Day 39下午-2：配件与人员主题域 + 五域协同的完整实战

🎯 为什么配件和人员主题域常被忽视，却至关重要？

2024年春节前夕，某新能源车企的售后总监接到紧急电话：

「全国200家门店，有120家的刹车片库存告急，春节期间可能断货！」

追查原因发现：

• 配件数据分散在3个系统里
• 库存数据不准确，有30%误差
• 无法预测哪些配件会紧缺
• 技师技能数据缺失，不知道谁能快速处理刹车系统故障

**最终结果：**春节期间1800个用户因配件缺货延迟交车，客诉率飙升300%。

这就是忽视配件和人员主题域的代价。

📦 配件主题域 (Parts Domain)

核心问题：我们有什么配件？它们在哪？够用吗？

配件主题域解决三类问题：

1. 配件本身：SKU、规格、品牌、价格...
2. 库存状态：在哪个仓库、有多少、安全库存...
3. 流转效率：周转率、缺货率、滞销率...

配件主题域的核心实体设计

实体1：dim_parts（配件主数据表）

CREATE TABLE dim_parts (
  -- 主键
  parts_key INT PRIMARY KEY AUTO_INCREMENT,
  parts_id VARCHAR(50) UNIQUE,           -- 配件编码（SKU）

  -- 基本信息
  parts_name VARCHAR(200),
  parts_name_en VARCHAR(200),            -- 英文名
  category_level1 VARCHAR(50),           -- 一级分类（发动机系统/电池系统/制动系统...）
  category_level2 VARCHAR(50),           -- 二级分类
  category_level3 VARCHAR(50),           -- 三级分类

  -- 规格属性
  brand VARCHAR(50),                     -- 品牌
  manufacturer VARCHAR(100),             -- 制造商
  model_compatibility TEXT,              -- 适配车型（JSON数组）
  specification TEXT,                    -- 规格参数
  unit VARCHAR(20),                      -- 单位（个/套/kg...）

  -- 价格信息
  cost_price DECIMAL(10,2),              -- 成本价
  retail_price DECIMAL(10,2),            -- 零售价
  warranty_price DECIMAL(10,2),          -- 质保价（给用户免费，厂家承担）
  price_last_update DATE,                -- 价格最后更新日期

  -- 供应链属性
  lead_time INT,                         -- 采购提前期（天）
  supplier_id VARCHAR(50),               -- 主供应商ID
  backup_supplier_id VARCHAR(50),        -- 备用供应商ID
  min_order_quantity INT,                -- 最小订货量

  -- 库存策略
  safety_stock INT,                      -- 安全库存
  reorder_point INT,                     -- 再订货点
  max_stock INT,                         -- 最大库存

  -- 质量与认证
  quality_level VARCHAR(20),             -- 质量等级（OEM原厂/OES原厂替代/副厂）
  certification TEXT,                    -- 认证信息
  warranty_months INT,                   -- 质保期（月）

  -- 重要性分类（ABC分析）
  abc_category VARCHAR(10),              -- A/B/C类（按销售额或重要性）
  is_critical BOOLEAN,                   -- 是否关键配件
  is_fast_moving BOOLEAN,                -- 是否快速流转

  -- 生命周期
  parts_status VARCHAR(50),              -- 在用/停产/即将停产/新品
  launch_date DATE,                      -- 上市日期
  discontinue_date DATE,                 -- 停产日期
  replacement_parts_id VARCHAR(50),      -- 替代配件ID

  -- 数据质量
  data_source VARCHAR(50),
  created_at TIMESTAMP,
  updated_at TIMESTAMP
);

字段数：35个

实体2：fact_parts_inventory（配件库存事实表）

CREATE TABLE fact_parts_inventory (
  -- 主键与维度关联
  inventory_id VARCHAR(50) PRIMARY KEY,
  parts_key INT,                         -- 关联配件维度
  location_key INT,                      -- 关联仓库位置维度
  snapshot_date DATE,                    -- 快照日期

