PDCA與「封閉校正系統」的潛在問題

所謂PDCA，意思大致上是這樣的：

PDCA（Plan-Do-Check-Act的簡稱）循環式品質管理，針對品質工作按規劃、執行、查核與行動來進行活動，以確保可靠度目標之達成，並進而促使品質持續改善。

總而言之，就是透過「規劃」（P）、「執行」（D）、「查核」（C）、以及「行動」（A）四個步驟的不斷循環，來達成確保工作品質、達成企業目標的結果。

我從前看到這個理論的時候，想起的第一件事情，就是年輕時研究數位化出版流程，曾經學到的一門學問，叫做「封閉循環色彩校正」（closed-loop calibration）。

什麼是「封閉循環色彩校正」？

這種校正方式簡單的說，就是拿一張上面印有各種色彩方塊的標準色表，用掃描機掃描成影像之後，將圖檔呈現在電腦螢幕上；再從電腦將影像列印到印表機上。

列印出來的結果可以拿來跟標準色表比較、並根據各站顯示的色差，回頭調整各項設備，然後整個過程再來一次。

比較之後，可以再回頭檢視出：

• 掃描機的色彩掃描結果是否準確？
• 假設掃描色彩正確，電腦螢幕上的顯示結果是否正確？
• 假設電腦螢幕顯示結果正確，列印出來的顏色是否正確？
• 列印出來的結果，跟原始的標準色表是否一致？

如果最後的列印結果，已經調整到跟標準色表大致相同，還可以改用列印的這張放進掃描機，然後再反覆進行整個校正過程。

理論上，如果掃描機、電腦顯示卡、螢幕、印表機都是可以微調輸出色彩的機種，那麼在反覆比對並調整之後，就可以讓每個步驟都得到最準確的結果。

不過除了「整個循環都能微調」的設備組合不常見之外，在出版數位化發展一段時間之後，這個流程往往也只能用在沒有其他「更專業選擇」的場合。

封閉校正系統的問題

因為，這種校色方法理論上對，但能將所有設備都校到準確的機會微乎其微；而且如果認真做，就不會是「只有幾個設備錯」（因為「一致」是基本要求），「整個循環都錯」的機率比「整個循環都對」的機率高太多。

實際執行上會有這樣的結果，經常出現的原因是：

1. 過於信任（特定的）設備：特別是執行者相信「這台十幾萬的螢幕應該不會錯吧」，有錯只會是其他便宜的設備錯。最糟糕的狀況是，執行者相信所有的設備，但所有設備都是錯的。
2. 眼光偏差：因為這樣的校正方式，非常偏重執行者的經驗和肉眼的辨識能力；有時一串看下去都差不多，但顏色其實已經越來越偏，只是肉眼看不出來。
3. 基準本身就不對：有時候最原始的那張基準色表，本身因為印刷品質、反覆使用、或是其他原因（被加上護貝之類的），所以原本就有問題，當然再怎麼校都不會準。
4. 過程中標準不一／誤差：這一點跟「眼光偏差」類似，不一樣的地方在於執行者在設備A和B之間、以及C和D之間（自覺或不自覺的）採用了不同的判斷標準。

而只要其中有一個環節不對，最好的結果就只能是「大家一起錯、錯得很一致」。不過也要公平的說，雖然純就結果論來看，「大家一起對」的機率不高，但「做事」跟「色彩」還是不一樣的。

因為理論上來說，特定的色彩只有唯一基準，錯的就是錯的；但做事不一樣，PDCA過程中即使沒有往預定的目標（例如改善品質）校正，在這個循環中所做的改變仍然可能是「細部改善」（例如降低成本、提高士氣），對整體效益還是會有間接幫助。

若不談「細部改善」這一點，PDCA和印刷系統這類「封閉校正」系統的問題，或許有點像是量子物理學上的「測不準原理」；但如果用我的方式說，問題就是可能「迴圈裡有毒」（或者說「靴子裡有蛇」）。

