinachobaki kigumu: kuondoa idhini kunahitaji makubaliano ya afisa wa usalama wa kliniki na iko kwenye jaribio; data haiwezi kutenganisha kumsubiri mteja na kusubiri ambako timu ilisababisha, kwa sababu hali ya "inasubiri" inatumika kwa yote mawili; na meneja ameombwa kutoa uchanganuzi wa kasi ya mafundi binafsi, jambo analokataa. Anamwomba mmiliki wa zana kuongeza hali tofauti ya kumsubiri mteja.
Mitazamo minne
Timu za bidhaa na utoaji
Fanya mfereji wako wa utoaji kuwa mkondo wa thamani na ufuatilie mabadiliko kutoka wazo hadi uzalishaji. Toa matukio na mihuri ya wakati inayowezesha uchanganuzi, na utumie matokeo kuondoa kusubiri unakosababisha.
Timu za huduma na uendeshaji
Jue kazi inasubiri wapi na kwa nini. Tumia hali thabiti, rekodi sababu za kusubiri, na ushiriki katika kufuatilia kesi halisi. Ibua matatizo ya makabidhiano kwa mmiliki wa mkondo.
Uongozi na utawala
Omba muda wa kuongoza kama mteja anavyouona, ufanisi wa mtiririko, na kizuizi, si muda wa kazi tu. Unga mkono mabadiliko kwenye kizuizi. Usitumie data ya michakato kupanga watu binafsi.
Wateja na watumiaji
Unapitia mkondo mzima, ikijumuisha kusubiri. Sema ulisubiri kwa muda gani na kwa nini, na ujibu haraka mtoaji anapoomba taarifa.
Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi
Uchapuchapu
Tumia uchanganuzi kuchagua uboreshaji mdogo unaofuata kwenye kizuizi, uufanye, na upime tena, pamoja na wadau. Tahadhari: usiendeshe programu ndefu ya kuchora ramani kabla ya kubadilisha chochote; fuatilia mkondo mmoja, badilisha kitu kimoja, na ujifunze.
AI
AI inaweza kugundua tofauti za michakato, kufupisha ufuatiliaji, na kupendekeza sababu zinazowezekana, ikiwa na mmiliki na ukaguzi. Tahadhari: muhtasari wa AI wa data ya michakato unaweza kuwasilisha kelele kama mfumo; kagua dhidi ya sampuli za kesi na watu wanaohusika. Tazama mada 5.1 — AI katika usimamizi wa huduma.
Uendeshaji otomatiki
Fanya hatua ambazo uchanganuzi unaonyesha ni thabiti na zinazojirudia ziendeshwe kiotomatiki, na uondoe makabidhiano yasiyoongeza thamani, pamoja na kumbukumbu na njia mbadala. Tahadhari: kuendesha kiotomatiki hatua isiyokuwa kizuizi hakufupishi muda wa kuongoza; kagua kusubiri kuko wapi. Tazama mada 6.2 — Uendeshaji otomatiki wa mtiririko wa kazi na uratibu.
Uchanganuzi
Mada hii ni uchanganuzi wa mtiririko: data ya matukio, nyakati za kuongoza na kusubiri, tofauti, mizunguko, na vizuizi. Tahadhari: mihuri ya wakati inaakisi jinsi hali zinavyotumika, na vipimo vya kasi ya hatua vinaweza kuchezewa kwa kuhamisha tiketi kati ya hali; thibitisha kwa kesi halisi. Tazama mada 7.3 — Upimaji na utoaji taarifa na kitabu cha Service Management Metrics.
Njia za kawaida za kushindwa
- Kuamini mchakato ulioandikwa. Unatofautiana na uhalisia. Tumia data ya matukio na kesi halisi.
- Data chafu ya matukio. Hali na nyakati zinapotosha. Kagua na urekebishe data kwanza.
- Kuboresha hatua isiyo sahihi. Juhudi inaenda pale penye kelele. Pata kizuizi.
- Wastani tu. Kesi ndefu zinafichwa. Tumia asilimia na usome mkia.
- Kupuuza kusubiri. Juhudi inapimwa, ucheleweshaji haupimwi. Tenganisha muda wa kazi na wa kusubiri.
- Data bila watu. Matokeo hayana sababu. Tembea kupitia kesi halisi na wanaofanya kazi.
- Ufuatiliaji wa watu binafsi. Imani inaporomoka. Changanua mfumo.
