褚福舜，吳奇石，王浩雨

（西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院，成都611756）

0 引言

國內(nèi)的商用汽車行業(yè)盡管在十幾年的制造業(yè)現(xiàn)代化發(fā)展中，各商用汽車企業(yè)積累了大量服務(wù)鏈的業(yè)務(wù)數(shù)據(jù)，但售后服務(wù)業(yè)務(wù)成本數(shù)據(jù)分析缺失，現(xiàn)有數(shù)據(jù)分析多為信息匯總顯示，不足以支持企業(yè)做出戰(zhàn)略決策。售后服務(wù)成本分析是利用大量的服務(wù)鏈業(yè)務(wù)數(shù)據(jù)資源，對售后服務(wù)成本與產(chǎn)生成本的因素，通過不同的分析方法系統(tǒng)的分析，發(fā)現(xiàn)異常服務(wù)成本，并尋找降低成本的途徑。在云計算與大數(shù)據(jù)驅(qū)動的時代，售后服務(wù)成本分析對于汽車產(chǎn)業(yè)是不可或缺的重要環(huán)節(jié)。本文選擇BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究，通過數(shù)據(jù)抽取、清洗，構(gòu)建了車型售后服務(wù)業(yè)務(wù)成本預(yù)測模型，最后通過AForge.NET 實(shí)現(xiàn)該算法，應(yīng)用于本系統(tǒng)。完成了汽車售后服務(wù)業(yè)務(wù)成本預(yù)測。

1 汽車售后服務(wù)成本預(yù)測問題分析

雖然汽車的售后服務(wù)對銷量和競爭力有很強(qiáng)的促進(jìn)作用，但如果售后服務(wù)成本過高，也可以從側(cè)面反映了汽車質(zhì)量問題，制造企業(yè)需加強(qiáng)產(chǎn)品質(zhì)量管控，進(jìn)一步控制售后服務(wù)成本。發(fā)現(xiàn)問題后，對目標(biāo)車型或目標(biāo)零配件的售后服務(wù)成本進(jìn)行預(yù)測，制定售后服務(wù)成本計劃，通過一段時間的執(zhí)行，結(jié)合銷量再次查看售后服務(wù)成本和目標(biāo)成本，并進(jìn)行比對。主要需求如下：

（1）制造企業(yè)需要在了解了企業(yè)運(yùn)營售后服務(wù)成本總體分析報告和具體各車型、零配件的售后服務(wù)成本之后，需要對企業(yè)未來售后服務(wù)做出計劃，明確執(zhí)行時間范圍、售后服務(wù)成本波動范圍、目標(biāo)售后服務(wù)成本等，并進(jìn)行發(fā)布。

（2）制造企業(yè)需要了解對某款車型或零配件的售后服務(wù)成本計劃和該車型或零配件的售后服務(wù)實(shí)際成本的差距，對該階段的計劃進(jìn)行評判。并可以根據(jù)計劃執(zhí)行時間做出決策。

（3）制造企業(yè)以往只能通過經(jīng)驗(yàn)對未來一段時間車型的售后服務(wù)成本進(jìn)行估計，制造企業(yè)需要有真實(shí)數(shù)據(jù)支撐的成本預(yù)測，以便在此基礎(chǔ)上對未來資金體量和流動做出提前的決策。

2 基于支持向量回歸的故障件數(shù)量預(yù)測模型構(gòu)建

2.1 汽車售后服務(wù)成本預(yù)測影響因素選取

在四種服務(wù)業(yè)務(wù)主要生成的表格中，能夠影響車型售后服務(wù)成本的因素主要有以下幾種：車型、統(tǒng)計月份、本月該車型進(jìn)行售后服務(wù)的車輛行駛里程、本月售后服務(wù)總成本、本月售后服務(wù)總次數(shù)、本月售后服務(wù)平均成本、本月保有量，通過以上七個因素預(yù)測該車型未來一個月的售后服務(wù)成本。這七個因素來自于業(yè)務(wù)數(shù)據(jù)庫中四種主要售后服務(wù)業(yè)務(wù)統(tǒng)計，包括了服務(wù)業(yè)務(wù)產(chǎn)生的所有單據(jù)以下會對因素選擇和來源分別解釋：

