【導讀】制造過程中的改進和優化需要可量化指標的明確定義。良率、生產周期、成本、準時交貨和產出——這組制造指標可為滿足業務需求和客戶期望提供支持。在許多情況下，生產目標可能會相互沖突。本文討論了不同的指標，并就如何牢記客戶對準時交貨的期望提供了相應的指南。
摘要
制造過程中的改進和優化需要可量化指標的明確定義。良率、生產周期、成本、準時交貨和產出——這組制造指標可為滿足業務需求和客戶期望提供支持。在許多情況下，生產目標可能會相互沖突。本文討論了不同的指標，并就如何牢記客戶對準時交貨的期望提供了相應的指南。
引言
改進和優化工作需要明確界定在一定約束條件下可衡量的待優化或協同優化指標。為了跟蹤和評估項目的健康狀況，我們通常會提出多組制造指標或關鍵績效指標(KPI)，少則15個，多則超過30個1,2,3。對于建模和優化，最好關注幾個重要的指標。可以采用“必要”和“充分”的雙重標準，確保通過較少的一組重要指標即可評估并滿足關鍵利益相關者對制造的期望，其中主要是內部業務預期和外部客戶期望。關注這些定量指標有助于我們生成簡明易懂的指示板，以快速評估和響應不斷變化的項目健康指標。用于提升這些重要指標的定性指標將在第二篇文章中討論。
了解期望和相關的關鍵指標
內部業務預期通常是由財務驅動的，這意味著制造運營必須在收入和盈利能力方面滿足企業的財務預期。外部客戶期望主要涉及質量和交貨，即在承諾的時間內交付相應承諾的數量和預期質量的最終產品。
從內部業務預期開始，收入與制造產出密切相關。Eliyahu Goldratt提出了一種強調這種聯系的業務方法，即產出核算。4同樣，業務利潤與制造產出乘以單位價格與成本之差密切相關。制造良率也對單位成本影響顯著，因為報廢產品影響企業的財務狀況，但不提供收入。這些財務指標的聯系表明三個關鍵的制造指標是產出、單位成本和良率。
外部客戶對質量的期望也與制造良率相關。假設我們已將客戶期望轉化為產品需求，并根據反映客戶期望的產品需求對產品進行測試、檢查或其他方式的評估，那么不滿足這些要求的產品將進行報廢，因此，制造良率與質量密切相關。
客戶對交付的期望與制造良率和制造周期相關。能否交付承諾數量的產品取決于生產線能否持續達到良率期望。能否在承諾的時間交付產品取決于生產線能否達到生產周期期望。這些客戶期望增加了兩個指標，從而產生了五個關鍵制造指標：產出、單位成本、良率、生產周期和準時交貨。
基于上述討論，這五個提議的制造指標可能足以滿足業務和客戶指標；我們有理由質疑是否每一項指標都是必要的，或者是否有任何一項是多余的指標。例如，由于準時交貨是產量和生產周期的函數，是否可以取消準時交貨這一生產指標？或者，是否可以剔除生產周期，因為它似乎與準時交貨有關？
可以通過一個快速的思考實驗來探討這些問題：是否有可能在生產過程中實現良好的產量和周期，但卻無法按時向客戶交付產品的情況？是的，如果制造領域在承諾交貨日期時高估了良率并低估了生產周期，就會出現這種情況。是否有可能向客戶按時交付貨物，但仍會因過長的交付周期而讓客戶或企業不滿的情況？同樣，答案是肯定的——如果制造周期時間很長，妨礙了他們按照承諾的日期交貨，并且在大部分時間只能滿足延長的交貨日期，那么企業將因長時間的交貨延誤而令客戶失望，并導致收入延遲，如果競爭對手的周期時間較短，交付速度更快，則問題尤甚。
因此，我們可以假設這組制造指標是滿足聚焦和協同優化目標的必要充分條件：
?良率
?生產周期
?成本
?準時交貨
?產出
工業工程和制造工程人員可以分別對每個指標或KPI進行建模；然而，這可能會導致次優化，即一個指標的優化會對另一指標產生不利影響。那么，理想的做法是協同優化，也許主要關注企業認為最重要的指標，同時設置約束條件來限制對其他指標的合理影響。
可以設立項目來實現這種協同優化；例如，精益六西格碼和/或六西格碼設計舉措可以為涉及制造過程的項目制定章程。這些指標與定義、測量、分析、改進和控制(DMAIC)工具的定義和測量階段密切相關，有助于確定項目、團隊和制造過程是否成功。指標不僅可以激發行為和責任，還可以幫助團隊評估項目的財務效益。
