{
  "code": "14811KR03",
  "factory_name": "爱茉莉太平洋乌山",
  "batch": 11,
  "type": "单一灯塔",
  "country": "韩国",
  "city": "韩国 · 京畿道乌山",
  "province": "京畿道乌山",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "化妆品制造",
  "release_date": "2023年12月",
  "quote": "新品交付周期砍半、缺陷率压低 54%，还能做出 80 万种定制产品——爱茉莉太平洋用 AI 与 3D 打印，重新定义了化妆品制造。",
  "use_cases": [
    {
      "num": "①",
      "title": "① AI定制化妆品服务 核心用例",
      "pain": "⚠️ 痛点：传统化妆品靠大规模量产，配方千篇一律，难以满足消费者日趋个性化的肤质与妆效需求。",
      "idea": "💡 方案：AI 驱动的店内定制化妆品服务，把「测肤—配方—生产」搬到门店，实现即测即产即交付。",
      "steps": "Step 1 — 肤质与偏好采集：门店设备采集消费者肤质数据、色号偏好与使用场景 Step 2 — AI 配方匹配：算法在配方库中匹配或生成个性化配方 Step 3 — 店内即时生产：现场设备按配方调配、灌装，即时交付定制产品 Step 4 — 模式规模化复制：把定制模式推广到更多门店，累计覆盖 80 万+ 定制 SKU",
      "key_data": "📊 核心成效：定制 SKU 80 万+",
      "tags": [
        "05.01.01",
        "06.01.02"
      ],
      "tech_descs": [
        "以消费者肤质与偏好数据为输入，AI 从海量配方组合中生成个性化方案，替代人工配方经验。",
        "打通「消费需求—生产端」链路，把传统以产定销翻转为以需定产，支撑店内即时定制。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② AI工艺设计优化 核心用例",
      "pain": "⚠️ 痛点：化妆品新品从配方到量产，工艺参数验证依赖大量物理试制，周期长、试错成本高。",
      "idea": "💡 方案：用 AI 辅助工艺设计优化，在数字空间验证配方与工艺参数，大幅压缩新品导入周期。",
      "steps": "Step 1 — 历史工艺数据沉淀：汇总配方、工艺参数与质检结果数据 Step 2 — AI 工艺建模：建立「工艺参数—产品质量」关联模型 Step 3 — 虚拟试制：在数字空间验证参数组合，减少物理打样次数 Step 4 — 快速导入量产：新品交付周期缩短 50%",
      "key_data": "📊 核心成效：新品交付周期 ↓50%",
      "tags": [
        "05.01.01",
        "05.01.02"
      ],
      "tech_descs": [
        "基于历史试制数据，AI 在参数空间中智能搜索最优组合，替代经验驱动的逐项试验。",
        "用机器学习拟合工艺与质量之间的非线性关系，形成可复用的工艺知识库。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 自进化化妆品制造 核心用例",
      "pain": "⚠️ 痛点：多品种、小批量的化妆品生产，批次间质量波动大，缺陷率居高不下。",
      "idea": "💡 方案：打造自进化制造系统，用机器学习持续学习产线数据、自动调优参数，让产线越造越稳。",
      "steps": "Step 1 — 全流程数据采集：传感器与质检数据实时回流 Step 2 — ML 质量建模：建立缺陷根因模型，定位质量波动源头 Step 3 — 参数自调优：产线参数随数据反馈自动进化、持续收敛 Step 4 — 闭环改进：制造缺陷率下降 54%",
      "key_data": "📊 核心成效：制造缺陷率 ↓54%",
      "tags": [
        "05.01.02",
        "03.03.01"
      ],
      "tech_descs": [
        "以机器学习识别影响质量的关键参数，实现缺陷的定量归因，取代人工经验排查。",
        "产线可灵活切换不同品类，支撑高混线的自进化制造场景。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "④ AI包装线故障检测 核心用例",
      "pain": "⚠️ 痛点：高速包装线上的隐性故障难以及时发现，一旦爆发就导致停机与批量次品。",
      "idea": "💡 方案：以 AI 视觉 + 预测性维护实时监测包装线，在故障发生前预警干预，稳定提产。",
      "steps": "Step 1 — 视觉传感部署：在包装线关键工位加装视觉检测 Step 2 — AI 故障识别：实时识别异常与早期故障信号 Step 3 — 预测性维护：故障发生前预警，安排预防性干预 Step 4 — 稳定提产：包装线生产率提升 344%",
      "key_data": "📊 核心成效：包装线生产率 ↑344%",
      "tags": [
        "01.03.02",
        "05.01.04"
      ],
      "tech_descs": [
        "以机器视觉高速捕捉包装线异常，替代人工巡检，覆盖人眼难以察觉的微小缺陷。",
        "基于设备运行数据的 AI 预测模型，提前判断故障趋势，把「坏了再修」变为「提前干预」。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "⑤ 3D打印包装生产 核心用例",
      "pain": "⚠️ 痛点：定制包装所需的工装模具，采购周期长、成本高，拖慢新包装上线节奏。",
      "idea": "💡 方案：用 3D 打印（增材制造）快速生产包装工装，替代传统开模，实现柔性换装。",
      "steps": "Step 1 — 数字化建模：对包装工装进行数字化设计 Step 2 — 3D 打印成型：增材制造快速制造工装样件 Step 3 — 柔性换装：支撑多品种小批量包装快速切换 Step 4 — 采购周期压缩：工装采购时间缩短 71%",
      "key_data": "📊 核心成效：工装采购时间 ↓71%",
      "tags": [
        "01.04.03",
        "03.03.01"
      ],
      "tech_descs": [
        "以增材制造取代传统开模，实现工装的快速迭代与低成本制造。",
        "配合可快速更换的 3D 打印工装，产线可在不同包装规格间灵活切换。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "定制 SKU",
      "improvement": "80 万+",
      "domain": "80 万+",
      "tech": "AI 定制服务开启店内生产新模式"
    },
    {
      "metric": "新品交付周期",
      "improvement": "↓50%",
      "domain": "—",
      "tech": "AI 工艺设计优化加速新品上市"
    },
    {
      "metric": "制造缺陷率",
      "improvement": "↓54%",
      "domain": "—",
      "tech": "自进化制造持续压低缺陷"
    },
    {
      "metric": "包装线生产率",
      "improvement": "↑344%",
      "domain": "—",
      "tech": "AI 故障检测大幅提产"
    },
    {
      "metric": "工装采购时间",
      "improvement": "↓71%",
      "domain": "—",
      "tech": "3D 打印替代传统开模"
    }
  ]
}