เปรียบเทียบการแก้ปัญหาแบบโตโยต้ากับงานที่ปรึกษา ทั้งการวัดปัญหา แผนภูมิพาเรโต การหาสาเหตุ และการใช้ AI ลงมือแก้
คำตอบคือโครงสร้างหลักของทั้งสองวิธีคล้ายกันมาก เริ่มจากตั้งเป้าหมาย วัดช่องว่างกับสภาพจริง แบ่งข้อมูลเป็นกลุ่ม เลือกปัจจัยสำคัญที่แก้ได้ ทดสอบสาเหตุ ลงมือทำ แล้ววัดผลซ้ำ
เหมือนกำลังจะเรียนเคล็ดลับลับสุดยอดของที่ปรึกษา แต่เปิดตำรามากลับเจอแผนภูมิพาเรโตที่เคยใช้ในงานเก่า อ้าว เจอกันอีกแล้ว!
ตัวเลขต้องมาก่อนการเดาสาเหตุ
การอบรมการแก้ปัญหาแบบโตโยต้าเน้นใช้ข้อเท็จจริงและตัวเลขเปรียบเทียบสภาพที่ต้องการกับสถานการณ์ปัจจุบัน ส่วนแนวทางเจ็ดขั้นตอนของ McKinsey ก็ให้แยกปัญหา จัดลำดับความสำคัญ วิเคราะห์หลักฐาน และนำไปสู่ข้อสรุป
คำว่า “เว็บไม่โต” ยังเป็นความรู้สึก แต่ “เว็บแสดงในผลค้นหาน้อย หรือมีคนเห็นแต่ไม่คลิก?” เป็นคำถามที่ตรวจสอบด้วยข้อมูลได้
แท่งพาเรโตที่สูงที่สุดไม่ได้แปลว่าควรแก้ก่อน
สมมติว่าเว็บไซต์หนึ่งมีการเปิดดูหน้าเว็บเดือนละ 6,000 ครั้ง ตั้งเป้าไว้ 50,000 ครั้ง จึงขาดอีก 44,000 ครั้ง ถ้า 80% มาจากในประเทศและ 20% มาจากต่างประเทศ ควรทุ่มให้ตลาดในประเทศทั้งหมดไหม? ยังตอบไม่ได้ เพราะ สัดส่วนปัจจุบันกับโอกาสเพิ่มขึ้นในอนาคตไม่ใช่สิ่งเดียวกัน ตลาดใหญ่บางแห่งอาจโตได้อีกน้อย ส่วนตลาดเล็กอาจยังมีโอกาสมาก หรืออาจกลับกันก็ได้
แผนภูมิพาเรโตช่วยเรียงกลุ่มที่เกิดบ่อยหรือมีต้นทุนสูง แต่ไม่ได้พิสูจน์สาเหตุด้วยตัวเอง การจัดลำดับต้องดูทั้งสัดส่วนปัจจุบัน โอกาสในการปรับปรุง และต้นทุนในการลงมือ แท่งสูงสุดไม่ได้สารภาพผิดให้เราเสียหน่อย
ผังแตกประเด็นกับการถาม “ทำไม” ใช้คู่กันได้
ถ้าหน้าเว็บแสดงในผลค้นหา 40,000 ครั้ง โดยมีอัตราคลิก 2% จะได้คลิกจากการค้นหาประมาณ 800 ครั้ง หากเพิ่มเป็น 3% จะเป็นประมาณ 1,200 ครั้ง มากขึ้น 400 คลิก ทั้งนี้จำนวนคลิกจากการค้นหากับจำนวนการเปิดหน้าเว็บเป็นคนละตัวชี้วัด
เริ่มจากแบ่งปัญหาเป็น “แสดงผลน้อย” กับ “แสดงผลแล้วคนไม่คลิก” จากนั้นค่อยถามต่อว่าชื่อเรื่องตรงกับคำถามของผู้อ่านไหม หรือผู้อ่านเห็นคำตอบที่ต้องการตั้งแต่ต้นหรือเปล่า ผังแตกประเด็นช่วยแยกปัญหา ส่วนคำถาม “ทำไม” ช่วยขุดลึกไปหาสาเหตุ
ความแตกต่างอยู่ที่ขอบเขตการตัดสินใจ
การปรับปรุงคุณภาพเหมาะกับของเสีย ความล่าช้า งานแก้ซ้ำ และการรักษาวิธีที่ได้ผลให้คงอยู่ งานที่ปรึกษากลยุทธ์ยังต้องตัดสินใจว่าจะเข้าสู่ตลาดไหน หรือจะแบ่งงบลงทุนอย่างไร ไม่ใช่ว่าวิธีหนึ่งฉลาดกว่าอีกวิธีหนึ่ง แต่โจทย์ที่ต้องตัดสินใจอาจต่างกัน โรงงานก็คิดกลยุทธ์ และที่ปรึกษาก็ต้องดูข้อมูลการทำงานจริง
AI ทำให้ลงมือเร็ว แต่ยิ่งต้องพิสูจน์ผล
ChatGPT ช่วยรวบรวมสมมติฐาน ส่วน Claude Code ช่วยแก้และตรวจโค้ดได้ โมเดลอย่าง Claude Opus 5.5 ออกแบบมาสำหรับงานเขียนโปรแกรมและงานใช้ความรู้ที่ซับซ้อน อย่างไรก็ตาม ถ้าเปลี่ยนชื่อเรื่อง ลิงก์ภายใน และเนื้อหาพร้อมกัน ต่อให้ยอดเข้าชมเพิ่มก็ยากจะบอกว่าอะไรได้ผล
AI อาจเสนอผู้ต้องสงสัยห้าสิบคนด้วยท่าทางมั่นใจ แต่หลักฐานยังต้องตรวจเอง บันทึกการเปลี่ยนแปลงและเทียบกับข้อมูลจริงเสมอ
สิ่งที่ติดตัวเราไปได้
ทักษะสำคัญคือการเปลี่ยนปัญหาคลุมเครือให้เป็นการตัดสินใจที่วัดและทดสอบได้ นึกว่าพบกล่องเครื่องมือลับของที่ปรึกษา สุดท้ายกลับเป็นกล่องที่เราใช้มานาน วันนี้แค่มีสว่าน AI เพิ่มเข้ามา
Toyota-style problem solving · McKinsey seven-step problem solving · ASQ Pareto chart · ASQ: Pareto pitfalls · Anthropic: Claude Opus 5.5
