项目简介
汽车质量问题是当前市场和客户最为关心、也最为敏感的问题。企业需要在保障利润的同时，让零件选择最大程度达到安全与稳定，因此每天都要处理海量数据进行汇总和分析。
集团此前面对不良信息时，主要由市场品质科与 IT 科汇总海外保修信息、总部信息、800 信息、保修咨询数据、技术咨询数据、媒体数据等，这类繁琐重复的工作需要组织大量人员进行标注和预警，传统的数据处理方式已难以支撑。
业务痛点
数据增量大
车型多、用户多、零件多、故障多，积累的数据越来越多
人员配置不足
处理海量数据不得不增加人员，同时也增加了生产成本
数据时效性不足
数据处理人员培训周期长，不足以支撑海量数据的及时反馈和处理
数据准确性不足
零部件质量问题不容易发现，普通用户往往无法精准描述故障所在
解决方案
多源质量数据汇总
自动汇总维修站、技术咨询、800 售后、零件入库检测、海外总部测试和媒体等信息
故障文本标准化
利用 BERT 分类算法处理不同来源、格式和长度的故障描述，提高文本归类一致性
质量知识关联
关联故障、测试、零件名称、车架和品牌等信息，形成可追溯的质量知识库
风险分类与预警
结合 GBDT 等算法进行类别归因和风险判断，并建立 34 个维度的风险预警
预警分析大屏
实时呈现风险结果，支持按车型、零件、故障类别和风险等级进行多维分析
项目效果
质量信息处理自动化
- 减少人工汇总、纠错、分类和标注工作
- 让海量非结构化故障描述更快转化为可分析数据
质量知识持续沉淀
- 建立零件、故障、车架和品牌之间的关联
- 为质量工程师开展类案分析和故障追溯提供知识基础
风险预警更加及时
- 依据风险等级自动生成市场风险预警报告并推送
- 支持市场品质团队更早识别潜在问题并采取措施
