流程与价值流分析
流程与价值流分析度量工作实际是如何流转的:每一步耗时多久、工作等待多久、在哪里回头、在哪里堆积;当它建立在带时间戳的事态数据和真实追踪之上,瞄准约束,并对照做这项工作的人加以检验时,它才能奏效。
为什么这很重要
每个人都有一幅关于工作如何流转的图景,而它通常是错的。流程文档显示了一条从请求到完成的清晰路径。现实则包含绕路、回环、任何图中都没有的交接,以及工作无人问津的漫长时段。文档上说只需三步的请求,实际上可能经过十一步,并把生命周期的 90% 花在等待上。
流程与价值流分析用证据取代这幅图景。它从系统已经记录的数据,比如工单状态、时间戳和分配,以及对真实工作的观察出发。它重建工作所走的路线,度量每个阶段的时间,并把工作时间与等待时间分开。维基百科把流程挖掘(process mining)描述为分析事件日志以发现、监控和改进真实流程的技术。
结果常常令人吃惊。瓶颈不在人们以为的地方。每个人都抱怨的那一步其实很快,延迟出在它之前的交接上。三分之一的请求因缺少信息而回头。这些发现带来具体而微小的改进,这就是这种分析是服务管理中最有用的分析之一的原因。本主题描述主要技术、所需的数据,以及注意事项。它建立在价值链(主题 1.7 — 服务价值链)、流动与看板(主题 2.3 — 流动与看板)、精益思想(主题 2.4 — 精益与改善)和分析(主题 7.1 — 服务管理分析)之上。数据基础(主题 7.2 — 数据基础与治理)在这里至关重要,因为时间戳和状态变化是原材料。
核心概念
价值流。 组织为向客户交付产品或服务而执行的步骤序列,比如“解决一次重大事件”或“新员工入职”。维基百科描述了价值流(value streams)。价值流以自己的顺序穿过价值链的各项活动。见主题 1.7 — 服务价值链。
价值流图。 一种精益技术,它绘出价值流的每一步及其处理时间和步骤之间的等待,使增加价值所花的时间可以与总经过时间作比较。维基百科对此有描述(value-stream mapping)。图通常通过与相关人员一起走一遍流程并记下真实时间来绘制。
流程挖掘。 利用事态数据发现流程实际如何运行。每个事态有一个案例标识符(如工单编号)、一项活动(如“已分配”或“已解决”)和一个时间戳。由此,技术重建每个案例的路径,显示最常见的路线,找出变体并度量时间。维基百科描述了流程挖掘和流程发现。它补充了绘图:挖掘显示数千个案例中发生了什么,绘图则在少数案例中显示为什么。
事态数据。 流程分析依赖良好的事态数据:稳定的案例标识符、清晰的活动名称和准确的时间戳。工单和工作流系统通常保存带时间的状态变化。检查数据是否反映了实际发生的事。标记为“等待”的工单未必意味着在等客户;状态可能在最后被批量设置。见主题 7.2 — 数据基础与治理。
前置时间、周期时间与等待时间。 前置时间是从请求到完成的经过时间,即客户所体验到的。周期时间是从开始工作起的时间。维基百科对两者均有描述(cycle time、lead time)。等待时间,即在队列中或步骤之间闲置的时间,通常是最大的一部分。精确定义每个起止点。在制品、吞吐量和前置时间之间的关系由利特尔法则给出,维基百科对此有描述(Little's law)。见主题 2.3 — 流动与看板。
流动效率。 前置时间中工作被积极处理的份额。在许多知识和服务流程中,流动效率低于 20%,意味着大部分时间在等待。这一度量把注意力引向延迟而不是投入。通过抽查真实案例来核对数字,因为它们取决于活动时间是如何记录的。
瓶颈与约束。 瓶颈是限制整个流程吞吐量的步骤。约束理论(theory of constraints,维基百科有描述)认为,改进约束之外的任何东西都不会改善整体流动,约束应当被识别、利用,然后被缓解。维基百科描述了生产中的瓶颈(bottlenecks)。在分析中,寻找工作排队的步骤、等待时间最长的步骤,或利用率接近满负荷的步骤。
