張永勐 李紅偉 周榮培 潘偉

ZHANG Yongmeng1 LI Hongwei2 ZHOU Rongpei1 PAN Wei1

1.美的集團IoT 廣東佛山 528311；2.中國家用電器研究院 北京 100176

0 引言

自1999年物聯(lián)網(wǎng)（Internet of Things，IoT）概念首次出現(xiàn)以后，作為一個應用概念，其將傳統(tǒng)網(wǎng)絡的概念擴展到了包括智能家居在內(nèi)的眾多領域，從而產(chǎn)生了驚人的應用可能[1]。隨著家電網(wǎng)絡化，App遙控、定時[2]等遠程控制能力的逐步實現(xiàn)，智能家電已步入物聯(lián)網(wǎng)時代，艾瑞咨詢研究院自主研究表明，智能家電整體規(guī)模預計2022年突破4200億，智能家居行業(yè)已進入AIoT賦能期。

伴隨物聯(lián)網(wǎng)技術(shù)的演進，用戶從手動操作家電，演變?yōu)榭梢酝ㄟ^手機App遠程控制，甚至是多品類家電的場景自動聯(lián)動觸發(fā)。家電聯(lián)網(wǎng)、App、云計算等領域的技術(shù)發(fā)展給質(zhì)量評價帶來新機遇的同時，質(zhì)量改善也面臨前所未有的新挑戰(zhàn)。

對于物聯(lián)網(wǎng)的質(zhì)量管理，很多學者進行了相關(guān)研究，李紅偉[3]對智能家電App軟件質(zhì)量測評方案進行了研究，主要從用戶使用角度出發(fā)，以黑盒測試為主要方法，從App軟件產(chǎn)品質(zhì)量和使用質(zhì)量兩個方面發(fā)現(xiàn)質(zhì)量問題。王文斌[4]建立了一個多層次的物聯(lián)網(wǎng)質(zhì)量測評體系，從最初供應商開始直至最終用戶為止的整個流程提高客戶的滿意度。對于傳統(tǒng)行業(yè)的硬件質(zhì)量改善，很多學者也進行了相關(guān)研究，余瑾[5]通過研究形成了一套較為完整的質(zhì)量改善方法，建立了質(zhì)量改善項目管理流程和項目管理制度，將質(zhì)量改善形成了標準化的作業(yè)。朱玉杰[6]為了更好地適用質(zhì)量改善項目實施的優(yōu)先級排序，F(xiàn)MEA的一些術(shù)語需要進行適當?shù)闹匦陆缍?，基于模糊集理論，采用模糊語言對改善主題進行評價，并且使用熵權(quán)法客觀賦權(quán)，考慮了主、客觀綜合權(quán)重。

1 物聯(lián)網(wǎng)大數(shù)據(jù)分析的必要性

隨著智能家居產(chǎn)品走進千家萬戶，質(zhì)量改善也變得越來越重要，雖然學者們對物聯(lián)網(wǎng)質(zhì)量有很多深入的研究，但逆向的質(zhì)量改善研究較少，尤其是基于大數(shù)據(jù)質(zhì)量分析與應用研究更少，因此本文研究基于用戶大數(shù)據(jù)分析的物聯(lián)網(wǎng)家電質(zhì)量改善模型，融合家電行業(yè)傳統(tǒng)質(zhì)量分析方法和互聯(lián)網(wǎng)的大數(shù)據(jù)分析方法，并研發(fā)相關(guān)的物聯(lián)網(wǎng)質(zhì)量管理平臺，使質(zhì)量人員可以實現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量數(shù)據(jù)的精準定位、量化評價、監(jiān)控預警和閉環(huán)改善，最終實現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量的全面改善。

家電物聯(lián)網(wǎng)化的根本目的是向用戶提供整套的產(chǎn)品與服務，物聯(lián)網(wǎng)家電的硬件和軟件質(zhì)量對于用戶體驗的影響同等重要?，F(xiàn)階段傳統(tǒng)的家電質(zhì)量改善方法主要存在以下三個問題：

