在制造业，有一个指标，几乎所有工厂都在盯，却很少有工厂真正盯明白——它就是 OTD，准时交付率（On-Time Delivery）。

生产交期 OTD 为什么总是做不好？问题不在车间，在数据

OTD 的定义并不复杂：在承诺的交期内，按时、按量、按质交付的订单，占全部订单的比例。但就是这么个看似简单的指标，却成了无数制造企业的「老大难」。订单延期、交期承诺靠拍脑袋、计划排了又改、改了又拖……这些问题，几乎每一家工厂都经历过。

很多人把 OTD 做不好的原因，归结为「车间执行力不行」「工人不配合」「供应商不靠谱」。但我们在服务了大量制造企业之后发现，真正的问题，往往不在车间，而在数据——交期承诺拍脑袋、计划执行不透明、异常响应靠事后补救，这三件事，才是 OTD 做不好的根子。

这篇文章，我想从制造企业生产交期管理的真实痛点出发，讲清楚 OTD 为什么难做、难在哪，以及一套基于数据的解决思路。我会结合 FineBI 在制造业的实践，说明一个成熟的 BI 平台，是怎么帮助制造企业把 OTD 这件事「从拍脑袋变成看数据」的。

一、OTD 做不好，到底卡在哪三个环节

要解决 OTD 的问题，先得搞清楚它卡在哪。我们把生产交期管理拆成三个环节，每个环节都有它特有的痛点。

第一个环节，是交期承诺。客户下订单，销售要承诺一个交期。这个交期怎么来？很多企业是靠「经验」——销售拍个脑袋，或者翻翻历史，估一个时间。但真实的产能情况、在制订单量、物料齐套情况，销售往往并不清楚。结果就是，承诺的交期要么太乐观（交不出货，OTD 掉），要么太保守（丢了竞争力，客户流失）。

第二个环节，是计划执行。交期承诺了，接下来要排产、要执行。但生产计划往往是一张静态的 Excel，排完之后，车间的实际执行情况、物料的到位情况、设备的运行情况，都是「黑箱」。计划部门不知道车间做到哪了，车间也不知道计划有没有变。信息不同步，计划就形同虚设。

第三个环节，是异常响应。生产过程中，异常是难免的——设备故障、物料缺料、质量返工、人员请假。问题在于，很多企业的异常响应是「事后」的：等订单已经延期了，才去查为什么延期。而不是「事中」的：在异常刚出现、还没影响到交期的时候，就发现并干预。

免费试用

这三个环节，环环相扣。交期承诺拍脑袋，导致计划先天不足；计划执行不透明，导致问题被掩盖；异常响应靠事后，导致问题被放大。三个环节的问题叠加起来，OTD 自然就上不去。

下面这张表，把三个环节的痛点梳理了一下：

二、为什么传统方式解决不了这三个问题

这三个痛点，其实很多企业都意识到了，也试图去解决。但为什么总是解决不好？根子在于，传统的解决方式，依赖的是「人」和「Excel」，而不是「数据」。

先说「人」。交期承诺靠销售的经验，计划执行靠计划员的盯，异常响应靠车间主任的巡。这些方式，本质上是「人治」。人治的问题在于，它不可复制、不可持续、不可量化——一个经验丰富的老师傅，可能确实能把交期管得不错，但他一旦离开，这套东西就断了。而且，人治能覆盖的范围有限，一旦订单量上来、产品线变多，光靠人盯，就盯不过来了。

再说「Excel」。很多企业的生产计划、交期跟踪，都是用 Excel 做的。Excel 的问题在于，它是「静态」的、是「孤岛」的。一张生产计划表，排完之后就「死」在那里了，车间的实际进度、物料的实际到位情况、设备的实际状态，都不会自动更新到这张表里。而且，Excel 表分散在各个部门手里，销售一张表、计划一张表、车间一张表，口径对不上，数据对不上，最后谁也说不清「这个订单到底能不能按时交」。

