Scienza dei dati: Caso d'uso per l'analisi della garanzia del settore automobilistico

Questo post è stato pubblicato come parte del Blogathon sulla scienza dei dati.

introduzione

L'industria automobilistica ha mobilitato l'economia per decenni. Nel settore automobilistico, la catena del valore inizia nella logistica in entrata (materia prima, scorta) Produzione (operazione), Marketing e vendite, Manutenzione (Servizio) dato il design dell'automobile, venditori, la procedura è pronta.

Anche se la scienza dei dati viene utilizzata a tutti i livelli di questa catena del valore, come l'ottimizzazione del programma, ottimizzazione dei trasporti, gestione delle scorte, ottimizzazione della forza lavoro, ottimizzazione e controllo dei processi, mirare al pubblico giusto per il segmento di auto giusto, oggi descriverò di più nel caso d'uso dell'analisi della garanzia o del periodo di manutenzione su cui ho lavorato.

Perché l'analisi della garanzia??

Dopo vendita, le auto ottengono servizi post-vendita dai concessionari. Un'analisi della garanzia si basa principalmente sui dati raccolti da tali servizi, reclami per un periodo specificato.

Nell'analisi della garanzia, La distribuzione gamma è tipicamente osservata, Weibull o lognormal per guasto del prodotto durante il periodo.

Che aspetto hanno i dati dell'analisi collaterale e come adattiamo la distribuzione ai dati??

Un'analisi collaterale è l'analisi di dati del tempo trascorso fino all'evento / fallimento. Nel nostro esempio, la singola parte viene tracciata dal momento dell'auto venduta fino al suo guasto.

Come nella tipica costruzione del modello, dividiamo i dati in test e addestriamo set di dati. Con dati di allenamento, stimiamo prima i parametri della distribuzione e poi, utilizzando i dati di prova, vediamo se il modello montato funziona bene con quei dati o no.

Gamma: La funzione di densità di probabilità (PDF) della distribuzione Gamma può essere espressa come:

con α> 0 y > 0 yx ≥0.

Questo significa anche che ioha due parametri, alfa– cosa rappresenta il forma parametro, e beta- cosa rappresenta il scala parametro, e il suo sostegno consiste solo di valori positivi.

Nella distribuzione Gamma, usando tutti gli xi e usando le stime di massima verosimiglianza, Ho calcolato α e β per ogni elemento (pezzo di ricambio in analisi). Ma ho osservato che la distribuzione Gamma quando adattata ai dati di test, il tempo effettivo di errore non era vicino al tempo di errore previsto dal modello per quell'elemento. Quindi ho scartato gli approcci alla distribuzione gamma.

Weibull: La funzione di densità di probabilità (PDF) della distribuzione di Weibull può essere espressa come:

con α> 0 y > 0 e 0

Ciò significa che ha due parametri, alfa– cosa rappresenta il forma parametro, e beta- cosa rappresenta il scala parametro, e il suo sostegno consiste solo di valori positivi.

Gli scenari in cui si guida l'auto, abilità di guida del conducente, l'età del pezzo sono alcuni dei parametri di cui alcuni possono essere misurati e altri sono qualitativi. E, perché, la modellazione post-errore deve essere eseguita su una grande quantità di dati. Il resto del modello avrà una distorsione dai dati di modellazione e la precisione del modello diminuirà durante il periodo di implementazione. / implementazione.

Sfide: Le sfide tipiche sarebbero l'accuratezza e la tempestività dei dati, la lunghezza dei dati storici, il numero di parti da modellare e la scelta del modello in base all'accuratezza dei dati di prova. Nella mia analisi, Ho avuto le ultime due sfide per motivi come l'auto avrà centinaia di articoli e il modello che si adatta meglio a un articolo potrebbe non adattarsi bene a un altro articolo.

Soluzione: Ci sono molti documenti di ricerca che hanno spiegato questo problema, Hanno detto che la distribuzione di tre è una strada da percorrere. Al problema, stava risolvendo che la distribuzione Weibull si adattava bene a tutti gli elementi nel pezzo. Una volta che sono in forma, i dati del test dovrebbero supportare il modello scelto e una volta fatto questo, Ho sviluppato la procedura per ogni oggetto da modellare, e la sua funzione di punteggio è memorizzata in modo tale che la previsione di guasto per articolo sia generata periodicamente.

Una volta implementata questa soluzione nella procedura aziendale, ogni mese, i produttori avranno una stima di quali messaggi e il loro conteggio dovrebbero essere pronti per potenziali richieste di garanzia. Ciò consente di risparmiare sui tempi di attesa del cliente per la disponibilità delle parti., migliore gestione dell'inventario, Riducendo il costo dello stoccaggio non necessario di parti non essenziali e verificando anche richieste di garanzia fraudolente.

conclusione: Per tutti i produttori, i test di garanzia possono risolvere i seguenti problemi:

1. Identificare i modelli di reclamo (stagionalmente, il chilometraggio, eccetera.)
2. Prevedere il numero previsto di sinistri o il costo dei sinistri
3. Prevedi richieste fraudolente (un particolare rivenditore presenta sempre richieste di garanzia, la vita utile di un post è molto lunga, ma quelli
   le parti vengono spesso per un reclamo in garanzia, eccetera.)
4. Indagare l'associazione tra diversi tipi di reclami (i due pezzi di ricambio usati contemporaneamente hanno il
   stesso tempo di guasto)
5. Identificare i problemi prima che diventino seri e smettano di funzionare.
6. Analisi what-if, come se aumentassimo il chilometraggio, che influirà sui costi di garanzia.

I vantaggi dell'analisi collaterale sono:

1. Maggiore soddisfazione del cliente, qualità del prodotto e stato del marchio.
2. Impatto tremendo sui profitti a causa dell'identificazione precoce del problema
3. Politiche di garanzia ottimizzate per la massima performance finanziaria
4. Aumentare l'efficienza della logistica di supporto, come lo stoccaggio ottimale dei pezzi di ricambio o l'impiego di tecnici.

Può anche aiutare a rispondere a domande come:

1. Se possiamo aumentare la garanzia del prodotto da 3 anni a 6, se i dati supportano il guasto del prodotto si verifica solo dopo 10 anni. Se un concorrente ha aumentato la propria garanzia e se noi adottiamo la stessa, Quanti costi aggiuntivi di garanzia dovremo sostenere? Se non lo facciamo, Quante entrate perderemo dal calo della quota di mercato?
2. Dato un nuovo prodotto senza dati storici, Dovremmo giocare sul sicuro e offrire solo un anno di garanzia?, oppure possiamo offrire una garanzia di tre anni per aumentare la consapevolezza del nostro marchio?

Questo post riassume lo sfondo, l'approccio di risposta e i vantaggi dell'analisi delle garanzie, che è un settore molto grande a causa dell'aumento delle vendite e della concorrenza nel mercato automobilistico.

Il supporto mostrato in questo post non è di proprietà di DataPeaker e viene utilizzato a discrezione dell'autore.

Imparentato