從知道有PDCA這種東西開始,我就一直有一個疑惑: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」。
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。
PDCA循環改善過程的示意圖。來源:Wikipedia
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:
- 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。
- 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。
- 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。
- 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:
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。