  -- 库存数量
  on_hand_quantity INT,                  -- 现有库存
  available_quantity INT,                -- 可用库存（扣除预留）
  reserved_quantity INT,                 -- 预留数量（已分配给工单）
  in_transit_quantity INT,               -- 在途数量（已采购未到货）
  defective_quantity INT,                -- 不良品数量

  -- 库存金额
  inventory_value DECIMAL(12,2),         -- 库存金额（数量×成本价）

  -- 库存天数
  inventory_days INT,                    -- 库存天数（当前库存÷日均消耗）

  -- 库存状态标志
  is_stockout BOOLEAN,                   -- 是否缺货
  is_overstock BOOLEAN,                  -- 是否超储
  stockout_days INT,                     -- 缺货天数（累计）

  -- 数据时间戳
  created_at TIMESTAMP
);

实体3：fact_parts_transaction（配件流转事实表）

CREATE TABLE fact_parts_transaction (
  -- 主键
  transaction_id VARCHAR(50) PRIMARY KEY,
  transaction_date DATE,
  parts_key INT,
  location_key INT,

  -- 流转类型
  transaction_type VARCHAR(50),          -- 入库/出库/调拨/盘盈/盘亏/报废
  source_location VARCHAR(50),           -- 源仓库
  destination_location VARCHAR(50),      -- 目标仓库

  -- 关联业务
  related_order_id VARCHAR(50),          -- 关联工单号（出库时）
  related_po_id VARCHAR(50),             -- 关联采购单号（入库时）

  -- 数量与金额
  quantity INT,                          -- 数量
  unit_cost DECIMAL(10,2),               -- 单位成本
  total_cost DECIMAL(12,2),              -- 总成本

  -- 操作信息
  operator VARCHAR(50),                  -- 操作员
  created_at TIMESTAMP
);

真实案例：小鹏汽车的智能配件管理系统

小鹏汽车用AI + 大数据打造了业内领先的配件管理系统。

核心能力1：智能预测

预测模型：

未来30天配件需求 = 
  历史消耗趋势 × 季节性系数 +
  车辆保有量增长 × 使用频率 +
  质量问题召回影响 +
  营销活动影响（如免费检测）

实际效果：

• 预测准确率达到87%
• 缺货率从18%降低到3%
• 库存周转天数从45天降到28天

核心能力2：动态安全库存

传统方式：固定安全库存（如50个）

小鹏方式：根据多因素动态调整

-- 动态安全库存计算
Safety_Stock = 
  (日均消耗 × 采购提前期) × 安全系数 +
  节假日缓冲库存 +
  新车型上市缓冲

场景举例：

这样就避免了春节缺货危机。

核心能力3：滞销预警

识别规则：

• 库存天数 > 90天
• 3个月内出库次数 < 5次
• 库存金额 > 5000元

处理措施：

1. 降价促销：给技师推送「用XX配件可额外提成20%」
2. 跨区调拨：北京滞销的配件调到成都（可能正缺货）
3. 退货处理：停产配件与供应商协商退货
4. 报废处理：无法流转的及时报废，释放资金

效果：滞销库存占比从15%降到5%。

配件主题域的3个关键洞察

洞察1：80/20法则在配件管理中的体现

ABC分类法：

蔚来的做法：

• A类配件：每日监控库存，AI自动补货
• B类配件：每周检查，人工审核补货
• C类配件：缺货时临时采购（接受1-2天等待）

结果：管理成本降低40%，服务质量反而提升。

洞察2：配件缺货的连锁反应

一个刹车片缺货，导致：

用户延迟交车（用户体验↓）
    ↓
提供代步车（成本↑）
    ↓
客户投诉（品牌形象↓）
    ↓
赔偿代金券（营收↓）
    ↓
用户流失（LTV↓）