（1）車型、本月售后服務(wù)總成本、本月售后服務(wù)總次數(shù)、本月售后服務(wù)平均成本都是衡量車型售后服務(wù)成本的直接重要因素。

（2）車型的故障率應(yīng)該呈現(xiàn)“澡盆曲線”，在新車的磨合期，故障率較高，度過磨合期之后，故障率明顯降低，隨著車齡的增長，車內(nèi)零部件逐漸老化，故障率升高。從較長時間的角度分析，隨著車輛車齡增加、行駛里程增加，車輛的故障率呈現(xiàn)上升趨勢。而本月該車型進(jìn)行售后服務(wù)的車輛行駛里程也是造成車型售后服務(wù)成本波動的因素之一。

（3）由于汽車銷售分淡季和旺季，同時，新車處于內(nèi)部機(jī)械零部件在初期運(yùn)行中接觸、摩擦、咬合的磨合期，車輛容易在此階段發(fā)生故障。KM 汽車的磨合期一般為四千公里或一年左右，結(jié)合這兩個因素可知，月份是能夠影響車型售后服務(wù)成本波動的因素之一。

（4）汽車銷量的增加即保有量增加，帶來銷售利潤的同時，車輛也進(jìn)入了下一個生命周期，從售中到售后，售后分為三包期內(nèi)、三包期外。三包期內(nèi)的車輛進(jìn)行大部分售后服務(wù)的費(fèi)用由制造廠承擔(dān)，所以本月保有量是能夠影響車型售后服務(wù)成本波動的因素之一。

汽車售后服務(wù)成本預(yù)測采用單層多輸入單輸出BP 神經(jīng)網(wǎng)絡(luò)，在輸入層和輸出層之間只有一層隱藏層神經(jīng)元，該層與外界無直接聯(lián)系，但其狀態(tài)的改變會影響輸入層輸出層之間的關(guān)系。在此處輸入層共有7 個輸入分量，按照隱藏層節(jié)點(diǎn)個數(shù)經(jīng)驗(yàn)計算公式如下：

公式中h 為隱藏層節(jié)點(diǎn)數(shù)目，n 為輸出層節(jié)點(diǎn)數(shù)目，a 為1～10 之間調(diào)節(jié)常數(shù)。此處的m=7，n=1，a 取1，四舍五入h 設(shè)為4，隱藏層為10 層，如圖1。

以上7 個因素的數(shù)據(jù)中，車型的數(shù)據(jù)是字符格式，如：KMC1042LLB33D4，無法帶入直接算法，需要對車型進(jìn)行硬編碼，即將可變變量用一個固定值來代替。車型硬編碼對應(yīng)表部分內(nèi)容如表1 所示。

圖1 售后服務(wù)成本預(yù)測模型圖

表1 車型硬編碼對應(yīng)表

針對業(yè)務(wù)數(shù)據(jù)庫中維修理賠數(shù)據(jù)抽取，過濾掉不會對售后服務(wù)成本產(chǎn)生影響的屬性如車輛信息、購車人信息、服務(wù)商信息等，生成售后服務(wù)成本預(yù)測模型表。如表2 所示。

表2 售后服務(wù)成本預(yù)測樣本示例表

在所有數(shù)據(jù)抽取成售后服務(wù)成本預(yù)測模型表的過程中，車型的保有量抽取過程最復(fù)雜，由于業(yè)務(wù)數(shù)據(jù)庫中的車型保有量并無統(tǒng)計，只有購車記錄，通過購車記錄按月份分組并組內(nèi)編號，將組內(nèi)編號最大值作為每個月的汽車保有量增量，再將每個月保有量增量累加，得到每月車型保有量?，F(xiàn)有符合條件的數(shù)據(jù)共8376條，以車型編號為256 的車型為例，其保有量計算結(jié)果如表3 所示。

表3 保有量計算表-車型256

2.2 數(shù)據(jù)預(yù)處理

本文中使用的BP 神經(jīng)網(wǎng)絡(luò)算法要求基于C#編程語言實(shí)現(xiàn)。根據(jù)算法模型的數(shù)據(jù)需求，這里是用的BP神經(jīng)網(wǎng)絡(luò)樣本集的區(qū)間要求在[0,1]，然而根據(jù)之前提到的售后服務(wù)成本預(yù)測樣本示例表中示例可見，大量數(shù)據(jù)并不在區(qū)間[0,1]之間，所以需要對樣本進(jìn)行歸一化處理。這里使用歸一化公式為：

