我们在精益咨询的现场推行改善课题时，目标设定是一个重要步骤，它直接决定我们的改善成果是否达成，以及是否充分挖掘了现场的改善潜力。
目标设定的过高或过低都是不合适的，目标太低，过于容易达成，无法完全挖掘现场改善空间和潜力，目标太高，最后导致超出了现场改善能力，会挫败现场信心，望而生怯，打击士气，课题无法成功。
这就是在目标设定的SMART原则中的“可实现”的要求。那么精益咨询中如何设定一个不会过高或者过低的合理目标呢？
首先，目标的设定有常见的四个途径：
历史最佳——以历史最佳值作为目标，努力将现场的平均水平维持在历史最佳值。因为曾经成功达到过，可行性比较高，但是要维持平均水平在历史最佳值上，还是需要一番努力的。
同行对标——这里的同行，可以是同一个车间、同一个公司、同一个集团等内部的类似产线，也可以是外部同行企业的水平。这样可以参考已有的成功案例来设定目标。比如，制药行业的片剂铝塑机，现在的OEE只有60%，而同行业类似的产线和设备可以达到75%-80%，就可以作为目标值。
领导指令——这个比较简单，领导或者公司高层的期望值作为目标。注意，这个目标可能没有直接依据，但是作为现场改善课题，要努力寻找改善机会，克服困难，达成目标。这种目标是先设定目标，寻找一切可能。比如新中国成立后，国家需要造出原子弹，虽然不知道能不能达成，如何达成，但是要尽一切努力去寻找机会，往往才会创造奇迹。
数据分析——也就是根据历史数据或记录，通过数据计算或者针对影响指标的要素进行分析，评估一个可行而有挑战的目标值。
以上四种方法，在精益咨询活动的数据分析时，通过计算来制定目标，有两个要注意的点：
一、 注意剔除数据中的异常值。
为了确保数据的准确性，要删除或更正错误和异常值。判断异常值可以参考以下方法：
识别异常值的常用方法：
1. 标准差方法：使用标准差来检测异常值。一般情况下，如果数据点的值与平均值的偏差超过3倍标准差，可以将其视为异常值。
2. 箱线图方法：通过绘制箱线图，可以很容易地看出数据中的异常值。箱线图能够显示出数据的整体分布情况以及离群点。
3. Z-score方法：计算数据点的Z-score（标准化分数），如果Z-score的绝对值大于某个阈值（一般是2或3），则可以将该数据点视为异常值。
4. 密度估计方法：使用核密度估计等方法来估计数据的密度分布，从而识别出那些偏离正常分布的数据点。
5. 专业知识和领域经验：在某些情况下，领域专家可能会有更深入的了解，能够帮助鉴别异常值。
6. 可视化方法：通过绘制直方图、散点图等可视化图表，可以直观地发现数据中的异常值。
7. 机器学习方法：有一些基于机器学习的算法，如孤立森林（Isolation Forest）和局部异常因子（Local Outlier Factor），可以用来检测异常值。
8. 交叉验证：在数据分析中，可以使用交叉验证方法来识别异常值，比如将数据集分成训练集和测试集，然后检测测试集中的异常值。
在精益咨询的实际应用中，通常会结合多种方法来识别异常值，以确保准确性和可靠性。需要根据具体的数据特点和分析目的选择合适的方法。
二、 计算目标的时候要参考统计学基础。
首先，要分析数据的线性回归趋势。指标本身就有一定趋势，和平稳的维持在一个平均值附近，制定目标的时候是有一定区别的。（如下图）
如果目标本身是有一定趋势的，要考虑指标本身的推移，在这个基础上，在考虑改善机会，才能制定一个比较合理的目标。可以将回归线的斜率作为未来增长率的一个指标，据此设定目标。（右图）
而如果指标围绕一个平均值波动，一般来使用标准差来确定目标值的上下界限。例如，目标值可以设为“历史平均值 ± (1 × 标准差)”，这里标准差的数量根据组织的风险承受能力来调整，可以±一倍或多倍标准差。
另外，还有一种特殊情况，就是指标有季节或其他周期性变化，比如冬天和夏天指标有波动，对于具有明显季节性或周期性的KPI，可以使用时间序列分析（如ARIMA模型）来预测未来的值。
总之，精益咨询活动制定目标是一个科学而严谨的过程，在实战应用时，要考虑以上因素，还要结合企业实际情况，进行一定的调整，才能制定出一个合理的指标。
版权声明：本文为优制咨询精益咨询师原创文章，转载请注明出处。
