工业工程数据与指标看板：从指标定义到可视化落地

大多数工厂的看板是"假看板"——屏幕上数字很漂亮，但没人知道它怎么算的、该不该信、超限时该找谁。这篇从指标定义卡的 12 个要素讲起，给出六个统计口径的纠偏方法、八个核心指标的手算算例、采集方案的选型对照与看板设计规则，最后附 40 项检查清单。

一、先诊断：为什么你的看板没人看

工业工程做数据看板，最常见的失败不是技术失败，而是信任失败。以下三类失败几乎覆盖了 90% 的情况。

1.1 失败类型一：口径不清，数字打架

典型场景：早会上产量看板显示 12,480 件，MES 系统显示 12,310 件，ERP 显示 12,655 件。争论半小时，最后谁的数字都不信，改用"大概一万二"来决策。

根因：三个系统的分母定义不同。

三个数字都对，也对不上。 解决办法不是"统一到一个系统"，而是在指标定义卡里把口径写死，并让所有系统按同一口径取数。

1.2 失败类型二：只报不改，看板变成装饰

典型场景：看板天天显示 OEE 72%，红色告警每周都亮，但三个月过去了没人动。

根因：指标没有责任人和行动规则。 一个能驱动行动的指标必须回答三个问题：

1. 谁对这个数字负责？（到具体岗位，不是"生产部"）
2. 超限时做什么？（预设的动作清单，不是"分析原因"这种废话）
3. 多久内必须响应？（分钟级/小时级/日级）

看板三问（本文会反复用到）：谁看？看什么？看完做什么？ 回答不了这三问的指标，不配占用屏幕空间。

1.3 失败类型三：指标被"游戏化"

典型场景：某厂把"设备利用率"纳入车间月度考核。三个月后，利用率从 68% 涨到 89%，但 WIP 翻了一倍、交期延误率上升、在制资金占用超标。

根因：单指标考核必然被博弈。 这是古德哈特定律的标准案例：当一个指标成为目标，它就不再是好指标。

对策在本篇第七章展开（指标组合、对冲指标、过程+结果双轨）。

二、指标体系设计：从战略到工位的四层结构

2.1 指标金字塔

设计原则：

1. 上层指标必须能被下层指标解释。 如果 L1 的"单位制造成本"上升，必须能通过 L2/L3 的指标追溯到具体原因（是良率降了？还是停机多了？还是人员效率低了？）。
2. 每一层只保留能驱动行动的指标。 L4 工位层超过 5 个指标，操作工就一个都不会看。
3. 上下层之间用"指标树"连接，不要用"拍脑袋的比例分摊"。

2.2 指标定义卡：12 个必填要素

这是本文最实用的一张表。任何一个要上墙的指标，都必须先填完这张卡。 我见过太多项目因为跳过这一步，在上线后推倒重来。

特别强调第 9 条（聚合规则）和第 12 条（行动规则）。 前者决定数字对不对，后者决定看板有没有用。

2.3 指标树：让上层指标可追溯

指标树的作用是建立"结果指标 → 过程指标"的因果链。以 OEE 为例：

                        OEE
        ┌───────────────┼───────────────┐
      可用率           性能效率         合格品率
        │                 │                │
   ┌────┴────┐       ┌────┴────┐      ┌────┴────┐
  换型     故障     空转     速度     返修    报废
  停机     停机     待料     损失     品      品
   │        │        │        │        │       │
 SMED    PM/备件  物料配送  参数优化  工艺    工艺
 项目    管理     节拍化    与维护    能力    能力

算例 2-1：用指标树分配改善资源

某产线某月 OEE = 71.6%，负荷时间 8,000 min。反推损失时间构成：

（校验：1 − 0.275 = 0.725，与实测 71.6% 的差异来自四舍五入与未归类损失，实务中应保留"其他"项做平账）

改善资源分配的正确逻辑：

• 不是按损失大小排序，而是按「可改善空间 × 改善难度」排序。 故障停机 5.25 pp 看着不小，但如果该设备是进口专用设备、备件交期 12 周，短期几乎无法改善。
• 优先做"低垂的果实"： 换型停机 6.0 pp 通常通过 SMED 能压缩 40%~60%（具体效果因场景而异），且不需要资本开支 → 优先投入。
• 每次只追 2~3 个损失项。 同时追 6 项的结果是每项都做了 20%。

