新闻详细

ASQ QP分享《急需的方法——新五步决策法帮你评估并平衡竞争目标》

发布日期:2017-02-24 09:47:15
        六西格玛从本质上来说是一种有序解决问题的方法。根据定义、测量、分析、改进和控制(DMAIC)这种方法,使用者通过一系列步骤来明确其问题的范围(定义),选择合适的量表来描述待改进的过程(测量),并掌握其当前性状(分析)。

在最后两步,使用者通过实验设计评估并选出一条最佳路径(改进),并制定规划,保持流程中取得的成果(控制)。

运用DMAIC方法取得成功的关键——它能将一个通常很复杂且亟待解决问题的无序状态转化为可以运用工具和方法(通过一系列步骤)制定解决方案。

另一种组织所常见的情况是,你必须要平衡众多竞争目标做出决定。如果决定只涉及单一目标的优化,情况要简单得多,解决起来也比较容易。但让事情变得复杂的往往是需要考虑多个方面,但又没有清晰的方法可以帮助你将所涉及的各方面价值进行排序。

可以试想一下曾令你纠结的一些艰难决定。最难的是不是在不同选择中进行权衡?例如:你是想花更多的钱得到更好的质量,还是宁愿降低质量而省钱?为了节省时间,你是愿意多花钱呢,还是愿意牺牲质量?

这些决定的关键在于如何对成本、质量和时间这三者的相对价值进行衡量。而当各种因素要以不同单位进行测量,且在不同情况下对你具有不同价值时,情况便更为复杂。


一种有序的新方法

我们设计出一种新的五步流程,以有序且合理的方式评价和平衡各竞争目标,同时还可以灵活地对决定的各维度进行主观加权,做出评价。与DMAIC类似,该复杂流程被分为五个具有操作性的步骤:定义、测量、减少、合并和选择(DMRCS)。

定义(Define):与DMAIC流程相同,第一步是明确问题的范围,确定要解决的问题,决定涉及的各方面,以及可能的解决方案。这一步很重要,要明确构成决定的关键要素,确保解决正确问题。

测量(Measure ) : 这一步与DMAIC中的测量相同,要确保有可供做出决定的高质量数据。决定的各方面必须被转化为具有精确定义的量化指标,以便人们可就某方面的几个备选解决方案做公平一致的比较。如果不能对重要性特征进行高质量的定量测量,决定的质量就会大打折扣。

减少(Reduce):把确定的标准进行分类,可以使一些指标相对于决定的主要标准而处于从属地位。此外,根据主要标准从一堆备选中选出的几种方案,在与其他可选项做客观对比后,将呈现劣势的选项淘汰。你会买价格高而质量又低的东西吗?

我们可以将那些不错的合理选项绘成帕累托前沿。这些选项是你在接下来的几个阶段要考虑的仅有的几个选择。减少解决方案的数量使你可以对备选方案做更有意义的筛选,但重要的是不要将值得选的方案不合逻辑地淘汰掉。

合并(Combine):接下来,要考虑将不同标准合并成可以比较的形式——这些标准通常是按不同量度来测量的。这使你可以在检验那些具有竞争力选项的同时将优选方案也纳入进来,并做出评估,以求得最终良好的解决方案。找到以比较方式来筛选不同标准的方法是了解重要优化折中的关键。

选择(Select):最后,评估你的优选解决方案,将它们与临近竞争选项做对比,选出符合你优先排序的最终选择。使用图形工具帮助理解备选方案的相对优势和劣势,有助于建立团队共识,让你对自己的选择有清晰且合理的解释。


求职示例

这里, 我们运用求职示例展现DMRCS流程可以证明该方法的有效性。苏珊具备一些独特的技能,而这正是几位雇主十分需要的。在一轮广泛的求职后,苏珊收到了25份工作聘书,而这些工作在很多重要方面都有所不同。苏珊明白选出最优工作对她来说的重要性,因此希望其决定建立在对这些可选工作的定量评价及其相对的优化折中之上。

定义:目标即从收到的25份聘书中选出一份最好的工作。根据五步法,苏珊首先要确定决定需考虑的几个重要方面——即标准或可评估的兴趣特征。在评价了哪几个对某些工作来说是最令人兴奋的方面,而对另一些工作来说则是最不吸引人的方面后,苏珊识别出以下7条标准:

1.薪水;

2.工作环境;

