Science des données: Cas d'utilisation de l'analyse de la garantie de l'industrie automobile

Cet article a été publié dans le cadre de la Blogathon sur la science des données.

introduction

L'industrie automobile mobilise l'économie depuis des décennies. Dans l'industrie automobile, la chaîne de valeur commence dans la logistique entrante (matière première, Stock) Production (Opération), Marketing et ventes, Maintenance (Service) vu la conception de l'automobile, vendeurs, la procédure est prête.

Même si la science des données est utilisée à tous les niveaux de cette chaîne de valeur, comme l'optimisation des horaires, optimisation des transports, gestion de l'inventaire, optimisation des effectifs, optimisation des processus et contrôle des processus, cibler le bon public pour le bon segment de voiture, aujourd'hui, je décrirai plus dans le cas d'utilisation de l'analyse de la période de garantie ou de maintenance sur lequel j'ai travaillé.

Pourquoi l'analyse de garantie?

Après vente, les voitures bénéficient du service après-vente des concessionnaires. Une analyse de garantie est basée principalement sur les données collectées à partir de ces services, réclamations sur une période déterminée.

Dans l'analyse de la garantie, La distribution gamma est généralement observée, Weibull ou lognormal pour la défaillance du produit tout au long de la période.

À quoi ressemblent les données d'analyse collatérale et comment adaptons-nous la distribution aux données?

Une analyse collatérale est l'analyse de temps écoulé jusqu'à l'événement / échec. Dans notre exemple, la pièce individuelle est suivie depuis la vente de la voiture jusqu'à sa panne.

Comme dans la construction de modèle typique, nous divisons les données en ensembles de données de test et d'entraînement. Avec les données d'entraînement, nous estimons d'abord les paramètres de la distribution puis, en utilisant des données de test, nous voyons si le modèle ajusté fonctionne bien avec ces données ou non.

Varier: La fonction de densité de probabilité (pdf) de la distribution Gamma peut être exprimé comme:

avec > 0 y > 0 yx ≥0.

Cela signifie également que jea deux paramètres, alfa– ce qui représente le façonner paramètre, Oui bêta- ce qui représente le escalader paramètre, et son support n'est constitué que de valeurs positives.

Dans la distribution Gamma, en utilisant tous les xi et en utilisant les estimations du maximum de vraisemblance, J'ai calculé le α et le β pour chaque élément (pièce de rechange en analyse). Mais j'ai observé que la distribution Gamma lorsqu'elle est ajustée aux données de test, le temps d'échec réel n'était pas proche du temps d'échec prévu par le modèle pour cet élément. Par conséquent, j'ai rejeté les approches de distribution gamma.

Weibull: La fonction de densité de probabilité (pdf) de la distribution de Weibull peut être exprimé comme:

avec > 0 y > 0 Oui 0

Cela signifie qu'il a deux paramètres, alfa– ce qui représente le façonner paramètre, Oui bêta- ce qui représente le escalader paramètre, et son support n'est constitué que de valeurs positives.

Les scénarios dans lesquels la voiture est conduite, compétences de conduite du conducteur, l'âge de la pièce sont quelques-uns des paramètres dont certains peuvent être mesurés et d'autres sont qualitatifs. Oui, pour cela, la modélisation post-défaillance doit être effectuée sur une grande quantité de données. Le reste du modèle sera biaisé par les données de modélisation et la précision du modèle diminuera au cours de la période de mise en œuvre. / la mise en oeuvre.

Défis: Les défis typiques seraient l'exactitude et l'actualité des données, la longueur des données historiques, le nombre de pièces à modéliser et la sélection du modèle en fonction de la précision des données d'essai. Dans mon analyse, J'ai eu les deux derniers défis pour des raisons telles que la voiture contiendra des centaines d'articles et le modèle qui convient le mieux à un article peut ne pas convenir à un autre article.

Solution: Il existe de nombreux articles de recherche qui ont expliqué ce problème, Ils ont mentionné que la distribution de trois est une voie à suivre. Au problème, résolvait que la distribution de Weibull correspondait bien à tous les éléments de la pièce. Une fois que je suis en forme, les données de test doivent prendre en charge le modèle choisi et une fois cela fait, J'ai élaboré la procédure pour chaque élément à modéliser, et sa fonction de notation est stockée de manière à ce que la prévision de défaillance par article soit générée périodiquement.

Une fois cette solution implémentée dans la procédure commerciale, tous les mois, les fabricants auront une estimation des postes et de leur nombre qui devraient être prêts pour les réclamations potentielles au titre de la garantie. Cela permet d'économiser sur le temps d'attente des clients pour que les pièces soient disponibles., meilleure gestion des stocks, Réduire le coût du stockage inutile des pièces non essentielles et également vérifier les réclamations frauduleuses de garantie.

conclusion: Pour tous les fabricants, les tests de garantie peuvent résoudre les problèmes suivants:

1. Identifier les modèles de plaintes (de façon saisonnière, le kilométrage, etc.)
2. Prédire le nombre prévu de sinistres ou le coût des sinistres
3. Prévoir les réclamations frauduleuses (un revendeur particulier dépose toujours des réclamations de garantie, la durée de vie utile d'un poste est très longue, mais ceux
   les pièces viennent souvent pour une réclamation de garantie, etc.)
4. Enquêter sur l'association entre les différents types de réclamations (les deux pièces détachées utilisées en même temps ont le
   même temps de panne)
5. Identifiez les problèmes avant qu'ils ne deviennent sérieux et cessent de fonctionner.
6. Analyse de simulation, comme si on augmentait le kilométrage, ce qui affectera les coûts de garantie.

Les avantages de l'analyse des garanties sont:

1. Plus grande satisfaction client, qualité du produit et statut de la marque.
2. Impact énorme sur le résultat net en raison de l'identification précoce des problèmes
3. Des politiques de garantie optimisées pour une performance financière maximale
4. Augmenter l'efficacité de la logistique de support, comme le stockage optimal des pièces détachées ou le déploiement de techniciens.

Cela peut aussi aider à répondre à des questions comme:

1. Si nous pouvons augmenter la garantie du produit de 3 ans à 6, si les données prennent en charge la défaillance du produit ne se produit qu'après 10 ans. Si un concurrent a augmenté sa garantie et si nous adoptons la même, Combien de frais de garantie supplémentaires encourrons-nous? Si nous ne, Combien de revenus allons-nous perdre du fait de la baisse des parts de marché?
2. Étant donné un nouveau produit sans données historiques, Devrions-nous jouer la sécurité et offrir une garantie d'un an seulement, ou nous pouvons offrir une garantie de trois ans pour renforcer la notoriété de notre marque?

Cet article résume le contexte, l'approche de réponse et les avantages de l'analyse des garanties, qui est une très grande industrie en raison de l'augmentation des ventes et de la concurrence sur le marché automobile.

Les médias présentés dans cet article ne sont pas la propriété de DataPeaker et sont utilisés à la discrétion de l'auteur.

En rapport