建议的季度节奏： 选 2 个损失项 → 集中资源做深 → 固化标准 → 下季度选新的 2 项。

三、六个必须讲清楚的统计口径

这一章是全篇最容易"看起来懂了但实际还在犯错"的部分。每一节都给一个对照算例。

3.1 均值 vs 分位数：长尾会骗人

算例 3-1：交付提前期的均值陷阱

15 个订单的实际交付提前期（天，已排序）：

3, 4, 4, 5, 5, 5, 6, 6, 7, 8, 9, 12, 15, 18, 25

计算：

1. 总和 = 132 → 均值 = 132 / 15 = 8.8 天
2. 中位数 P50 = 第 8 个 = 6 天
3. P90 位置 = 0.9 × (15 − 1) + 1 = 13.6 → x₁₃ = 15，x₁₄ = 18 → P90 = 15 + 0.6 × 3 = 16.8 天
4. P95 位置 = 0.95 × 14 + 1 = 14.3 → x₁₄ = 18，x₁₅ = 25 → P95 = 18 + 0.3 × 7 = 20.1 天
5. 承诺 10 天交付 → 达标率 = 11 / 15 = 73.3%

管理层看到均值 8.8 天会认为"我们承诺 10 天，没问题"。实际上 26.7% 的客户被延误，P90 客户等了 16.8 天。

规则：

3.2 加权 vs 算术：多线合并时必然踩的坑

算例 3-2：三条产线的 OEE 汇总

错误算法（算术平均）：

(75.44% + 62.00% + 81.00%) / 3 = 72.81%

正确算法（按负荷时间加权）：

加权 OEE = (339.5 + 558.0 + 364.5) / 1,800 = 1,262.0 / 1,800 = 70.11%

差异 2.70 个百分点。 为什么会错？因为 B 线开两班、负荷时间是其他线的两倍，它的低效应该占更大权重。算术平均把三条线当成同等重要，等于假设每条线的产能相同，这在现实中几乎从不成立。

同理适用于：

• 良率：多工序/多产品的合并良率应按投入量加权，而不是各良率的算术平均
• 达成率：应按计划量加权
• 单价、成本：应按数量加权

但有一个例外：当各单元权重相等时，两者相同。 上例中若三条线负荷时间都是 450 min，加权 = 算术 = 72.81%。所以问题不在于方法，而在于你是否检查过权重。

3.3 移动平均 vs 累计：趋势与现状是两件事

典型误用： 用"年度累计 OEE 78%"汇报，而最近三个月已经跌到 68%。累计值的滞后性会掩盖拐点。

推荐组合： 主图用 MA7 趋势线 + 单期值散点，副图用 累计值（仅对账用）。

3.4 分母定义：OEE 的三个分母

这是 OEE 领域最经典的争议。三种分母对应三种用途：

算例 3-3：同一组数据，三种口径的三个 OEE

基础数据：单班 8 h = 480 min；计划停机 30 min（休息 20 + 交接 10）；非计划停机 45 min；理论节拍 30 s/件；实际产出 700 件，其中合格 679 件。

口径 A（分母 = 负荷时间 450 min，标准 OEE）：

1. 运行时间 = 450 − 45 = 405 min
2. 可用率 = 405 / 450 = 90.00%
3. 理论产出 = 405 × 60 / 30 = 810 件
4. 性能效率 = 700 / 810 = 86.42%
5. 合格品率 = 679 / 700 = 97.00%
6. OEE = 0.9000 × 0.8642 × 0.9700 = 0.7545 → 75.45%

口径 B（分母 = 计划工作时间 480 min）：

1. 运行时间 = 480 − 30 − 45 = 405 min（同样）
2. 可用率 = 405 / 480 = 84.38%
3. OEE = 0.8438 × 0.8642 × 0.9700 = 0.7074 → 70.74%

口径 C（分母 = 日历时间 480 min，且假设全天排产）：

同口径 B（若只排一班且日历口径按 24 h 计，则可用率 = 405/1440 = 28.13%，OEE ≈ 23.58%）

结论：同一个现场，OEE 可以是 75.45% 或 70.74% 或 23.58%，全都"正确"。

IE 的实务建议：

• 对外对标/内部横向比较：用口径 A（负荷时间），这是业界最通用的定义
• 做投资决策（要不要加设备）：用口径 C，因为它反映了资产的真实利用水平
• 无论如何，必须在指标定义卡里写明口径，并永远不混用