（1）傳統(tǒng)質(zhì)量改善方法側(cè)重硬件本身，缺少對全鏈路問題的分析

物聯(lián)網(wǎng)雖然已發(fā)展多年，但大多的質(zhì)量人員將更多的關(guān)注點放在了家電產(chǎn)品終端側(cè)，前期的質(zhì)量改善更多以硬件為主，并基于市場維修的外退故障件進行失效分析，定位具體的元器件問題，進行專項改善；而物聯(lián)網(wǎng)的質(zhì)量改善需要軟硬兼施的全鏈路、全流程的質(zhì)量改善。

（2）傳統(tǒng)質(zhì)量改善方法更多是基于被動收集用戶問題

傳統(tǒng)的質(zhì)量改善方法，主要是基于市場維修率、退換貨、電商差評率等被動的方式收集用戶投訴的市場問題，從而進行分析改善，缺少主動收集用戶不良問題的機制與能力，同時缺少海量的用戶大數(shù)據(jù)行為分析，更多是基于分析用戶已知、可視的問題，缺少行為的大數(shù)據(jù)分析預測及改善。

（3）傳統(tǒng)質(zhì)量改善周期長，閉環(huán)難度大

傳統(tǒng)的質(zhì)量改善涉及硬件的分析改善，從上層的家電產(chǎn)品，定位到零部件甚至原材料的問題，最終到備貨、排產(chǎn)及實物的切換，周期較長；同時從原材料的備貨、零部件的切換到總裝車間的排產(chǎn)以及最終市場的銷售庫存清理，最終到用戶手上需要近半年的時間，再加上其他可靠性的問題，最終改善后的效果及獲得市場數(shù)據(jù)的反饋需一年或更久；傳統(tǒng)的質(zhì)量改善無論整改切換的周期，還是問題閉環(huán)數(shù)據(jù)的反饋周期都是非常長的，對于用戶體驗的改善效果往往無法及時反饋。

隨著越來越多的家電互聯(lián)，匯聚到云端的數(shù)據(jù)也越來越多，進而形成家電物聯(lián)網(wǎng)大數(shù)據(jù)。離開了大數(shù)據(jù)的存儲和處理能力，物聯(lián)網(wǎng)家電的場景化服務能力將被嚴重削弱，價值不能得到充分發(fā)揮；而大數(shù)據(jù)離開了物聯(lián)網(wǎng)家電，就如傳統(tǒng)的信息系統(tǒng)因為無法及時地獲取物理世界中的信息和狀態(tài)，進而無法進行及時反饋，使得數(shù)字化的效率大幅降低。家電借助物聯(lián)網(wǎng)大數(shù)據(jù)，則可高效的在數(shù)字世界中刻畫和描述物理世界，并評估、指導管理、決策，使物理世界更加有序的運行。智能家居億級設備的大數(shù)據(jù)已然存在，借助物聯(lián)網(wǎng)大數(shù)據(jù)來反向?qū)崿F(xiàn)家電產(chǎn)品和服務質(zhì)量改善將有效解決上述傳統(tǒng)家電質(zhì)量改善方法存在的問題。

2 方案研究

從傳統(tǒng)的家電質(zhì)量改善方法升級到物聯(lián)網(wǎng)質(zhì)量改善方法，關(guān)鍵是能實現(xiàn)全鏈路問題的分析，首先要在現(xiàn)有傳統(tǒng)硬件質(zhì)量改善基礎上重新建立一套全新的質(zhì)量數(shù)據(jù)評價模型，并根據(jù)模型建立一套主動收集和定位用戶問題的方法，覆蓋用戶在智能家電使用過程中的各個環(huán)節(jié)；其次通過大數(shù)據(jù)的專業(yè)分析方法進行問題量化評價及監(jiān)控預警；最后通過一個整體的物聯(lián)網(wǎng)質(zhì)量平臺來實現(xiàn)數(shù)據(jù)的及時可視化，從而形成對問題的閉環(huán)改善機制。

2.1 數(shù)據(jù)評價模型

物聯(lián)網(wǎng)家電的核心功能點在于滿足用戶遠程控制家電設備、建設個性化智能場景、獲取推薦內(nèi)容和售后服務。物聯(lián)網(wǎng)家電質(zhì)量的重點是關(guān)注核心功能在家電終端上是否正確實現(xiàn)、用戶是否滿意等。