“質量好、速度快、價格低——任選其二”
其中三個制造指標，即良率、生產周期和成本對應了著名的格言：“質量好、速度快、價格低——任選其二”。這句幽默的格言暗示著很難在這些制造指標之間進行權衡。最后一個指標“成本”或“價格低”通常被認為有很多問題，但企業的目標通常更傾向于利潤最大化而不是成本最小化。因此，更合適的目標是協同優化良率、生產周期和盈利能力——三者缺一不可。
“質量好”或良率
良率是大多數制造過程中的一個關鍵參數，與財務結果、交付和質量掛鉤。通過良率建模，團隊可以預測未來的良率并優先考慮提高良率的機會。良率模型將每個流程步驟的預測良率組合成整個制造或裝配過程的預測良率分布。5請參見表1。
表1.按制造流程步驟進行良率建模
良率建模——流程步驟 | 通過/失敗數據 | 貝塔選定類型 | 方差貢獻 | ||||||||
步驟編號 | 步驟名稱 | Cpk | 成功次數 | 失敗次數 | 概率（通過） | α | β | 平均值 | 方差 | ||
1 | 第1步 | 通過/失敗 | 0.9 | 95 | 5 | 95.0% | 96.00 | 6.00 | 94.1% | 0.00053751 | 0.000481213 |
2 | 第2步 | Cpk | 0.95 | 99 | 1 | 99.8% | 13.97 | 0.03 | 99.8% | 0.00014541 | 0.000115823 |
3 | 第3步 | Cpk | 0.9 | 198 | 2 | 99.7% | 13.95 | 0.05 | 99.7% | 0.00023033 | 0.000183934 |
4 | 第4步 | 通過/失敗 | 0.7 | 99 | 1 | 99.0% | 100.00 | 2.00 | 98.0% | 0.00018663 | 0.000153988 |
5 | 第5步 | 通過/失敗 | 0.5 | 98 | 2 | 98.0% | 99.00 | 3.00 | 97.1% | 0.00027715 | 0.000233315 |
每個流程步驟的成功概率在0%到100%之間，因此可以使用介于0%到100%之間的統計分布（例如貝塔分布）進行建模。過程成功的總體概率范圍也在0%到100%之間，同樣可以通過貝塔分布來表示。幸運的是，通過將每個步驟的貝塔分布相乘來組合每個步驟的成功概率，會產生另一個代表過程成功概率的貝塔分布。
如果過程中的某個步驟已嘗試多次(n)，并且已成功s次且失敗f = n – s次，則成功的概率可以通過α參數為(s + 1)和β參數為(f + 1)β進行估算，描述為β (s + 1, f + 1)。通過這種實用的方法，可以使用貝塔分布對制造過程、任務或程序中單個步驟的成功概率進行建模。
如果過程中某個步驟的成功基于連續參數而不是離散的通過/失敗參數，則成功概率也可以轉換為貝塔分布。連續參數（例如Cpk、z分數或良率）的擬合度衡量標準可用于估算通過概率p。然而，估算貝塔分布的兩個參數需要兩個值，并且通過概率p必須由第二個值補充。
第二個值可以是樣本數n，或者可以假設n的值反映參數分布中Cpk、z分數或良率的不確定性程度。
可以為每個步驟估算成功概率的α和β值，無論是基于離散參數實際或預測的通過和失敗次數，還是基于連續參數（Cpk、z分數或良率）。
每個步驟的這些α和β值可以組合成整個過程的總體成功概率，相當于制造過程的總體良率。組合這些值的一種方法是使用蒙特卡羅模擬，另一種方法為基于生成系統矩的方法。借助這兩種方法，都可以進行敏感性分析，以優先考慮提高良率的機會。參見圖1。
圖1.良率分布的直方圖。
“速度快”或生產周期
