張永勐 李紅偉 周榮培 潘偉

ZHANG Yongmeng1 LI Hongwei2 ZHOU Rongpei1 PAN Wei1

1.美的集團(tuán)IoT 廣東佛山 528311；2.中國家用電器研究院 北京 100176

0 引言

自1999年物聯(lián)網(wǎng)（Internet of Things，IoT）概念首次出現(xiàn)以后，作為一個(gè)應(yīng)用概念，其將傳統(tǒng)網(wǎng)絡(luò)的概念擴(kuò)展到了包括智能家居在內(nèi)的眾多領(lǐng)域，從而產(chǎn)生了驚人的應(yīng)用可能[1]。隨著家電網(wǎng)絡(luò)化，App遙控、定時(shí)[2]等遠(yuǎn)程控制能力的逐步實(shí)現(xiàn)，智能家電已步入物聯(lián)網(wǎng)時(shí)代，艾瑞咨詢研究院自主研究表明，智能家電整體規(guī)模預(yù)計(jì)2022年突破4200億，智能家居行業(yè)已進(jìn)入AIoT賦能期。

伴隨物聯(lián)網(wǎng)技術(shù)的演進(jìn)，用戶從手動(dòng)操作家電，演變?yōu)榭梢酝ㄟ^手機(jī)App遠(yuǎn)程控制，甚至是多品類家電的場景自動(dòng)聯(lián)動(dòng)觸發(fā)。家電聯(lián)網(wǎng)、App、云計(jì)算等領(lǐng)域的技術(shù)發(fā)展給質(zhì)量評價(jià)帶來新機(jī)遇的同時(shí)，質(zhì)量改善也面臨前所未有的新挑戰(zhàn)。

對于物聯(lián)網(wǎng)的質(zhì)量管理，很多學(xué)者進(jìn)行了相關(guān)研究，李紅偉[3]對智能家電App軟件質(zhì)量測評方案進(jìn)行了研究，主要從用戶使用角度出發(fā)，以黑盒測試為主要方法，從App軟件產(chǎn)品質(zhì)量和使用質(zhì)量兩個(gè)方面發(fā)現(xiàn)質(zhì)量問題。王文斌[4]建立了一個(gè)多層次的物聯(lián)網(wǎng)質(zhì)量測評體系，從最初供應(yīng)商開始直至最終用戶為止的整個(gè)流程提高客戶的滿意度。對于傳統(tǒng)行業(yè)的硬件質(zhì)量改善，很多學(xué)者也進(jìn)行了相關(guān)研究，余瑾[5]通過研究形成了一套較為完整的質(zhì)量改善方法，建立了質(zhì)量改善項(xiàng)目管理流程和項(xiàng)目管理制度，將質(zhì)量改善形成了標(biāo)準(zhǔn)化的作業(yè)。朱玉杰[6]為了更好地適用質(zhì)量改善項(xiàng)目實(shí)施的優(yōu)先級排序，F(xiàn)MEA的一些術(shù)語需要進(jìn)行適當(dāng)?shù)闹匦陆缍ǎ谀：碚?，采用模糊語言對改善主題進(jìn)行評價(jià)，并且使用熵權(quán)法客觀賦權(quán)，考慮了主、客觀綜合權(quán)重。

1 物聯(lián)網(wǎng)大數(shù)據(jù)分析的必要性

隨著智能家居產(chǎn)品走進(jìn)千家萬戶，質(zhì)量改善也變得越來越重要，雖然學(xué)者們對物聯(lián)網(wǎng)質(zhì)量有很多深入的研究，但逆向的質(zhì)量改善研究較少，尤其是基于大數(shù)據(jù)質(zhì)量分析與應(yīng)用研究更少，因此本文研究基于用戶大數(shù)據(jù)分析的物聯(lián)網(wǎng)家電質(zhì)量改善模型，融合家電行業(yè)傳統(tǒng)質(zhì)量分析方法和互聯(lián)網(wǎng)的大數(shù)據(jù)分析方法，并研發(fā)相關(guān)的物聯(lián)網(wǎng)質(zhì)量管理平臺，使質(zhì)量人員可以實(shí)現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量數(shù)據(jù)的精準(zhǔn)定位、量化評價(jià)、監(jiān)控預(yù)警和閉環(huán)改善，最終實(shí)現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量的全面改善。

