konabuta/Warranty-Analytics

warranty data analytics sample

ワランティ分析

クレームデータを分析して、早期に不具合を検知し根本原因を特定します。企業としては、ワランティコストの削減、顧客満足度の向上が期待されます。

よくある課題と対策

• テキスト分析のコスト
  • 課題：テキストデータを含むクレームデータの処理を人力で行っているためコストが高い
  • 対策：機械学習によるテキスト分類モデルの活用
• 過去の不具合情報の活用
  • 課題：過去の膨大なクレームデータが構造化されていないため、検索が難しかったり、開発・設計に生かせていない
  • 対策：Knowledge Graph を構築し、不具合情報の関連づけることで、活用しやすくする

Sample

分析方法	ツール	利用データ	内容
Knowledge Graph (キーフレーズ単位)	Azure Machine Learning, Azure Cognitive Service, Power BI	自動車のリコールデータ(MLIT)	クレームデータからキーフレーズを抽出し、「不具合の部位」「原因」「対策」を共起ネットワークで可視化

開発環境の準備

Azure Machine Learning の Compute Instance で下記コマンドを実行します。 conda 仮想環境 (warranty) の作成

conda create -n warranty python=3.6 
conda activate warranty
pip install -r requirements.txt

Jupyter Kernel の作成

export env_name="warranty"
ipython kernel install --user --name=$env_name  --display-name=$env_name

利用するデータ

公開されているクレームデータ

• 自動車のリコール・不具合情報 (MLIT)
  • 本リポジトリではこちらの公開情報を利用
• リコール情報 (METI)
• 製品事故情報・リコール情報 (NITE)
  • 検索サイト にて検索可能
    • 全件抽出したい場合は、"半角スペース" をキーワード入力し、条件は "１・２・３のどれかを満たしているもの" に設定

分析方法

• キーフレーズ抽出
• テキスト分類
• Word Cloud
• Knowledge Graph
• トピック抽出 (not yet implemented)
• Sanky Diagram (not yet implemented)
• ネットワーク分析 (not yet implemented) ...

利用するサービス

• Azure Machine Learning
  • Jupyter による Data Wrangling
  • 機械学習・深層学習モデルの構築と運用 (not yet implemented)
• Azure Text Analytics (Azure Cognitive Service)
  • キーフレーズ抽出
• Power BI - データ可視化

※ Ubuntu or Mac での動作を想定しています。Windows など他の環境では文字コードの相違による問題が発生する場合があります。