论文价值的评定意见：

本文整体上结构清晰，针对家电行业传统质量分析方法所存在的不足，结合大数据分析方法，建立了一个质量数据评价模型并研发了相关的物联网质量管理平台，具有一定的创新性和实用性。

张永勐1 李红伟2 周荣培1 潘伟1

1.美的集团IoT

2.中国家用电器研究院

摘要

Abstract

随着近几年智能家居行业的迅速发展，家电物联网化已成必然趋势，其服务质量和用户操作体验直接影响用户对智能家居的接受程度。传统的质量改善方法缺少对用户大数据主动采集分析机制，难以实现对家电质量问题的精确定位，也缺乏对家电服务质量的监控预警，因此无法实现对物联网家电质量的量化评价和闭环改善。通过研究基于用户大数据分析的物联网家电质量改善模型，融合家电行业传统质量分析方法和互联网的大数据分析方法，借助物联网质量管理平台，质量人员可以实现物联网家电质量数据的精准定位、量化评价、监控预警和闭环改善，最终实现物联网家电质量的全面改善。

关键词

Keywords

物联网；大数据；事件跟踪；质量改善

DOI:10.19784/j.cnki.issn1672-0172.2022.03.022

0 引言

自1999年物联网（Internet of Things，IoT）概念首次出现以后，作为一个应用概念，其将传统网络的概念扩展到了包括智能家居在内的众多领域，从而产生了惊人的应用可能[1]。随着家电网络化，App遥控、定时[2]等远程控制能力的逐步实现，智能家电已步入物联网时代，艾瑞咨询研究院自主研究表明，智能家电整体规模预计2022年突破4200亿，智能家居行业已进入AIoT赋能期。

伴随物联网技术的演进，用户从手动操作家电，演变为可以通过手机App远程控制，甚至是多品类家电的场景自动联动触发。家电联网、App、云计算等领域的技术发展给质量评价带来新机遇的同时，质量改善也面临前所未有的新挑战。

对于物联网的质量管理，很多学者进行了相关研究，李红伟[3]对智能家电App软件质量测评方案进行了研究，主要从用户使用角度出发，以黑盒测试为主要方法，从App软件产品质量和使用质量两个方面发现质量问题。王文斌[4]建立了一个多层次的物联网质量测评体系，从最初供应商开始直至最终用户为止的整个流程提高客户的满意度。对于传统行业的硬件质量改善，很多学者也进行了相关研究，余瑾[5]通过研究形成了一套较为完整的质量改善方法，建立了质量改善项目管理流程和项目管理制度，将质量改善形成了标准化的作业。朱玉杰[6]为了更好地适用质量改善项目实施的优先级排序，FMEA的一些术语需要进行适当的重新界定，基于模糊集理论，采用模糊语言对改善主题进行评价，并且使用熵权法客观赋权，考虑了主、客观综合权重。

1 物联网大数据分析的必要性

随着智能家居产品走进千家万户，质量改善也变得越来越重要，虽然学者们对物联网质量有很多深入的研究，但逆向的质量改善研究较少，尤其是基于大数据质量分析与应用研究更少，因此本文研究基于用户大数据分析的物联网家电质量改善模型，融合家电行业传统质量分析方法和互联网的大数据分析方法，并研发相关的物联网质量管理平台，使质量人员可以实现物联网家电质量数据的精准定位、量化评价、监控预警和闭环改善，最终实现物联网家电质量的全面改善。

家电物联网化的根本目的是向用户提供整套的产品与服务，物联网家电的硬件和软件质量对于用户体验的影响同等重要。现阶段传统的家电质量改善方法主要存在以下三个问题：

（1）传统质量改善方法侧重硬件本身，缺少对全链路问题的分析

物联网虽然已发展多年，但大多的质量人员将更多的关注点放在了家电产品终端侧，前期的质量改善更多以硬件为主，并基于市场维修的外退故障件进行失效分析，定位具体的元器件问题，进行专项改善；而物联网的质量改善需要软硬兼施的全链路、全流程的质量改善。

（2）传统质量改善方法更多是基于被动收集用户问题

传统的质量改善方法，主要是基于市场维修率、退换货、电商差评率等被动的方式收集用户投诉的市场问题，从而进行分析改善，缺少主动收集用户不良问题的机制与能力，同时缺少海量的用户大数据行为分析，更多是基于分析用户已知、可视的问题，缺少行为的大数据分析预测及改善。

