Suche
Toggle location

94% der Befragten der BearingPoint-Studie „Big Data im Bereich Automotive“ unter 120 Entscheidern von Automobilherstellern und Zulieferern messen dem Technologietrend Big Data & Analytics große Bedeutung zu, zugleich ist dieser allerdings bei nur 7% der Unternehmen voll im Einsatz. Der Anwendungsbereich erstreckt sich hierbei über alle Disziplinen im Unternehmen.

Automotive Digital Analytics
Warum Predictive Analytics? Warum jetzt?

Without Big Data Analytics, companies are blind and deaf, wandering out onto the web like a deer on a freeway.

Geoffrey Moore, American organizational theorist, management consultant and author

Die Bedeutung und der Umfang 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 im Unternehmensumfeld und in Fahrzeugen. Advanced Analytics ermöglicht es, künftige Entwicklungen frühzeitig zu prognostizieren und komplexe Muster in den Daten zu identifizieren.

Hierbei stehen die Verarbeitung und die Harmonisierung von Daten aus unterschiedlichen Unternehmensbereichen immer mehr im Fokus, da erst eine ganzheitliche Betrachtung die Abhängigkeiten und Verknüpfungen zwischen den einzelnen Geschäftsbereichen aufzeigt.

Diese Relevanz spiegelt sich auch unter den BearingPoint Studienteilnehmern wider. Drei von vier sind der Meinung, dass man die aktuelle Entwicklung nicht verpassen dürfe und Big Data & Analytics-Lösungen einführen müsse.

Predictive Analytics versucht, die Zukunft vorherzusagen. Dies steht im Gegensatz zur herkömmlichen deskriptiven Analyse, die sich auf die umfassende Analyse von Vergangenheitsdaten konzentriert. Unter Einsatz modernster Algorithmen aus Bereichen wie Machine Learning oder Artificial Intelligence können komplexe Muster in riesigen Datenmengen erkannt werden und dadurch Aussagen zu künftigen Ereignissen getroffen werden. Bei der präskriptiven Analyse geht man einen Schritt weiter, indem in Echtzeit direkte Handlungsempfehlungen gegeben werden, wie etwa Real-time-Offering oder -Pricing.

So ermöglicht beispielsweise unser Quality Navigator unseren Kunden, die Produktqualität entlang des gesamten Produktentwicklungsprozesses durch künstliche Intelligenz und maschinelles Lernen zu steigern:

Quality Navigator – A new age of quality analytics

Im Bereich Predictive Analytics sehen wir folgende typischen Herausforderungen, die Expertise im Bereich Big Data & Analytics erfordern:

  • Data Engineering:
    • Herstellung von digitaler Konnektivität zu Industrie 4.0 und Smart Devices.
    • Sammeln, Aufbereiten und Speichern von Daten in unterschiedlichen Formaten und Systemen (Hadhoop).
  • Data Science:
    • Analyse und Definition relevanter Daten und Informationen mithilfe moderner Tools und Algorithmen (R, Python, AI, Machine Learning, Deep Learning)
    • Definition von Handlungsempfehlungen in Zusammenarbeit mit Industrie- und Prozessexperten
    • Zielgruppenspezifische Visualisierung in Reporting-Tools (BOARD, Tableau, Qlik Sense, SAP BI)
  • Datensicherheit
  • Datenqualität und Datenkonsistenz

Warum BearingPoint?

BearingPoint ist der geeignete Partner für Sie im Bereich Predictive Analytics:

  • Wir blicken auf zahlreiche, erfolgreich durchgeführte Predictive Analytics-Projekte in der Automobilindustrie zurück
  • Wir kombinieren spezifisches Prozess Know How entlang der gesamten Automotive-Wertschöpfungskette mit dem Einsatz moderner Data Science-Technologie
  • Wir decken den gesamten Service-Bereich von Datengewinnung, Auswertung bis hin zu betriebswirtschaftlichen Handlungsempfehlungen ab
  • Mit unserer BearingPoint Predictive Workbench stehen alle modernen Data Science Tools zur Verfügung

Nachstehend finden Sie eine Auswahl unserer Use Cases, bei denen durch den Einsatz von Predictive Analytics-Lösungen erfolgreich Potenziale identifiziert und umgesetzt wurden.