用戶滿意與否主要通過用戶對產(chǎn)品和服務各方面的體驗來反映。用戶體驗通常包含了視覺感受、界面友好性、功能易用性等方面。視覺感受很難通過客觀數(shù)據(jù)量化的方式進行度量，但核心功能的易用性卻可通過一些客觀數(shù)據(jù)來衡量?？紤]物聯(lián)網(wǎng)產(chǎn)品和服務功能受用戶機型、手機內(nèi)存、網(wǎng)絡環(huán)境、用戶操作路徑差異的影響較大，需要我們建立一套能反映用戶真實體驗的指標體系，并能根據(jù)產(chǎn)品的核心業(yè)務功能，抽象出核心指標，進一步實現(xiàn)指標量化[7]。

基于以上分析，以提升用戶綜合體驗為目標制定了評價指標體系。為了全方位綜合的評價用戶使用產(chǎn)品核心功能的體驗感受，指標又根據(jù)四個核心功能細化為登錄成功率、配網(wǎng)成功率、獲取插件包成功率、設備控制成功率、場景執(zhí)行成功率、發(fā)現(xiàn)頁面加載成功率、服務完整率七個子指標，并根據(jù)用戶的量級對各子指標進行加權(quán)，最終形成用戶綜合體驗成功率指標。用戶綜合體驗評價指標體系如圖1所示。

圖1 用戶綜合體驗評價指標體系

2.2 數(shù)據(jù)采集與管理

2.2.1 數(shù)據(jù)采集

模型建立之后，要完成量化評價及分析，需要擁有穩(wěn)定準確的數(shù)據(jù)來源，既要包含用戶操作過程的記錄，也要包含家電本身的生產(chǎn)數(shù)據(jù)；智能家電在使用過程中，可以記載并保存大量用戶使用的數(shù)據(jù)，物聯(lián)網(wǎng)終端應用的用戶埋點、設備的唯一標識及生產(chǎn)數(shù)據(jù)是主要的數(shù)據(jù)來源。

（1）家電設備數(shù)據(jù)的采集

家電設備數(shù)據(jù)的采集是很多擁有核心制造能力的公司都可以實現(xiàn)的，但是要將設備信息與物聯(lián)網(wǎng)的大數(shù)據(jù)關(guān)聯(lián)起來卻是非常困難的，沒有成熟的方案可參考借鑒，需要將設備的生產(chǎn)信息燒錄到電控中，在用戶完成配網(wǎng)操作后，通過設備電控主動上報給云端，云端進行存儲，再與生產(chǎn)的數(shù)據(jù)進行匹配。

匹配依賴智能家電產(chǎn)品的身份證——序列號（SN），為保證SN的準確性、唯一性的要求，首先需在前端規(guī)范智能家電產(chǎn)品SN的技術(shù)標準，保證SN從生成到使用的規(guī)范性，以達成可與埋點數(shù)據(jù)一一匹配的關(guān)聯(lián)關(guān)系；其次要通過制造執(zhí)行系統(tǒng)（MES）、質(zhì)量管理系統(tǒng)（QMS）等生產(chǎn)制造與檢驗系統(tǒng)，將SN的全部信息錄入數(shù)據(jù)庫，包括家電的生產(chǎn)時間、工廠、線體、過程檢驗的信息、使用的電控版本、模組版本等，為大數(shù)據(jù)的指標定義、對比分析奠定設備側(cè)的數(shù)據(jù)基礎。家電設備數(shù)據(jù)收集方案如圖2所示。

圖2 設備數(shù)據(jù)收集方案

（2）App數(shù)據(jù)采集

用戶在App端的數(shù)據(jù)，可以通過事件跟蹤（埋點）的方案進行收集。埋點可以描述用戶在物聯(lián)網(wǎng)應用終端內(nèi)觸發(fā)的一系列行為，包括點擊、側(cè)滑等。埋點的技術(shù)實質(zhì)是先記錄軟件應用運行過程中的事件，當需要關(guān)注的事件發(fā)生時進行判斷和捕獲，然后獲取必要的上下文信息，最后將信息整理后發(fā)送至服務器端，信息再經(jīng)過解析入庫，形成初步的用戶終端應用的埋點數(shù)據(jù)。

