Datenwissenschaft: Anwendungsfall zur Gewährleistungsanalyse in der Automobilindustrie

Dieser Beitrag wurde im Rahmen der . veröffentlicht Data Science Blogathon.

Einführung

Die Autoindustrie mobilisiert seit Jahrzehnten die Wirtschaft. In der Automobilindustrie, die Wertschöpfungskette beginnt in der Inbound Logistics (Rohmaterial, Lager) Produktion (Betrieb), Marketing und Vertrieb, Instandhaltung (Service) angesichts des Designs des Automobils, Anbieter, das Verfahren ist fertig.

Auch wenn Data Science auf allen Ebenen dieser Wertschöpfungskette eingesetzt wird, wie z.B. Fahrplanoptimierung, Transportoptimierung, Bestandsverwaltung, Optimierung der Belegschaft, Prozessoptimierung und Prozesskontrolle, die richtige Zielgruppe für das richtige Autosegment ansprechen, heute werde ich mehr in dem Anwendungsfall der Garantie- oder Wartungszeitraumanalyse beschreiben, an dem ich gearbeitet habe.

Warum Garantieanalyse?

Nach dem Verkauf, Autos erhalten After-Sales-Service von Händlern. Eine Garantieanalyse basiert hauptsächlich auf den von diesen Diensten gesammelten Daten, Ansprüche über einen bestimmten Zeitraum.

In der Garantieanalyse, Gammaverteilung wird typischerweise beobachtet, Weibull oder lognormal für Produktfehler während des gesamten Zeitraums.

Wie sehen die Daten der Sicherheitenanalyse aus und wie passen wir die Verteilung an die Daten an?

Eine Sicherheitenanalyse ist die Analyse von Zeit verstrichene Daten bis zum Ereignis / Versagen. In unserem Beispiel, das Einzelteil wird vom Zeitpunkt des Autoverkaufs bis zur Panne verfolgt.

Wie im typischen Modellbau, wir unterteilen die Daten in Test- und Trainingsdatensätze. Mit Trainingsdaten, schätzen wir zuerst die Parameter der Verteilung und dann, mit Testdaten, wir sehen, ob das angepasste Modell mit diesen Daten gut funktioniert oder nicht.

Bereich: Die Wahrscheinlichkeitsdichtefunktion (pdf) der Gamma-Verteilung kann ausgedrückt werden als:

mit α> 0 y β> 0 yx ≥0.

Das bedeutet auch, dass ichhat zwei Parameter, alfa– was repräsentiert die gestalten Parameter, Ja Beta- was repräsentiert die Skala Parameter, und seine Unterstützung besteht nur aus positiven Werten.

In der Gamma-Verteilung, unter Verwendung aller xi und unter Verwendung von Maximum-Likelihood-Schätzungen, Ich habe die α und β für jedes Element berechnet (Ersatzteil in Analyse). Aber ich habe beobachtet, dass die Gamma-Verteilung bei Anpassung an die Testdaten, die tatsächliche Zeit bis zum Versagen lag nicht in der Nähe der prognostizierten Zeit bis zum Versagen des Modells für dieses Element. Daher habe ich die Gammaverteilungsansätze verworfen.

Weibull: Die Wahrscheinlichkeitsdichtefunktion (pdf) der Weibull-Verteilung kann ausgedrückt werden als:

mit α> 0 y β> 0 Ja 0

Das bedeutet, es hat zwei Parameter, alfa– was repräsentiert die gestalten Parameter, Ja Beta- was repräsentiert die Skala Parameter, und seine Unterstützung besteht nur aus positiven Werten.

Die Szenarien, in denen das Auto gefahren wird, Fahrkünste des Fahrers, das Alter des Stücks sind einige der Parameter, von denen einige gemessen werden können und andere qualitativ sind. Ja, deshalb, Die Modellierung nach einem Ausfall muss mit einer großen Datenmenge durchgeführt werden. Der Rest des Modells wird durch die Modellierungsdaten verzerrt und die Präzision des Modells nimmt während des Implementierungszeitraums ab. / Implementierung.

