本文内容
在车间走一圈，同一个班次有时看起来忙碌，有时却显得开工不足。但无论哪一次走访，都无法告诉你，零件加工、作业准备和等待所需物品到位各占了多少时间。
工作抽样通过有计划的随机观测，用数据取代这些印象。它帮助你找出导致生产中断的情况，并选择值得试行的改善措施。真正有用的结果，不是给员工看起来有多忙打分，而是更清楚地了解究竟是什么阻碍了作业推进。
验证改善措施的实际影响后，SkyPlanner APS 就能依据更准确的工序时间和资源可用情况，生成相互协调的生产排程。你无需再花那么多时间逐台重排设备的任务队列，也能看清这项变化对待交付订单的影响。
什么是工作抽样？
工作抽样是一种统计方法：在随机选定的时刻观察人员或设备，以估计各类预先定义的活动所占的时间比例。每次观测只记录当时正在进行的活动。只要抽样设计能代表研究覆盖的时段，某一类别的观测次数占比就可以用来估计该类别在这一时段内的时间占比。
例如，装配区的研究可以将活动分为装配、准备、检验、等待物料及其他中断。在具有代表性的班次中记录这些类别，比简单地把所有状态归为“生产中”或“空闲”，更能提供有用的依据。
当作业活动多变、中断零散，且连续观察需要投入大量精力时，这种方法尤其适用。无需从头到尾跟踪每一道工序，也能了解各类活动的大致分布。
需要回答不同的问题时，应选择相应的测量方法：
- 标准工时测定针对明确定义的作业要素开展研究，可据此制定有依据的标准时间。随机时点的活动观测无法告诉你每个短时作业要素具体耗时多久。
- 生产工时记录按生产任务或工序记录事件和实际用时。这些记录说明已登记的工时用于哪些作业，而不是对所有活动进行随机抽样。
正式的作业测定研究可以将抽样结果与其他依据结合，用于制定标准。但仅凭某类活动的占比，既无法确定标准时间，也无法衡量员工的作业速度。
先明确要做的决策，而不是统计谁忙谁闲
选择一个答案能推动工厂改变工作方式的问题。如果你能够改善备料流程，那么“装配团队有多少时间在等待零部件？”就是一个有用的切入点。而“大家的效率怎么样？”过于笼统，既难以设计研究，也难以解读结果。
与实际作业人员就研究目的达成共识。说明要观察什么、如何定义类别、谁能看到结果，以及结果将支持什么决策。询问操作人员，现有记录遗漏了哪些中断情况。让大家能够说明缺料的原因，比让他们觉得必须掩盖等待情况，更能提高研究的价值。
明确研究总体：结果要反映哪些人员或设备、哪些班次和日期，以及哪些生产条件。对某个装配区白班的研究，并不能直接代表夜班或全厂的情况。
接下来确定观测单位。一名操作人员在某一瞬间的状态是一个观测单位，一台设备在某一瞬间的状态则是另一个。人员状态与设备状态必须分开记录。例如，设备可能正在自动切削，而操作人员正在检验另一个零件。此时设备处于运行状态，人员处于检验状态，两者都不应被标记为空闲。
还要明确研究的时间范围。如果研究覆盖整个带薪班次，就应纳入相应的休息类别；如果只覆盖规定的作业时段，就应说明计算占比时采用的时间分母。不能把这两种口径当作同一指标直接比较。
定义观察人员能够辨识的活动类别
类别数量不宜过多。对于选定的观测单位，各类别应互不重叠，并覆盖预期会出现的情况。为每一类写下简短定义，并配上来自实际研究区域的例子。
“等待物料”应指所需物料不可用，导致选定的作业无法继续，而不是操作人员恰好站在料架旁。对于“准备”，应共同约定从开始准备到具备生产条件的起止界限。必要的检验应单独呈现，而不是笼统归入非生产活动。
设置“未知”或“无法观测”代码。无法确定现场正在发生什么时，应如实记录这种不确定性，而不是猜测原因。这些记录应单独复核，不能在计算占比时悄悄从分母中剔除。
先通过一次简短的预调查检验分类定义。让观察人员对相同情况进行分类，并讨论分歧。如果一个人把寻找工具归为准备，另一个人却归为等待，研究结果就会在一定程度上反映分类口径的差异，而非实际作业情况。正式采集样本前，应先解决这些问题。
预调查也能暴露实际执行中的问题，例如无法到达的观测点、耗时过长的观察路线，或类别划分过细，以至于瞬间观察无法区分。
在具有代表性的生产条件下开展随机观测