3.5 时间粒度对齐：班次、日、周

常见问题：日看板显示"日产量达成 102%"，但月度达成只有 94%。为什么？

典型原因：

1. 班次之间的归属问题：夜班跨零点，22:00 开始的班次产量算哪一天？必须有明确规则（通常按班次开始日归属）。
2. 周末与工作日的混合：月度达成率的分母应包含所有排产日，不能只算工作日。
3. 月末截断：最后一天只跑了半个班，却被按整天比较。

规则：所有比率类指标，分子分母必须来自同一时间窗口、同一口径的排产集合。

3.6 异常值处理：规则必须先定，不能事后挑

算例 3-4：三种剔除规则的差异

某工序 12 次测时值（秒）：

34.2, 35.1, 36.8, 34.9, 35.5, 72.4, 35.8, 34.6, 35.2, 36.1, 35.9, 34.8

规则一（不剔除）：均值 = ?

34.2+35.1=69.3; +36.8=106.1; +34.9=141.0; +35.5=176.5; +72.4=248.9; +35.8=284.7; +34.6=319.3; +35.2=354.5; +36.1=390.6; +35.9=426.5; +34.8=461.3 均值 = 461.3 / 12 = 38.44 s

规则二（3σ 剔除）：

• 均值 38.44，标准差：偏差平方和 72.4 的偏差 = 33.96 → 平方 1153.3 其余值围绕 35.4 左右。先算：不含 72.4 的 11 个值均值 = (461.3−72.4)/11 = 388.9/11 = 35.35 但 3σ 要用全样本算： 各值偏差（相对 38.44）：−4.24, −3.34, −1.64, −3.54, −2.94, +33.96, −2.64, −3.84, −3.24, −2.34, −2.54, −3.64 平方：17.98, 11.16, 2.69, 12.53, 8.64, 1153.28, 6.97, 14.75, 10.50, 5.48, 6.45, 13.25 和 = 1263.68；样本方差 = 1263.68/11 = 114.88；s = 10.72 s
• 3σ 界 = 38.44 ± 32.16 = [6.28, 70.60]
• 72.4 > 70.60 → 剔除
• 剔除后 11 个值均值 = 388.9 / 11 = 35.35 s

规则三（IQR 剔除）：

• 排序：34.2, 34.6, 34.8, 34.9, 35.1, 35.2, 35.5, 35.8, 35.9, 36.1, 36.8, 72.4
• n = 12 → Q1 位置 = 0.25 × 11 + 1 = 3.75 → x₃ + 0.75(x₄ − x₃) = 34.8 + 0.75 × 0.1 = 34.875
• Q3 位置 = 0.75 × 11 + 1 = 9.25 → x₉ + 0.25(x₁₀ − x₉) = 35.9 + 0.25 × 0.2 = 35.95
• IQR = 35.95 − 34.875 = 1.075
• 上界 = Q3 + 1.5 × IQR = 35.95 + 1.6125 = 37.56
• 72.4 > 37.56 → 剔除（同时检查下界 = 34.875 − 1.6125 = 33.26，无低值被剔除）
• 剔除后均值 = 35.35 s

三种规则对比：

这个算例里 3σ 侥幸成功，但如果 72.4 变成 60，3σ 就可能剔除不掉（因为 s 会被它自己拉大）。 这就是为什么工时测量推荐用 IQR 或"三倍中位绝对偏差（MAD）"这类稳健统计量。

规则必须事前写在指标定义卡里，而且剔除记录要留痕。 事后挑数据删，是数据造假的第一步。

四、八个核心指标的公式与手算算例

4.1 OEE 及其三因子

公式与算例见 3.4 节算例 3-3（OEE = 75.45%）。这里补充三因子的解释：

牢记：OEE 是三个独立问题的乘积，不是一个"设备好不好"的总分。 一个 OEE 75% 可能来自 A=95%、P=98%、Q=81%（质量问题是主因），也可能来自 A=80%、P=94%、Q=99%（停机是主因）——对策完全不同。

4.2 加权 OEE

见算例 3-2（70.11% vs 算术平均 72.81%）。

4.3 OTIF（准时足额交付率）

算例 4-1：100 个订单行的交付表现

三个指标：

• OTD（On Time Delivery，准时率）= (86 + 7) / 100 = 93%
• OF（Order Fill，足额率）= (86 + 4) / 100 = 90%
• OTIF（准时且足额）= 86 / 100 = 86%

