"李總，這個(gè)月的OEE（整體設(shè)備效率）數(shù)據(jù)出來(lái)了。" 

"多少？" 

"78.3%。" 

"環(huán)比呢？" 

"這個(gè)...我讓小張算一下。" 

這是我在某汽車廠調(diào)研時(shí)真實(shí)看到的對(duì)話。廠長(zhǎng)想要的是"用嘴問(wèn)數(shù)據(jù)"，但現(xiàn)實(shí)中卻是"用人跑數(shù)據(jù)"。

NL2SQL的"美麗謊言"

過(guò)去兩年，我走訪了37家制造企業(yè)，看到了一個(gè)令人心碎的現(xiàn)狀：90%的AI問(wèn)數(shù)項(xiàng)目都在假裝成功。

為什么？因?yàn)榇蠹叶急籒L2SQL這個(gè)"美麗謊言"給騙了。

"自然語(yǔ)言轉(zhuǎn)SQL，讓業(yè)務(wù)人員直接問(wèn)數(shù)據(jù)"——聽(tīng)起來(lái)多么動(dòng)人。但現(xiàn)實(shí)是，當(dāng)你問(wèn)"上周A線的良品率為什么下降了"時(shí)，系統(tǒng)給你的是一堆看不懂的SQL代碼，或者更慘——直接報(bào)錯(cuò)。

我見(jiàn)過(guò)最離譜的案例：某家電巨頭的BI團(tuán)隊(duì)，花了8個(gè)月時(shí)間做NL2SQL，結(jié)果上線第一周就被業(yè)務(wù)部門(mén)集體抵制。

原因？系統(tǒng)把"直通率"理解成了"通過(guò)率"，把"不良品"算成了"返工品"。一個(gè)字的差異，讓整個(gè)季度的質(zhì)量分析全部作廢。

制造業(yè)的數(shù)據(jù)問(wèn)數(shù)，根本不是簡(jiǎn)單的"中譯英"問(wèn)題，而是"業(yè)務(wù)語(yǔ)言"到"數(shù)據(jù)語(yǔ)言"的鴻溝問(wèn)題。

MQL：制造業(yè)的"數(shù)據(jù)方言"

制造業(yè)有自己的"方言"。

同樣叫"效率"，設(shè)備部門(mén)說(shuō)的是OEE，生產(chǎn)部門(mén)說(shuō)的是節(jié)拍達(dá)成率，計(jì)劃部門(mén)說(shuō)的是訂單準(zhǔn)時(shí)交付率。同樣叫"庫(kù)存"，原材料倉(cāng)庫(kù)關(guān)心的是周轉(zhuǎn)天數(shù)，成品倉(cāng)庫(kù)關(guān)心的是呆滯比例，財(cái)務(wù)部門(mén)關(guān)心的是資金占用。

這些差異不是簡(jiǎn)單的同義詞替換，而是深深刻在業(yè)務(wù)邏輯里的"認(rèn)知基因"。

傳統(tǒng)的NL2SQL就像把一個(gè)廣東人直接扔到東北，告訴他"都是中文，自己理解去吧"。而MQL（Manufacturing Query Language）的做法是，先建一個(gè)"翻譯官"體系，把各地方言先整理成標(biāo)準(zhǔn)普通話，再去做轉(zhuǎn)換。

這個(gè)翻譯官體系，就是"制造業(yè)指標(biāo)體系"。

聽(tīng)起來(lái)很土，但這是真正的"降維打擊"。當(dāng)別的廠商還在糾結(jié)"怎么讓SQL更懂人話"時(shí)，我們直接繞過(guò)了這個(gè)維度——不讓SQL懂人話，而是讓人話先變成"指標(biāo)話"。

從"煉金術(shù)"到"化學(xué)方程式"

某食品廠的CIO老王跟我吐槽："我們廠有12個(gè)版本的'良品率'，每個(gè)部門(mén)都有自己的算法。質(zhì)量部算的是'合格數(shù)/檢驗(yàn)數(shù)'，生產(chǎn)部算的是'合格數(shù)/生產(chǎn)數(shù)'，財(cái)務(wù)部算的是'合格數(shù)/訂單數(shù)'。一個(gè)指標(biāo)，三套口徑，開(kāi)會(huì)就像雞同鴨講。"

這不是技術(shù)問(wèn)題，這是"制造業(yè)煉金術(shù)"時(shí)代的典型癥狀——每個(gè)人都在用自己的"秘方"，沒(méi)有統(tǒng)一的"化學(xué)方程式"。

MQL的核心就是把"煉金術(shù)"變成"化學(xué)方程式"。

怎么做？先把所有的"秘方"都曬出來(lái)，然后建立一套"指標(biāo)語(yǔ)法"：

原子指標(biāo)：不可再拆分的最小單位，比如"合格數(shù)"、"生產(chǎn)數(shù)"

計(jì)算指標(biāo)：由原子指標(biāo)組合而成，比如"良品率=合格數(shù)/生產(chǎn)數(shù)"

維度：看數(shù)據(jù)的角度，比如"時(shí)間"、"產(chǎn)線"、"班次"

口徑：具體的計(jì)算規(guī)則，比如"合格數(shù)是否包含返工后合格的產(chǎn)品"

聽(tīng)起來(lái)很簡(jiǎn)單？但就是這么簡(jiǎn)單的東西，90%的制造企業(yè)都沒(méi)有。

我見(jiàn)過(guò)的最夸張的case：某造船廠，同一個(gè)"交付準(zhǔn)時(shí)率"，采購(gòu)部、生產(chǎn)部、銷售部有三個(gè)完全不同的定義，而且每個(gè)部門(mén)都堅(jiān)信自己的才是"標(biāo)準(zhǔn)答案"。最后怎么解決的？一把手的鐵腕——"以后都用財(cái)務(wù)部的定義，誰(shuí)反對(duì)誰(shuí)下課"。