「人治」和「Excel」，本质上都解决不了一个核心问题——数据的实时性和一致性。 而 OTD 这件事，恰恰是最需要数据实时、口径统一的。交期承诺要基于真实的产能数据，计划执行要基于实时的进度数据，异常响应要基于及时的预警数据。没有实时、一致的数据，OTD 就是空中楼阁。

三、FineBI 的思路：把 OTD 从「拍脑袋」变成「看数据」

那么，怎么才能有实时、一致的数据？这就需要一个专业的 BI 平台，把散落在 ERP、MES、WMS 里的生产数据整合起来，用统一的指标来管理交期。

FineBI 在制造业交期管理上的思路，可以概括成一句话：把 OTD 这件事，从「拍脑袋、靠人盯」变成「看数据、靠指标管」。 具体来说，它从三个层面来解决前面说的三个痛点。

第一，用「指标中心」把交期指标管起来

OTD 做不好，一个很基础的原因是「口径乱」。什么是「准时交付」？是按承诺交期算，还是按客户要求的交期算？「准时」的容差是多少？是当天算准时，还是前后三天都算准时？这些口径如果不统一，OTD 这个数本身就站不住，更别说去改善了。

FineBI 的指标中心，能把「OTD」「承诺交期达成率」「生产周期」「齐套率」这些交期相关的核心指标，统一管理起来——定义、计算逻辑、数据来源，都在一个地方定死，还支持全链路的血缘追踪，从基础数据到指标，再到看板，一条线都能追溯清楚。

指标一旦在指标中心里定死，全公司看到的都是同一个 OTD，争论「这个数对不对」这件事，就从根上消失了。 大家可以把时间，从「对口径」转移到「找问题」上。

第二，用「多维分析」把交期问题定位出来

OTD 是一个结果，真正有价值的是解释它——OTD 为什么低？是哪个产品线拖了后腿？是哪个工序卡了？是哪个供应商的物料没到？

FineBI 的多维分析能力，支持向上钻取、向下钻取，还能联动、跳转、过滤。看到 OTD 下降，点一下就能钻下去——从整体钻到产品线，从产品线钻到订单，从订单钻到具体的工序和物料。把「OTD 为什么低」一层层定位到根因。

举个例子，某工厂的 OTD 从 92% 掉到了 85%，用 FineBI 往下钻，发现是某个产品线的 OTD 掉了，再往下钻，发现是这个产品线的某个关键工序经常卡壳，再往下钻，发现是这个工序的某台设备故障率偏高。这样一层层钻下去，问题的根因就浮出水面了。

第三，用「实时看板」把交期异常暴露出来

OTD 的改善，关键在「事中干预」，而不是「事后补救」。要事中干预，就得让异常「实时可见」。

FineBI 的看板，可以把生产进度、物料齐套、设备状态这些关键数据，实时地呈现出来。哪个订单有延期风险、哪个物料缺料、哪个设备故障，在看板上一目了然。管理人员不用再靠「巡车间」来发现问题，打开看板，异常就摆在眼前。

免费试用

这三个能力，正好对应了前面说的三个痛点：指标中心解决「口径乱」，多维分析解决「定位难」，实时看板解决「响应慢」。三者结合起来，OTD 这件事，就从「拍脑袋、靠人盯」的苦差事，变成了「看数据、靠指标管」的常态化能力。

四、一个典型的落地路径：从「交期承诺」开始

光讲能力有点抽象，我讲一个典型的落地路径，看看制造企业是怎么用 FineBI 把 OTD 这件事做起来的。

很多制造企业做 OTD 改善，是从「交期承诺」这个环节切入的。因为交期承诺是 OTD 的源头——承诺合理了，后面的计划执行才有意义；承诺拍脑袋，后面做得再好也白搭。