生產周期與能否及時響應客戶對產品的請求直接相關，并與影響準時交貨的概率間接相關：制造商在特定日期開始將材料放入生產線，并在經過制造周期時間對應的延遲后交付產品。生產周期的分布可以伽馬分布來進行近似計算，下限閾值對應于理論最小周期時間。影響生產周期的因素還有瓶頸步驟的占比(%)（如Kingman方程6所述，參見圖3），以及生產線的產出和在制品(WIP)庫存（如利特爾定律7,8還所述）。可以使用離散事件仿真對周期時間進行有效建模和優化。參見圖2和圖4。
圖2.周期時間建模。通過伽瑪分布表示周期時間的分布。
圖3.該圖表示周期時間作為瓶頸制造設備利用率(%)函數的Kingman方程。
圖4.使用利特爾定律進行內部制造基準比較。
在三個圖表中，藍點都代表當前過程，與之比較的是顯示為紅色曲線的理論最壞情況和顯示為綠色曲線的理論最佳情況。左上圖為產品與在制品(WIP)庫存關系，右上圖為生產周期與產出關系，左下圖為生產周期與WIP庫存關系。
“盈利”或毛利率的成本
這些制造指標的一部分與財務效益（與利潤相關的毛利率）直接掛鉤：
該方程要求將制造成本分為與產出無關的固定成本和隨產出增加的可變成本。
可變單位成本與良率之比表明了一種通過優化良率進行協同優化的方法。提高良率不僅可以“很好地”提高質量，還可以降低每個合格零件的成本，從而提高毛利率。參見圖5。
圖5.制造的單位成本，顯示固定單位成本、可變單位成本以及總單位成本與產出關系。
產出
產出會限制所獲得的收入，而產出通常又受到瓶頸步驟的約束。9利特爾定律確定了生產周期、WIP庫存和產出之間的關系。由于產出會限制收入，進而限制盈利能力，并且還會影響生產周期，從而影響準時交貨，因此確保足夠的產出來滿足需求（并考慮到上升空間）至關重要。這要求組織識別潛在的瓶頸，并采取行動或制定應急行動計劃來緩解障礙，包括：
?識別供應商之間和內部制造中的潛在障礙
?確保足夠的產能，避免其他供應商成為障礙
?確保足夠的良率，避免供應商成為障礙
?確保供應商和內部制造有足夠的可用性（正常運行時間）
?預測可能導致制造工廠（內部制造或供應商）停工的可預見災難（颶風、地震）并制定應對計劃
準時交貨的概率——贏得客戶信任
提高良率還有助于提高按時交貨的概率，即通過在承諾日期之前交付承諾數量的產品來贏得客戶信任的概率。當制造組織開始生產時，他們可以生產超出需求數量的產品，以防止良率損失。如果制造良率低于假設良率，則交付的產品將少于承諾的數量，客戶將會感到不滿。參見圖6。
圖6.準時交貨概率的計算示意圖（右側），表示為制造足夠產品以履行承諾的概率乘以在承諾日期準時完成產品交付概率的乘積。制造足夠產品的概率是累計良率分布的函數，準時完成產品交付的概率是周期時間分布的函數。
我們傾向于假設良率是一個常數；例如，如果制造團隊知道歷來的良率為50%，他們一開始就可以生產兩倍的產品并交付承諾的數量。然而，良率通常遵循貝塔分布，介于0%到100%之間；50%的平均良率表明，良率有時會低于或高于50%的平均值。連續貝塔分布與離散二項式分布的關系和類比表明，良率的變化將遵循平均良率的拋物線函數：平均值為50%的良率分布變化將高于平均良率接近或達到100%的更緊密的良率分布。使用通過貝塔分布近似計算的良率分布以及平均值和標準差之間的關系，制造商可以開始生產足夠的產品以應對產量的不確定性。參見圖7。
圖7.與成本相關的庫存決策圖表，表示為準時交貨概率的函數；持有庫存會產生成本，該成本隨著準時交貨的概率而增加；而錯過交貨日期以及隨后對客戶的影響也會產生成本，該成本隨著準時交貨的概率而減少。這兩類成本的總和可以具有一個最小值，對應與公司及其客戶的最小成本相關的準時交貨概率。
制造指標流程
圖8為制造指標的流程示意圖。Excel電子表格的屏幕截圖顯示了實際生產線的實施過程。如果制造團隊能夠用不斷更新的數值和預測以可視化的方式呈現這些制造指標，便可以對可能影響財務結果和客戶關系的問題進行規劃、優化并做出快速反應。
圖8.制造指標和財務結果之間的關系示意圖。制造指標（產出、總單位成本、交貨、良率和周期時間）以藍色突出顯示。