变体与返工。 同一个流程以许多变体运行:理想路径、带审批的路径、带回环的路径。维基百科描述了返工(rework),即因错误或缺失信息而重复工作。统计案例回头的频率及原因,可以发现浪费。30% 的请求为缺少信息而回头去找客户,这指向的是表单问题。
交接。 团队之间的每次交接都增加等待和信息丢失的可能。统计每个案例的交接次数以及每次之后所花的时间。维基百科描述的泳道图(swimlane)显示谁处理什么。交接多的路径是重新设计的候选。见主题 3.1 — 服务台。
波动。 平均值掩盖离散。耗时是典型案例十倍的案例造成了痛苦,而且它们有值得去找的原因。维基百科描述了统计离散(statistical dispersion)和统计过程控制(statistical process control),它们把普通波动与信号区分开。报告分布和百分位数,而不只是平均值。见主题 7.3 — 度量与报告。
帕累托原则。 少数原因往往产生大部分效果,维基百科把这种模式描述为帕累托原则(Pareto principle)。应用于延迟,少数几个变体或少数几个步骤往往占了大部分损失的时间。从那里开始。
排队。 当利用率接近容量时,等待急剧增长,排队论如此表明。维基百科对此有描述。一个“100% 忙碌”的团队会有很长的队列。留出余量,尤其是对随机到来的工作。见主题 3.11 — 可用性、容量与性能。
一致性与合规。 流程挖掘可以检查实际案例是否遵循预期的流程,比如是否发生了所需的批准。它有助于审计和控制,但要注意,数据显示的是被记录的内容,未必是做过的事。见主题 3.4 — 变更赋能。
走一遍流程。 数据找出在哪里;人解释为什么。观察工作,与做这些事的人交谈,并查看一批真实案例的样本。精益实践把这称为到工作发生的地方去,即现场(gemba)。见主题 2.4 — 精益与改善。
隐私与公平。 流程数据可能显示个人的工作模式。用它来理解系统,按团队或步骤汇总,不要用它来监视或给个人排名。见主题 5.6 — AI 治理、风险与合规。
这些视角如何契合。 流程分析是敏捷改进和精益思想的数据一面:找出约束,尝试小变更,再次度量。AI 可以在审查下帮助发现模式并起草图示。自动化针对发现采取行动,比如消除一次交接。分析提供证据。
最佳实践
- 选一条重要的价值流。 选择客户在意、而且缓慢或不一致的,比如访问请求或重大事件处理。从客户的角度定义它的起止。
- 先检查事态数据。 确认你有案例标识符、活动名称和可信的时间戳。对照现实抽查案例,并记下含义与名称不符的状态。
- 根据数据和人来绘制现状流程。 在可能的地方用流程挖掘重建路线,并与处理者一起走几个真实案例。比较两种视图。
- 把工作与等待分开。 对每一步,度量活动时间和等待时间。计算流动效率,并记下最长的等待。
- 查看变体和回环。 统计主要变体、回头的案例所占比例及原因。逐个评审耗时最长的案例。
- 找出约束。 识别限制吞吐量的步骤,并把改进集中在那里。不要先优化其他步骤。
- 统计交接和丢失的信息。 度量每个案例的交接次数以及每次之后的延迟,并询问接收一方缺少什么。
- 使用分布并抽查真实案例。 报告中位数和百分位数,并阅读长尾中的样本。手工核对自动化的发现。
- 只改一件事,再度量。 在约束处作一个小变更,记录基线,并在规定的期限后比较,同时注意同期的其他变化。
- 用数据来理解系统。 按团队和步骤汇总,不要给个人排名,并与做这项工作的人分享发现。
与团队讨论的问题
一个典型的请求在哪里等待得最久?它在等谁? 使用数据或追踪的案例。预期有审批、队列和等待客户。追问:选择一次等待,问谁可以缩短它。
请求通过我们的流程走过多少种不同的路线?它们都是必要的吗? 展示变体。预期比任何人想的都多。追问:选择最没用的,问能否移除。
