制造业的指标异动，问题往往不在数据量，而在口径。同一张良率报表，MES 按报工、QMS 按检验批次、ERP 按入库，三者时间归属与责任主体都不同，异动出现时很难判断是设备、物料还是统计口径本身变了。
《数据分析实验室》本期的探索，把异动归因拆成三步。第一步建指标语义层：将核心指标的计算公式、统计粒度、时间归属写成可执行配置，多源数据先按口径对齐再进模型。第二步构指标树：沿工序—设备—物料—班次维度分层，逐层下钻压缩候选空间，避免全维度组合爆炸。第三步做贡献度分解与显著性检验，输出带置信度的根因排序，而不是给一个「最终结论」。
- 进展：在某注塑车间试点，语义层覆盖 37 个核心指标；回溯 60 次日良率异动，定位耗时从约 2 小时降至 8 分钟内，根因排序前三命中率约 78%。
- 下一步：接入工单备注与维修记录文本，让换模、调机等人为事件进入候选根因；并验证跨厂区口径差异的自动检测。
我们更愿意把它看作文档化与工程化的问题：口径先对齐，归因才可信。
评论