013|我为什么开始用 Python 做 PMC 日报?

一开始，我其实没想过要做什么“PMC AI Agent”。

最初的想法极其简单：每天的 PMC 日报太折磨人了，能不能让电脑帮我算？

一、不是工作有多难，而是每天都在机械重复

每天上班第一件事，就是从 SAP 导出各种数据：

• MB52
   看库存
• COOIS
   看工单和组件
• 采购数据看订单与到货
• 在途数据还要单独拉一张表整理

接着把这些 Excel 粘到一起：匹配、展开 BOM、算缺料、看齐套，最后整理成一份日报。

这些工作并不算深奥，真正让我决定动手的，是这两件事：

1. 同样的操作，每天都要重复做。
2. 数据量越来越大，Excel 已经开始吃力了。

以前数据少的时候，几条 VLOOKUP 加 SUMIFS 就能搞定。后来 BOM 越来越大，工单越来越多，一个地方改动，后面好几张表都要跟着动。

有时候只是增加了一个简单的判断条件，整张表的公式就要重搭一遍。

筛选一次、匹配一次、汇总一次、再复制到另一张表……每天周而复始。

我就在想：这些明明有固定套路的事情，为什么一定要人工去按键盘？

如果我把这些业务规则写进程序里，以后是不是只需要把 SAP 导出的原始表扔进去，剩下的全部让程序跑？

这就是我开始用 Python 做 PMC 日报的起点。

二、难的不是代码，而是把“经验”变成“规则”

刚开始其实没想那么远，无非是先做最基本的数据处理：读取 Excel ➔ 数据清洗 ➔ 匹配物料 ➔ 计算库存

但慢慢加入 BOM 展开、缺料分析和工单齐套之后，我才发现：PMC 日报远比想象中复杂。

因为最难的从来不是“怎么用 Python 读取 Excel”，而是怎么把 PMC 平时习以为常的业务判断，一条一条给程序讲清楚。

比如：

• 什么叫“有效需求”？哪些需求该算，哪些不该算？
• 动态库存应该怎么扣减？
• 采购在途到底什么时候才能算进可用？
• 半成品工单下面的物料逻辑怎么处理？
• 父项已经满足需求时，子项还需要继续展开计算吗？

平时人工做表，凭经验几秒钟就能下意识做出判断。但要交给程序，就必须把这些“感觉”拆解成无歧义的逻辑代码。

这时我才意识到：做 PMC 自动化，本质上不是把 Excel 搬进 Python，而是把 PMC 的业务逻辑数字化。

三、从“把表做完”到“逻辑重构”

这个过程当然充满了踩坑。

程序第一次跑出来，数据根本对不上。只能重新查、改逻辑、再运行、再对账……一个逻辑刚调顺，另一个角落又爆了 Bug。

但随着程序慢慢迭代，它开始能同时把 MB52、COOIS、BOM、采购和在途数据串在一块计算。日报处理时间也从原来的 1~2 小时，缩短到了秒级自动生成。

不过 Python 真正带给我的改变，不仅仅是“节省了时间”，而是思考方式的转变：

• 以前做日报：
   我每天都在焦虑“今天能不能把这张表赶出来”。
• 现在做日报：
   我只关心“当现场数据变了，我能不能以最低成本再跑一遍”。

以前我们手里拿着的是一张静态的 Excel，现在掌握的则是一套动态的计算逻辑。

SAP 每天依然导出 Excel，最终呈现给大家的也依然是 Excel。但中间那些机械、重复、容易出错的过程，全被程序干掉了。

写在最后

我并不是想劝所有 PMC 都去转行当程序员，更不觉得 Excel 会被淘汰——它依然是 PMC 最顺手的工具之一。

我只是觉得：如果一件事每天都要重复做，而且判断规则相对明确，那它就极度值得被自动化。

哪怕一开始只能帮自己省下 10 分钟。

PMC 日报只是一个起点。后续在做 BOM 展开、齐套分析、缺料预警、采购需求和库存结构时，我更深地感受到：制造业里有太多这样“重要但重复”的工作。

这些地方，才是自动化与 AI 最该介入的战场。

我们的目的不是让 AI 替代 PMC 做决策，而是把重复算数、重复抄写、重复检查的时间省下来。

让 PMC 把精力放回真正需要经验和智慧的事情上。

👤 作者｜AI制造实验室

我是 老马，一名拥有 13年PMC（生产与物料控制）经验的制造业从业者，也是 PMC AI Agent 开发者。

这个公众号不讨论遥远的 AI 概念，只记录 AI 在制造业中的真实实践：PMC 自动化、供应链优化、AI Agent、知识库、Dashboard，以及我在一线工作中的思考与踩坑。

希望每一篇文章，都能让制造业同行少走一点弯路。

AI不会替代PMC。

但会使用AI的PMC，会拥有更多时间创造价值。

—— AI制造实验室

📌 欢迎关注《AI制造实验室》，一起探索 AI 在制造业中的真实价值。