{
  "code": "16511CN20",
  "factory_name": "科赴上海(端到端)",
  "batch": 11,
  "type": "端到端",
  "country": "中国",
  "city": "上海",
  "province": "上海",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "消费品/日化（日化产品制造）",
  "core_products": "李施德林(Listerine)漱口水、邦迪创可贴、强生婴儿(Johnson's Baby)系列、艾惟诺(Aveeno)、露得清(Neutrogena)等个人护理与健康消费品",
  "application_areas": "口腔护理、伤口护理、母婴护理、皮肤护理等个人护理与健康消费品制造",
  "release_date": "2023年12月",
  "quote": "科赴上海在其端到端价值链部署25+个工业4.0用例，以「社媒大数据+数字孪生+增材制造+机器学习」打通从消费者洞察到库存补货的全链路：新品上市时间↓50%、需求预测↑1.3倍、48小时按时交付率99.8%，电商业务占比从30%跃升至60%，成为上海市第四座「灯塔工厂」",
  "use_cases": [
    {
      "num": "①",
      "title": "① 大数据AI客户到制造商洞察 核心用例",
      "pain": "⚠️ 痛点：消费者需求迭代快，传统新品开发依赖线下调研与经验，洞察慢、命中率低，难以快速响应电商时代的口味与功效需求",
      "idea": "💡 方案：构建社媒大数据平台，用自然语言处理(NLP)+知识图谱从多个社交媒体平台抓取品类/品牌/产品评价，驱动「客户到制造商(C2M)」洞察闭环",
      "steps": "Step 1 — 社媒数据接入：接入多平台消费者评论/评价数据，建立品类反馈数据源 Step 2 — NLP+知识图谱解析：用自然语言处理与知识图谱提取消费者对功效、外观、口味的满意度 Step 3 — 洞察驱动开发：将洞察反馈给新品开发团队，实现主动、快速、有针对性的产品升级 Step 4 — 闭环验证：新品上市后回流评价数据，持续校准优化迭代",
      "key_data": "📊 核心成效：新品上市时间↓50%（产品构思时间缩短50%），新品上市成功率↑33%（李施德林樱花蜜桃味漱口水即由此诞生）",
      "tags": [
        "05.02.01",
        "05.01.03",
        "05.01.01",
        "06.01.02"
      ],
      "tech_descs": [
        "汇聚多平台社媒评价数据，为消费者洞察提供数据底座",
        "构建品类/品牌/产品关联，辅助语义理解与需求挖掘",
        "自然语言处理(NLP)驱动消费者情感与需求识别",
        "客户到制造商洞察闭环，实现以消费者为中心的新品开发"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② 新品上市工艺孪生 核心用例",
      "pain": "⚠️ 痛点：新品从研发到量产周期长、每SKU开发成本高，传统试错式工艺验证慢、成本高",
      "idea": "💡 方案：构建新品上市「工艺孪生」，用数字孪生+数字主线在虚拟环境验证工艺，叠加增材制造(3D打印)加速打样，压缩上市周期",
      "steps": "Step 1 — 工艺建模：为新品类建立工艺数字孪生模型，映射关键工艺参数 Step 2 — 虚拟验证：在孪生环境仿真验证配方与工艺，减少物理试错 Step 3 — 3D打印打样：用增材制造快速制作模具/样件，压缩打样周期 Step 4 — 量产导入：将验证后的工艺参数直接导入产线，缩短上市时间",
      "key_data": "📊 核心成效：每SKU开发成本↓30%（数字孪生使新产品开发交付时间缩短66%）",
      "tags": [
        "03.01.01",
        "05.04.01",
        "02.01.04",
        "01.04.03"
      ],
      "tech_descs": [
        "新品工艺虚拟映射与仿真，支撑配方/工艺快速验证",
        "产品级数字孪生支撑快速开发与上市提速",
        "贯穿研发—工艺—量产的数据主线，实现端到端贯通",
        "3D打印快速打样，显著压缩样件与工装制作周期"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ ML精细化需求预测 核心用例",
      "pain": "⚠️ 痛点：电商需求波动大，传统需求预测依赖人工经验，准确率低，导致缺货与库存积压并存",
      "idea": "💡 方案：自研高级需求预测引擎，用机器学习融合多源数据实现SKU级精细化需求预测，滚动校准提升预测准确率",
      "steps": "Step 1 — 多源数据融合：整合销售、电商、促销、季节等多源需求数据 Step 2 — ML建模：构建机器学习预测模型，实现SKU级精细化预测 Step 3 — 滚动校准：持续用实际销量校准模型，滚动优化预测精度 Step 4 — 预测驱动排产：将预测结果输入排产与备货决策",
