排产中枢

让工厂看见自己

不替代任何现有系统。在你已有的数据之间建立连接,让关键的人在关键的时刻看到关键的信息。

一个每天都在发生的场景

销售问:"这个单能不能下周三交?"

PMC放下手里的Excel,开始打电话。第一个问仓库库存、第二个问车间排期、第三个问采购来料。四十分钟后回了销售一句话:

"应该可以,但不太保险。你跟客户说周四吧。"

销售问"为什么不能周三?"PMC说不出精确原因。他的判断里有60%是确切信息,30%是经验直觉,10%是赌。

这个场景,每天在中国数十万家中小制造工厂里反复上演。

三个常见误解

排产到底难在哪?大多数人的答案是错的

误解一:算法问题

"只要有足够聪明的优化算法就能解决。"

真相:排产的难点不是算出最优解,而是拿到足够做决策的信息。六种信息分布在五个人手里、三种工具里。

误解二:上ERP就行

"先把全厂流程标准化,数据自然就通了。"

真相:ERP要求工厂先完成最难的事——改变所有人的工作习惯。在中小工厂实施成功率极低。

误解三:生产部的事

"排产只关生产部的事。"

真相:排产是工厂的信息十字路口——订单、生产、交期、成本全部经过这个节点。

排产不是计算问题,是信息问题。不是一层问题,而是算法、知识、信息、生态四层嵌套。过去的方案要么只攻算法(APS),要么试图全面改造(ERP),都是因为没看到这个结构。

一笔冷静的经济账

排产问题每年让你少赚多少钱?

基于一家年产值8000万、60人规模的精密五金工厂实测参数。

信息搜集
PMC、销售、仓库每天7.7小时花在"找信息"上
~10万/年
报价丢单
客户同时询三家,谁先给交期谁拿单——你的回复要40分钟
~48万/年
排产失误
交期违约 + 频繁换型 + 设备在"等信息"而空转
~103万/年
经营盲区
错误投资、客户结构盲区、趋势看不见
100-300万
知识流失
核心调度员离职 → 3-6个月恢复期
~160万(风险)

保守合计:260-460万/年,占年利润的16%-38%。大头不在"省人工",在"不丢单"和"不做错误决策"。

PMC的一天 · 现在

小周的工作日:在不确定的信息里做确定的决策

工厂设定:精密五金,60人,CNC 6台+磨床3台+线切割2台+钻攻2台,年产值8000万

7:40 看生产日报

微信语音说"废了大概二十来个"——到底是15还是25?报工表只有4台填了,2台空白。打电话确认,掏计算器算,置信度约六成。

8:15 销售来问交期

不锈钢接头3000件能不能赶3/20?要查工艺路线、工时、设备排期、原材料。打了三个电话,翻了Excel,35分钟后给了一个"大概可以"。

10:00 客户要插单

大客户急单,一切推倒重来。在脑子里重新排列几十个约束条件,两小时后给出新方案,不确定有没有漏掉什么。

14:30 设备故障

CNC-3报异响停机。哪些单受影响?能挪到哪台?影响哪些交期?又是一轮电话和心算。

PMC的一天 · 有排产中枢之后

同一天,同样的事,完全不同的体验

7:40 打开系统,4分钟了解全局

待处理事项自动标红。CNC-3良品率异常已算好级联影响。缺数据的地方标了置信度。不用打一个电话就知道全厂昨天发生了什么。

8:15 销售自己查了交期

销售在手机上输入"3000件不锈钢接头,3/20交",3秒出结果,还附带两个可选方案。PMC不需要被打断。

10:00 插单评估,3秒出方案

输入插单信息,系统自动算出3套方案:谁要挪、影响哪些交期、哪个方案代价最小。PMC只需要选一个确认。

14:30 设备停机,新排产自动生成

说一句"CNC-3今天停",系统3秒给出重排方案:哪些单挪到哪台、影响哪些交期、需要通知谁。确认即执行。

AI不是替代PMC的判断力,而是接管最繁琐的工作——在脑子里同时维护几十个约束条件。PMC的精力被释放出来,专注于真正需要人类判断的事。

三个角色,三种体验

不是抽象的"提升效率",而是第一天就能感受到的改变

销售

从"等半天"到"3秒出结果"