为什么必须看 OTIF 而不是 OTD？ 因为对客户来说，"准时到了但少了一半"和"没到"一样麻烦——生产线照样停。OTD 93% 看起来很好，但只有 86% 的客户真正满意。这两个数字相差的 7 个百分点，就是你的客户不满意但你的报表却说没问题的部分。

4.4 RTY（流通合格率）与 DPMO

算例 4-2：五工序串联的合格率

各工序一次通过率（FPY）：0.96, 0.93, 0.98, 0.95, 0.97

RTY（Rolled Throughput Yield）= 各工序 FPY 连乘：

• 0.96 × 0.93 = 0.8928
• × 0.98 = 0.874944
• × 0.95 = 0.831197
• × 0.97 = 0.806261 → 80.63%

错误算法（各工序算术平均）：

(0.96 + 0.93 + 0.98 + 0.95 + 0.97) / 5 = 4.79 / 5 = 95.80%

两者相差 15.17 个百分点！ 这是制造业最经典的指标失真之一："我们的合格率是 95.8%"这句话，几乎可以肯定是错的。

DPMO 与西格玛水平：

投入 1,000 件，逐工序追踪：

1. 总缺陷数 = 193.75
2. 总机会数 = 1,000 × 5 = 5,000
3. DPMO = 193.75 / 5,000 × 10⁶ = 38,750
4. 长期西格玛水平 Z_long = Φ⁻¹(1 − 38,750/10⁶) = Φ⁻¹(0.96125) ≈ 1.766
5. 短期西格玛水平 Z_short = Z_long + 1.5 = 3.27σ

一个细节（体现专业性）： 若用 Poisson 近似（RTY ≈ e^(−DPU_total)），DPU_total = 193.75/1,000 = 0.19375 → e^(−0.19375) = 82.38%，与连乘的 80.63% 差 1.75 个百分点。差异来自"缺陷在单位上非随机分布"的假设偏离。实务中应以连乘法为准，Poisson 近似仅用于快速估算。

4.5 库存周转率与 DOS

算例 4-3：库存改善的资金释放

假设（以企业实际财务口径为准）：

• 年销售成本 COGS = 12,000 万元
• 期初库存 2,100 万元，期末库存 2,700 万元 → 平均库存 = (2,100 + 2,700) / 2 = 2,400 万元

计算：

1. 周转次数 = 12,000 / 2,400 = 5.0 次/年
2. 库存天数 DOS = 365 / 5.0 = 73 天

改善方案：库存降到 2,000 万元

1. 新周转次数 = 12,000 / 2,000 = 6.0 次/年
2. 新 DOS = 365 / 6.0 = 61 天
3. 释放资金 = 2,400 − 2,000 = 400 万元
4. 按资金成本 6%/年估算（以企业实际资金成本为准）→ 年节省 24 万元

注意：降库存不能只看资金收益，还要评估缺货风险。 正确做法是配套计算安全库存（见配套阅读中的库存模型文章），并在看板上同时监控"库存天数"与"缺货次数"这对对冲指标。

4.6 设备可靠性 MTBF / MTTR / 可用率

算例 4-4：一条产线的设备可靠性

观察期 30 天 × 20 h/天 = 600 h；期间故障 5 次，总维修时间 20 h。

1. MTBF（平均无故障工作时间）= (600 − 20) / 5 = 116 h
2. MTTR（平均修复时间）= 20 / 5 = 4 h
3. 固有可用率 A = MTBF / (MTBF + MTTR) = 116 / 120 = 96.67%

改善的两个方向：

MTTR 从 4 h 降到 2.5 h 的效果验证：

• 总维修时间 = 5 × 2.5 = 12.5 h
• 新 MTBF = (600 − 12.5) / 5 = 117.5 h
• 新可用率 = 117.5 / 120 = 97.92%（提升 1.25 pp）
• 释放运行时间 = 20 − 12.5 = 7.5 h/月 = 90 h/年

IE 的建议：先降 MTTR，再提 MTBF。 因为降 MTTR 的手段（备件、SOP、技能）通常投入小、见效快、易验证；提 MTBF 是长期工程，需要可靠性数据积累。

4.7 劳动生产率

算例 4-5：人均产出与工时效率

假设：月产出 45,000 件，直接人工 25 人，当月 26 个工作日 × 8 h = 208 h/人。

1. 总直接工时 = 25 × 208 = 5,200 h
2. 人均月产出 = 45,000 / 25 = 1,800 件/人·月
3. 工时效率 = 45,000 / 5,200 = 8.65 件/工时

