4S店售后业务如何利用大数据进行审计精准抽样

1、4s店售后业务如何利用大数据进行审计精准抽样2016-02-17王岩、张宁(a)点击上面蓝字，即可免费关注序言中国汽车售后市场一直以來都是炙于可热的黄金市场。据公开资料显示，全国机 动车维修企业数量达46万户,其中汽车4s店有2万多家，占比5%。近两年來， 汽车销售环节已经进入到微利甚至负利时代，店里越来越重视售后环节，因为售 后环节向來是利润率最高的环节。如果售后环节管理不到位，给公司造成的损失 可想而知！业内人士可能都知道4s店对售后的管理指标非常多，这里不针对经 营指标展开讨论。今天探讨的是站在审计的角度如何利用大数据进行精准抽样, 找到4s店售后管理中的“猫腻”。一、笔者为什么会考虑这

2、个问题1笔者工作环境背景简介笔者多年在某高端汽车经销商集团担任财务审计工作，由于集团旗下4s店众多, 每个店轮流审计的时间间隔差不多为半年，一些规模小一些的店甚至一年才轮着 一次。由于时间间隔较长，导致售后数据杲常庞大，单店常规车型的维修数拯正 常就达到2刀条左右，类型大致可分为保养、事故车、维修、索赔等等。要在并 不宽裕的时间内、这么大的数据量屮找岀可能存在的问题，抽样就成为了一项非 常有挑战性的工作。最无奈还是不断冇新闻播出某4s丿占售后人员倒卖配件，谋取暴利，例如：“华时报讯(记者孙思娅)昨天记者获悉,因将库房内的零件私自出售获利,宝 马4s丿占的售后服务部保修员王某被石景山法院以职务侵

3、山罪判处冇期徒刑10 个月。据石景山检察院指控,2013年六七丿j间,王某利用在京顺宝公司担任售后服务 部保修员,负责保管汽车索赔零件的职务便利,将库房内i部分汽车索赔零件私自 出售给邹某,获得赃款15000余元。2013年8刀4日,王某在单位员工的陪同下到公安机关投案。在诉讼过程中, 土某的亲属协助其退缴赃款15000元。当天,土某因涉嫌职务侵占罪被羁押并 被刑事拘留,同年9刀9日被逮捕。”投资人每每看到诸如此类的新闻，就会把笔者找去，询问集团旗下的4s店是否 存在这种现象，能否查出來，如何改进等等。这些问题让笔者不得不思索通过何种方式能够更好的利用人数据分析來找到4s 店里的硕鼠。2、4s

4、店售后服务环节的特点众所周知售后环节是4s店日常管理过程中“水最深”的模块，问题多且不容易审 计，原因如下：(1) 三多：客户要求多样化、业务类型多、关联方多。售后服务顾问往往以提 高客户满意度、处理客户投诉加上侥幸心理利用信息不对称来赚“外快”。(2) 集团财务报表明明显示售后的产值低、毛利率低，但是苦于单据量太大无 法做到单单分析，只能通过制度、流程去要求和控制，而无法通过有效的检查來 发现问题，导致部分人员还是想尽各种办法、借口和理由绕开流程，最终所谓的 制度也就流于形式。(3) 丿占内财务、售后主管领导与我们审计人员的关注点不同，他们更多关注的 是如何应付厂家的审计、如何完成他们的销售

5、业绩，也根本做不到对售后维修这 块的逐单检查。那么，这就给笔者的工作增加了很大的困难： 审计人员、店内领导如何在时间短、任务重的情况下保质保量的完成内审工作 或者自查工作，发现可疑单据？ 是否有一套切实可行的方法能在茫茫单据屮检查出可疑单据？ 如何客观评价每个店的售后作业情况，进而改善售后维护环节的工作效率和管 理水平？二、理论指导实践一正态分布在审计中的运用笔者将长期集团审计咨询经验以及大数据模型建立后的测试结果相结合，发现了 一套行之有效的工作方法，在此分享给各位读者。"i、理论介绍首先简单介绍一下核心理论基础，即正态分布。正态分布(normal distribution)又名高

6、斯分布(gaussian distribution),是具 有两个参数p和02的连续型随机变量的分布，第一个参数p是遵从正态分布的 随机变量的均值，第二个参数。2是此随机变量的方差，所以正态分布记作n(p, o2)o遵从止态分布的随机变量的概率规律为取值越邻近p,其概率越大，而离p 越远，其概率越小；。越小，分布越集中在p附近，o越大，分布越分散。多兀正态分布有很好的性质，例如，多兀正态分布的边缘分布仍为正态分布，它 经任何线性变换得到的随机向量仍为多维正态分布，特别地，它的线性组合为一 兀正态分布。(1)整体论正态分布启示我们，要用整体的观点来看事物。正态分布曲线及而积分布图由基 区、负区、