埋點方案雖比較好理解，也是互聯(lián)網(wǎng)行業(yè)中比較成熟的方案，但是對于設計一套完全適應物聯(lián)網(wǎng)家電質(zhì)量改善所需要的埋點，必須要先梳理與指標對應需記錄的事件[8]。事件記錄需要對物聯(lián)網(wǎng)的底層技術(shù)鏈路有深入的了解：需要梳理事件在終端應用用戶觸發(fā)的時機、觸發(fā)后的路徑、經(jīng)過的節(jié)點、到達的節(jié)點，同時分別在什么節(jié)點采集什么數(shù)據(jù)，也就是埋點采集的信息要做到需要采集的事件觸發(fā)時機全鏈路完整，則采集的信息有用。為此，需要組織終端應用App的產(chǎn)品經(jīng)理、軟件開發(fā)、后端服務器開發(fā)、測試等相關(guān)人員進行全鏈路的梳理，把現(xiàn)有的從設備到模組、模組到云、云到App等端到端的信息打通，當端到端的技術(shù)鏈路知識掌握后，就需要根據(jù)質(zhì)量的需求設計埋點，更多是基于用戶操作各項功能的成功確定埋點采集方案。埋點上線也需要一系列的流程，如圖3所示。

圖3 指標埋點采集流程

埋點上報可采用自研的埋點SDK捕捉，但是隨著指標需求增大，自研埋點投入的人力將越來越多，質(zhì)量數(shù)據(jù)的收集周期也會變得越來越長，一般會引入第三方埋點統(tǒng)計平臺[9]來處理。如圖4所示，該平臺覆蓋數(shù)據(jù)定義、采集、生產(chǎn)、應用等埋點全生命周期。使用該平臺后，埋點的開發(fā)周期縮短，埋點的類型也更加豐富。

圖4 第三方埋點統(tǒng)計平臺

2.2.2 數(shù)據(jù)管理

埋點數(shù)量會隨著需求增加而不斷增多，尤其是在采用第三方埋點采集平臺的情況下，需要對埋點數(shù)據(jù)進行治理，治理一般遵循以下原則：

（1）統(tǒng)一管控埋點需求

埋點要明確需要統(tǒng)計的指標，埋點需求應規(guī)范統(tǒng)一。

（2）埋點設計有全局觀

站在全局視角規(guī)劃埋點并且具有可擴展性，按照性質(zhì)（公共參數(shù)、私有參數(shù)）和層級給這些參數(shù)進行簡單劃分[3]。

（3）埋點開發(fā)要規(guī)范

埋點的使用方和開發(fā)方不用時，雙方在埋點評審時要思考不同實現(xiàn)邏輯和異常場景是否會影響埋點上報，保證埋點上線符合預期。

（4）埋點驗收全面

驗收的校驗埋點是否多報、少報，參數(shù)是否缺失，參數(shù)是否規(guī)范等。

（5）埋點要有生命周期管理

做好埋點梳理、埋點瘦身、埋點升級的工作，定期統(tǒng)計一段時間內(nèi)低頻上報的埋點和這些埋點相關(guān)指標、報表的訪問量，以此為依據(jù)開展埋點生命周期管理工作，如圖5所示。

圖5 埋點全生命周期管理

2.3 數(shù)據(jù)存儲與治理

2.3.1 數(shù)據(jù)存儲

海量的數(shù)據(jù)，需要穩(wěn)定存儲方案，并且需要有實時的調(diào)用及處理能力，如圖6所示，以基于Hadoop框架的數(shù)據(jù)倉庫為例，其中Hive處理離線數(shù)據(jù)，Kafka處理實時數(shù)據(jù)，實現(xiàn)用戶行為數(shù)據(jù)和業(yè)務數(shù)據(jù)實時進入數(shù)據(jù)倉庫；前端數(shù)據(jù)產(chǎn)品應用，從數(shù)據(jù)倉庫中調(diào)接口取數(shù)。無論是實時的數(shù)據(jù)采集，還是先本地存儲稍后再發(fā)送的數(shù)據(jù)采集，最終都要進入數(shù)據(jù)倉庫。