改善后：产出 48,000 件，人工 24 人

1. 人均月产出 = 48,000 / 24 = 2,000 件/人·月（+11.1%）
2. 总工时 = 24 × 208 = 4,992 h
3. 工时效率 = 48,000 / 4,992 = 9.61 件/工时（+11.1%）

注意两个坑：

1. 人均产出上升不一定是真的效率提升。 如果产出增长来自加班（工时不变但实际投入增加），或来自外协（把内部工序外包），人均产出会虚高。必须与工时效率交叉验证。
2. 劳动生产率要与质量、安全指标一起看。 单纯追效率常导致返修率上升或安全隐患。

4.8 计划达成率：总量掩盖结构

算例 4-6：为什么"达成 95%"还不够

三种口径：

• 总量达成率 = 1,140 / 1,200 = 95.0%
• 按计划量加权的型号达成率 = (500×0.96 + 400×1.00 + 300×0.867) / 1,200 = (480 + 400 + 260) / 1,200 = 95.0%（与总量一致，因为分母相同）
• 型号齐套率（所有型号都达标）= 1 / 3 = 33.3%

关键洞察： 如果你的产品需要 A、B、C 三件配套才能出货（如一台设备需要三种部件），那么真正能出货的比例不是 95%，而受制于最短板 C（86.7%）。总量达成率在配套生产场景下系统性高估交付能力。

正确做法： 对配套型产品，主指标用**"齐套率"或"按订单的完整交付率（OTIF）"**，总量达成率仅作参考。

五、数据采集：从纸单到自动，以及如何判断数据可不可信

5.1 数据成熟度四级

IE 的实务判断：不要一上来就追求 L3。 很多改善项目在 L1 阶段就能完成 80% 的分析——你需要的是"数据能回答问题"，不是"数据很先进"。

建议路径：

1. 先用 L1/L2 把指标体系与口径跑通（这个阶段会暴露大量定义问题）
2. 跑通后再投资 L3 自动化，否则你会把错误的口径自动化成"高效地产生错误数据"

5.2 采集方案选型对照

选型三问：

1. 这个数据用来做什么决策？（日报 → 小时级足够；实时调度 → 需要秒级）
2. 不采这个数据会怎样？（不影响决策的数据，不要采——采集本身也是成本）
3. 数据错了能被发现吗？（有没有交叉校验机制）

5.3 数据质量四维度：乘法效应

算例 5-1：三个 90% 加起来不是 90%

某厂 MES 停机数据的质量抽查结果：

综合可信度（乘法模型）：

0.91 × 0.82 × 0.91 × 0.994 = 0.675 → 67.5%

这是全篇最反直觉的一个数字：四个看起来都"80%~99%"的质量维度，乘起来只有 67.5%。 意味着你在看板上看到的每一个停机数字，都有约三分之一的概率是不完整、不及时或不准确的。

管理含义：

1. 数据质量必须用乘法模型汇报，不能用平均分。 平均分 90.8% 会让人误以为"还不错"。
2. 改善数据质量要找最短板。 上例中及时性 82% 是瓶颈，把它提到 92%，综合可信度立刻升到 75.7%（+8.2 pp）；而把已经很好的一致性从 99.4% 提到 99.9%，只带来 +0.3 pp。
3. 数据质量本身应该上墙。 在指标看板旁边放一个"数据健康度"小组件，让所有人知道这个数字能信几分。

六、看板设计：让数字变成行动

6.1 图表选型决策表

三条硬性规则：

1. 不超过 5 种颜色，且颜色必须有语义（如：达标=灰，预警=黄，报警=红，目标线=蓝）。
2. 不用 3D 效果、不用渐变、不用装饰性图标。 每一个视觉元素要么承载信息，要么删掉。
3. 数字要有对比基准。 单独一个"OEE 75.4%"没有意义；"75.4%（目标 85%，上月 78.1%）"才有意义。

