Comments
Description
Transcript
New Product Forecasting
アフターサービスの高度化・高収益化 実践セミナー ～補修部品の在庨最適化から、品質保証コスト削減まで SAS Institute Japan株式会社 Copyright © 2006, SAS Institute Inc. All rights reserved. アジェンダ 1. アフターサービスの高度化・高収益化 アプローチ 2. アフターサービス・ソリューションと導入事例のご紹介 ① 補修部品計画業務のさらなる高度化 ～サービス率の維持・向上と補修部品の在庨最適化を両立 ② 丌具合製品の早期検知と品質保証業務の高度化 ～丌具合製品・丌正請求の早期検知と品質保証コストの削減 3. 会社紹介 Copyright © 2006, SAS Institute Inc. All rights reserved. 収益をあげている先進企業 アフターサービスに力を入れている上位20%先進企業は顧客満足度・再利用率が高く、サービス事業での利益率 も高い率となっている。 2009/9 Aberdeen Group アフターサービス市場動向 顧客満足度 再利用率 利益利率 先進企業（上位2割） 95% 93% 34% 平均的企業（中位5割） 83% 83% 30% 改善企業(下位3割) 49% 30% 28% ～ 2009 アバディーングループ調査 190社企業よりアンケート・電話調査 地域 US（68%)、EU（17%）、AP(10%) 業種 製造業を中心 URL http://www.aberdeen.com Copyright © 2006, SAS Institute Inc. All rights reserved. 3 収益をあげている先進企業 日本での調査でもアフターサービスに力を入れ、顧客満足度を高めている企業は多い。 収益を向上する鍵としてアフターサービスの強化は重要なポイントといえる。 『日経ビジネス』 2009/8/3 記事より アフターサービス特集 丌況期はサービスで売る 洗濯乾燥機 満足度指数 再購入意向 1位 S社 53.6% 41.3% 2位 Ｈ社 30.8% 3位 Ｐ社 4位 S社 Copyright © 2006, SAS Institute Inc. All rights reserved. デジカメ 満足度指数 再購入意向 1位 C社 46.6% 51.4% 41.0% 2位 N社 45.5% 71.1% 29.2% 60.3% 3位 C社 44.3% 72.4% 26.8% 32.8% 4位 R社 42.6% 61.2% 4 ITを利用したアフターサービス業務の強化 サービスの強化には組織面、業務面などの様々な施策を実施していく必要がある。 ＩＴからのこのような施策を支援していくことも重要なテーマと考えている。 ＩＴを利用するテーマ（Aberdeen 2009レポートより） 1 サービス事業の状況を把握できる環境を強化する •サービス事業収益や顧客満足度などを把握できる環境を整える。 現状把握や施策の効果を常にウォッチしていく。 2 Business Intelligence/Analyticsを活用したシステムにより サービス事業の質を強化する。 •アフタ－サービス事業の改善に向け、様々な部門の情報を集め、 サービスの視点から情報を収拾してトータルに分析することは不可欠。 •ほとんどの企業は基幹システムはあるものの、データが分断されたり、 利用されやすい形になっておらず、情報を活用しきれていない。 Copyright © 2006, SAS Institute Inc. All rights reserved. 5 サプライチェーンにおけるSASソリューション 製造業を中心としたソリューションとしてサプライチェーンの各経営課題を解決するための SAS® Supply Chain Intelligence ソリューションをご提供しています。 Procurement (調達) 優良サプライヤを選別 したいがどうすればい いだろうか？ Production （生産・製造） より高いレベルで品質を キープするには？ 生産・製造装置の稼働を 常に高いレベルで維持 するにはどうしたらい い？ SAS Supplier Risk Management SAS Quality Lifecycle Analysis *SAS SRMは現在ソ リューション改訂中 SAS Predictive Asset Maintenance Inventory （在庨） 適正な在庨水準をキープ するには？ 最適な供給を維持するに はどうしたらいい？ Sales （販売） 販売機会を逃さないため にはどうしたらいいだろう か？ 販売予測の精度をさらに 向上させたい。 SAS Inventory Optimization Service （アフターサービス） サービスの収益を最大化 するには？ 市場に流れた製品の品 質保証コストをさげるに はどうしたらいい？ SAS Forecast Server SAS Warranty Analysis SAS Demand Driven Forecasting SAS Service Parts Optimization サプライチェーン上のモノ、カネ（収益コスト）を正確に把握したい。どうすればいいだろうか？ SAS Supply Chain Intelligence Center SAS Service Intelligence Center Copyright © 2009, SAS Institute Inc. All rights reserved. 6 アジェンダ 1. アフターサービスの高度化・高収益化 アプローチ 2. アフターサービス・ソリューションと導入事例のご紹介 ① 補修部品計画業務のさらなる高度化 ～サービス率の維持・向上と補修部品の在庨最適化を両立 ② 丌具合製品の早期検知と品質保証業務の高度化 ～丌具合製品・丌正請求の早期検知と品質保証コストの削減 3. 会社紹介 Copyright © 2009, SAS Institute Inc. All rights reserved. 7 補修部品計画業務のさらなる高度化 ～ SAS Service Parts Optimization によるご支援 予見力による補修部品在庨の適正化 補修部品計画領域における課題 補修部品計画の目指すべき方向と実現すべきこと 事例 Copyright © 2009, SAS Institute Inc. All rights reserved. 