Ciencia de datos: Caso de uso de análisis de garantía de la industria automotriz

Este post fue difundido como parte del Blogatón de ciencia de datos.

Introducción

La industria automotriz ha movilizado la economía durante décadas. En la industria del Automóvil, la cadena de valor comienza en Inbound Logistics (materia prima, almacén) Producción (Operación), Comercialización y Ventas, Mantenimiento (Servicio) dado el diseño del Automóvil, proveedores, el procedimiento ya está listo.

Aún cuando la ciencia de datos se utiliza en todos los niveles de esta cadena de valor, como la optimización del cronograma, la optimización del transporte, la administración de inventario, la optimización de la fuerza de trabajo, la optimización de procesos y el control de procesos, dirigiéndose a la audiencia adecuada para el segmento correcto de automóvil, hoy describiré más en el caso de uso de análisis de período de garantía o mantenimiento en el que he trabajado.

¿Por qué análisis de garantía?

Después de la venta, los automóviles obtienen servicios de posventa de los concesionarios. Un análisis de garantía se basa principalmente en los datos recopilados de esos servicios, reclamaciones durante un período determinado.

En el análisis de garantía, típicamente se observa la distribución Gamma, Weibull o lognormal para la falla del producto a lo largo del período.

¿Cómo se ven los datos de análisis de garantía y cómo ajustamos la distribución a los datos?

Un análisis de garantía es el análisis de datos de tiempo transcurrido hasta el evento / falla. En nuestro ejemplo, la pieza individual se sigue desde el tiempo del coche vendido hasta su avería.

Como en la construcción típica de modelos, dividimos los datos en conjuntos de datos de prueba y de tren. Con los datos de entrenamiento, primero estimamos los parámetros de la distribución y después, usando los datos de prueba, vemos si el modelo ajustado funciona bien con esos datos o no.

Gama: La función de densidad de probabilidad (pdf) de la distribución Gamma se puede expresar como:

con α> 0 y β> 0 yx ≥0.

Esto además significa que yotiene dos parámetros, alfa– que representa el forma parámetro, y beta- que representa el escala parámetro, y su soporte consiste solo en valores positivos.

En la distribución Gamma, usando todas las xi y usando estimaciones de máxima verosimilitud, calculé el α y el β para cada elemento (pieza de repuesto en el análisis). Pero observé que la distribución Gamma cuando se ajusta a los datos de prueba, el tiempo real para fallar no estaba cerca del tiempo predicho para fallar por modelo para ese elemento. Por lo tanto descarté los enfoques de distribución gamma.

Weibull: La función de densidad de probabilidad (pdf) de la distribución de Weibull se puede expresar como:

con α> 0 y β> 0 y 0

Esto significa que tiene dos parámetros, alfa– que representa el forma parámetro, y beta- que representa el escala parámetro, y su soporte consiste solo en valores positivos.

Los escenarios en las que se conduce el automóvil, las habilidades de conducción del conductor, la edad de la pieza son algunos de los parámetros de los cuales algunos pueden medirse y otros son cualitativos. Y, por eso, el modelado de la falla del post debe realizarse en una gran cantidad de datos. El resto del modelo tendrá un sesgo de los datos de modelado y la precisión del modelo disminuirá a lo largo del período de implementación / implementación.

Desafíos: Los desafíos típicos serían la precisión y la puntualidad de los datos, la longitud de los datos históricos, la cantidad de piezas que se modelarán y la selección del modelo en función de la precisión de los datos de prueba. En mi análisis, tuve los dos últimos desafíos debido a razones como que el automóvil tendrá cientos de ítems y el modelo que se adapta mejor a un elemento puede que no se ajuste bien a otro elemento.

Solución: Hay muchos trabajos de investigación que han explicado este problema, mencionaron que la distribución de tres es un camino a seguir. Al problema, estaba resolviendo que la distribución de Weibull se ajustaba bien a todos los ítems de la pieza. Una vez que esté en forma, los datos de prueba deben apoyar el modelo escogido y una vez realizado esto, desarrollé el procedimiento para que se modele cada ítem, y su función de puntuación se almacene de tal manera que periódicamente se genere la previsión de fallas por ítem.

Una vez que esta solución se implemente en el procedimiento comercial, todos los meses, los fabricantes tendrán una estimación de qué posts y su recuento deben estar listos para posibles reclamos de garantía. Esto posibilita ahorrar en el tiempo de espera del cliente para que las piezas estén disponibles, una mejor administración del inventario, la disminución del costo del almacenamiento innecesario de piezas no imprescindibles y además la verificación de reclamaciones de garantía fraudulentas.

Conclusión: Para todos los fabricantes, los análisis de garantía pueden solucionar los siguientes problemas:

1. Identificar los patrones de reclamaciones (según la temporada, el kilometraje, etc.)
2. Predecir el número esperado de reclamaciones o el costo de las reclamaciones
3. Predecir reclamos fraudulentos (un distribuidor en particular siempre presenta reclamos de garantía, la vida útil de un post es muy larga, pero esos
   las piezas vienen a menudo para un reclamo de garantía, etc.)
4. Investigar la asociación entre diferentes tipos de siniestros (los dos repuestos que se usan al mismo tiempo tiene la
   mismo tiempo de falla)
5. Identificar problemas antes de que se vuelvan graves y dejen de funcionar.
6. Análisis hipotéticos, como si aumentamos el kilometraje, lo que afectará los costos de garantía.

Los beneficios de los análisis de garantía son:

1. Mayor satisfacción del cliente, calidad del producto y estatus de la marca.
2. Impacto tremendo en el resultado final debido a la identificación temprana de problemas
3. Políticas de garantía optimizadas para el máximo rendimiento financiero
4. Aumente la eficiencia de la logística de soporte, como el almacenamiento óptimo de piezas de repuesto o el despliegue de técnicos.

Además puede ayudar a responder preguntas como:

1. Si podemos incrementar la garantía del producto de 3 años a 6, si los datos respaldan la falla del producto ocurre solo después de 10 años. Si un competidor ha aumentado su garantía y si adoptamos la misma, ¿en cuántos costos adicionales de garantía incurriremos? Si no lo hacemos, ¿cuántos ingresos perderemos por la disminución de la participación de mercado?
2. Dado un producto nuevo sin datos históricos, ¿deberíamos ir a lo seguro y ofrecer solo una garantía de un año, o podemos ofrecer una garantía de tres años para impulsar la percepción de nuestra marca?

Este post resume los antecedentes, el enfoque de la respuesta y los beneficios del análisis de garantía, que es una industria muy grande debido al aumento de la venta y la competencia en el mercado del automóvil.

Los medios que se muestran en este post no son propiedad de DataPeaker y se usan a discreción del autor.

Relacionado