小米汽车感知与行动中心

💡 领域专家评点

阿福专家视角：这套系统的本质是什么？

核心目标：解决供应链保供人工管理效率低、风险响应滞后问题，从"被动应对"转向"主动预判"
设计哲学：数据驱动的"异常感知 - 行动反馈"闭环，替代人 + 经验决策
业务智慧：先做感知侧（已落地），再打通工单系统（规划中），小步快跑验证价值
财务影响：年挽回整车工厂产能损失 28.1 小时，规避停线机会成本约 8700 万元
风险管控：提前预警解决 80% 供应商欠料断供问题，从"救火"变"防火"

🗺️ 知识架构图

感知与行动中心 - 能力架构

graph TB subgraph 感知层 A[数据感知] A --> A1[产能管理预警] A --> A2[交付管理预警] A1 --> A1a[规划调整预警] A1 --> A1b[JPH 能力预警] A1 --> A1c[产量匹配预警] A2 --> A2a[总成件库存预警] A2 --> A2b[子件库存预警] end subgraph 数据层 B[供应商直连数据] B --> B1[主数据] B --> B2[过程数据] B2 --> B2a[来料库] B2 --> B2b[组装线] B2 --> B2c[成品库] end subgraph 行动层 C[行动反馈] C --> C1[预警清单] C --> C2[JIRA 工单] C --> C3[飞书通知] end subgraph 价值层 D[业务价值] D --> D1[防停线 28.1h/年] D --> D2[降呆滞成本] D --> D3[提效率天→小时] end 数据层 --> 感知层感知层 --> 行动层行动层 --> 价值层

🔍 深度洞察

洞察 1：为什么先做感知侧，再做工单闭环？

务实策略：项目未正式立项，但感知侧已提前落地，说明团队采取了"先证明价值，再争取资源"的策略。
风险控制：先跑通小闭环（数据可视化 + 预警清单），验证效果后再投入工单系统，避免前期过重投入。
业务信任：预警清单已给业务使用，建立信任后再打通工单，减少业务阻力。

洞察 2：为什么数据治理是第一优先级？

数据准确性：预警规则依赖直连数据，数据不准会导致误报，消耗业务信任。
决策基础：所有感知判断、产能计算、库存预警都基于数据，数据质量决定系统上限。
治理成本：后期修正数据比前期治理成本高 10 倍，现在投入是划算的。

洞察 3：Min/Max 水位 vs LCR 产能监控的区别？

当前能力（Min/Max）：基于要货计划设置库存水位，判断"库存够不够"，是静态阈值判断。
未来能力（LCR）：基于产线实时数据计算 JPH、日均产量、满足率，判断"产能稳不稳定"，是动态趋势判断。
能力跃迁：从"库存监控"升级到"产能监控"，从"结果预警"升级到"过程预警"。

📋 预警规则对比表

类型	预警场景	触发规则	责任人	优先级
产能	规划调整预警	LCR 日产能 > SDC 签约产能	物流 + 采购	高
产能	JPH 能力预警	实际 JPH < SDC/LCR 计算 JPH	物流 + 供应商+SIE	高
产能	产量匹配预警	月产量 < 要货计划总量	供应商+SIE	中
交付	总成件库存预警	库存 < Min 水位（安全天数×日均需求）	物流	高
交付	子件库存预警	库存 < Min 水位（LT 天数×日均需求）	物流	中

🎯 行动建议

如何将这套系统应用到实际工作？

数据治理优先：投入资源确保直连数据准确性，建立数据质量监控机制
预警规则迭代：基于业务反馈优化 Min/Max 水位，减少误报率
试点验证：拓普、三花 2 家标杆供应商试点，验证效果后再推广
工单对接准备：提前与 JIRA 团队沟通接口规范，为闭环做准备
价值量化：持续追踪停线时长、呆滞成本、效率提升等指标，证明系统价值

🧠 记忆口诀

阿福速记法

核心目标：被动应对 → 主动预判
建设策略：先感知，后行动，小步快跑
第一优先：数据治理要搞准
预警规则：产能 + 交付，6 类场景
业务价值：防停线、降呆滞、提效率
最终闭环：感知→预警→派单→整改→反馈

📚 下一步学习建议

基于当前项目的延伸学习路径

阶段 1：数据治理（当前）

→ 建立数据质量监控报表，追踪数据准确率、完整性、及时性

阶段 2：感知升级

→ 接入 LCR 产线数据，实现 JPH、日均产量、满足率自动计算

阶段 3：工单闭环

→ 对接 JIRA 工单系统，实现预警→工单→整改→反馈全链路

阶段 4：AI 辅助

→ 基于历史数据预测潜在异常，从"规则预警"升级到"预测预警"

🚗 小米汽车感知与行动中心 - 专家评点