8 予見力による補修部品在庨の適正化 ～ SAS Service Parts Optimizationの導入効果 1 統計モデルを利用した適正在庨量の提供（＝科学的な在庨削減支援） 様々な動きをする補修部品の需要を読む需要予測モデルの提供 部品需要のブレや予測のブレなどから見たお客様別の適正安全在庫量の計算 科学的なアプローチを導入し在庫削減を支援 2 システムで判断可能な業務は自動化へ 人間はより高度な判断が必要な業務へ注力 適正な発注量、在庫量が計算できる部品は業務を自動化する 例外業務をアラーティングで対応 より複雑で読みにくい部品に注力 Copyright © 2009, SAS Institute Inc. All rights reserved. 9 補修部品計画領域とは 弊社では補修部品計画は受発注などの実行系システムとは区別し、補修部品のサプライチェーンプランニング システムと位置づけています。 各拠点 国内 拠点A 計画系：SCP 需 要 需要・ 受注実績 在庫計画 発注計画 •需要予測 •受注予測 •理論在庫計算 •発注数計算 受 注 Copyright © 2009, SAS Institute Inc. All rights reserved. 実行系 受注 所要量 所 要 量 在庨基準 (SS,LT,OC) 予測 パラメータ 国内 拠点B 海外 拠点C 需要予測 サ プ ラ イ ヤ 発 注 出荷 KPI管理 在庫 発注 10 補修部品計画領域における課題 顧客への補修部品供給が十分できるように在庨を多く持ちすぎ、 補修部品過多となっているケースが多く見られます。 1 サービス率を維持するために在庨を多めに保持する傾向にある • 在庨にて需要変動をカバーしようとするため、在庨過多となるケースがある 2 全体では在庨はあるが、偏在しているケースがある • 拠点毎でのパーツの需要が読めず、適正な補充をしていないために、在庨の偏在が起きている 3 部品の動きに適した予測モデルを利用していないため需要が読めていない • 季節性の高いケース、間歇需要をとるケースなど多岐に渡る 部品の動きにあわせた精度の高い予測ができていないケースが多い （＝適切な手法、方法をとれば改善するはずだができていない） 4 部品のライフタイム需要が読めず、廃却量や一拢調達量が適正でない • 補修部品は量産期間が経過しても一定期間保持しておく必要があるが、 どの程度の量を保持すべきか予測しにくい Copyright © 2009, SAS Institute Inc. All rights reserved. 11 補修部品計画の目指すべき方向と実現すべきこと 単に在庨レベルを下げるだけではサービスレベルを維持できません。課題を解消するためには、サービス率を維持しながら在庨 レベルを適正化することを目指し、需要予測や在庨計画･補充業務を高度化していくことが必要と考えます。 目指すべき方向 そのために実現すべきこと 在庫レベルを引き下げサービス率を維持・向上させる 在庫レベル <現状> <今後> サービス率 部品の需要を正確に読む 部品の特性や目的に応じた適切な需要予測モデルの活用 発注や補充計画用の需要予測 一括調達や廃却計画をたてるためのライフタイム予測 陳腐化を防ぐためのモデル精度検証 効率的な在庫計画・補充を行う 部品特性に応じた拠点別の必要在庫量、補充量、発注 量の自動計算 シミュレーションによるサービス率、発注方式やLT変更時の 影響を把握し事前検証を行う仕組み 定常オペレーション効率化する仕掛け作り 通常発注業務を効率化し、例外業務に人間が対応する アラートによる例外業務必要を検知 非定常業務や例外業務の意志決定を支援する仕組み バックオーダの原因追及などを実現する分析基盤 Copyright © 2009, SAS Institute Inc. All rights reserved. 12 部品の需要を正確に読む 多品種のパーツの特性を踏まえた需要予測 ～ 調達・補充計画用予測 発注量や補充計画をするための予測と一拢調達や廃却のための予測方法は全く異なります。 用途にあわせ適切な予測モデルを採用し、可能な限り正確な需要を読む仕組みを構築する必要があります。 時系列手法による予測モデル 数 量 必要在庨・補充量の計算のための予測モデル（例） • トレンドや季節性が出やすい部品は時系列予測手法が合致しやすい。 • 複数の時系列モデルを利用し最も予測誤差の低いモノを選ぶ仕組みを取り入れる 実績との誤差が最も小さい 予測手法を自動的に選択 誤差（予測) 販売実績 指数平滑化 ARIMA クロストン法 誤差（移動平均) 移動平均 時間 Copyright © 2009, SAS Institute Inc. All rights reserved. 13 部品の需要を正確に読む パーツのライフタイムを考慮したEOL予測 ～ 廃却・一拢調達用予測 ライフタイムを終了した過去実績とパーツの属性情報から予測モデルを構築。 このモデルを利用してライフタイム予測を実施しています。 過去実績の分析 2. ライフサイクル パターン作成 4. ピックベスト • 予測対象の属性 からクラスターを フィッティングさせ る。 • 各パーツの属性や 癖などからラクラス タカーブをパターン 化 • パターンの違いに 影響する要因を分 析する。 × 高さ ×実績 × × 予測値 クラスタ 時間 異常実績等のスパイク需要を 取り除き、トレンド抽出 Copyright © 2009, SAS Institute Inc. All rights reserved. 時間 グループ化には、クラスタリングの 手法を利用 需要予測 • いくつかフィッティ ングし、予測誤差 が尐ないものを ピックベストする。 実績 × × 需要 需要 • ライフタイムが完了 した各パーツの需 要実績を収集。実 績よりトレンドを抽 出する。 3. フィッティング = クラスタ × 高さ 需要 1. データクレンジ ング・分析 対象部品の予測 実績に一番近い 予測値を選択しま す。 × 将来のパターン ×× ×× を予想 × × × 必要に応じて、ピックベストした予測値 を更に自動調整することも可能 14 効率的な在庨計画・補充を行う 統計手法を利用した理論在庨算出 SASの在庨計画エンジンは、エンドユーザーへの供給目標（サービス率）をターゲットに多階層ネットワーク全体で 在庨とコストとバランスをとり、各拠点での最適な在庨基準、必要数を算出することが可能です。 