生产数据分析方法

① 生产管理系统中产品数据统计分析方法有哪些

很多企业在生产运营中，往往只重视经济效益的提升，改善经营方式，健全企业管理体制与运行机制，却忽视了统计工作的重要性。其实，若无科学的统计数据支撑，那么企业在制订相关方案与政策时就犹如闭门造车，毫无头绪，也难以取得实效。为了解决以上问题，ERP生产管理系统，在满足生产过程全生命周期管理的同时，还可以支持各数据按照柱状图、折线图、饼图进行各维度的直观分析，为管理层决策提供数据支持。

一、产品数量统计

打开ERP系统-统计-销售栏目统计-产品统计分析-产品销售（数量）统计，选择需要统计选项，如按人员分布、区域分布、行业分布等，进入统计页面后自定义选择统计条件即可。

除此之外，智邦国际ERP还可以实时查看产品数据的销售明细表、采购明细表、退货明细表、采购销售追踪表、利润明细表、库存变动表、产品出库业绩对比表等数据，它将企业产品数据完整整合，以先进的管理理念和前瞻性思想为企业管理方面提供战略性参考价值，帮助企业从根本上改变生产管理模式，提升效益。

② 数据分析方法论有哪些

PEST，也就是政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)，能从各个方面把握宏观环境的现状及变化趋势，主要用户行业分析。

宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。

对宏观环境因素作分析时，由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对政治、经济、技术、社会，这四大类影响企业的主要外部环境因素进行分析。

政治环境：政治体制、经济体制、财政政策、税收政策、产业政策、投资政策等。

社会环境：人口规模、性别比例、年龄结构、生活力式、购买习惯、城市特点等。

技术环境：折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度等。

经济环境：GDP 及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。

2、5W2H分析法

5W2H，即为什么(Why)、什么事(What)、谁(Who)、什么时候(When)、什么地方(Where)、如何做(How)、什么价格(How much)，主要用于用户行为分析、业务问题专题分析、营销活动等。

该分析方法又称为七何分析法，是一个非常简单、方便又实用的工具，以用户购买行为为例：

Why：用户为什么要买?产品的吸引点在哪里?

What：产品提供的功能是什么?

Who：用户群体是什么?这个群体的特点是什么?

When：购买频次是多少?

Where：产品在哪里最受欢迎?在哪里卖出去?

How：用户怎么购买?购买方式什么?

How much：用户购买的成本是多少?时间成本是多少?

3、SWOT分析法

SWOT分析法也叫态势分析法，S (strengths)是优势、W (weaknesses)是劣势，O (opportunities)是机会、T (threats)是威胁或风险。

SWOT分析法是用来确定企业自身的内部优势、劣势和外部的机会和威胁等，通过调查列举出来，并依照矩阵形式排列，然后用系统分析的思想，把各种因素相互匹配起来加以分析。

运用这种方法，可以对研究对象所处的情景进行全面、系统、准确的研究，从而将公司的战略与公司内部资源、外部环境有机地结合起来。

4、4P营销理论

4P即产品(Proct)、价格(Price)、渠道(Place)、推广(Promotion)，在营销领域，这种以市场为导向的营销组合理论，被企业应用最普遍。

可以说企业的一切营销动作都是在围绕着4P理论进行，也就是将：产品、价格、渠道、推广。通过将四者的结合、协调发展，从而提高企业的市场份额，达到最终获利的目的。

产品：从市场营销的角度来看，产品是指能够提供给市场，被入们使用和消费并满足人们某种需要的任何东西，包括有形产品、服务、人员、组织、观念或它们的组合。

价格：是指顾客购买产品时的价格，包括基本价格、折扣价格、支付期限等。影响定价的主要因素有三个:需求、成本与竞争。

渠道：是指产品从生产企业流转到用户手上全过程中所经历的各个环节。

促销：是指企业通过销售行为的改变来刺激用户消费，以短期的行为(比如让利、买一送一，营销现场气氛等等)促成消费的增长，吸引其他品牌的用户或导致提前消费来促进销售的增长。广告、宣传推广、人员推销、销售促进是一个机构促销组合的四大要素。

