Ciência de dados: Caso de uso de análise de garantia da indústria automotiva

Esta postagem foi lançada como parte do Data Science Blogathon.

Introdução

A indústria automobilística mobiliza a economia há décadas. Na indústria automotiva, a cadeia de valor começa na logística de entrada (matéria-prima, estoque) Produção (Operação), Marketing e vendas, Manutenção (Serviço) dado o design do automóvel, vendedores, o procedimento está pronto.

Mesmo que a ciência de dados seja usada em todos os níveis desta cadeia de valor, como otimização de cronograma, otimização de transporte, gestão de inventário, otimização da força de trabalho, otimização de processos e controle de processos, direcionar o público certo para o segmento certo de automóveis, hoje descreverei mais no caso de uso de análise de garantia ou período de manutenção em que trabalhei.

Por que análise de garantia?

Pós-venda, carros recebem serviços pós-venda de concessionários. Uma análise de garantia é baseada principalmente nos dados coletados desses serviços, reivindicações durante um período especificado.

Em análise de garantia, A distribuição gama é normalmente observada, Weibull ou lognormal para falha do produto ao longo do período.

Como são os dados da análise de garantia e como ajustamos a distribuição aos dados?

Uma análise colateral é a análise de dados de tempo decorrido até o evento / fracasso. Em nosso exemplo, a parte individual é rastreada desde o momento da venda do carro até sua quebra.

Como na construção de modelo típico, dividimos os dados em conjuntos de dados de teste e treinamento. Com dados de treinamento, primeiro estimamos os parâmetros da distribuição e, em seguida,, usando dados de teste, vemos se o modelo ajustado funciona bem com esses dados ou não.

Faixa: A função de densidade de probabilidade (pdf) da distribuição Gama pode ser expressa como:

com α> 0 y β> 0 yx ≥0.

Isso também significa que eutem dois parâmetros, alfa– o que representa o forma parâmetro, e beta- o que representa o escala parâmetro, e seu suporte consiste apenas em valores positivos.

Na distribuição Gama, usando todos os xi e usando estimativas de máxima verossimilhança, Calculei o α e β para cada elemento (peça sobressalente em análise). Mas eu observei que a distribuição Gama quando ajustada aos dados de teste, o tempo real de falha não foi próximo ao tempo previsto de falha pelo modelo para aquele item. Portanto, descartei as abordagens de distribuição gama.

Weibull: A função de densidade de probabilidade (pdf) da distribuição Weibull pode ser expressa como:

com α> 0 y β> 0 e 0

Isso significa que tem dois parâmetros, alfa– o que representa o forma parâmetro, e beta- o que representa o escala parâmetro, e seu suporte consiste apenas em valores positivos.

Os cenários em que o carro é dirigido, habilidades de direção do motorista, a idade da peça são alguns dos parâmetros dos quais alguns podem ser medidos e outros são qualitativos. E, por isso, a modelagem pós-falha precisa ser feita em uma grande quantidade de dados. O resto do modelo terá um viés dos dados de modelagem e a precisão do modelo diminuirá ao longo do período de implementação. / implementação.

Desafios: Desafios típicos seriam a precisão e oportunidade dos dados, o comprimento dos dados históricos, o número de peças a serem modeladas e a seleção do modelo com base na precisão dos dados de teste. Em minha análise, Eu tive os dois últimos desafios devido a motivos como o carro terá centenas de itens e o modelo que melhor se adapta a um item pode não servir bem a outro item.

Solução: Existem muitos trabalhos de pesquisa que explicaram este problema, Eles mencionaram que a distribuição de três é um caminho a percorrer. Para o problema, estava resolvendo que a distribuição Weibull se encaixava bem em todos os itens da peça. Quando eu estiver em forma, os dados de teste devem apoiar o modelo escolhido e uma vez que isso seja feito, Eu desenvolvi o procedimento para cada item a ser modelado, e sua função de pontuação é armazenada de forma que a previsão de falha por item seja gerada periodicamente.

Uma vez que esta solução é implementada no procedimento de negócios, todos os meses, os fabricantes terão uma estimativa de quais postagens e sua contagem devem estar prontas para potenciais reclamações de garantia. Isso torna possível economizar no tempo de espera do cliente para que as peças estejam disponíveis., melhor gestão de estoque, Reduzindo o custo de armazenamento desnecessário de peças não essenciais e também verificando reclamações de garantia fraudulentas.

conclusão: Para todos os fabricantes, testes de garantia podem corrigir os seguintes problemas:

1. Identificar padrões de reclamação (sazonalmente, a milhagem, etc.)
2. Preveja o número esperado de sinistros ou o custo dos sinistros
3. Preveja reivindicações fraudulentas (um revendedor em particular sempre registra reivindicações de garantia, a vida útil de um posto é muito longa, mas aqueles
   peças vêm frequentemente para uma reclamação de garantia, etc.)
4. Investigue a associação entre diferentes tipos de reivindicações (as duas peças sobressalentes usadas ao mesmo tempo tem o
   mesmo tempo de falha)
5. Identifique os problemas antes que se tornem sérios e parem de funcionar.
6. Análise de variações hipotéticas, como se aumentássemos a quilometragem, o que afetará os custos de garantia.

Os benefícios da análise de garantia são:

1. Maior satisfação do cliente, qualidade do produto e status da marca.
2. Grande impacto nos resultados financeiros devido à identificação precoce do problema
3. Políticas de garantia otimizadas para desempenho financeiro máximo
4. Aumentar a eficiência da logística de suporte, como armazenamento ideal de peças de reposição ou implantação de técnicos.

Também pode ajudar a responder a perguntas como:

1. Se pudermos aumentar a garantia do produto de 3 anos para 6, se os dados suportam a falha do produto ocorre somente após 10 anos. Se um concorrente aumentou sua garantia e se nós adotamos o mesmo, Quantos custos adicionais de garantia iremos incorrer? Se não, Quanta receita perderemos com o declínio na participação de mercado?
2. Dado um novo produto sem dados históricos, Devemos jogar pelo seguro e oferecer apenas um ano de garantia, ou podemos oferecer uma garantia de três anos para aumentar o conhecimento da nossa marca?

Esta postagem resume o pano de fundo, a abordagem de resposta e os benefícios da análise de garantia, que é uma indústria muito grande devido ao aumento das vendas e da concorrência no mercado automotivo.

A mídia mostrada nesta postagem não é propriedade da DataPeaker e é usada a critério do autor.

Relacionado