跳到主要內容

AD 102 · 模組 2

診斷與重新框定

為痛點分類、建立 evidence 與 baseline,區分 root cause 與 symptom,並劃定範圍完成 Process Discovery Sprint。

開始第一節
已完成 0 / 5
同步我的進度加入梯次後,進度可跨裝置保存,講師也能看到

資訊

加入後,你已完成的模組編號會連同「學員代碼」傳送給講師,講師可以看到你的進度。請使用講師提供的代碼,不要輸入姓名、公司機密或其他個資。進度資料與該梯次的其他資料一起保存。

學習目標

  • 建立 waiting/rework/error/search/duplicate entry/handoff/judgment load taxonomy。
  • 將「很慢、常錯」轉成 frequency/time/error/rework/volume evidence,並標 observed/estimated。
  • 使用輕量 why-chain,根因只能是 hypothesis until evidence。
  • 明確 start/end/in-scope/out-of-scope,避免把整家公司當一個 Use Case。
  • 完成 current-state map + pain/evidence map,交給未參與訪談者也能理解。

痛點類型

30 分鐘

痛點類型(Pain Point Types)

學習目標:建立 waiting/rework/error/search/duplicate entry/handoff/judgment load taxonomy。

把散落在訪談紀錄中的抱怨,整理成七種可分類的痛點類型:waiting(等待)、rework(重工)、error(錯誤)、search(搜尋)、duplicate entry(重複輸入)、handoff(交接延遲)、judgment load(判斷負荷過重)。分類之後,才能針對同一類型的痛點一起討論解法,而不是逐一各自處理。

七種痛點類型
欄位說明
Waiting等待處理或核准
Rework同一件事要重做
Error容易出錯
Search花時間找資料
Duplicate entry同樣資料輸入超過一次
Handoff交接延遲或遺失
Judgment load需要高度專業判斷
工作情境

「主管常常好幾天才核准」→ waiting。「表單填錯常常要重填」→ rework/error。「找不到去年的紀錄」→ search。「人事重打一次員工填過的資料」→ duplicate entry。「每個案子都要主管親自判斷特殊情況」→ judgment load。

工作情境(對照案例:一個抱怨可能對應不只一種類型)

「獎助學金申請常常出錯又要重審」,乍看像單一抱怨,拆開後其實包含三種類型:waiting(審查排隊超過一週)、error(承辦人常看錯資格條件)、rework(錯誤被發現後要整份重審)。把一句抱怨拆成多個類型,才能分別找到對應的改善方向。

  • Waiting 延伸案例:校務會議決議要等到下次會議才確認紀錄,中間案子完全停滯。
  • Rework 延伸案例:預算編列表格式常被退回重新填寫,因為欄位定義不清楚。
  • Error 延伸案例:手動計算差旅核銷金額時,匯率換算常常算錯。
  • Search 延伸案例:承辦人要翻找三年前的簽呈才能確認某個案例的前例。
  • Duplicate entry 延伸案例:新生資料要同時輸入到學籍系統與宿舍系統,兩邊各打一次。
  • Handoff 延伸案例:跨處室簽核案件常常卡在「不知道現在在誰手上」。
  • Judgment load 延伸案例:每一件獎懲案都要承辦人逐條比對規章後自行判斷適用條款。

資訊

Human、AI、Human:人主持訪談與判斷,AI 可協助整理紀錄,但流程結論與證據判斷由人負責。

注意

資料安全提醒:本課程所有練習一律使用課程提供的模擬情境檔案,不含任何真實機構或個人資料。
自我檢測

「每次交接給下一個單位,案子常常卡在中間找不到人跟進」,這最符合哪一種痛點類型?

「每次交接給下一個單位,案子常常卡在中間找不到人跟進」,這最符合哪一種痛點類型?

