首页行业百科排产与库存AI:先判断你的数据够不够用

排产与库存AI:先判断你的数据够不够用

2026-11-20 10:07:48

月初的排产会上,计划员打开三张表:ERP 里的未完工工单、Excel 里的车间在制、邮件附件里采购刚发来的到料计划。销售一句“这个客户要提前五天”,三张表就要重算一遍;等重算完,谁也说不好到底哪几张订单会受影响。

很多企业想上排产与库存AI,第一反应是“选个模型、接个接口”。但真正卡住的环节,往往不是算法够不够强,而是同一颗物料有三个编码、同一个库存有三个数、同一道工序有三种工时口径。本文把这件事拆开讲:你的数据到什么程度可以用、不够用时还能先跑什么、哪些判断必须留给人。

排产与库存AI:先判断你的数据够不够用_图1

一、数据够不够用,比模型强不强更决定结果

先明确概念。排产与库存AI 指的不是让人工智能“生成一段计划文本”,而是把订单、BOM、工艺路线、库存与占用、在途到料、设备与工时这些约束读进来,排出一份可执行的工序安排,并同步算清哪些订单会缺料、哪些工序排不下、交期会怎么变。它的本质是约束求解,输出质量天然受输入完整度限制。

  • 约束缺失时,输出看似合理却没有实际作用。如果系统不知道某台设备只能做特定规格,也不知道换型需要多久,排出来的方案在纸面上最顺,一拿到车间就全部推翻。
  • 数据问题通常不是“没有”,而是“多个版本”。大多数制造企业并不缺数据,缺的是唯一版本:销售表里的客户交期,和计划表里的交期,往往不是同一个数。
  • 优先级要先于数据精度确定。判断数据是否够用,关键问题不是“准不准”,而是“对这一次排产决策,够不够用”。只影响一周以后订单的字段,可以先放宽。

在 Soiawork 中,这一层通常由连接器承担:从 ERP 取工单与库存、从 WMS 取在制与库位、从邮件取采购回执与客户变更;工艺规则、BOM 版本规则这类“判断依据”放进知识库,让每次取数都有出处可查,而不是靠某个人的记忆。

二、五个问题,自测数据够不够用

不用做大规模数据治理,先回答下面五个问题,就能判断现在处在哪一档。

1. 物料与 BOM 有没有唯一版本

同一颗料在采购叫一个名字、在车间叫另一个名字、在图号上又是第三个,是齐套计算失真的头号原因。如果一张工单对应的有效 BOM 需要人工“挑一挑”才能确定,那么任何自动齐套判断都不可信。

2. 库存的“可用”与“占用”分不分得清

账面库存 500,其中 300 已被其他工单占用、100 在检、还差 50 未入库,真正可用的只有 50。如果系统只给一个总数,AI 算出来的齐套结论一定是错的,而且是那种“看起来很乐观”的错误。

3. 时间口径统一吗

采购说“下周到”,车间说“两天能做完”,销售说“月底前必须发”。这些表述在人的脑子里可以靠经验换算,在系统里必须落成具体日期、工时与日历。班次、节假日、外协周期没有统一口径,交期评估就无从谈起。

4. 产能约束有没有被写下来

设备能力上限、换型时间、模具数量、人员资质、工序间的最小等待——这些约束如果只存在于老师傅的经验里,排产结果就只能靠他复核。能被写下来的约束越多,AI 能承担的判断就越多。

5. 变更留没留痕

插单、缺料、设备停机是排产的日常,但如果每次调整只改结果、不留调整前后的差异和依据,那么下一次复盘时,没人能说清“为什么这单被推迟了”。

这五个问题里,答“否”的越多,越说明当前该做的不是直接上全自动排产,而是先补最短的那块板。

三、数据分三档,对应三种起步方式

把上面的自测结果归一下类,通常落在三档里,对应完全不同的推进节奏。

  • A 档:主数据唯一、库存可核对、有工单与到料计划。这一档可以直接做排产方案草稿与交期影响评估——按订单优先级、工艺顺序、可用工时与物料设备限制排出工序安排,标出排不下的环节,列出受影响订单和交期变化,保留调整前后对比,交计划员确认后执行。
  • B 档:主数据基本可用,但库存靠人工表拼。这一档不要急着排产,先把物料齐套检查跑顺:按工单与 BOM 算需求,核对库存、占用、在途与到料时间,输出缺口清单。这一步既能立刻产生价值,也能顺带把库存口径理顺。
  • C 档:编码不统一、BOM 版本混乱。这一档的起点是“把差异跑出来”,而不是“把结论跑出来”。先做物料与工单的比对清单,让人看清自己有多少个版本在并行,再谈排产。

值得注意的是,三档之间不是靠一次性项目跨越的。多数企业的实际路径是:先把一个品类、一条产线的数据跑通,验证结论可信,再横向扩。

四、数据不完美时,这三类任务已经能跑

很多计划负责人的顾虑是“等数据治理完再说”,但治理往往一拖就是一年。实务上,下面三类任务对数据完整度的要求相对低,可以先跑起来。

物料齐套与缺料预警

按工单与 BOM 展开需求,逐项核对账面库存、已占用、在途与到料时间,输出“哪张工单缺哪几颗料、最早可开工时间”。这类任务的价值不在于算得多精,而在于把散在四五个系统里的数字合成一张表。

演示环境中有一个典型的食品制造流程:从邮件取需求附件,到 ERP 下载仓库库存、车间库存与采购清单,合并计算后发给采购与计划人员。整个链条不需要改造 ERP,靠的是 Soia Worker(设备)在本机客户端里完成查询与下载,再用技能把“合并计算”这一步固定下来,最后由自动任务在每天固定时间触发。需要说明的是,这属于复现验证与演示场景,其中的时间数据仅用于说明流程,不代表任何客户的实际成效。