Herausforderungen: Typische Herausforderungen sind Datengenauigkeit und Aktualität, die Länge der historischen Daten, die Anzahl der zu modellierenden Teile und die Auswahl des Modells basierend auf der Genauigkeit der Testdaten. In meiner Analyse, Ich hatte die letzten beiden Herausforderungen, weil das Auto Hunderte von Artikeln haben wird und das Modell, das am besten zu einem Artikel passt, möglicherweise nicht gut zu einem anderen passt.

Lösung: Es gibt viele Forschungsarbeiten, die dieses Problem erklärt haben, Sie erwähnten, dass die Verteilung von drei ein Weg ist. Zum Problem, hat gelöst, dass die Weibull-Verteilung gut zu allen Elementen im Stück passt. Sobald ich fit bin, die Testdaten sollten das gewählte Modell unterstützen und sobald dies erledigt ist, Ich habe das Verfahren für jedes zu modellierende Element entwickelt, und seine Scoring-Funktion ist so hinterlegt, dass die Ausfallprognose pro Item periodisch generiert wird.

Sobald diese Lösung im Geschäftsablauf implementiert ist, jeden Monat, Hersteller haben eine Schätzung, welche Pfosten und ihre Anzahl für potenzielle Garantieansprüche bereit sein sollten. Dies ermöglicht es dem Kunden, Wartezeiten auf die Verfügbarkeit von Teilen zu sparen., bessere Bestandsverwaltung, Senkung der Kosten für unnötige Lagerung nicht wesentlicher Teile und Überprüfung betrügerischer Garantieansprüche.

Fazit: Für alle Hersteller, Garantietests können die folgenden Probleme beheben:

1. Beschwerdemuster erkennen (saisonal, der Kilometerstand, etc.)
2. Prognostizieren Sie die erwartete Anzahl von Ansprüchen oder die Kosten von Ansprüchen
3. Vorhersage betrügerischer Ansprüche (ein bestimmter Händler stellt immer Garantieansprüche, die Nutzungsdauer eines Pfostens ist sehr lang, aber die
   Teile kommen oft für einen Garantieanspruch, etc.)
4. Den Zusammenhang zwischen verschiedenen Arten von Ansprüchen untersuchen (die beiden gleichzeitig verwendeten Ersatzteile haben die
   gleiche Ausfallzeit)
5. Identifizieren Sie Probleme, bevor sie ernst werden und nicht mehr funktionieren.
6. Was, wenn die Analyse, als ob wir die Laufleistung erhöhen, was sich auf die Garantiekosten auswirkt.

Die Vorteile der Sicherheitenanalyse sind:

1. Höhere Kundenzufriedenheit, Produktqualität und Markenstatus.
2. Enorme Auswirkungen auf das Endergebnis durch frühzeitige Problemerkennung
3. Optimierte Garantierichtlinien für maximale finanzielle Performance
4. Steigern Sie die Effizienz der Support-Logistik, wie die optimale Lagerung von Ersatzteilen oder den Einsatz von Technikern.

Es kann auch helfen, Fragen zu beantworten wie:

1. Wenn wir die Produktgarantie erhöhen können von 3 Jahre bis 6, wenn die Daten unterstützen, tritt der Produktfehler erst auf, nachdem 10 Jahre. Wenn ein Mitbewerber seine Garantie erhöht hat und wir dies übernehmen, Wie viele zusätzliche Garantiekosten entstehen uns? Wenn wir es nicht tun, Wie viel Umsatz werden wir durch den Rückgang des Marktanteils verlieren??
2. Gegeben ein neues Produkt ohne historische Daten, Sollten wir auf Nummer sicher gehen und nur ein Jahr Garantie anbieten, oder wir bieten eine dreijährige Garantie, um unsere Markenbekanntheit zu steigern?

Dieser Beitrag fasst die Hintergründe zusammen, der Response-Ansatz und die Vorteile der Sicherheitenanalyse, Dies ist eine sehr große Branche aufgrund des erhöhten Absatzes und des Wettbewerbs auf dem Automobilmarkt.

Die in diesem Beitrag gezeigten Medien sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet.

Verwandt