（3）传统质量改善周期长，闭环难度大

传统的质量改善涉及硬件的分析改善，从上层的家电产品，定位到零部件甚至原材料的问题，最终到备货、排产及实物的切换，周期较长；同时从原材料的备货、零部件的切换到总装车间的排产以及最终市场的销售库存清理，最终到用户手上需要近半年的时间，再加上其他可靠性的问题，最终改善后的效果及获得市场数据的反馈需一年或更久；传统的质量改善无论整改切换的周期，还是问题闭环数据的反馈周期都是非常长的，对于用户体验的改善效果往往无法及时反馈。

随着越来越多的家电互联，汇聚到云端的数据也越来越多，进而形成家电物联网大数据。离开了大数据的存储和处理能力，物联网家电的场景化服务能力将被严重削弱，价值不能得到充分发挥；而大数据离开了物联网家电，就如传统的信息系统因为无法及时地获取物理世界中的信息和状态，进而无法进行及时反馈，使得数字化的效率大幅降低。家电借助物联网大数据，则可高效的在数字世界中刻画和描述物理世界，并评估、指导管理、决策，使物理世界更加有序的运行。智能家居亿级设备的大数据已然存在，借助物联网大数据来反向实现家电产品和服务质量改善将有效解决上述传统家电质量改善方法存在的问题。

2 方案研究

从传统的家电质量改善方法升级到物联网质量改善方法，关键是能实现全链路问题的分析，首先要在现有传统硬件质量改善基础上重新建立一套全新的质量数据评价模型，并根据模型建立一套主动收集和定位用户问题的方法，覆盖用户在智能家电使用过程中的各个环节；其次通过大数据的专业分析方法进行问题量化评价及监控预警；最后通过一个整体的物联网质量平台来实现数据的及时可视化，从而形成对问题的闭环改善机制。

2.1 数据评价模型

物联网家电的核心功能点在于满足用户远程控制家电设备、建设个性化智能场景、获取推荐内容和售后服务。物联网家电质量的重点是关注核心功能在家电终端上是否正确实现、用户是否满意等。

用户满意与否主要通过用户对产品和服务各方面的体验来反映。用户体验通常包含了视觉感受、界面友好性、功能易用性等方面。视觉感受很难通过客观数据量化的方式进行度量，但核心功能的易用性却可通过一些客观数据来衡量。考虑物联网产品和服务功能受用户机型、手机内存、网络环境、用户操作路径差异的影响较大，需要我们建立一套能反映用户真实体验的指标体系，并能根据产品的核心业务功能，抽象出核心指标，进一步实现指标量化[7]。

基于以上分析，以提升用户综合体验为目标制定了评价指标体系。为了全方位综合的评价用户使用产品核心功能的体验感受，指标又根据四个核心功能细化为登录成功率、配网成功率、获取插件包成功率、设备控制成功率、场景执行成功率、发现页面加载成功率、服务完整率七个子指标，并根据用户的量级对各子指标进行加权，最终形成用户综合体验成功率指标。用户综合体验评价指标体系如图1所示。

图1 用户综合体验评价指标体系

2.2 数据采集与管理

2.2.1 数据采集

模型建立之后，要完成量化评价及分析，需要拥有稳定准确的数据来源，既要包含用户操作过程的记录，也要包含家电本身的生产数据；智能家电在使用过程中，可以记载并保存大量用户使用的数据，物联网终端应用的用户埋点、设备的唯一标识及生产数据是主要的数据来源。

（1）家电设备数据的采集

家电设备数据的采集是很多拥有核心制造能力的公司都可以实现的，但是要将设备信息与物联网的大数据关联起来却是非常困难的，没有成熟的方案可参考借鉴，需要将设备的生产信息烧录到电控中，在用户完成配网操作后，通过设备电控主动上报给云端，云端进行存储，再与生产的数据进行匹配。

匹配依赖智能家电产品的身份证——序列号（SN），为保证SN的准确性、唯一性的要求，首先需在前端规范智能家电产品SN的技术标准，保证SN从生成到使用的规范性，以达成可与埋点数据一一匹配的关联关系；其次要通过制造执行系统（MES）、质量管理系统（QMS）等生产制造与检验系统，将SN的全部信息录入数据库，包括家电的生产时间、工厂、线体、过程检验的信息、使用的电控版本、模组版本等，为大数据的指标定义、对比分析奠定设备侧的数据基础。家电设备数据收集方案如图2所示。