重點: 把痛點分類成七種類型,才能看出同類問題該一起處理,而不是零星地各自解決。

證據與基準

35 分鐘

證據與基準(Evidence and Baseline)

學習目標:將「很慢、常錯」轉成 frequency/time/error/rework/volume evidence,並標 observed/estimated。

模糊的形容詞(很慢、常常、有點多)必須轉成具體數字:多常發生(frequency)、花多少時間(time)、錯誤率(error)、重工比例(rework)、量體(volume)。同時要誠實標示這個數字是「實際觀察到的」(observed)還是「受訪者估計的」(estimated),兩者都有價值,但信心程度不同,不能混為一談。

Baseline 的五個維度
欄位說明
Frequency多常發生?
Time花多少時間?
Error rate錯誤率多高?
Rework rate要重做的比例?
Volume案量有多大?
工作情境

受訪者說「核准常常拖很久」。轉成 evidence:「上個月 20 件申請中,15 件超過 3 個工作天才核准(observed,來自系統紀錄)」,或「大概拖 3-5 天吧,我沒有仔細算過(estimated,受訪者印象)」。兩種都要標明來源。

  1. 記下原話
    先完整記錄受訪者的原始描述(例如「常常」「有點多」),不要急著翻譯成數字。
  2. 追問量化問句
    問「大概多常?」「上個月大概幾件?」「如果要你猜一個數字,你會說多少?」
  3. 確認資料來源
    問「這個數字你是怎麼知道的?有沒有系統紀錄可以查?」區分 observed 與 estimated。
  4. 補上標籤
    把轉換後的數字連同 observed/estimated 標籤一起寫進紀錄,不要只留下數字。

模糊描述

「核准常常拖很久,大家都在抱怨。」

量化證據

Frequency
上個月共 20 件申請(observed,來自簽核系統紀錄)。
Time
其中 15 件超過 3 個工作天才核准(observed)。
Error / rework
承辦人估計約 3 成案件曾被退回補件(estimated,未實際清點)。

資訊

Human、AI、Human:人主持訪談與判斷,AI 可協助整理紀錄,但流程結論與證據判斷由人負責。
自我檢測

受訪者說「這個問題常常發生,但我沒有具體數字」。下列哪一個記錄方式最正確?

受訪者說「這個問題常常發生,但我沒有具體數字」。下列哪一個記錄方式最正確?

重點: 把印象轉成數字,並誠實標示是觀察到的還是估計的,這是證據意識的核心。

根因與症狀

35 分鐘

根因與症狀(Root Cause vs Symptom)

學習目標:使用輕量 why-chain,根因只能是 hypothesis until evidence。

Symptom 是看得到的表面問題(例如「核准常常拖很久」),root cause 是造成 symptom 的根本原因。用簡單的 why-chain(連問幾次「為什麼」)逐層深入,但每一層都只是 hypothesis(假設),直到有證據支持才能當作結論。切忌問一次「為什麼」就直接下定論。

Why-chain 的使用方式
欄位說明
第 1 層觀察到的 symptom
第 2-3 層連續追問為什麼,形成 hypothesis
驗證回到證據,確認 hypothesis 是否成立
工作情境

Symptom:核准常常拖很久。Why?主管沒有及時看到申請。Why?申請堆積在紙本文件夾裡。Why?沒有通知機制。到這裡是 hypothesis,需要進一步確認:是否真的每一件都堆積、是否真的沒有任何提醒方式。

工作情境(對照案例:延伸到第四、五層)

承接上例繼續追問。Why 沒有通知機制?因為系統建置時沒有納入這項需求。Why 當初沒有納入?因為流程設計時沒有訪談過主管端的實際使用情境。走到第五層才發現:根因可能不是「系統缺功能」,而是「流程設計階段缺乏使用者訪談」,這也呼應了本課一開始強調的「問工作,不是問 AI」。每一層都仍是 hypothesis,需要回頭用證據驗證,例如實際清查有多少件申請真的卡在紙本文件夾裡。

  • 常見陷阱一:問一次「為什麼」就直接寫報告結論,沒有繼續往下追問。
  • 常見陷阱二:把根因歸咎於「某個人不認真」,而不是去看流程或系統設計本身。
  • 常見陷阱三:每一層假設都沒有回頭找證據驗證,純粹靠推理往下延伸。
  • 常見陷阱四:why-chain 問到第二層就停下來,卻宣稱「根因已經找到」。

資訊

Human、AI、Human:人主持訪談與判斷,AI 可協助整理紀錄,但流程結論與證據判斷由人負責。
自我檢測

問了一次「為什麼」得到一個答案後,下列哪一個做法最正確?

問了一次「為什麼」得到一個答案後,下列哪一個做法最正確?