案例研究：半導體公司的制造指標改進
“全球微芯片短缺問題引起了廣泛關注，并且已經導致整個汽車行業的車輛生產活動停止或推遲。”10作為汽車行業和其他行業的主要微芯片供應商，ADI公司也身陷這一供應鏈問題。高層管理人員要求制造組織提出改進方法；制造副總裁擁有六西格碼大師黑帶認證，并決定嘗試使用制造指標方法。
他選擇關注的主要制造指標是準時交貨。他和團隊將制造工廠的當前信息輸入到鏈接這些制造指標的Excel工作簿中，然后使用Crystal Ball Excel插件引入信息的可變性和不確定性。
蒙特卡羅模擬的結果反映了準時交貨的高度可變性，這與ADI在根據客戶訂單和期望交貨方面遇到的挫折是一致的（見圖9）。
圖9.優化可用性之前和之后準時交貨的預測頻率分布示意圖。紅色分布顯示優化后準時交貨率大幅提高。
蒙特卡羅模擬的靈敏度分析表明，可變性的主要來源是在向客戶發貨之前用于測試微芯片的測試系統可用性（正常運行時間%）。
然后，團隊需要對測試系統的可用性進行建模，對可用性的貝葉斯模型進行輕微調整。11貝葉斯模型建議了可以提高測試系統可用性的方法，并預測了經過這些改進后測試系統的可用性。隨后，該團隊將改進的可用性輸入到制造指標模型中，并進行了蒙特卡羅模擬，該模擬預測微芯片的準時交貨將得到顯著改善（見圖9）
結語
改進和優化工作需要明確界定可衡量的待優化或協同優化參數。良率、生產周期、成本、準時交貨和產出——這組有限的制造指標是滿足業務需求和客戶期望的支柱，并且可以進行協同優化以滿足內部利益相關者、業務和客戶的需求。
將這些制造指標放到方程中，既有助于優化需求，也便于做出在約束條件下符合優化需求的權衡和決策。
制造指標改進在一家半導體公司的應用提供了一個案例研究，證明了如果想要提高客戶和利益相關者對結果的滿意度，可以根據需要深入洞察特定的決策和方法，這種能力具有很高的價值。
參考文獻
1 Mark Davidson。“28個真正重要的制造指標（我們依賴的指標）。”LNS Research，2013年10月。
2 “2023年報告的30個最佳會計KPI和指標示例。”Insight Software，2023年6月。
3 “制造指標和關鍵績效指標。”Datapine。
4 Elihayu Goldratt。“干草堆綜合癥：從數據海洋中篩選信息。”North River Press，2006年。
5 Eric Maass。“通過良率和一次性可靠性建模完善您的預測。”iSixSigma，2020年6月。
6 J.F.C Kingman。“大流量下的單服務器隊列。”劍橋哲學會數學匯刊，2008年10月。
7 JDC Little。“同義反復、模型和理論：我們能找到制造規律嗎？”。麻省理工學院圖書館，1992年7月。
8 Wallace J. Hopp和Mark L. Spearman。“工廠物理：第三版。”Waveland Press，2011年8月。9 Eliyahu Goldratt。“目標：一個持續改進的過程。”North River Press，2004年。
9 Eliyahu Goldratt。“目標：一個持續改進的過程。”North River Press，2004年。
10 Dave Opsahl。“克服供應鏈問題：汽車原始設備制造商和供應商必須攜手同行。”Forbes，2021年9月。
11 Elysar Mougharbel。“預測工程——醫療器械的可用性建模。”碩士學位應用項目，亞利桑那州立大學，2017年5月。
（來源：ADI公司，作者：Eric C. Maass，高級總監；John Nichols，制造副總裁；Elizabeth Kapp，項目經理）
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
來吧，展示！第104屆中國電子展暨國際元器件及信息技術應用展火熱招商中
用于電池儲能系統 (BESS) 的 DC-DC 功率轉換拓撲結構
