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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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

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

  1. Process mining — Wikipedia — https://en.wikipedia.org/wiki/Process_mining
  2. Value-stream mapping — Wikipedia — https://en.wikipedia.org/wiki/Value-stream_mapping
  3. Value stream — Wikipedia — https://en.wikipedia.org/wiki/Value_stream
  4. Theory of constraints — Wikipedia — https://en.wikipedia.org/wiki/Theory_of_constraints
  5. Bottleneck (production) — Wikipedia — https://en.wikipedia.org/wiki/Bottleneck_(production)
  6. Cycle time — Wikipedia — https://en.wikipedia.org/wiki/Cycle_time
  7. Lead time — Wikipedia — https://en.wikipedia.org/wiki/Lead_time
  8. Little's law — Wikipedia — https://en.wikipedia.org/wiki/Little%27s_law
  9. Rework — Wikipedia — https://en.wikipedia.org/wiki/Rework
  10. Pareto principle — Wikipedia — https://en.wikipedia.org/wiki/Pareto_principle
  11. Statistical process control — Wikipedia — https://en.wikipedia.org/wiki/Statistical_process_control
  12. Swimlane — Wikipedia — https://en.wikipedia.org/wiki/Swimlane