5、逻辑树法

逻辑树又称问题树、演绎树或分解树等。它是把一个已知问题当成“主干”，然后开始考虑这个问题和哪些相关问题有关，也就是“分支”。逻辑树能保证解决问题的过程的完整性，它能将工作细分为便于操作的任务，确定各部分的优先顺序，明确地把责任落实到个人。

逻辑树的使用必须遵循以下三个原则：

要素化：把相同的问题总结归纳成要素。

框架化：将各个要素组织成框架。遵守不重不漏的原则。

关联化：框架内的各要素保持必要的相互关系，简单而不独立。

6、AARRR模型

AARRR模型是所有运营人员都要了解的一个数据模型，从整个用户生命周期入手，包括获取(Acquisition)、激活(Activition)、留存(Retention)、变现(Revenue)和传播(Refer)。

每个环节分别对应生命周期的5个重要过程，即从获取用户，到提升活跃度，提升留存率，并获取收入，直至最后形成病毒式传播。

③ 如何分析制造企业的生产类的数据

质量控制主要包含七大手法。确切的说是有老七大手法和新七大手法。老七大手法主要侧重于定量分析，而新七大手法更偏重于定性分析。简单说说老七大手法，包括检查表、分层法、排列图、鱼骨图、直方图、散点图、和控制图。这些操作基本上用Excel都可以完成。
首先搞清楚质量控制的目标，是为了保证质量、发现异常、改进产品。产品在生产过程中的随机波动是不可避免的，质量控制的工作是要确认数据的波动是否超出了已知的范围。但是面对问题很多的情况下，要抓大放小，根据二八法则，解决主要问题。

④ 数据分析方法

常见的分析方法有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

⑤ 数据分析的步骤是什么

1.问题定义
比较典型的场景是我们需要针对企业的数据进行分析，比如公司通常会有销售数据、用户数据、运营数据、产品生产数据……你需要从这些数据里获得哪些有用的信息，对策略的制定进行指导呢？又比如你需要做的是一份市场调研或者行业分析，那么你需要知道你需要获得关于这个行业的哪些信息。
首先你需要确定去分析的问题是什么？你想得出哪些结论？
比如某地区空气质量变化的趋势是什么？
王者荣耀玩家的用户画像是什么样的？经常消费的是那类人？
影响公司销售额增长的关键因素是什么？
生产环节中影响产能和质量的核心指标是什么？
如何对分析用户画像并进行精准营销？
如何基于历史数据预测未来某个阶段用户行为？
这些问题可能来源于你已有的经验和知识。比如你已经知道每周的不同时间用户购买量不一样，那么你可以通过分析得出销量和时间的精确关系，从而精准备货。又比如你知道北京最近几年的空气质量是在变坏的，可能的因素是工厂排放、沙尘暴、居民排放、天气因素等，那么在定义问题的时候你就需要想清楚，需要针对哪些因素进行重点分析。
有些问题则并不清晰，比如在生产环节中，影响质量的核心指标是什么，是原材料？设备水平？工人水平？天气情况？某个环节工艺的复杂度？某项操作的重复次数？……这些可能并不明显，或者你是涉足新的领域，并没有非常专业的知识，那么你可能需要定义的问题就需要更加宽泛，涵盖更多的可能性。
问题的定义可能需要你去了解业务的核心知识，并从中获得一些可以帮助你进行分析的经验。从某种程度上说，这也是我们经常提到的数据思维。数据分析很多时候可以帮助你发现我们不容易发现的相关性，但对问题的精确定义，可以从很大程度上提升数据分析的效率。
如何更好地定义问题？
这就需要你在长期的训练中找到对数据的感觉，开始的时候你拿到特别大的数据，有非常多的字段，可能会很懵逼，到底应该从什么地方下手呢？
但如果有一些经验就会好很多。比如，你要研究影响跑步运动员速度的身体因素，那么我们可能会去研究运动员的身高、腿长、体重、甚至心率、血压、臂长，而不太会去研究运动员的腋毛长度，这是基于我们已有的知识。又比如我们要分析影响一个地方房价的因素，那么我们可能会有一些通用的常识，比如城市人口、地理位置、GDP、地价、物价水平，更深入的可能会有产业格局、文化状态、气候情况等等，但一般我们不会去研究城市的女孩长相，美女占比。
所以当你分析的问题多了之后，你就会有一些自己对数据的敏感度，从而养成用数据分析、用数据说话的习惯。这个时候你甚至可以基于一些数据，根据自己的经验做出初步的判断和预测（当然是不能取代完整样本的精准预测），这个时候，你就基本拥有数据思维了。

