我們在精益咨詢的現場推行改善課題時，目標設定是一個重要步驟，它直接決定我們的改善成果是否達成，以及是否充分挖掘了現場的改善潛力。
目標設定的過高或過低都是不合適的，目標太低，過于容易達成，無法完全挖掘現場改善空間和潛力，目標太高，最后導致超出了現場改善能力，會挫敗現場信心，望而生怯，打擊士氣，課題無法成功。
這就是在目標設定的SMART原則中的“可實現”的要求。那么精益咨詢中如何設定一個不會過高或者過低的合理目標呢？
首先，目標的設定有常見的四個途徑：
歷史最佳——以歷史最佳值作為目標，努力將現場的平均水平維持在歷史最佳值。因為曾經成功達到過，可行性比較高，但是要維持平均水平在歷史最佳值上，還是需要一番努力的。
同行對標——這里的同行，可以是同一個車間、同一個公司、同一個集團等內部的類似產線，也可以是外部同行企業的水平。這樣可以參考已有的成功案例來設定目標。比如，制藥行業的片劑鋁塑機，現在的OEE只有60%，而同行業類似的產線和設備可以達到75%-80%，就可以作為目標值。
領導指令——這個比較簡單，領導或者公司高層的期望值作為目標。注意，這個目標可能沒有直接依據，但是作為現場改善課題，要努力尋找改善機會，克服困難，達成目標。這種目標是先設定目標，尋找一切可能。比如新中國成立后，國家需要造出原子彈，雖然不知道能不能達成，如何達成，但是要盡一切努力去尋找機會，往往才會創造奇跡。
數據分析——也就是根據歷史數據或記錄，通過數據計算或者針對影響指標的要素進行分析，評估一個可行而有挑戰的目標值。
以上四種方法，在精益咨詢活動的數據分析時，通過計算來制定目標，有兩個要注意的點：
一、 注意剔除數據中的異常值。
為了確保數據的準確性，要刪除或更正錯誤和異常值。判斷異常值可以參考以下方法：
識別異常值的常用方法：
1. 標準差方法：使用標準差來檢測異常值。一般情況下，如果數據點的值與平均值的偏差超過3倍標準差，可以將其視為異常值。
2. 箱線圖方法：通過繪制箱線圖，可以很容易地看出數據中的異常值。箱線圖能夠顯示出數據的整體分布情況以及離群點。
3. Z-score方法：計算數據點的Z-score（標準化分數），如果Z-score的絕對值大于某個閾值（一般是2或3），則可以將該數據點視為異常值。
4. 密度估計方法：使用核密度估計等方法來估計數據的密度分布，從而識別出那些偏離正常分布的數據點。
5. 專業知識和領域經驗：在某些情況下，領域專家可能會有更深入的了解，能夠幫助鑒別異常值。
6. 可視化方法：通過繪制直方圖、散點圖等可視化圖表，可以直觀地發現數據中的異常值。
7. 機器學習方法：有一些基于機器學習的算法，如孤立森林（Isolation Forest）和局部異常因子（Local Outlier Factor），可以用來檢測異常值。
8. 交叉驗證：在數據分析中，可以使用交叉驗證方法來識別異常值，比如將數據集分成訓練集和測試集，然后檢測測試集中的異常值。
在精益咨詢的實際應用中，通常會結合多種方法來識別異常值，以確保準確性和可靠性。需要根據具體的數據特點和分析目的選擇合適的方法。
二、 計算目標的時候要參考統計學基礎。
首先，要分析數據的線性回歸趨勢。指標本身就有一定趨勢，和平穩的維持在一個平均值附近，制定目標的時候是有一定區別的。（如下圖）
如果目標本身是有一定趨勢的，要考慮指標本身的推移，在這個基礎上，在考慮改善機會，才能制定一個比較合理的目標。可以將回歸線的斜率作為未來增長率的一個指標，據此設定目標。（右圖）
而如果指標圍繞一個平均值波動，一般來使用標準差來確定目標值的上下界限。例如，目標值可以設為“歷史平均值 ± (1 × 標準差)”，這里標準差的數量根據組織的風險承受能力來調整，可以±一倍或多倍標準差。
另外，還有一種特殊情況，就是指標有季節或其他周期性變化，比如冬天和夏天指標有波動，對于具有明顯季節性或周期性的KPI，可以使用時間序列分析（如ARIMA模型）來預測未來的值。
總之，精益咨詢活動制定目標是一個科學而嚴謹的過程，在實戰應用時，要考慮以上因素，還要結合企業實際情況，進行一定的調整，才能制定出一個合理的指標。
版權聲明：本文為優制咨詢精益咨詢師原創文章，轉載請注明出處。
