售后工单AI归因：文本聚类到根因排序

数据分析实验室近期在一家装备制造企业的售后服务数据上做了一轮实验：把约 4.2 万条非结构化工单（现场描述、换件记录、回访备注）接入文本理解与聚类流程，目标是让“哪类故障在增长、增长由什么引起”从人工翻单变成可复算的分析结果。

做法分三步：先做工单字段对齐与去噪，把机型、工况、故障描述拆成可关联的结构化槽位；再用向量聚类把自由文本归并到故障模式；最后以关联规则和贡献度分解，对异常增长的模式排序候选根因，并保留证据来源，交由工艺与售后工程师复核。首轮实验中，原始描述被压缩至约 60 个稳定故障模式，人工抽检一致率约八成；针对某批次异响投诉，系统把候选根因收敛到密封件供应商变更与特定工况两项，与后续拆解结论吻合。

要点：
· 下一步计划把工单数据与生产批次、备件更换记录打通，验证根因排序在跨数据源条件下是否稳定，并沉淀可复用的归因分析模板。