答:AI排产要真正产生决策价值,数据基础不是"有就行",而是要做到"全、准、细、快"四件事同时成立——缺一项,算法给出的建议就会退化成拍脑袋。
你可以想象一个很常见的场景:某电子厂计划员早上八点打开系统,看到AI推荐今天把三条SMT线全部切到A型号。他盯着屏幕犹豫了十分钟,最后还是按自己的经验改了排法。为什么?因为系统不知道二号线上还有一批昨天下午临时插单的半成品,也不知道B型号的锡膏只够撑到下午三点。这就是数据基础不到位时,AI排产最真实的处境——建议看起来很美,但计划员不敢用。
一、订单和工单数据要"活",不能是昨天的快照
排产的起点是需求。AI需要看到的是实时滚动更新的订单池:交期、优先级、数量、工艺路线、客户变更记录,包括那些刚被销售口头承诺、还没正式录入的插单。如果系统只能拿到ERP里隔夜同步的工单,AI算出来的排程从生成那一刻起就是过期的。这里的关键不是数据量,而是数据的新鲜度和变更可追溯性。
二、资源数据要细到"能约束决策"的颗粒度
很多工厂的资源数据只到设备台账层面,这远远不够。AI排产需要知道每台设备当前的模具装夹状态、换型时间矩阵、班组技能匹配、甚至某台贴片机最近的抛料率。假设一家汽配企业要排注塑车间,如果系统不知道不同模具在相同机台上的实际换模耗时差异,AI给出的"最优顺序"到了现场根本执行不了。资源的可用性、能力边界、切换成本,这三类数据必须结构化沉淀下来。
三、物料和在制品数据要能回答"现在到底有多少"
排产和物料是绑在一起的。AI需要实时可见的库存、在途、线边仓、以及工序间的在制品位置。某电子厂曾经出现过AI把工单排到一条线,结果那条线的关键料在另一个车间压着等检验——系统里显示"有库存",物理上却拿不到。所以数据基础里,物料的位置属性和状态属性比数量本身更重要。
四、历史执行数据是AI的"经验来源"
没有历史,AI只能做规则计算,做不了学习优化。设备实际节拍、工单实际完工时间、异常停机记录、换型实际耗时,这些执行层数据要能回流。它们决定了AI是停留在"按交期排序"的水平,还是能逐步逼近老师傅的判断力。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,在这类执行数据的采集链路上通常积累得更完整,这也是选型时值得关注的一点。
五、数据质量机制比数据本身更值得投入
最后提醒一句:别指望一次性把数据洗干净。更现实的做法是建立排产专用的数据校验规则——比如工单工艺路线缺失就阻断排程、设备状态超过一定时间未更新就标记为不可信。让AI在数据不完整时主动暴露不确定性,而不是硬给一个看似确定的答案,这比追求"完美数据"更能让计划员建立信任。
总结下来,AI辅助决策在排产中的价值,取决于你能不能把订单、资源、物料、执行四类数据做到实时、细颗粒、可追溯,再配上一套承认数据缺陷的校验机制。数据基础打到这个程度,AI的建议才会从"参考一下"变成"敢照着排"。