我们的案例中有多大比例为缺少信息而回头?缺的是什么? 统计它们。预期在某些请求类型上比例很高。追问:修改表单或首次响应,使之更早地询问这些信息。
交接在哪里丢失了信息?接收团队希望得到什么? 询问接收团队。预期是那么几项。追问:把它们加入交接。
哪一步是约束?如果我们把它的速度提高一倍,整体流动会怎样? 借助数据想一想。预期人们会说出声音最大的那一步。追问:对照队列和等待时间检验这个答案。
AI 如何帮助我们在流程数据中发现模式?我们如何检查它是对的? AI 可以总结变体并建议原因。它也可能过度解读噪音。问问谁来评审。追问:把 AI 的总结与对一批样本的手工分析作比较。
实践:一个服务管理示例
一个区域卫生局的 IT 部门平均需要 19 个工作日,才能为临床医生授予一个新临床应用的访问权限。临床医生抱怨;部门的报告却显示每项任务都在目标之内完成。服务经理决定追踪这条价值流。
她提取了 600 个近期访问请求的事态数据:来自工单系统的状态变化和时间戳。一款流程挖掘工具重建了路径。它发现了九种变体,其中三种覆盖了 80% 的案例。工作时间平均约为 2.5 天。其余全是等待:等经理批准(平均 4 天),等临床负责人签核(平均 5 天),等应用团队接手任务(3 天),以及等请求者提供缺失的培训证书(4 天,占 35% 的案例)。流动效率约为 13%。
她与相关人员一起走了五个案例。她发现,对大多数岗位来说,临床负责人的批准只是形式:最近的 200 个中,没有一个被拒绝过。她还发现,证书的回环是因为表单没有预先询问它,而应用团队把请求攒到周四批量处理。
团队作了三项改变。它取消了标准访问岗位的临床负责人批准,把证书加入表单,并让应用团队改为每天处理的队列。经理记录了基线,并在改变之后跟踪了 100 个案例。平均前置时间降到 8 天,第 90 百分位数从 31 天降到 15 天。她阅读了十个耗时最长的案例,发现其中大多涉及不寻常的岗位。
变化在于:临床医生更快地获得访问权限,报告现在显示的是客户所体验到的前置时间。仍然困难的是:取消批准需要临床安全官的同意,目前处于试行;数据无法区分等待客户与团队造成的等待,因为“待处理”状态对两者都使用;经理被要求制作针对个别技术人员速度的分析,她拒绝了。她请工具的负责人为等待客户增加一个单独的状态。
四种视角
产品与交付团队
把你的交付流水线当作价值流,并追踪变更从创意到生产的全过程。提供使分析成为可能的事态和时间戳,并利用发现消除你造成的等待。
服务与运维团队
了解工作在哪里等待以及为什么。使用一致的状态,记录等待的原因,并参与追踪真实案例。向价值流的负责人提出交接问题。
领导层与治理
索要客户所见的前置时间、流动效率和约束,而不只是任务时间。支持在约束处的变更。不要用流程数据给个人排名。
客户与用户
你体验的是整条价值流,包括等待。说明你等了多久、等的是什么,并在提供者要求信息时迅速回应。
敏捷、AI、自动化与分析
敏捷
用这项分析选择约束处的下一个小改进,作出改变,再次度量,并让干系人参与。注意:不要在改变任何东西之前先开展长期的绘图项目;追踪一条价值流,改变一件事,并从中学习。
AI
AI 可以发现流程变体、总结追踪并建议候选原因,需要有负责人和检查。注意:AI 对流程数据的总结可能把噪音呈现为模式;对照抽样的案例和相关人员进行检查。见主题 5.1 — 服务管理中的 AI。
自动化
自动化分析表明稳定而重复的步骤,并消除没有增加价值的交接,带有日志和后备。注意:自动化一个不是约束的步骤不会缩短前置时间;检查等待在哪里。见主题 6.2 — 工作流自动化与编排。
分析
本主题就是关于流动的分析:事态数据、前置和等待时间、变体、回环和约束。注意:时间戳反映状态是如何使用的,步骤速度的度量可通过在状态之间移动工单来钻空子;用真实案例核实。见主题 7.3 — 度量与报告和《服务管理度量》一书。