测算：一个价值100元的配件缺货，综合损失可能达到800-1500元。

特斯拉的极致做法：

• 核心配件（电池、电机）：全球主要市场都有备货
• 常用配件：每个服务中心至少3个月库存
• 允许一定的库存冗余，换取服务体验

洞察3：配件与工单的深度关联

通过工单数据预测配件需求：

-- 分析：哪些配件即将进入更换高峰期？
SELECT 
  [p.parts](http://p.parts)_name,
  COUNT(DISTINCT v.vehicle_id) AS vehicle_count,
  AVG(v.current_mileage) AS avg_mileage
FROM dim_vehicle v
JOIN fact_service_order f ON v.vehicle_key = f.vehicle_key
JOIN fact_parts_transaction pt ON f.order_id = pt.related_order_id
JOIN dim_parts p ON [pt.parts](http://pt.parts)_key = [p.parts](http://p.parts)_key
WHERE [p.parts](http://p.parts)_name = '刹车片'
  AND f.order_date > DATE_SUB(NOW(), INTERVAL 6 MONTH)
GROUP BY [p.parts](http://p.parts)_name
HAVING avg_mileage > 35000;  -- 接近4万公里更换周期

洞察：

• 如果有5000辆车里程接近4万公里
• 预计未来3个月有5000个刹车片更换需求
• 提前备货，避免缺货

👥 人员主题域 (Staff Domain)

核心问题：我们的团队是谁？他们的能力如何？效率怎样？

人员主题域解决三类问题：

1. 人员画像：基本信息、技能等级、培训记录...
2. 绩效表现：产值、效率、质量、满意度...
3. 团队健康度：流失率、成长曲线、情绪指数...

人员主题域的核心实体设计

实体1：dim_staff（人员维度表）

CREATE TABLE dim_staff (
  -- 主键
  staff_key INT PRIMARY KEY AUTO_INCREMENT,
  staff_id VARCHAR(50) UNIQUE,

  -- 基本信息
  staff_name VARCHAR(100),
  employee_number VARCHAR(50),           -- 工号
  gender VARCHAR(10),
  birth_date DATE,
  age INT,

  -- 岗位信息
  position VARCHAR(50),                  -- 服务顾问/技师/店长/质检员
  level VARCHAR(50),                     -- 初级/中级/高级/专家
  center_key INT,                        -- 所属服务中心
  region VARCHAR(50),                    -- 所属区域

  -- 入职与合同
  hire_date DATE,
  service_years INT,                     -- 司龄
  contract_type VARCHAR(50),             -- 劳动合同/劳务派遣/第三方
  contract_end_date DATE,

  -- 技师专属：技能认证
  skill_level INT,                       -- 技能等级（1-5级）
  certified_systems TEXT,                -- 认证系统（JSON数组：电池/电机/底盘/电气...）
  certification_date DATE,               -- 最近认证日期

  -- 教育与培训
  education VARCHAR(50),
  training_hours INT,                    -- 累计培训时长（小时）
  last_training_date DATE,

  -- 绩效统计（定期更新）
  total_orders_completed INT,            -- 累计完成工单数
  total_revenue DECIMAL(12,2),           -- 累计产值
  avg_order_value DECIMAL(10,2),         -- 平均客单价
  avg_efficiency_ratio DECIMAL(3,2),     -- 平均效率（实际/标准工时）
  avg_satisfaction DECIMAL(3,2),         -- 平均满意度
  complaint_count INT,                   -- 被投诉次数
  rework_rate DECIMAL(3,2),              -- 返修率

  -- 当月绩效（每月更新）
  current_month_orders INT,
  current_month_revenue DECIMAL(12,2),
  current_month_ranking INT,             -- 本月排名

  -- 团队健康度
  attendance_rate DECIMAL(3,2),          -- 出勤率
  leave_days_ytd INT,                    -- 年度请假天数
  resignation_risk DECIMAL(3,2),         -- 离职风险（0-1）
  engagement_score INT,                  -- 敬业度评分（0-100）

