本文作者陆烨晨（Yechen Lu），为优思学院高级顾问（Senior Consultant），英国赫特福德大学营运管理硕士，同时拥有APICS注册生产及库存管理师（CPIM）及ILSSI认证六西格玛黑带（CSSBB）资格，在供应链管理、商业管理、管理会计及精益生产等领域拥有超过20年的管理经验。
对于很多设备制造企业来说，过去最重要的业务是把设备卖出去。但随着市场逐渐成熟，设备保有量增加，新设备销售竞争加剧，售后维修、备件、技术支持、设备升级和长期服务正在成为越来越重要的业务来源。
汽车行业的发展已经展示了这种变化。早期4S店主要依赖新车销售取得收入，随着汽车保有量增加，维修、保养、零件和其他售后服务逐渐成为维持客户关系和创造持续收入的重要业务。工业设备制造商面对的情况也很相似。
一台工业设备可能使用十年、十五年甚至更长时间。设备出售只是客户关系的开始。后面的维修、保养、备件供应、技术升级、远程监测和设备更新，都可能继续创造客户价值。
因此，工业企业真正需要思考的问题已经从：
「怎样卖出更多设备？」
逐渐扩展成：
「怎样在设备整个生命周期内持续为客户创造价值？」
一、售后服务不是维修部门的问题，而是一门长期业务
很多制造企业虽然拥有售后部门，却仍然把售后服务视为辅助活动：机器坏了，派人维修；客户需要零件，就安排报价；出现投诉，再进行处理。
这种模式基本上属于被动服务。
真正成熟的工业服务业务则会进一步关注：
- 客户设备目前的运行状态；
- 客户什么时候可能需要维护；
- 哪些零件即将达到更换周期；
- 哪些设备存在异常趋势；
- 怎样减少客户计划外停机；
- 客户还可能需要哪些技术改善。
企业从「设备坏了以后修理」走向「帮助客户减少设备故障」，商业关系就发生了明显变化。
维修卖的是一次服务，设备可靠性管理卖的是长期价值。
二、工业售后业务最常见的几个痛点
工业设备服务看似简单，实际上是一个涉及客户、技术、库存、人员、数据和供应链的复杂过程。
企业经常遇到以下问题。
客户满意，但企业并不知道客户为什么满意
很多企业每年做一次满意度调查，最后得到一个85分或90分。
问题是：
究竟什么因素决定了这个分数？
是响应速度、维修成功率、工程师技术水平、备件交付，还是价格？
如果不知道真正影响客户体验的关键因素，企业就很难决定资源应该投入哪里。
服务价格与竞争力之间难以平衡
原厂服务通常拥有技术、零件和设备知识方面的优势，但价格也可能高于市场上的第三方服务商。
单纯降价未必是正确策略。
企业需要理解客户究竟愿意为什么价值付费，例如：
- 更短的停机时间；
- 一次修复；
- 原厂备件；
- 安全保障；
- 设备寿命；
- 生产稳定性。
只有理解这些价值因素，价格策略才有依据。
维修资源利用率与响应速度发生冲突
维修工程师数量有限。
如果人员太少，客户等待时间变长；如果人员配置过多，又可能造成大量空闲时间和成本。
再加上客户所在地、工程师技能、备件供应和故障复杂程度不同，服务排程实际上是一个复杂的资源配置问题。
企业拥有大量设备数据，却没有转化成服务价值
现代工业设备可以产生大量运行数据，例如：
- 温度；
- 压力；
- 振动；
- 运行时间；
- 报警记录；
- 停机记录；
- 负载；
- 能源消耗。
但很多企业只是把这些数据储存在系统中，很少进一步分析。
如果能够识别异常趋势，企业就有机会从「故障后维修」进入「预防性甚至预测性服务」。
三、为什么六西格玛适合工业售后服务？
六西格玛经常让人联想到制造现场的不良率、Cpk和控制图，但DMAIC本质上并不限于制造过程。
只要一个服务流程具有：
- 明确客户；
- 可以定义的输出；
- 存在重复活动；
- 存在时间或质量波动；
- 能够取得相关数据；
就可以使用六西格玛的过程改善思想。
例如：
客户报修以后，为什么有些工单4小时完成，有些需要4天？
为什么相同设备在不同地区的一次修复率差异很大？
为什么部分客户长期续签服务合同，另一些客户却流向第三方维修商？
这些都是可以通过数据研究的问题。
四、Define：不要一开始就从「提高满意度」做项目
工业服务改善最容易犯的第一个错误，是把项目定义成：
「提高客户满意度。」
这个范围太大。
客户满意度可能同时受到设备质量、销售体验、工程师表现、备件价格、维修时间和沟通方式等几十个因素影响。
更好的项目需要具体。
例如：
把华东地区A系列设备的平均现场维修响应时间，由目前18小时降低至8小时以内。
或者：
