报表自动化：每天自动生成FAB日报
报表自动化：每天自动生成FAB日报
一、问题背景：每天花2小时做日报
生产经理每天早上开晨会，第一件事就是看日报。
日报内容：
- 昨日生产情况（Lot完成数、良率、平均周期）
- 异常事件回顾
- 关键指标趋势
过去的做法：
1. 从MES导出数据
2. 复制到日报模板
3. 计算各项指标
4. 截图贴图
5. 发邮件
问题：
1. 每天重复同样的步骤，太浪费
2. 偶尔手滑，数字贴错了
3. 领导临时要变格式，全部重做
4. 没人想干这活，谁值班谁倒霉
解决方案：用Python自动生成日报。
---
二、技术原理：报表自动化的3个步骤
2.1 数据准备
```python
import pandas as pd
from datetime import datetime, timedelta
def prepare_daily_data():
"""获取昨日数据"""
yesterday = datetime.now() - timedelta(days=1)
date_str = yesterday.strftime('%Y-%m-%d')
# 从MES获取数据（模拟）
data = pd.DataFrame({
'lot_id': [f'FAB-{i:04d}' for i in range(50)],
'process': ['ETCH', 'PHOTO', 'CVD', 'CMP', 'IMP'],
'wafer_count': np.random.randint(12, 26, 50),
'thickness_avg': 1250 + np.random.randn(50) * 3,
'thickness_std': 1 + np.random.rand(50) * 2,
'yield_rate': 95 + np.random.randn(50) * 2,
'cycle_time': np.random.randint(120, 360, 50), # 分钟
'start_time': yesterday,
})
return data
```
2.2 指标计算
```python
def calculate_kpis(data):
"""计算关键指标"""
kpis = {
'total_lots': len(data),
'total_wafers': data['wafer_count'].sum(),
'avg_yield': data['yield_rate'].mean(),
'avg_cycle_time': data['cycle_time'].mean(),
'abnormal_lots': len(data[data['yield_rate'] < 90]),
'avg_thickness': data['thickness_avg'].mean(),
}
return kpis
```
2.3 报告生成
```python
def generate_report(kpis, output_path):
"""生成日报文件"""
report = f"""
FAB日报 - {datetime.now().strftime('%Y-%m-%d')}
{'='*50}
昨日生产概况:
完成Lot: {kpis['total_lots']}批
完成Wafer: {kpis['total_wafers']}片
平均良率: {kpis['avg_yield']:.1f}%
平均周期: {kpis['avg_cycle_time']:.0f}分钟
异常情况:
低良率Lot: {kpis['abnormal_lots']}批
质量指标:
平均厚度: {kpis['avg_thickness']:.2f} A
{'='*50}
"""
with open(output_path, 'w', encoding='utf-8') as f:
f.write(report)
```
---
三、实战案例：完整的日报系统
```python
"""FAB日报自动生成系统（精简版，核心≤80行）"""
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
from pathlib import Path
class FABDailyReportGenerator:
"""FAB日报生成器（精简版）"""
def __init__(self, output_dir="./daily_reports"):
self.output_dir = Path(output_dir)
self.output_dir.mkdir(parents=True, exist_ok=True)
self.data = None
self.kpis = {}
self.yesterday = datetime.now() - timedelta(days=1)
def load_data(self, data_source=None):
"""加载数据（为什么支持模拟？因为真实MES数据要申请权限，先用手动数据调试）"""
if data_source and Path(data_source).exists():
self.data = pd.read_csv(data_source)
else:
# 模拟MES数据（用固定seed保证每天数据不同但可重复）
np.random.seed(int(self.yesterday.timestamp()))
n_lots = np.random.randint(30, 60)
self.data = pd.DataFrame([{
'lot_id': f'FAB-{self.yesterday.strftime("%m%d")}-{i+1:04d}',
'process': np.random.choice(['PHOTO', 'ETCH', 'CVD', 'CMP', 'IMP']),