用 FineBI 来做「交期承诺」，思路是这样的：

第一步，把 ERP 里的订单数据、MES 里的产能数据、WMS 里的物料数据接进来，在指标中心里定义好「产能负荷率」「在制订单量」「物料齐套率」这些指标。

第二步，搭建一个「交期承诺看板」，销售在下单时，就能看到当前的产能负荷、在制订单量、物料齐套情况，基于这些真实数据来承诺交期，而不是拍脑袋。

第三步，当产能负荷过高、或者物料不齐套时，看板会预警，销售就能提前和客户沟通，调整交期，而不是等交不出货了再被动解释。

这样一来，交期承诺就从「拍脑袋」变成了「基于数据」。承诺的交期更靠谱了，OTD 的「先天条件」就更好了。

当然，交期承诺只是起点。做完交期承诺，接下来就是计划执行的可视化、异常响应的实时化。这三个环节都做起来，OTD 才能真正上一个台阶。

五、FineBI 在制造业的实践：真实的能力支撑

前面讲的都是思路，这里我想结合 FineBI 在制造业的真实能力，说明它为什么能支撑这些场景。

FineBI 作为帆软旗下的企业级 BI 分析平台，在制造业有大量的实践积累。它的核心能力，恰好对应制造业交期管理的需求：

数据接入能力：FineBI 支持接入关系型数据库、Excel、JSON 等多种数据源，还能通过数据连接器快速对接市面上百余家平台和系统。这意味着，制造企业的 ERP、MES、WMS 这些系统里的数据，都能接进 FineBI，统一处理。

指标管理能力：FineBI 的指标中心，支持指标的定义、管理、血缘追踪，让交期相关的指标口径统一、可追溯。

多维分析能力：FineBI 支持 OLAP 分析，向上钻取、向下钻取、联动、跳转、过滤，让交期问题能够被快速定位。

可视化能力：FineBI 提供丰富的图表类型和自助式看板搭建能力，让生产进度、物料状态、设备状态这些数据，能够以直观的方式呈现出来。

企业级保障：FineBI 提供数据脱敏、全局水印、细粒度权限管控、SQL 防注入等企业级安全保障，确保生产数据的安全。

这些能力，不是「为交期管理专门设计的」，但恰恰是交期管理最需要的。这也是为什么，越来越多的制造企业，选择用 FineBI 来搭建自己的交期管理和经营分析体系。

六、从 OTD 到经营：交期数据能带来什么

很多企业把 OTD 改善，当成一个「生产部门的事」。但实际上，OTD 数据能带来的价值，远远不止「把货按时交出去」这么简单。它是一面镜子，照出的是企业整个经营链条的健康程度。

先看「现金流」。OTD 低，意味着订单延期，延期意味着回款延迟，回款延迟意味着现金流紧张。很多制造企业的资金链紧张，根子就在交付上——货交不出去，钱就回不来。所以，OTD 不只是生产指标，它直接影响企业的现金流和资金效率。

再看「客户关系」。在制造业，尤其是配套型制造企业，交期就是竞争力。客户把订单交给你，看重的就是你能不能按时交货。一次延期，可能就丢了一个长期客户。OTD 的稳定，是客户信任的基础。

再看「库存」。OTD 低的企业，往往有一个「并发症」——高库存。因为交期不可靠，企业就会「多备一点货以防万一」，结果库存越备越多，资金越压越死。OTD 改善了，交期可靠了，安全库存才能真正降下来。

所以，OTD 数据的价值，在于它能把「生产」和「经营」打通。用 FineBI 把交期数据接进经营分析体系，管理者看到的就不只是一个孤立的 OTD 数字，而是 OTD 背后的现金流、客户、库存的联动关系。

下面这张表，梳理了 OTD 与经营指标之间的联动关系：

七、落地 OTD 改善，要注意的几个关键点

讲了这么多思路和能力，最后我想落到「怎么做」上。OTD 改善这件事，光有工具不够，落地的过程里有几个关键点，踩对了事半功倍，踩错了容易半途而废。

第一，先统一口径，再谈改善。 很多企业一上来就想「提升 OTD」，但连 OTD 怎么算都说不清。是「承诺交期达成率」还是「客户要求交期达成率」？容差是当天还是前后三天？这些不统一，改善就无从谈起。所以第一步，一定是在指标中心里把 OTD 的定义、计算逻辑、数据来源定死，让全公司用同一个数。

