产能约束生产排程KPI — 产能利用率/排程达成率/换线时间/瓶颈识别
Skill-Capacity-Constraint-Production-Schedule-KPI · 04-供应链
causalexperimentforecastingoptimization供应链与补货WF-A 智能补货WF-D 选品扫描
年化 ROI30万
实现难度⭐⭐⭐☆☆
业务视角
适用角色供应链负责人 · 采购负责人 · CEO / 运营 VP
适用平台Amazon FBA · 海外仓 · 多国仓位（美/欧/日）
什么情况下用库存周转率低，资金压在海外仓出不来；SKU 断货紧急空运，物流成本吃掉毛利；多仓库存分布不均
成功是什么样的库存周转天数从 90 天降到 60 天，断货率 <3%，海外仓综合成本降低 15-25%
业务痛点
1. 解决的问题
供应链计划者面临"不知工厂产能约束就做计划"——产能利用率75-85%目标+换线优化提升8%有效产能，旺季提前识别断货风险保护50万GMV
2. 核心算法逻辑
母婴品牌通常通过OEM工厂生产，工厂产能是供应链计划的硬约束。陈凤霞书中强调：不了解供应商产能约束，计划做得再好也无法执行。
3. 业务应用场景
场景A：吸奶器OEM工厂产能规划（旺季备货） - 业务问题：Q3计划备货旺季所需24,000台吸奶器，但工厂月产能只有8,000台，只有3个月时间，恰好够用 - 数据要求：工厂月产能（按型号）+ 当前订单占用情况 + 换线时间 + 计划交期 - 预期产出： - 产能利用率预测：旗舰款8月100%（满产）、9月95%（仍然过载） - 风险：9月如有质量异常返工，将导致延误 - 行动：备用工厂产能锁定2000台/月，旗舰款提前到7月开始生产 - 业务价值：产能风险提前识别，避免大促前断货，防止约50万GMV损失
**场景B：多SKU产线排程优化（减少换线）** - **业务问题**：工厂同时生产5款吸奶器型号，换线频繁（每天平均换线6次×2小时=12小时），实际有效生产时间损失15% - **数据要求**：各型号月需求量 + 换线时间矩阵（从型号A换到型号B的时间） - **预期产出**：优化生产顺序（相似型号相邻排产），换线次数从6次/天降至3次/天，有效产能提升8% - **业务价值**：无需额外投资，通过排程优化增加有效产能800台/月
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI预估：提前识别旺季产能瓶颈 → 避免大促前断货（按旗舰款GMV损失约30万）；换线优化提升有效产能8% → 相当于减少8%采购成本（无需外协补产）
- 实施难度：⭐⭐⭐☆☆（需要与供应商建立深度信息共享，主要难点是工厂数据获取）
- 优先级评分：⭐⭐⭐⭐☆（陈凤霞："不了解工厂产能就做计划，等于在沙上建楼"）
- 评估依据：母婴品牌OEM模式下，工厂产能是最终供应的硬约束，所有S&OP计划都需要以此为边界
7. 代码模板
代码块数量：1 · 路径：未检测到
"""
产能约束生产排程 KPI 体系
功能：产能利用率 / 排程达成率 / 换线分析 / 瓶颈识别 / 旺季产能规划
输入：生产订单记录 + 产能配置 + 换线时间矩阵
输出：产能KPI报告 + 瓶颈识别 + 排程优化建议
"""
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
def generate_production_data(n_months=6, seed=42):
"""生成月度生产计划与实际数据"""
np.random.seed(seed)
products = {
'P01-旗舰吸奶器': {'max_capacity': 3000, 'takt_min': 12, 'changeover_h': 2.0},
'P02-标准吸奶器': {'max_capacity': 4000, 'takt_min': 8, 'changeover_h': 1.5},
'P03-便携吸奶器': {'max_capacity': 2500, 'takt_min': 10, 'changeover_h': 2.5},
'P04-配件套装': {'max_capacity': 8000, 'takt_min': 4, 'changeover_h': 0.5},
}
records = []
for m in range(1, n_months + 1):
is_peak = m >= 4 # 模拟旺季
for prod, info in products.items():
max_cap = info['max_capacity']
# 需求量（旺季更高）
demand = max_cap * np.random.uniform(0.65, 0.85) * (1.3 if is_peak else 1.0)
demand = min(demand, max_cap * 1.1) # 最多超产10%
# 实际生产（受各种因素影响）
actual = demand * np.random.uniform(0.88, 1.02)
actual = min(actual, max_cap)
# 换线次数
changeovers = np.random.randint(3, 8)
changeover_hours = changeovers * info['changeover_h']
working_hours = 22 * 8 # 月工作时间（22天×8小时）
effective_hours = working_hours - changeover_hours
utilization = actual / max_cap * 100
schedule_achieved = np.random.random() < 0.88 # 88%达成率
records.append({
'month': m,
'product': prod,
'planned_qty': round(demand),
'actual_qty': round(actual),
'max_capacity': max_cap,
'capacity_utilization': round(utilization, 1),
'schedule_achieved': schedule_achieved,
'changeover_count': changeovers,
'changeover_hours': changeover_hours,
'effective_hours': effective_hours,
'changeover_loss_pct': round(changeover_hours / working_hours * 100, 1),
'is_peak': is_peak,
})
return pd.DataFrame(records)8. 论文来源
- 2306.11284