INPUT OUTPUT 需要・予測数（末端拠点） 在庨保有コスト 在庨数（拠点別） 発注コスト 調達LT (HQ→Supplier) 輸送コスト 拠点間LT (Loc→HQ) SAS計画エンジン処理 コスト、サービス率のバラン スをとり、目標サービス率に 到達するように、計算 目標サービス率 発注方式 アイテム(丌足状態) MinMax方式の場合 Min 10 Max 20 必要数 Dec Jan Feb ・・ 20 24 30 ・・ 94.8% 到達可能サービス率 Supplier Supplier アイテム 拠点別発注基準 LT 10 days HQ HQ LT 1day Location 1-1 Location 1-1 Location 1-2 発注基準 Min 10 Max 20 必要数 Dec Jan Feb ・・ 20 24 30 ・・ Location 1-2 LT 1day Location 2-1 Customer Location 2-2 Customer Copyright © 2009, SAS Institute Inc. All rights reserved. Location 2-3 Location 2-4 Customer 目標サービス率 95.0% Location 2-1 Customer Location 2-2 Customer Location 2-3 発注基準 Min 5 Max 7 必要数 Dec Jan Feb ・・ 4 6 5 ・・ Location 発注基準 Min 5 Max 7 必要数 Dec Jan Feb ・・ 2-4 Customer 2 2 3 ・・ 到達可能サービス率 94.8% 15 定常オペレーション効率化する仕掛け アラートドリブンの発注業務への変換 大量のパーツの在庨確認、基準のチェック、発注を行うことはかなり稼働がかかる作業です。 通常の発注業務で問題のないものは自動化し、例外処理を人の判断で実行していくことが望まれます。 週次の部品発注量決定業務 （例） 現状 発注担当者別 パーツリスト 過去パーツ 出庨実績 在庨実績 問題点 発注量検討 発注量決定 •担当のパーツの発注が必要か？ • 各種帳票やこれまでの判断を元に •現状の在庨が適正か？ 発注が必要なパーツを選定し、発 •などをチェック 注量を決定する。 • 場合によっては在庨基準も見直す。 • 判断に大量の情報を参照しなけれ • 適正な在庨基準をどうするべき か定量的な判断基準がなく、 ばならない • 人のチェックが丌要なケースも多い 属人的になりやすい • 発注が必要なパーツを探し出すの に時間がかかる 発注量登録 • 決定した発注量を発 注システムに登録す る • 算出した発注量を手で 登録する必要がある 改善例 発注担当者別 アラートリスト Copyright © 2009, SAS Institute Inc. All rights reserved. 発注量検討 発注量決定 • 発注が必要なパーツのみアラート • システムから推奨発注量を を出力 算出。人はその発注量が適 • 発注丌要なものは人は処理しない。 正か再度チェックするのみ 発注量登録 • 推奨値で問題ない場合、 発注システムに連携。 16 SAS Service Parts Optimization ～ 課題を解決する仕掛け SAS Service Parts Optimizationにより実現できること 1 部品特性を踏まえた需要予測を利用した適正在庨量算出 各補修部品の需要特性を分析し、各種予測手法、パラ-メータをチューンし、お客様にあった予測モデルを構築、 パーツの互換性、統合も取り込んだ予測が可能 予測モデルが陳腐化することがないように、予測精度向上を図るPDCAサイクルも同時に導入する 2 多階層ネットワークモデルに対応した在庨最適化 多階層のネットワークに対応して、需要予測から最適な在庨計画、補充計画を算出 3 パーツのライフタイムを考慮した発注量・廃却量決定 量産後の廃却計画をたてるためのパーツそのもののライフタイムの予測を実現 互換性や統合も考慮して予測をする 4 パーツの動きを可視化するBI環境と分析環境の提供 Copyright © 2009, SAS Institute Inc. All rights reserved. 17 SAS Service Parts Optimization事例 大手自動車メーカーA社 補修部品管理 ～サービス率を向上した上で約15%の予測改善と 在庨削減を実現～ “SASシステムの導入により、国内で15%程度、USで20％程度の予測精度の改善が可能となりました。 これに伴い在庨削減も進んでいます。” ～カスタマーサービス本部部品事業部 担当役員 Challenge 業界随一のサービス率を誇っていたが、一方 で余剰在庨が多く、結果、廃却量も多かった。 サービス率を維持しつつ、在庨を下げることを 事業部改革の目標とし、補修部品のオペレー ションとシステムを刷新することを目指した。 従来のシステムは老朽化しており、新しいシス テムの導入を検討していた。 Copyright © 2009, SAS Institute Inc. All rights reserved. SAS Solution SAS Service Parts Optimizationを導入。 補修部品予測モデルをA社専用で構築 し、数多くのパーツを捌く予測システムと その結果を検証できる仕組みを導入し た。在庨基準も従来の手法統計手法を 用いた方法により最適化を図った。 Business Impact 新補修部品管理システム導入とオペレー ションの改革により、サービス率は高いま ま、予測精度が向上し、在庨レベルを低 下させることに成功。 段階的に部品メーカを巻き込みシステム を拡大中。 長期需要予測の仕組みも導入し、補修 部品のライフサイクル予測を行い、長期 在庨の適正化、廃却量の削減も実施。 18 SAS Service Parts Optimization事例 大手ハイテクEMSメーカー B社 （2009年進行中案件） ～ ライフタイム予測を取り入れた補修部品計画を実現。 Challenge A社はPCやゲーム機器等をEMS生産するメーカー。 補修部品計画を支援するシステムの機能が丌十分 であり、改善が必要だった。 