單元一：生產流程與痛點解析

授課時間：30 分鐘（講授） 授課形式：講座式教學 適用對象：製造業現場主管、生管人員、品管人員、設備維護工程師 先備知識：具備基本的生產管理概念，無需程式設計或 AI 背景 學習成果：學員完成三類資料盤點表（排程／品質／維修）

學習目標

完成本單元後，學員將能夠：

1. 辨識生產流程中資料分散與人力不足所造成的決策瓶頸
2. 說明不良分類不一致如何導致品質統計失真
3. 描述設備維修紀錄分散對預測性維護的阻礙
4. 列舉 AI 導入前資料準備的五大評估維度
5. 運用 5M1E 框架建立排程、品質與維修三類資料盤點表

課程導言

各位學員好，歡迎來到「SmartCore AI × MES 製造業生產管理 AI 課程」的第一堂課。

在正式進入 AI 工具操作之前，我們要先回頭面對一個根本問題——我們的工廠資料，真的準備好了嗎？

根據台灣經濟部工業局與資策會的調查，台灣中小型製造業中，約有 30% 的企業在數位化過程中面臨「數位技術自主能力不足」與「員工抗拒改變」兩大瓶頸。更關鍵的是，許多工廠雖然已經有了 MES、ERP 等系統，但資料仍然分散在不同部門、不同格式的檔案中，形成所謂的「資料孤島」（Data Silos）。

這堂課，我們將以製造業最常用的分析架構——5M1E 框架（Man 人員、Machine 機器、Material 物料、Method 方法、Measurement 量測、Environment 環境）為主軸，帶大家認清製造業最常見的痛點，並在課程結束前完成一份屬於你自己工廠的「資料盤點表」——這是 AI 導入前最重要的第一步。

5M1E 框架：製造業問題分析的經典方法論，從人員（Man）、機器（Machine）、物料（Material）、方法（Method）、量測（Measurement）、環境（Environment）六大構面，系統性地拆解生產問題。在後續的資料盤點中，我們會用這個框架確保沒有遺漏任何面向。

1.1 生產流程複雜與人力不足的現況

產業現況

台灣製造業正面臨前所未有的人力轉折點。根據 104 人力銀行《2025 製造業人才報告書》，2025 年初製造業職缺數突破 16 萬個，創下三年新高。同時，製造業勞動力的平均年齡持續攀升，40 歲以上的從業人員已占六成以上，年輕人不願進工廠，資深師傅陸續退休，產線知識正在快速流失。

這造成什麼問題？生產排程原本就極度複雜——一條產線可能同時要處理多種工單、不同交期、不同機台能力限制。過去靠老師傅的經驗和直覺就能搞定的排程，現在因為人力斷層，新進人員根本無法在短時間內掌握同樣的判斷能力。

更麻煩的是，許多工廠的排程仍然仰賴 Excel 手動排程或白板記錄。當訂單變更、機台故障、人員請假同時發生，排程就像骨牌一樣接連倒塌，卻沒有一個系統能即時反映全貌。

實務案例：CNC 加工廠的排程困境

以台灣中部某 CNC 精密加工廠為例，該廠擁有 30 台 CNC 加工中心，生產汽車零組件與電子連接器。過去排程全靠一位資深生管主管以 Excel 手動安排——他能記住每台機台的特性、每位操作員的技術程度、每個模具的使用壽命。

然而，這位主管退休後，新接手的人員面對同樣的 Excel 表，卻完全無法做出同品質的排程決策。結果是：機台稼動率從 82% 跌落到 67%，交期達成率從 95% 降到 78%，三個月內客訴件數翻倍。

從 5M1E 的角度來看，這不只是「人」（Man）的問題——老師傅的離開同時帶走了對「機器」（Machine）特性的掌握、對「方法」（Method）最佳實踐的理解、以及對「物料」（Material）交期的經驗判斷。

關鍵概念：人力不足不只是「找不到人」的問題，更是「經驗無法傳承」和「決策速度跟不上變化」的問題。AI 的價值，正是從這裡開始——將隱性知識轉化為可被系統運用的顯性資料。

流程複雜度示意圖

flowchart LR
    A[客戶訂單] --> B[生管排程]
    B --> C{資源確認}
    C -->|機台可用| D[派工生產]
    C -->|人力不足| E[排程延遲]
    C -->|物料短缺| F[採購催料]
    D --> G[品質檢驗]
    G -->|合格| H[入庫出貨]
    G -->|不合格| I[重工/報廢]
    E --> B
    F --> B
    I --> B

    style E fill:#f66,stroke:#333,color:#fff
    style F fill:#f96,stroke:#333,color:#fff
    style I fill:#f66,stroke:#333,color:#fff

