203 lines
15 KiB
Markdown
203 lines
15 KiB
Markdown
1. 自我介绍：老师好，我叫李振洋，2017年毕业于吉林大学车辆工程专业。
|
||
|
||
虽然过去一年多我在拼多多(TEMU)从事仓库履约风控与质量评价体系的相关工作，但今天面试的是汽车方向的数据分析岗，因此我想重点介绍一下我在**集度汽车**期间的工作经历。在集度，我主要对接**整车工程、座舱触点、生产管理与质量**三大部门，完整参与从需求对接、数据获取、清洗分析到报告输出或看板搭建的全链路。
|
||
|
||
针对用户强感知的能耗与续航问题，我协同业务方确立百公里电耗与续航预估准确率为核心北极星指标，搭建了覆盖全场景的监控与评价体系，对整车能耗、续航里程估计准确性进行持续监控，并支持对异常波动的高效下钻与根因定位，为业务部门提供精准的优化建议，支持业务迭代升级；此外，我们也会编写一些python的脚本，实现对客诉的单车能耗问题的自动分析和报告生成；
|
||
|
||
对于座舱触点，我们对智能化功能的渗透率进行分析，并对智能化功能的用户流失原因进行下钻分析，如退出空调自动挡、雨刮自动挡、关闭电动开门等等，挖掘体验痛点，指导产品迭代；此外，我们还基于操作步骤数与完成时长，对大屏UI设计的便利性进行了分析，支持业务部门优化UI的设计工作；
|
||
|
||
对于生管与质量部门，我们主要通过数据分析支持其解决用户抱怨问题，比如空调震动等；对于一些偶发难以复现的故障进行长期监控，提供故障发生时第一现场的车辆状态与用户操作数据；
|
||
|
||
至于拼多多(TEMU)的经历，我主要负责仓库履约风控与质量评价体系建设，通过数据监控、异常识别和闭环干预机制，保障履约合规性、降低平台风险、提高用户体验，比如我们会监控仓库的履约质量、履约时长、异常单比例等等，来引导仓库合规履约，确保用户的体验，防止仓库作弊等等。
|
||
|
||
|
||
|
||
###### 1. 数据探查：
|
||
|
||
1. 分布：是否合理；
|
||
2. 是否有空值：确定空值的状态；
|
||
###### 2. ### 数据预处理都做了哪些内容：
|
||
|
||
1. 去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
|
||
2. 异常值处理：
|
||
1. 超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
|
||
3. 标准化；
|
||
4. 事件对齐：按时间轴进行对齐，一般取最早的触发源；
|
||
5. 数据分段：
|
||
1. 行程划分；
|
||
2. 充电起止点；
|
||
3. 放电起止点；
|
||
4.
|
||
###### 3. ### UI设计分析：
|
||
|
||
1. 数据获取：与业务方共同确定需要分析的功能，确定数据口径，确定埋点需求，提交埋点团队开发，并进行验证；
|
||
2. 数据预处理：
|
||
1. 去重；
|
||
2. 空值处理：
|
||
1. 对10s以内的空缺多取上一秒的数据填充，对于超过10s的数据丢弃处理；
|
||
3. 事件对齐和触发源确认：
|
||
1. 以vin码为单位，按时间轴对齐；
|
||
2. 同一时钟源的(车辆can等总线信号)：取功能激活前2s内的触发源；
|
||
3. 对非统一时钟源：取功能激活前后5s内的触发源；
|
||
4. 统一功能取时间上最早的触发源；
|
||
4. 操作结束：
|
||
1. 触发/调节某个功能后5s内不再操作屏幕；
|
||
3. 评价指标：
|
||
1. 单个功能的触发源占比；
|
||
2. 屏幕功能的操作步骤和操作时长；
|
||
|
||
###### 4. 空调策略：
|
||
|
||
1. 我主导了自动空调退出行为的专项分析。这个项目的核心痛点是：**用户频繁手动接管自动空调，说明算法设定的‘舒适区’与用户真实体感存在偏差**。我的目标是通过量化这种偏差，为热管理控制策略提供精准的优化输入。
|
||
|
||
#### 1\. 定义分析锚点与特征工程
|
||
|
||
我没有简单对比退出前后的平均值，而是以 **‘用户手动退出自动模式’为事件锚点**，构建了时序特征矩阵：
|
||
|
||
- **退出前状态（算法决策）**：提取退出瞬间及前30秒的风速、出风模式、目标温度、压缩机功率等自动控制参数；
|
||
- **退出后行为（用户真值）**：记录用户在退出后首次手动调节的目标值，以及后续5分钟内的稳定设定值；
|
||
- **环境上下文**：同步关联车外温湿度、光照强度、车速及座舱内多点温度传感器数据。
|
||
|
||
#### 2\. 核心分析方法：偏差归因与场景聚类
|
||
|
||
通过计算‘用户设定值’与‘算法输出值’的差值，我识别出三类典型退出动机：
|
||
|
||
- **风速不适型**：算法风速 > 用户期望（占比最高），尤其在降温初期，算法为快速拉温采用高风速，但用户体感吹风感过强；
|
||
- **温度过冲型**：算法目标温度 < 用户期望，常见于冬季制热场景，算法为补偿冷启动过度加热，导致用户燥热；
|
||
- **模式冲突型**：自动模式切换出风口方向不符合用户习惯（如制冷时吹脸）。
|
||
|
||
进一步结合环境数据进行聚类，我发现**60%的风速不适集中在‘夏季上车后10分钟内’且‘车内外温差>8℃’的场景**，说明算法在瞬态响应阶段的舒适性权重不足。
|
||
|
||
#### 3\. 策略优化建议与落地
|
||
|
||
基于上述洞察，我向热管理团队提出了分层优化方案：
|
||
|
||
- **瞬态阶段**：在‘大温差+初始降温’场景下，将风速上限从10档降至7档，并引入30秒缓升斜坡，牺牲部分降温速度换取体感舒适；
|
||
|
||
- **稳态阶段**：根据用户历史手动修正偏好，建立个性化舒适基线，对高频调低风速的用户自动下调默认风速曲线；
|
||
|
||
- **交互反馈**：当检测到用户连续2次手动下调风速时，主动弹出‘是否调整为柔风模式’的快捷提示，减少操作步数。
|
||
|
||
|
||
|
||
###### 5. 未拆包点数：
|
||
|
||
1. 发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
|
||
2. 后续处理：
|
||
1. 与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
|
||
2. 确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
|
||
3. 探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