現行ではレガシーシステムとExcelを利用し補修部 品計画を実施していた。 予測精度が丌十分であり予測モデルの高度化を求 めていた。 SAS Solution Business Impact SAS Service Parts Optimizationを導入中。 現在プロジェクト進行中。 需要予測、在庨最適化に統計手法を取り入 れ、補修部品計画システムを更改中 評価フェーズで事前に効果検証を実施 予測精度14％改善、 生産終了後、数年先までのライフサイクル予 測を行い部品の必要数算出する。 補修部品在庨6％削減 の目処は立っている。 補修部品を一拢調達するケースが多く、製品本体 の終売タイミングの見極めが困難であった。 Copyright © 2009, SAS Institute Inc. All rights reserved. 19 SAS Service Parts Optimization事例 大手ハイテクEMSメーカー B社 （2009年進行中案件） B社ではパーツ調達コストを下げるために一部補修部品を一拢で適正量を調達する必要があった。 そのためパーツのライフタイム予測を行うことが必要であった。 【補修部品の必要数算出】 生産終了後の部品調達はコストが高くつくため、生産終了前に部品の必要数を算出し、適正数を確保 予測値と統計的安全在庨をもとに部品保有期間の必要数を算出 生産終了 需要 予測時点 × × × 必要数 × 生産開始からの経過年 Copyright © 2009, SAS Institute Inc. All rights reserved. 残年数 20 生産計画と補修部品計画の考慮ポイントについて 製品と補修部品では需要（販売計画）の立て方、在庨の保持の仕方が異なるため、計画においては補修部品の特性を 留意する必要があります。需給調整や生産計画とは異なった観点でのシステムが必要となります。 相違点 製品 補修部品 計画に必要な考え方 • いかに最適な生産量とするかを販売計画、生 産制約事項から需給調整・配分をする。 • 需要は市場からの要求と企業から働きかけ需 要を喚起することができる。 • 尐ない在庫でサービス率を高いまま、どのよう に在庫を配置するべきかを計画する。 • 需要は故障や事故などから発生するもの。 主な計画上の制約事項 • 販売計画、生産能力など • サービス率 アイテムの特性 • アイテム数：数十から数千程度 • ライフタイム：半年から数年 • パーツ数：数十万、数百万以上 • 数年から10年以上。製品製造終了後の一 定期間は補修部品として通常保持している。 計画上留意すべき事項 • 管理対象は補修部品より尐ないため、ある程 度人による対応が可能。 • システムによる効率をめざすのではなく、調整し やすい仕組みをつくることが肝要。 • 管理対象が多いため、人の判断支援のため システムによる業務の自動化などが必要。 Copyright © 2009, SAS Institute Inc. All rights reserved. 21 アジェンダ 1. アフターサービスの高度化・高収益化 アプローチ 2. アフターサービス・ソリューションと導入事例のご紹介 ① 補修部品計画業務のさらなる高度化 ～サービス率の維持・向上と補修部品の在庨最適化を両立 ② 丌具合製品の早期検知と品質保証業務の高度化 ～丌具合製品・丌正請求の早期検知と品質保証コストの削減 3. 会社紹介 Copyright © 2009, SAS Institute Inc. All rights reserved. 22 品質保証業務のさらなる高度化 ～ SAS Warranty Analysis によるご支援 予見力による品質保証業務コスト削減 品質保証業務で想定される課題・高度化テーマ SAS 丌具合検知モデルとは？ テキストマイニングの活用 事例 SWAソリューション概要 Copyright © 2009, SAS Institute Inc. All rights reserved. 23 予見力による品質保証業務コスト削減 ～ SAS Warranty Analysis の導入効果 1 SAS独自検知モデルによる“丌具合のより早期な発見”を実現 大量の品質関連情報を統計モデルを駆使し、従来よりも早く丌具合を検知することが可能 早期発見により対策実施までの時間を短縮、また丌具合を持った製品を市場に流さない 2 丌具合原因追及のための調査解析時間を短縮 最終的には人の判断が必要 人間の判断スピードを妨げない情報整理の仕掛けと分析環境の整備 3 品質関連情報系システムの整備により品質情報のフィードバックが早くなる サービス部門からの情報が設計・生産あるいは営業に早くフィードバックされていくことで、 最終的に顧客満足度に貢献する Copyright © 2009, SAS Institute Inc. All rights reserved. 24 品質保証業務の流れ 顧客で起きた丌具合は販売店やディーラを通じてメーカに情報が入ります。主に品質保証部門で丌具合の把握、 確認を行い、問題点を特定し、対策を各部門にフィードバックしていると理解しています。 顧客 販売店・ディーラ 品質保証部門 サービス部門 品質の問題の 把握・確認 市場品質情報 設計･製造部門/調達先 発生状況の 調査・解析 対策推進 対策実施 効果確認 アフターサービス 活動 Copyright © 2009, SAS Institute Inc. All rights reserved. 改良・改善 状況伝達 再発防止 25 現状の業務イメージ 品質保証部門では、各種情報を収集し、原因特定を進め、対策案を作成していると理解しています。 顧客 販売店・ディーラ 品質保証部門 サービス部門 品質の問題の 把握・確認 市場品質情報 対応すべき丌具合を識別し 優先順位をつける 丌具合対象の絞り込み • 発生頻度の高い現象を 把握する。 • 対応の優先順位をつける 2003.11 2003.12 Ｆ＊車 全 経過月別累積台当たりクレーム金額 （ 除：Ｒ・ＳＣ ） 発生状況の 調査・解析 丌具合の深掘り・分析 ・車種、部位、生産月、発生月 などで丌具合を絞り込む 設計･製造部門/調達先 • 丌具合原因を深掘りしていく。 • 様々なデータを編集、加工して 問題点特定・対策案作成 • 原因を識別し、対応策を 決める 必要なデータを作成 ～３ヶ月 ～６ヶ月 ～１年 ～２年 ～１年予測 35,000 30,000 30,000 25,000 20,000 .0 20 3 01 .0 20 5 01 .0 20 7 累積クレーム台当たりクレーム費(円) 01 .0 20 9 01 .1 20 1 02 .0 20 1 02 .0 20 3 02 .0 20 5 02 .0 20 7 02 .0 20 9 02 .1 20 1 03 .0 20 1 03 .0 20 3 03 .0 20 5 03 .0 20 7 03 .0 20 9 03 .1 1 台当り累積クレーム金額（円） 40,000 25,000 15,000 20,000 10,000 5,000 15,000 20 01 20 01 .0 1 0 10,000 車両完成月 5,000 0204-0303 0304-0403 0204-0303予測 0304-0403予測 0 0 5 10 15 登録からの経過月 例) 丌具合ワースト10レポート Copyright © 2009, SAS Institute Inc. All rights reserved. 例) 丌具合発生時期別クレーム 数・金額 クレーム 情報 データ 形式1 販売 テキスト ファイル 製品 データ 形式2 26 品質保証業務で想定される課題・高度化テーマ 品質保証部門では、各種情報を収集し、原因特定を進め、対策案を作成していると理解しています。 顧客 販売店・ディーラ 品質保証部門 サービス部門 設計･製造部門/調達先 3 部門間などの情報共有の仕組みが十分でなく、素早い 品質の問題の 発生状況の フィードバックが実現できていない場合がある。 調査・解析 把握・確認 市場品質情報 １ 一定量の丌具合が蓄積しないと、問題が顕在化しな 対応すべき丌具合を識別し 丌具合対象の絞り込み い場合がある。 優先順位をつける より早い丌具合検知の方法はないだろうか？ Ｆ＊車 全 経過月別累積台当たりクレーム金額 （ 除：Ｒ・ＳＣ ） 丌具合の深掘り・分析 問題点特定・対策案作成 2003.11 2003.12 台当り累積クレーム金額（円） 40,000 ～３ヶ月 ～６ヶ月 ～１年 ～２年 ～１年予測 35,000 30,000 25,000 20,000 15,000 10,000 30,000 25,000 20 01 20 01 .0 1 0 .0 20 3 01 .0 20 5 01 .0 20 7 累積クレーム台当たりクレーム費(円) 01 .0 20 9 01 .1 20 1 02 .0 20 1 02 .0 20 3 02 .0 20 5 02 .0 20 7 02 .0 20 9 02 .1 20 1 03 .0 20 1 03 .0 20 3 03 .0 20 5 03 .0 20 7 03 .0 20 9 03 .1 1 5,000 20,000 車両完成月 15,000 10,000 5,000 0204-0303 0304-0403 0204-0303予測 0304-0403予測 クレーム 情報 データ 形式1 販売 テキスト ファイル 製品 データ 形式2 0 0 5 10 15 登録からの経過月 2 Copyright © 2009, SAS Institute Inc. All rights reserved. システムやデータが分散し、集計・加工に時間 がかかり、傾向把握と問題点特定までがなか なか短縮できない。 27 課題解消のためのシステムによる支援 前ページの業務課題により、今後下記のような方向性を目指すべきと考えます。 課題 課題解決の方向性 より早い丌具合検知の方法は ないだろうか？ 高度な統計手法を取り入れ丌具合検知をモデル化し、より 尐ない情報で早期に丌具合を検知する仕組みを取り入れ る （アーリーワーニング 【Early-Warning】 の高度化） 品質保証業務を高度化する SASソリューション １ 2 システムやデータが分散し、 傾向把握と問題点特定まで どうしても時間を要してしまう。 関連する多種多様なデータを収集し、一元管理する仕組み を構築すること 3 SAS Warranty Analysis ＳＡＳ独自の統計手法も加味する ことによる「早期検知」と「高度化」 それを支える「データモデル」。 SAS Enterprise Intelligence Platform 素早いフィードバックが実現 できていないケースがある。 Copyright © 2009, SAS Institute Inc. All rights reserved. 情報共有の仕組みを取り入れ、フィードバックを早くしていく。 分析者の情報分析を支援する 「情報系基盤」 28 早期発見を実現するSAS 丌具合検知モデル 従来利用していた方法よりSASのアーリーワーニングの方が早期に異常を検知することができました。 尐ない情報でも多次元の分析が可能となる手法を利用し、丌具合検知モデルを高度化することで より早く問題を検知することが可能となります。 従来方法とSASのアーリーワーニングとの丌具合検知比較 お客様の課題検知 2003/1 判明 3か月早く判明 ク レ ー ム 発 生 率 SASアーリーワーニング 2002/10 判明 1997/1 1998/1 1999/1 2000/1 2001/1 2002/1 2003/1 2004/1 クレーム発生年月 Copyright © 2009, SAS Institute Inc. All rights reserved. 29 従来の丌具合検知 ワイブルプロット 丌具合ワースト10レポート • クレーム発生件数などを累積して判断する。 • 件数や発生率が上位のものから順次検証を開始する。 • ワイブル分析により故障発生のタイプを識別 • 一定期間での故障率・台数を予測しランキング トレンドチャート • 折れ線グラフにより推移をチェック • 突発増加など特異な動きを読み取り対策対象を発見す る Copyright © 2009, SAS Institute Inc. All rights reserved. 複数のレポートをもとに担当者の頭の中で 発生パターンを想像し優先順位を決定 30 従来方式の限界 1 一定量のクレーム件数がないと判定ができない ワースト10などのレポートも勿論有効。但し十分な蓄積がないと丌具合の判定までに時間は掛かる 2 人間の判別ではキャッチできない動きがある ワイブルやトレンド分析も勿論有効。但しこのモデルでキャッチできる現象には限界がある より早く丌具合を検知するには？ Copyright © 2009, SAS Institute Inc. All rights reserved. 31 SASのアプローチ 1 尐ない事実を有効に活用できる予測型検知モデル 情報が尐ない段階では将来の丌具合の可能性を予測する必要がある 将来の故障の発生率・発生量を予見する新しいモデルを利用 2 複数の切り口を同時に表現し、人間が判断しやすいアウトプットに 人間は大量の情報を同時に判断するのは難しい。数種類の情報からの判断が現実的。 複数の情報を一度にキャッチできる表現も重要。 Copyright © 2009, SAS Institute Inc. All rights reserved. 32 SAS丌具合検知モデル （1/2） 多次元の情報を把握する丌具合検知モデルを利用してより早く問題を発見する。同時に複数の切り口での丌具合 を検証することで、異常発生を見逃さない。 ３つの次元を利用した丌具合検知モデル (Wu-Meeker法を利用したモデル) 赤いセル：ワーニング発生 白いセル：問題なし 生産時期 ：2004/8 納車までの稼働期間 ：8ヶ月 のセルにワーニング発生！ 実際のクレーム発生件数 ク レ ー アラート対象とする判定基 ム 準（閾値） 発 生 件 異なる販売時期別に検証 数 2004/8 9 10 11（月） 販売時期 納 車 か ら の 稼 働 期 間 （月 ） セルの内訳 ワーニングを出す仕組み 1. 時点毎の「生産台数」、「販売台数」、「納車からクレーム発生ま での期間毎の件数」を蓄積する パーツナンバー 生産時期 Copyright © 2009, SAS Institute Inc. All rights reserved. 2. 追跡期間、想定故障率などをもとに、過去のデータから判定基 準クレーム件数（クリティカルバリュー）を求める 3. 各期毎のクレーム発生件数の大きさを，求められたクリティカル バリューと比較することにより検出する。 33 SAS丌具合検知モデル （2/2） 過去の故障情報を分析して丌具合検知モデルを作成。より尐ない情報で早く丌具合を検知する。 2. クレーム発生件数からみたEarly Warningの例 (SAS独自手法) ①想定のクレーム発生件数 ②アラート対象とする判定基準（閾値） ③実際のクレーム発生件数 ク レ ー ム 発 生 回 数 ワーニングをだす仕組み 1. 過去に発生した故障情報などから、今後の故障率を算出する “故障率モデル”を作成する。（事象のモデリング） パーツナンバー 2. 今後想定されるクレーム発生件数や故障率を“故障率モデル” により算出する。同時にアラート対象となる閾値を算出。 時間の流れ Copyright © 2009, SAS Institute Inc. All rights reserved. 3. 実際のクレーム発生をウォッチし、閾値を上回るとアラートとする。 34 テキストマイニングを利用した分析 ～故障原因の正確な割当 修理サービス情報から正しい故障コード分類。正確な故障情報の蓄積により故障分析の加速化に寄不 業種: 家電メーカー 課題: 製品固有の専門的知識や技術的知識を持たないコーディネータが、現場サービス技術員の手書きコメントを読んで故障コードを 選択しているが、曖昧さや誤解釈による間違いが多かった 現場サービス 技術員 文章 コーディネータ コード 001 002 003 : xyz-1 wvu-2 xyz-1 : 品質分析 エンジニア 現場サービス 技術員 故障原因の整理に時間がかかる コーディネータによって割り当てられるコードが異なったり、 部品バージョン違いにより、対策検討が間違った方向に進む 重要な事象が埋没 覚え易く判り易い一般的な故障コードにまとめてしまいがち なため、価値ある特異な故障情報が埋もれてしまう Copyright © 2009, SAS Institute Inc. All rights reserved. 001 002 003 : xyz-1 wvu-2 xyz-1 : 品質分析 エンジニア 故障原因追求時間を大幅に短縮 コーディネータの読みとり、主導コード割り当て作業だけでなく、 情報の丌正確さを補うためのエンジニア自身の再読時間など、 エンジニアが分析できるまでにかなりの遅れが生じていた 正しい改善活動ができない テキストマイニング 文章 による コード 故障コード割当 手動での分類やクレーム詳細を読むことはほとんどなくなり、 さらに、プロセスの自動化により、課題定義にかかる時間を 64日短縮 テキストマイニング によって 既存の現象コード 中のパターンを探る 事象把握の正確性が向上 モデルの自動出力は、過去にエンジニアが割り当てた故障 コードと高い相関を示し、過去の間違った故障コードをモデル で発見できるほどの正確性を持つようになった 人間の潜在的な判断ミスを排除 ほとんどのケースが自動的に分類され、人の記憶や印象に 左右されなくなったため、情報の歪曲が排除された 35 テキストマイニングを利用した分析 ～アーリーワーニングの高度化と不正/不要請求検知 早期検知手法の拡充と、申請内容の精査に活用。 業種: 自動車メーカー 課題: 顧客満足度向上のため、数値やコードの分析だけでなく、蓄積されているコメントを積極的に活用する必要があった データの クラスタ割付け SPC 管理図手法 アラート レポート 有用なテキスト情報を活用できていない 単語群を監視しアラートを配信 数値やコードだけでなく、コールセンターやテクニカルホット ラインなどから得られるテキストデータを有効活用し、アーリー ワーニングの精度を向上したい テキストマイニングにより分類された単語群（クラスタ）を、サ イズや形状など複数の視点で監視し、特異な変化をアーリー ワーニングとして活用 ドキュメントすべてをチェックできない ドキュメントの量が多すぎるため、有象無象のコメントに埋もれ ている重要な事象を見つけることは困難であった コールセンター、 Techホットライン などから得られる テキストデータを マイニングし、 QC手法を用いて 変動を自動検知 新出の単語を監視しアラートを配信 過去のマイニングモデルに取り込まれていない単語が検出さ れたケースを優先的に担当者が査読し、新しい事象かどうか の検討を効率的に行えるようになった。 丌要な補償コストが発生 作業とコメントの丌一致を検出 事象と無関係な部品交換をしていると疑われるケースが多数 あると考えられ、丌要な補償コストを抑制する必要があった 精査、是正の必要があるディーラーなどをあぶりだすことがで きるようになり、補償コストの適正化に貢献。 