痛點整理表（5M1E 視角）

1.2 不良分類困難與統計失真的問題

品質資料的核心挑戰

品質是製造業的命脈，但大家有沒有想過一個問題——我們記錄的不良數據，真的準確嗎？

目前業界人工目檢的整體準確率大約只有 80% 左右。也就是說，每 10 件不良品中，可能有 2 件被漏判或誤判。這不只是品質問題，更直接影響後續的統計分析和改善對策。

最常見的困境是：不良分類標準不一致。A 班的作業員可能把某個瑕疵歸類為「刮傷」，B 班的作業員卻認為是「壓痕」。同一種缺陷在不同人手上有不同的名稱，最後產出的品質報表數據當然失真。

更深層的問題在於：不良品的數量天生就比良品少很多。在統計學上，這叫做「類別不平衡」（Class Imbalance）。如果一條產線的良率是 98%，那不良品只占 2%，再細分到各種不良類型，每種可能只有幾十筆資料。這對後續要做 AI 分析是非常不利的——模型需要足夠的樣本數才能學會辨識不同的不良類型。

實務案例：射出成型工廠的分類混亂

某塑膠射出成型工廠生產手機外殼，不良類型包括短射、毛邊、銀紋、縮水、變色等十餘種。該廠三個班次的品檢人員各有自己的判定習慣：

• A 班把輕微的表面花紋歸類為「銀紋」
• B 班把同樣的瑕疵歸類為「流痕」
• C 班直接標記為「外觀不良」

結果每月品質會議上，「銀紋」的不良率在三個班次之間差異高達 3 倍，品質主管根據這些數據所做的柏拉圖（Pareto）分析，改善對策自然也跟著失準。

用 5M1E 框架來看，這個問題涉及：Method（方法）——沒有標準化的判定 SOP；Man（人員）——不同人有不同判定標準；Measurement（量測）——缺乏客觀的量測基準（如影像比對標準）。

關鍵概念：垃圾進，垃圾出（Garbage In, Garbage Out）。資料品質不好，AI 再強大也幫不了你。在導入 AI 品質檢測之前，第一步不是買設備、裝攝影機，而是要先把不良代碼標準化、歷史資料清理乾淨。

不良分類失真的連鎖效應

flowchart TD
    A[不良分類標準不一致] --> B[品質報表數據失真]
    A --> C[不同班次判定不同]
    B --> D[Pareto 分析結果偏差]
    D --> E[改善對策方向錯誤]
    E --> F[良率未改善，資源浪費]
    C --> G[客訴分析無法追溯]

    H[不良品樣本數過少] --> I[AI 模型訓練資料不足]
    I --> J[模型準確度低]
    J --> K[無法取代人工目檢]

    style A fill:#e74c3c,stroke:#333,color:#fff
    style F fill:#e74c3c,stroke:#333,color:#fff
    style K fill:#e74c3c,stroke:#333,color:#fff

常見不良分類問題對照表

1.3 設備維修紀錄分散與格式不一致

設備資料的現實困境

設備是製造業的心臟，設備一停，整條產線就癱瘓。然而，大多數工廠的設備維修資料，卻是最混亂的一塊。

你可能見過這樣的場景：老師傅修完機台，在一本手寫的維修日誌上潦草寫下「換了一個軸承」；年輕工程師則是打開 Excel 輸入維修紀錄，但格式和老師傅的完全不同；還有些維修紀錄存在設備廠商提供的系統裡，要另外登入才看得到。

根據一項製造業資料品質調查，35% 的製造企業認為資料不完整、31% 認為資料過時、30% 認為資料不準確。這三個問題在設備維修領域特別嚴重。

資料分散帶來的直接後果就是——無法做預測性維護（Predictive Maintenance）。AI 要預測設備何時會壞，需要完整的歷史維修紀錄、運轉參數、故障模式。如果這些資料散落在三個不同的系統、兩種不同的格式、加上一堆手寫筆記，任何 AI 模型都無能為力。

實務案例：PCB 組裝廠的設備管理斷層

某 PCB 組裝廠擁有 SMT 產線 8 條、波焊爐 3 台、AOI 檢測設備 12 台。設備維修紀錄分散在以下位置：

• SMT 貼片機的維修紀錄在設備商 Panasonic 的專屬軟體中
• 迴焊爐的溫度曲線與故障警報存在爐體的 PLC 中，僅現場可讀取
• AOI 設備的校正紀錄由品保部門以 Excel 管理
• 日常保養由設備技術員手寫在維修日誌上