使用随机数工具提前生成观测时刻，并让抽样计划覆盖决策所涉及的班次和日期。按照计划选择要观测的人员或设备，不要到了现场才挑选看起来最值得关注的对象。
每隔半小时定时走访，可能总是碰上补料、休息或某个设备循环。只在主管有空时走访，则会造成另一种偏差。随机安排观测时刻有助于避开这些规律；覆盖相关生产条件，才能让结果不仅仅适用于某个方便观察的上午。
在每个选定时刻，记录当下的活动，不要等到下一项活动开始。保留时间戳、观测单位、类别，以及相关班次或产品信息。必要时附上简短的事实说明，以便后续调查延误。不要为了询问原因而打断作业，再把自己引发的交谈作为活动进行分类。
记录未能完成的观测及其原因。如果每次遇到难以到达或不便观察的对象，都换成附近容易观察的对象，就可能改变样本所代表的范围。
如果有意对某个班次增加抽样，应分班次报告结果，或按所估计的时间或总体设置权重后再合并。抽样比例不同时直接汇总，可能让一个不典型的班次主导最终结果。
还要区分观测次数与独立信息量。一次巡查中观察多名操作人员会产生多条记录，但共同的缺料问题可能使他们的状态相互关联。在同一次停工期间反复观测，也有类似的局限。记录中应能识别每次巡查及其所属时间组，以便分析时考虑这种聚类效应。
工作抽样需要多少次观测？
所需样本量取决于决策要求的精度，以及预计的活动占比。不存在一个能让所有研究都具有代表性的固定观测次数。
在规划各次观测相互独立的简单随机抽样时，估计单一活动占比所需的样本量，常用以下近似公式：
n ≈ z² × p × (1 − p) ÷ e²
其中，n 为观测次数，p 为以小数表示的预期占比，e 为期望的绝对误差限，z 为所选置信水平对应的正态分布临界值。对于近似 95% 的置信水平，z 为 1.96。计算出的观测次数应向上取整。
如果还没有可信的 p 估计值，取 0.50 会在给定绝对误差限下得到最大的样本量。当误差限为五个百分点，即 e = 0.05 时，计算得到需要 385 次观测。这只是基于上述假设的样本量规划示例，并非通用的最低要求，也不保证每个子组都能达到相同精度。
“百分之五”的含义必须说清楚。等待占比为 20%，误差限为五个百分点，意味着范围大约是 15% 到 25%。如果误差限是该占比的相对 5%，则上下幅度各只有一个百分点，因此需要大得多的样本量。
应围绕真正重要的类别和比较目标规划精度。足以估计总体等待占比的样本量，未必足以分析各个班次、少见的延误或单个工作中心。巡查形成的聚类数据也需要采用考虑抽样设计的分析方法，不能把每条记录都视为相互独立。如果决策需要识别细微变化，或涉及大额投资，应在正式采集数据前请抽样专家审核设计。
示例：从活动观测次数中找出值得改善的问题
设想一个手工装配区，团队怀疑物料不齐套导致作业中断。一项研究在划定的生产时段内，以等概率抽取400个“操作员—时点”进行观测。在这个简化示例中，假定各次观测相互独立，且每次观测都能归入明确的类别。
| 观测到的活动 | 观测次数 | 占观测总次数的比例 |
|---|---|---|
| 装配作业 | 200 | 50% |
| 换型与作业准备 | 60 | 15% |
| 检验 | 40 | 10% |
| 等待物料 | 80 | 20% |
| 其他已明确的延误 | 12 | 3% |
| 计划休息 | 8 | 2% |
| 合计 | 400 | 100% |
等待物料的时间占比估计为80 ÷ 400 = 20%。这一比例描述的是研究所代表的操作员总工时，并不意味着每位操作员在每个班次中都恰好有五分之一的时间在等待，也不意味着每次中断的持续时间相同。
针对这一单项比例，用简单正态近似可得：
95%置信水平下的近似误差限 = 1.96 × √[0.20 × 0.80 ÷ 400] = 0.0392
这相当于约3.9个百分点，对应的近似区间为16.1%至23.9%。它反映的是在上述假设成立时的抽样不确定性，并未涵盖观测时间安排存在偏差、活动分类错误或下个月产品组合发生变化等情况。
