对信息饥渴但又淹没在数据中？
制造商已经极大地改善了收集、分析和处理数据的方式。但往往在标准监测和报告之外，大量的运营和业务数据变得不堪重负，无法改善业务成果。越来越多的组织正在努力有效地识别和使用系统数据，以解决问题并使利润最大化。由于现代制造业的各种系统、平台、地点、供应商和其他因素所造成的问题的复杂性增加，使这种挣扎变得更加严重。
识别和使用正确的数据是有效解决问题和决策的核心。 为了在可以支持复杂问题解决的庞大的可用数据海洋中不被淘汰，请考虑以下三个基本行动。
1.让合适的人在房间里。一个多元化的问题解决团队知道如何在他们的专业领域内获取和使用信息。例如，在解决一个质量问题时，包括来自质量、生产和维护部门的人，大大扩展了房间里的专业技术和知识，并能加速获取解决问题所需的信息。通过连接不同的数据源，你可以获得在不同系统或部门中孤立存在的信息。由于每个人都专注于解决问题，多样化的观点和信息可以消除路障，建立共识，并通过关注相关信息来推动问题的解决。
2.需要更多的数据？不要停在那里。 最终问题解决者会到达一个点，即所需的信息不在手边，可能存在也可能不存在。不要停在那里。在所有相关的数据来源中，可能有原始数据和分析结果需要整理，或者在解决问题的团队之外有人能够获得所需的答案。你可能会继续追求问题的解决，但在这之前，请下放权力。与其接受数据不可用的事实，不如指派一个团队成员去跟进，获得信息，让更多的资源参与进来。在我们的一个客户组织中，需要采取行动，而不是接受 "需要更多的数据 "作为一个死胡同，这被认为是他们排除故障的一个重要障碍，并被挑出来作为改善问题解决的一个关键优先事项。
3.在寻求解决方案之前，先了解你的问题。当解决方案不明显的时候，问题就是问题。为了有效地考虑解决方案，必须对问题进行具体定义。一个故障模式，如 "腐蚀"，并不足以定义一个问题。问题的规格越具体，就越容易找到导致解决的数据。一个帮助定义问题的简单方法是使用 "五个为什么"（描述情况，然后问并回答 "为什么"，直到答案是 "我不知道"）。对于简单的问题，问几个 "为什么 "就能很快找到原因。对于复杂的问题，"五个为什么 "有助于通过剥开症状来确定真正的问题，从而找到问题的核心。当 "为什么 "的答案是 "我不知道 "时，你就找到了问题所在。
由丰田汽车公司开发，这里有一个 "五个为什么 "的例子。
"机器人停下来了"
- "机器人为什么停下来？"电路已经过载，导致保险丝熔断。
- "为什么电路会过载？"轴承上的润滑不足，所以它们锁住了。
- "为什么轴承上的润滑不足？"机器人上的油泵没有循环到足够的油。
- "为什么泵没有循环到足够的油？"泵的进气口被金属碎屑堵塞。
- "为什么进气口会被金属屑堵塞？"因为泵上没有过滤器。
注意问题定义的演变。五个为什么使用数据（在这种情况下是观察到的数据，而不是数字监测或复杂的数据分析）来明确问题，从 "价值百万的机器人坏了 "这一潜在的复杂问题到 "机器人的油泵进气口被金属屑堵塞"。解决问题的团队并没有急于解决某个问题--例如可能让机器人移动的软件修复--而是剥开症状，找到机器人的某个特定部分，在这种情况下，就是缺少油过滤器。明确问题可以加速获得解决问题所需的信息。
4.4.建立上下文。在大数据中，上下文是揭示全面细致、完整信息的关键。通过整合 "厚数据"（海量数据）而不是信息抽样，数据分析可以根据收集到的数据创建更准确的背景和完整的画面。同样地，在解决问题时，背景是揭示细微差别和完整信息的关键。一个例子是Kepner-Tregoe问题分析，它使用IS/IS NOT矩阵建立背景。
虽然没有达到大数据的规模，但收集的数据定义了 什么, 其中, 当，以及 程度 通过指定不仅是IS而且是IS NOT的信息来建立越来越 "厚 "的数据，然后详细说明区别并考虑其原因。收集到的IS和IS NOT的数据越多样化、越丰富，就能为情况创造一个更完整、更细微的背景，帮助问题解决者消除那些可能被认为是潜在原因的问题，同时锁定最能描述问题和支持可能解决方案的相关数据。
这四个基础行动可以帮助企业更有效地使用数据，并以更快的速度和更高的准确性解决问题。随着可用数据量的增加，使用数据的能力也不能落后。对于复杂问题的解决，这些在数据海洋中航行的基本行动可以加速问题的解决，并帮助产生高质量的解决方案。
关于Kepner-Tregoe
60多年来，Kepner-Tregoe已使成千上万的公司有能力解决数百万个问题。Kepner-Tregoe的服务旨在以可衡量的结果永久地解决组织的挑战，在提高质量和性能的同时降低总体成本。
