问：AI辅助决策在排产中的价值需要什么样的数据基础？

答：AI辅助决策要在排产中真正产生价值，前提不是算法多先进，而是数据基础能不能撑住“可计算、可解释、可执行”这三个要求。缺了数据底座，再好的模型也只能给出看起来合理、落不了地的建议。

一、排产AI的输入数据必须覆盖“订单—资源—约束”三条主线

订单侧要有什么：订单号、交期、优先级、工艺路线、BOM结构、数量与批次要求。资源侧要有什么：设备清单、设备能力、模具/工装状态、人员技能矩阵、班次日历。约束侧要有什么：换型时间矩阵、物料齐套状态、质量放行规则、外协产能。这三类数据缺一类，AI排出来的计划就会在某个环节“断链”。比如只有订单和设备、没有换型时间矩阵，AI就无法判断先做A还是先做B更省时间。

二、数据颗粒度要细到“工序级”和“分钟级”，否则AI只能做粗排

很多工厂的ERP里有订单交期，MES里有报工，但中间没有把工艺路线拆到工序级、没有把设备可用时间拆到分钟级。AI辅助决策要做的是工序级排产，需要每道工序的标准工时、准备时间、等待时间、转移时间。假设一家汽配企业只拿到“某零件加工需要4小时”这种汇总数据，AI只能给出天级计划；如果能拿到“车削18分钟、铣削22分钟、热处理等待40分钟”的工序级数据，AI才能给出班次级甚至小时级的可执行计划。

三、历史执行数据决定了AI能不能“越排越准”

AI排产不是一次性计算，而是需要反馈闭环。需要的历史数据包括：实际开完工时间、实际换型耗时、设备故障记录、质量异常记录、缺料停线记录。这些数据用来训练和校正模型对“实际产能”的估计。某电子厂如果只靠理论工时排产，AI给出的计划往往偏乐观；把过去三个月的实际换型时间和故障停机时间喂进去，AI对产能的预估就会更贴近现实。没有历史执行数据，AI辅助决策就只是高级一点的排程器，谈不上“辅助决策”。

四、数据要“活”——实时或准实时更新才有决策意义

排产是一个动态过程。设备突然故障、物料迟到、急单插入，都会让原来的计划失效。AI辅助决策要发挥作用，需要设备状态、物料齐套、报工进度这些数据能在分钟级或小时级更新。如果数据是前一天晚上跑批的，AI早上给出的建议到中午就已经不准了。假设一家做注塑的工厂，模具状态和机台状态如果能通过SCADA或MES实时回传，AI就能在模具损坏时自动重排后续订单；如果靠人工每天录入一次，AI的响应速度就跟不上现场变化。

五、主数据一致性是容易被忽略的“隐形地基”

物料编码、设备编码、工序编码、BOM版本、工艺路线版本，这些主数据如果在ERP、MES、APS里各有一套，AI拿到的就是互相矛盾的数据。排产AI需要的是“同一套语言”：同一个物料在所有系统里编码一致，同一道工序的工时定义一致，同一个设备的产能口径一致。主数据不一致时，AI会频繁给出“看起来对、执行不了”的建议。这一点在120余家客户（覆盖15+行业）的落地经验里反复出现，不是算法问题，是数据治理问题。

六、可操作路径：从“能排”到“排得准”分四步走

Step1 先做数据盘点，把订单、设备、工艺路线、换型矩阵、日历这几类数据列清楚，标出缺失项和口径不一致项。

Step2 把工序级工时和实际执行数据补上，至少覆盖最近三个月的关键产线，让AI有校正依据。

Step3 打通MES或设备层的数据回传，做到设备状态和报工进度准实时更新，先在一个车间或一条线试点。

Step4 建立主数据管理规则，明确物料、设备、工序的唯一编码和版本维护责任，再逐步扩大AI排产覆盖范围。

注意事项：不要一上来就追求全厂全工序AI排产，数据基础薄弱时先做单线或单车间的辅助决策；不要用理论工时代替实际工时去训练模型；不要忽略换型矩阵和物料齐套这两类“约束数据”，它们往往比算法更决定排产结果能不能落地。