3.地理位置;

4.晋升空间;

5.短期或长期留任的可能;

6.时间安排;

7.福利。

在考虑要关注哪些特征时,重要的是要选择那些有数据可得的且能够总结出工作吸引力的。此外,在做决定时要就各方面进行宏观思考,对类似维度不要设置多项衡量标准,这点也很重要。

测量:在测量这步,要为所列出的标准选出合适的衡量标准,以量化备选解决方案,即各份工作的得分。年薪作为数字标准很容易测量,在她可选的这些工作中,年薪范围为4.2万~9万美元之间。

将分值范围定在0(最差)至10(最好)的区间,每个特性对应不同分值,则第2、3、4、6、7条标准是否称心也可以量化了。

对于某些属性,比如地理位置,可以在几个选择中再进行精细区分。而对于其他特性,如晋升空间,具有相同分数的选项则不好再做出区分。短期或长期自然仅有两个值。

给所有工作打分的过程对做出一个好决定来说非常重要。后续所有步骤都建立在根据每条标准将选项做出排序的基础上,且还要表示出每份工作在不同标准上的分值。

表1总结了所有工作在各标准上的得分。

减少:在减少这步,苏珊想淘汰掉那些明显不好的工作,从而减少可能的选项。经过仔细考虑,苏珊确定,薪水和任期这两个标准对她来说是可以立刻做出取舍的依据。

在有丰富选择的前提下,她认为短期工作不合心意。此外,在所提供的薪酬范围内,她排除了那些年薪低于6.5万美元的工作。经过考虑,苏珊删掉了11个工作(见图1灰色部分)。

其次,并不是所有标准都同样重要。苏珊认为,让一份工作脱颖而出的是薪水、地理位置和晋升空间。她决定把这些作为重点考虑的因素。剩下的三个标准(福利、时间安排和工作环境)是次要一级的,可作为附加标准,用于最后在最有希望的几份工作中做出终选。

如果把作为首要兴趣的标准定得太多,则会造成最佳方案在单项标准上得分平平,因此要选出那些可以作为首要考虑的标准。

在剩下14个工作选择中,苏珊想根据三条最重要的标准,删掉那些至少还有比其更好的选项(即在所有标准上都不错,且至少在一条标准上更胜一筹)。

在淘汰掉劣项后,剩下的选择构成了帕累托前沿(Pareto Front)。对帕累托前沿上的任何一个工作机会来说,都没有一个是在三项主要标准上明显优于其他项的选择。因此,在不考虑用户对标准的主观首选偏好前,帕累托前沿提供的是一组客观最优选项。

在剩下14个工作选择中——按照薪水和任期标准淘汰掉一些选项后,帕累托前沿上还有8个(见表1中的蓝色标识)。凡是没在图上出现的工作,其分数均不如图上的选项。

比如,工作20(不在图上)与工作22(在图上)相比被淘汰,因为二者在地理位置上得分一样,但22在薪水和晋升空间上比20要好。

把帕累托前沿上的点做成对散点分析如图1。每组右上角表示每对标准的理想方案。图上的点离理想状态越远,两个标准间需要作出的取舍越大。在三对标准中可以看出,薪水和地理位置是最需要作出折中的,而薪水和晋升空间之间的折中最小。

经过这一步,苏珊将原有的25个选择降到8个。如果她已确定了兴趣点,并根据这些方面对每份工作进行量化评分的话,那么这8个工作便构成了一组最优选项,使她可以根据自己的倾向和偏好作出选择。这组更易于操作的选项不会给人以无从下手的感觉,且可以让人对可选方案做更充分的考虑。

合并:在合并这步,要对帕累托前沿上的解决方案作进一步筛选,找出那些分值靠前的选项。在这个阶段,重要的一点是你如何评估这些不同兴趣点,以及你是否能够接受某个选项在其他标准上得分较好,而只在一个标准上分数低。

由于要想把握解决方案各方面的属性,需要同时考虑多个因素,因此你要将多个衡量标准纳入整体决策。做到这点有几种不同的方法。

一种是使用临界值方法,用来一个一个地衡量每条标准的相对重要性。具体来说就是,你可以从最重要的一个标准入手,来确定临界值以下或以上你所不愿意接受的值。这种方法可以排除一些选项。然后,再根据次要标准重复该过程,直到用此方法检验完所有标准。

