MathArt | 售后质量如何早期预警

对车企而言，一旦在保修期间汽车出现大批量的质量问题，将承担不菲的维修成本，其中包括质保期间因为车辆维修所发生的配件费、工时费、辅料费以及汽车道路故障所产生的救援费用等。高额的质量维修成本以及潜在的因质量问题爆发而引致的大规模召回，由此产生的巨额经济损失曾使很多车企苦不堪言。‍‍‍‍‍‍‍‍

针对缩减售后成本，目前厂商最常用的方式是质量部对汽车售后质量问题进行监控，针对衡量结果，对一些高发的质量问题查因处理，后续再将这些问题反馈到产品设计开发环节，进而提高后续产品的可靠性。

然而，汽车作为耐用消费品，质量问题往往发生在车辆行驶时间或里程数已达到一定程度的时候。当大量问题数据被收集并反馈至车厂质量部时，有些‍‍前期出现过征兆的问题距离爆发局面已是一触即发，因此，较长的监控周期会导致衡量结果缺乏实效性。此外，同一批次生产的车辆售出时间经常存在数月的间隔，造成收集到的维修数据样本差异明显，也会使最终衡量结果欠理想。

为避免大规模质量问题突发，对车企造成巨额经济和形象损失，车企建立早期质量预警模型，提前遏制有可能爆发的质量问题，已是迫在眉睫之举。

早期预警模型

早期预警模型的实际意义在于捕捉并分析每个收集到的维修问题是否能进入一个高发问题清单；而问题清单所推送的时间距离质量问题真正爆发的时间间隔越长、正确率越高，对车企而言价值就越大。

早期预警模型需要具备良好的特征收集归纳能力。 通过把收集到的质量问题中单一指标值扩张为多个衍生指标，例如：指标的增长形状、指标的增长幅度等，车企就可以尽可能多地收集问题的特征，用于后期分析。

面对汽车行驶周期的长短，模型对于历史维修数据的获取数目显然是不同的，因此，厂商所需搭建的预警模型也不一样。基于行驶周期，车企搭建的早期预警模型包括：判别分析模型和持续预测模型。

判别分析模型

判别分析模型是一种根据研究对象的各种特征值来判别其类型归属的多变量统计方法。其主要特征是基于大量历史数据搭建判别函数，通过判别分析将某个服务月下的质量问题进行排名分类，再通过训练，找出问题的历史排名和历史特征之间的联系。

当模型收集到的数据特征足够多时，判别分析模型以30天为一个预测和训练周期，进行不断优化从而推算出最优解。当新的问题进入视野时，判别函数就能自动及时地判断该问题在预测的汽车行驶月是否进入“高发问题”。

持续分析模型

与判别模型不同的是，持续分析模型是以天为周期来补充每天变化的异常数据，通过数据上的离散分析输出理论上的趋势结果。该模型在数据训练工作的基础上将问题的定义域离散化，根据车厂的人力投入和推送的问题数，模型会选择适当的异常阈值，当新的问题出现时，模型会比较它的当前差分值与选定阈值之间的关系，决定该问题是否进入“高发问题”。

为实现较为精确的预测分析，完成从分析现状继而发现潜在索赔高发质量问题，到找出问题根源，再到及时开展补救措施，为还未生产结束和未售出的汽车及时排除潜在故障，厂商离不开持续分析模型和判别模型的相辅相成。

由此，建立早期质量预警模型能够帮助车企预判有可能爆发的汽车问题，真正地实现实时质量预警监控，及时消除质量隐患，进而减少索赔成本。