圖6 數(shù)據(jù)倉庫示例

數(shù)據(jù)倉庫分3層：原始數(shù)據(jù)層（ODS）、數(shù)據(jù)倉庫（DW），數(shù)據(jù)應用層（App），如圖7所示。

圖7 數(shù)據(jù)倉庫分層示例

其中：

ODS層：數(shù)據(jù)倉庫源頭系統(tǒng)的數(shù)據(jù)表通常會原封不動地存儲一份，ODS層也經(jīng)常會被稱為準備區(qū)。這一層的工作是貼源，數(shù)據(jù)和源系統(tǒng)的數(shù)據(jù)是同構(gòu)，一般對這些數(shù)據(jù)分為全量更新和增量更新，通常在貼源的過程中會做一些簡單的清洗。

DW層：數(shù)據(jù)倉庫明細層、中間層和匯總層，是數(shù)據(jù)倉庫的主體內(nèi)容。將一些數(shù)據(jù)關(guān)聯(lián)的日期進行拆分，使得其可被更具體的分類，一般拆分成年、月、日。ODS層到DW層的ETL腳本會根據(jù)業(yè)務需求對數(shù)據(jù)進行清洗、設計，如果沒有業(yè)務需求，則根據(jù)源系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)和未來的規(guī)劃進行處理，對這層的數(shù)據(jù)要求是一致、準確、盡量建立數(shù)據(jù)的完整性。

App層：應用層匯總層，主要是將明細數(shù)據(jù)在hadoop平臺進行匯總，然后將產(chǎn)生的結(jié)果同步到DWS數(shù)據(jù)庫，提供給各個應用。

2.3.2 數(shù)據(jù)治理

在用數(shù)據(jù)賦能業(yè)務的鏈條中：產(chǎn)生數(shù)據(jù)（埋點）→獲取數(shù)據(jù)（ETL）→分析數(shù)據(jù)→發(fā)現(xiàn)問題→業(yè)務決策，數(shù)據(jù)本身會產(chǎn)生污染以影響到數(shù)據(jù)的準確性，可能會到獲取時、分析時，甚至是決策階段，才會意識到數(shù)據(jù)本身可能出現(xiàn)了問題。數(shù)據(jù)從觸發(fā)上報→發(fā)送→ETL→進數(shù)倉，中間有任何一個過程出問題，都可能會影響數(shù)據(jù)的穩(wěn)定、準確和及時。另外，不斷擴展的業(yè)務需求，會使業(yè)務數(shù)據(jù)字段發(fā)生變更，這時錯傳、漏傳了數(shù)據(jù)進數(shù)倉，也會影響數(shù)據(jù)質(zhì)量。擴展的業(yè)務需求，必然會出現(xiàn)數(shù)據(jù)膨脹這個問題，所以數(shù)據(jù)治理也應運而生。治理主要從三個方面考慮：

（1）數(shù)據(jù)質(zhì)量監(jiān)控

對于數(shù)據(jù)指標本身的異常波動做了監(jiān)控的設計，每個版本的變化，都需要重新確認新增或變化埋點的變化，做全面的確認，避免臟數(shù)據(jù)入庫。

（2）空間方面

合并冗余表、舍棄冗余字段、內(nèi)容壓縮。

（3）時間方面

合理規(guī)劃數(shù)據(jù)的生命周期，不同層的數(shù)據(jù)保留時間不同，有的需要永久保存，對于那些暫時沒有業(yè)務調(diào)用的冷數(shù)據(jù)，壓縮歸檔。

2.4 數(shù)據(jù)分析與應用

2.4.1 數(shù)據(jù)分析

數(shù)據(jù)的核心意義是要實現(xiàn)數(shù)據(jù)的分析價值，擁有了用戶各種操作的埋點記錄、日志、家電生產(chǎn)信息等大數(shù)據(jù)信息，要將大數(shù)據(jù)以各種不同的分析方法實現(xiàn)業(yè)務價值，通過對數(shù)據(jù)的處理、分析、建模，定位終端應用的優(yōu)化項目，最終實現(xiàn)用戶體驗的改善；常用的分析方法主要有：