當某條 SMT 線頻繁出現貼片偏移不良時，品質單位懷疑是設備老化所致，但要調出完整的維修履歷卻要花三天時間——分別向設備商要資料、從 PLC 下載記錄、找出 Excel 檔案、翻閱手寫日誌。等資料到齊後，生產早就換了好幾個批次，問題的因果關係已經難以追溯。

在 SmartCore AI × MES 的架構中，設備管理模組正是要解決這個問題——透過統一的介面，把維修紀錄、保養排程、備品管理、設備參數全部整合在同一個平台上，為後續 AI 預測性維護打下資料基礎。

關鍵概念：設備維修資料的統一，不是為了好看，而是為了讓 AI 有「原料」可以分析。沒有結構化的歷史資料，預測性維護就只是一個口號。

資料分散的典型場景

flowchart TD
    A["📝 手寫維修日誌<br>格式隨意 / 難以搜尋 / 容易遺失"] --> D["SmartCore AI × MES<br>統一設備管理平台"]
    B["📊 Excel 維修紀錄<br>各人格式不同 / 版本混亂 / 缺少標準欄位"] --> D
    C["🖥️ 設備廠商系統<br>需另外登入 / 資料無法匯出 / 僅涵蓋部分設備"] --> D
    D --> E["AI 預測性維護<br>故障模式分析"]
    D --> F["即時設備狀態監控<br>備品庫存最佳化"]

    style A fill:#e74c3c,stroke:#333,color:#fff
    style B fill:#f39c12,stroke:#333,color:#fff
    style C fill:#e74c3c,stroke:#333,color:#fff
    style D fill:#2ecc71,stroke:#333,color:#fff
    style E fill:#3498db,stroke:#333,color:#fff
    style F fill:#3498db,stroke:#333,color:#fff

設備維修資料常見問題

1.4 AI 導入前的資料準備條件

資料就緒度的五大維度

前面我們看了三大痛點：排程混亂、品質數據失真、維修紀錄分散。這三個問題有一個共同的根源——資料沒有準備好。

很多企業主聽到 AI 很厲害，第一個反應就是「我們也來做 AI」。但根據實際導入經驗，AI 專案失敗的最大原因不是演算法不好，而是資料品質不足。

那麼，資料準備到底要做到什麼程度？我們可以用五個維度來檢視：

1. 完整性（Completeness）：資料有沒有缺漏？例如維修紀錄只有一半的機台有填。
2. 一致性（Consistency）：同一件事在不同系統裡的記錄是否一致？例如品質代碼是否統一。
3. 即時性（Timeliness）：資料是否能即時反映現場狀態？隔天補登的資料對即時決策沒有用。
4. 可追溯性（Traceability）：能不能把一個不良品追溯到哪個機台、哪個批次、哪個操作員？
5. 可存取性（Accessibility）：資料是否能被需要的人輕鬆取得？鎖在某個人電腦裡的 Excel 不算。

關鍵概念：AI 導入是一場馬拉松，不是百米衝刺。資料盤點是你的起跑線。你不需要現在就有完美的資料，但你需要知道差距在哪裡。

AI 資料就緒度評估框架

graph TD
    A[AI 資料就緒度評估] --> B[完整性<br>Completeness]
    A --> C[一致性<br>Consistency]
    A --> D[即時性<br>Timeliness]
    A --> E[可追溯性<br>Traceability]
    A --> F[可存取性<br>Accessibility]

    B --> B1[各系統資料覆蓋率 > 90%]
    C --> C1[代碼/欄位定義統一]
    D --> D1[資料輸入延遲 < 1 小時]
    E --> E1[批次-機台-人員 可串接]
    F --> F1[授權人員可即時查詢]

    style A fill:#2ecc71,stroke:#333,color:#fff

以 5M1E 框架檢視資料準備

資料準備程度自評表

1.5 生產資料分散對決策造成的影響

資料孤島如何拖慢決策

當排程、品質、維修的資料散落在不同系統和格式中，管理者就像蒙著眼睛開車——你以為自己知道方向，但其實資訊有延遲、有偏差、有遺漏。

以一個典型的決策場景為例：主管發現某條產線的交期頻繁延誤，想要找出原因。他需要：

1. 從 ERP 調出近三個月的工單完成率（生管部門）
2. 從品管系統取得不良率趨勢（品保部門）
3. 從設備維修紀錄查看停機時數（設備部門）
4. 從人資系統比對人員出勤率（管理部門）