'wafer_count': np.random.randint(12, 26),
'thickness_avg': round(1250 + np.random.randn() * 3, 1),
'yield_rate': round(min(100, max(80, 95 + np.random.randn() * 3)), 1),
'cycle_time': np.random.randint(120, 360),
} for i in range(n_lots)])
return self.data
def calculate_kpis(self):
"""计算关键指标（KPI = Key Performance Indicator，领导最关心这几个数）"""
df = self.data
# 生产概览（总量指标）
self.kpis = {
'date': self.yesterday.strftime('%Y-%m-%d'),
'total_lots': len(df),
'total_wafers': df['wafer_count'].sum(),
'avg_yield': round(df['yield_rate'].mean(), 1),
'avg_cycle_time': round(df['cycle_time'].mean(), 1),
'avg_thickness': round(df['thickness_avg'].mean(), 2),
'low_yield_count': len(df[df['yield_rate'] < 90]), # <90%算异常
'abnormal_count': len(df[(df['yield_rate'] < 90) | (df['thickness_std'] > 3)]),
}
# 分工序统计（groupby是pandas最常用操作，按工序分组算均值）
self.kpis['process_stats'] = df.groupby('process').agg({
'lot_id': 'count',
'yield_rate': 'mean',
'cycle_time': 'mean',
}).to_dict('index')
return self.kpis
def generate_text_report(self):
"""生成文本格式日报（为什么用文本？因为邮件正文、微信、钉钉都能直接贴）"""
date_str = self.yesterday.strftime('%Y年%m月%d日')
p = self.kpis['process_stats']
lines = [
"=" 60, "半导体FAB生产日报", f"日期: {date_str}", "=" 60, "",
"【生产概况】",
f" 完成Lot: {self.kpis['total_lots']} 批",
f" 完成Wafer: {self.kpis['total_wafers']} 片",
f" 平均良率: {self.kpis['avg_yield']}%",
f" 平均周期: {self.kpis['avg_cycle_time']} 分钟",
f" 平均厚度: {self.kpis['avg_thickness']} A", "",
"【质量异常】",
f" 低良率Lot: {self.kpis['low_yield_count']} 批",
f" 异常合计: {self.kpis['abnormal_count']} 批", "",
"【分工序统计】",
]
for proc, stats in p.items():
lines.append(f" {proc}: {stats['lot_id']}批, 良率{stats['yield_rate']:.1f}%, 周期{stats['cycle_time']:.0f}分钟")
lines.extend(["", "=" * 60, f"生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M')}"])
return "\n".join(lines)
def run(self, data_source=None):
"""执行完整流程"""
self.load_data(data_source)
self.calculate_kpis()
return {'text_report': self.generate_text_report()}
使用示例
if __name__ == '__main__':
generator = FABDailyReportGenerator()
result = generator.run()
print(result['text_report'])
```
---
四、效果对比
| 维度 | 手工日报 | 自动日报 | 提升 |
|------|---------|---------|------|
| 生成时间 | 2小时 | 3秒 | 2400倍 |
| 错误率 | 5% | <0.1% | 98% |
| 格式扩展性 | 差 | 灵活 | 好 |
| 离线可用 | 可以 | 需要配置 | - |
---
五、实施建议：报表自动化三阶段
我在FAB推行报表自动化时，发现最大的阻力不是技术，而是“习惯”。工程师们习惯了Excel，觉得“手动做更放心”。要成功推行，得按三个阶段来：
第一阶段：手工报表标准化（第1-2周）
在写第一行代码之前，先把现有的手工报表摸清。我刚去生产部时，发现每个人的日报格式都不一样：
- 张工喜欢用表格，李工喜欢用段落
- 有的人把良率放前面，有的人把周期放前面
- 有的人用红色标注异常，有的人用黄色
我的做法：
1. 跟3-5个工程师聊，看他们现在的日报长什么样
2. 提炼出“公共部分”：生产概况、质量异常、分工序统计，这3块是所有人都要的
3. 设计一个“标准模板”，跟生产经理确认后，作为自动化报表的格式基准
