# 保証データ解析 ## 定義 保証データ解析(warranty data analysis)とは、製品のフィールド返品・保証請求データを用いて信頼性を評価・予測する手続きを指す。フィールド環境は製品性能の最終的な試験の場であるため、可能な限りフィールド故障に基づいて信頼性を評価すべきとされる一方、保証データベースには「真の」故障に加え、NFF(no fault found)、不正請求、誤使用や記録漏れなどの「ノイズ」が一定割合含まれ、その割合は業界・製品・メーカーによって大きく異なる。保証データの解析には、個々の請求内容から根本原因を分析する**個別請求データ**(individual claims data)と、出荷台数・故障件数・タイミング情報を集計した**統計データ(actuarial data)**の2つの形式があり、後者だけが母集団全体の信頼性推定・予測に使える(Source: [[@2012__Wiley__Practical Reliability Engineering - Chapter 13 Analysing Reliability Data]] §13.11, §13.11.1, §13.11.2)。 ## 保証データ特有の困難 - **ノイズ**: NFF・不正請求・誤報告・誤使用など、製品の設計・製造起因ではない「ノイズ」が混在する。ユーザーはノイズの原因によらずすべての故障の影響を受けるため、無関係とみなした請求を除外せず「as is」で処理することが有益な場合もある(Source: §13.11.1)。 - **年齢基準と暦時間基準の不一致**: 製品は継続的に生産・販売されるため、個々のユニットの保証開始時期がばらばらである。したがって暦時間形式より製品の使用年齢(age)形式でモデル化するほうが扱いやすい(Source: §13.11.1)。 - **観測期間の短さ**: 保証期間は通常、製品の期待寿命より短いため、摩耗が予想される製品後期のライフフェーズについて保証データは十分な情報を与えない(Source: §13.11.1)。 - **データの粒度**: 高volume生産では個々のユニットを追跡することが非現実的なため、月次などの一定間隔で集計するのが通例である。代表的な集計形式が MIS(Month in Service)であり、自動車業界を中心に広く使われる。各販売月について、経過月数(MIS)ごとの修理・返品件数を記録する(Source: §13.11.2.2, 表13.5)。 - **「Nevada(Layer cake)」形式への変換**: MIS形式(年齢ベース)を暦月ベースに変換した表現で、出荷・返品データを標準的な故障・打ち切り(サスペンション)の形式に変換できる。解析終了時点で故障していない出荷済みユニットはすべてサスペンション(打ち切り)として扱われ、これにより従来の寿命データ解析手法(第3章)をそのまま適用できる(Source: §13.11.2.2, 表13.6)。 - **データ成熟(data maturation)**: 保証データの観測期間が短く、故障傾向がまだ確立していない場合や、故障発生から保証システムへの登録までにラグがあり最新の請求が過小報告される場合、累積故障率 $F(t)$ とそれに基づく信頼性解析全体にバイアスがかかりうる(Source: §13.11.2.2)。 ## 解析方針 多くの保証請求は部品の修理・交換で終わるため、修理可能系に適した統計解析(再生過程、非同次ポアソン過程(NHPP)等。第2章§2.15、第6章§6.7、第13章§13.8参照)が本来は適切である。ただし高volume生産の比較的単純な部品では二次故障(同一ユニットの再故障)の発生率が小さく(自動車電子モジュールで1〜5%程度)、非修理可能データの解析手法を適用しても大きな誤差を生まないため、実務上簡略化されることが多い。累積故障関数 $F(t)$ は再生過程やNHPPよりモデル化が容易であり、寿命データ解析(第3章)により信頼度 $R(t)$ を導出できるが、ほとんどのユニットが保証期間中に故障せず生存するため、大量の打ち切り(サスペンション)を含む重度に打ち切られたデータになる(Source: §13.11.3)。 Example 13.6は、6か月分のMISデータの累積故障率(%)にワイブル分布を当てはめ($\beta=1.11$、$\eta=297.9$か月)、36か月時点の信頼度を $R(36)=90.8\%$ と推定する例を示す。ただし観測期間が6か月と短く、母集団(保証月数が長いほどサンプルが減る)が逐次減少するため、この予測は暫定的なものにとどまり、ノイズ除去前のデータを使っていることから真の設計信頼性はこれより高いと見込まれると注意が付されている(Source: §13.11.3, Example 13.6)。 ## 横断的知見 - **第3章(寿命データ解析)が確立した「完全データ/打ち切りデータ」という抽象的な枠組みに対し、第13章§13.11.2の Nevada 形式変換は、生産・出荷・返品という現実の業務データからこの枠組みを機械的に導出する具体的な手続きを与える**。第3章は打ち切りの発生理由(試験終了、点検間隔等)を一般論として分類するにとどまるが、保証データの場合は「解析時点で未返品の出荷済みユニット=右側打ち切り」という対応が Nevada 形式によって自動的に得られる。これは寿命データ解析という抽象的方法論が、最も汚く大規模な実データ(保証データ)に接続される際の橋渡しの具体例である(Source: [[@2012__Wiley__Practical Reliability Engineering - Chapter 3 Life Data Analysis and Probability Plotting]] §3.2, [[@2012__Wiley__Practical Reliability Engineering - Chapter 13 Analysing Reliability Data]] §13.11.2)。 - **FRACAS(第12章)と保証データ解析(第13章)は、同じ「故障報告のノイズをどう扱うか」という問題に、開発試験段階とフィールド段階でそれぞれ異なる答えを与える**。第12章の FRACAS は、開発試験中に生じた初回故障を「無関係」「偶発」として捨てないことを閉ループ維持の原則とする。一方、保証データ解析(第13章)は、フィールドの保証請求に含まれる NFF・不正請求・誤使用等の「ノイズ」を積極的に識別・除外することを推奨しつつも、ユーザー視点ではノイズの原因によらずすべての故障の影響を受けるため「as is で処理するほうが有益な場合もある」と両論を許容する。開発段階では「捨てないこと」が閉ループの条件とされる一方、フィールド段階では「ノイズをどこまで除くか」が実務的な判断に委ねられており、同じ著者チームが段階に応じてノイズへの態度を変えていることがわかる(Source: [[@2012__Wiley__Practical Reliability Engineering - Chapter 12 Reliability Testing]] §12.6.1, [[@2012__Wiley__Practical Reliability Engineering - Chapter 13 Analysing Reliability Data]] §13.11.1)。 ## 未解決の問い - NFF・不正請求・誤使用などの「ノイズ」を識別・除外する具体的な手法(判定基準、自動化の可否)は、本章では「重要である」という指摘に留まり、手続きの詳細は示されていない。 - データ成熟(data maturation)によるバイアスを定量的に補正する手法(観測期間の短さや報告ラグをどう数式的に扱うか)は、本章では触れられていない。 - 二次故障率が「大きい/小さい」を判断する閾値(自動車電子モジュールの1〜5%という具体例以外)は、他の業界・製品カテゴリでどう設定すべきか本章には基準がない。 - 個別請求データ形式と統計データ形式のどちらを主たる解析対象にすべきかの選択基準(サンプリング方針を含む)は、本章では並記されるのみで優先順位は示されていない。 ## 関連 - ソース: [[@2012__Wiley__Practical Reliability Engineering - Chapter 13 Analysing Reliability Data]] - 実体: [[Patrick D. T. O'Connor]] / [[Andre Kleyner]] / [[wiki/entities/Practical Reliability Engineering|Practical Reliability Engineering]] - 関連概念: [[寿命データ解析]](本concept が接続する打ち切りデータの一般的枠組み) / [[ワイブル分布]](保証データの累積故障率への当てはめ) / [[FRACAS]](開発段階での故障報告の閉ループ) / [[修理可能系の信頼性解析]](保証データを修理可能系として解析する場合の理論的背景) ## 出典 - P. D. T. O'Connor and A. Kleyner, *Practical Reliability Engineering*, 5th ed., Wiley, 2012, Chapter 13, §13.11.