常见失败模式
- 相信文档化的流程。 它与现实不同。使用事态数据和真实案例。
- 事态数据不干净。 状态和时间误导人。先检查并修复数据。
- 优化错误的步骤。 精力投向声音最大之处。找出约束。
- 只看平均值。 长案例被隐藏。使用百分位数并阅读长尾。
- 忽视等待。 投入被度量,延迟没有。把工作时间与等待时间分开。
- 有数据而没有人。 发现缺乏原因。与做这项工作的人一起走真实案例。
- 监控个人。 信任崩溃。分析系统。
成熟度模型
| 维度 | 起步 | 发展 | 标准化 | 管理 | 协同 |
|---|---|---|---|---|---|
| 数据 | 任务计数 | 一些时间戳 | 关键价值流有一致的状态和时间戳 | 监控事态数据的质量 | 事态数据在各工具和供应商之间整合 |
| 分析 | 文档化的流程 | 追踪了一条价值流 | 对关键价值流的常规分析:前置时间、等待、变体 | 识别并跟踪约束 | 在人的审查下自动、持续地分析 |
| 改进 | 临时 | 偶尔修复 | 在约束处作变更并加以度量 | 改进与流动结果挂钩 | 改进在各价值流和合作伙伴之间协调 |
| 伦理 | 不清楚 | 有意识 | 团队层面的分析,不给个人排名 | 与员工一起评审用法 | 隐私内建于分析 |
检查清单
- 我们选择了一条与客户相关、起止清晰的价值流。
- 我们检查了事态数据中的案例标识符、活动名称和时间戳。
- 我们根据数据和走一遍真实案例来绘制现状流程。
- 我们度量了工作时间、等待时间和流动效率。
- 我们统计了变体、回环和交接。
- 我们识别了约束,并把变更集中在那里。
- 我们报告百分位数,并阅读长尾中的样本。
- 我们在团队和步骤层面而不是个人层面进行分析。
AI 提示词
根据案例路径总结变体。
这是一份案例路径(活动序列)的清单,附有数量以及每条路径的中位时间,已去除标识符:[粘贴]。
请描述主要变体、每个变体覆盖的案例所占份额、回环出现在哪里,以及最长的路径有什么共同点。不要推断原因。
请列出你不确定的事项。
在追踪中找出等待。
这是五个案例的事态,带有时间戳以及处理每一步的人或团队:[粘贴,已去除姓名]。
请针对每个案例,计算事态之间的时间,找出三个最长的等待,并说明数据表明是在等待某个团队、等待客户,还是不清楚。在数据沉默之处不要猜测。
请列出你不确定的事项。
为走一遍流程准备问题。
我们即将与做这项工作的人一起走一遍某条价值流。这是数据所显示的:[粘贴摘要]。
请写出十个在走流程时要问的开放式问题,旨在了解等待和回环为何出现。避免责备,也不要暗示答案。
请列出你不确定的事项。
AI 技能
- value-stream-map:用于绘制并度量价值流。
- workflow-analysis:用于分析步骤、交接和等待。
- statistical-analysis:用于考察波动和不确定性。
- kaizen:用于把发现转化为小改进。
- mermaid-diagram:用于以文本方式绘制现状和未来流程。
主要来源
- Wil van der Aalst,Process Mining: Data Science in Action(第 2 版,2016):关于流程挖掘的主要参考。
- Mike Rother 和 John Shook,Learning to See(1999):价值流图的经典指南。
- Eliyahu Goldratt,The Goal(1984):引入约束理论的小说。
- Wikipedia, "Process mining" 和 "Value-stream mapping":对这些技术的概述。
参考文献
- 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