生产制造行业希望通过商业智能BI、数据分析来找到或者验证订单交付的瓶颈在哪些地方，从而实现逐步改善、改进、优化供应链的目的。一方面要验证自己的想法，一方面要找到优化的方向和思路。
要做好这些事情，首先还是需要大概了解下，通常在生产制造行业里面，订单交付的瓶颈主要有哪些背景或者特征。
订单交付瓶颈的背景
大部分我遇到的情况就是企业的业务越来越好了，很多之前主要靠B端市场的，现在突然C端消费型市场给突然打开了，下游市场的巨大变化，使得业务整个就被激发了。
随之而来的就是客户数不断增加、订单暴涨、产品型号、类型越来越多、材料品种成倍增加、机台设备不断增加、材料管理复杂度不断上升、库料不匹配、计划产品不能按时入库、订单的评估交期不断的拉长等等，企业就非常的焦虑，以往是为订单发愁，现在是订单来了，感觉应该还是能吃下来，但是内部就是这么多的问题。
数据可视化分析 - 派可数据商业智能BI可视化分析平台
这些再靠人去梳理、去解决、快速的定位和找到问题是非常困难的，需要借助信息化的手段、数据分析的手段来帮企业把这些问题点给梳理清楚。
没有信息化的赋能，可能还是用非常传统的方式去解决，比如增加产能、提高存货应对缺料、延长订单交付时间，但是这个过程随着你的品号、客户数量的增加，管理的复杂度其实还是在持续上升的。并且增加库存和产能，运营成本也是在持续增加的，订单的响应能力不见得变强反而可能会变得更弱，持续下去，企业的盈利能力是在下滑的。
像这种情况下，订单交付能力的不断下降就会导致给客户的产品交付周期不断延长，客户满意度降低，竞争对手就会抢占市场。因为按计划的产品不能按时完工入库，客户订单的履行周期就是被延长了。还有库存物料的不匹配，库存资金占用增加，周转率也是下降的，整个现金周期也是拉长的。
订单交付周期
那比如说我们能不能就从订单的交付周期这个角度入手来分析一下订单交付的瓶颈，以及有没有什么分析思路来改善和优化订单的交付周期。订单的交付周期时间可以分为像寻源采购、订单处理时间加订单生产时间以及交货验收时间这三个阶段。我们可以分析什么？比如现有交付周期等待时间的比率、实际作业时间与CPM时间比率、在制品天数与理论产出天数比率等等。
数据可视化分析 - 派可数据商业智能BI可视化分析平台
第一，现有交付周期等待时间比率，主要的目的就是希望通过分析找出无效等待的时间，去优化和减少等待时间。实际的交付周期等于合理的等待周期+无效的等待时间周期+处理、生产、交货验收周期的和。
这个理论和公式很简单，复杂的是怎么样把这些数据从系统中找出来这个是最难的，还有企业自身业务信息化系统很薄弱、业务管理流程不清晰，这些分析就很实现。但是我们还是要有这样的分析思路，可以设置预警线进行预警。
根据实际的业务情况，分析看下这类无效等待时间到底占了整个交付周期有多长时间，像这些绝对是我们要从分析看指标看数据，最后回到业务，定位业务流程上的问题去逐步的优化。
第二，实际作业时间与CPM时间比率。这个主要看我们并行的业务流程执行的情况，应该并行操作的作业任务但是没有并行操作的作业，找出可以并操作形成CPM与实际作业进行对比，讨论流程是否可以并行。
CPM（Critical Path Method）关键路径法，里面有EN - Event Number 事件编号；ED – Earliest Data 最早开始/完成时间；LD – Latest Date 最晚开始/完成时间；Slack – 松弛时间。CPM 不一定适用于所有的生产制造行业，它有点偏项目管理的思想，整个流程的工序相对比较明确的前提下可以使用。
具体来说，就是把所有的流程节点梳理出来，每一条线从开始到结束，找出工期最长的那一条线路，就能看到整个交付周期，它的最短时间是由CPM中最长的线路来决定的。
优化的点在哪里呢？就是对关键路径的优化，结合成本因素、资源因素、工作时间因素、作业任务的可行性等等对整个计划进行优化调整，直到关键路径所用的时间到最优最佳状态为止。
数据可视化分析 - 派可数据商业智能BI可视化分析平台
第三，在制品天数与理论产出天数比。主要用在制品实际的周转天数跟利润产出的天数进行比较，去找到这个差距到底有多大。比如是因为生产等待时间太长，在制品积压导致的；还是由于生产批量过大，在制品太多导致的。
每一个数据背后一定能够反映出一些业务问题，这些数据和指标的变现是需要被人为解读的。能看懂、能解读，才能知道下一步怎么做。
订单交付优化
上面讲了三个小知识点、业务点，但实话实说就靠上面的这几个点能不能完全解决订单交付优化的问题，肯定是解决不了的。因为一个看起来很简单的、单纯的订单交付问题绝对不是一天两天就暴露出来的，冰冻三尺还非一日之寒呢。它会涉及到具体的业务、采购、设计、生产各个方面系列的问题，是一个系统性的问题，而不是一加一等于几直接可以找到答案的问题。
多维分析 - 派可数据商业智能BI可视化分析平台
所以面对系统性的问题，要有能力去解决系统性问题的前提就是能够系统性的以这种多维的视角去看到这些问题、分析这些问题，这就需要信息化的支撑、需要依靠数据指标的定义、数据计算规则的梳理、数据分析手段把一个系统性的、实际的业务表现给呈现出来，之后时候我们才能细致的分析、思考每一个环节到底怎么来优化，什么地方的优化可能还会导致其它的什么问题，这些都是我们企业需要去思考的。
我的个人结论是：流程和关键节点的梳理是前提、是大前提、是核心关键；信息化的支撑、数据的支撑是基础；数据分析是手段，支撑决策的理论依据；最终通过决策的落地来推动业务或管理流程的不断优化最终达到企业所期望的目标。