7、正区三个区组成，各区比重不一样。用整体来看事物才能看清楚事物 的本来面貌，才能得出事物的根本特性。不能只见树木不见森林，也不能以偏概 全。(2)重点论正态分布曲线及面积分布图非常清晰地展示了重点，那就是基区占68.27%,是 主体，要重点抓，此外95%, 99%则展示了正态的全面性。认识世界和改造世 界一定要抓住重点，因为重点就是事物的主要才盾，它对事物的发展起主要的、 支配性的作用。如下图1：图1正态分布图2、实践总结 请记住这样一句话：舞弊人都是贪婪的，现在干、过去干，将来还打算干， 不可能干完一票就收手。下面笔者将运用实际的一个案例来阐述正态分布理 论是如何被应用到4s店售后管理的审计过

8、程中的。其实，这个理论的应用不 局限于4s店,只耍从事审计咨询相关工作的读者平时在审计工作过程中留心 关注，对关键风险点注意把握，做好数据的统计，就肯定能够找出规律，发 现异常问题。在这里笔者先抛砖引玉，利用在审计过程屮发现的两个真实案例的数据来进 行讲解。(1) 4s店内常见的若干舞弊风险其一：工时打折超权限或无审批，省下的金额出配件，私自拿走，进行店外 循环。其二：维修时间超长，给售后顾问店内作案提供机会。(2)如何通过数据来发现上述舞弊现象 工时占比因素笔者在审计过程小经常会分析如下表屮的一组数据，利用工时占比因素的数据來描述案例：经过分析27456条数据后得出下面数值(表1)。表1工时

9、占比计算表(工时占比=工时费/维修费用)先普及下数学知识:在统计工作屮,平均数（均值）和标准差是描述数据集中趋势和离散程度的两个 最重要的测度值。平均数是表示一组数据集屮趋势的量数。标准差是总体各单位标准值与其平均数离差平方的算术平均数的平方根。它反映 组内个体间的离散程度。数据解释：观察了丿占里27456条售后数据，计算得岀工时占比平均值是41%, 标准差32.7%。根据经验，偏离15倍标准差的数据认为是超过警戒线的单据, 即工时占比大于90.05%和工时占比小于9.95%o如下图2：图2工时占比的警戒线如此，可以通过上图找岀偏离上下警戒线的工单。 维修时长因素1=表2维修时长数据（维修时长

10、二结算时间开工单时间）同理，维修时间长什么标准才算长呢？同样可以平均值+1.5倍标准并也就是大 于80天的单据（如表2所示）。系统抽出单据整理好见下表，笔者整理后，通过数据结合纸质凭证看出售后顾问 的行为（如图3所示）。总而言z,数据反映销售行为，再反过来分析数据管理 行为。图3系统抽单的数据整理当然，上面只是列举了两个4s丿占维修服务环节舞弊的关键控制点，在一个环节 偏离正常区间口j以说是意外，但是如果同时出现两个英至更多偏离的现象，那八 成就是“贼'了。 案例小结下面再举一个简单的案例来小结一下上面两个舞弊中控制的关键点： 表3案例数据描述从上表3中可以看出，这家4s店在2014年

11、9月份接了小明的维修订单，但是 结算单显示直到2015年的3月份才把这个维修单在系统中进行结算，跨时长达 半年。并且，在最后结算时却采用退库的方式，即小明更换轮胎并未花钱，而是 记在了 2015年3月份来维修的小王身上。那么问题來了，小王乂不是冤大头，怎么可能会为小明买单更换轮胎呢？通过上 述工吋占比以及维修吋长两个因素来进行检测之后，笔者发现并找出了这个可疑 的单-据，经过仔细研究和询问果然发现“猫腻”：答案就是某维修工人利用工时金 额打折，多出的钱给小明出了配件款。最终4s店利益受损！在全国2万家4s 店上述这种情况也只是冰山一角，试想如果每家店每个月都有那么几单，全国那 么多店该给公司造

12、成多大的损失呢？总结售后管理建立的模型具冇以下作用:1、有利于对集团各店的售后标准化进行合理的评价一般来讲，公司成长需要流程建设，对于流程标准化程度高的丿占来说，偏离平均 值越小，也就是标准差越小，它能综合的反映4s丿占的标准化程度水平。所以可 以通过测算各丿占的维修类型的标准差找出合理的管理指标。2、有利于对异常工单进行监控，建立警戒线和控制线，找出可疑单据，进行事 前控制。警戒线是需要看的，控制线是必须要看并且找出原因的。3、每个店起初都会形成自己独特的控制线和警戒线（如下图4所示），经过几 个月的询问差异，标准差越来越小，也就说明管理流程就规范了。注：k以均数为屮心，±1.50为警戒线，±2。为控制线2、o是售后管理水平好述的最好评价标准图4趋势分析案例：工时占比趋势监控（异常点监控）4、此外，笔者将不断扩充数据模型开发工具，期待与大家一起探讨！特别鸣谢：牛远辰、刘建、郭琳、刘尊菊等审计团队的同事辛苦的工作及工作中 的帮助。“4s售后数据仪表盘"近期即将面世：管理大比拼，看看谁的管理标准差小，导 入数据系统会给你分析报表，内容详尽可参考！本文为风控在线征稿内容，感谢作者王岩、张宁的来稿和分亨