2.数据获取
有了具体的问题，你就需要获取相关的数据了。比如你要探究北京空气质量变化的趋势，你可能就需要收集北京最近几年的空气质量数据、天气数据，甚至工厂数据、气体排放数据、重要日程数据等等。如果你要分析影响公司销售的关键因素，你就需要调用公司的历史销售数据、用户画像数据、广告投放数据等。
数据的获取方式有多种。
一是公司的销售、用户数据，可以直接从企业数据库调取，所以你需要SQL技能去完成数据提取等的数据库管理工作。比如你可以根据你的需要提取2017年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。
第二种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。当然这种方式也有一些缺陷，通常数据会发布的比较滞后，但通常因为客观性、权威性，仍然具有很大的价值。
第三种是编写网页爬虫，去收集互联网上的数据。比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析，这算是非常靠谱的市场调研、竞品分析的方式了。
当然，比较BUG的一点是，你通常并不能够获得所有你需要的数据，这对你的分析结果是有一定影响的，但不不影响的是，你通过有限的可获取的数据，提取更多有用的信息。

3.数据预处理
现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据分析，或分析结果差强人意。数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。把这些影响分析的数据处理好，才能获得更加精确地分析结果。
比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。
那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。
当然在这里我们还可能会有数据的分组、基本描述统计量的计算、基本统计图形的绘制、数据取值的转换、数据的正态化处理等，能够帮助我们掌握数据的分布特征，是进一步深入分析和建模的基础。

4.数据分析与建模
在这个部分需要了解基本的数据分析方法、数据挖掘算法，了解不同方法适用的场景和适合的问题。分析时应切忌滥用和误用统计分析方法。滥用和误用统计分析方法主要是由于对方法能解决哪类问题、方法适用的前提、方法对数据的要求不清等原因造成的。
另外，选择几种统计分析方法对数据进行探索性的反复分析也是极为重要的。每一种统计分析方法都有自己的特点和局限，因此，一般需要选择几种方法反复印证分析，仅依据一种分析方法的结果就断然下结论是不科学的。
比如你发现在一定条件下，销量和价格是正比关系，那么你可以据此建立一个线性回归模型，你发现价格和广告是非线性关系，你可以先建立一个逻辑回归模型来进行分析。
一般情况下，回归分析的方法可以满足很大一部分的分析需求，当然你也可以了解一些数据挖掘的算法、特征提取的方法来优化自己的模型，获得更好地结果。

5.数据可视化及数据报告的撰写
分析结果最直接的结果是统计量的描述和统计量的展示。
比如我们通过数据的分布发现数据分析工资最高的5个城市，目前各种语言的流行度排行榜，近几年北京空气质量的变化趋势，避孕套消费的地区分布……这些都是我们通过简单数据分析与可视化就可以展现出的结果。
另外一些则需要深入探究内部的关系，比如影响产品质量最关键的几个指标，你需要对不同指标与产品质量进行相关性分析之后才能得出正确结论。又比如你需要预测未来某个时间段的产品销量，则需要你对历史数据进行建模和分析，才能对未来的情况有更精准的预测。
数据分析报告不仅是分析结果的直接呈现，还是对相关情况的一个全面的认识。我们经常看到一些行业分析报告从不同角度、深入浅析地剖析各种关系。所以你需要一个讲故事的逻辑，如何从一个宏观的问题，深入、细化到问题内部的方方面面，得出令人信服的结果，这需要从实践中不断训练。