Digital Analytics Use Cases

  • 1. Quality Navigator – Qualitätsverbesserung entlang des gesamten Produktlebenszyklus

    Wir bieten das Eco-System zur Entwicklung eines kundenspezifischen Frühwarnsystems für Qualitäts- und Garantiefälle

    Problembeschreibung: Kundensituation & Pain Points

    • Fehlendes Frühwarnsystem für technische Aktionen
    • Fehlende übergreifende Ursachen-analyse für Qualitätsprobleme
    • Fehlende Kosten- und Rückstellungsprognosen

    Projektergebnisse: Unsere Vorgehensweise

    Der Quality Navigator deckt mit Hilfe der Predictive Analytics Workbench den gesamten Produktlebenszyklus ab:

    • Von BearingPoint Data Scientists und Partnern entwickelte Predictive Analytics Modelle zur Kostensenkung und Verbesserung der Frühwarnsysteme
    • Implementierung von Predictive Diagnostics, Predictive Maintenance, Root Cause Analysis und Provision Mgt.
    • Vordefiniertes integriertes Datenmodell für Aftersales-, Gewährleistungs-, Vehikel- und Qualitätsdaten

    Kundennutzen: Messbar und nachhaltig

    • Verkürzung der Zeit des Detection-to-Correction-Zyklus
    • Weniger Gewährleistungsfälle
    • Verbesserte Fahrzeugqualität
    • Niedrigere Kosten und verbessertes Forecasting
    • Hohe Usability intuitive Analysemöglichkeiten durch den Einsatz modernster Dashboard und Reporting Tools
  • 2. Factory Navigator – Optimierung der Absatzprognose durch Predictive Forecasting

    Wir optimieren die Absatzprognose durch hierarchische, kombinierte Prognosemethoden

    Problembeschreibung: Kundensituation & Pain Points

    • Nachfragestrukturen unterscheiden sich stark zwischen Produkten und Regionen
    • Fehlende quantitative Berücksichtigung temporärer Nachfrageschocks
    • Externe Einflüsse (z.B. Steuergesetzänderungen, etc.) sind schwer quantifizierbar

    Projektergebnisse: Unsere Vorgehensweise

    Das Predictive Analytics Modul des Factory Navigators wurde für die Verbesserung der Absatzprognose genutzt:

    • Schaffung konsistenter Prognoseergebnisse über alle Ebenen der Absatzplanung (Region, Land, Modell, Derivat, etc.)
    • Optimierung der Prognosegüte durch die Berücksichtigung von Nachfragemustern, Trend, Saison, Shocks, Strukturbrüchen, Cluster-Effekten, externen Faktoren etc.
    • Quantitative Planung von schwer prognostizierbaren Ereignissen und Neuproduktanläufen

    Kundennutzen: Messbar und nachhaltig

    • Fundierte Entscheidungsgrundlage für Absatzplanung
    • Prognostizierbarkeit von externen Effekten (z.B. Hybridförderung) bezogen auf Effektstärke und Effektdauer
    • Konsistente Absatzprognose über alle Produktstrukturen und geographischen Strukturen (keine widersprüchlichen Einzelprognosen)
  • 3. Optimierung von Fertigungszeiten bei EC-Schraubern durch Vorhersage von Fehlerfällen

    Power Screwdriver Analytics basierend auf Big Data Analytics/ Musteranalyse

    Problembeschreibung: Kundensituation & Pain Points

    • Fehler beim EC-Schrauben erst nach Ende des Schraubvorgangs erkannt
    • Schraubdaten online erfasst, jedoch keine sicheren Fehlermuster vorhanden
    • Abbruch des Schraubvorgangs direkt nach Eintritt des Fehlerfalls wünschenswert

    Projektergebnisse: Unsere Vorgehensweise

    • Rechtzeitige Erkennung des jeweiligen Fehlerfalls auf Basis einer betriebsmittelnahen Muster-erkennung in den Betriebsparametern des EC-Schraubers mittels FPGA. Passende Maßnahme (Nachbesserung oder Abbruch) wird indiziert.
    • Muster wurden durch Langzeitmessung (Big Data) und Analyse aller verfügbaren EC-Schrauber-Stationen ermittelt
    • Verwendung des Verfahrens für weitere Fertigungstechnologien möglich