家電物聯(lián)網(wǎng)化的根本目的是向用戶提供整套的產(chǎn)品與服務(wù)，物聯(lián)網(wǎng)家電的硬件和軟件質(zhì)量對于用戶體驗(yàn)的影響同等重要?，F(xiàn)階段傳統(tǒng)的家電質(zhì)量改善方法主要存在以下三個(gè)問題：

（1）傳統(tǒng)質(zhì)量改善方法側(cè)重硬件本身，缺少對全鏈路問題的分析

物聯(lián)網(wǎng)雖然已發(fā)展多年，但大多的質(zhì)量人員將更多的關(guān)注點(diǎn)放在了家電產(chǎn)品終端側(cè)，前期的質(zhì)量改善更多以硬件為主，并基于市場維修的外退故障件進(jìn)行失效分析，定位具體的元器件問題，進(jìn)行專項(xiàng)改善；而物聯(lián)網(wǎng)的質(zhì)量改善需要軟硬兼施的全鏈路、全流程的質(zhì)量改善。

（2）傳統(tǒng)質(zhì)量改善方法更多是基于被動(dòng)收集用戶問題

傳統(tǒng)的質(zhì)量改善方法，主要是基于市場維修率、退換貨、電商差評率等被動(dòng)的方式收集用戶投訴的市場問題，從而進(jìn)行分析改善，缺少主動(dòng)收集用戶不良問題的機(jī)制與能力，同時(shí)缺少海量的用戶大數(shù)據(jù)行為分析，更多是基于分析用戶已知、可視的問題，缺少行為的大數(shù)據(jù)分析預(yù)測及改善。

（3）傳統(tǒng)質(zhì)量改善周期長，閉環(huán)難度大

傳統(tǒng)的質(zhì)量改善涉及硬件的分析改善，從上層的家電產(chǎn)品，定位到零部件甚至原材料的問題，最終到備貨、排產(chǎn)及實(shí)物的切換，周期較長；同時(shí)從原材料的備貨、零部件的切換到總裝車間的排產(chǎn)以及最終市場的銷售庫存清理，最終到用戶手上需要近半年的時(shí)間，再加上其他可靠性的問題，最終改善后的效果及獲得市場數(shù)據(jù)的反饋需一年或更久；傳統(tǒng)的質(zhì)量改善無論整改切換的周期，還是問題閉環(huán)數(shù)據(jù)的反饋周期都是非常長的，對于用戶體驗(yàn)的改善效果往往無法及時(shí)反饋。

隨著越來越多的家電互聯(lián)，匯聚到云端的數(shù)據(jù)也越來越多，進(jìn)而形成家電物聯(lián)網(wǎng)大數(shù)據(jù)。離開了大數(shù)據(jù)的存儲(chǔ)和處理能力，物聯(lián)網(wǎng)家電的場景化服務(wù)能力將被嚴(yán)重削弱，價(jià)值不能得到充分發(fā)揮；而大數(shù)據(jù)離開了物聯(lián)網(wǎng)家電，就如傳統(tǒng)的信息系統(tǒng)因?yàn)闊o法及時(shí)地獲取物理世界中的信息和狀態(tài)，進(jìn)而無法進(jìn)行及時(shí)反饋，使得數(shù)字化的效率大幅降低。家電借助物聯(lián)網(wǎng)大數(shù)據(jù)，則可高效的在數(shù)字世界中刻畫和描述物理世界，并評估、指導(dǎo)管理、決策，使物理世界更加有序的運(yùn)行。智能家居億級設(shè)備的大數(shù)據(jù)已然存在，借助物聯(lián)網(wǎng)大數(shù)據(jù)來反向?qū)崿F(xiàn)家電產(chǎn)品和服務(wù)質(zhì)量改善將有效解決上述傳統(tǒng)家電質(zhì)量改善方法存在的問題。

2 方案研究

從傳統(tǒng)的家電質(zhì)量改善方法升級到物聯(lián)網(wǎng)質(zhì)量改善方法，關(guān)鍵是能實(shí)現(xiàn)全鏈路問題的分析，首先要在現(xiàn)有傳統(tǒng)硬件質(zhì)量改善基礎(chǔ)上重新建立一套全新的質(zhì)量數(shù)據(jù)評價(jià)模型，并根據(jù)模型建立一套主動(dòng)收集和定位用戶問題的方法，覆蓋用戶在智能家電使用過程中的各個(gè)環(huán)節(jié)；其次通過大數(shù)據(jù)的專業(yè)分析方法進(jìn)行問題量化評價(jià)及監(jiān)控預(yù)警；最后通過一個(gè)整體的物聯(lián)網(wǎng)質(zhì)量平臺來實(shí)現(xiàn)數(shù)據(jù)的及時(shí)可視化，從而形成對問題的閉環(huán)改善機(jī)制。