  -- 状态
  staff_status VARCHAR(50),              -- 在职/离职/停职/退休
  resignation_date DATE,

  -- 数据质量
  data_source VARCHAR(50),
  created_at TIMESTAMP,
  updated_at TIMESTAMP
);

字段数：42个

真实案例：蔚来的「技师成长引擎」

蔚来为每个技师建立了完整的成长档案，像游戏一样设计了技能树和升级系统。

技师技能树设计

【电动车技师技能树】

等级5 - 专家级（全能）
  ├─ 电池系统专家认证
  ├─ 高压系统专家认证  
  ├─ 智能驾驶系统专家认证
  └─ 可独立处理所有故障

等级4 - 高级（独立作业）
  ├─ 3个子系统精通
  └─ 可独立处理80%故障

等级3 - 中级（常规维修）
  ├─ 2个子系统精通
  └─ 可处理常规故障

等级2 - 初级（辅助作业）
  ├─ 1个子系统入门
  └─ 在指导下完成工作

等级1 - 学徒（学习阶段）
  └─ 理论培训

每个等级的晋升条件：

• 完成规定培训时长
• 通过理论考试（>85分）
• 通过实操考核
• 完成规定数量的工单（无返修）
• 客户满意度达标（>4.5分）

激励机制：

• 等级越高，基础工资越高（级差500-1000元）
• 等级越高，工时费分成越高（3级30%，4级40%，5级50%）
• 晋升专家级，颁发「NIO Master」徽章和证书

效果：

• 技师留存率提升45%
• 人均产值提升38%
• 客户满意度提升0.6分

实时绩效看板

蔚来为每个技师配备平板电脑，实时显示：

今日战绩：

• 已完成工单：8个 ✅
• 今日产值：¥6,800（目标¥8,000，还差¥1,200）
• 工时效率：120%（超标准工时20%）⭐
• 客户评分：4.9分（5个评价，全5星）⭐⭐

本月排名：

• 区域排名：12/180
• 全国排名：89/2500
• 再完成2个工单，可进入区域Top 10 🎯

技能成长：

• 距离"高压系统专家认证"还差：3个工单经验
• 下次培训：2024年1月15日，"智能驾驶系统维修"

这种游戏化设计，让技师工作更有成就感和动力。

人员主题域的3个管理洞察

洞察1：20%的人创造80%的价值

数据分析发现：

某车企600个技师的产值分布：

• Top 20%（120人）：贡献了78%的产值
• 中间60%（360人）：贡献了20%的产值
• 后20%（120人）：贡献了2%的产值

管理策略：

对Top 20%：

• 重点激励，防止流失
• 给予"金牌技师"称号
• 工时费分成提高10%
• 优先安排高价值工单
• 发展为培训师，带徒弟

对中间60%：

• 分析短板，针对性培训
• 设定成长目标，定期考核
• 导师制，由Top 20%带教

对后20%：

• 诊断问题：能力？态度？资源？
• 3个月观察期，不改善则淘汰
• 腾出名额招聘新人

**结果：**整体产值提升15%，团队士气提升。

洞察2：离职风险预测模型

特斯拉的离职预测算法：

离职风险 = 
  (绩效下滑趋势 × 0.25) +
  (薪资增长停滞 × 0.20) +
  (培训机会减少 × 0.15) +
  (客诉增加趋势 × 0.15) +
  (请假频率上升 × 0.10) +
  (同事离职影响 × 0.10) +
  (外部挖角信息 × 0.05)

高风险信号：

• 连续3个月产值下滑
• 1年未加薪且排名下滑
• 突然频繁请假
• 最近有2个同事离职
• LinkedIn/Boss直聘更新简历

预警措施：

• 离职风险>0.7：店长立即谈话，了解诉求
• 核心员工高风险：区域总监介入，特殊激励
• 提前3个月启动继任者培养

效果：关键岗位流失率从25%降到8%。

洞察3：技师与客户的匹配算法

小鹏的智能派单系统：

不是简单的"谁有空派给谁"，而是综合考虑：

匹配分数 = 
  技能匹配度(0-40分) +
  历史口碑(0-20分) +
  工作负载(0-15分) +
  客户偏好(0-15分) +
  培养目标(0-10分)