把A系列设备首次维修成功率，由当前78%提高至92%以上。
项目一旦具体，就可以进一步确定数据、范围和项目团队。
五、VOC：先真正听懂客户在意什么
六西格玛中的VOC（Voice of Customer，客户之声）非常适合工业服务。
不过VOC不是把客户投诉复制到Excel里。
客户说：
「你们服务太慢。」
需要进一步转换成可测量要求，例如：
工程师必须在4小时内回应；24小时内到达现场；关键设备停机后8小时内恢复运行。
这种从客户语言转化为可测量要求的过程，就是建立CTQ（Critical to Quality）的过程。
客户真正重视的可能不是「服务态度很好」，而是：
我的生产线什么时候可以重新运行？
对工业客户来说，停机一分钟都有可能产生实际损失，所以客户价值必须结合业务场景理解。
六、亲和图可以帮助整理复杂的客户声音
工业客户反馈通常非常分散。
客户可能说：
「报价太慢。」
「工程师不错，但是零件一直没有到。」
「上次换了零件，两星期以后又坏。」
「机器报警以后不知道找谁。」
单独看这些反馈，很难判断整体规律。
亲和图（Affinity Diagram）可以把大量客户声音按照主题归类，例如：
- 响应速度；
- 维修质量；
- 备件供应；
- 价格；
- 沟通；
- 工程师能力。
这样企业可以先从大量零散声音中看出客户体验的主要结构。
七、SIPOC可以把售后服务过程真正画出来
很多服务问题不是出在工程师维修技术，而是整个服务流程。
SIPOC可以帮助团队从较高层次观察：
Supplier → Input → Process → Output → Customer
例如一个设备维修流程可能是：
客户报修 → 服务中心确认 → 故障诊断 → 工程师安排 → 备件确认 → 到达现场 → 维修 → 测试 → 客户确认 → 工单关闭。
把这个过程展开以后，经常会发现：
真正最长的时间并不是维修。
可能是：
- 等待审批；
- 等待备件；
- 寻找合适工程师；
- 确认客户设备信息；
- 重复沟通故障描述。
也就是说，客户感受到的「维修很慢」，不一定是维修动作本身很慢。
八、Measure：客户体验必须转换成过程指标
要改善服务，需要先建立可靠指标。
工业服务常见指标包括：
- 平均响应时间；
- 平均修复时间MTTR；
- 首次修复率；
- 重复故障率；
- 准时到达率；
- 备件满足率；
- 客户投诉率；
- 续约率；
- 净推荐值或其他满意度指标。
这里有一个重要问题：
指标定义必须统一。
例如「响应时间」到底从客户打电话开始算，还是从服务人员打开工单开始算？
如果不同地区定义不同，数据根本无法比较。
九、回归分析可以研究哪些因素真正影响满意度
很多企业会假设：
「响应越快，客户越满意。」
这个判断可能正确，但也需要数据验证。
客户满意度可能同时受到：
- 响应时间；
- 维修时间；
- 维修次数；
- 价格；
- 工程师沟通评分；
- 备件等待时间。
通过相关和回归分析，可以研究这些变量与满意度之间的关系，并判断哪些因素具有较明显的影响。
不过需要注意：
相关关系不自动等于因果关系。
统计分析可以帮助缩小调查范围，但最终仍然需要结合业务逻辑和进一步验证。
十、根因分析不能只问「为什么工程师没有做好」
当客户投诉维修时间过长时，最容易得到的结论是：
「工程师效率不足。」
但继续使用鱼骨图、5 Why和流程数据分析后，可能发现：
- 故障信息在报修时没有完整记录；
- 工程师到现场以后才发现带错零件；
- 历史维修记录没有集中管理；
- 不同型号设备需要不同专业技能；
- 派工方式没有考虑地理位置。
这些都是系统问题。
如果只是培训工程师「提高责任心」，客户体验不会真正改变。
十一、服务流程也存在变异
六西格玛特别适合处理工业服务的原因之一，是服务流程的变异通常非常大。
例如一家企业平均维修时间是12小时。
单看平均值似乎不错。
但如果实际数据是：
有些客户2小时修好，有些需要50小时，客户感受到的服务就非常不稳定。
因此，企业不应该只看平均服务时间，还需要观察：
- 标准差；
- 分布；
- 中位数；
- 极端案例；
- 不同地区或工程师之间的差异。
客户经历的不是平均值，而是发生在自己身上的那一次服务。
十二、控制图可以用于服务过程，但必须选对图
工业服务同样可以使用SPC。
例如连续型指标：
- 维修时间；
- 响应时间；
- 设备停机时间。