4. 把标准模板用Markdown写出来（为什么用Markdown？因为转HTML、转PDF都很方便）
踩过的坑：一开始想“一步到位”，把每个人要的数据都加进去，结果报表太长，没人看。后来改成“核心报表+定制附件”，核心报表只有1页，定制数据放在Excel附件里。
第二阶段：半自动报表（第3-4周）
标准化后，开始做“半自动”——数据还是要手动导出，但计算和排版由代码完成。
具体步骤：
1. 让工程师每天下班前，把MES数据导出成CSV，放到指定文件夹（比如`D:\FAB\\daily_data\\`）
2. Python脚本从这个文件夹读取最新的CSV，计算KPI，生成文本报表
3. 工程师检查报表，确认无误后，复制粘贴到邮件里发出去
这个阶段的关键是“建立信任”。工程师们看到代码算出来的数字跟手动算的一样，才开始放心。
第三阶段：全自动报表（第5周开始）
信任建立后，就可以做全自动了。我设计了一个简单的自动化流程：
1. 用Windows任务计划程序（Task Scheduler），每天早上6点自动运行Python脚本
2. 脚本从MES数据库直接拉取昨日数据（需要IT部门开一个只读账号）
3. 生成文本报表+Excel明细，自动发送到指定邮箱（用`smtplib`库）
4. 如果数据异常（比如良率<90%），额外抄送质量经理
实施要点：
- 全自动不等于“没人管”。我建议每周人工抽查一次，看自动报表跟手动计算是否一致
- 邮件模板要设计好。我一开始把全部数据都放邮件正文，结果被吐槽“太长了，手机上看不全”。后来改成“摘要+附件”，摘要只放关键KPI，详细数据放Excel
- 权限要控制好。生产数据不能乱发，我加了一个“收件人白名单”，只有经理以上才能收到完整数据
---
六、进阶方向：从日报到智能报表系统
基础的日报自动化只是开始，报表系统还有很多可以升级的地方：
1. Jinja2模板引擎：让报表更美观
现在的文本报表虽然能用，但不够美观。可以用Jinja2模板引擎，生成漂亮的HTML报表。Jinja2是Python的模板库，可以把数据和HTML模板分离，方便维护。
```python
from jinja2 import Template
HTML模板（放在单独的文件里）
template_str = """
FAB日报 - {{ date }}
平均良率: {{ avg_yield }}%
{% if abnormal_count > 0 %}
异常Lot: {{ abnormal_count }}批
{% endif %}
"""
template = Template(template_str)
html_report = template.render(date=kpis['date'], avg_yield=kpis['avg_yield'], abnormal_count=kpis['abnormal_count'])
```
2. PDF报告生成：适合正式汇报
给高层的报告通常需要PDF格式。可以用`reportlab`库或者`weasyprint`库，把HTML转成PDF。我推荐`weasyprint`，因为它支持CSS，排版更灵活。
```python
用weasyprint把HTML转PDF
from weasyprint import HTML
HTML(string=html_report).write_pdf('daily_report.pdf')
```
3. 邮件自动发送：定时推送
报表生成后，自动发送到指定邮箱。Python的`smtplib`库可以搞定，但要注意：
- 不要用个人邮箱发，容易被当成垃圾邮件。申请一个企业邮箱专门用来发报表
- 大附件（比如Excel明细）要压缩，不然邮箱拒收
- 如果报表里有异常数据，主题栏要标注`[异常]`，让收件人一眼看到
```python
import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart
def send_email(text_report, recipients):
msg = MIMEMultipart()
msg['Subject'] = 'FAB日报 - ' + datetime.now().strftime('%Y-%m-%d')
msg['From'] = 'fab-report@company.com'
msg['To'] = ', '.join(recipients)
msg.attach(MIMEText(text_report, 'plain', 'utf-8'))
with smtplib.SMTP('smtp.company.com') as server:
server.send_message(msg)
```
4. 交互式仪表盘（Dashboard）
比日报更高级的是“实时仪表盘”。可以用`Streamlit`库，几分钟搭一个Web仪表盘，展示实时生产数据。Streamlit是Python的快速Web应用框架，不需要写HTML/CSS/JS，全用Python搞定。
5. 多语言支持
如果公司在海外有工厂，报表需要英文版。可以用`gettext`库做国际化，或者简单点，用一个`lang`字典存储中英文对照。
---
> 📦 专栏VIP资源包：包含本系列40篇全部可运行源码、示例数据集、自动化脚本工具包。在专栏主页点击「VIP资源」即可获取。
七、总结
日报自动化的核心不是写代码，而是设计好数据流——数据从哪里来、怎么算、输出什么。标准化了以后，任何变动都改几行代码就行。
下一篇预告：时间序列分析——预测FAB生产趋势。
---
> 💬 你在实际工作中遇到过类似问题吗？欢迎在评论区聊聊你的经历，或者说说你最想用Python自动化的场景！
>
> 📚 专栏持续更新中，关注不迷路。觉得有用的话，收藏+点赞支持一下~ 👍
>
> 🔧 专栏配套工具包（含本篇完整可运行代码+示例数据）已上传为VIP资源，专栏目录页可下载。
