打造学习型组织:解决组织混乱&系统思考的法则
日本在1950年代初期,透过全面品质管制(Total Quality Control,以下简称TQC)快速地发展经济,达到现有的国际地位,也让其他西方国家纷纷效仿。我们将于本篇介绍一些TQC可能无法解决的问题及其原因,以及系统思考的十一大法则,协助我们思考、找到解决途径。
解决组织混乱
尽管TQC看似能够应用于所有事情,从减少缺点、解决存货管理问题、到设计以客户为中心的商品,仍有一些状况是现有的TQC工具与方法是无法应付的。尤其当要解决一个种类的问题时,TQC是有许多不足的,Russell Ackoff将这类的问题形容为「混乱」(a mess):
了解什么是「混乱」是一件重要的事情——混乱就是一个系统的问题。这件事的重要性在于,传统的管理方式是将混乱的问题进行拆解、一一解决,并假设如果我们解决了它所有的小部分,就解决了整个问题。
但记得⋯⋯如果你将一个系统拆解成小部分,并让每个部分都尽可能地有效独立运作,那么整体而言,它便没办法尽其可能有效地运作了。因此,解决混乱的方法,并不是将构成它的问题的解决方案组合而成,这是绝对基本的。
「组织『混乱』的复杂性与时间延迟」,是为了将「组织混乱」归纳成一个根据组织复杂性(单位的数量及它们互联的复杂程度)及程序的时间延迟(计划的当前周期时间)的模型。「模糊」变数通常伴随着Ackoff口中的「混乱」,因为这种系统通常既不清晰、也无明确定义。组织为了解决那些涉及高度组织复杂性、长时间延迟、及模糊变数的问题所付出的努力,提供了进步的机会,也借由系统的品质管理来提升学习。
组织复杂性
大多数公司在初期能进步得快速且相对轻松,不外乎有两种原因:有可能是因为当时的情况相当糟糕,所以无论什么样的合作,都能立竿见影;或者是因为多数早期的计划,是随着仅要求最小跨功能合作的单一功能单位而进化。这些初期的计划通常是Joe Juran所提倡的「拔靴法」(bootstrapping)策略的一部份,其中,在TQC哲学的价值被证明后,组织内的其他功能单位也慢慢地采纳此理论。而采纳的过程却相当地缓慢,且随着牵涉到的跨功能合作层级越来越多,所需要的时间就越长。
有个研究显示,TQC计划中的进步程度,主要是受到其组织的复杂性影响,而非计划本身。如果你知道Edward Baker,也就是福特的品质管理与统计方法经理,那么这个发现可能并不会令人太过意外。Baker解释了由上而下组织在沟通时的困难:
试想有个组织,在高级主管底下有六个阶层,及各三位的控制幅度(span of control),这便有1,093个人。更重要的是,有586,778个潜在的二人端口,更代表着潜在的内部供应商与消费者关系。这1,093个人依赖着另一方来完成他们的工作,但是他们的相互依存关系并非相当明确。
即使只管理其中少数几个供应商与消费者关系,也可以是个艰钜的任务。如果对此相互依存关系没有完全的认识,可能会采取导致不理想结果的行动。举例来说,采纳即时化(Just-in-Time,简称JIT)生产制度的Xerox经理,要求供应商在他们需要之前,先保留库存,「解决」了他们的库存问题;他们将一个好点子「注入」系统中的一小部分,却没有顾及全局,严重地破坏了过去几年来他们精心维护的供应商关系。在系统品质管理的模型中,建立对于整个系统的共识,是组织学习最核心的议题。
时间延迟
另一个早期TQC计划的归因,在于这些系统之间的时间延迟相对较短。举例来说,减少特定生产步骤的缺点,代表可获得即时的数据,并借由分析数据来查看其背后的含义。这个流程步骤通常仅需要几分钟至小时来完成,而非几天或几个月,因此,根据蒐集到的数据来有信心地立下结论,是相当切实可行的。然而,当计划的时间延迟变得极长,例如某个耗时好几年的产品研发过程,想要操作即时的实验就变得很不切实际,现有的数据有用性也会变得相当地有限。我们或许可以调整过程中的小步骤,但无法从整体中的意涵获得洞见。