当样本较小，或活动占比接近零或一时，应采用更合适的区间，例如Wilson区间或精确二项区间，而不是依赖这种对称近似。如果观测采用分组或加权方式，还应使用能够反映抽样设计的方法。
比起小数点后的精度，更明确的现场结论是：等待物料的问题值得调查。首先查明相关物料套件在哪个环节出现缺件、缺少哪些零部件，以及当时是否可以先开始下一项装配作业。分类结果指出了排查方向，具体原因则需要团队结合相关记录来查明。
先改善现场条件，再验证实际变化
与操作员、物料搬运人员及相关流程负责人一起审视研究结果，区分必要工作与可避免的中断。检验可能是质量保障所必需的，准备工作让下一批生产得以开展，休息则有助于员工完成一天的工作。不能仅仅因为这些活动不属于装配，就将其视为可以消除的浪费。
选定一项有针对性的改进，并明确负责人。在上述装配示例中，可以考虑在向装配区下达生产任务前，先确认物料齐套。检查缺件问题是否减少、作业是否确实能够更早推进，而不只是把等待转移到另一个部门。
在可比条件下重复观测，保持分类定义和时间范围一致。除了比较主要占比，还要比较产品组合、人员配置和异常事件。如果占比的小幅变化仍在研究的不确定性范围内，仅凭这一点不足以证明改进有效；即使作业方法没有改善，产品组合的变化也可能让结果看起来更好。
最重要的是，不要把原先20%的等待占比直接换算成20%的新增产能。释放出来的时间可能零散分布，要利用这些时间可能还需要另一名人员，也可能此时机器本来就在运行。还有一种可能是，在这些时间段内，并没有其他生产任务能够使用该工作中心。
核实改进对待排程资源的实际影响。如果改进准备方法确实缩短了准备时间，就应测量并核准新的准备时长。如果改进延长了工作中心的可用时段，则要确认人员和设备能够支持这段新增的可用时间。务必区分人工投入工时、工序历时和机器占用时间。
将经过验证的改进落实到生产排程中
经过验证的改进，其影响并不限于研究所涉及的工作中心。准备时间缩短后，下一张订单可能可以更早开工，但该订单的后续工序仍然需要物料和可用工位，其他订单也可能在争用同一批机器。因此，局部改进需要纳入一份统一的生产计划。
在SkyPlanner中，可以按单件用时、产出速率或固定时长来定义工序时长，并单独区分准备和收尾时间。工作中心的班次决定其可用时段。SkyPlanner的智能排程引擎Arcturus根据已配置的产能、依赖关系和优先级计算排程，结果可在甘特图时间轴上直观查看。
设想后续测量确认，某一明确类别的生产任务，其准备时间从40分钟缩短到了30分钟。更新受影响的计划输入数据，让相关生产任务采用这一核准后的准备时间，再将其与其余全部待排任务一起重新排程。审查时应关注下游工序和交付日期，而不只是第一个工作中心空出的时间。
SkyPlanner负责这些相互关联的排程计算，省去人工将每项调整后的生产任务逐一插入各台机器队列的工作。由您判断哪些改进有效、哪些订单优先，Arcturus则将这些要求落实到计划中。以更可靠的依据安排生产，才能在作业确实能够利用的地方形成可用产能。
Fredman Operations使用SkyPlanner的经验展示了这种排程方式的价值。这家食品包装制造商此前无法清楚掌握各班次的产能，紧急重新排程可能需要一小时甚至更长时间。部署SkyPlanner后，机器排程和班次产能被整合到统一的甘特图视图中。该公司表示，如今能够更快地应对变化，也有了更清晰的依据来承诺交期。这一案例说明，当生产条件发生变化后，统筹安排全部待生产任务很有价值。
当您需要把经过验证的车间改进转化为覆盖全部待交订单的可执行计划时，可以选择SkyPlanner。它通过开放的REST API与任何ERP或MES系统集成，让您保留现有业务管理系统，同时改善生产排程方式。
预约SkyPlanner演示时，请准备一项改进措施，说明其对作业时长或资源可用性的影响及已核准的结果，并提供使用相同资源的其他订单。这样，您就能具体看到这项变化会如何影响已承诺交付的生产任务。如果希望先自行探索，也可以使用演示数据试用SkyPlanner。
Jussi Mäntylä
生产计划专家，SkyPlanner