如果每个时间点只有一个观测值，通常可能更适合I-MR图，而不是机械地使用X̄-R图。
对于属性数据，例如：
- 一次修复成功／失败；
- 准时／不准时；
- 投诉／无投诉。
则可以根据数据结构考虑p图、np图等属性控制图。
关键不是「一定要画控制图」，而是：
判断服务过程有没有发生异常变化，并尽早发现这种变化。
十三、DOE可以用于服务改善，但不应该为了使用工具而使用
实验设计（DOE）是六西格玛很强的分析方法，但并不是每一个客户体验问题都需要DOE。
如果企业希望测试不同的服务策略，例如：
- 不同回访频率；
- 不同预防维护周期；
- 不同服务组合；
- 不同信息提醒方式。
在条件允许时，可以设计有控制的试验，比较不同方案对结果的影响。
但如果问题通过流程分析已经非常明确，就没有必要为了展示统计工具而增加复杂性。
十四、设备数据可以把售后服务从被动维修转成主动服务
工业设备联网以后，售后服务最有潜力的变化来自设备数据。
如果企业长期收集：
- 振动；
- 温度；
- 压力；
- 运行小时；
- 负载；
- 报警历史；
- 故障记录。
就有机会建立设备正常运行模式。
当数据开始偏离历史正常状态时，企业可以提前提醒客户：
「某个轴承振动正在增加，建议计划停机检查。」
这与等机器真正坏掉以后再派人维修，是完全不同的客户价值。
六西格玛的数据分析思维可以用于帮助识别正常与异常之间的差异，但复杂的预测性维护通常还会结合可靠性分析、时间序列、机器学习和设备工程知识。
因此，不能简单地认为「所有大数据问题都由六西格玛解决」。
六西格玛提供的是系统的问题分析逻辑，而不是取代所有数据科学方法。
十五、Improve：售后服务改善应该针对整个系统
经过分析以后，改善方案可能并不是单纯增加维修人员。
企业可能发现真正有效的方案包括：
- 建立远程预诊断机制；
- 重新配置区域工程师；
- 提高关键备件库存水平；
- 建立故障知识库；
- 按设备类型进行工程师技能认证；
- 优化派工系统；
- 建立客户设备历史档案；
- 实施预防性维护提醒。
这些改善会同时影响流程、人员、库存、IT系统和客户沟通。
这也是为什么工业服务改善通常需要跨部门团队，而不是由售后部门单独完成。
十六、Control：客户体验最怕改善三个月以后又恢复原状
服务改善完成以后，需要把有效方案正式纳入运营。
例如：
- 建立服务SLA；
- 规定响应时间标准；
- 监控首次修复率；
- 设置重复故障预警；
- 定期审核备件满足率；
- 建立客户投诉升级机制。
如果关键指标发生异常，还必须明确谁负责采取行动。
只有改善不再依赖项目团队天天跟进，才能真正形成稳定的服务能力。
十七、工业服务真正应该卖的是「客户设备绩效」
设备制造商天然拥有一个第三方维修商很难完全复制的优势：
对产品设计、零件、运行参数和历史数据的深入理解。
如果企业只利用这些优势卖零件和维修工时，就没有完全发挥其价值。
更成熟的服务模式可以逐渐转向：
- 减少客户计划外停机；
- 提高设备可用率；
- 延长设备寿命；
- 降低维护总成本；
- 提高生产稳定性。
此时客户购买的不再只是一次维修，而是设备长期稳定运行的能力。
十八、六西格玛如何改变工业服务业务？
六西格玛最大的贡献，不是把制造业的一套统计工具直接搬到售后部门。
它真正带来的改变，是让服务管理开始按照一套更清晰的逻辑运行：
先理解客户 → 定义关键服务要求 → 测量过程 → 分析变异 → 验证原因 → 改善服务流程 → 持续控制结果。
服务人员不再只讨论：
「最近客户好像不太满意。」
而能够进一步讨论：
哪个客户群？哪一种设备？哪个服务环节？什么指标发生变化？哪些因素真正影响结果？
这就是数据驱动服务管理与经验式管理之间的重要区别。
结语：设备销售结束，客户关系才真正开始
工业企业未来的竞争，不会只发生在设备第一次销售时。
设备进入客户工厂以后，维修响应、备件供应、设备稳定性、数据服务和持续改善都会影响客户是否继续采购下一台设备。
从这个角度看，售后服务实际上也是下一次销售的开始。
优思学院认为，DMAIC特别适合帮助工业企业重新审视这段客户旅程：利用VOC理解客户真正重视的内容，通过流程和数据找出服务中的波动与损失，再把改善后的方法标准化。
好的工业售后服务，不只是机器坏了以后能够快速修好，而是逐渐让客户的机器更少发生意外故障，让客户的生产更加稳定。
当设备制造商能够做到这一点，售后服务就不再只是成本中心，而有机会成为长期客户关系和业务增长的重要来源。