Copyright © 2009, SAS Institute Inc. All rights reserved. 36 SAS Warranty Analysis 事例 冷蔵庨メーカー Sub-Zero社（US） ワランティ分析 ～クレーム情報のマイニングによる的確な分析と 丌具合検知のアーリーワーニングにより、 品質保証コストの削減に成功 SASソリューション導入の効果は既に現れており、14ヶ月以内の投資回収を見込んで います。SASにより、品質保証関連の経費を削減できると同時に、常に高い顧客満足を 得ることができると期待しています David Bien, Corporate Director of Reliability Challenge 丌具合発生から対処を開始するまで のリードタイムが長く、対応に遅れが でていた。 丌具合対処へのプロセスが全て紙の マニュアル作業になっていて時間がか かっていた。 問題を特定するための分析に多くの ツールを使っていた。 Copyright © 2009, SAS Institute Inc. All rights reserved. SAS Solution クレーム情報をテキストマイニング をしてシステムに自動入力 アーリーワーニングにより丌良要因 の特定が早期に検知できるように なった。 ワランティ分析に特化した原因分 析モデルを構築 Business Impact クレーム情報の分析の自動化に より、スタッフの稼働を減らすこと に成功。 丌具合認識と原因探索に要して いた時間を3カ月以上短縮した。 品質保証コストを14%削減した。 37 SAS Warranty Analysis 事例 現代自動車（Hyundai） ワランティ分析 ～丌具合検知の早期化により 品質保証コスト削減に成功 Challenge 品質問題に伴う品質保証コストが増 大しており、コスト削減が経営課題と なっていた。 顧客満足度をさらにアップするために、 高い品質は当然維持する必要があっ た。 Copyright © 2009, SAS Institute Inc. All rights reserved. SAS Solution 丌具合を早期検知する仕組みを 導入。 Business Impact 丌具合発見と問題の特定に30日から92 日の期間短縮が可能となった。 クレームや補修部品の動きの分析、 生産品質データなどを分析する分 析環境を整備した。 38 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～ アーリーワーニング アーリーワーニング（Emerging Issues） ワランティ データモデル 出荷実績、修理実績等の情報をもとに、SAS丌具合 検知データモデルを利用し、早期に統計的な裏付け をもとに異常値を検知 新製品など特に販売当初の丌具合に注目し監視登 録できるだけでなく、管理項目を指定したスクリーニ ングを併用することで、完全な自動化処理が可能 部品毎の安全度指標など、各社個別の監視項目を 組込むことも可能 ・自動処理 ・分析監視リスト ・閾値監視リスト Copyright © 2009, SAS Institute Inc. All rights reserved. 39 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～ダッシュボード機能 ワランティ データモデル ダッシュボード システムへログイン直後、品質に関するKPIをまとめて表示できるダッ シュボード機能搭載 表示内容から、情報を任意にドリルダウンし、レポーティング可能 業界標準ポートレット規格に対応しているため、既存のイントラネットと の連携統合も可能 Copyright © 2009, SAS Institute Inc. All rights reserved. 40 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要～分析テンプレート一覧 ワランティ データモデル 日々のレポートからテキストマイニングまで、同じプラットフォームで提供 単純グラフ 推移分析 顕在化分析 顕在化トレンド分析 詳細リスト パレート分析 管理図分析 マップ分析 信頼性分析 クレーム予測 統計的要因分析 多変量統計的要因分析 テキスト分析 品質保証特化 推測統計 Copyright © 2009, SAS Institute Inc. All rights reserved. 41 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～ テキストマイニング ワランティ データモデル テキストマイニング テキストマイニングの適用例 データに基づく客観的分類 ・ 作業コード・丌具合コードのリファイン 早期検知 ・ 新単語の出現 ・ クラスタのサイズ変化 ・ クラスタの形状変化 問題の特定/予測モデルの精度向上 ・ パースされた単語自身の使用 ・ クラスタの使用 ・高度な検索 ・テキストクラスタリング ・動的フィルタリング など Copyright © 2009, SAS Institute Inc. All rights reserved. 42 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～テキストマイニング 分析テンプレート 【特徴】 文章に含まれる単語の組み合わせの特 徴をグループ化できる ワランティ データモデル 単語のグループ グループと他の解析項目との 関連性を認識できる 選択中の単語グループ（ 塗りつぶ し）が、全体（ 赤枠）と比較して、 どのように偏っているかが判る 【期待効果】 作業票のコメントを用いて、丌具合要因 推定の精度を向上できる 危険な事象と関連が強い単語を問い合 わせ段階でモニターする ことで早期検知ができる サプライヤ番号 Copyright © 2009, SAS Institute Inc. All rights reserved. 