（1）漏斗分析法

漏斗分析法是一個流程化的思考方式，反映用戶行為狀態(tài)以及從起點到終點各階段用戶轉(zhuǎn)化率情況。根據(jù)業(yè)務邏輯，分析某一個功能的用戶行為漏斗是否和設計相同，若不同，可定位在哪一步存在問題[6]。將用戶在App上操作的各個環(huán)節(jié)通過埋點大數(shù)據(jù)進行漏斗的分析，確認哪一步流失較多，從高到低的進行排列，逐步突破。

例如，在配網(wǎng)通過率的分析改善過程中，通過大數(shù)據(jù)呈現(xiàn)出用戶配網(wǎng)過程的漏斗模型，如圖8所示，可以識別到用戶主要流失的點在掃碼、連接熱點階段，占用戶配網(wǎng)失敗占比的50%以上，所以重點聚焦掃碼與連接熱點的診斷，針對不同樣式的二維碼，一方面從源頭標準化的角度統(tǒng)一規(guī)范，系統(tǒng)防呆落地；另一方面從App端對歷史產(chǎn)品的二維碼進行兼容。連接熱點階段，根據(jù)大數(shù)據(jù)分析可以看到用戶主要在找不到熱點、無法進入連接設備熱點頁，企劃側(cè)統(tǒng)一家電連熱點的方式，歷史產(chǎn)品通過數(shù)據(jù)校驗配網(wǎng)指引的準確性。經(jīng)過質(zhì)量改善項目運作，共輸出23項改善點，一次配網(wǎng)通過率提升17%。

圖8 配網(wǎng)漏斗模型

（2）對比分析法

設備相關(guān)的生產(chǎn)數(shù)據(jù)與App的埋點數(shù)據(jù)都具有采集存儲，可以實現(xiàn)終端應用版本、插件版本、手機型號、操作系統(tǒng)、假期、運營活動、模組版本、路由器版本、家電品類、型號、生產(chǎn)時間、生產(chǎn)工廠、線體、電控版本等全方位數(shù)據(jù)對比，可分析各個維度的數(shù)據(jù)差異，找到各產(chǎn)品的差異，對標成功率高的產(chǎn)品進行鏈路優(yōu)化改善。

例如，在控制成功率數(shù)據(jù)分析過程中，如圖9所示，通過對比發(fā)現(xiàn)干衣機、掃地機、洗碗機控制成功率相對較低，主要問題為設備透傳超時，如圖10所示，經(jīng)過分析確認為電控指令上報不準確，最終方案在插件頁實現(xiàn)上報修正。

圖9 控制成功率對比分析圖

圖10 控制失敗原因帕累托圖

（3）分布分析法

分布分析法是通過對質(zhì)量的變動分布狀態(tài)進行分析并發(fā)現(xiàn)問題的一種重要方法，通常用于分析特定行為在某個維度的分布情況。用戶行為在某個時間點集中，譬如假期或者活動對終端應用訪問量產(chǎn)生影響，分析與現(xiàn)有服務端的承載能力是否匹配。

例如，通過時間分布發(fā)現(xiàn)06:00—06:05，會集中出現(xiàn)空調(diào)的場景執(zhí)行失敗報錯，經(jīng)確認主要原因為該時間段設定了一個早起暖房場景，用戶在同一時間觸發(fā)此場景，達到服務器容量限制，導致執(zhí)行失敗，可以通過服務器擴容改善此問題。

（4）用戶路徑分析法

用戶路徑分析法是用戶在終端應用中的訪問行為路徑，每一個路徑背后都有不同的動機，根據(jù)用戶路徑來分析終端應用核心功能的正確路徑[10]。用戶在使用終端應用時很常見的一個用戶路徑是進入終端應用后打開插件切到后臺，隔一段時間再進入終端應用，而終端應用刷新token時間是4小時，若一開始忽略這種用戶路徑，則導致22.4%的用戶再切回終端應用的時間間隔超過刷新token的時間，存在token失效控制失敗的問題，解決措施是插件SDK執(zhí)行控制token失效時自動刷新token。

2.4.2 數(shù)據(jù)應用

在大數(shù)據(jù)分析的同時，質(zhì)量改善的核心是要體現(xiàn)在應用結(jié)果上，為了實時可視的呈現(xiàn)物聯(lián)網(wǎng)家電大數(shù)據(jù)分析改善的效果，搭建了物聯(lián)網(wǎng)質(zhì)量數(shù)據(jù)平臺，前端實時可視IoT質(zhì)量水平，借助全方位的數(shù)據(jù)共享及可視化，實現(xiàn)各Feature Team小組的質(zhì)量水平評價與對比，上線7大品質(zhì)指標數(shù)據(jù)，上線27份報表，監(jiān)控告警33次，并跟進分析整改，完成35項問題優(yōu)化，用戶綜合體驗成功率改善17%。

質(zhì)量數(shù)據(jù)平臺的搭建，可以將看板管理發(fā)揮到極致，各種質(zhì)量數(shù)據(jù)都囊括其中，當指標數(shù)據(jù)發(fā)生波動時，可以更精準地定位到相關(guān)的變化點，更快速地找到大數(shù)據(jù)的關(guān)聯(lián)關(guān)系，更快速地找到問題的方向，結(jié)合白盒的能力，甚至可以直接落實到一些代碼層面的bug，從而快速修復解決。

借助實時大數(shù)據(jù)的能力，加上質(zhì)量平臺的能力，賦予了每個指標一個閾值，當指標突發(fā)異常時，會有及時的異常推送，通過微信消息、郵件等辦公軟件通知到相關(guān)責任人進行關(guān)注，通過數(shù)據(jù)的定位能力，快速找到相關(guān)人員進行處理，以達到組織級別的快速響應，減少對用戶的影響。

最后回到問題的閉環(huán)改善，因為有了大數(shù)據(jù)的分析能力，同時融入傳統(tǒng)行業(yè)的質(zhì)量改善理念，每個問題都可以做好數(shù)據(jù)的預測及數(shù)據(jù)會帶來的變化，持續(xù)關(guān)注每日數(shù)據(jù)的趨勢，可以看同期的對比，發(fā)版前后的對比，問題修復前后的對比，改善需求前后的對比，真正做到及時改善，及時閉環(huán)；同時質(zhì)量平臺也實現(xiàn)了bug、需求等問題的沉淀機制，可以對問題進行深入分析，對應流程標準缺失的問題，建立相應的標準體系文件，從根本上解決、規(guī)避問題。

3 結(jié)論

綜上所述，本文提出的基于用戶大數(shù)據(jù)分析的物聯(lián)網(wǎng)家電質(zhì)量改善方法，主要圍繞用戶綜合體驗提升的目標，通過構(gòu)建物聯(lián)網(wǎng)大數(shù)據(jù)能力，實現(xiàn)硬件家電、App控制端等的數(shù)據(jù)采集、存儲、治理、分析應用，為物聯(lián)網(wǎng)家電質(zhì)量改善提供了基礎，同時為了更好的實現(xiàn)全價值鏈的數(shù)據(jù)驅(qū)動，以及全面的物聯(lián)網(wǎng)質(zhì)量改善，需要將后臺底層數(shù)據(jù)分析的能力，進行前端界面的可視化，打造IoT質(zhì)量管理平臺，所有質(zhì)量相關(guān)人員，都可以經(jīng)過授權(quán)登錄質(zhì)量平臺進行數(shù)據(jù)實時查詢；隨著質(zhì)量平臺的持續(xù)深化應用，最終實現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量問題精準定位、量化評價、監(jiān)控預警和閉環(huán)改善四大功能，最終實現(xiàn)全方位用戶綜合體驗質(zhì)量改善。

進一步的，對于智能家電開發(fā)人員來講，未來還可以將用戶大數(shù)據(jù)分析與主動服務結(jié)合起來，實現(xiàn)設備的自我診斷與修復，更進一步提升用戶綜合體驗。