图2 设备数据收集方案

（2）App数据采集

用户在App端的数据，可以通过事件跟踪（埋点）的方案进行收集。埋点可以描述用户在物联网应用终端内触发的一系列行为，包括点击、侧滑等。埋点的技术实质是先记录软件应用运行过程中的事件，当需要关注的事件发生时进行判断和捕获，然后获取必要的上下文信息，最后将信息整理后发送至服务器端，信息再经过解析入库，形成初步的用户终端应用的埋点数据。

埋点方案虽比较好理解，也是互联网行业中比较成熟的方案，但是对于设计一套完全适应物联网家电质量改善所需要的埋点，必须要先梳理与指标对应需记录的事件[8]。事件记录需要对物联网的底层技术链路有深入的了解：需要梳理事件在终端应用用户触发的时机、触发后的路径、经过的节点、到达的节点，同时分别在什么节点采集什么数据，也就是埋点采集的信息要做到需要采集的事件触发时机全链路完整，则采集的信息有用。为此，需要组织终端应用App的产品经理、软件开发、后端服务器开发、测试等相关人员进行全链路的梳理，把现有的从设备到模组、模组到云、云到App等端到端的信息打通，当端到端的技术链路知识掌握后，就需要根据质量的需求设计埋点，更多是基于用户操作各项功能的成功确定埋点采集方案。埋点上线也需要一系列的流程，如图3所示。

图3 指标埋点采集流程

埋点上报可采用自研的埋点SDK捕捉，但是随着指标需求增大，自研埋点投入的人力将越来越多，质量数据的收集周期也会变得越来越长，一般会引入第三方埋点统计平台[9]来处理。如图4所示，该平台覆盖数据定义、采集、生产、应用等埋点全生命周期。使用该平台后，埋点的开发周期缩短，埋点的类型也更加丰富。

图4 第三方埋点统计平台

2.2.2 数据管理

埋点数量会随着需求增加而不断增多，尤其是在采用第三方埋点采集平台的情况下，需要对埋点数据进行治理，治理一般遵循以下原则：

（1）统一管控埋点需求

埋点要明确需要统计的指标，埋点需求应规范统一。

（2）埋点设计有全局观

站在全局视角规划埋点并且具有可扩展性，按照性质（公共参数、私有参数）和层级给这些参数进行简单划分[3]。

（3）埋点开发要规范

埋点的使用方和开发方不用时，双方在埋点评审时要思考不同实现逻辑和异常场景是否会影响埋点上报，保证埋点上线符合预期。

（4）埋点验收全面

验收的校验埋点是否多报、少报，参数是否缺失，参数是否规范等。

（5）埋点要有生命周期管理

做好埋点梳理、埋点瘦身、埋点升级的工作，定期统计一段时间内低频上报的埋点和这些埋点相关指标、报表的访问量，以此为依据开展埋点生命周期管理工作，如图5所示。

图5 埋点全生命周期管理

2.3 数据存储与治理

2.3.1 数据存储

海量的数据，需要稳定存储方案，并且需要有实时的调用及处理能力，如图6所示，以基于Hadoop框架的数据仓库为例，其中Hive处理离线数据，Kafka处理实时数据，实现用户行为数据和业务数据实时进入数据仓库；前端数据产品应用，从数据仓库中调接口取数。无论是实时的数据采集，还是先本地存储稍后再发送的数据采集，最终都要进入数据仓库。

图6 数据仓库示例

数据仓库分3层：原始数据层（ODS）、数据仓库（DW），数据应用层（App），如图7所示。

图7 数据仓库分层示例

其中：

ODS层：数据仓库源头系统的数据表通常会原封不动地存储一份，ODS层也经常会被称为准备区。这一层的工作是贴源，数据和源系统的数据是同构，一般对这些数据分为全量更新和增量更新，通常在贴源的过程中会做一些简单的清洗。

DW层：数据仓库明细层、中间层和汇总层，是数据仓库的主体内容。将一些数据关联的日期进行拆分，使得其可被更具体的分类，一般拆分成年、月、日。ODS层到DW层的ETL脚本会根据业务需求对数据进行清洗、设计，如果没有业务需求，则根据源系统的数据结构和未来的规划进行处理，对这层的数据要求是一致、准确、尽量建立数据的完整性。

