几乎没有数据时，如何改进一个流程
精益六西格玛素有「需要海量数据」的名声，而在 2021 年，许多团队根本没有这些数据。经历一年的动荡后，记录残缺不全，人手紧张，那些本该记录一切的系统在拼命维持运营的混乱中被绕了过去。本能的反应是等到数据足够好再行动。这种本能通常是错的。数据稀缺时 DMAIC 依然有效；你只需更谨慎，并对自己不知道的事更诚实。
陷阱在于把「数据不够」当成一种许可——要么什么都不做，要么更糟，凭感觉改进却称之为严谨。两者都会失败。前者浪费了机会；后者则可能修错了东西还宣告胜利。出路是尊重 DMAIC 的纪律，同时把测量调整到你能切实收集的程度。
稀缺数据诱发的那些错误
等待永远不会到来的完美数据。 团队停滞数月，盼着一份干净的数据集出现。与此同时流程仍在失血。现在就开始测量一些小而真实的东西，哪怕是为期两周的人工计数。
完全跳过基线。 没有「测量」这一步，你就无法证明改变奏效了。哪怕是一条粗略而经过共识的基线，也胜过没有基线；否则每一次「改进」都只是一个故事。
把意见当成测量。 「大家都知道发货是瓶颈」是一个假设，而非结论。把最响亮的假设当作首先要验证的对象，而不是结论。
把分析做得过于复杂。 样本很小时，精巧的统计模型只会带来虚假的信心。一张简单的运行图、对少数几个类别做的帕累托分析，或者一个基本的前后对比，既诚实又通常足够。
忽视你实际拥有的数据。 投诉记录、邮件、发票、日历，以及做这项工作的人的记忆，都是数据。有意识地收集的定性证据，远胜于一无所有。
如何在单薄的数据上跑通 DMAIC
数据稀缺时，DMAIC 的顺序并不改变；只是把精力更多地转向把问题定义得犀利、把测量做得便宜。在「定义」阶段多花些时间，确保你解决的是一个值得解决的问题。
定义一个狭窄而具体、带有可衡量目标的问题，哪怕目标不大。「把批发线的订单录入错误减少一半」胜过「提升质量」。
在「测量」阶段，必要时就用手工收集一条小而诚实的基线。当系统毫无数据时，夹板上为期两周的计数就是合法的数据。
在「分析」阶段，到工作发生的现场去观察。一次简短的现场走查（Gemba）加上几个「为什么」，往往比任何电子表格更快揭示根本原因。
在「改进」阶段，做一次小规模的受控改变，而非一步到位的全面铺开，这样你才能真正看清它是否撼动了那个数字。
在「控制」阶段，让这套便宜的测量持续运行足够长的时间，确认收益得以保持，然后把它交给流程的负责人。
对不确定性保持诚实
用很少的数据工作，意味着坦白地说明你的把握有多大。如果一个结论建立在十二次观察之上，就明说，并把它当作有力的提示而非证据。能够清楚归因的小胜利，比无法辩护的大主张更有价值。目标不是假装出一个数据充裕项目的严谨，而是做出一项真实、可衡量的改进，并诚实地知道自己有几分把握。在过程中养成测量的习惯，下一次改进就会从比这一次更好的基线出发。
如果你需要改进一个关键流程，但数字单薄、压力又实实在在，XNM 的战略咨询 可以帮助你界定问题、建立一条站得住脚的基线，并据你真正掌握的情况采取行动。