6.2 控制图：看板上必须有的一条线

大部分看板只画"实际值 vs 目标线"，这有个致命缺陷：无法区分正常波动与真正异常。结果就是要么天天报警（狼来了），要么真异常被当成噪声。

解法是把控制限画上去。 对于单值数据（如每日 OEE、每日产量），用 X-MR 图（单值-移动极差图）。

算例 6-1：OEE 日值的 X-MR 控制图

20 天的 OEE 日值（%）：

72.1, 74.5, 73.2, 75.8, 71.0, 76.4, 74.9, 73.6, 75.1, 62.3,
73.8, 74.2, 72.9, 75.5, 73.1, 74.7, 76.0, 72.4, 74.0, 73.5

X 图（单值图）：

1. 均值 X̄ = 1,469.0 / 20 = 73.45%
2. 移动极差 MR（相邻两值之差的绝对值，共 19 个）： 2.4, 1.3, 2.6, 4.8, 5.4, 1.5, 1.3, 1.5, 12.8, 11.5, 0.4, 1.3, 2.6, 2.4, 1.6, 1.3, 3.6, 1.6, 0.5
3. MR̄ = 60.4 / 19 = 3.179
4. 估计标准差 σ̂ = MR̄ / d₂ = 3.179 / 1.128 = 2.818（d₂ = 1.128 为 n = 2 时的常数）
5. UCL = X̄ + 3σ̂ = 73.45 + 8.45 = 81.90%
6. LCL = X̄ − 3σ̂ = 73.45 − 8.45 = 65.00%

判异：第 10 天 OEE = 62.3% < LCL 65.00% → 判为异常。

MR 图（移动极差图）：

1. UCL_MR = D₄ × MR̄ = 3.267 × 3.179 = 10.38
2. MR 值 12.8（第 9→10 天）和 11.5（第 10→11 天）均超过 10.38 → 判为异常

两图同时判异，确认第 10 天存在特殊原因（如设备故障、停产、大批量返工），需追溯。

剔除异常点后重算控制限（这一步很多人忘了做）：

1. 剔除 62.3 后：n = 19，和 = 1,469.0 − 62.3 = 1,406.7 → 新 X̄ = 74.04%
2. MR 重算：去掉 12.8 和 11.5，新增 |73.8 − 75.1| = 1.3 → 新 MR 和 = 60.4 − 24.3 + 1.3 = 37.4，MR 个数 = 18
3. 新 MR̄ = 37.4 / 18 = 2.078；新 σ̂ = 2.078 / 1.128 = 1.842
4. 新 UCL = 74.04 + 5.53 = 79.57%；新 LCL = 74.04 − 5.53 = 68.51%

注意新控制限变窄了（±8.45 → ±5.53）。 这意味着过程其实比想象的更稳定，剔除特殊原因后，日常波动只有 ±5.5 个百分点。这个信息对后续设定目标值很有价值：如果目标设 85%，它远在控制限之外，说明靠"日常管理"达不到，必须做系统性改善（而不是靠现场努力）。

这是控制图给看板带来的最大价值：区分"该由现场处理"和"该由系统改善解决"的问题。

6.3 异常触发规则

红绿灯只看单点阈值是不够的。推荐叠加以下规则（源自控制图判异准则的简化版）：

实务建议：

• R1 + R2 + R5 是最小可用组合，同时启用不会造成过多误报
• R4 作为预警（黄色）而非报警（红色）
• 所有触发都要有"确认/关闭"动作，否则告警会堆积成噪音

6.4 看板布局：一屏原则与三层钻取

一屏原则： 每个角色的主看板必须能在一屏内看完，不需要滚动、不需要切换。

5 秒原则： 看板的核心信息（是否达标、哪里异常）应在 5 秒内被识别。测试方法：让不熟悉的人看 5 秒，然后问他"今天有没有问题"。

三层钻取：

第一层：状态层（红/黄/绿 + 关键数字）  ← 5 秒
         ↓ 点击异常项
第二层：归因层（帕累托、损失分解、TOP3）← 30 秒
         ↓ 点击具体项
第三层：明细层（原始记录、时间序列、关联单据）← 5 分钟

