CN115730964A - 基于产品质量数据分析的质量趋势预测 - Google Patents
基于产品质量数据分析的质量趋势预测 Download PDFInfo
- Publication number
- CN115730964A CN115730964A CN202211528168.0A CN202211528168A CN115730964A CN 115730964 A CN115730964 A CN 115730964A CN 202211528168 A CN202211528168 A CN 202211528168A CN 115730964 A CN115730964 A CN 115730964A
- Authority
- CN
- China
- Prior art keywords
- quality
- product
- data
- product quality
- trend prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于产品质量数据分析的质量趋势预测,通过获取市场产品故障信息对故障频次进行分析预测,基于质量数据分析的质量趋势预测,将质量管理由“被动”转为“主动”,可快速反应市场质量动态,帮助企业及时发现潜在的质量隐患,规避风险、减少不合格品的出现,降低重大问题发生几率,提升产品质量管理水平,提高产品质量口碑和企业竞争实力。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及基于产品质量数据分析的质量趋势预测。
背景技术
汽车及零部件、电子产品制造规模持续扩大、科技的不断发展,对企业提出了更高的质量要求。产品质量缺陷追溯周期长,质量隐患发现不及时,给企业造成不必要的成本。企业希望及时掌握市场产品的质量动态,利用市场上已知产品故障信息进行质量分析,预测未来的质量趋势,控制成本,对质量进行预测,势不可挡。
目前,由“故障部位”引起的质量问题的分析维度单一,不能帮助企业更好的掌握市场中引起质量缺陷的“故障部位”情况,导致企业不能及时识别,定位和分析处理质量缺陷,目前急需使质量数据产生价值,将质量管理由“被动”转为“主动”,挖掘影响质量的关键因素,帮助企业识别潜在的风险点,做出科学的决策与判断,强化质量管理水平,提高产品质量,提升客户满意度。
发明内容
为解决上述质量问题分析维度单一的问题,本发明提出了基于产品质量数据分析的质量趋势预测。
基于产品质量数据分析的质量趋势预测,通过获取市场产品故障信息对故障频次进行分析预测,包括:
S1、产品市场故障数据采集:对有故障市场产品的质量问题数据进行信息进行采集;
S2、质量问题数据频次统计:根据采集的质量问题数据,将采集的产品市场故障数据进行频次统计;
S3、产品质量分析:根据统计的产品质量问题数据,按数据类型生成相应的质量趋势图;
S4、产品质量趋势预测:根据质量趋势图,利用线性回归预测公式对未来产品质量进行预测。
进一步,所述S1产品市场故障数据采集过程中质量问题数据包括:产品型号、故障部位、时间维度、故障类型。
进一步,所述时间维度包括日,周,月,进行统计时灵活选择纬度范围。
进一步,所述S2质量问题数据频次统计过程还包括:按产品型号进行频次统计时,包括按单型号进行统计和所有型号综合统计。
进一步,所述S2质量问题数据频次统计过程还包括:对频次统计结果中统计频次高的部分用特殊颜色进行区别显示。
进一步,所述S3产品质量分析质量趋势图根据预设规则显示,还包括在时间维度的切换显示。
进一步,所述S4产品质量趋势预测还包括:选择预测时间,向后预测对应时长的故障数据。
进一步,所述S4产品质量趋势预测线性回归预测公式根据已知产品质量问题数据得出,具体为:Y=A+BX,其中,Y为预测值,X为预测销售数量,A和B为根据已知产品质量问题数据得出的常数。
本发明的有益效果:本发明提出了基于产品质量数据分析的质量趋势预测,基于质量数据分析的质量趋势预测,将质量管理由“被动”转为“主动”,可快速反应市场质量动态,帮助企业及时发现潜在的质量隐患,规避风险、减少不合格品的出现,降低重大问题发生几率,提升产品质量管理水平,提高产品质量口碑和企业竞争实力。
附图说明
图1是本发明基于产品质量数据分析的质量趋势预测流程图;
图2是本发明实施例中所有车型统计图;
图3是本发明实施例中单个车型统计图;
图4是本发明实施例中故障部位趋势整合图;
图5是本发明实施例中故障部位趋势预设规则显示图;
图6是本发明实施例中按日显示的趋势图;
图7是本发明实施例中按周显示的趋势图;
图8是本发明实施例中按月显示的趋势图;
图9是本发明实施例中按车型故障频次统计图;
图10是本发明实施例中具体车型和故障类型分析图;
图11是本发明实施例中月趋势预测已知趋势图;
图12是本发明实施例中月趋势预测未知月份图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
本发明提出了基于产品质量数据分析的质量趋势预测,通过获取市场产品故障信息对故障频次进行分析预测,包括:
产品市场故障数据采集:对有故障市场产品的质量问题数据进行信息进行采集;
质量问题数据频次统计:根据采集的质量问题数据,将采集的产品市场故障数据进行频次统计;
产品质量分析:根据统计的产品质量问题数据,按数据类型生成相应的质量趋势图;
产品质量趋势预测:根据质量趋势图,利用线性回归预测公式对未来产品质量进行预测。
在本实施例中,以整车厂为例,第一步,根据采集的市场故障数据,按照“车型”和“故障部位”、以日、周、月多维度进行频次统计,并且能细化到引起故障发生的“故障类型”的统计。提供按照月维度进行“故障部位”频次预测。
第二步,质量问题数据按车型和故障部位进行频次统计:
故障部位:故障问题发生具体的部位;
故障类型:发生故障具体的现象;
时间维度包括日、周、月,并且可以灵活选择要统计的维度范围。
以当前日期作为参照:
最近日:取开始日期向前推最近的连续几天的范围,统计车型的故障部位在日的发生频次。
最近周:取开始日期所在周向前推最近的连续几周的范围,统计车型的故障部位在周的发生频次。
最近月:取开始日期所在月向前推最近的连续几月的范围,统计车型的故障部位在月的发生频次。
故障部位TOP:按照“当前周-1”统计频次数进行TOP排序。
车型可单车型统计,如图3所示;也可以按所有车型一起统计,如图2所示。
对于统计结果:按日统计的部分,统计频次高的部分红色字体显示。按周统计的部分,统计频次高的部分红色字体显示。按月统计的部分,统计频次高的部分红色字体显示。
第三步,进行质量分析:
以统计所有车型为例,查看故障部位趋势,按故障部位生成按日、周、月的质量趋势图。我们可以预设规则显示最新7日、最近4周、最近4个月的质量趋势,如图4,5所示。
还可以选择趋势查看,默认显示日查看趋势图,可以进行日周月的切换显示,如图6,7,8所示。
在本实施例中,按日、周、月质量趋势可以下穿到各个车型,该故障部位在各个车型中的频次统计,并且还可继续向下穿透到“故障类型”的分布统计。
例如:bw01故障频次在8月份的故障频次为40个,将40个故障频次按车型进行统计,在具体车型发生的故障部位的对应故障类型的统计,如图9,10所示。
该方法将故障信息通过日、周、月各个维度层层解析,可将故障信息穿透到“故障部位”,继续将“故障部位”频次统计数据分解具体车型,在具体车型上继续分解到“故障类型”,快速识别发生故障的各个“故障类型”的比重,帮助企业识别故障风险点,质量管理部门及时分析缺陷发生的原因,快速做出质量改进对策,例如产品设计的调整、加工的参数的改善。
第四步,质量趋势预测:
例如:新车型1月份开始销售,销售到9月份,预测10、11月份的该新车型的bw01的故障频次,选择进行月趋势预测,如图11所示。
选择预测的月份,选择2,向后推预测2个月份的数据,向后预测10、11月份的故障数据。
月份数据与销售数据进行统计,已知月份的销售数量,利用移动平移法预测10、11月销售数量。10月份的销售数量预测累计为183台,11月份销售累计201台。
利用前3个月销售数据进行下个月的销售数量的预测,如表1所示:
x销售数量=[(x-1)销售数量+(x-2)销售数量+(x-3)销售数量】/3;
10月份销售数量=[9月销售数量+8月销售数量+7销售数量】/3=21;
11月份销售数量=[10月销售数量+9月销售数量+8销售数量】/3=18;
表1
月份 | 累计销售数量 |
2022-1月 | 20 |
2022-2月 | 38 |
2022-3月 | 55 |
2022-4月 | 69 |
2022-5月 | 82 |
2022-6月 | 100 |
2022-7月 | 130 |
2022-8月 | 145 |
2022-9月 | 162 |
2022-10月 | 183 |
2022-11月 | 201 |
利用线性回归预测公式:Y=A+BX,根据已知销售量和故障频次得出:
model=linear_model.LinearRegression(fit_intercept=True)
x=[[20],[38],[55],[69],[82],[100],[130],[145],[162]]
y=[[0],[0],[3],[2],[4],[5],[5],[8],[9]]
model.fit(x,y)
display(model.intercept_)
display(model.coef_)
---------预测------------
Y=model.predict([[输入]])
Y=0.06210764X-1.53448117
10月频次=0.06210764*183-1.53448117=9.8约为10频次;
11月频次=0.06210764*201-1.53448117=10.95约为11频次,如表2。
表2
月份 | 累计销售数量 | 故障频次 |
2022-1月 | 20 | 0 |
2022-2月 | 38 | 0 |
2022-3月 | 55 | 3 |
2022-4月 | 69 | 2 |
2022-5月 | 82 | 4 |
2022-6月 | 101 | 5 |
2022-7月 | 130 | 5 |
2022-8月 | 145 | 8 |
2022-9月 | 162 | 9 |
2022-10月 | 183 | 10 |
2022-11月 | 201 | 11 |
预测结果如图12所示,根据得到的预测结果,将当前质量预测趋势快速提供给质量管理者,让质量管理者及时了解产品故障趋势,引导领导层关注质量重点问题,协调各方面资源快速进行问题整改,降低重大问题发生几率。
本发明提出了基于产品质量数据分析的质量趋势预测,基于质量数据分析的质量趋势预测,将质量管理由“被动”转为“主动”,可快速反应市场质量动态,帮助企业及时发现潜在的质量隐患,规避风险、减少不合格品的出现,降低重大问题发生几率,提升产品质量管理水平,提高产品质量口碑和企业竞争实力。
本发明以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于产品质量数据分析的质量趋势预测,其特征在于,通过获取市场产品故障信息对故障频次进行分析预测,包括:
S1、产品市场故障数据采集:对有故障市场产品的质量问题数据进行信息进行采集;
S2、质量问题数据频次统计:根据采集的质量问题数据,将采集的产品市场故障数据进行频次统计;
S3、产品质量分析:根据统计的产品质量问题数据,按数据类型生成相应的质量趋势图;
S4、产品质量趋势预测:根据质量趋势图,利用线性回归预测公式对未来产品质量进行预测。
2.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S1产品市场故障数据采集过程中质量问题数据包括:产品型号、故障部位、时间维度、故障类型。
3.根据权利要求2所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述时间维度包括日,周,月,进行统计时灵活选择纬度范围。
4.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S2质量问题数据频次统计过程还包括:按产品型号进行频次统计时,包括按单型号进行统计和所有型号综合统计。
5.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S2质量问题数据频次统计过程还包括:对频次统计结果中统计频次高的部分用特殊颜色进行区别显示。
6.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S3产品质量分析质量趋势图根据预设规则显示,还包括在时间维度的切换显示。
7.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S4产品质量趋势预测还包括:选择预测时间,向后预测对应时长的故障数据。
