汽车召回决策支持系统的构建

汽车召回决策支持系统分为三个模块： 输入模块、 数据处理和分析模块以及输出模块。 下面先分模块分析， 进而进行系统的实现。

11.4.1 决策支持系统输入模块设计

决策支持系统输入模块是系统的入口， 主要采集的信息分为三个部分： 一是静态的信息， 即包括中国在内的汽车召回历史数据、 汽车投诉数据。 二是动态信息， 即中国汽车消费者对汽车的投诉信息。 为了跟国际社会的汽车召回信息同步， 需采集国外的缺陷汽车召回情况。 三是人工输入的信息， 系统设置消费者投诉、 事故等信息的人工输入入口。

11.4.2 决策支持系统处理和分析模块设计

决策支持系统处理和分析模块主要进行信息的筛选、 标准化和处理。 筛选分为粗筛选和工程筛选。 其中粗筛选主要是把无效的数据剔除出数据库， 比如把重复的投诉数据或召回数据剔除出数据库， 把没有关键字段的数据剔除出数据库。 而工程筛选则可以通过人工判断或利用专家系统来进行。 如果人工判断， 则利用专家库里的专家对缺陷的工程问题进行分析判断并给出结论， 再把结论存入数据库中； 如果是利用专家系统， 则首先建立专家知识库， 先提取专家判断的知识进行知识库学习， 再利用专家知识库进行比对， 系统将对缺陷工程问题自动判断。

数据标准化处理是把系统采集到的数据按照本系统的数据规范进行重新整理。 需要整理的信息是缺陷严重性等级为第2章所建立的缺陷严重性的A、 B、 C、 D和E五个等级。 经过重新整理的数据为同一标准的形式， 为数据的统计分析和载入模型处理奠定了数据基础。

利用上节所建立的数据库的E－R图， 对数据池中的汽车缺陷信息进行统计分析， 按照汽车品牌、 车型、 车款等进行汇总， 并进行汇总信息储存。

11.4.3 决策支持系统输出模块设计

决策支持系统输出模块进行信息输出， 包括数据统计输出、 模型运算输出两部分。 数据统计输出主要包括缺陷汽车的召回信息的输出和汽车缺陷投诉信息的输出。 模型运算输出包括汽车缺陷的召回概率预测输出、 汽车缺陷的制造商主动度等级输出、 汽车缺陷的决策信息输出。

（1） 数据统计输出

在数据统计输出部分， 利用统计和挖掘算法把汽车缺陷投诉信息和召回信息进行分别聚类汇总， 再利用关联规则进行汽车缺陷投诉和汽车召回的数据挖掘， 结果用可视化的表格形式输出给决策者。 输出的统计信息包括缺陷汽车召回信息和汽车缺陷投诉信息。 其中缺陷汽车召回信息按照发生缺陷的汽车品牌、 汽车车型、 年款等召回情况进行汇总输出。 汽车缺陷投诉信息按照缺陷汽车的品牌、 车型、 年款、 投诉数量等信息汇总输出。 缺陷汽车的召回信息和汽车缺陷的投诉信息不仅限于国内的情况， 还包含与缺陷汽车同一品牌或同一车型的国外汽车召回和投诉情况。

（2） 模型运算输出

在模型运算输出部分， 把缺陷汽车召回和投诉数据经过采集、 处理和统计分析之后， 输入第6章、 第8章和第10章所建立的模型进行运算输出。 利用汽车召回概率预测模型， 输入车辆的缺陷风险的有关数据， 经过模型运算， 输出汽车召回概率等级； 利用模糊多属性汽车制造商召回主动度评价模型， 输入汽车缺陷属性、 汽车制造商的信息、 消费者的信息， 以及政府的信息， 经过模型运算， 输出汽车制造商召回主动度等级。 利用汽车召回决策支持模型， 获取经汽车召回概率模型运算结果和汽车制造商召回主动度评价模型运算结果， 输出辅助决策策略。

模型运算输出部分可以计算单个缺陷汽车的召回概率等级和制造商召回主动度等级， 也可以输出多个缺陷汽车的召回概率等级和制造商召回主动度等级。 当决策者选择某个汽车缺陷的车辆的投诉数量、 缺陷严重性等级、 汽车的碰撞次数、 失火起数、 受伤人数和死亡人数等情况时， 系统进行汽车召回概率预测， 输出汽车召回概率等级。 当缺陷的召回概率为A和B时， 作为召回预警输出， 提醒决策者高度关注。 当决策者选择某个汽车缺陷的属性 （缺陷汽车的使用年限、 缺陷严重性等级、缺陷涉及数量、 缺陷的更换单件成本）、 缺陷汽车相关的汽车制造商的信誉和国籍、 缺陷汽车的消费者投诉数量和响应召回成本， 以及政府的处罚金额和执行强度等信息， 系统进行汽车制造商召回主动度评价， 输出汽车制造商召回主动度等级。 当决策者选择发生投诉的一批缺陷汽车进行召回概率预测和制造商召回主动度评价时， 根据关联查找这些缺陷汽车的召回概率预测相关因素和召回主动度评价指标， 通过模型批量处理， 所得结果储存到数据库， 并显示到系统终端。