不要让第一层就堆满细节。 最常见的错误是把明细表当看板——那是报表，不是看板。

典型产线日看板布局示例：

┌──────────────────────────────────────────────────────────┐
│  A 线 · 白班 · 2026-09-05          数据健康度: 88%  🟢    │
├───────────┬───────────┬───────────┬──────────────────────┤
│ 产量达成   │    OEE    │    FPY    │     停机时长          │
│  1,140/   │   75.4%   │   97.0%   │      45 min          │
│  1,200    │ 目标 85%  │ 目标 98%  │    目标 ≤30 min      │
│   🟡 95%  │   🔴      │   🟡      │      🔴              │
├───────────┴───────────┴───────────┴──────────────────────┤
│  近 20 天 OEE 趋势（含 UCL/LCL/目标线/MA7）                │
│  [控制图区域]                                             │
├──────────────────────────────────────────────────────────┤
│  今日停机原因帕累托（TOP5 + 累计线）                       │
│  换型 18min ████████ 40%                                 │
│  故障 15.8min ███████ 35%                                │
│  待料 6.8min ███ 15%                                     │
│  其他 4.5min ██ 10%                                      │
├──────────────────────────────────────────────────────────┤
│  ⚠ 待办：① 换型超时 3 次 → IE 张工 · 今日 16:00 前反馈    │
│         ② 第 10 天 OEE 异常 → 已完成根因，待关闭          │
└──────────────────────────────────────────────────────────┘

看板底部那个"待办区"是最容易被忽略却最重要的部分。 没有它，看板就是一块显示数字的海报。

6.5 看板三问与责任人矩阵

每一块看板都必须有一个"所有者" ——负责口径维护、数据质量、看板更新。没有所有者的看板会在三个月内变成过期数据。

七、五大反模式与指标"游戏化"的破解

7.1 五大反模式

7.2 用"对冲指标"破解游戏化

核心思想：任何被考核的指标，都要配一个能暴露其副作用的对冲指标。

规则：主指标与对冲指标必须同时上墙、同时汇报。 只汇报主指标的报告，应被视为不完整。

7.3 前置指标 vs 滞后指标

IE 应主动提高前置指标的占比。 理由很简单：滞后指标变差时，损失已经发生；前置指标变差时，你还有机会。

一个经典例子： 设备可用率是滞后指标；PM（预防性维护）计划完成率是它的前置指标。如果 PM 完成率连续两个月低于 85%，几乎可以肯定未来 3~6 个月故障停机会上升。看板上应该同时显示这两个指标，并在前置指标恶化时提前行动。

八、落地路线与 40 项检查清单

8.1 十二周落地路线

不要跳过 W5–W6（基线验证）。 我见过的失败项目中，超过一半是在这个阶段发现"公式算出来的数和实际对不上"，而此时如果已经上线，信任就毁了。

8.2 检查清单（40 项）

A. 指标设计（10 项）

• 每个上墙指标都有完整的定义卡（12 要素填齐）
• 上层指标能通过下层指标解释（指标树已建立）
• 每层指标数量在建议范围内（L1 58 / L2 1015 / L3 812 / L4 35）
• 时间类指标同时定义了 P50 / P90 / 达标率
• 比率类指标明确了聚合规则（加权方式）
• 每个指标都有唯一责任人（到岗位，不到部门）
• 每个指标都有目标值 + 预警阈值 + 报警阈值
• 每个指标都有明确的行动规则（超限做什么、多久内做）
• 每个被考核指标都配了至少 1 个对冲指标
• 前置指标占比不低于 30%

B. 口径与公式（8 项）

• 分子、分母的"含什么/不含什么"已写死
• 多系统取数已明确唯一数据源（避免三套数字）
• 跨零点班次的日期归属规则已明确
• 异常值剔除规则已事前定义，且剔除有留痕
• 累计 vs 移动平均的使用场景已区分
• 所有 OEE 类指标的分母口径已声明（日历/计划/负荷）
• 型号/工序合并时的加权方式已验证（与算术平均对比过）
• 公式在至少 3 组历史数据上做过回算验证

C. 数据质量（8 项）

• 四维度（完整性/及时性/准确性/一致性）已有测量方法
• 综合可信度用乘法模型计算并展示
• 数据质量的最短板已识别并有改进计划
• 关键数据有交叉校验机制（如 MES 产量 vs 入库数）
• 人工录入字段有必填校验与可选值约束
• 传感器/自动采集设备有定期校准记录
• 数据缺失时有明确的"补录/标注"流程，不留空
• 数据健康度在看板上可见

D. 看板设计（8 项）

• 满足一屏原则（无需滚动即可看完）
• 通过 5 秒测试（不熟悉的人能看出是否有问题）
• 趋势类图表已画上控制限（UCL/LCL），不止画目标线
• 颜色不超过 5 种，且颜色有语义
• 无 3D、渐变、装饰性元素
• 每个数字都有对比基准（目标 / 上期 / 同期）
• 支持三层钻取（状态 → 归因 → 明细）
• 底部有"待办/责任人/时限"区域