App层：应用层汇总层，主要是将明细数据在hadoop平台进行汇总，然后将产生的结果同步到DWS数据库，提供给各个应用。

2.3.2 数据治理

在用数据赋能业务的链条中：产生数据（埋点）→获取数据（ETL）→分析数据→发现问题→业务决策，数据本身会产生污染以影响到数据的准确性，可能会到获取时、分析时，甚至是决策阶段，才会意识到数据本身可能出现了问题。数据从触发上报→发送→ETL→进数仓，中间有任何一个过程出问题，都可能会影响数据的稳定、准确和及时。另外，不断扩展的业务需求，会使业务数据字段发生变更，这时错传、漏传了数据进数仓，也会影响数据质量。扩展的业务需求，必然会出现数据膨胀这个问题，所以数据治理也应运而生。治理主要从三个方面考虑：

（1）数据质量监控

对于数据指标本身的异常波动做了监控的设计，每个版本的变化，都需要重新确认新增或变化埋点的变化，做全面的确认，避免脏数据入库。

（2）空间方面

合并冗余表、舍弃冗余字段、内容压缩。

（3）时间方面

合理规划数据的生命周期，不同层的数据保留时间不同，有的需要永久保存，对于那些暂时没有业务调用的冷数据，压缩归档。

2.4 数据分析与应用

2.4.1 数据分析

数据的核心意义是要实现数据的分析价值，拥有了用户各种操作的埋点记录、日志、家电生产信息等大数据信息，要将大数据以各种不同的分析方法实现业务价值，通过对数据的处理、分析、建模，定位终端应用的优化项目，最终实现用户体验的改善；常用的分析方法主要有：

（1）漏斗分析法

漏斗分析法是一个流程化的思考方式，反映用户行为状态以及从起点到终点各阶段用户转化率情况。根据业务逻辑，分析某一个功能的用户行为漏斗是否和设计相同，若不同，可定位在哪一步存在问题[6]。将用户在App上操作的各个环节通过埋点大数据进行漏斗的分析，确认哪一步流失较多，从高到低的进行排列，逐步突破。

例如，在配网通过率的分析改善过程中，通过大数据呈现出用户配网过程的漏斗模型，如图8所示，可以识别到用户主要流失的点在扫码、连接热点阶段，占用户配网失败占比的50%以上，所以重点聚焦扫码与连接热点的诊断，针对不同样式的二维码，一方面从源头标准化的角度统一规范，系统防呆落地；另一方面从App端对历史产品的二维码进行兼容。连接热点阶段，根据大数据分析可以看到用户主要在找不到热点、无法进入连接设备热点页，企划侧统一家电连热点的方式，历史产品通过数据校验配网指引的准确性。经过质量改善项目运作，共输出23项改善点，一次配网通过率提升17%。

图8 配网漏斗模型

（2）对比分析法

设备相关的生产数据与App的埋点数据都具有采集存储，可以实现终端应用版本、插件版本、手机型号、操作系统、假期、运营活动、模组版本、路由器版本、家电品类、型号、生产时间、生产工厂、线体、电控版本等全方位数据对比，可分析各个维度的数据差异，找到各产品的差异，对标成功率高的产品进行链路优化改善。

例如，在控制成功率数据分析过程中，如图9所示，通过对比发现干衣机、扫地机、洗碗机控制成功率相对较低，主要问题为设备透传超时，如图10所示，经过分析确认为电控指令上报不准确，最终方案在插件页实现上报修正。

图9 控制成功率对比分析图

图10 控制失败原因帕累托图

（3）分布分析法

分布分析法是通过对质量的变动分布状态进行分析并发现问题的一种重要方法，通常用于分析特定行为在某个维度的分布情况。用户行为在某个时间点集中，譬如假期或者活动对终端应用访问量产生影响，分析与现有服务端的承载能力是否匹配。

例如，通过时间分布发现06:00—06:05，会集中出现空调的场景执行失败报错，经确认主要原因为该时间段设定了一个早起暖房场景，用户在同一时间触发此场景，达到服务器容量限制，导致执行失败，可以通过服务器扩容改善此问题。