2.1 數(shù)據(jù)評價(jià)模型

物聯(lián)網(wǎng)家電的核心功能點(diǎn)在于滿足用戶遠(yuǎn)程控制家電設(shè)備、建設(shè)個(gè)性化智能場景、獲取推薦內(nèi)容和售后服務(wù)。物聯(lián)網(wǎng)家電質(zhì)量的重點(diǎn)是關(guān)注核心功能在家電終端上是否正確實(shí)現(xiàn)、用戶是否滿意等。

用戶滿意與否主要通過用戶對產(chǎn)品和服務(wù)各方面的體驗(yàn)來反映。用戶體驗(yàn)通常包含了視覺感受、界面友好性、功能易用性等方面。視覺感受很難通過客觀數(shù)據(jù)量化的方式進(jìn)行度量，但核心功能的易用性卻可通過一些客觀數(shù)據(jù)來衡量?？紤]物聯(lián)網(wǎng)產(chǎn)品和服務(wù)功能受用戶機(jī)型、手機(jī)內(nèi)存、網(wǎng)絡(luò)環(huán)境、用戶操作路徑差異的影響較大，需要我們建立一套能反映用戶真實(shí)體驗(yàn)的指標(biāo)體系，并能根據(jù)產(chǎn)品的核心業(yè)務(wù)功能，抽象出核心指標(biāo)，進(jìn)一步實(shí)現(xiàn)指標(biāo)量化[7]。

基于以上分析，以提升用戶綜合體驗(yàn)為目標(biāo)制定了評價(jià)指標(biāo)體系。為了全方位綜合的評價(jià)用戶使用產(chǎn)品核心功能的體驗(yàn)感受，指標(biāo)又根據(jù)四個(gè)核心功能細(xì)化為登錄成功率、配網(wǎng)成功率、獲取插件包成功率、設(shè)備控制成功率、場景執(zhí)行成功率、發(fā)現(xiàn)頁面加載成功率、服務(wù)完整率七個(gè)子指標(biāo)，并根據(jù)用戶的量級對各子指標(biāo)進(jìn)行加權(quán)，最終形成用戶綜合體驗(yàn)成功率指標(biāo)。用戶綜合體驗(yàn)評價(jià)指標(biāo)體系如圖1所示。

圖1 用戶綜合體驗(yàn)評價(jià)指標(biāo)體系

2.2 數(shù)據(jù)采集與管理

2.2.1 數(shù)據(jù)采集

模型建立之后，要完成量化評價(jià)及分析，需要擁有穩(wěn)定準(zhǔn)確的數(shù)據(jù)來源，既要包含用戶操作過程的記錄，也要包含家電本身的生產(chǎn)數(shù)據(jù)；智能家電在使用過程中，可以記載并保存大量用戶使用的數(shù)據(jù)，物聯(lián)網(wǎng)終端應(yīng)用的用戶埋點(diǎn)、設(shè)備的唯一標(biāo)識及生產(chǎn)數(shù)據(jù)是主要的數(shù)據(jù)來源。

（1）家電設(shè)備數(shù)據(jù)的采集

家電設(shè)備數(shù)據(jù)的采集是很多擁有核心制造能力的公司都可以實(shí)現(xiàn)的，但是要將設(shè)備信息與物聯(lián)網(wǎng)的大數(shù)據(jù)關(guān)聯(lián)起來卻是非常困難的，沒有成熟的方案可參考借鑒，需要將設(shè)備的生產(chǎn)信息燒錄到電控中，在用戶完成配網(wǎng)操作后，通過設(shè)備電控主動(dòng)上報(bào)給云端，云端進(jìn)行存儲(chǔ)，再與生產(chǎn)的數(shù)據(jù)進(jìn)行匹配。