      "key_data": "📊 核心成效：需求预测准确率↑1.3倍（自研引擎将准确率从29%提升至67%）",
      "tags": [
        "05.01.02",
        "04.02.03",
        "04.02.02"
      ],
      "tech_descs": [
        "SKU级精细化需求预测模型，持续学习优化",
        "高级需求预测引擎，把预测准确率从29%提升至67%",
        "预测驱动库存与备货优化，减少缺货与积压"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "④ 远程监控与3D打印敏捷制造 核心用例",
      "pain": "⚠️ 痛点：多SKU柔性生产需求高，传统换线慢、模具/夹具制作周期长，难以快速切换产品",
      "idea": "💡 方案：用远程监控+增强现实(AR)赋能柔性生产，结合3D打印快速制作工装夹具，实现敏捷制造与快速换线",
      "steps": "Step 1 — 远程监控部署：对产线关键设备与工序部署远程监控，实时掌握运行状态 Step 2 — AR辅助作业：用增强现实技术辅助换线与操作，降低人工技能依赖 Step 3 — 3D打印工装：用增材制造快速制作换线所需夹具/模具 Step 4 — 柔性切换闭环：实现多SKU快速换线与敏捷生产",
      "key_data": "📊 核心成效：换线时间↓70%（增强现实等技术赋能智能灵活生产）",
      "tags": [
        "01.04.03",
        "05.03.03",
        "03.03.01",
        "05.01.01"
      ],
      "tech_descs": [
        "3D打印快速制作工装夹具，缩短换线准备时间",
        "远程数据采集与监控，支撑产线实时可视与敏捷调度",
        "多SKU柔性生产，快速响应电商订单与换线需求",
        "增强现实(AR)辅助作业，降低换线对人工经验的依赖"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "⑤ 预测性无接触库存补货 核心用例",
      "pain": "⚠️ 痛点：传统补货依赖人工盘点与经验判断，缺货率高、库存周转慢、运营费用高",
      "idea": "💡 方案：构建预测性无接触补货系统，基于需求预测自动触发补货，减少人工干预，实现精准库存管理",
      "steps": "Step 1 — 库存实时可视：打通库存、销售、预测数据，实现端到端可视 Step 2 — 预测性补货引擎：基于需求预测自动计算补货点与补货量 Step 3 — 无接触自动触发：系统自动触发补货订单，无需人工干预 Step 4 — 闭环优化：持续优化补货策略，压降库存与缺货",
      "key_data": "📊 核心成效：缺货率↓80%，在手库存天数↓23%（库存周转期缩短23%）",
      "tags": [
        "04.02.02",
        "04.02.03",
        "05.01.04",
        "04.01.03"
      ],
      "tech_descs": [
        "精准预测库存，降低在手库存天数",
        "预测性补货引擎，自动计算补货点与补货量",
        "预测性、无接触式运营，替代人工盘点与经验判断",
        "库存端到端可视，支撑实时补货决策"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "新品上市时间（NPI上市时间）",
      "improvement": "↓50%",
      "domain": "降低50%",
      "tech": "社媒大数据洞察缩短新品构思，加速上市"
    },
    {
      "metric": "每SKU开发成本",
      "improvement": "↓30%",
      "domain": "降低30%",
      "tech": "工艺数字孪生虚拟验证+3D打印打样降本"
    },
    {
      "metric": "缺货率",
      "improvement": "↓80%",
      "domain": "降低80%",
      "tech": "ML需求预测+无接触补货精准备货"
    },
    {
      "metric": "换线时间",
      "improvement": "↓70%",
      "domain": "降低70%",
      "tech": "远程监控+AR+3D打印敏捷换线"
    },
    {
      "metric": "在手库存天数",
      "improvement": "↓23%",
      "domain": "降低23%",
      "tech": "预测性无接触补货压降库存"
    }
  ]
}