其中xi表示需要?dú)w一化的某項(xiàng)輸入數(shù)據(jù)，xmin表示該項(xiàng)輸入數(shù)據(jù)中的各最小值，xmax表示該項(xiàng)輸入數(shù)據(jù)中的最大值。在C#顯示時，設(shè)公式中xi為num，xmin為min，xmax為max，使用C#實(shí)現(xiàn)如下：

private static double premnmx(double num, double min,

double max)

{

if(num>max)

num=max;

if(num

num=min;

return(num-min)/(max-min);

}

此外，計算產(chǎn)生的結(jié)果需要進(jìn)行對應(yīng)的反歸一化，將分布于[0,1]區(qū)間的輸入對應(yīng)的輸出結(jié)果映射為歸一化之前的數(shù)據(jù)范圍。反歸一化公式如下：

上式中個變量含義與歸一化公式變量相同，使用C#實(shí)現(xiàn)如下：

private static double premnmxBack(double num, double min,double max)

{

if(num>max)

num=max;

if(num

num=min;

return(num*(max-min))+min;

}

2.3 模型訓(xùn)練

將輸入層輸入的數(shù)據(jù)讀取并轉(zhuǎn)存為矩陣，上一小節(jié)的premnmx()方法進(jìn)行歸一化。使用基于C#框架專門為開發(fā)者和研究者設(shè)計的AForge.NET。其中包括AForge.Neuro 神經(jīng)網(wǎng)絡(luò)計算庫。使用ActivationNetwork 建立多層神經(jīng)網(wǎng)絡(luò)：

ActivationNetwork network = new ActivationNetwork( new SigmoidFunction(3),7,10,1);

SigmoidFunction 構(gòu)造函數(shù)：public SigmoidFunction(double alpha);

參數(shù)alpha 決定S 形函數(shù)的陡峭程度的參數(shù)3 是S 形神經(jīng)網(wǎng)絡(luò)。

預(yù)測采用BP 神經(jīng)網(wǎng)絡(luò)，即AForge.Neuro.Learning中的BackPropagationLearning：BP 學(xué)習(xí)算法構(gòu)造函數(shù)如下：

public BackPropagationLearning( ActivationNetwork network);

其中參數(shù)network 為要訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對象，BackPropagationLearning 類需要設(shè)置兩個參數(shù)學(xué)習(xí)率（learningRate）和沖量因子（momentum）。此處屬性設(shè)置如下：

teacher.LearningRate=0.2;

teacher.Momentum=0;

調(diào)用RunEpoch 方法訓(xùn)練網(wǎng)絡(luò)，構(gòu)造方法如下：

public double RunEpoch(double[][] input, double[][] output);

訓(xùn)練樣本數(shù)據(jù)量為7376 條記錄，測試樣本數(shù)據(jù)量為1000 條。這里此模型選擇S 曲線函數(shù)，輸入層選取雙曲線正切tansig 函數(shù)，設(shè)置隱藏層10 個神經(jīng)元，經(jīng)過訓(xùn)練，結(jié)果如圖2 所示。

由誤差波動圖可見，隨著訓(xùn)練次數(shù)的增加，輸入預(yù)測值和目標(biāo)值之間的震蕩逐漸縮小。

圖2 誤差波動圖

圖3 測試結(jié)果圖

訓(xùn)練遍歷完成后再進(jìn)行測試。如圖3 測試結(jié)果圖可見，測試結(jié)果趨于穩(wěn)定，正確率達(dá)到91%。

3 系統(tǒng)實(shí)現(xiàn)

3.1 售后服務(wù)業(yè)務(wù)成本分析模塊的實(shí)現(xiàn)

該模塊經(jīng)過業(yè)務(wù)關(guān)系梳理、數(shù)據(jù)清洗、抽取、整理，使用MVC 框架，前端結(jié)合Echarts 將數(shù)據(jù)分析結(jié)果可視化，方便用戶根據(jù)分析結(jié)果做出戰(zhàn)略決策。