匹配依賴智能家電產(chǎn)品的身份證——序列號（SN），為保證SN的準(zhǔn)確性、唯一性的要求，首先需在前端規(guī)范智能家電產(chǎn)品SN的技術(shù)標(biāo)準(zhǔn)，保證SN從生成到使用的規(guī)范性，以達(dá)成可與埋點(diǎn)數(shù)據(jù)一一匹配的關(guān)聯(lián)關(guān)系；其次要通過制造執(zhí)行系統(tǒng)（MES）、質(zhì)量管理系統(tǒng)（QMS）等生產(chǎn)制造與檢驗(yàn)系統(tǒng)，將SN的全部信息錄入數(shù)據(jù)庫，包括家電的生產(chǎn)時(shí)間、工廠、線體、過程檢驗(yàn)的信息、使用的電控版本、模組版本等，為大數(shù)據(jù)的指標(biāo)定義、對比分析奠定設(shè)備側(cè)的數(shù)據(jù)基礎(chǔ)。家電設(shè)備數(shù)據(jù)收集方案如圖2所示。

圖2 設(shè)備數(shù)據(jù)收集方案

（2）App數(shù)據(jù)采集

用戶在App端的數(shù)據(jù)，可以通過事件跟蹤（埋點(diǎn)）的方案進(jìn)行收集。埋點(diǎn)可以描述用戶在物聯(lián)網(wǎng)應(yīng)用終端內(nèi)觸發(fā)的一系列行為，包括點(diǎn)擊、側(cè)滑等。埋點(diǎn)的技術(shù)實(shí)質(zhì)是先記錄軟件應(yīng)用運(yùn)行過程中的事件，當(dāng)需要關(guān)注的事件發(fā)生時(shí)進(jìn)行判斷和捕獲，然后獲取必要的上下文信息，最后將信息整理后發(fā)送至服務(wù)器端，信息再經(jīng)過解析入庫，形成初步的用戶終端應(yīng)用的埋點(diǎn)數(shù)據(jù)。

埋點(diǎn)方案雖比較好理解，也是互聯(lián)網(wǎng)行業(yè)中比較成熟的方案，但是對于設(shè)計(jì)一套完全適應(yīng)物聯(lián)網(wǎng)家電質(zhì)量改善所需要的埋點(diǎn)，必須要先梳理與指標(biāo)對應(yīng)需記錄的事件[8]。事件記錄需要對物聯(lián)網(wǎng)的底層技術(shù)鏈路有深入的了解：需要梳理事件在終端應(yīng)用用戶觸發(fā)的時(shí)機(jī)、觸發(fā)后的路徑、經(jīng)過的節(jié)點(diǎn)、到達(dá)的節(jié)點(diǎn)，同時(shí)分別在什么節(jié)點(diǎn)采集什么數(shù)據(jù)，也就是埋點(diǎn)采集的信息要做到需要采集的事件觸發(fā)時(shí)機(jī)全鏈路完整，則采集的信息有用。為此，需要組織終端應(yīng)用App的產(chǎn)品經(jīng)理、軟件開發(fā)、后端服務(wù)器開發(fā)、測試等相關(guān)人員進(jìn)行全鏈路的梳理，把現(xiàn)有的從設(shè)備到模組、模組到云、云到App等端到端的信息打通，當(dāng)端到端的技術(shù)鏈路知識掌握后，就需要根據(jù)質(zhì)量的需求設(shè)計(jì)埋點(diǎn)，更多是基于用戶操作各項(xiàng)功能的成功確定埋點(diǎn)采集方案。埋點(diǎn)上線也需要一系列的流程，如圖3所示。

圖3 指標(biāo)埋點(diǎn)采集流程

埋點(diǎn)上報(bào)可采用自研的埋點(diǎn)SDK捕捉，但是隨著指標(biāo)需求增大，自研埋點(diǎn)投入的人力將越來越多，質(zhì)量數(shù)據(jù)的收集周期也會(huì)變得越來越長，一般會(huì)引入第三方埋點(diǎn)統(tǒng)計(jì)平臺[9]來處理。如圖4所示，該平臺覆蓋數(shù)據(jù)定義、采集、生產(chǎn)、應(yīng)用等埋點(diǎn)全生命周期。使用該平臺后，埋點(diǎn)的開發(fā)周期縮短，埋點(diǎn)的類型也更加豐富。

圖4 第三方埋點(diǎn)統(tǒng)計(jì)平臺

2.2.2 數(shù)據(jù)管理

埋點(diǎn)數(shù)量會(huì)隨著需求增加而不斷增多，尤其是在采用第三方埋點(diǎn)采集平臺的情況下，需要對埋點(diǎn)數(shù)據(jù)進(jìn)行治理，治理一般遵循以下原則：