案例：

工单：Model 3 高压电池故障检修

候选技师：

**决策：**派给李师傅，原因：

• 虽然张师傅更专业，但李师傅正在培养成为专家，需要实战机会
• 这个工单难度适中，适合李师傅成长
• 让张师傅保留精力处理更复杂的故障

效果：

• 工单处理效率提升18%
• 客户满意度提升0.4分
• 技师成长速度提升30%

🌐 五大主题域的协同实战

完整业务场景：一个工单的生命周期

让我们通过一个完整案例，看五大主题域如何协同工作。

场景：用户李明的保养工单

用户信息（用户主题域）：

用户：李明，35岁，金卡会员
累计消费：¥28,000
上次服务：45天前
偏好：周六上午，指定服务顾问王芳
流失风险：0.15（低）

车辆信息（车辆主题域）：

车辆：蔚来ES6，2022款
VIN：LXXXXXXXXXXXXXX01
当前里程：38,500公里（接近4万公里保养）
电池健康度：97%
在保状态：是（还有1年）

第一步：智能提醒（系统自动触发）

触发条件检测：

SELECT u.user_name, v.model, v.current_mileage
FROM dim_user u
JOIN dim_vehicle v ON u.user_id = v.owner_user_id
WHERE v.current_mileage BETWEEN 38000 AND 42000  -- 接近保养周期
  AND DATEDIFF(NOW(), u.last_service_date) > 30   -- 超过30天未来
  AND [v.is](http://v.is)_in_warranty = TRUE;                    -- 在保车辆（免费）

系统动作：

1. APP推送："您的ES6已行驶38,500公里，建议进行4万公里保养（免费）"
2. 短信提醒："点击链接一键预约，指定您偏好的王芳顾问"

李明点击预约，选择本周六上午9点。

第二步：配件准备（配件主题域）

系统自动计算所需配件：

-- 根据车型和里程，确定保养项目
SELECT [p.parts](http://p.parts)_name, [p.parts](http://p.parts)_id, sp.quantity
FROM service_package sp
JOIN dim_parts p ON [sp.parts](http://sp.parts)_key = [p.parts](http://p.parts)_key
WHERE sp.vehicle_model = 'ES6' 
  AND sp.mileage_point = 40000;

结果：

• 机油滤芯 × 1
• 空气滤芯 × 1
• 空调滤芯 × 1
• 刹车油 × 1瓶
• 制动液 × 500ml

检查库存：

SELECT 
  [p.parts](http://p.parts)_name,
  i.available_quantity,
  [p.safety](http://p.safety)_stock
FROM fact_parts_inventory i
JOIN dim_parts p ON [i.parts](http://i.parts)_key = [p.parts](http://p.parts)_key
WHERE i.location_key = (李明预约的服务中心)
  AND [p.parts](http://p.parts)_id IN (上述配件清单);

库存状态：

• 机油滤芯：库存8个 ✅
• 空气滤芯：库存3个（接近安全库存5个）⚠️
• 空调滤芯：库存15个 ✅
• 刹车油：库存0瓶 ❌ 缺货！

系统自动：

1. 预留1套配件给李明的工单
2. 触发刹车油紧急调货（从就近仓库调拨）
3. 触发空气滤芯补货预警（给采购部门）

第三步：人员调度（人员主题域）

周六上午9点档期的技师状态：

派单决策：

标准保养工单，复杂度不高，派给王师傅：

• 让高级技师处理更复杂的工单
• 给王师傅积累经验，向4级晋升
• 王师傅完全空闲，可以专注服务

**服务顾问：**按李明偏好，指定王芳。

第四步：工单执行（工单主题域）

周六9:00 - 李明到店

INSERT INTO fact_service_order (
  order_id, user_key, vehicle_key, center_key,
  advisor_key, technician_key,
  arrival_datetime, is_appointment, is_warranty
) VALUES (
  'ORD202412280001', 
  (李明的user_key), 
  (ES6的vehicle_key), 
  (服务中心key),
  (王芳的advisor_key),
  (王师傅的technician_key),
  '2024-12-28 09:05:00',
  TRUE,
  TRUE
);