這就是現(xiàn)實(shí)：技術(shù)問(wèn)題最后都是組織問(wèn)題，數(shù)據(jù)問(wèn)題最后都是權(quán)力問(wèn)題。

制造業(yè)AI問(wèn)數(shù)的"三重門(mén)"

做了這么多項(xiàng)目，我總結(jié)出一個(gè)規(guī)律：制造業(yè)AI問(wèn)數(shù)要成功，必須跨過(guò)"三重門(mén)"。

第一重門(mén)：指標(biāo)門(mén)

很多項(xiàng)目死在這里。技術(shù)團(tuán)隊(duì)覺(jué)得"不就是幾個(gè)指標(biāo)嗎"，業(yè)務(wù)部門(mén)覺(jué)得"這么簡(jiǎn)單的需求你們都理解不了"。

真相是：制造業(yè)的指標(biāo)體系，比互聯(lián)網(wǎng)復(fù)雜100倍。

互聯(lián)網(wǎng)公司的指標(biāo)，大多是"用戶行為"的統(tǒng)計(jì)——點(diǎn)擊率、轉(zhuǎn)化率、留存率。這些指標(biāo)的定義相對(duì)標(biāo)準(zhǔn)化，跨公司差異不大。

制造業(yè)的指標(biāo)，是"物理世界"的量化——每個(gè)工廠的設(shè)備不同、工藝不同、管理模式不同，指標(biāo)定義也就不同。更慘的是，這些差異往往隱藏在"經(jīng)驗(yàn)"里，老員工心知肚明，新員工一臉懵逼。

第二重門(mén)：數(shù)據(jù)門(mén)

跨過(guò)了指標(biāo)門(mén)，還有更慘的數(shù)據(jù)門(mén)。

制造業(yè)的數(shù)據(jù)，是典型的"三多三少"：

系統(tǒng)多，打通少：ERP、MES、WMS、PLM...每個(gè)系統(tǒng)都有自己的數(shù)據(jù)標(biāo)準(zhǔn)

歷史多，質(zhì)量少：10幾年的歷史數(shù)據(jù)，但90%都有質(zhì)量問(wèn)題

細(xì)節(jié)多，維度少：記錄了每個(gè)螺絲的擰緊力矩，但不知道這個(gè)螺絲屬于哪個(gè)產(chǎn)品

最慘的是，制造業(yè)的數(shù)據(jù)質(zhì)量問(wèn)題是"結(jié)構(gòu)性"的——不是簡(jiǎn)單的"清洗"就能解決，而是需要"重新定義"。

比如"生產(chǎn)開(kāi)始時(shí)間"，MES記錄的是"第一個(gè)工序開(kāi)始時(shí)間"，ERP記錄的是"訂單下達(dá)時(shí)間"，手工報(bào)表用的是"班組長(zhǎng)記得的時(shí)間"。三個(gè)數(shù)據(jù)源，三個(gè)數(shù)值，哪個(gè)才是"真值"？

第三重門(mén)：認(rèn)知門(mén)

最難的是認(rèn)知門(mén)。

技術(shù)團(tuán)隊(duì)覺(jué)得："我們做了這么炫酷的AI問(wèn)數(shù)系統(tǒng)，業(yè)務(wù)部門(mén)應(yīng)該感激涕零才對(duì)。"

業(yè)務(wù)部門(mén)覺(jué)得："你們連'良品率'都算不對(duì)，還談什么AI？"

認(rèn)知差異的核心在于：技術(shù)團(tuán)隊(duì)關(guān)注的是"技術(shù)先進(jìn)性"，業(yè)務(wù)部門(mén)關(guān)注的是"業(yè)務(wù)準(zhǔn)確性"。

一個(gè)真實(shí)的對(duì)話：

技術(shù)："我們的AI問(wèn)數(shù)系統(tǒng)準(zhǔn)確率達(dá)到85%了！"

業(yè)務(wù)："那剩下的15%怎么辦？萬(wàn)一我匯報(bào)給老板的數(shù)在那15%里呢？"

技術(shù)："......"

制造業(yè)的數(shù)據(jù)應(yīng)用，容錯(cuò)率極低。一個(gè)錯(cuò)誤的數(shù)據(jù)，可能導(dǎo)致錯(cuò)誤的決策，錯(cuò)誤的決策可能導(dǎo)致數(shù)百萬(wàn)的損失。

這就是現(xiàn)實(shí)：在制造業(yè)，99%的準(zhǔn)確率等于0——因?yàn)闆](méi)人知道哪1%是錯(cuò)的。

結(jié)語(yǔ)

做了這么多項(xiàng)目，我總結(jié)出一個(gè)"生存法則"：制造業(yè)AI問(wèn)數(shù)，必須先做"數(shù)字化治理"，再做"智能化應(yīng)用"。

AI問(wèn)數(shù)不是"速效救心丸"，而是"長(zhǎng)期處方藥"。

它不能幫你跳過(guò)數(shù)字化轉(zhuǎn)型的"坑"，只能讓你在坑里少待一會(huì)兒。

真正的制造業(yè)AI問(wèn)數(shù)，拼的不是算法多先進(jìn)，界面多炫酷，而是——你敢不敢先花半年時(shí)間，把最基礎(chǔ)的指標(biāo)體系梳理清楚？

畢竟，在制造業(yè)，慢就是快，快就是死。