（1）統(tǒng)一管控埋點(diǎn)需求

埋點(diǎn)要明確需要統(tǒng)計(jì)的指標(biāo)，埋點(diǎn)需求應(yīng)規(guī)范統(tǒng)一。

（2）埋點(diǎn)設(shè)計(jì)有全局觀

站在全局視角規(guī)劃埋點(diǎn)并且具有可擴(kuò)展性，按照性質(zhì)（公共參數(shù)、私有參數(shù)）和層級給這些參數(shù)進(jìn)行簡單劃分[3]。

（3）埋點(diǎn)開發(fā)要規(guī)范

埋點(diǎn)的使用方和開發(fā)方不用時(shí)，雙方在埋點(diǎn)評審時(shí)要思考不同實(shí)現(xiàn)邏輯和異常場景是否會(huì)影響埋點(diǎn)上報(bào)，保證埋點(diǎn)上線符合預(yù)期。

（4）埋點(diǎn)驗(yàn)收全面

驗(yàn)收的校驗(yàn)埋點(diǎn)是否多報(bào)、少報(bào)，參數(shù)是否缺失，參數(shù)是否規(guī)范等。

（5）埋點(diǎn)要有生命周期管理

做好埋點(diǎn)梳理、埋點(diǎn)瘦身、埋點(diǎn)升級的工作，定期統(tǒng)計(jì)一段時(shí)間內(nèi)低頻上報(bào)的埋點(diǎn)和這些埋點(diǎn)相關(guān)指標(biāo)、報(bào)表的訪問量，以此為依據(jù)開展埋點(diǎn)生命周期管理工作，如圖5所示。

圖5 埋點(diǎn)全生命周期管理

2.3 數(shù)據(jù)存儲(chǔ)與治理

2.3.1 數(shù)據(jù)存儲(chǔ)

海量的數(shù)據(jù)，需要穩(wěn)定存儲(chǔ)方案，并且需要有實(shí)時(shí)的調(diào)用及處理能力，如圖6所示，以基于Hadoop框架的數(shù)據(jù)倉庫為例，其中Hive處理離線數(shù)據(jù)，Kafka處理實(shí)時(shí)數(shù)據(jù)，實(shí)現(xiàn)用戶行為數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)實(shí)時(shí)進(jìn)入數(shù)據(jù)倉庫；前端數(shù)據(jù)產(chǎn)品應(yīng)用，從數(shù)據(jù)倉庫中調(diào)接口取數(shù)。無論是實(shí)時(shí)的數(shù)據(jù)采集，還是先本地存儲(chǔ)稍后再發(fā)送的數(shù)據(jù)采集，最終都要進(jìn)入數(shù)據(jù)倉庫。

圖6 數(shù)據(jù)倉庫示例

數(shù)據(jù)倉庫分3層：原始數(shù)據(jù)層（ODS）、數(shù)據(jù)倉庫（DW），數(shù)據(jù)應(yīng)用層（App），如圖7所示。

圖7 數(shù)據(jù)倉庫分層示例

其中：

ODS層：數(shù)據(jù)倉庫源頭系統(tǒng)的數(shù)據(jù)表通常會(huì)原封不動(dòng)地存儲(chǔ)一份，ODS層也經(jīng)常會(huì)被稱為準(zhǔn)備區(qū)。這一層的工作是貼源，數(shù)據(jù)和源系統(tǒng)的數(shù)據(jù)是同構(gòu)，一般對這些數(shù)據(jù)分為全量更新和增量更新，通常在貼源的過程中會(huì)做一些簡單的清洗。

DW層：數(shù)據(jù)倉庫明細(xì)層、中間層和匯總層，是數(shù)據(jù)倉庫的主體內(nèi)容。將一些數(shù)據(jù)關(guān)聯(lián)的日期進(jìn)行拆分，使得其可被更具體的分類，一般拆分成年、月、日。ODS層到DW層的ETL腳本會(huì)根據(jù)業(yè)務(wù)需求對數(shù)據(jù)進(jìn)行清洗、設(shè)計(jì)，如果沒有業(yè)務(wù)需求，則根據(jù)源系統(tǒng)的數(shù)據(jù)結(jié)構(gòu)和未來的規(guī)劃進(jìn)行處理，對這層的數(shù)據(jù)要求是一致、準(zhǔn)確、盡量建立數(shù)據(jù)的完整性。

App層：應(yīng)用層匯總層，主要是將明細(xì)數(shù)據(jù)在hadoop平臺進(jìn)行匯總，然后將產(chǎn)生的結(jié)果同步到DWS數(shù)據(jù)庫，提供給各個(gè)應(yīng)用。

