4. 工程进度数据体系

AI预测工期风险，前提是“喂进去的数据能讲清楚现场发生了什么”。工程进度数据体系不是把Excel堆在一起，而是把时间、任务、资源、成本四条线对齐到同一套编码和口径上。本节围绕数据来源、任务分解、资源与成本数据、数据质量要求四件事展开，重点说明实际怎么建、怎么填、怎么判断可用。

一、进度数据来源：三类数据，三种采集节奏

工程进度数据按产生方式可分为三类，采集频率和可信度差异很大，不能混用同一套更新周期。

• 计划类数据：来自WBS、总进度计划、月/周计划、里程碑清单。它是“应该发生什么”，相对稳定，变更需走审批。
• 实际类数据：来自现场日报、周报、形象进度照片、监理确认单、工序验收记录。它是“实际发生了什么”，更新频率最高，通常按日或按周采集。
• 资源与成本类数据：来自劳务考勤、机械台班记录、材料进场单、产值计量与支付台账。它回答“花了多少、投入了多少”，通常按周或按月归集。

三类数据必须挂在同一个任务编码下。例如某住宅项目标准层结构施工，计划数据给出“第12层墙柱钢筋绑扎，计划2天”，实际数据记录“实际完成1.5天，投入钢筋工18人”，成本数据记录“当日钢筋绑扎产值约2.4万元”。只有三者能按任务编码关联，AI才能判断“进度偏差是效率问题还是资源不足”。

二、任务分解：WBS到可采集粒度

任务分解的核心不是拆得越细越好，而是拆到可采集、可度量、可归责的粒度。建议采用“单位工程→分部工程→分项工程→工序”四级结构，最底层工序作为数据采集单元。

以某商业综合体项目为例，WBS编码可采用“楼层-专业-工序”结构：

编码示例：F03-STR-REB-01
F03：3层
STR：结构专业
REB：钢筋工程
01：墙柱钢筋绑扎工序

计划工期：2天
工程量：钢筋绑扎约12.6吨
责任班组：钢筋一班
前置任务：F03-STR-FRM-02（模板安装完成）
后续任务：F03-STR-CON-01（混凝土浇筑）

分解时要注意三点：一是每个工序必须有明确的完成判据，如“钢筋绑扎完成并经监理隐蔽验收”才算完成，不能以“工人撤场”为准；二是工序之间的逻辑关系要写清楚，FS（完成-开始）、SS（开始-开始）等关系直接影响关键路径计算；三是编码一旦确定，计划、实际、成本三套数据都沿用同一编码，不允许现场另起一套叫法。

三、资源与成本数据：让进度偏差可解释

仅有“完成百分比”无法解释偏差原因。资源与成本数据的作用，是把进度偏差拆解为效率偏差、资源偏差、范围偏差。

建议按任务记录以下字段：计划人工工日、实际人工工日、计划机械台班、实际机械台班、计划材料量、实际材料量、计划成本、实际成本。以某桥梁墩身施工为例：

当人工工日显著超计划而材料量正常时，AI可判断为“效率型偏差”，风险指向班组熟练度或工作面组织；若材料量也超计划，则可能是“范围型偏差”，需核查是否发生设计变更或返工。这种判断依赖资源与成本数据的完整记录，缺一项都会让归因失真。

四、数据质量要求：六个可检查的硬指标

数据质量不靠“感觉准确”，而靠可检查的规则。建议在数据入库前设置以下校验：

• 完整性：每个任务编码的计划开始、计划完成、实际开始、实际完成、完成百分比五项不得为空。
• 一致性：同一任务的实际完成日期不得早于实际开始日期；完成百分比为100%时实际完成日期必须有值。
• 时效性：现场实际数据应在发生后24小时内录入，周报数据应在每周固定截止时间前提交。
• 唯一性：同一任务编码在同一时间窗口内不得出现两条互相矛盾的实际记录。
• 可追溯性：每条实际数据应关联来源单据编号，如日报编号、验收单号、考勤表编号。
• 口径统一：完成百分比按“工程量完成比例”还是“工期消耗比例”必须全项目统一，并在数据字典中写明。

五、数据体系落地：一张任务数据卡

把上述要求落到操作层，最实用的载体是“任务数据卡”。每个最底层工序一张卡，计划、实际、资源、成本、质量状态都在这张卡上更新。示例字段如下：

任务编码：F03-STR-REB-01
任务名称：3层墙柱钢筋绑扎
计划：开始2025-06-10，完成2025-06-11，工程量12.6吨
实际：开始2025-06-10，完成2025-06-12，完成百分比100%
资源：计划人工120工日，实际138工日；机械6台班，实际6台班
成本：计划18.2万元，实际20.1万元
来源单据：日报20250610-03、隐蔽验收单20250612-07
质量状态：验收合格
数据录入人：张工  录入时间：2025-06-12 17:30

这张卡同时满足完整性、一致性、可追溯性要求，也是AI预测模型的最小输入单元。当项目上所有底层工序都按此粒度维护时，进度预测才有可靠的数据基础；反之，若任务分解过粗、实际数据靠月底补录、成本与任务不挂钩，再先进的算法也只能输出不可信的结果。

从数据来源到任务分解，再到资源成本挂接和质量校验，这条链路决定了AI预测的输入质量。实际项目中，最容易被忽视的是“口径统一”和“可追溯性”——前者导致完成百分比无法横向比较，后者导致偏差出现时无法回溯到原始单据。把这两项写进数据字典并纳入日常检查，进度数据体系才算真正可用。