这种方法的优点在于能够处理原始数据。但临界值的确定往往相当主观,且最终决定会对临界值的选择非常敏感。由于要考虑的标准多了,所以当临界值目标定得太高时,有可能什么也选不出来。

另一种方法是使用乌托邦点方法——它很近似于满意度函数。该方法是把帕累托前沿上的所有点(工作机会),根据其距理想点的接近程度进行排列,乌托邦点表示一种在标准上同时具有最佳值的理想解决方案(对应图1中每组的右上角),但通常只在理论上存在。

首选解决方案是那些最接近理想方案的选项。接近度测量是基于把多项标准的不同量度合并为一个整体。这需要根据不同标准可比较的分值范围定好量表,选择合适的加权和衡量标准,将不同标准进行合并。在已识别的帕累托前沿基础上,这种方法可以快速对不同的权重、测量、度量公式,以及它们对决定的潜在影响进行比较。

图2所示为混合图,它是一种用于评估主观选择的影响,促进决策的图形工具。它能将选定的量表和度量公式下所有可能的加权选择的最佳方案(工作)表示出来。到这步,苏珊决定根据帕累托前沿上的分值范围测量各标准值。

她把前沿上的最低标准值定为0(最不满意),最高值为1(最满意)。她还使用DFi=wSSi+wLLi+wPPi的测量公式将全部三个标准合并,其中Si、Li和Pi代表工作i的薪水、地理位置和晋升空间这三个标准的值,wS、wL和wP是这三个标准的权重。该公式通常被称为可加效应满意度函数。

该公式不会使低分值雪上加霜,从而让某个标准的高分值超过另一标准的低分值。在混合图中,三角形的每个点代表一个权重组合。顶点表示将所有权重加在一个目标上,两边表示考虑了三个目标中的两个,而内部的点则表示全部三个目标的非零权重。三角形的中间部分表示所有标准的权重一样。深浅不同的灰色区分出各个最佳方案所占有的不同区域。

帕累托前沿上的8个点中,有6个被认为是某些权重组合的最佳方案。当薪水和地理位置被认为具有同等重要性时,工作22为最佳选择,获得了34%的权重。当薪水被认为比地理位置更重要时,工作8为最佳选择,获得了25.5%的权重。当地理位置比薪水更重要时,工作1为最佳选择,获得了21.5%的权重。当薪水和位置都重要,且薪水略重于位置时,工作24获得了4.6%的权重。当晋升空间处于次要地位时,工作2和17 是最佳选择。

在认真考虑3个方面的分值后,苏珊认为薪水比地理位置和晋升空间更重要,于是决定将薪水的权重定在50%~80%,剩下两个标准至少能获得整体权重的10%。

混合图(图2)中,由虚线包围的三角形区域表示得到关注最多的加权区域。对关注区域的某些权重组合,有4份工作被作为是最好的。工作8和22对大面积权重来说是最好的选择,8更侧重于薪水。工作24对小块区域来说是最优选择——其薪水和位置所占的权重比为7:3。对三角形左上角的小块区域来说,工作17是最好的,只针对某个特定的权重组合范围。

图3为折中图(Trade-off plot),显示了帕累托前沿上不同工作各标准的相对分值。工作8在薪水和晋升空间方面的得分最高,但位置最差。工作2的地理位置最好,但薪水和晋升空间最差。工作22、24和17在各标准上的得分都不错,算是比较平衡的方案。

在三项主要标准中,需要在薪水和地理位置间做出的取舍最大,而晋升空间与薪水或位置之间的折中较小。这与混合图中所示的情况相吻合,即解决方案对晋升空间的权重变化,比对其他两个标准权重变化的敏感度要低。

选择:如果回想一下,苏珊刚开始有25个可供选择的工作,在明确了其偏好,并将其用于工作筛选后,她将选择数量降到了4个。但她只能接受一份工作,所以还有些工作要做。

为了对混合图中偏好的权重区域中的4个最具竞争力的工作做进一步比较,在选择这一步,苏珊使用图4的合成效率图(Synthesized efficiency plot)表示不同权重选择下,单个方案相对于总体最理想分数的比值情况。白灰黑色块用于表示根据最理想分数百分比测出的由高至低的合成效率。

因此,一个好的解决方案会在偏好加权区域占有尽可能大的白色面积。就苏珊的例子来说,工作8在约75%的三角区域内有95%以上的合成效率,在左下角即地理位置被视为第二大权重时,有较低效率(至少80%)。