数据分析的一般流程总的来说就是这几个步骤：问题定义、数据获取、数据预处理、数据分析与建模、数据可视化与数据报告的撰写。

⑥ 常用的数据分析方法是什么

1. 描述型分析

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

⑦ 生产数据分析

车间数据分析主要做一下5方面的：
1、安全
2、质量
3、交付
4、成本
5、现金

⑧ 生产车间统计如何做好数据分析工作

首先，你先得整明白，你能收集到哪些数据，这包括，怎么收取，怎么存放，用哪些名词表示。
再次，就是学习一些常见的数据分析计算，一些数学知识和画图展示技术。

⑨ 生产管理中的数据分析

生产管理中的数据分析
生产系统在大多数情况下是一个内向型的组织，相对比较封闭，无论是连续型生产模式还是离散型生产模式，都可以用类似的分析方法和思路。
生产制造过程大概分为四大类阶段，即传统生产、精益生产、数据化生产、智能生产。不同的阶段，数据分析能够发挥的作用也不同。
在传统生产阶段下，数据化程度不足，缺少信息系统的支持，多数的数据都是以记录表、纸张、条子等形式存在，都被锁在柜子里，数据分析能够起到的作用是有限的，处理数据的成本是非常高的。
在精益生产阶段中引入了大量数据分析的内容，包括全面质量管理，以及精益生产管理中的各种数据指标和分析方法都开始用数据来说话，包括典型的看板管理就是数字化的管理模式。用数据可以看到公司的行为、用可视化的方式可以让全员能够看到自己的进度、看到产品的质量。
第三个阶段是数据化生产，通过数据我们可以知道整个生产过程在发生什么，该怎么生产才能更好地满足客户的需求，如何更好地满足客户的个性化需求。数据化让所有的过程更加清晰和透明，让更多的信息产生智慧。
第四个阶段是智能生产，通过全供应链流程的通信管理，让工厂为消费者的个性化、高效地生产。更多的无人参与的工厂会涌现，更多的灵活生产的生产线会产生，智能化生产是未来一二十年的基本生产模式。
目前中国的企业大多数都仍然处在传统生产模式中，中国企业要想跟进国际企业的进程，必须要在数据化管理上弯道超车，必须要加快数字化建设，让数据成为企业决策的依据，让数据本身能够产生管理的智慧和生产的智慧。
智能生产的基础是数据化，数据化的基础是信息化，信息化的基础是管理的正规化。目前有很多工厂还在用管理手工作坊的方式管理着生产，特别是在三四线城市的工厂中，工人没有经过严格的工厂化的培训，还在用“差不多就行”的思想在工厂里工作。虽然中国是世界制造大国，但我们的管理能力、生产制造能力、研发能力、生产线设计能力、机器设备的配套能力都远远落后其他国家。虽然我们有很多先进的工厂，但工厂里除了员工是中国的，其他都是进口的，如设备是进口的、原材料是进口。我们必须要突破，必须在管理上要改善。正规化管理、信息化建设、数据化管理是我们奔向智能化管理的必经之路，无法跳跃，但是我们可以用最快的速度补齐短板。国外用几十年、上百年走过的工业化之路，我们可以用短短的三四十年来完成，而数据化管理是我们的跳板，必须要把握。
在生产管理领域的数据分析中，有四个维度是需要数据化的，而且这四个维度之间是相互作用的。这四个维度分别是产量（Quantity）、品质（Quality）、成本（Cost）和交期（Time），为了方便记忆这里缩写为 TCQQ。
1．产量
我们需要从产能的角度思考生产产量，例如产能是多少；我们实际产出了多少；我们的产能利用率是多少；我们生产产量的波动性是多少；产能或者订单是否稳定，如果不稳定，那么我们如何配置资源，减少产能闲置；如何在高峰期满足生产，如何在低峰期减少闲置；如何规划未来的产能；如何通过灵活生产来平衡产能；是否需要淡季储备，这一系列的问题都与产量相关。
2．品质