9:10 - 开始服务

UPDATE fact_service_order
SET start_service_datetime = '2024-12-28 09:10:00'
WHERE order_id = 'ORD202412280001';

9:10 - 配件出库

INSERT INTO fact_parts_transaction (
  transaction_type, parts_key, quantity, related_order_id
) VALUES 
  ('出库', (机油滤芯key), 1, 'ORD202412280001'),
  ('出库', (空气滤芯key), 1, 'ORD202412280001'),
  ...

10:20 - 完工

UPDATE fact_service_order
SET complete_datetime = '2024-12-28 10:20:00',
    service_duration = 70,  -- 实际用时70分钟
    standard_duration = 90, -- 标准工时90分钟
    efficiency_ratio = 0.78,-- 效率78%（提前完成）
    order_status = '已完成'
WHERE order_id = 'ORD202412280001';

10:30 - 交车，客户评价

UPDATE fact_service_order
SET delivery_datetime = '2024-12-28 10:30:00',
    satisfaction_score = 5,
    satisfaction_comment = '服务很好，王师傅很专业，交车很快！'
WHERE order_id = 'ORD202412280001';

第五步：数据反馈（五域联动）

用户主题域更新：

UPDATE dim_user
SET total_orders = total_orders + 1,
    last_service_date = '2024-12-28',
    days_since_last_service = 0,
    churn_probability = 0.08  -- 流失风险进一步降低
WHERE user_id = '李明';

车辆主题域更新：

UPDATE dim_vehicle
SET total_service_count = total_service_count + 1,
    last_service_date = '2024-12-28',
    last_service_type = '40000公里保养',
    current_mileage = 38500  -- 同步更新里程
WHERE vehicle_id = 'ES6的ID';

配件主题域更新：

UPDATE fact_parts_inventory
SET available_quantity = available_quantity - 1
WHERE parts_key IN (使用的配件) 
  AND location_key = (该服务中心);

人员主题域更新：

UPDATE dim_staff
SET current_month_orders = current_month_orders + 1,
    current_month_revenue = current_month_revenue + 0,  -- 质保免费
    avg_satisfaction = (avg_satisfaction × total_orders_completed + 5) / (total_orders_completed + 1),
    total_orders_completed = total_orders_completed + 1
WHERE staff_id = '王师傅';

这个案例展示的五域协同价值

1. 用户域：识别保养时机，个性化推送，降低流失
2. 车辆域：追踪车辆状态，预测保养需求
3. 配件域：提前备货，确保不缺料，提升效率
4. 人员域：智能派单，平衡负载，促进成长
5. 工单域：记录全流程，反馈各域，形成闭环

没有主题域划分，这样的精细化运营根本不可能实现。

✅ 本节关键要点

1. 配件主题域：不仅是库存管理，更是供应链智能化的基础
2. ABC分类法：把80%的精力放在20%的关键配件上
3. 动态安全库存：根据季节、节假日、新车上市动态调整
4. 人员主题域：不仅是考勤管理，更是人才发展引擎
5. 技能树设计：游戏化激励，让技师有明确成长路径
6. 离职预测：提前3个月预警，挽留关键人才
7. 五域协同：用户→车辆→工单→配件→人员，形成完整生态

核心洞察：数据建模不是技术工作，是业务数字化的基础设施。

**下一节预告：**我们将学习指标分层设计，构建从原子指标到决策指标的完整体系。