2.3.2 數(shù)據(jù)治理

在用數(shù)據(jù)賦能業(yè)務(wù)的鏈條中：產(chǎn)生數(shù)據(jù)（埋點(diǎn)）→獲取數(shù)據(jù)（ETL）→分析數(shù)據(jù)→發(fā)現(xiàn)問題→業(yè)務(wù)決策，數(shù)據(jù)本身會(huì)產(chǎn)生污染以影響到數(shù)據(jù)的準(zhǔn)確性，可能會(huì)到獲取時(shí)、分析時(shí)，甚至是決策階段，才會(huì)意識到數(shù)據(jù)本身可能出現(xiàn)了問題。數(shù)據(jù)從觸發(fā)上報(bào)→發(fā)送→ETL→進(jìn)數(shù)倉，中間有任何一個(gè)過程出問題，都可能會(huì)影響數(shù)據(jù)的穩(wěn)定、準(zhǔn)確和及時(shí)。另外，不斷擴(kuò)展的業(yè)務(wù)需求，會(huì)使業(yè)務(wù)數(shù)據(jù)字段發(fā)生變更，這時(shí)錯(cuò)傳、漏傳了數(shù)據(jù)進(jìn)數(shù)倉，也會(huì)影響數(shù)據(jù)質(zhì)量。擴(kuò)展的業(yè)務(wù)需求，必然會(huì)出現(xiàn)數(shù)據(jù)膨脹這個(gè)問題，所以數(shù)據(jù)治理也應(yīng)運(yùn)而生。治理主要從三個(gè)方面考慮：

（1）數(shù)據(jù)質(zhì)量監(jiān)控

對于數(shù)據(jù)指標(biāo)本身的異常波動(dòng)做了監(jiān)控的設(shè)計(jì)，每個(gè)版本的變化，都需要重新確認(rèn)新增或變化埋點(diǎn)的變化，做全面的確認(rèn)，避免臟數(shù)據(jù)入庫。

（2）空間方面

合并冗余表、舍棄冗余字段、內(nèi)容壓縮。

（3）時(shí)間方面

合理規(guī)劃數(shù)據(jù)的生命周期，不同層的數(shù)據(jù)保留時(shí)間不同，有的需要永久保存，對于那些暫時(shí)沒有業(yè)務(wù)調(diào)用的冷數(shù)據(jù)，壓縮歸檔。

2.4 數(shù)據(jù)分析與應(yīng)用

2.4.1 數(shù)據(jù)分析

數(shù)據(jù)的核心意義是要實(shí)現(xiàn)數(shù)據(jù)的分析價(jià)值，擁有了用戶各種操作的埋點(diǎn)記錄、日志、家電生產(chǎn)信息等大數(shù)據(jù)信息，要將大數(shù)據(jù)以各種不同的分析方法實(shí)現(xiàn)業(yè)務(wù)價(jià)值，通過對數(shù)據(jù)的處理、分析、建模，定位終端應(yīng)用的優(yōu)化項(xiàng)目，最終實(shí)現(xiàn)用戶體驗(yàn)的改善；常用的分析方法主要有：

（1）漏斗分析法

漏斗分析法是一個(gè)流程化的思考方式，反映用戶行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)化率情況。根據(jù)業(yè)務(wù)邏輯，分析某一個(gè)功能的用戶行為漏斗是否和設(shè)計(jì)相同，若不同，可定位在哪一步存在問題[6]。將用戶在App上操作的各個(gè)環(huán)節(jié)通過埋點(diǎn)大數(shù)據(jù)進(jìn)行漏斗的分析，確認(rèn)哪一步流失較多，從高到低的進(jìn)行排列，逐步突破。

例如，在配網(wǎng)通過率的分析改善過程中，通過大數(shù)據(jù)呈現(xiàn)出用戶配網(wǎng)過程的漏斗模型，如圖8所示，可以識別到用戶主要流失的點(diǎn)在掃碼、連接熱點(diǎn)階段，占用戶配網(wǎng)失敗占比的50%以上，所以重點(diǎn)聚焦掃碼與連接熱點(diǎn)的診斷，針對不同樣式的二維碼，一方面從源頭標(biāo)準(zhǔn)化的角度統(tǒng)一規(guī)范，系統(tǒng)防呆落地；另一方面從App端對歷史產(chǎn)品的二維碼進(jìn)行兼容。連接熱點(diǎn)階段，根據(jù)大數(shù)據(jù)分析可以看到用戶主要在找不到熱點(diǎn)、無法進(jìn)入連接設(shè)備熱點(diǎn)頁，企劃側(cè)統(tǒng)一家電連熱點(diǎn)的方式，歷史產(chǎn)品通過數(shù)據(jù)校驗(yàn)配網(wǎng)指引的準(zhǔn)確性。經(jīng)過質(zhì)量改善項(xiàng)目運(yùn)作，共輸出23項(xiàng)改善點(diǎn)，一次配網(wǎng)通過率提升17%。