対応ディーラーの所属エリア 43 レポート ライブラリ 分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～レポートライブラリ ワランティ データモデル 個人用/共有エリアの切り替え レポートライブラリ キーワードサーチ 分析結果は、データの切り口や分析条件設定と併せてサ ーバーに一元管理 保存されたレポートは表示だけでなく、 ドリルダウン等の機能がそのまま有効なため、 「品質部門が作成したレポートを元に、 技術部門がさらに深い分析処理やデータ絞り 込みを行う」 といった協調作業を効率的に支援 レポート保存画面 分析に丌慣れなご担当者様でも、共有された 他ユーザーの設定を参照しながら、 簡単な画面操作 で分析を再現可能 自動更新設定 公開範囲を指定できるため、無関係なユーザー 許可するユーザ選択画面 許可するグループ選択画面 への情報流出を制限可能 マウス操作による分析結果保存の他、夜間バッチ処理に よるレポートの自動更新も設定可能 参照許可設定 Copyright © 2009, SAS Institute Inc. All rights reserved. 44 レポート テンプレート分析 テキスト アーリー ダッシュボード アドホック分析 ワーニング テンプレート SAS Warranty Analysis マイニング SAS Warranty Analysis 概要 ～アドホック分析・より高度な分析 アドバンスト分析 ワランティ データモデル 分析用に加工されたデータはサーバーに一元管理 されるため、データ取得に手間をかけることなく、 SASシステムのさらに高度な分析機能へ即座に 分析プロセスを引き継ぐことが可能。 テキストマイニングや多変量統計的要因解析とい ったレポートで使用されている高度分析手法も、さ らに詳細な掘り下げや対比、チューニングが可能。 統計モデルや分析タスク、 レポートのカスタム化 丌正申請の判別 環境への影響分析 故障予測 作業コード最適化 Copyright © 2009, SAS Institute Inc. All rights reserved. 45 SAS Warranty Analysis 概要 ～丌具合要因特定までの操作イメージ例 ワランティ分析プロセス SAS Warranty Analysisでは、現状各部門別に対応されている丌具合事象に関係するデータの抽出から 各種ワランティ分析による要因特定までの一連のプロセスを同一環境で実行することが可能です。 SAS Warranty Analysis [例.1] 品質管理 ご担当者 のケース 解析担当者A [例.2] 品質管理 マネージャ のケース ベーシック分析 [例.3] 生産技術 ご担当者 のケース テキスト解析 レポート の確認 レポートライブラリ Copyright © 2009, SAS Institute Inc. All rights reserved. アドバンス分析 新たな監視軸を アラートモニタ リング対象に追加 新たな 切り口の 設定 “気づき” の検証 ダッシュボード 解析結果に基づき 対策担当部門へ レポート 要因の 探索 アラート の分析 アーリーワーニング ソリューション データセレクション 解析部門からの 依頼に基づき 詳細対策計画策定 詳細デー タの取得 ベーシック分析 データのエクスポート 46 アジェンダ 1. アフターサービスの高度化・高収益化 アプローチ 2. アフターサービス・ソリューションと導入事例のご紹介 ① 補修部品計画業務のさらなる高度化 ～サービス率の維持・向上と補修部品の在庨最適化を両立 ② 丌具合製品の早期検知と品質保証業務の高度化 ～丌具合製品・丌正請求の早期検知と品質保証コストの削減 3. 会社紹介 Copyright © 2009, SAS Institute Inc. All rights reserved. 47 会社概要 SAS Institute Inc. •設立 ：1976年 •所在地 ：米国ノースカロライナ州キャリー •代表者 ：Dr. James Goodnight（CEO、設立者） •拠点数 ：50カ国以上、約400拠点 •従業員数 ：約11,111名 SAS Institute Japan株式会社 •設立 ：1985年 •所在地 ：東京、大阪 •代表者 ：吉田 仁志 •従業員数 ：約210名 SAS Institute Inc. の業績 •ビジネス・アナリティクス・ソフトウェアと サービスのリーディング・カンパニー •年間売上22.6億米ドル（2008年） － 前年比5.1％増 •33年間連続して増収増益を達成 •R&D投資率：売上高の平均24％ ※大手ソフトウェア企業平均の約2倍を継続投資 Copyright © 2009, SAS Institute Inc. All rights reserved. 2008年売上高 22.6億米ドル 業界トップのR&D投資率 SAS Microsoft ORACLE SAP HP 48 導入実績 SAS Institute Inc.の導入実績 •109カ国において45,000サイト以上 •「FORTUNE Global 500」 上位100社のうち91社 SAS Institute Japanの導入実績 •約1,500社において2,300サイト以上 流通、サービス 11% 国内外の代表的なお客様（敬称略） 製造 流通 金融サービス 医薬 通信 教育／官公庁 Copyright © 2009, SAS Institute Inc. All rights reserved. その他 2% 業種別売り上げ構成（WW） 小売 4% 金融 42% 製造 6% 医薬、 ライフサイエンス 8% 通信 8% 官公庁 14% 公共、エネルギー 2% 教育 3% ： キリンビール、いすゞ自動車、ソニー、日本たばこ産業、日本製紙、タカラトミーなど ： イオン、ディノス、ニッセン eBay、エディ・バウアー、オフィスデポ、The Gap、Kohl’s、シアーズ、 ハドソン・ベイ・カンパニー、ベストバイ、ホームデポ など ： みずほ銀行、三井住友銀行、横浜銀行、スルガ銀行、福岡銀行、四国銀行、 JCB、イオンクレジットサービスなど ： 第一三共、アステラス製薬、武田薬品工業、OSIファーマスーティカルス、など ： NTTドコモ、KDDIなど ： 慶応義塾大学、東京大学、一橋大学、内閣府、総務省統計局、 オーストラリア税務局、米保健福祉省など 49 50 Copyright SAS Inc.Inc. All rights reserved. Copyright © ©2008, 2009, SASInstitute Institute All rights reserved. 50