MathArt | 如何用数据帮模具工程师省去每年频次上千的审核？

作为汽车工业基础工艺装备的汽车模具，是90%以上的汽车零部件成型的必要装备。不容小觑的汽车模具采购费用自然成了车企采购费用管理和审核的重要部分。

模具工程师的工装模具审核业务每年的频次达上千次，且所涉金额巨大。然而，目前并没有一个支持模具审核的科学有效的通用性辅助工具，所以，现阶段的模具审核对很多汽车制造业而言仍然是亟待解决的问题。‍‍‍‍‍‍

‍就精确度而言，模具审核在很大程度上依赖于工程师的经验知识，而每个模具工程师的经验参差不齐，尤其对新进员工来说需要一个经验积累的过程，再加上不同模具工程师在审核过程中所采纳的依据信息、方法不同，模具审核的准确性无法达到统一。

就效率而言，大规模的整车新项目以及巨额的模具采购金额，加大了模具工程师的工作强度，再加上有效工具的匮乏，工程师的业务处理结果常常落后于要求节点。

面临这些挑战，企业迫切需要建立一套科学有效的模具成本分析方法，以帮助模具工程师模具审核的决策，为汽车生产成本控制提供有力支持。

我们都知道，汽车生产涉及的模具种类繁多，不同种类的模具，成本计算方法存在一定的差异，且成本会随着市场上各类材料价格的波动而发生变化。

从车企自身角度来看，不同公司的人员工资、厂房租金、水电费、机器设备折旧费、生产工艺流程等众多方面也会影响成本计算。总而言之，模具的成本计算情况极其复杂。

‍‍

‍传统的模具成本分析方法，如重量分析法、材料比价法、比例分析法等，需要依赖工程师的经验确定相关参数，即使如此，此方法也难以准确估算模具的加工费用和镂空系数，无法给模具工程师提供细致准确的参考依据。

基于模具种类的多样性和数据维度的复杂性，以及成本分析结果对工程师经验的高依赖性，我们很自然地做出联想——是否可以通过建立一套行之有效的预测模型来帮助主机厂解决模具成本审核复杂的难题？

为验证这一联想，新葡的京集团3512vip首页结合经典的预测分析算法，统筹多种模具的数据维度，将模具的体积、重量、使用的材料价格、人工成本等多维度数据转换为模型参数，并针对业务含义进行参数引申，通过机器学习算法拟合构建了各个类型模具的预测模型。

然后，从材料费、加工费、设计费等多个角度进行相应的模具成本分析，以推出更为综合准确的结果。

对于在审核过程中对价格影响极为关键的加工工时和材料用量而言，模具工程师对其估算一直都较为困难，而通过多维度的数据分析和拟合，预测模型能够分析出科学合理的结果，为模具工程师进行价格审核提供了强有力的依据和支持。

与传统模具分析方法相比，预测模型不仅将依赖于工程师的经验推测结果转化成以科学而缜密的数据分析结果推动决策，并且能够全面地分析各个种类模具的多种分项成本，为模具工程师审核提供了全方位多角度的决策支持，有效提升了模具成本审核的处理速度和准确度，为企业成本控制提供有力支持。

‍‍伴随着大数据发展的浪潮以及数字化时代的不断创新，我们相信，以数据分析驱动企业的成本控制，将是车企强化自身市场竞争力，保持长效发展必不可少的关键。