重點: 根因分析是層層假設加證據驗證的過程,不是問一次為什麼就能下定論。

機會邊界

30 分鐘

機會邊界(Opportunity Boundary)

學習目標:明確 start/end/in-scope/out-of-scope,避免把整家公司當一個 Use Case。

訪談與流程分析很容易越挖越廣,最後變成「整個部門的工作流程都要改」,這樣的範圍無法形成可執行的 Use Case。機會邊界要明確寫出:從哪一步開始(start)、到哪一步結束(end)、哪些子流程算在範圍內(in-scope)、哪些明確排除(out-of-scope)。

範圍界定四欄位
欄位說明
Start從哪一步開始?
End到哪一步結束?
In-scope哪些子流程包含在內?
Out-of-scope哪些明確排除?
工作情境

範圍界定:Start:員工提出請假申請。End:人事完成假別登錄。In-scope:申請、審核、登錄三步驟。Out-of-scope:請假額度計算規則的修改、跨系統整合、其他假別(如出差)的流程。

  • 警訊一:討論中有人說「不如把隔壁部門的流程也一起改掉」,這通常代表範圍正在悄悄擴大。
  • 警訊二:in-scope 清單越寫越長,但 start/end 卻說不清楚。
  • 警訊三:有人提出「只要順便把系統也換掉就好了」,這是把另一個大案子夾帶進來。
  • 警訊四:out-of-scope 欄位是空的,代表還沒有人認真想過邊界在哪裡。
工作情境(對照案例:採購申請)

採購申請流程牽涉請購人、核准主管、採購組、驗收單位四個角色與兩個系統。界定範圍:Start:請購人填寫採購申請單。End:採購組完成訂購並通知請購人。In-scope:申請、主管核准、採購組下單三步驟。Out-of-scope:供應商評選標準的修改、驗收與付款流程、跨年度預算規劃。先把這一段處理好,驗收與付款留給下一個 Use Case。

資訊

Human、AI、Human:人主持訪談與判斷,AI 可協助整理紀錄,但流程結論與證據判斷由人負責。
自我檢測

訪談後發現流程牽涉到三個部門、五個系統。下列哪一個做法最符合機會邊界原則?

訪談後發現流程牽涉到三個部門、五個系統。下列哪一個做法最符合機會邊界原則?

重點: 明確的 start、end、in-scope、out-of-scope,避免把整個組織當成一個 Use Case。

流程發掘 Sprint

50 分鐘

流程發掘 Sprint(Process Discovery Sprint)

學習目標:完成 current-state map + pain/evidence map,交給未參與訪談者也能理解。

這是整門課的收尾實作:把前九堂課建立的技能(訪談、流程繪製、交接判斷、痛點分類、證據與基準、根因分析、範圍界定)整合成兩份正式產出:Current-State Process Map 與 Pain Point Map。完成標準是「交給沒有參與訪談的人看,對方也能看懂流程與痛點」。

兩份正式產出
欄位說明
Current-State Process Mapstep/actor/input/action/decision/output/system/handoff/pain
Pain Point Mappain/frequency/impact/evidence/suspected_cause/owner
工作情境

完成檢查:流程圖是否有清楚的 start/end?每一步是否都標明 actor/system/input/output?痛點是否都分類並附上 evidence(observed 或 estimated)?根因是否清楚標示為 hypothesis?

  1. 整合現況流程圖
    把訪談得到的步驟排成有明確 start/end 的序列,每一步標上 actor/system/input/output。
  2. 標記交接與判斷點
    在流程圖上標出 handoff、queue、approval、duplicate entry 發生的位置。
  3. 整理 Pain Point Map
    把每個痛點分類,附上 frequency/time/error/rework/volume 證據,並標示 observed 或 estimated。
  4. 請未參與者試讀
    找一位沒有參與訪談的人讀一次兩份產出,請對方指出看不懂或有疑問的地方。
  • 流程圖的 start/end 是否與機會邊界(Lesson 9)寫的一致?
  • 每個痛點是否都能對應回流程圖上的具體步驟,而不是憑空列出?
  • 根因是否清楚標示「hypothesis」,而不是直接寫成確定的結論?
  • Owner 欄位是否寫了具體的人或單位,而不是「大家」?

資訊

Human、AI、Human:人主持訪談與判斷,AI 可協助整理紀錄,但流程結論與證據判斷由人負責。
自我檢測

下列哪一個檢查最能判斷 Process Discovery Sprint 的產出是否合格?

下列哪一個檢查最能判斷 Process Discovery Sprint 的產出是否合格?

重點: Process Discovery Sprint 的完成標準:交給沒參與訪談的人,也能看懂流程與痛點的依據。

接下來做什麼?