MathArt | 汽车行业文本信息炼金术

在汽车企业内部，伴随着大数据技术在汽车行业得到广泛的应用，车企在长期经营过程中所积累的大量宝贵的、以文本形式存在的业务文档和资料被重新定义了价值。此外，基于语音识别技术的逐渐成熟，呼叫中心等渠道所储存的客户语音类信息也可有效地被转换成了文本。车企手里掌握的大量文本类信息已然成为一个巨大的金矿亟待开发。

‍‍在汽车企业外部，以消费者为主导的汽车市场格局促使消费者与车企间的互动频率增高，消费者的个性化需求通过互联网得到充分释放，与此相应，越来越多的“消费者之声”以文本的形式在线上激增。面对竞争日益激烈的汽车市场以及愈发理性的汽车消费，车企与消费者建立亲密情感纽带的需求急剧提升。在传统模式下，很多车企的客户聆听往往是寄托于市场调研机构对某一特定课题进行调查研究。然而，受制于调查样本、大量人力物力以及耗时等因素的限制，车企往往花费不菲，但研究范围与效率比较受限。

‍‍‍对于以上这些典型的非结构化数据来说，要想挖掘其自身的价值，简单的文本检索与分析技术显然不足以深入解读与有效利用这些复杂多样的文本数据。随着智能算法的文本分析技术的日趋进步，挖掘这座信息金矿显然已没有那么困难了。那么，智能文本分析对车企有哪些重要意义呢？我们来通过两则实例探索一下：‍‍‍‍

‍‍‍‍‍‍‍‍‍‍‍‍

‍‍一、质量问题爆发早期预警‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

‍‍‍在没有引入文本分析技术之前，很多车企由于缺少从消费者角度出发的实物质量问题评估，对用户抱怨质量问题难以监控。而用户抱怨渠道又具‍‍有多样性，其中包含：4S店维修抱怨、呼叫中心的电话投诉、DPAC（国家市场监督管理总局缺陷产品管理中心）的质量投诉、网络舆情等。‍‍‍‍‍‍

‍‍车企所获取的呼叫中‍‍心数据、舆情数据、DPAC数据，都是以文本形式存在的非结构化数据，人类自然语言的复杂性使得对于同样问题的表述角度、表达方式、记录方式都会有差异，使得难以对其进行高效的人工分析。而在各个信息孤岛中独立存在的数据，难以对其建立关联分析，客观衡量指标的缺乏又使其难以从用户投诉信息发现质量问题的根本原因，当发生群体性质量问题时，往往已经很难补救了。而我们发现，如果有足够强大的文本分析能力，车企完全可以在大批量质量问题爆发三个月前就察觉问题的存在。‍‍

‍‍‍‍‍文本分析技术在的意义主要体现在：获取关键字和字频、语义和情感分析、匹配规则分析等方法，准确地、无遗漏地从繁杂的文本数据中，分析识别出那些潜在的质量问题。在此基础上，再通过辅助生产信息、维修等信息，建立质量抱怨问题趋势模型、问题根本原因分析模型、断点分析等模型，尽早地发现问题并进行干预，将爆发的可能性降到最低。‍‍

 ‍‍‍‍

‍实践证明，通过充分结合大数据技术中的舆情爬虫，非结构化数据存储、文本分析、算法模型搭建等技术可以有效地帮助到车企提升质量抱怨的分析业务能力。‍‍

‍‍二、售后技术智能信息库搭建‍‍

‍‍ 对于车企自身所累积的大量宝贵的汽车维修经验和资料，如果可以进行重新定义和整理，建立一套售后技术智能信息库，进行合理的分类以便准确地搜索查询，将会有助于售后技术支持对问题进行迅速定位，缩短维修诊断周期、节约维修时间和维修资源，提升售后满意度。‍‍

‍‍‍‍‍然而，对很多车企来说，这些维修知识往往散落在多处，有维修文档、售后案例、现场支持报告、质量部问题解决信息，且格式不统一，描述很多时候也不精确，无法方便地识别和转换专业术语、或有效地进行分类、检索，且对一些敏感内容不能有控制的分享。‍‍

‍‍‍‍‍‍‍‍‍在这种情况下，引入大数据文本分析能力就可以实现这些目标。首先，利用大数据技术中的数据抽取和高速传输能力，来收集所有的售后知识数据，比如维修手册、维修通信、售后案例、现场支持报告、索赔数据、内部论坛数据等，这些数据都是大量的文本数据，在大数据平台中可以方便的低成本式的存储。然后，利用文本分析模型进行分类、语言分析，专业词转换和匹配，可将大量的文本数据进行结构化和标签化。最后，将这些分析后的数据存入到大数据平台搜索引擎中，使之既可以进行结构化、标签化精确检索，又可以对原文进行全量的模糊检索。最终就实现了维修智能信息库的能力，以方便内部和4S店维修工程师搜索和使用。

‍‍‍‍‍‍‍‍‍‍以上两个案例就是利用了大数据技术中的文本分析作为核心能力，实现车企业务能力的提升。同时，我们也必须提醒对此有兴趣的读者，智能文本分析技术现在还不是即开即用，简单出奇的魔术宝盒。它作为一项前沿的技术，不仅需要算法工程师花费大量的时间和精力来搭建并训练机器模型，还需要业务专家参与构建行业知识图谱以丰富文本分析的有效应用场景。‍‍‍‍

‍‍伴‍‍随智能网联的普及，车企所需分析的非结构化数据形式将更为丰富，届时，车企将会如何挖掘这些数据存在的价值，实在让人期待。