排产方案草稿与交期影响评估

在约束基本可获取的前提下,AI 可以先出一版草稿:按优先级排出工序、标出排不下的工序、列出受影响订单。计划员要做的是审核与拍板,而不是从零开始重排。价值在于把“重排一遍”的时间省下来,把“逐张查影响”的漏项堵住。

订单评审与接单条件

客户提出插单或加量时,从订单与附件整理规格、数量、交期,核对有效 BOM、可用物料、已有工单与产能占用,把接单条件、冲突点和缺失资料放在一张表上。销售不必再向计划、采购、车间逐一问一遍,需要拍板的事项也有了明确依据。

五、库存侧:把“能不能按时开工”提前算出来

排产的上游是库存。库存侧最容易见效的不是精确预测,而是把风险提前暴露。

  • 缺货与风险预警。结合销售速度、可售库存、在途数量与补货周期,提前标出可能断供的物料,而不是等到停线才发现。
  • 采购到货跟进。按商品或物料映射核对采购单与到货日志,整理发货量、实收量与完成时间,把“说好到没到”变成可核对的记录。
  • 多系统数据同步。在缺少稳定接口的老系统之间,查询、录入、同步这一步往往最耗人,也最适合交给设备端完成。

在 Soiawork 中,这几类任务通常组合成一条工作流:连接器取数 → 知识库比对口径 → 算出缺口 → 生成清单 → 推送给责任人并留痕。之所以要固定成工作流而不是每次临时处理,是因为排产与库存AI 的可信度来自一致性——同样的输入,每次都应该得出同样的结论。

六、必须说清的边界

  • 不替代计划员的判断。交期承诺、客户沟通、优先级取舍,仍然由计划与销售负责人决定。AI 交付的是依据齐全的草稿,不是最终决定。
  • 不承诺“最优排产”。约束本身会变,人也会临时改变主意。可核对的目标是“依据集中、冲突可见、调整可回溯”,而不是某个理论最优解。
  • 准确率与节省比例需在自己的数据上验证。任何第三方给出的通用数字,都不能直接套到你的产线与物料结构上。
  • 数据权限按最小必要授予。取数范围、可修改的订单、可提交的动作,都应在授权边界内明确,关键动作保留回读与复核。

七、一个月内可以做完的起步动作

  • 第 1 周|圈范围。选一条产线或一个品类,不要全厂铺开。确定这一条线上“排产决策真正依赖的字段”是哪几个。
  • 第 2—3 周|跑通三类数。有效 BOM、可用库存与占用、到料计划。跑不通的地方就是你的短板,先记下来,不要绕过去。
  • 第 4 周|试跑一项任务。建议从齐套检查或排产草稿中挑一个,人工核对结果与异常,重点看“漏了什么”而不是“对了几条”。
  • 之后|固化与扩围。把核对通过的步骤沉淀成技能与工作流,用自动任务按时运行;确认稳定后,再把范围扩到第二条线。

这个顺序的意义在于:先用小范围证明结论可信,再谈覆盖面和自动化程度。反过来做,通常会在第三个月陷入“AI 说的和我们实际不一样”的争论里。

结语

排产与库存AI 的门槛,从来不在算法那一侧,而在“同一颗料有没有唯一说法、同一个库存有没有唯一数、同一次调整有没有留下依据”。建议先从一项重复工作开始试跑——比如每天的齐套核对;跑完一轮,逐条核对结果与异常来源;确认差异可解释、结论可复核之后,再决定是否把范围扩到排产方案与交期评估。让智能长在可靠的数据与清晰的边界上,工作是会进化的。

常见问题解答

上排产与库存AI,需要先改造 ERP 或 MES 吗?

多数情况下不需要。可行的路径是在现有系统之上做“取数与汇总”:通过连接器读取已有报表与接口,对缺少稳定接口的老系统,用设备端在本机客户端完成查询与录入。改造系统属于另一类投入,应先确认业务价值再谈,而不是作为前置条件。

库存数据靠人工表维护,还能用吗?

能用,但要换目标。这一档不建议直接做交期承诺级别的排产,而应先做齐套检查与缺料预警,并且把人工表的来源与更新时间一起记录下来——让每个结论都能追溯到“这个数是几点、由谁、从哪张表来的”。等口径稳定了,再往上走。

AI 排错了,责任怎么算?

先分清两类错误:一类是数据错(库存不准、BOM 版本过期),一类是判断错(约束没考虑全)。前者靠核对机制解决,后者靠把约束显式写进规则。流程上,排产方案、接单结论、交期变更都应设定明确的确认人,AI 只输出草稿与依据,签字确认的仍是责任人。

和现有的 APS、RPA、BI 是什么关系?

不冲突,位置不同。APS 强在求解引擎,但依赖输入质量;BI 强在事后看板,不负责把事做完;RPA 强在固定路径的自动化,遇到判断分支容易断。Soiawork 的位置更靠前也更靠后:往前,用连接器与设备把散落的数取齐、把口径比对清楚;往后,用工作流与自动任务把核对通过的步骤固定下来、按时运行,并把有效做法沉淀为可复用的组织能力。

从哪个场景切入最稳?

优先选“输入可获取、结果可核对、错了不至于造成重大损失”的任务。齐套检查、缺料预警、订单评审资料整理,通常比全自动排产更适合作为第一步。判断标准很简单:这件事跑完之后,有没有人能在一小时内核对出对错。能,就可以开始。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案