8.根据权利要求1所述的基于产品质量数据分析的质量趋势预测,其特征在于,所述S4产品质量趋势预测线性回归预测公式根据已知产品质量问题数据得出,具体为:Y=A+BX,其中,Y为预测值,X为预测销售数量,A和B为根据已知产品质量问题数据得出的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211528168.0A CN115730964A (zh) | 2022-11-30 | 2022-11-30 | 基于产品质量数据分析的质量趋势预测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211528168.0A CN115730964A (zh) | 2022-11-30 | 2022-11-30 | 基于产品质量数据分析的质量趋势预测 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730964A true CN115730964A (zh) | 2023-03-03 |
Family
ID=85299875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211528168.0A Pending CN115730964A (zh) | 2022-11-30 | 2022-11-30 | 基于产品质量数据分析的质量趋势预测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452008A (zh) * | 2023-06-16 | 2023-07-18 | 山东四季车网络科技有限公司 | 一种基于多项式建模的二手车风险预测方法及系统 |
-
2022
- 2022-11-30 CN CN202211528168.0A patent/CN115730964A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452008A (zh) * | 2023-06-16 | 2023-07-18 | 山东四季车网络科技有限公司 | 一种基于多项式建模的二手车风险预测方法及系统 |
CN116452008B (zh) * | 2023-06-16 | 2023-08-29 | 山东四季车网络科技有限公司 | 一种基于多项式建模的二手车风险预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10540618B2 (en) | Methods and apparatus to monitor work vehicles and to generate worklists to order the repair of such work vehicles should a machine failure be identified | |
US10055337B2 (en) | Methods and systems for analyzing software development risks | |
US7797182B2 (en) | Method and apparatus for improved forecasting using multiple sources | |
US7742940B1 (en) | Method and system for predicting revenue based on historical pattern indentification and modeling | |
US20170154268A1 (en) | An automatic statistical processing tool | |
CN115730964A (zh) | 基于产品质量数据分析的质量趋势预测 | |
CN112308414A (zh) | 收入异常检测的方法、装置、电子设备及存储介质 | |
CN110766481A (zh) | 客户数据处理方法、装置、电子设备及计算机可读介质 | |
CN111738504A (zh) | 企业财务指标资金量预测方法和装置、设备及存储介质 | |
CN111738507A (zh) | 银行清算头寸资金备付量预测方法和装置、设备及介质 | |
US20170345096A1 (en) | Method and system for providing a dashboard for determining resource allocation for marketing | |
US8275707B1 (en) | Methods and systems for normalized identification and prediction of insurance policy profitability | |
CN114385942A (zh) | 基于用户行为的页面元素参数优化方法、装置及设备 | |
JPH10134027A (ja) | 販売予測支援方法およびその装置 | |
CN117011031A (zh) | 利用大数据信息处理技术的智能金融风险监测与预警平台 | |
Öztürk | Modeling an inventory problem with random supply, inspection and machine breakdown | |
US20070179922A1 (en) | Apparatus and method for forecasting control chart data | |
CN109697203A (zh) | 指标异动分析方法及设备、计算机存储介质、计算机设备 | |
US10339486B1 (en) | Agency business planning tool | |
CN112966897A (zh) | 一种基于维修平台的多维度数据分析方法 | |
CN111738506A (zh) | 现金中心现金库存用量预测方法和装置、电子设备及介质 | |
US8606616B1 (en) | Selection of business success indicators based on scoring of intended program results, assumptions or dependencies, and projects | |
Hua et al. | Improving density forecast by modeling asymmetric features: An application to S&P500 returns | |
CN118014695B (zh) | 一种基于多源数据筛选的商品推送方法和系统 | |
CN116382924B (zh) | 资源配置的推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |