Полчаса вместо нескольких дней

Компания Kia Motors входит в число крупнейших мировых автопроизводителей, много лет подряд ее автомобили занимают высокие позиции в мировых рейтингах. Не в последнюю очередь такой успех обеспечен ориентацией на инновационные технологии, которые компания внедряет на всех этапах разработки, производства, поставки и сопровождения своей продукции. Важную роль здесь играют аналитические решения SAS, основанные на технологиях глубинного машинного обучения (deep learning).

Многие годы Kia направляет немалые инвестиции на то, чтобы повысить уровень удовлетворенности клиентов за счет улучшения качества продуктов и фирменных сервисов. Хорошим примером здесь является платформа Kia Techline, которая позволяет оперативно собирать информацию у всех технических специалистов, работающих в дилерских центрах. Особенно полезны оказываются сведения о сложных и нестандартных ситуациях. Когда сотрудник сталкивается с совершенно новой проблемой или испытывает трудности с диагностикой, он может позвонить на внутреннюю горячую линию техподдержки Kia.

В этом случае, во-первых, быстро решается сложная задача, а во-вторых, полученное описание инцидента поступает в аналитическую систему, которая помогает избежать возникновения проблемы в будущем или, по крайней мере, позволяет дилерским центрам наилучшим образом подготовится к ее решению. Система работала давно и доказала свою эффективность. Но, были вместе с тем и досадные неудобства. Например, в случае одного из крупнейших региональных подразделений производителя Kia Motors America, процесс составления нужного отчета по каждому инциденту, который бы объединял данные из CRM-системы, телефонных записей и специализированных опросов, занимал несколько дней, был очень трудоемким и утомительным. Для решения этой проблемы компания стала использовать аналитическую платформу SAS Visual Analytics, которая позволила сократить этот процесс примерно до получаса.

Быстрый доступ к информации не только помогает экспертам Techline более продуктивно поддерживать клиентов и техников Kia, но также дает менеджерам четкое представление о работе контрагентов, помогая процессу обучения и улучшения клиентского опыта. Как показала практика, в ряде случаев, специалистам компании удалось сократить время подготовки особенно сложных отчетов с восьми недель до одного дня. Чтобы понять масштаб задачи, достаточно упомянуть о том, что Kia Motors America продала более 8,6 млн автомобилей, которые на гарантийном обслуживании, в том числе компании необходимо поддерживать 800 фирменных дилерских центров по всей стране. «Решения SAS обеспечивают огромное преимущество. Без них нам пришлось бы ждать годы, чтобы получить информацию о тех или иных отказах и оценить их влияние на уровень клиентских предпочтений и расходов на гарантийное обслуживание», — отмечает Джон Торнтон менеджер юридического отдела, Kia Motors America.

Прогнозирование отказов повышает безопасность

Еще одна ключевая сфера, где Kia активно применяет аналитику на основе ИИ — это контроль качества. Как и любой производитель автомобилей, Kia стремится повышать качество продукции и снижать гарантийные расходы за счет прогнозирования отказов тех или иных механизмов и деталей. Для этого используется, в частности, такой инструмент теории вероятности, как Распределение Вейбулла — распространенный метод анализа, который позволяет производителям заранее построить график частоты отказов для каждой детали и спрогнозировать интенсивность в будущем.

Проблема в том, что Kia поставляет на рынок миллионы автомобилей различных моделей и в разных комплектациях. Сложности добавляет и то, что машины могут быть разного года выпуска и в каждом случае имеется собственный набор деталей. Вычислить вероятности отказа каждой из них вручную невозможно, без специализированных программных инструментов это трудно и долго даже с использованием компьютерных технологий. Поэтому Kia использует платформу расширенной аналитики SAS для автоматического выполнения анализа Распределения Вейбулла буквально по каждой детали. Процесс начинается со сбора данных о претензиях, полученных по гарантийным случаям и в результате обращений в дилерские центры. Затем строится график частоты отказов деталей в зависимости от пробега автомобиля, после чего выполняется автоматическая экстраполяция результатов.

Таким образом, с высокой долей вероятности удается предсказать предположительное среднее время наработки на отказ всех составляющих машины и, соответственно выстроить оптимальную сервисную модель, заказать на склады нужное количество запасных частей и т.д. Если поломок ожидается критически много, то можно внести конструктивные изменения в модель автомобиля, не дожидаясь шквала критики от недовольных клиентов и массовых гарантийных обращений в сервисные центры. При этом благодаря инструментам SAS, чтобы выполнить сложнейший сводный отчет на основе Распределения Вейбулла для всех деталей автомобилей, потребуется всего несколько щелчков мышью. Результаты анализа используются также для корректировки и оптимизации производственного плана, что в итоге ведет к постоянному повышению качества продукции и уровня удовлетворенности клиентов.

ИИ помогает понять клиентов

Как мы уже выяснили, сведения, полученные непосредственно от клиентов, представляют собой буквально «золотую жилу» информации, которая может помочь производителю улучшить качество продукции и сократить издержки. Каждый день Kia получает множество отзывов о своем растущем парке седанов, внедорожников, минивэнов и других автомобилей. В США подобные сведения можно почерпнуть из ответов на анкеты владельцев транспортных средств, собранных Национальной администрацией безопасности дорожного движения (National Highway Traffic Safety Administration).

Но получить исходные данные — это лишь часть задачи, их еще надо должным образом обработать, проанализировать, выявить закономерности, а это порой бывает крайне сложно. Дело в том, что хотя вопросы анкеты и формализованы, ответы на них дают конкретные люди, со своим способом мышления, подходом к изложению мыслей и т.д. Если такую анкету читает человек — он, как правило, без труда понимает, что имелось в виду. Но, для компьютерных систем обработка «живого» языка часто превращается в чрезвычайно трудную задачу, и смысл написанного зачастую ускользает. Для решения этой проблемы Kia использует продвинутую аналитику SAS на базе технологий обработки естественного языка (Natural Language Processing, NLP), в основе которой лежат алгоритмы глубокого машинного обучения. Система автоматически классифицирует и выделяет тип жалобы в каждом ответе, что позволяет Kia определять проблемы с качеством и решать их в процессе проектирования и производства существующих и будущих автомобилей. Кроме того, анализируя в деталях отзывы клиентов, производитель может заранее предупреждать дилеров о будущих потенциальных проблемах с обслуживанием, помогая оптимизировать ремонтную базу и номенклатуру запчастей.

Аналитика для лидерства

Использование аналитических инструментов SAS позволяет Kia осуществлять непрерывное улучшение производственных мощностей и выпускаемых автомобилей, от чего в конечном итоге выигрывают все — и компания, и ее клиенты. Не только Kia сегодня активно использует аналитику SAS для повышения собственной эффективности. В мире подобных — успешных примеров уже насчитывается не одна сотня. А компания SAS, по мнению Gartner, входит в число лидеров мирового рынка платформ для анализа данных и машинного обучения.

При этом SAS — единственный разработчик, который признавался лидером в Magic Quadrant for Data Science and Machine Learning Platforms за все 8 лет существования данного рейтинга, что в целом неудивительно, учитывая тот факт, что SAS реинвестирует более 20% выручки в исследования и разработки.