对工作效率及工作质量的自我评价_个人工作表现总结评价.docxVIP

对工作效率及工作质量的自我评价_个人工作表现总结评价

一、岗位与周期背景

2022年3月—2024年3月，就职于深圳市XX科技股份有限公司供应链中心，任职“计划与交付高级专员”，直接汇报对象为供应链总监，虚线汇报给销售运营部。团队编制8人，本人负责SOP流程落地、主需求计划（MDS）编制、缺料预警模型搭建及急单交付项目。两年周期内，公司营收从18.4亿元增至26.7亿元，SKU数量由1200扩张到2050，而客户OTDR（准时交付率）集团考核指标从92%提升到96.5%，库存周转天数由45天压降至28天。以下围绕“效率”与“质量”两条主线，用项目化语言复盘本人具体动作、量化结果、制度沉淀与可复制方法。

二、效率维度：把“数据搬运”变成“数据自动驾驶”

1.痛点还原

①每周一需求评审会前，计划组4人需花费2.5天从ERP（金蝶K3）、CRM（Salesforce）、WMS（富勒）导出8张Excel，手工VLOOKUP拼接6万行数据，再邮件分发给销售、采购、生产；②因数据切片维度不一致，会议现场平均产生37处争议，返工重跑数据耗时4小时；③历史版本无追溯，错误发现周期＞3天。

2.目标设定

将“需求评审数据准备”环节压缩至30分钟以内，争议点降至5处以内，错误发现周期≤4小时。

3.实施步骤

Step1数据字典统一

召集IT、销售、采购、财务四方，用3次2小时工作坊确定58个核心字段命名及口径（如“客户forecast版本号”统一取CRM中“Week+SalesOrg+Version”）。

形成《供应链数据标准V1.3》制度文件，总监签发，纳入部门KPI考核，违规一次扣2分。

Step2自动化脚本开发

采用Python3.9+pandas+SQLAlchemy，本人主笔1800行代码，按“Extract-Validate-Alert”三段式架构：

a.Extract：凌晨02:30通过ODBC连接K3、RestAPI连接Salesforce、WMS中间库，增量抽取前7天及未来14周数据；

b.Validate：写入SQLite临时库，用GreatExpectations做42条规则校验（如“客户编码不能为空”“需求数量≥0”），失败即触发企业微信机器人；

c.Alert：若校验通过，自动推送PowerBI数据集刷新，并邮件输出“异常清单”到责任人。

脚本部署在CentOS7虚拟机，使用systemd定时任务，日志写入Loki+Grafana监控，失败自动重跑2次，仍失败则电话告警。

Step3会议机制再造

将周一上午“需求评审会”改为“数据驱动会”，会议资料提前4小时锁定，PowerBI报表采用行级权限（RLS），销售、采购、生产各自看到对应维度；

引入“红绿灯”规则：当某SKU未来4周累计需求波动＞±30%自动标红，会议现场只聚焦红灯SKU，平均会议时长由110分钟降至38分钟。

4.量化结果

数据准备人时从10人时/周降至0.5人时/周，效率提升95%；

争议点由37处降至3处；

2023年Q4因数据错误导致的追加插单减少19单，折算节省加班费11.4万元。

5.制度固化

发布《供应链数据自动化管理办法》，明确脚本变更走GitLabMergeRequest，必须经过同事A/B双人review；

建立“数据质量问责”条款：若同一规则一月内报警≥3次，责任人需在中心例会上做复盘，并扣当月绩效5%。

三、质量维度：把“救火”变成“防火”

1.痛点还原

2022年H1因缺料导致停产线17次，最严重一次停线6.5小时，直接损失83万元；客户投诉9起，其中2起触发合同罚款条款。

2.目标设定

2023年全年停线次数≤2次，客户投诉0起，缺料导致的急单空运费用下降50%。

3.实施步骤

Step1缺料预警模型

数据层：取K3采购订单、IQC检验时长、供应商在途报表、生产节拍4类数据，建立PostgreSQL星型模型；

算法层：采用“安全库存+动态leadtime”双因子法，对A类物料（占金额80%）使用正态分布服务水平95%，B/C类使用泊松分布；

输出层：每日06:00自动计算未来21天“潜在缺料清单”，分三级预警：

Ⅰ级（停线风险≥50%）红色弹窗+短信+电话；

Ⅱ级（30%≤风险＜50%）橙色邮件；

Ⅲ级（10%≤风险＜30%）蓝色