不需要懂排产,不需要等PMC上班。客户问交期,手机上输入需求,秒级响应。

报价响应从小时级到秒级。谁先报价谁拿单。

调度员 PMC

从"全靠脑子记"到"有个搭档"

系统自动生成每日排产方案,PMC确认或调整。异常发生时3秒出新方案。

能力从"个人经验"变成"组织能力"。PMC离职不再是灾难。

老板

从"追着要数据"到"数据追着你"

每天早上手机推送:昨日出货、在制工单、本周预警、月度趋势。不需要进系统。

第一次拥有"经营可见性"——从生产线直接聚合的一手数据。

先说清楚"不做什么"

不替代任何现有系统,不改变任何人的工作习惯

不做ERP

不碰主数据管理、不碰财务模块、不碰全流程再造。你的伙伴云、飞书、简道云——它们是地基,我们不拆地基。

不做MES

不要求扫码报工、设备联网、传感器部署。我们接受数据的不完美,并在不完美中工作。

不做传统APS

不追求数学最优解——因为你的输入数据不够完美。我们追求在现有信息条件下的最合理决策。

核心理念:寄生而非独立(接入已有数据)、增强而非改造(不改工作流程)、生长而非部署(第一天就有用,越用越准)。

信任阶梯

系统如何从"陌生人"变成"最懂你工厂的助手"

不需要三个月的调研和配置期。第一天就有用。

镜子

第1-2周

把散落各处的信息汇到一个屏幕。不判断、不建议,只呈现事实。你第一次"看见"全厂。

提醒者

第3-4周

开始主动推送:"明天3个工单可能缺料""本周五有集中交期,2单可能来不及"。

参谋

第2-3月

自动生成每日排产初始方案。插单时给出2-3个替代方案。PMC日常工作量减少约40%。

搭档

第4-6月

常规排产自动完成,PMC只处理异常。开始产出从未有过的洞察——瓶颈分析、客户产能占用比。

神经系统

6个月后

信息从各处汇入,向每个角色分发合适的视图。成为整个工厂的经营神经系统。

AI在这里做什么

一个实时翻译层:把人话变成计算,把计算变成建议

输入端

PMC说:"王总的500件M8螺栓,能不能周三交?3号机最近有点慢。"

AI自动识别这是交期试算请求,拉取工艺路线和物料数据,把"3号机有点慢"转化为效率系数0.85,生成形式化约束集交给排产引擎。

PMC不需要学任何系统操作。像跟同事说话一样说就行。

输出端

引擎算完了,AI把结果翻译成人话:

"王总的单可以周三交。方案:周一排2号机做第一道工序,周二转3号机精加工。前提是李总那批延后一天——李总的交期不受影响。需要通知销售吗?"

不是冰冷的数字,是可操作的建议。

什么样的工厂最适合

坦率地说,不是所有工厂都适合

最适合

50-200人的离散制造工厂,年产值3000万-3亿。大到有跨部门协调的复杂度,小到没有IT团队维护重型系统。PMC一两个人,每天用经验和电话管理生产。

五金、注塑、PCB、钣金、包装印刷等行业。

不太适合

200人以上:通常已有ERP/MES,需要的是深度集成而非新枢纽。

50人以下:老板自己就是排产系统,一个交期试算工具可能就够了。

流程制造(化工、食品、制药):约束是配方和批次,问题形态不同。

价值是复利的

不是一步到位,是每天比昨天更懂你的工厂

第1个月

信息通了

销售自己查交期。PMC不用打那么多电话。

第3个月

丢单减少

报价秒级响应。PMC工作量减少40%。

第6个月

洞察涌现

真正的瓶颈在哪、哪个客户最耗产能。

第12个月

战略可见

排产数据聚合为经营数据,开始影响战略决策。

每一天都在产生价值,不需要等三个月才能见效。第一天上线就能帮销售查交期。

排产问题不是一个等待被自动化的流程,
而是一个等待被连通的信息网络。

谁能在不打扰现有工作方式的前提下把这个网络连起来,谁就解决了这个问题。

如果以上描述让你觉得"这就是我的工厂"——我们可以聊聊。
不是聊产品,是聊你的排产到底是怎么回事。

基于数月实地调研、数十次工厂走访、以及对中国制造业数字化现状的持续研究