圖8 配網(wǎng)漏斗模型

（2）對比分析法

設(shè)備相關(guān)的生產(chǎn)數(shù)據(jù)與App的埋點(diǎn)數(shù)據(jù)都具有采集存儲(chǔ)，可以實(shí)現(xiàn)終端應(yīng)用版本、插件版本、手機(jī)型號、操作系統(tǒng)、假期、運(yùn)營活動(dòng)、模組版本、路由器版本、家電品類、型號、生產(chǎn)時(shí)間、生產(chǎn)工廠、線體、電控版本等全方位數(shù)據(jù)對比，可分析各個(gè)維度的數(shù)據(jù)差異，找到各產(chǎn)品的差異，對標(biāo)成功率高的產(chǎn)品進(jìn)行鏈路優(yōu)化改善。

例如，在控制成功率數(shù)據(jù)分析過程中，如圖9所示，通過對比發(fā)現(xiàn)干衣機(jī)、掃地機(jī)、洗碗機(jī)控制成功率相對較低，主要問題為設(shè)備透傳超時(shí)，如圖10所示，經(jīng)過分析確認(rèn)為電控指令上報(bào)不準(zhǔn)確，最終方案在插件頁實(shí)現(xiàn)上報(bào)修正。

圖9 控制成功率對比分析圖

圖10 控制失敗原因帕累托圖

（3）分布分析法

分布分析法是通過對質(zhì)量的變動(dòng)分布狀態(tài)進(jìn)行分析并發(fā)現(xiàn)問題的一種重要方法，通常用于分析特定行為在某個(gè)維度的分布情況。用戶行為在某個(gè)時(shí)間點(diǎn)集中，譬如假期或者活動(dòng)對終端應(yīng)用訪問量產(chǎn)生影響，分析與現(xiàn)有服務(wù)端的承載能力是否匹配。

例如，通過時(shí)間分布發(fā)現(xiàn)06:00—06:05，會(huì)集中出現(xiàn)空調(diào)的場景執(zhí)行失敗報(bào)錯(cuò)，經(jīng)確認(rèn)主要原因?yàn)樵摃r(shí)間段設(shè)定了一個(gè)早起暖房場景，用戶在同一時(shí)間觸發(fā)此場景，達(dá)到服務(wù)器容量限制，導(dǎo)致執(zhí)行失敗，可以通過服務(wù)器擴(kuò)容改善此問題。

（4）用戶路徑分析法

用戶路徑分析法是用戶在終端應(yīng)用中的訪問行為路徑，每一個(gè)路徑背后都有不同的動(dòng)機(jī)，根據(jù)用戶路徑來分析終端應(yīng)用核心功能的正確路徑[10]。用戶在使用終端應(yīng)用時(shí)很常見的一個(gè)用戶路徑是進(jìn)入終端應(yīng)用后打開插件切到后臺，隔一段時(shí)間再進(jìn)入終端應(yīng)用，而終端應(yīng)用刷新token時(shí)間是4小時(shí)，若一開始忽略這種用戶路徑，則導(dǎo)致22.4%的用戶再切回終端應(yīng)用的時(shí)間間隔超過刷新token的時(shí)間，存在token失效控制失敗的問題，解決措施是插件SDK執(zhí)行控制token失效時(shí)自動(dòng)刷新token。

2.4.2 數(shù)據(jù)應(yīng)用

在大數(shù)據(jù)分析的同時(shí)，質(zhì)量改善的核心是要體現(xiàn)在應(yīng)用結(jié)果上，為了實(shí)時(shí)可視的呈現(xiàn)物聯(lián)網(wǎng)家電大數(shù)據(jù)分析改善的效果，搭建了物聯(lián)網(wǎng)質(zhì)量數(shù)據(jù)平臺，前端實(shí)時(shí)可視IoT質(zhì)量水平，借助全方位的數(shù)據(jù)共享及可視化，實(shí)現(xiàn)各Feature Team小組的質(zhì)量水平評價(jià)與對比，上線7大品質(zhì)指標(biāo)數(shù)據(jù)，上線27份報(bào)表，監(jiān)控告警33次，并跟進(jìn)分析整改，完成35項(xiàng)問題優(yōu)化，用戶綜合體驗(yàn)成功率改善17%。

