时间管理|理论模型|PDCA，质量环，戴明环

是否推荐

目前只是想了解个人时间管理的不推荐。
管理团队的人，想要提升团队时间管理的人可以参考。

产生

PDCA循环是美国质量管理专家休哈特博士提出的，由戴明采纳、宣传，获得普及，所以又称戴明环。

PDCA管理循环，由日本的高管们在1950年日本科学家和工程师联盟研讨班上学到的戴明环改造而成，它是全面质量管理所应遵循的科学程序。

理论内容

（来源于百度改写）

PDCA是英语单词Plan(计划)、Do(执行)、Check(检查)和Act(处理)的第一个字母，PDCA循环就是按照这样的顺序进行质量管理，并且循环不止地进行下去的科学程序。

戴明环

P (plan) 计划，包括方针和目标的确定，以及活动规划的制定。可以通过市场调查、用户访问等，摸清用户的要求，确定政策、目标和计划等。包括现状调查、分析、确定要因、制定计划。

D (Do) 执行，根据已知的信息，设计具体的方法、方案和计划布局；再根据设计和布局，进行具体运作，实现计划中的内容，以及计划执行前的人员培训。

C (Check) 检查，在计划执行过程之中或执行之后，检查执行情况，看是否符合计划的预期结果效果，分清哪些对了，哪些错了，明确效果，找出问题。

A (Act)处理，对总结检查的结果进行处理，对成功的经验加以肯定，并予以标准化；对于失败的教训也要总结，引起重视。对于没有解决的问题，应提交给下一个PDCA循环中去解决。

以上四个过程不是运行一次就结束，而是周而复始的进行，一个循环完了，解决一些问题，未解决的问题进入下一个循环，这样阶梯式上升的。

主要书籍

高效PDCA工作术

定义了PDCA是一套“催人奋进”的结构体系，有规模效应。

提了很多执行上需要注意的细节，比如：
-将计划可视化
-“因式分解”提高精度，最终会归结到“质*量”的分解
-课题最终会归结到“情绪管理”，“时间管理”和“手段工具”三个因子上。
-有所启发才会产生C，所以需要观察能力。

有点像操作手册，也有日本人写书风格，非常细，一个问题反复讲。但对于一个没有什么管理经验的人，可能还是易懂可以操作的方法。

点评

PDCA环中的C和A

PDCA环中，Do是不会被忘记的，Plan稍有职场经验的人也得心应手，毕竟你的老板会和你说先写个计划书给我。

PDCA环中的重点应该放在C (Check) 检查和A (Act)中，在什么时间点检查，通过什么方式比较效果，这里面的学问很大，我觉的很多人做出错误的判断主要在于这一关里的逻辑判断能力不强。而逻辑思路的培养是需要终身学习的。

PDCA环中A (Act)的重点在能否提炼出“标准化”，失败的要继续跟进。这点很多人因为忙也做的不好。这点是我的知乎回答中“规划”象限的内容，其实是最重要，最需要花时间。

PDCA环只是一个流程

个人认为PDCA环本身就是一个流程，简单的谈PDCA环只能协调团队成员的做事步骤，但对做事能力的提升非常有限，而且团队管理除了PDCA也可以制定其他明确流程，比如SOP（Standard Operating Procedure），所以PDCA并不是一个很有创新意义的理论。

PDCA书中提到了执行层面方法，还是可以作为参考的，但我认为那些只是“术”的部分，真正的是人本身逻辑判断能力和数据Sense。

提升逻辑判断能力和数据Sense

国内的教学一般不包括逻辑学，考过MBA可能会接触一点，因为GMAT有很大一部分是逻辑。但是中文本来就是个模糊的语言，语言本身会对逻辑概念理解造成影响。如果有条件，可以找本GMAT的逻辑书随便看看，还是相当有意思的，真有兴趣LAST讲的更多。

另外，当前商务决策大部分都是量化决策，对数据逻辑理解也是非常重要的，大部分人其实也没有。推荐看国外的统计学教材，国内的过度注重演算，有时候没有把场景讲清楚，统计学是非常接地气的科学，也其实是非常有趣的。

时代局限

PDCA原来是用来管理质量的，这和制造业时代大背景有关，20世纪的工业革命主要是质量控制。战后日本的制造业兴起，所以日本人改造戴明环作为管理循环也是有制造业背景的。这就意味着戴明环可能有不适合某些创新行业或者虚拟行业。

扩展

其他相关管理理论

”标准化“后可以形成工作流（WorkFlow），并且大概率能使用计算机提高效率。
诞生于摩托罗拉公司，被GE广泛应用的六西格玛也是质量管理体系。
源于丰田的Lean Management精益管理

相关软件/APP

日事清，我是看到日事清反复提到好奇看了一下。很神奇我以前看了那么多管理书没有注意过。

对人工智能的启示

PDCA的后面两环，C (Check) 检查和A (Act)处理对应于目前人工智能中建立数据和分析数据给出结果的过程。检查有点像数据清洗，处理有点像算法。

PDCA中提到PDCA环不是一次而是周而复始的，不管是数据选用和算法选择优化，都不是100%完美，有时候和我们设的点位，自己定的标准有关。我觉得当前外界对人工智能的迷思也在这里。人工智能需要大量基础的工作，循环往复，没有完美的模型，只有持续不断更新的方法。