    Kundennutzen: Messbar und nachhaltig

    • Verkürzung der F-Zeit im Fehlerfall mit der Möglichkeit zur zeitneutralen Nachbesserung
    • Ableitung von prädiktiver Wartung des EC-Schraubers bei Indikation aus den Mustern der Betriebsparameter
    • Fertigungsnahe Qualitätssicherung der Schraubverbindungen
  • 4. Analyse von Batteriedaten in Nutzfahrzeugen

    Analyse der Batteriedaten in Fahrzeugen zur Schaffung von Transparenz und Ausfallprävention

    Problembeschreibung: Kundensituation & Pain Points

    • Nutzfahrzeuge fallen häufig durch Tiefenentladung der verbauten Batterien aus
    • Hohe Kulanzkosten durch vielfachen Austausch trotz geringer Stückkosten
    • Intern liegt zu wenig Transparenz über Ausfallgründe vor

    Projektergebnisse: Unsere Vorgehensweise

    • Zusammenführen von unterschiedlichen Datenquellen zu einer Analysedatenbank für das Projekt
    • Schaffen von Transparenz z. B. durch die Identifikation von Nutzungsprofilen (Übernachtungen, Lade-/Entladezyklen, Tiefenentladungen)
    • Identifikation von Möglichkeiten zur Optimierung des Energiemanagements in Nutzfahrzeugen
    • Analyse von Zusammenhängen zwischen Temperaturen, Ladezyklen und der Batteriealterung

    Kundennutzen: Messbar und nachhaltig

    • Verbesserung der Kundenzufriedenheit durch weniger Ausfälle
    • Erhöhte Transparenz über die Nutzung der Batterie, die in die Beurteilung von Kundenreklamationen / Kulanzfällen einfließt
    • Langfristige Kosteneinsparungen
  • 5. Verhinderung von Produktionsausfällen durch Ausfallprognose

    Die Vorhersage von Störfällen im Punktschweißen bei der Fahrzeugproduktion birgt ein enormes Potential hinsichtlich der Verhinderung zukünftiger Produktionsausfälle

    Problembeschreibung: Kundensituation & Pain Points

    • Schweißroboter von zwei Produktionslinien fallen unvorhersehbar aus und unterbrechen die Produktion
    • Die Datensätze beinhalten Inkonsistenzen
    • Proaktive Wartung soll Ausfälle zukünftig verhindern

    Projektergebnisse: Unsere Vorgehensweise

    • Die Analyse hat gravierende Fehler bei der Dokumentation und Datenaufzeichnung gezeigt
    • Trotz Qualitätsmängeln der Daten können bereits jetzt mit einem von fünf getesteten Machine Learning Algorithmen erste Störfälle vorhergesagt werden
    • Konkrete Empfehlungen zur strukturierten Dokumentation der Störfälle führen zu einer deutlichen Qualitätssteigerung
    • Die Prognosequalität kann durch weitere Datenquellen wesentlich erhöht werden

    Kundennutzen: Messbar und nachhaltig

    • Vermeiden eines Störfalles bei fünf Wartungen der Roboter
    • Prozessuale Verbesserungsmöglichkeiten bei der Dokumentation der Störfälle
    • Vorhersage der Ausfälle in vorangehender Schicht ermöglicht Abbau von Überkapazitäten
  • 6. Sales Navigator – Vorhersage des Allzeitbedarfs

    Vorhersage des Allzeitbedarfs von Ersatzteilen in der Automobilbranche im Bereich Aftersales

    Problembeschreibung: Kundensituation & Pain Points

    • Verringerung der Ersatzteilbestände durch bessere Vorhersagemodelle
    • Geringe Prognosegenauigkeit
    • Bislang Anwendung von einfachen statistischen Verfahren

    Projektergebnisse: Unsere Vorgehensweise

    • Bildung von Teilegruppen mit denselben Nachfrageeigenschaften. Erstellung einer Matrix mit den folgenden Feldern: hohe Nachfrage, niedrige Nachfrage, sporadisch, häufig
    • Aufbereitung der Daten, Ermittlung von Vorgänger- und Nachfolgemodellen
    • Implementierung von Prognosemodellen für die jeweiligen Teilegruppen
    • Entwicklung einer GUI zur Eingabe von Steuer-Parametern für die Berechnung

    Kundennutzen: Messbar und nachhaltig

    • Entscheidung auf Basis solider Prognosemodelle
    • Verringerung des manuellen Aufwands bei der Vorhersage von Teilebeständen
    • Reduzierung der Teilebestände aufgrund genauerer Prognoseergebnisse