第二，先打通数据，再谈分析。 OTD 的数据，散在 ERP、MES、WMS 里。如果不先把这些数据接进来、打通，后面所有的分析都是「无源之水」。这一步往往是工作量最大、也最容易被低估的一步。但它是地基，地基不牢，上面的分析再漂亮也没用。

第三，先聚焦一个环节，再逐步扩展。 不要指望一口气把所有环节都做起来。建议从一个最痛的环节切入——比如交期承诺，或者异常响应——先做出一个能见效的场景，让管理层看到价值，再逐步扩展到其他环节。这样既降低了风险，也容易获得持续的支持。

第四，让数据「看得见」，更要「用起来」。 搭好看板只是第一步，关键是让管理人员真的去看、去用。这需要把看板嵌入到日常的管理动作里——比如每天的晨会、每周的复盘，都围绕看板上的数据来开。数据只有被用起来，才有价值。

第五，持续迭代，而不是一劳永逸。 OTD 改善不是一次性的项目，而是一个持续的过程。指标会变、业务会变、数据源会变，看板和指标也要跟着迭代。建立一套「发现问题—分析根因—改善—再验证」的闭环机制，才能让 OTD 持续向好。

把这五个关键点把握好，OTD 的改善，就不会是「一阵风」，而是能真正沉淀下来、持续产生价值的常态化能力。

八、订单延期的常见原因，数据能帮你揪出哪些

OTD 改善，说到底是要「减少延期」。而要减少延期，先得搞清楚「为什么延期」。在制造业，订单延期的原因五花八门，但归纳起来，逃不出下面几类。而这几类原因，恰恰都是「数据」能帮你揪出来的。

物料缺料。这是最常见的延期原因之一。采购下单晚了、供应商交晚了、物料到货质量不合格……都会导致缺料，进而导致停产、延期。物料缺料的问题，本质是「物料齐套性」没有提前预警。用 FineBI 把采购、库存、到货数据接进来，做一个「物料齐套看板」，就能在缺料发生之前，提前预警，提前干预。

产能冲突。多个订单挤在同一台设备、同一条产线上，产能排不开，就必然有订单要延期。产能冲突的问题，本质是「产能负荷」没有可视化。用 FineBI 把排产数据、设备数据接进来，做一个「产能负荷看板」，就能看清哪条产线、哪台设备超负荷了，提前调整排产。

质量返工。产品做出来了，但质量不合格，要返工甚至报废，交期自然就保不住。质量返工的问题，本质是「质量数据」没有被及时分析。用 FineBI 把质检数据接进来，做「质量分析看板」，就能及时发现质量异常，从源头减少返工。

设备故障。关键设备一坏，整条产线就停，订单就延期。设备故障的问题，本质是「设备状态」没有被实时监控。用 FineBI 把设备运行数据接进来，做「设备状态看板」，就能及时发现设备异常，提前维护，减少非计划停机。

计划变更。客户临时改需求、插单、撤单，都会打乱原有的生产计划。计划变更的问题，本质是「计划与实际」没有同步。用 FineBI 把计划数据和实际执行数据接进来，做「计划执行看板」，就能看清计划与实际的偏差，及时调整。

下面这张表，把常见的延期原因和数据化的应对方式做了个对应：

你看，这几类延期原因，没有一个是「无解的」，每一个都能通过「数据化」来应对。而 FineBI 的价值，就在于它能把这几类数据都接进来，用统一的看板把它们呈现出来，让管理者「一眼看清」延期风险在哪，从而在问题发生之前就出手干预。

