让问题露出的X光机
      x光机最近的肺炎疫情，很是让人挂心。当事态逐步明朗之际，我们对疫情初起时分的应对非常不满。没有准确的数据，现场的情况也没有得到通报，导致了抉择方案失误。传统的处理系统里，问题是逐级上报的，可是，这样的逐级上报机制，往往会失效，这是为什么呢？
      x光机认知倾向性这就是认知倾向性在起效果，最常见的认知成见，也是我们最应该警觉的认知成见有这样两种，第一种被称之为供认成见（Confirmation Bias），就是指我们在处理信息的时分，会倾向于采信能佐证我们主见的信息，而主动过滤掉那些与之相反的信息。第二种是伪支撑成见 （False consensus bias） ，人往往和支撑自己观念的人呆在一起，不乐意听不同的定见，因为周围都是赞同自己的人，错误地以为赞同自己的人许多，自己一定是正确的。
       x光机除了自我警觉而外，在日常处理中有什么工具可以防止我们受到认知成见的搅扰，做出更高质量的抉择方案呢？工厂的可视化正是突破传统的冗赘的处理层级结构的处理利器。可视化可以让各个等级的处理者可以及时获取准确的数据和信息，而不必依赖于逐级上报的机制，也防止了人为对数据的搅扰，可以大幅度进步对问题的响应速度和响应质量。这也是我们在2018年开始呼吁我们的厂商推进可视化升级的主要原因。
       让我们来看看可视化怎么发挥效果：案例一一个工厂的关键设备利用率，之前的手艺报表上一贯闪现高于98%，可是，产出却只有理论产出的40%。为什么会有这样的差距？我们开始把一切的停机时间用IoT的方法记录下来，逐项供认真实的停机原因, 然后分门别类，把一切停机原因按照时间长短，整理成柱状图。问题露出了，比方因为来料质量问题构成的等候时间，因为换型发生的切换时间等等都是非常大的影响要素，这是原本根本没有想到的。其间有一项停机时间非常奇葩，因为每次换型要清洗打印头，需求几个小时的时间，而这个清洗作业彻底可以离线进行，只需求购买一套备用的打印头就可以处理的问题。可是，在施行可视化处理之前，处理层并没有意识到这儿有问题，因为手艺报表上的设备利用率看上去非常美丽。担任这台设备的工程人员，并没有把非设备毛病构成的停机当做自己的问题去处理，也懒得上报。可视化处理补偿上了这样的黑洞
        案例二某设备密集型工厂，原本一贯将功率进步的重点放在进步人员功率和设备功率上面。通过一次本钱结构分析发现，水电等动力本钱才是该工厂的第二大本钱，远远高于人力本钱。接下来，该工厂将水电等动力消耗的数据分类整理、更新，可视化之后，发现其间一个制程是耗电大户。同时，针对这个大户，团队发现了一个本钱节省的新方向。置办储电设备，在夜晚电价在低谷时充电，可以替代一部分白日电价在峰值时的用电，开始预算本钱节省潜力达千万。
       通过可视化，让一切人都发现问题，一起想方法改善，往往会有意想不到的收成。这个工厂的能耗数据，原本就是一大堆阿拉伯数字，锁在某个部分副理的办公桌里。没有人觉得产线空跑是个问题，也没有人觉得白日开灯是个问题。但当我们把水电能耗可视化，按照部分、制程展现后，许多现场处理人员遽然发现，啊，原本我这儿还可以做这么多奉献啊，而且并不会影响我的质量和产出，真是太棒了！
       案例三某工厂出于总部要求5年减少50%人力的绩效压力，施行了仓库可视化处理，把物料名称，数量和仓位一一对应，按照线别出现给物料人员，领料时先进先出，按照最小发货量主动匹配，大大减少了仓库人员寻找零配件的时间，节省了仓库的人力，而且，把库存的金额按红（金额超支）黄（金额偏高）绿（金额合适）方法出现给处理人员，也加快了物料的周转速度，减少了过期物料的糟蹋。
       案例四某工厂的一个瓶颈制程良率一贯上不去，不良品的返工导致了太多的设备等候时间、换型时间和加工时间，使得交货一贯受影响。不良数据分析和改善方法做了不少，但效果不明显。我们决议，对不良品划分片区进行可视化处理。
通过实时把不良的产品数量和作业/机台通过可视化一一对应，责任归属一望而知，纠正方法的效果也是立刻就能体现，该瓶颈制程的产出得到了明显进步。短短两三个个月后，该工厂的效益就看到了明显的改善。