前阵网上看到一个故事，但也有可能就是个段子。内容是这么写的：
上周去一家做汽车零部件的工厂，生产副总老赵跟我说了句话，我记到现在。"公司花了300万上了BI，报表自动生成，我不再做手工Excel了。但我还是不知道今天该干什么。"老赵每天早上7点半到办公室，三个系统的数据自动汇总到一张大屏上，数据实时刷新，报表看起来漂亮极了。但他说："系统告诉了我昨天发生了什么，没告诉我今天该怎么办。"
也许这就是我决定动键盘写点东西的原因。
大家都叫我老吴，也有朋友叫我吴大维(不是那个DJ主持人啊，只是恰巧雷同而已)。
在自动化、制造业、数字化相关领域干了二十多年。这些年走了不少客户、合作伙伴和朋友的工厂，看到太多类似的场景——系统上了、数据有了、报表更快了，但管理层的决策方式感觉没有什么改变。花了上百万，结果只是把"看过去"这件事变快了。
这个系列我想起个名字叫《从数据到智能：工厂数字化转型》，这不是一本书，只是一个自己梳理和汇总的记录，把我这几年的见闻、思考、以及见过的坑都记录下来。从数据的源头开始，一截一截追踪，到最后这些数据如何才能变成管理层的决策——走完一个完整的链路。算是对自己大脑的一个整理的过程吧。
今天算是这个系列第一篇吧，就是记录一下自己的一些想法、感触，当做抛砖引玉吧。希望给大家带来一些思考或收获。
大多数工厂的报表体系，经历过四个阶段。
第一阶段：纸质报表。可能是由某位产线工程师下班前在一张表格上写当天的产量、废品数、设备异常。小组长把三张纸的数据加总，交给生产主管。生产主管再和其他产线合并，填进周报表。这个过程至少两天，一个数字抄错，后面全错。这是古法报表了。二十几年前，我刚大学毕业的时候，实习阶段就是这么干的。
第二阶段：Excel报表。过了第一阶段的远古时期。自从有了电脑之后，纸质变成了电子表格，公式自动计算，不用手动加总了。但新的问题来了——每个部门有自己的Excel模板，格式不统一，字段定义不一致。同样是"产量"，生产部按实际产出算，仓储部按入库数算，财务部按销售出库算。三个数字凑不齐，开会先花二十分钟争论"到底是哪个数"。
第三阶段：在线文档。飞书、钉钉的在线文档让多人可以同时编辑，版本不会乱了。但本质上，数据还是要靠人从一个系统里复制，粘贴到另一个系统里。当然还有企业现在已经用上了飞书多维表格，本质上算是个数据库吧。但工具不一样了，人还是那个搬运工。
第四阶段：系统报表。ERP、MES、WMS自带报表功能，自动生成日报周报月报。这是目前"数字化程度不错"的工厂所在的阶段。
听起来，是一个线性进步的过程。每个阶段都比前一个更快、更准、更自动化。
但有一个问题被忽视了：不管报表的形式怎么变，它回答的核心问题始终没有变——记录"过去发生了什么"。
纸质报表告诉你昨天生产了多少。Excel告诉你上周废品率。在线文档告诉你上个月的OEE对比。系统报表告诉你上季度的能耗趋势。
它们都在告诉你"过去怎么了"。但没有一张报表告诉你："明天会发生什么？"以及"我该为此做什么？"
这就好像你每年做一次体检，血压130/85、胆固醇5.8、体重78公斤——数据很详细。但报告只告诉你"你的数据在这里"，不告诉你"这些数据意味着什么风险"、"你接下来该怎么做"。这样的体检报告，你看十年也不会更健康。
大多数工厂的报表体系就是这个状态。其实目前的这个状态，让很多的公司都很焦虑，甚至他们想用一切的手段摆脱这个状态。特别是AI出现之后。
让我印象特别深刻的是，有一次拜访一个朋友的公司，和他们几位同事坐在一起交流，对方很直白地问我，现在已经有AI了。但是它到底能帮我做什么？
话题从AI拉回来。话说上了BI系统之后，报表快了。过去两天人工汇总的数据，现在5分钟自动生成。过去只有生产主管能看到的报表，现在全公司五百人在手机上都能看了。看起来数字化成功了。
但我在网上看到一个你不一定知道的数据：
已经部署BI系统的工厂里，超过60%的报表每月零访问，月活用户平均不到25%。
虽然不知道这个数据的真实性如何，但可能它代表了一种状态。
为什么？不是系统不好用，是它回答的问题，不是业务部门在做决策时真正需要的问题。