（4）用户路径分析法

用户路径分析法是用户在终端应用中的访问行为路径，每一个路径背后都有不同的动机，根据用户路径来分析终端应用核心功能的正确路径[10]。用户在使用终端应用时很常见的一个用户路径是进入终端应用后打开插件切到后台，隔一段时间再进入终端应用，而终端应用刷新token时间是4小时，若一开始忽略这种用户路径，则导致22.4%的用户再切回终端应用的时间间隔超过刷新token的时间，存在token失效控制失败的问题，解决措施是插件SDK执行控制token失效时自动刷新token。

2.4.2 数据应用

在大数据分析的同时，质量改善的核心是要体现在应用结果上，为了实时可视的呈现物联网家电大数据分析改善的效果，搭建了物联网质量数据平台，前端实时可视IoT质量水平，借助全方位的数据共享及可视化，实现各Feature Team小组的质量水平评价与对比，上线7大品质指标数据，上线27份报表，监控告警33次，并跟进分析整改，完成35项问题优化，用户综合体验成功率改善17%。

质量数据平台的搭建，可以将看板管理发挥到极致，各种质量数据都囊括其中，当指标数据发生波动时，可以更精准地定位到相关的变化点，更快速地找到大数据的关联关系，更快速地找到问题的方向，结合白盒的能力，甚至可以直接落实到一些代码层面的bug，从而快速修复解决。

借助实时大数据的能力，加上质量平台的能力，赋予了每个指标一个阈值，当指标突发异常时，会有及时的异常推送，通过微信消息、邮件等办公软件通知到相关责任人进行关注，通过数据的定位能力，快速找到相关人员进行处理，以达到组织级别的快速响应，减少对用户的影响。

最后回到问题的闭环改善，因为有了大数据的分析能力，同时融入传统行业的质量改善理念，每个问题都可以做好数据的预测及数据会带来的变化，持续关注每日数据的趋势，可以看同期的对比，发版前后的对比，问题修复前后的对比，改善需求前后的对比，真正做到及时改善，及时闭环；同时质量平台也实现了bug、需求等问题的沉淀机制，可以对问题进行深入分析，对应流程标准缺失的问题，建立相应的标准体系文件，从根本上解决、规避问题。

3 结论

综上所述，本文提出的基于用户大数据分析的物联网家电质量改善方法，主要围绕用户综合体验提升的目标，通过构建物联网大数据能力，实现硬件家电、App控制端等的数据采集、存储、治理、分析应用，为物联网家电质量改善提供了基础，同时为了更好的实现全价值链的数据驱动，以及全面的物联网质量改善，需要将后台底层数据分析的能力，进行前端界面的可视化，打造IoT质量管理平台，所有质量相关人员，都可以经过授权登录质量平台进行数据实时查询；随着质量平台的持续深化应用，最终实现物联网家电质量问题精准定位、量化评价、监控预警和闭环改善四大功能，最终实现全方位用户综合体验质量改善。

进一步的，对于智能家电开发人员来讲，未来还可以将用户大数据分析与主动服务结合起来，实现设备的自我诊断与修复，更进一步提升用户综合体验。

---

参考文献

[1] 田莉. 物联网在智能家居领域应用展望[J]. 通信与信息技术, 2011(02): 75-77.

[2] 闫一航. 物联网驱动的智能家居发展现状及前景展望[J]. 通讯世界, 2019(02): 216-217.

[3] 李红伟, 焦利敏, 马晓玉, 张欣露, 时雨. 智能家电App软件质量测评方案研究与应用分析[A]//2020年中国家用电器技术大会论文集[C]. 2020.

[4] 王文斌. 面向物联网的质量测评体系的建立[J]. 电子技术与软件工程, 2013(18): 32.

[5] 余瑾. 吉利汽车质量改善之利器——3824法[J]. 中国质量, 2010(07): 30-32.

[6] 朱玉杰. 基于改进的TOPSIS法与RSR法的质量改善项目综合评估[J]. 工业工程, 2016(03): 122-129.

[7] 陈瑾. 基于服装洗护大数据的用户画像平台构建及其应用价值分析[J]. 家电科技, 2018(09): 36-39.

[8] 罗宏俊, 冯瑞. 基于Web技术进行移动应用开发和中间件的研究[J]. 计算机系统应用, 2017(11): 19-27.

[9] 沈慧娟, 纪东升. 基于大数据的数据处理与分析应用研究[J]. 信息技术与信息化, 2019(03): 141-143.

[10] 向大为, 吴燕波. 互联网用户行为数据收集与分析的研究[J]. 现代信息科技, 2019(03): 14-16.

---

（责任编辑：张蕊）