如果這個「毒」沒辦法發現、也沒辦法往外排除，那麼這個迴圈也就永遠不會是乾淨的。

而這種「毒」，多數時候是出現在主事者的觀念上（例如紅綠色盲、或是「藥只要有效就好，不必管傷不傷身體」）；而因為這是循環中無法改變的基本前提，所以也註定了結果：PDCA本身可以改進流程，但無法改變有問題的系統。

但問題當然也可能出現在流程中的元素上。例如前面提到的掃描機、印表機等等。把設備換掉當然比較簡單、而且多少會有幫助，但對於這個方法的本質可能導致的「大家一起錯」（別忘了，往往有彈性的人還是得去遷就錯的人）的結果，影響仍然有限。

換套系統，或是換套標準

如果你能理解一開始舉例的校色系統問題，再套用到PDCA的循環上，大概就知道我為什麼會聯想到它、以及我認為的問題所在了。

那麼，萬一你的PDCA或校色系統真的出現這些問題，又該怎麼全盤改善呢？

• 換一套系統：無論PDCA或封閉校色，本身理論上都是沒有錯的；如果會有問題，只是因為它是一套封閉迴圈；就像把染料倒進洗衣機，往往無法一次就洗乾淨就算了，還可能會讓所有的衣服都染上顏色。所以， 如果能找到更好的改善評估方式，也不妨試試看。
• 引進公正的外部評估標準：既然問題會出在靴子裡有蛇，那麼就把靴子脫掉、把蛇倒出來。在評估和執行過程中的每個階段時，由循環外的機制（其他主管、匿名委員會、或是顧問等等）以公正的標準來進行校準和修正，會比迴圈內的自我評估更好。以色彩校正系統為例，這個「公正的外部評估標準」就叫做「Device-Independent Color Spaces」（獨立於裝置之外的色彩空間， DCS；有時也稱為「Profile Connection Space／PCS）。

• 數據化（如果可能的話）：如前面一項說的，「公正的外部評估」方法之一就是數據化。以校色系統的例子來說，就是不要用「視覺比較」的方式（諸多問題的來源），而是將各項設備的輸出轉換成數字來比較，然後據以微調系統。
• 信任客觀的標準：數據化是其中一種方式，而在無法數據化的事情上，則是「看證據說話」（而不僅是「看結果說話」）。總而言之，就是在檢討過程中，盡量抽離主觀的因素。

有時候「直覺」是很好用的武器，也是許多創業者與眾不同的成功秘訣；但並不是每個人都有這種能力，反而常會被自己的直覺所欺騙；例如這張「A、B兩格其實同色」的圖，就是很有名的例子：

另外一個例子，則是在飛行領域經常發生的「空間迷向」（spatial disorientation）：在難以判別外界狀況的狀態下，即使理性上知道應該信任儀錶，但卻仍然選擇信任自己的感官，導致事故發生。

如果在下判斷時容易受到直覺的欺騙、在某些狀況下又不願意信任數據（我們人人都有這個可能），此時從結果論來說，封閉循環系統反而會成為一種危險的工具。

結語

總而言之，PDCA方法並不是不好，它是非常有用的結構化改善工具；在無毒環境下對於組織運作的細部改進、以及找出現有問題的因果關係，還是很有幫助的。

在數據化工具進步、而且基準相對單純的校色工作上，封閉迴圈校正方法早已成為歷史，只有在不得已時才會用到（現在已經改用ICC Profile之類的數位工具）；但在「人」與「管理」的領域中，PDCA至今仍然是受到推崇的方法之一。

如前面所提到的，這兩個系統雖然表象類似，都是封閉系統，但在本質上仍有許多不同。有趣的是，它們可能會出問題的地方又相當類似；而解法也差不多，就是排掉主觀意識帶來的「毒」，讓來自外部的客觀因素，成為校正這個校正系統的工具。

或是另外找一套更有效、更開放、或是更適合你公司企業文化的思維和方法。