售后服务数据的分析和预测.doc

产品质量是企业的生命线，售后效劳是产品质量的观测点，如何用好售后效劳的数据是现代企业管理的重要问题之一。这些数据主要包含哪个批次生产的汽车〔即生产月份〕、售出时间、维修时间、维修部位、损坏原因及程度、维修费用等等。通过这样的数据可以全面了解所有部件的质量情况，假设从不同的需求角度出发科学整理数据库中的数据，可得到不同用途的信息，从而实现不同的管理目的。 整车或某个部件的“千车故障数〞是一个很重要的指标，常用于描述汽车的质量。数据利用的时效性是很强的，厂方希望知道近期生产中的质量情况，对于的一些故障反应信息，需要根据这些少量的一致数据来预测未来的产品的质量，这对售后效劳具有指导性的意义，并且为质量管理方面提供决策与咨询，可以归结为一个统计预测问题。 但刚出厂的汽车还没有全售出去，已售出的汽车也没使用几个月，因此数据显得滞后很多。当一个批次生产的汽车的三年保修期都到时，可以对这批汽车的质量情况有了最准确的信息，可惜时间是汽车出厂的四、五年后，这些信息已无法指导过去的生产，对现在的生产也没有什么作用。所以如何更科学地利用少量数据预测未来情况是售后效劳数据利用的重要问题。 售后效劳数据的分析和预测 售后效劳数据的分析和预测 『摘 要』 售后效劳数据是观测产品质量的重要依据，合理运用售后效劳数据是现代企业质量管理的关键问题。在分析了数据表中的不合理数据后，根据数据中的不合理因素，进行合理的假设和修正，并列出修正后累计表和增量表。 分批次千车故障数可看作非平稳时间序列，它既包含横向的月度变化趋势，又包含纵向批次起伏趋势，另外还存在平稳的随机误差。 先采用横向加权二次移动平均法和最小二乘方法，纵向ARIMA非平稳时间序列分别建立模型并独立对数据进行拟合。横向基于修正后的累计表，比拟几种不同的曲线最小二乘拟合的优劣，给出较优方法的拟合的精确度，并对模型做出评估；纵向根据修正后的增量表，给出选用非平稳时间序列的依据，参数确实定过程及模型的验证方法，以图表的形式列出预测值的走向和置信区间。两种方法都给出了具体的预测值。 然后将纵向的预测值转换为累加表的形式与横向的预测值加权处理，权值包含某方向数据个数及与预测数据的距离两方面的影响，得出基于修正后累计表的最终预测值为：0205批次使用月数18时的千车故障数为77.365，0306批次使用月数9时的千车故障数为27.63，0310批次使用月数12时的千车故障数为170.87。 最后，讨论了模型的优缺点，模型的改良方法，并提出了一些关于千车故障率的制表方法的建议。 关键字：横向 加权二次移动平均法最小二乘方法 纵向 ARIMA 拟合 累计表 增量表 置信区间 目录 1. 问题综述………………………………………………………………2 2. 模型假设………………………………………………………………2 3. 符号定义………………………………………………………………3 4. 数据分析及修正………………………………………………………3 5. 模型建立………………………………………………………………5 6. 模型评价及改良方法…………………………………………………12 7. 制表方法和建议………………………………………………………13 8. 参考文献………………………………………………………………14 9. 附录……………………………………………………………………14 【问题综述】 产品质量是企业的生命线，售后效劳是产品质量的观测点，如何用好售后效劳的数据是现代企业管理的重要问题之一。这些数据主要包含哪个批次生产的汽车〔即生产月份〕、售出时间、维修时间、维修部位、损坏原因及程度、维修费用等等。通过这样的数据可以全面了解所有部件的质量情况，假设从不同的需求角度出发科学整理数据库中的数据，可得到不同用途的信息，从而实现不同的管理目的。 整车或某个部件的“千车故障数〞是一个很重要的指标，常用于描述汽车的质量。数据利用的时效性是很强的，厂方希望知道近期生产中的质量情况，对于的一些故障反应信息，需要根据这些少量的一致数据来预测未来的产品的质量，这对售后效劳具有指导性的意义，并且为质量管理方面提供决策与咨询，可以归结为一个统计预测问题。 但刚出厂的汽车还没有全售出去，已售出的汽车也没使用几个月，因此数据显得滞后很多。当一个批次生产的汽车的三年保修期都到时，可以对这批汽车的质量情况有了最准确的信息，可惜时间是汽车出厂的四、五年后，这些信息已无法指导过去的生产，对现在的生产也没有什么作用。所以如何更科学地利用少量数据预测未来情况是售后效劳数据利用的重要问题。 【模型假设】 1．对于同一批次生产的汽车部件，它的各月销售量相等； 2．在同一批次生产，不同月销售的汽车部件，对于相同的使用月数，其故障率是相同的，例如