|
||
1. 标签打印次数：与sku数量或种类相等；
|
||
2. 上报黑码的退货入库单数量：极低；
|
||
3. 最后一次打印标签与包裹入库完成时间差90分位数：较低；
|
||
4. 商品类别：不包括服装类sku；
|
||
4. 确定处罚逻辑：
|
||
1. 先按筛选逻辑确定高风险质检人，人工符合后
|
||
|
||
日常报表体系
|
||
|
||
支持业务快速查询数据
|
||
处罚量和处罚率
|
||
处罚进度跟踪
|
||
|
||
对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
|
||
|
||
2. 按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
|
||
|
||
3. 后续观察调拨回国的丢件率是否下降；
|
||
|
||
###### 6. 欺诈收货
|
||
|
||
1. 发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
|
||
2. 复盘结果：
|
||
1. 复盘的思路：
|
||
1. 梳理整个退货流程各个环节，寻找可能存在的漏洞；
|
||
2. 寻找可以检测漏洞的数据指标；
|
||
3. 从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
|
||
2. 发现：
|
||
1. 时间类：
|
||
1. 从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
|
||
2. 从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
|
||
2. 操作凭证类：
|
||
1. 点数视频无效率很高；
|
||
3. 其他：
|
||
1. 客退单无逆向物流轨迹的占比较高；
|
||
###### 7. 商家虚假备货：
|
||
|
||
1. 发现：部分子仓的发货时效异常上涨，明显高于大盘的20%的限制；
|
||
2. 下钻分析：发现问题子仓中，发货时效长的订单集中于部分商家；
|
||
3. 确认原因：
|
||
1. 分析问题商家发货时效长的订单情况：发现该部分订单出现仓库接单反复失败的问题，接单失败原因为库存不足；
|
||
2. 与商务、仓库运营确认原因：部分商家的库存信息不准确，有两种可能：
|
||
1. 商家在合作仓内备货不仅提供给temu，还提供给其他电商平台，库存未及时同步；
|
||
2. 部分商家利用规则漏洞，将货备在当地低价仓库，有订单后再备货到合作仓，同时享受低价的仓储和运输费用；
|
||
4. 处理：
|
||
1. 对仓库：调整仓库失效计算的起点；
|
||
2. 对利用漏洞的商家，提交给对应团队进行处理；
|
||
###### 8. 能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
|
||
|
||
1. 相对正加速度；
|
||
2. 急加速次数；
|
||
3. 急减速次数；
|
||
4. 行程环境(城市、高速、拥堵)；
|
||
5. 平均车速；
|
||
6. 最高车速；
|
||
7. 怠速时间占比；
|
||
8. 制动能量回收设置(这个是环境变量)；
|
||
9. 行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
|
||
1. 平均车速；
|
||
2. 最高车速；
|
||
3. 车速在80km/h以上行驶里程占比；
|
||
4. 怠速时间占比；
|
||
5. 行驶里程；
|
||
6. 加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
|
||
###### 9. 驾驶风格识别模型：
|
||
1\. 模型：
|
||
1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km：最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；
|
||
2\. 数据预处理：
|
||
1\. 归一化；
|
||
2\. PCA；
|
||
3\. kmeans聚类；评价：**轮廓系数；**
|
||
4\. 验证：找同事开车进行实车验证，由其他同事打分；
|
||
|
||
###### 10. 驾驶事件识别模型：
|
||
|
||
1. 模型：
|
||
1. 驾驶工况：
|
||
1. 以2分钟切分工况段；
|
||
2. 根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
|
||
3. 直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
|
||
4. 侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
|
||
1. 指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
|
||
2. 训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
|
||
3. 评价：使用macro-f1作为评价指标，调试超参数C和γ；
|
||
|
||
|
||
|
||
###### 11\. 能耗：
|
||
|
||
1\. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；
|
||
1. 北极星：整车能耗(百公里能耗水平)
|
||
2. 一级指标：
|
||
1. 电机能耗
|
||
2. 热管理能耗
|
||
3. DCDC高压侧能耗
|
||
4. 电池SOC与能耗匹配情况
|
||
5. 用户行为
|
||
3. 二级指标
|
||
1. 电机
|
||
1. 电机综合效率
|
||
2. 电机制动能量回收效率
|
||
2. DCDC高压侧能耗：
|
||
1. DCDC高低压侧转换效率
|
||
2. DCDC低压侧用电器
|
||
1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇
|
||
2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU
|
||
3. 热管理：
|
||
1. 座舱热管理功率
|
||
2. 电池热管理功率
|
||
4. 用户行为：
|
||
1. 行驶工况
|
||
2. 驾驶风格
|
||
3. 空调使用与设置
|
||
4. 制动能量回收设置 |