E. 运营与治理（6 项）

• 每块看板有明确所有者，负责口径维护与更新
• 有告警的确认/关闭机制，无堆积僵尸告警
• 每半年进行一次指标评审，强制淘汰过时指标
• 指标变更有版本记录与通知机制
• 使用方（班组长、操作工）参与过设计评审
• 有看板使用情况的反馈渠道（数字看不懂？指标没用？）

小结

做数据看板，技术是最后一环，前两环是定义和信任。六个核心结论：

第一，指标定义卡是地基。 12 个要素填不完，后面所有工作都会返工。其中分母定义与聚合规则最易出错——三条产线的 OEE，算术平均 72.81% 与加权 70.11% 差 2.7 个百分点；五工序的合格率，算术平均 95.80% 与实际流通合格率 80.63% 差 15.17 个百分点。

第二，分母必须写死。 同一现场，OEE 可以是 75.45%（负荷时间口径）或 70.74%（计划时间口径）或 23.58%（日历时间口径），全都正确。混用口径比没有指标更糟。

第三，均值会系统性掩盖长尾。 交付提前期均值 8.8 天看起来达标，实际 P90 是 16.8 天、达标率只有 73.3%。时间类指标必须 P50 + P90 + 达标率三件套。

第四，数据质量是乘法不是加法。 四个维度 91%、82%、91%、99.4%，乘起来只有 67.5%。改善要找最短板，不是平均分。

第五，看板上必须画控制限。 算例 6-1 中，剔除异常点后控制限从 ±8.45 收窄到 ±5.53，这个信息告诉你：85% 的目标在日常管理范围之外，必须做系统性改善。没有控制限的看板，要么天天狼来了，要么真异常被当噪声。

第六，任何被考核的指标都要配对冲指标。 主指标与对冲指标同时上墙，是破解"指标游戏化"最有效的手段。

最后一句： 看板的目的不是显示数字，是改变行为。如果一个看板上线三个月后，没有任何一个决策因为它而改变，那它就是一块昂贵的屏幕。

配套阅读

• OEE 设备综合效率：三个因子背后的真实产能 — 本文第 3.4 与 4.1 节的详细展开
• SPC 统计过程控制：控制图判异与过程能力 Cpk — 第 6.2 节 X-MR 图的方法基础
• 标准工时与工时测量：从秒表到宽放率 — 第 3.6 节异常值剔除规则的完整背景
• 工业工程师的 Excel 实战手册：30 个技法 — 本文所有算例的表格实现方法
• 供应链与库存模型基础：安全库存与订货策略 — 第 4.5 节库存天数与安全库存的配套计算
• Python for IE：数据处理与分析的实用路径 — 从 Excel 走向自动化分析的下一步
• IE 软件地图：Excel / Python / CAD / 仿真 / ERP-MES — 第 5.2 节采集方案选型的工具参考
• 质量管理七项原则：从 ISO 9001 条文到车间动作 — 第 2.1 节指标体系与战略对齐的原则来源
• 可靠性与 FMEA/FTA：MTBF、MTTR 与维修策略 — 第 4.6 节设备可靠性指标的方法延伸
• 运筹学在工业工程中的落地：从建模到求解 — 指标树与资源分配的优化建模基础

相关阅读

• SQL 工业工程数据分析实战：从 MES 取数到指标看板：IE 日常有 60% 的时间花在等数据上。本文从真实取数场景出发，讲透 SQL 核心语法（S…
• OEE 设备综合效率：定义、算法、达标线与常见误用：用完整算例讲清 OEE 三大因子与时间口径，拆解六大损失，给出世界级达标线与 MTBF/MT…
• TPM 全员生产维护完全指南：OEE、自主保全与零故障的八根支柱：设备一停，全线的产出就没了。本文讲透 TPM 完整体系：OEE 三要素的时间分解与六大损失（…
• 工业工程必备软件地图：从 Excel 到 FlexSim，每个阶段该学什么：按学习阶段给出 IE 的软件全景图：Excel、统计分析、仿真建模、CAD、企业系统，并给出…
• 运筹学在工业工程里的落地：线性规划、排队论与仿真：从产品组合的线性规划算例讲到影子价格与瓶颈判断，详解 M/M/1 与 M/M/c 排队模型算…