食品工厂评估智能排班时，常常会先问：
“我们的工时标准还不够准确，现在上系统是不是太早了？”
这个顾虑很实际。很多工厂并不是完全没有标准，而是相关信息分散在不同地方：有些岗位按照线体编制配置，有些岗位依靠班组长经验，有些产品有工艺路线，但还没有细化到每个岗位需要多少人、工作多长时间。
工时标准还不完整，不等于不能启动智能排班。
项目开始前，更重要的是先分清楚：哪些数据已经可以用于排班，哪些规则必须先确认，哪些标准可以在试点过程中继续修正。
很多工厂缺的不是数据，而是统一口径
食品工厂的用工信息，往往以不同形式存在：
- 某条产线正常运行需要几个人；
- 某道工序有哪些岗位；
- 某类产品通常需要多长时间；
- 某个班组长期按照什么人数配置；
- 某种设备开机时必须安排哪些岗位；
- 某个岗位缺人时，通常由谁来支援。
这些信息未必已经整理成一张标准工时表，但其中有些内容已经可以支持局部排班。
例如，一条产线每天生产哪些产品、每个班次需要哪些岗位、关键岗位至少安排几个人，这些信息如果能够确认，就可以先选择一个范围明确的生产场景进行试算。
不需要等所有产品、所有岗位和所有班次都完成精确测量之后，才开始第一步。
先看手里已经有哪些数据
判断一项智能排班试点能不能启动，可以先看三类信息。
生产计划和任务量
系统需要知道未来生产什么、什么时候生产、涉及哪些产线。
如果生产计划暂时只能确定到产品和数量，也不妨碍先从相对稳定的产线开始试算。计划颗粒度提高后，排班也可以继续细化到班次、岗位和时段。
对于早期试点，可以优先选择订单量比较明确、生产节奏相对稳定的产线，也可以从生产任务差异较大的两端开始，对比不同场景下的人力需求。
岗位和产线配置
工厂需要先说清楚每条产线有哪些岗位。
哪些岗位是开机必需的，哪些岗位属于辅助岗位，哪些岗位必须由熟练员工承担，哪些岗位可以由经过培训的员工支援，这些信息比一张看起来很精确、但现场没人使用的工时表更重要。
这里可以先使用现有的线体编制、岗位定员或班组经验作为初始数据。
线标不一定精确到每个产品的单件工时，但至少能够说明一条产线正常运行需要哪些岗位、多少人，以及生产任务发生变化时，人员配置需要怎样调整。
员工技能和可用时间
排班不只是计算“需要多少人”，还要知道现有员工能不能承担这些岗位。
员工掌握哪些技能、是否能够独立上岗、当前属于哪个班次、已经安排了多少工时、能否跨产线支援，这些信息决定了人力需求能不能被现有人力满足。
如果企业暂时还没有很复杂的技能等级体系，也可以先从“可独立上岗”“可在指导下支援”“暂不具备条件”三个层级开始。
先让排班能够区分人员适岗范围，再逐步补充熟练度、认证记录和岗位储备等信息。
线标可以作为工时标准建设的起点
很多企业一想到工时标准，就会想到测量每个产品、每道工序和每个岗位的精确工时。
这项工作当然有价值，但不一定要全部完成之后才启动排班。
食品工厂通常可以先整理岗位和产线层面的用人标准：
- 某条产线正常运行需要多少人；
- 不同工序分别需要哪些岗位；
- 哪些岗位必须固定；
- 哪些岗位可以在班次内灵活安排；
- 哪些岗位存在跨产线共享的可能。
相比重新测量所有产品和工序，先整理人员较多、生产波动较大或共享空间比较明显的岗位，通常更容易看到结果。
上线前，企业可以先用线标和现有班组经验进行排班试算；上线后，再用实际到岗、岗位工时和任务完成情况检查原来的配置是否合理。
这样做的价值，不在于把不完整的数据假装成精确标准，而是把现有标准用起来，同时把仍然需要修正的地方找出来。
徐福记用实际工时继续修正人力标准
徐福记的智能用工实践面对的是多车间、多产线和多产品品类下的人力规划问题。
企业拥有40多个大型车间、100多条生产线、400多台包装设备和1000多个产品品类。如果等所有产品和岗位都完成统一标准，再开始人力规划，周期会非常长。
项目推进后，徐福记先通过智能排班进行人力规划和集中调度，再结合实时考勤和现场工时，查看员工实际在哪条产线工作、参与了什么任务、用了多少时间。
例如，一条产线原计划安排5个人，实际到岗3个人，生产任务仍然完成。这个结果不能直接说明以后都只需要3个人，但它会提示管理者重新检查：
- 当天的生产任务是否低于计划；
- 原来的岗位配置是否偏保守；
- 是否有其他岗位临时补位；
- 实际工时是否被准确记录。
连续记录几周或几个月后，企业才有条件判断哪些岗位长期超配，哪些任务实际耗时高于原来的估算，哪些产线之间可以建立更稳定的人力共享。
工时标准不是项目开始前一次性完成的材料，也可以在排班执行中不断修正。
先选一条能核对结果的产线
工时标准还不完整时，项目范围不宜一开始覆盖所有车间。
更适合先选择一个能够核对结果的场景：
- 一条生产计划相对稳定的产线；
- 两条经常发生人员支援的相邻产线；
- 一个熟练工短缺较明显的工序；
- 一个岗位数量较多、工时差异明显的车间；
- 一组已经具备基础技能数据的员工。
试点前，先明确岗位要求、初始人员配置和排班规则。试点后，再对照计划人数、实际到岗、岗位工时和任务完成情况。
这样才能判断问题究竟来自哪里：
是生产需求没有算清楚，还是岗位配置不准确；是员工技能不匹配，还是计划排班没有执行；是标准本身偏保守，还是现场存在临时任务。
如果一开始就把所有厂区、产品和岗位放在一起，数据缺口会被放大，现场也很难判断是哪一类信息影响了结果。
现有数据先用起来，标准再逐步补齐
盖雅智能排班解决方案可以从生产计划等业务输入出发，测算岗位人力需求，再结合员工技能、可用时间、班次规则、工时限制和共享范围生成排班建议。
对于工时标准还不完整的企业，可以按照实际基础逐步推进：
先把现有的经验排班、岗位和人员数据整理到统一的排班流程中；再接入生产计划和线标，测算不同任务下的人力需求；之后增加技能匹配、跨产线共享和实际工时复盘。
管理者可以审核和调整排班建议，员工可以查看班次和提交调班申请，HR可以维护技能和工时数据。排班发布后，实际到岗和岗位工时还可以用于检查下一轮的人力配置。
落地时不需要回避数据缺口，但要把缺口标出来：哪些数据现在已经能用，哪些规则仍需要人工确认，下一轮优先补哪一项。
启动前，先核对一条真实产线
工时标准还不完整的食品工厂，可以先拿出一条真实产线，核对四项内容：
- 这条产线当前的生产计划；
- 每个班次需要哪些岗位；
- 员工分别具备哪些技能；
- 最近一段时间的计划工时和实际工时。
如果这些信息能够对应起来，就可以判断智能排班试点从哪里开始。
后续的标准建设，也不必脱离实际生产另做一套工作。每次排班、调班、到岗和任务执行，都会为下一轮标准修正提供数据。
需要进一步了解分阶段落地方式的企业，可以通过盖雅智能排班解决方案，结合真实生产计划、现有班表和岗位数据，评估当前基础能够支持什么范围的智能排班。
