Suche
Toggle location

Die Bedeutung und Menge von Daten ist in den vergangenen Jahren signifikant gestiegen. Eine der größten Herausforderungen in der Automobilindustrie ist die intelligente Auswertung und Nutzung der großen Datenmengen.

Predictive Analytics

Analyseansätze übernehmen einen immer stärkeren Anteil beim Treffen von Entscheidungen, um die Prognosegenauigkeit zu verbessern. Darüber hinaus sorgt die aktuelle Diskrepanz zwischen Plan- und Mehrkosten für einen Optimierungsbedarf im Planungsprozess.

Predictive Analytics ist eine umfassende Analyse von Vergangenheitsdaten und untersucht diese bezüglich der Frage „Was wird wahrscheinlich passieren?“. Dabei werden Algorithmen verwendet, um die weitere Entwicklung zu prognostizieren. Beispielsweise kann das Kundenverhalten und der mögliche Absatz pro Kunde prognostiziert werden und es kann eine direkte Maßnahmen-Reaktion erfolgen.

Das Zusammenspiel verschiedener Analytics-Tools ermöglicht die Vorhersage von zukünftigen Entwicklungen. Dadurch kann zum Beispiel ein teurer Montage-Stillstand in der Produktion vorhergesehen und mit Gegenmaßnahmen verhindert werden. Außerdem steht die Verarbeitung und der Zusammenschluss von Daten aus unterschiedlichen Unternehmensbereichen im Fokus, da erst eine ganzheitliche Betrachtung die Querverbindungen zwischen den einzelnen Bereichen aufzeigt. So kann man zum Beispiel aus After Sales-Daten den Verschleiß von Bauteilen identifizieren und diese Daten bereits in der Produktentwicklung zur Schwachstellenbehebung nutzen.

Die klassische Datenanalyse wird durch die Vorhersagen von Ereignissen ergänzt. Auf dieser Grundlage lassen sich zukünftige Entwicklungen frühzeitig erkennen und aussagekräftige Muster und Abhängigkeiten können schnell und einfach identifiziert werden. Predictive Analytics gilt für Experten bereits als entscheidender Wettbewerbsvorteil.

Typische Herausforderungen im Bereich Predictive Analytics sind:

  • Vorliegen von Daten in unterschiedlichen Formaten und Systemen
  • Analyse und Definition relevanter Informationen
  • Gewährleistung der Datensicherheit
  • Datenqualität und Datenkonsistenz
  • Infrastruktur bei Big Data

BearingPoint hat bereits zahlreiche Predictive Analytics-Projekte erfolgreich durchgeführt und verfügt über umfangreiche Prozess- und Implementierungserfahrung in der Automobilindustrie.

Visual Analytics

In der großen Datenflut muss ein Überblick gewährt werden. Für die effektive Auswertung und Nutzung der Daten steht die verständliche Visualisierung und Aufbereitung im Vordergrund.

Mit Hilfe von Visual Analytics können Business User Wissen aus Daten extrahieren und Trends und Entwicklungen intuitiv entdecken. Das Ziel von Visual Analytics-Methoden ist, Erkenntnisse aus extrem großen und komplexen Datensätzen zu gewinnen und diese leicht verständlich aufzubereiten. Der Ansatz kombiniert die Stärken der automatischen Datenanalyse mit den Fähigkeiten des Menschen, schnell Muster oder Trends visuell zu erfassen.

Im Rahmen des Garantiemanagements lassen sich zum Beispiel mit Hilfe von Visual Analytics Tools mögliche Ursachen von Motorschäden pro Baureihe aufbereiten. Die Visualisierung gewährt tiefere Einblicke und neue Erkenntnisse in der Ursachenanalyse, um schnellstmögliche Gegenmaßnahmen zu entwickeln.

Durch die Visualisierung von großen Datenmengen eröffnen sich unerwartete Einsichten und die folgenden Vorteile:

  • Echtzeit-Identifizierung von Chancen und Risiken
  • Schnelle Reaktion auf kurzlebige Geschäftsmöglichkeiten
  • Zeitnahe und verständliche Einschätzung der Daten durch kreativen und konstruktiven Einsatz von Darstellungsmethoden
  • Beziehungen zwischen Datenelementen über mehrere Datensätze entdecken
  • Visualisierung der Daten und Datenströme zur besseren Erkennung von Mustern, Beziehungen und Trends

Self Service Analytics

Der nächste Schritt in Data & Analytics ist eine Eröffnung von Data Science-Methoden für den Business User. Viele Analytics Tools haben einen sehr hohen Reifegrad und eine immense Automatisierung entwickelt. Dies erlaubt es auch untrainierten Anwendern ohne IT-spezifische Kenntnisse, wie beispielsweise Ingenieuren oder Stücklistenmanagern, eigenständig Ad-hoc Analysen und Experimente zu gestalten. Neben self-service BI, in der vor allem eigene Reports angelegt werden, werden in self-service Analytics statistische Modelle angewandt, um neue Muster zu erkennen.  Diese Demokratisierung wird es ermöglichen, schnell auf Prioritätenwechsel zu reagieren. Für wiederholende Aufgabenstellungen können Geschäftsanwender bestimmte Daten flexibel umformen und schnelle Antworten auf Fragestellungen finden.

Wie BearingPoint Werte schafft:

  • Empirische Entscheidungsunterstützung
  • Effiziente Informationsgewinnung aus großen Datenmengen
  • Ganzheitliche Sicht auf aktuelle Daten und Einblicke in zukünftige Entwicklungen
  • Höhere Kundenzufriedenheit