這四份資料分別在四個系統中，格式不同、時間粒度不同、計算邏輯不同。主管至少需要花 半天到一天的時間才能把資料拼湊在一起，而且拼出來的結果可能因為時間差異而無法直接比對。

在 SmartCore AI × MES 架構下，這些資料本應在同一個平台上即時呈現，讓主管在 5 分鐘內就能看到全貌並做出決策。

關鍵概念：資料分散不只是「不方便」的問題，它直接拉長了從「發現問題」到「採取行動」的反應時間。在瞬息萬變的製造環境中，慢一步就是少一步。

決策延遲的成本估算

1.6 為何資料未分類前不適合直接進行 AI 分析

未整理的資料如何誤導 AI

這是一個很多企業在興奮導入 AI 時忽略的關鍵問題。AI 模型的能力取決於訓練資料的品質，而不是模型本身有多先進。

讓我們用一個具體的例子來說明。假設你想用 AI 來預測 CNC 加工的刀具壽命，你收集了過去一年的刀具更換紀錄。但問題是：

• 有些紀錄寫「刀具磨耗」，有些寫「刀具鈍化」，有些寫「刀具斷裂」——其實前兩者是同一件事
• 更換原因有時候是「品質不良」觸發，有時候是「預防保養」排程到了，有時候是「操作員判斷」，但紀錄中沒有區分
• 刀具型號的命名在不同班次不一致，同一把刀具在系統中可能有三種不同的編碼

把這樣的資料直接丟給 AI 模型，模型會學到什麼？它會學到錯誤的分類規律、混淆不同的更換原因、把同一種刀具當成三種不同的刀具。最終預測的結果，不但不準確，還可能比完全不用 AI 更危險——因為人會信任「AI 的建議」而放鬆警戒。

關鍵概念：資料分類是 AI 分析的前置作業，不是可以跳過的步驟。先分類、再標準化、最後才餵給 AI——這個順序不能顛倒。

未分類資料的風險對照

1.7 建立資料收集清單與缺口盤點

盤點方法論

現在我們進入本單元最重要的實作環節——建立你自己的資料盤點表。

盤點的核心邏輯很簡單：你有什麼、你缺什麼、你要補什麼。我們將以 5M1E 框架為檢核基準，分別盤點排程、品質、維修三大領域的資料現況。

在今天的課程結束前，我們會一起完成這份盤點表。這不是交作業，而是真正幫你的工廠做一次健康檢查。

課堂實作：三類資料盤點表

說明：請根據您工廠的實際狀況填寫以下三張盤點表。不確定的欄位可以先標記「?」，回去向相關同事確認後再補充。這份盤點表將在後續單元中繼續使用。

盤點表 A：排程資料盤點

自評小結：

• 已有數位化資料的項目：_____ / 11 項
• 最急需數位化的項目：__________
• 資料整合的主要障礙：__________

盤點表 B：品質資料盤點

自評小結：

• 已有數位化資料的項目：_____ / 11 項
• 不良分類是否有統一標準：[ ] 有 [ ] 無
• 品質資料能否追溯到批次/機台：[ ] 能 [ ] 不能
• 最急需改善的項目：__________

盤點表 C：設備維修資料盤點

自評小結：

• 已有數位化資料的項目：_____ / 11 項
• 維修紀錄是否有統一系統：[ ] 有 [ ] 無
• 設備參數是否有自動採集：[ ] 有 [ ] 無
• 最急需建立的紀錄項目：__________

綜合盤點摘要

完成三張盤點表後，請填寫以下摘要，作為後續課程的基礎：

整體資料就緒度自評：

• Level 1 — 大部分為紙本/口頭，尚未數位化
• Level 2 — 部分 Excel 電子化，但格式不統一
• Level 3 — 有導入 MES/ERP，但資料未整合
• Level 4 — 系統整合完成，資料品質穩定，可開始 AI 分析

下一步：無論你目前在哪個層級，都不用擔心。從單元二開始，我們會帶著你一步步用 SmartCore AI × MES 系統把資料整理好，為 AI 分析做好準備。

重點回顧

讓我們回顧今天的核心觀念：

flowchart TD
    TITLE["生產資料分散對決策的影響<br>5M1E 視角"]
    TITLE --> P1["痛點 1：排程靠人腦<br>人力斷層讓經驗消失<br>Man / Method"]
    TITLE --> P2["痛點 2：品質靠人眼<br>分類不一致讓數據失真<br>Method / Measurement"]
    TITLE --> P3["痛點 3：維修靠紙筆<br>資料分散讓預測不可能<br>Machine / Man"]
    TITLE --> P4["痛點 4：導入靠衝動<br>資料沒備好讓 AI 白忙<br>全構面"]

