抓赃比抓贼更准：三个生产数字，让你找到真正卡住产线的那一站

清晨六点半，位于泰国北柳（紧邻曼谷的工业区）的塑胶注塑厂里，厂长阿侬（Khun Anong）已经站在包装线旁边。她盯着堆到腰高的成品箱，心里笃定：“瓶颈就在包装，人手不够，加开一班就对了。”她已经连续三个月加开夜班补包装人力，订单还是天天延误交货给大卖场客户。

问题是，加开夜班后，包装区确实跑得更快了，整厂出货量却几乎没有增加。阿侬百思不得其解——三条线都很忙、机台都满载运转，为什么业绩还是卡住？她开始怀疑，眼睛看到的“忙碌”和“堆积”，可能根本不是真正的答案。

为什么

以色列物理学家艾利雅胡·高德拉特（Eliyahu M. Goldratt）在他的制约理论（Theory of Constraints）中指出，整条生产链的产出速度，由最慢的那一环决定，而人眼最容易被“看得到的堆积”误导——堆货的地方不一定是瓶颈本身，很可能只是瓶颈“上游卡住、下游断料”造成的假象。麻省理工学院教授约翰·利特（John D. C. Little）在1961年提出的排队论公式（Little's Law：在制品量＝产出速率×等待时间）进一步说明，真正的瓶颈要靠时间与数字量测，不能靠视觉判断或资深师傅的直觉。

怎么做

定点盘点在制品，看见真正卡住的位置

阿侬的顾问建议她在早上九点、下午一点、傍晚五点三个时段，分别在注塑、喷漆、包装三站前拍照盘点半成品堆叠数量。结果发现：包装站前的在制品其实不多，堆积最严重的是喷漆烘箱前——平均堆了六小时份的量。

量测排队时间，别被机台“有没有在动”骗了

她进一步在每批半成品贴上时间标签，记录进站与出站时间。喷漆烘箱前平均排队六点二小时，包装站前只要二十分钟。真正卡住流程的不是包装，是喷漆烘箱——它只是把延误传到下游，让包装区看起来忙碌罢了。

算出每站的产能负荷率，数字不会说谎

负荷率＝实际所需加工时间÷可用产能时间。注塑站负荷率约八成五，包装站约七成，喷漆烘箱却高达一一五%——烘箱每天能烘烤的量，追不上前段注塑的投料速度。瓶颈在喷漆烘箱，不在包装，加开夜班补包装人力自然徒劳无功。

🔧 AI 动手做：产线瓶颈诊断表生成器

把你工厂各站的可用产能时间、在制品堆积量、排队时间丢给AI，让它帮你算出负荷率、排出瓶颈候选名单，不用再靠感觉猜。

你是一位熟悉制约理论（TOC）的产线顾问。请帮我分析以下生产站点数据，找出真正的瓶颈：

我的生产站点（请依序填入，可增减）：
1. 站名：___　每日可用产能时间（分钟）：___　每日实际需加工时间（分钟）：___　目测在制品堆积量：___　平均排队等待时间：___
2. 站名：___　每日可用产能时间（分钟）：___　每日实际需加工时间（分钟）：___　目测在制品堆积量：___　平均排队等待时间：___
（可依实际站点数增列）

请你：
1. 帮我算出每一站的产能负荷率（需加工时间÷可用产能时间）
2. 综合负荷率、在制品堆积量、排队时间三项数字，指出最可能是真正瓶颈的站点，并说明判断依据
3. 提醒我哪个站点的“堆积”可能只是下游被瓶颈拖累的假象，不是真正问题所在
4. 给我三个接下来一周可以做的低成本验证动作

本周就能做的一步：挑一天，在早、中、晚三个时段走到现场，替每一站的在制品堆叠拍照并记下时间，回头比对哪一站的堆积时间最长、消退最慢——那里，很可能才是真正的瓶颈。

📎 理论依据：Eliyahu M. Goldratt《目标》（The Goal, 1984）制约理论（Theory of Constraints）；John D. C. Little〈A Proof for the Queuing Formula: L = λW〉（1961，麻省理工学院）。