質(zhì)量數(shù)據(jù)平臺的搭建，可以將看板管理發(fā)揮到極致，各種質(zhì)量數(shù)據(jù)都囊括其中，當(dāng)指標(biāo)數(shù)據(jù)發(fā)生波動(dòng)時(shí)，可以更精準(zhǔn)地定位到相關(guān)的變化點(diǎn)，更快速地找到大數(shù)據(jù)的關(guān)聯(lián)關(guān)系，更快速地找到問題的方向，結(jié)合白盒的能力，甚至可以直接落實(shí)到一些代碼層面的bug，從而快速修復(fù)解決。

借助實(shí)時(shí)大數(shù)據(jù)的能力，加上質(zhì)量平臺的能力，賦予了每個(gè)指標(biāo)一個(gè)閾值，當(dāng)指標(biāo)突發(fā)異常時(shí)，會(huì)有及時(shí)的異常推送，通過微信消息、郵件等辦公軟件通知到相關(guān)責(zé)任人進(jìn)行關(guān)注，通過數(shù)據(jù)的定位能力，快速找到相關(guān)人員進(jìn)行處理，以達(dá)到組織級別的快速響應(yīng)，減少對用戶的影響。

最后回到問題的閉環(huán)改善，因?yàn)橛辛舜髷?shù)據(jù)的分析能力，同時(shí)融入傳統(tǒng)行業(yè)的質(zhì)量改善理念，每個(gè)問題都可以做好數(shù)據(jù)的預(yù)測及數(shù)據(jù)會(huì)帶來的變化，持續(xù)關(guān)注每日數(shù)據(jù)的趨勢，可以看同期的對比，發(fā)版前后的對比，問題修復(fù)前后的對比，改善需求前后的對比，真正做到及時(shí)改善，及時(shí)閉環(huán)；同時(shí)質(zhì)量平臺也實(shí)現(xiàn)了bug、需求等問題的沉淀機(jī)制，可以對問題進(jìn)行深入分析，對應(yīng)流程標(biāo)準(zhǔn)缺失的問題，建立相應(yīng)的標(biāo)準(zhǔn)體系文件，從根本上解決、規(guī)避問題。

3 結(jié)論

綜上所述，本文提出的基于用戶大數(shù)據(jù)分析的物聯(lián)網(wǎng)家電質(zhì)量改善方法，主要圍繞用戶綜合體驗(yàn)提升的目標(biāo)，通過構(gòu)建物聯(lián)網(wǎng)大數(shù)據(jù)能力，實(shí)現(xiàn)硬件家電、App控制端等的數(shù)據(jù)采集、存儲(chǔ)、治理、分析應(yīng)用，為物聯(lián)網(wǎng)家電質(zhì)量改善提供了基礎(chǔ)，同時(shí)為了更好的實(shí)現(xiàn)全價(jià)值鏈的數(shù)據(jù)驅(qū)動(dòng)，以及全面的物聯(lián)網(wǎng)質(zhì)量改善，需要將后臺底層數(shù)據(jù)分析的能力，進(jìn)行前端界面的可視化，打造IoT質(zhì)量管理平臺，所有質(zhì)量相關(guān)人員，都可以經(jīng)過授權(quán)登錄質(zhì)量平臺進(jìn)行數(shù)據(jù)實(shí)時(shí)查詢；隨著質(zhì)量平臺的持續(xù)深化應(yīng)用，最終實(shí)現(xiàn)物聯(lián)網(wǎng)家電質(zhì)量問題精準(zhǔn)定位、量化評價(jià)、監(jiān)控預(yù)警和閉環(huán)改善四大功能，最終實(shí)現(xiàn)全方位用戶綜合體驗(yàn)質(zhì)量改善。

進(jìn)一步的，對于智能家電開發(fā)人員來講，未來還可以將用戶大數(shù)據(jù)分析與主動(dòng)服務(wù)結(jié)合起來，實(shí)現(xiàn)設(shè)備的自我診斷與修復(fù)，更進(jìn)一步提升用戶綜合體驗(yàn)。