（1）售后服務(wù)業(yè)務(wù)成本宏觀分析模塊

對一段時間內(nèi)的企業(yè)的售后服務(wù)業(yè)務(wù)成本總體狀況進(jìn)行分析，顯示每年售后服務(wù)業(yè)務(wù)成本柱狀圖，選擇年份，聯(lián)動顯示該年所有月份售后服務(wù)業(yè)務(wù)成本走勢圖。幫助企業(yè)管理層把握企業(yè)運(yùn)營狀況，支撐決策。界面如圖4 所示。從圖4 企業(yè)運(yùn)營宏觀分析模塊界面

可見，該企業(yè)的售后服務(wù)業(yè)務(wù)成本在2014 初上平臺，2015 和2016 年售后服務(wù)業(yè)務(wù)成本基本持平，2017年的售后服務(wù)業(yè)務(wù)成本達(dá)到了2000 余萬元，幾乎達(dá)到前兩年的總和。通過選擇年份，可在下方的柱狀圖中聯(lián)動顯示該年每個月份的售后服務(wù)業(yè)務(wù)成本。圖中可見，1、2 月份受春節(jié)的影響，售后服務(wù)業(yè)務(wù)較少，售后服務(wù)業(yè)務(wù)成本較低。第二季度售后服務(wù)業(yè)務(wù)成本較高。

（2）車型角度分析模塊

汽車企業(yè)管理人員從車型售后服務(wù)業(yè)務(wù)成本分析角度出發(fā)，對車型售后服務(wù)業(yè)務(wù)成本進(jìn)行分析，其中包括三個頁面，分別是車型-里程售后服務(wù)業(yè)務(wù)成本分析、車型-車齡售后服務(wù)業(yè)務(wù)成本分析、車型零配件售后服務(wù)業(yè)務(wù)成本分析，如圖5 所示。

圖4 企業(yè)運(yùn)營宏觀分析模塊界面圖

圖5 車型-里程售后服務(wù)業(yè)務(wù)成本分析模塊界面圖

圖5 是車型-里程售后服務(wù)業(yè)務(wù)成本分析，分析主要分為三部分，其中第一部分是對售后服務(wù)業(yè)務(wù)成本前20 名車型的售后服務(wù)總成本、售后服務(wù)次數(shù)、售后服務(wù)平均成本的分析，通過選擇顏色可以聯(lián)動在圖中顯示分析項(xiàng)目。根據(jù)這三者的分析，制造廠可以發(fā)現(xiàn)不同車型的優(yōu)劣，如圖可見，車型KMC1042LLB33D4（左一）雖然售后服務(wù)總成本居首位，但是售后服務(wù)平均成本較低，在所有車型的對比中較為優(yōu)秀。通過在第一部分中選擇車型，聯(lián)動在第二部分顯示車型-里程售后服務(wù)業(yè)務(wù)成本分析，第二部分同樣是包括車型的售后服務(wù)總成本、售后服務(wù)次數(shù)、售后服務(wù)平均成本的分析，分析的單位根據(jù)KM 制造廠的走合保養(yǎng)規(guī)定，取首保里程4 千公里作為一個單位。但與第一部分不同的是該部分是針對指定的某一車型的分析。從圖中可以明顯觀察到，首保規(guī)定的里程4 千公里左右出現(xiàn)售后服務(wù)業(yè)務(wù)成本高峰，符合磨合期故障率最高的規(guī)律，隨著時間推移，度過磨合期，車輛故障率下降，售后服務(wù)業(yè)務(wù)成本下降。第三部分是對車型維修次數(shù)前20 的統(tǒng)計，通過選擇車型聯(lián)動在右側(cè)顯示該車型的維修記錄。

圖6 車型-車齡售后服務(wù)業(yè)務(wù)成本分析模塊界面圖

圖6 是車型-車齡售后服務(wù)業(yè)務(wù)成本分析，分析主要分為兩個部分，其中第一部分與車型-里程售后服務(wù)業(yè)務(wù)成本分析類似，是對售后服務(wù)業(yè)務(wù)成本前20 名車型的售后服務(wù)總成本、售后服務(wù)次數(shù)、售后服務(wù)平均成本的分析，通過在第一部分中選擇車型，聯(lián)動在第二部分顯示車型-車齡售后服務(wù)業(yè)務(wù)成本分析，分析以該車型上市至今的月份為單位，如圖可見車型的售后服務(wù)業(yè)務(wù)成本隨時間逐漸下降。第二部分同樣是包括車型的售后服務(wù)總成本、售后服務(wù)次數(shù)、售后服務(wù)平均成本的分析。