模型运算输出部分还对批量的汽车缺陷输出决策辅助策略。 通过召回预测模型的运算和召回主动度评价模型的运算， 把前两个模型的运算结果输入到决策支持模型进行运算， 储存决策结果， 并输出决策信息。

11.4.4 缺陷汽车产品召回决策支持系统实现

缺陷汽车召回决策支持系统分为三个部分， 下面是模块程序实现。

输入部分为三个部分： 线上信息采集、 批量导入和手工输入。 线上信息采集采用爬虫程序实现， 例如采集到中国的投诉数据如图11.5所示。

图11.5 采集的投诉信息列表

一些采用网络终端、 投诉电话或投诉邮件形式的汽车缺陷投诉信息则通过手工的方式输入， 如图11.6所示。 采集不到的批量车辆和车主信息， 也采取手工输入的方式进行信息输入， 如图11.7 和图11.8所示。

图11.6 缺陷投诉信息的手工录入页面

图11.7 车辆信息手动采集页面

图11.8 车主信息手动采集页面

系统的输出分为两个部分： 基础信息输出、 决策信息输出。 其中，基础信息输出有国内外召回信息输出页面和缺陷投诉与事故信息输出页面， 如图11.9和图11.10所示。 图11.9的国内外的召回信息可以显示每一条召回的详细信息， 如图11.11所示。

图11.9 国内外召回信息输出页面

图11.10 汽车缺陷投诉和事故信息输出页面

图11.11 详细的召回信息输出页面

决策信息输出页面是进行召回预测信息和召回主动度信息输出的有关页面， 包含单个缺陷信息的召回概率和召回主动度的查询页面， 以及所有缺陷信息的召回概率预测页面和召回主动度评价页面、 召回预警信息输出页面以及辅助决策信息输出页面。 其中， 缺陷信息的召回概率预测页面如图11.12所示， 制造商召回主动度预测页面如图11.13所示。

图11.12 召回概率预测页面

图11.13 召回主动度预测页面

11.4.5 决策系统实例展示

下面以2010年丰田公司的加速踏板门事件进行实例运算， 看汽车召回概率预测模型的运行结果。 首先选择汽车的车辆品牌、 车型、 缺陷和缺陷严重性等级， 单击 “缺陷事故情况查询” 按钮之后， 可以查询缺陷的投诉和事故情况。 得到查询结果之后， 单击 “召回概率预测”按钮进行召回概率预测。 丰田公司CAMRY车型的加速踏板缺陷在美国的投诉情况和事故发生情况分别为： 投诉295例， 发生汽车碰撞148次， 受伤373人， 死亡48人。 进行召回概率预测， 预测的结果为A，即召回的概率为85％～100％， 召回的概率极大， 如图11.14所示。 这个预测结果符合丰田公司的加速踏板门事件的结果， 即丰田公司在全球范围内实行800多万辆车的召回。

图11.14 召回预测页面

召回主动度的预测仍以2010年丰田公司的加速踏板门的事件为实例。 在中国， 该事件所涉及的车型为RAV4， 汽车数量为75552， 生产的年款为2009年， 采取加装垫片的方式， 维修过程半小时， 投诉数量无。 选择汽车的车型、 缺陷部件以及影响召回主动度的相关因素， 单击“评价” 按钮， 图11.15为丰田公司在美国的召回主动度预测结果， 图11.16为在中国的召回主动度预测结果。

从图11.16可知， 丰田公司的加速踏板缺陷在中国的召回主动度很低。 如果不是丰田公司此次召回轰动全球， 且中国消费者的维权呼声很高， 怕影响丰田汽车在华销量， 丰田公司则会采取忽略中国市场方式来处理这起加速踏板门事件。

图11.15 2010年丰田公司加速踏板门事件在美国的召回主动度预测页面

图11.16 2010年丰田公司加速踏板门事件在中国的召回主动度预测页面

决策信息输出部分中， 预警信息输出列出了所有缺陷的投诉和事故信息， 并对A和B级突出表现。 从这部分信息中， 可以全面地了解市场上所有缺陷的投诉和事故信息， 以及缺陷的召回概率预测情况， 如图11.17所示。

图11.17 预警信息输出页面

决策信息输出中最为主要的一个输出结果， 是在对汽车缺陷进行召回概率预测、 制造商召回主动评价的基础上， 进行决策等级的计算。 从决策等级上可以看出决策的紧急程度， 利用这个结果指导缺陷管理部门着手处理市场上汽车缺陷的先后顺序。 辅助决策信息的输出如图11.18所示。

图11.18 辅助决策信息输出页面