OEE掉了五个点，他查了三天没找到原因，系统用了十二秒

始于咨询.终于因果

生产副总在晨会上拍了桌子。

 “上个月OEE掉了五个点。五个点。谁给我一个解释。”

 设备科长说设备没问题，最新一次检修是一周前。

计划科长说排产没问题，产能利用率还在目标线以上。

质量科长说质检没问题，良率没出现异常波动。

 每个人都证明了自己的部门没问题。但OEE还是掉了五个点。

 散会的时候，生产副总在系统里打了一行字：供应链效率出了什么问题。

· · ·

系统做的第一件事不是查数据。

 它用了不到半秒钟，读完了整张企业地图——22个业务类，5条核心关系链。然后自己做了判断：这个问题不止在运营一个领域。供应链效率问题，会同时波及运营、流程、质量三个域。

 然后六条查询同时启动。运营那边拉出了OEE指标、设备状态、产能瓶颈。流程那边拉出了偏差记录。质量那边拉出了近期的质检结果。预警数据也被拉了出来——过滤了红色和橙色，只看真正要紧的。

 没有一条查询是人工写的。系统自己知道该查什么。

 数据回来了。不是一条线有问题，是三条线同时出了问题。

· · ·

第一条线：设备

产线A的OEE是**74.1%**。红色预警。

产线B是**82.5%**，产线C是 **80.7%**——两个橙色。

三条产线，全部低于行业基准的85%。

 而且，卡尔曼滤波判定了一个更棘手的事实：这个下降不是噪声。不是测量误差。不是月初工人没进入状态。是真实的、持续的趋势。

 设备科长说设备没问题。数据说，不是没问题，是问题还没被发现。

· · ·

第二条线：流程

 B工序的产能利用率数据回来了。不是不够高——是卡住了。

流程偏差记录显示，B工序的实际周期时间持续超出SLA阈值。

OEE的数据和流程数据交叉验证之后，一个画面清晰了：**B工序是瓶颈。**

 计划科长说排产没问题。数据说，不是没问题，是瓶颈在排产计划之外——它卡在实际执行里。

· · ·

第三条线：质量

 这是生产副总没预料到的。

质检记录同时返回了五条超标数据。五批次的微生物指标超过1500的阈值——最高的到了**5200**。

 五批次，全部指向同一个原料供应商。

傅里叶变换给出了更长的时间窗口：OEE的下降有 **14天的周期规律**。

为什么是14天？因为那恰好是原料批次更换的周期。一批有问题的原料，经过14天的加工周期，拖垮了OEE。

 设备科长说的没错——设备确实没问题。但设备被有问题的原料拖住了。

· · ·

不是巧合

因果推断引擎做了最终的串联。

 效应量 0.35。不是弱相关。是显著。

而且，把排产因素排除掉，把人员因素排除掉，把设备老化的因素排除掉——效应量依然在。原料质量是独立驱动因素。

贝叶斯估计：如果原料批次不改善，OEE继续恶化的概率是62%。

蒙特卡洛推演：最坏情况，95%置信下，三个月内交付延迟累计12天。

风险敞口约 38万。

· · ·

然后系统弹出了三个问题。

 「OEE下降的主要原因是什么？设备故障还是排产瓶颈？」

——你已经知道答案了。是原料。

 「哪条产线的OEE拖累最大？」

——产线A，74.1%，红色预警。

 「如果OEE继续下降，对季度交付承诺的影响有多大？」

——12天延迟，38万敞口。

· · ·

那个在晨会上拍桌子的生产副总，三天没找到答案。系统用了十二秒。

 不是因为它比你更懂你的工厂。是因为它同时看到了你自己看不到的地方：设备数据、流程瓶颈、质检记录、预警信号、原料批次——在一个画面上。而人只能一个一个部门去问，每个人只能证明自己的部门没问题。

 OEE掉了五个点。根因不在设备科，不在计划科，不在质量科。在供应商那边。把S03的原料换了。