数据团队做报表的逻辑通常是：我们有什么数据 → 我们能做什么分析 → 开始做报表。业务部门需要的逻辑恰恰相反：我明天要跟供应商谈判 → 我需要知道这个供应商过去半年的交货准时率 → BI里有这些数据吗？
两个逻辑完全错位。数据团队在自说自话，业务部门在用脚投票。
你见过这个场景吗？数据团队做了一张"月度销售汇总报表"，销售额、销售量、增长率、占比等二十来个指标，看起来非常全面。但业务负责人真正想知道的是："为什么华东这个月销量掉了15%？"报表里没有答案。
报表的价值不在于展示了多少数据，在于回答了多少业务问题。大部分BI报表的问题是：数据很多，答案很少。
更深层的问题是时效性。大多数报表是"月度"或"周度"的——月初看上个月的数据，下周一看上周的汇总。但业务的决策节奏是"天"甚至"小时"的。产线今天上午出了质量问题，生产主管不会等到下周的周报里才看到，他需要立刻知道。
当报表的产出周期比决策周期长一个数量级时，报表就变成了历史记录，而不是决策工具。
这就是为什么BI系统上线后，很多一线员工还在自己做Excel——等不及系统，只能自己动手。然后形成恶性循环：系统越滞后 → 业务越自己做Excel → 系统使用率越低 → 数据团队越觉得"业务不配合"。
所以"报表效率提升"的天花板在哪？在于你只是把"看过去的数据"变快了，但没有跨越到"用数据指导未来的行动"。
这个天花板，光靠换一个更好的BI工具，是打不破的。
要打破这个天花板，需要换一个思路。
三种分析的区别，决定了你的数字化天花板在哪。
第一种，描述性分析。告诉你"发生了什么"。昨天的废品率是3.2%，比上周升了0.5个百分点。传统报表能做到这件事。
第二种，预测性分析。告诉你"将要发生什么"。按当前趋势，这批产品的废品率会在6小时后突破5%。这需要AI模型学习历史数据和实时数据。
第三种，处方性分析。告诉你"该怎么做"。建议立即检查3号产线的某个参数，同时排查原料批次的含水率，预计可以把废品率控制在4%以内。这需要把预测结果和工艺知识结合。
从我个人感知上，感觉大多数工厂目前可能还停留在第一种。少数开始做第二种。极少做到了第三种。但这三种的价值差异是指数级的。
我还在网上看到过一个案例，当然也可能还是段子，因为里面的数据感觉不太真实。但是我觉得也是挺有意思的：
某精细化工企业，年产两万吨产品，过去的质量管控方式是：每批次出厂前做质检，不合格品率超过3%算"异常"。数据体现在月度质量报表上——"本月异常批次占比8%"。管理层看到了问题，但问题已经发生了，废品已经产生了，损失已经造成了。
设想一下如果变了，会怎样？系统实时监控生产中的三十多个工艺参数，AI模型在生产进行到第三小时就预测出"本批次最终不合格品率可能达到6%"——此时生产还没结束，还有机会调整。系统不仅预测异常，还给出建议："建议将反应釜温度从85℃降至83℃，延长搅拌时间15分钟，预计可将不合格品率降至2%以下。"
图片由AI生成，来源请见水印 (内容比较搞笑，仅供示意)虽然上面这个文章案例有可能只是个段子，或者是大家的美好愿景。但从"看到8%的不合格率"到"避免十几万的废品损失"——这才是数字化该有的价值。
但这个转变，不是换一个BI工具就能实现的。它需要数据从静态记录变成实时流、分析从人工解读变成自动推理、输出从数据展示变成行动建议。
这不是"更好的报表"，这是完全不同的东西。它不叫"报表系统"，它可能叫"决策系统"。
再问一个问题：你的工厂，报表体系处于哪个阶段？
如果你的报表已经走完了从纸质到系统报表的全过程，但你还是觉得"数据多了，决策没变"——那你已经站在了从"描述性分析"向下一步迈进的节点上。
我在这个系列后面会一点点讲我的体会：你的数据怎么来的、怎么打通、怎么治理、怎么变成模型、最终怎么变成管理层的决策输入。每一次讲一个我个人有感受的点，我不太会讲大道理，只分享一下我见过的事和踩过的坑。
下一篇，也许我们可以聊聊一个更扎心的问题：工厂不是"没有数据"，是"数据在沉睡"。
如果觉得这篇有点感觉，点个关注。也欢迎在评论区说说，更欢迎不同的意见和见解，都可以丢过来。有思想的碰撞才会讨论出更有价值的结论。
老吴 | 制造业数字化转型探索 | 讲故事、讲问题、找方法、填真坑。