圖7 車型-零配件售后服務(wù)業(yè)務(wù)成本分析模塊圖

圖7 是車型零配件售后服務(wù)分析報告，主要分為五小部分，分別是車型服務(wù)成本占比前20、通過選擇第一部分的車型聯(lián)動在右側(cè)的第二部分顯示對應(yīng)車型零部件服務(wù)成本前10，第三部分是故障維修時間，圖中可見車架的售后維修時間最久，符合常識。通過選擇故障在右側(cè)第四部分聯(lián)動顯示發(fā)生該故障的車型占比。最后的第五部分是部件維修金額比重，可見對所有車型的統(tǒng)計中離合助力器維修金額最高。

（3）服務(wù)商售后服務(wù)業(yè)務(wù)成本分析模塊

制造企業(yè)需要從服務(wù)商的角度分析所有服務(wù)商的售后服務(wù)業(yè)務(wù)成本,通過對指定服務(wù)商分析，發(fā)現(xiàn)服務(wù)商異常售后服務(wù)業(yè)務(wù)成本。如圖8 所示。

該分析主要分為三個部分，第一部分是對全國范圍內(nèi)所有服務(wù)商的售后服務(wù)總成本統(tǒng)計，其中總成本最高的前五家服務(wù)商會根據(jù)服務(wù)總成本在地圖上顯示不同大小。通過選擇第一部分的服務(wù)商在第二部分顯示該服務(wù)商在所選時間段內(nèi)每個月售后服務(wù)總成本和四個主要售后服務(wù)業(yè)務(wù)成本，包括走合保養(yǎng)、理賠維修、外出救援、外購零件的費(fèi)用。通過圖8 可見，選擇的服務(wù)商“****汽車服務(wù)有限公司”在2015 年3 月外出救援成本出現(xiàn)明顯上漲，通過選擇該月，聯(lián)動在第三部分顯示該月所有售后服務(wù)服務(wù)記錄。

圖8 服務(wù)商售后服務(wù)業(yè)務(wù)成本分析模塊圖

（4）區(qū)域售后服務(wù)業(yè)務(wù)成本分析

制造企業(yè)需要從區(qū)域的角度，對售后服務(wù)業(yè)務(wù)成本進(jìn)行分析，方便對區(qū)域零配件調(diào)配計劃，對異常區(qū)域維修情況進(jìn)行監(jiān)控。區(qū)域售后服務(wù)業(yè)務(wù)成本分析主要包括兩個頁面。如圖9 所示。

圖9 區(qū)域售后服務(wù)業(yè)務(wù)成本分析模塊圖

（5）區(qū)域流動售后服務(wù)業(yè)務(wù)成本分析

區(qū)域流動售后服務(wù)業(yè)務(wù)成本分析如圖10 所示。

圖10 區(qū)域流動售后服務(wù)業(yè)務(wù)成本分析模塊圖

3.2 售后服務(wù)業(yè)務(wù)成本預(yù)測模塊的實(shí)現(xiàn)

在售后服務(wù)業(yè)務(wù)成本分析的基礎(chǔ)上，需要對售后服務(wù)業(yè)務(wù)成本進(jìn)行預(yù)測，對未來各種車型售后服務(wù)業(yè)務(wù)成本波動進(jìn)一步掌握。通過輸入車型相關(guān)的基本信息，包括：車型內(nèi)部管理號、月份、月保有量、本月售后服務(wù)業(yè)務(wù)成本、本月售后服務(wù)次數(shù)、本月售后服務(wù)平均成本、產(chǎn)業(yè)類型，對下個月該車型的售后服務(wù)業(yè)務(wù)成本進(jìn)行預(yù)測。見圖11。

圖11 售后服務(wù)業(yè)務(wù)成本預(yù)測圖

4 結(jié)語

本文首先介紹了神經(jīng)網(wǎng)絡(luò)算法相關(guān)理論，介紹了神經(jīng)網(wǎng)絡(luò)算法，選擇了BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究，通過數(shù)據(jù)抽取、清洗，構(gòu)建了車型售后服務(wù)成本預(yù)測模型，最后通過AForge.NET 實(shí)現(xiàn)該算法，應(yīng)用于本系統(tǒng)。通過售后服務(wù)成本預(yù)測可以讓企業(yè)管理人員對未來的成本波動有提前的預(yù)知。