精益制造的原则适用于任何业务流程。本文审视事务性项目中常见的一些问题，并通过一个案例展示如何用简单的图示方法来解析周期时间数据。识别并界定非精益流程，有助于运用5S、头脑风暴等改进工具，并设定切实可行的改进目标。
将精益原则应用于事务性项目时，数据相关的问题可能在测量和分析阶段出现。典型问题包括数据不完整或非正态分布，以及数据系统对周期时间和执行时间定义的混淆。本文使用周期时间数据来估算流程效率与平均执行时间，并探讨如何统计性地确定导致流程效率低下的关键X因素。
流程能力与高斯过程
六西格玛涉及对流程能力的度量。业务流程的均值与标准差，结合客户给出的规格上下限（USL，LSL），其结果以每百万机会缺陷数（DPMO）的形式报告。业务流程数据通常由大量随机变异的累加误差产生，并遵循高斯分布或正态分布（图1）。落在客户规格范围外的区域代表流程中的缺陷。

图1：流程能力

高斯分布常见于制造过程产生的数据中。根据我的经验，极少有事务性流程具备高斯分布的特性。此处"事务性"特指诸如订单录入、库存发货或客户现场交付等以时间为度量单位的流程。许多实践六西格玛的专业人士也发现，正态性假设在事务性环境中并不成立。在某些情况下，黑带会试图转换数据以强制其符合正态分布，却未深入探究数据呈现非正态概率分布的根本原因。
精益制造——时间即金钱
精益制造是一门源于解决制造问题的流程改进学科，其核心在于执行速度。有大量数据支持快速执行为业务带来的收益。内部指标包括减少在制品（WIP）和过剩库存，这两者都会占用资金并对现金流产生负面影响。外部指标则包括更快的上市时间和更高的客户满意度，因为工作订单能更快完成。
在制造环境中，积压订单和库存会实物堆积，阻塞工作站、地面和仓储空间。杂乱的景象一目了然，使人直观理解在制品正在占用公司资金。与项目团队进行的头脑风暴会议可以顺利开展，因为流程负责人能直接看到这个关键的X因素的实物反馈。这个关键的X成为六西格玛项目中的小y，团队开始聚焦于过剩库存和在制品的原因。对于项目相关人员而言，业务需求对所有人都清晰明了。
减少杂乱、应用5S以及打造可视化工作场所，是制造环境中有效的改进策略。这些策略之所以有效，是因为它们专注于积压的共性原因，即针对在制品（小y）的那些常见的关键X因素。
计算精益流程能力
在典型的制造环境中，当流程效率达到25%或更高时，该流程即被视为精益。总时间包括准备、切换、维护和计划停机时间。

流程效率 = （执行时间 / 总时间） × 100%

在事务性环境中，上述度量大多没有对应项。因此公式修改为：

流程效率 = （执行时间 / 周期时间） × 100%
当事务性流程的执行时间小于延迟时间的三分之一，或约占周期时间的25%时，该流程即被视为精益。
事务性项目环境
当项目目标是缩短周期时间时，其理念在于减少整个事务处理所需的时间。这一概念可能让参与事务性项目的利益相关者感到困难，因为这里没有在制品实物的、可见的堆积。在制造业中，在制品水平之所以重要，是因为它们代表了具体的、实物的内部指标。而外部指标——执行速度，有时与在制品相关的资金成本相比显得不那么突出。在事务性项目中，上市速度和交付时间才是最重要的指标。由于该指标在事务性世界中不那么直观，团队更容易失去焦点。为了取得成功，将单个周期时间数据分离开来非常重要。

典型的业务流程是一系列连续任务的组合（图2）。在许多情况下，真正的时间陷阱存在于连接各个方框的箭头中。子流程开始和结束时的箭头通常在定义阶段被视为超出范围。与其一开始就通过头脑风暴和流程图从X因素入手，不如从Y——每个步骤的总周期时间开始，并将其分解为执行时间和延迟时间这两个独立部分，以便于识别变异的关键驱动因素。
理解事务性数据
黑带必须真正理解其信息系统提供的数据，这一点至关重要。从典型数据系统中提取数据时，常见的情况是，员工和IT系统擅长报告任务何时完成，却不擅长报告任务何时开始。人们急于把工作从自己桌上处理掉，而非记录其开始。即使有开始时间数据，担心绩效评估的员工可能会 manipulating it，而且返工通常不会被记录。您通常只能在签核点获取数据。黑带常犯的一个错误是取两个签核点的时间差，以为这代表执行时间，而事实上，这些数据代表的是周期时间。单独的延迟时间和执行时间的直接测量值并未被捕获。
一个非精益流程的延迟时间占比超过75%，执行时间占比不到25%。黑带通常试图通过关注执行流程来缩短周期时间，而实际上大部分时间损失在延迟时间中。延迟时间通常与管理评审、沟通、工作交接以及可能拖慢流程的角色和职责相关。
通过模型观察单个事件，可以将周期时间视作延迟时间的指数分布与后续执行时间的威布尔分布或高斯分布的组合。这不同于通常的排队论假设，后者通常使用两个连续的指数分布建模。
以下是构建一个延迟步骤加执行步骤组合作为样本周期的步骤（表1和图3）。

表1与图3展示了如何将延迟（遵循指数分布）与执行（遵循威布尔或高斯分布）组合建模为完整的周期时间样本。
我们可以对一系列流程步骤执行此分析，并生成参数，以便进行更详细的仿真分析，从而识别整体流程瓶颈。
一个真实的事务性流程
我们从一个重型制造公司的事务性流程改进项目中提取了一组示例数据。在此项目中，从客户询价到报价生成、订单转化、履行直至最终发货的十三个主要步骤，均以相同方式绘制，以识别产生最大排队（延迟）的步骤。这提供了每个步骤合理周期时间的估算。随后识别出瓶颈步骤并加以审视，以确定造成最大延迟的原因。
图4展示了扩展流程中工程步骤相关的周期时间（以工作日计）描述性统计。平均周期时间为17.44天，呈右偏的非正态分布。概率图如图5所示。从这些数据视图中，我们可以估算出大约20%的工程请求在一天内处理完毕，而5%的请求耗时超过一个半月。延迟时间是周期时间的主要部分。对这些数据的进一步分析稍显复杂，需要数学计算来求得事务性流程效率，但其基本原则是相似的。

图4：工程步骤周期时间的统计摘要（均值17.44天，标准差…，偏度…）。
图5：周期时间的概率图，显示数据点与理论分布线的拟合情况，直观呈现右偏特征。
精益指标计算
截至目前我们掌握的信息有：周期时间的均值、步骤无延迟发生（即纯执行时间）所占比例的估计值，以及平均执行时间。