Modeli ya ukomavu
| Kipimo | Kuanzisha | Kuendeleza | Kusanifisha | Kusimamia | Kuratibu |
|---|---|---|---|---|---|
| Data | Hesabu za kazi | Baadhi ya mihuri ya wakati | Hali na mihuri ya wakati thabiti kwa mikondo muhimu | Ubora wa data ya matukio unafuatiliwa | Data ya matukio imeunganishwa kati ya zana na wasambazaji |
| Uchanganuzi | Mchakato ulioandikwa | Mkondo mmoja umefuatiliwa | Uchanganuzi wa kawaida wa mikondo muhimu: muda wa kuongoza, kusubiri, tofauti | Vizuizi vinatambuliwa na kufuatiliwa | Uchanganuzi wa kiotomatiki na endelevu kwa mapitio ya binadamu |
| Uboreshaji | Kiholela | Marekebisho ya mara moja moja | Mabadiliko kwenye kizuizi, yanayopimwa | Maboresho yamefungwa kwa matokeo ya mtiririko | Uboreshaji unaratibiwa kati ya mikondo na washirika |
| Maadili | Hayajawazi | Ufahamu | Uchanganuzi wa ngazi ya timu, hakuna kupanga watu binafsi | Matumizi yanapitiwa na wafanyakazi | Faragha imejengwa ndani ya uchanganuzi |
Orodha hakiki
- Tulichagua mkondo wa thamani unaomhusu mteja wenye mwanzo na mwisho wazi.
- Tulikagua data ya matukio kwa vitambulisho vya kesi, majina ya shughuli, na mihuri ya wakati.
- Tulichora mtiririko uliopo kutoka kwa data na kwa kutembea kupitia kesi halisi.
- Tulipima muda wa kufanya kazi na wa kusubiri, na ufanisi wa mtiririko.
- Tulihesabu tofauti, mizunguko, na makabidhiano.
- Tulitambua kizuizi na kuelekeza mabadiliko hapo.
- Tuliripoti asilimia na kusoma sampuli kutoka kwenye mkia.
- Tunachanganua kwa ngazi ya timu na hatua, si ya mtu binafsi.
Maelekezo ya AI
Fupisha tofauti kutoka kwa njia za kesi.
Here is a list of case paths (sequence of activities) with counts, and median time for each path, identifiers removed: [paste].
Describe the main variants, the share of cases each covers, where loops occur, and what the longest paths have in common. Do not infer causes.
List what you are unsure of.
Tafuta kusubiri katika ufuatiliaji.
Here are the events of five cases with timestamps and the person or team handling each: [paste, names removed].
For each case, compute time between events, identify the three longest waits, and say whether the data suggest waiting on a team, on a customer, or unclear. Do not guess where the data are silent.
List what you are unsure of.
Andaa maswali kwa matembezi ya mchakato.
We are about to walk through a value stream with the people who do the work. Here is what the data show: [paste summary].
Write ten open questions to ask on the walk, aimed at why waits and loops occur. Avoid blame and do not suggest answers.
List what you are unsure of.
Ujuzi wa AI
- value-stream-map: tumia kuchora ramani na kupima mkondo wa thamani.
- workflow-analysis: tumia kuchanganua hatua, makabidhiano, na kusubiri.
- statistical-analysis: tumia kuchunguza tofauti na kutokuwa na uhakika.
- kaizen: tumia kugeuza matokeo kuwa maboresho madogo.
- mermaid-diagram: tumia kuchora mtiririko uliopo na wa baadaye kwa maandishi.
Vyanzo vikuu
- Wil van der Aalst, Process Mining: Data Science in Action (2nd edition, 2016): rejeleo kuu la uchimbaji wa michakato.
- Mike Rother and John Shook, Learning to See (1999): mwongozo wa kawaida wa kuchora ramani ya mkondo wa thamani.
- Eliyahu Goldratt, The Goal (1984): riwaya iliyoanzisha nadharia ya vizuizi.
- Wikipedia, "Process mining" and "Value-stream mapping": muhtasari wa mbinu.
Marejeo
- Process mining — Wikipedia — https://en.wikipedia.org/wiki/Process_mining
- Value-stream mapping — Wikipedia — https://en.wikipedia.org/wiki/Value-stream_mapping
- Value stream — Wikipedia — https://en.wikipedia.org/wiki/Value_stream
- Theory of constraints — Wikipedia — https://en.wikipedia.org/wiki/Theory_of_constraints
- Bottleneck (production) — Wikipedia — https://en.wikipedia.org/wiki/Bottleneck_(production)
- Cycle time — Wikipedia — https://en.wikipedia.org/wiki/Cycle_time
- Lead time — Wikipedia — https://en.wikipedia.org/wiki/Lead_time
- Little's law — Wikipedia — https://en.wikipedia.org/wiki/Little%27s_law
- Rework — Wikipedia — https://en.wikipedia.org/wiki/Rework
- Pareto principle — Wikipedia — https://en.wikipedia.org/wiki/Pareto_principle
- Statistical process control — Wikipedia — https://en.wikipedia.org/wiki/Statistical_process_control
- Swimlane — Wikipedia — https://en.wikipedia.org/wiki/Swimlane