常见问题解答

问：OTD 改善，是不是一定要上 BI 平台？

答：不一定。如果企业规模小、订单简单，Excel 可能也能应付。但一旦出现「多系统数据、多产品线、需要实时跟踪、需要多部门协作」中的任意几个，Excel 就明显吃力了。这时候，一个能整合多源数据、统一指标、支持多维分析的 BI 平台，会带来质的提升。

问：FineBI 和 MES 系统是什么关系？

答：是互补关系，不是替代关系。MES 负责生产执行层面的数据采集和过程控制，FineBI 负责把这些数据整合起来做分析。简单说，MES 管「执行」，FineBI 管「分析」。两者配合，才能真正把交期管好。

问：交期管理的数据，散在 ERP、MES、WMS 里，怎么整合？

答：这正是 FineBI 的强项。FineBI 支持接入多种数据源，还能通过数据连接器快速对接市面上的主流系统。把 ERP、MES、WMS 的数据接进 FineBI，在一个分析主题里统一处理，就能解决数据分散的问题。

问：OTD 改善，从哪个环节切入最合适？

答：我建议从「交期承诺」切入。因为交期承诺是 OTD 的源头，承诺合理了，后面才有意义。而且交期承诺的改善，见效相对快——销售基于真实产能承诺交期，OTD 的「先天条件」立刻就能改善。做完交期承诺，再逐步推进计划执行可视化和异常响应实时化。

生产交期 OTD 这件事，说到底是制造业「数据化经营」的一个缩影。当交期承诺、计划执行、异常响应这些环节，都能基于实时、一致的数据来做决策时，OTD 的提升，就是水到渠成的事。而这，正是 FineBI 想要帮助制造企业实现的价值。

九、数据化经营，是制造业绕不开的一课

最后，我想把视野从「OTD」这一个指标，稍微拉高一点，聊聊制造业正在发生的变化。

过去几十年，中国制造靠的是「规模」和「成本」——规模大、成本低，就能在市场上立足。但今天，这两个优势都在被削弱。规模上，产能过剩越来越普遍；成本上，人力、原材料、能源都在涨。制造业的竞争，正在从「拼规模、拼成本」，转向「拼效率、拼精细」。

而「拼效率、拼精细」的核心，就是数据化。谁能把生产数据、经营数据用起来，谁就能在同样的产能、同样的成本下，做出更高的效率、更稳的交付、更低的库存。OTD 的改善，只是这个趋势的一个缩影。

在这个趋势下，一个专业的 BI 平台，正在从「锦上添花」变成「必需品」。因为数据化经营的前提，是数据的整合、指标的统一、分析的深入，而这些，恰恰是 FineBI 这样的 BI 平台最擅长的事。

对制造企业来说，OTD 做不好，不是车间的问题，而是「数据化经营」这门课还没补上。而补上这门课，可以从一个指标开始——比如，就从 OTD 开始。把 OTD 管明白了，你会慢慢发现，现金流、库存、客户、产能，这些曾经「各自为政」的经营要素，都会因为数据的打通而联动起来，整个企业的经营质量，都会上一个台阶。

这，就是数据化经营的价值，也是 FineBI 想陪制造企业一起走的路。

十、写在最后：OTD 的改善，是一场「数据化」的变革

回到开头那个问题：生产交期 OTD 为什么总是做不好？

我的答案是：因为很多企业还在用「拍脑袋」和「靠人盯」的方式管交期，而不是用「数据」和「指标」管交期。 交期承诺拍脑袋、计划执行不透明、异常响应靠事后——这三个问题，本质都是「数据没管好」。

而解决这三个问题的钥匙，就是数据化：把散落的数据整合起来，把交期指标统一起来，把异常实时暴露出来。这需要一套专业的 BI 工具来支撑，而 FineBI，正是这样一个经过大量制造业实践验证的平台。

当然，工具只是手段。OTD 的改善，最终还是要靠企业自身的决心和执行力——愿意把交期管理这件事，从「经验驱动」转向「数据驱动」。但有了 FineBI 这样的工具，这条路会好走很多。