例如,某个研究动态软体开发的计划,显示了强调预估计划完成的准确度,会让准确度提升,却需要付出更高的成本与更长的完成时间。研究结果显示,计划的时间规划会大幅度地影响人们的决策。由于特定计划所带来的压力与洞察力不一,不同的预测也会导致不同的计划产生。学者使用系统动力学的模型,跑了两个有不同预测的64,000传送源指令软体。在基础模拟的情况下,方法一计算出了2,359天的估计值,而它实际上消耗了3,795天,有38%的失误率。而方法二得到了5,900天的估计值(比方法一高出了150%),而最终消耗了5,412天,仅有9%的失误率。尽管方法二的准确率较高,却也导致了更高支出的结果——比方法一多耗了43%的天数。有了这样的模拟测试,我们应从计划开始之际,每隔几个月便观察并获得洞见,而非一次性地回顾。
模糊变数
根据Juran的说法,TQC的三个法则分别为「查看数据」、「查看数据」、跟「查看数据」。可测量的结构资料,就像是能够启动TQC的引擎;而就算是以国际认可的机械过程取得的单位,例如每分钟的单位、或是每单位的磅数等,要取得可信的好数据,并不容易。随着要测量的物体变得逐渐不清,取得数据这件事情就变得更加困难。模糊变数所包含的概念,例如时间压力对于生产力的影响、送货延迟对于需求的影响等,或是其他可能只有在直觉上才能获得的资讯。而模糊变数所产生的议题,非常有可能随着服务业试图导入TQC而增加。
在汉诺威保险(一个财产与意外保险公司)的案例中,探讨了管理索赔办公室的动态性,并点出理赔支付的金额与调整品质之间的关联。透过一个建立于系统动力学模型之上的决策游戏,理赔经理体验到他们的决策是如何侵蚀品质,并导致了更高的理赔。尽管没有可测量的结构资料,模型框架让经理人能够视觉化并体验到时间压力、工作强度、时间效率、与品质标准之间的关联性。
系统思考的「法则」
系统思考提供很好的框架,让人理解系统互联的本质,及其长短期间彼此如何相互作用,使混乱显得较有条理。多年来,已经有特定的系统原则提供框架,让人在不用了解各个组成部分的详细知识下,了解整个系统的动态性含义。《第五项修炼:学习型组织的艺术与实务》的作者Peter Senge,表示复杂的系统通常会受下列几项法则影响:
- 今日的问题来自于昨日的「解方」
- 你越用力去推,系统的反弹越大
- 行为常常看似正往好的方向发展——直到它急转直下
- 简单的解决方法通常无效
- 快即是慢
- 解药可能比疾病本身来得更糟
- 因果在时空之中并不是密切相关的
- 小小的改变可能会造成重大的结果,但那些有最高槓杆点的地方,通常也是最不显眼的
- 鱼与熊掌可以兼得,但不是在同时
- 把大象分成两半,并不会让你获得两只小象
- 不要责怪
以上的法则为真,是因为复杂的系统因果关系在时空中通常并不密切相关,然而,我们通常有着相反的假设与行动。我们根据看似明显的罪魁祸首而采取行动,才发现我们的解决方法却加剧了当初试图想要解决的问题。这些无意的后果,是复杂系统拒绝改变它们行为的倾向,所产生的结果。像这样的政策阻力,其最常见的原因是因为有许多的「补偿反馈」关系,尽管有外部的干预,仍试图维持内部原有的平衡。就是这样的反馈,导致了在更不好的行为前,有较好行为产生的规律。举例来说,「把负担转移给干预者」的原则,起因于有意帮助别人的行为。然而,它也制造了破坏个体帮助自己的能力的无意后果。大象的比喻则呈现了「不可分割的整体」的概念,也就是说,将大象一分为二并不会制造两只大象,而是制造了混乱。
上述「法则」在乍看之下显得违反直觉,是它们常见的特征。这不仅仅只是巧合而已,违反直觉的行正为是复杂系统的基本本质。将线性思考与统计工具,应用于解决非线性及动态性的问题,通常只会导致后续遭遇更多困境。而且在一个系统中,有延迟与多个回馈环路的存在,我们立意良好的「治疗」,通常只会制造比我们起初想要治疗还要更糟的疾病。在这种原始意图会导致不理想结果的情况下,我们需要新工具的帮助。
若您对系统思考有兴趣的话,欢迎参考我们的官网:Omplexity系统思考顾问公司
Source: Toward Learning Organizations: Integrating Total Quality Control and Systems Thinking