工作22在左下方三角区具有高效率,且当薪水权重接近80%时,最低效率为85%以上。

工作24比22的高效率区面积略大,且在关注加权区域内最低效率为90%以上。工作17占三角形中相当大一块深色区域,但当晋升空间的权重低于另两个条件时,沿三角形左边具有较高效率。

总的来说,4个最佳选择可被归为两类:当薪水为主要标准时,工作8和17的情况最好,但当另两个标准被给予更多权重时,则分值较低。对于偏好的整个加权区域,工作22和24的分值都不错(效率至少为85%)。

为便于对比,苏珊使用加权空间分数(Fraction of Weighting Space)图总结整个所关注的加权区的分值情况(见图5)。每条工作曲线表示所代表的工作在关注区的权重值对应的合成效率为可能达到的最好百分比(纵轴)。接近100%最高值的水平线为理想状态。

工作8为75%的权重对应93%以上的合成效率。但当其向最差情况移动时,百分比下降很快。工作24具有的高效率区面积较小,但比工作8在整个关注区的最低效率面积大。

工作22的加权空间分数图略低于工作24的曲线,表示在一定分值水平上权重分数始终较小。工作17一直比工作8分数低,其最差效率最低时约为75%。

在两类选择中,工作8和24是每组中的首选。为了在这两组中做出选择,如果苏珊想在尽可能大的加权区里选出最佳成绩,则她可能会选8;另一方面,如果她担心选择可能的最好分值会出现最差情况,则24会成为首选。

当在两个或几个最有希望的选择中存在联系时,一种有效的选择方法是对比它们在附加条件上的得分,即福利、时间安排和工作环境。

就苏珊的情况来说,工作8和24的这三条附加标准的分数分别为7/4/6和7/8/7。因此,当考虑附加标准时,工作24是首选。

如果根据附加标准仍无法在几个选择中选出具有明显优势的工作,那么还可以根据附加标准,使用类似的减少、合并和选择方法来做出最终决定。

最后,苏珊找到了总体的最佳选择,知道要选哪份工作。她不仅有序地排除了那些没有竞争力的和不太理想的选项,还使用了有序的图形方法来评价并考虑备选方案,这使她可以对选项有更深入的了解,并放心地采纳最终决定。

她选出的工作年薪为81000美元(接近可选工作范围的峰值),且在晋升空间上的得分为10分。她必须在地理位置上做出些牺牲(10分中得到6分),但3条附加标准的分值都很令她满意,福利(10分中得7分),工作安排(10分中得8分)和工作环境(10分中得7分)。


合理的最终选择

用于有序决策的新DMRCS流程类似于精益六西格玛中很流行的DMAIC方法。通过将一个复杂且通常混乱的过程划分为清晰明了的几步,使得在多个竞争目标间做出平衡就显得不那么令人无从下手了。最后要强调以下几点:

  • 虽然在这个例子中,定义和测量这两步描述起来很容易,但整个流程中的这部分对后续各阶段能否顺利起着关键作用。如果没有恰当定义的目标,也没有高质量的数据用于后续的步骤,则整个工作的结果有可能毫无意义。所以一定要明确需解决的问题,并确保全部可选项各标准得分的可信度。这对于做出高质量的决策至关重要。

  • 在减少这步使用帕累托前沿,能够排除无竞争力的选项,而又不强加任何主观因素,以及决策者对于如何测量或比较不同标准的偏好上起了决定作用。推迟主观因素的介入有利于提供一个共同的起点,特别是在涉及团队讨论时。

  • 在几个主观的步骤里使用的方法和具体工具可以分开。在与决策者交谈后,我们意识到有许多不同的方法可用于考虑选择间的优化、折中。文中介绍的工具对几组选项来说效果不错,但肯定还有很多其他方法可以根据不同标准评价数量较少的选择。如果其他工具看似更合适,可能会包括将过程中的数据进行可视化的方法。图像展示便于人们研究选择,以及对各可选项的相对量度进行深入讨论。

成功决策的关键在于要聚焦于适宜的标准,可以对选项做出扎实的量化测量,排除不如其他选择的劣质方案,找到一种方法可以公平且有目标地就问题各维度的得失进行比较。

DMRCS流程可以引导决策者通过一系列步骤做出合理的最终选择。