全面的品质管理包括品质达成情况是怎么样的；次品率是多少；返修率是多少；投诉率是多少；退货率是多少；消费者对品质的评价是什么；品质是否是公司产品的竞争力；对比竞争对手，我们的品质是否领先；我们的产品是否创新了，是否引领市场了；我们的产品生命周期是否足够长；我们除了生产管理强调了品质管理；其他部门是否也达到了品质管理的要求和标准，等等。
3．成本
成本方面的分析包括产品的成本结构是什么样的；订单的成本结构是否能够精准地算出；别人生产的成本率是多少；我们如何降低成本；哪些地方有降低成本的空间 ；哪些方面存在浪费 ；哪些浪费是可以消除的。
《精益生产》中列举了七大类浪费，我们在为生产制造型企业提供数据管理咨询服务的时候，把这种精益管理思想数据化，并推延到整个公司的管理中，总结出“十大企业管理资源浪费”，并用这些浪费的首字母组成了一个单词：DOWNTIMERS，下面分别介绍一下。
①产品不良(Defect): 产品生产出来不合格，无法销售，并且无法再次加工，那么这就浪费了材料，消耗了能源，耽搁了生产线生产，浪费了加工过程各种投入，甚至影响公司的销售，延长订单交期，导致客户不满。
②过度加工（Over Proction）：一件商品从消费者满意角度看，加工 N 道工序最为合适，如果超过这些工序就是过度加工。过度加工会将不必要的生产投入注入产品中，并未得到消费者更高的评价，或者消费者根本就感知不到，因此造成公司投入上的浪费 ；过度包装也是一种过度加工的类型。
③等待(Wait)：等待是指人、财、物在时间上的浪费。无论是物料的等待还是人员的等待都是企业管理过程中的资源浪费。物料等待时间过长导致的是订单交期延长；在产库存量增加，也会带来资金浪费；等待中的材料需要存放，也会导致仓储费用增加；人员的等待也是浪费，例如下一道工序等待上一道工序完成。所有的等待都可以看作是闲置，或者不产生价值的时间，例如公司约定 8 点开会，早到的人 7:50 到场，有些人 8:15 才到场，然后会议 8:20 才开始，早到的人提前了 30 分钟，这个半小时就是闲置时间，是浪费，所以说高效的公司一定是非常守时的，守时是对所有与会者的尊重。几乎所有的公司中都存在或多或少的闲置浪费，这种浪费如果不消除，那么公司就很难控制成本。
④无价值流程（Non-Value-AddedProcess）：无价值流程是指不产生价值的流程、工艺、过程。业务流程、生产工艺、管理过程等在好多的情况下都有不产出价值的内容。例如火车站的检票程序，你会发现进站的时候乘务员会查一遍火车票和身份证，上车前乘务员还要查一遍火车票和身份证，这两次检查其中有一次就是无价值的。而北京南站取消了第一道检票流程，只在上车前才查身份证和火车票，从而让乘客的进站时间大大缩短，这样的流程安排让更多人把去火车站的提前时间缩短，滞留在北京南站的人数也会大幅度减少。
⑤运输或中转位移(Transportation) ：工厂中的物料移动、人员移动都不产生任何价值，移动距离越大，浪费越大，所以先进的工厂都通过立体的设计减少物料的移动和人员的移动。当物料的等待时间和人员的等待时间价值不同时，流程设计也会不同。当人员成本高时，物料移动；当物料成本高时，人员移动。除生产高净值产品的生产线外，绝大多数的工厂都是物料围绕着人员转的，所以有了流水线的设计。在公司管理上，人员的移动距离也是一种浪费，如果人员能够在一个办公室中，那么绝对不要开设更多的办公地点，这样一方面会让沟通被弱化，另外也带来移动的浪费。员工在上下班路上的时间也是人工成本上的浪费，虽然劳动合同上并未把员工在上下班路上的时间计入工作时间，但是这个时间也是员工付出的成本之一，也会被员工计入对薪资的期望中。如果可能，要尽可能地将员工上下班路上的时间缩到最小，因为这个时间并不产生任何价值，还会消耗大量的社会资源。一个城市的规划也是如此，在 20 世纪 90 年代，中国的城市发展希望走“功能区”模式，即将商务区、工厂区、行政区、高科技区、居住区、文化娱乐区等分开建设，这种功能区的建设让很多人都在同一个方向移动，不能很好地分散人流，导致交通压力大，出行效降低，同时无效的上下班移动距离，增加了大量的社会成本，也涌现了“鬼城”、“睡城”等特殊现象。繁华商业区因为只有上班的地方而没有居住的地方，所以在晚上成了“鬼城”；而居住区白天无人居住，晚上都回来睡觉，所以成了“睡城”。城市功能不分散导致很多人的移动距离增加，这种模式应该逐渐在城市发展中被淘汰。