    P1 & P2 & P3 & P4 --> CAUSE["共同根因<br>資料未經整理、分類、標準化"]
    CAUSE --> SOLUTION["解決方案<br>先盤點、再整理、最後才導入 AI"]
    SOLUTION --> FRAMEWORK["分析框架：5M1E<br>Man / Machine / Material<br>Method / Measurement / Environment"]

    style TITLE fill:#1e40af,stroke:#333,color:#fff
    style P1 fill:#f39c12,stroke:#333,color:#fff
    style P2 fill:#f39c12,stroke:#333,color:#fff
    style P3 fill:#f39c12,stroke:#333,color:#fff
    style P4 fill:#f39c12,stroke:#333,color:#fff
    style CAUSE fill:#e74c3c,stroke:#333,color:#fff
    style SOLUTION fill:#2ecc71,stroke:#333,color:#fff
    style FRAMEWORK fill:#3498db,stroke:#333,color:#fff

七大要點總結

1. 生產流程複雜與人力不足：經驗斷層加上流程複雜，使得傳統排程方式已無法應對快速變化的製造需求。
2. 不良分類困難與統計失真：缺乏標準化的不良代碼與判定準則，直接導致品質改善方向錯誤。
3. 設備維修紀錄分散：資料散落多個系統與紙本，使預測性維護無從實現。
4. AI 導入需要資料就緒：完整性、一致性、即時性、可追溯性、可存取性五大維度缺一不可。
5. 資料分散拖慢決策：跨系統調資料的時間成本，直接延長了問題處理的反應週期。
6. 未分類資料會誤導 AI：不一致的分類、缺值、格式混亂會讓模型學到錯誤的規律。
7. 5M1E 框架確保盤點完整：以六大構面系統性地檢視每個領域的資料現況與缺口。

自我評量

請選擇最適當的答案：

第 1 題：某工廠導入 AI 預測設備故障，但預測準確率只有 40%。經調查發現，維修紀錄中同一故障在不同班次有三種不同的代碼。這最可能對應到 5M1E 中的哪個構面問題？

• (A) Man — 人員技能不足
• (B) Machine — 設備老化嚴重
• (C) Method — 缺乏標準化的故障分類方法
• (D) Environment — 工作環境不良

第 2 題：以下哪一項「不是」AI 導入前資料就緒度的評估維度？

• (A) 完整性（Completeness）
• (B) 即時性（Timeliness）
• (C) 美觀性（Aesthetics）
• (D) 可追溯性（Traceability）

第 3 題：某品管主管發現 Pareto 分析顯示的前三大不良項目每個月都不同，但實際產線狀況並無重大變化。最可能的原因是什麼？

• (A) 產品設計頻繁變更
• (B) 不良分類標準不一致，不同人判定結果不同
• (C) 量測設備精度不足
• (D) 原物料供應商頻繁更換

第 4 題：在 SmartCore AI × MES 架構中，為什麼要在 AI 分析之前先完成資料盤點？

• (A) 為了符合 ISO 認證要求
• (B) 為了減少系統建置成本
• (C) 為了確認資料的缺口與品質問題，避免 AI 學到錯誤的規律
• (D) 為了讓管理層同意預算

第 5 題：以下哪一個做法最符合「資料未分類前不應直接進行 AI 分析」的原則？

• (A) 先購買最新的 AI 軟體，再來整理資料
• (B) 把所有 Excel 檔案合併成一個大檔案，直接丟給 AI 分析
• (C) 先建立統一的代碼對照表與資料格式標準，再進行 AI 模型訓練
• (D) 請 AI 自己判斷哪些資料需要分類

參考答案：1-(C)、2-(C)、3-(B)、4-(C)、5-(C)

延伸閱讀與參考資料

• 經濟部工業局（2025）。台灣智慧製造產業白皮書。
• 104 人力銀行（2025）。2025 製造業人才報告書。
• 資策會 MIC（2025）。台灣中小企業數位轉型現況調查。
• Gigli, A.（2026）. A Data Readiness Checklist for AI. Medium.
• ScienceDirect（2025）. AI-enabled defect detection in industrial products: A comprehensive survey.

本單元結束｜下一單元：單元二 — AI 工具在生產流程中的導入應用