⑥智力冗余（IntellectRendancy）：一个高级技工从事普通的体力劳动，这就是一种智力的冗余。如果按照高级技工的工资给其付酬，也是浪费，因为这在无形之中给公司带来了费用的增加；除非你是出于竞争战略考虑：虽然我不能给这个高级人才提供适合他的工作，但我必须把他圈在我的公司中，因为他一旦去了竞争对手的公司，那么我的公司面临的竞争压力就会非常大了。很多公司中都存在或多或少的智力冗余现象，因为一家公司在识人、用人上存在能力不足和信息不对称，就会出现优秀人才得不到重用的现象。当然，有些公司需要从流程上避免智力冗余现象，例如，服装厂的一个裁缝工人是高级技工，工资比普通工人要高很多，但如果在工艺流程上，他还需要缝纫工去领料、送料、修剪毛边、剪线头，那么就是智力冗余的不良工艺设计。
⑦动作冗余(Motion)：我们在从事劳动的时候都会由一些基本的动作来完成，如果动作不合理，就会造成动作上的浪费。据说计算机键盘是根据字符在英文中出现的最大频率来设计的，以便让手指头在键盘上的移动距离最小，从而大幅度节省手指在打字移动的距离和时间，提高效率。这个设计是按照英文习惯设计的，但不见得适合中文、法文、意大利文等其他语言，这里就是效率的问题。历史上英文字母出现的频率和现代社会中英文字母出现的频率已经大大不同，而键盘按键布局的变化会导致打字速度大幅度降低，从而会提高学习成本，所以最初的设计非常重要。
工厂中的动作设计也需要科学地评估、合理设计，要降低学习成本。
⑧超额库存(Excess Stock/Inventory): “库存是万恶之源”，每个公司都希望大幅度削减库存，包括工厂中的库存和流通环节的库存。物品的存放就是浪费，社会物资快速流动起来才能创造更多的价值。超额的库存是由于生产计划不准确、销售预测不准确导致的，很多企业因为库存问题被拖垮。产品生产出来卖不出去、采购的物料用不完、生产交期过长，这些都将高流动性的企业经营现金流固化到库存中，甚至成了长期的库存。降低库存甚至零库存需要通过数据化管理，需要通过商业模式创新。
⑨返工或者重复工作（Rework）：返工、返修、重复都是极大的浪费，产品质量不合格，可能需要返工，例如一个零件尺寸要求为 11.55 米，你却加工成了 11.56米，超过了标准，就需要再铣掉 0.01 米，这个过程就是返工；而如果你将零件加工成了11.54米就成了废品(Defect)，而11.56米的零件是不合格品。一篇文章反复修改，一个方案反复讨论，一个模型反复设计，都是重复工作，最好将这种工作减少到最小，虽然有些工作是不可能一步到位的。
⑩停机、停下(Stop) ：我们在开车时，如果要停车，需要慢慢踩刹车。再次启动时也需要慢慢提速。如果停车的次数过多，则会大幅度延长我们到达目的地的时间。工厂中的加工也是如此，有些时候我们需要停机检修，需要对锅炉进行清洗等，这些都是浪费；公司管理中也存在这种浪费，当项目停下来又再启动时需要花费时间，只有一鼓作气将一件事情做完才最高效。
4．交期
交期是指从客户下达订单到客户获得产品和服务的周期。任何一个人都希望能立马获得并能够使用产品。工厂的客户也一样，客户希望下达订单之后能够马上收到产品，并能够快速投入使用，让整个的供应周期降低到最短。这是一个理想的状态，在多数非库存生产的企业中都存在交期的问题。而交期一方面代表着客户的满意度，代表着企业适应市场变化的能力。更为重要的是，交期也代表着企业的周转效率。
笔者曾经服务过一个年产值 20 亿元人民币的外加工工厂。当一个订单从国外发送过来之后，企业就组织生产并与原材料采购同步，整个周期是 18 天，而实际有效的生产的周期是 7 天。