94 Prozent 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 Prozent der Unternehmen voll im Einsatz. Der Anwendungsbereich erstreckt sich hierbei über alle Disziplinen im Unternehmen.

Automotive Digital Analytics

Warum Artificial Intelligence? 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. Artificial Intelligence 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 Teilnehmern der BearingPoint Studie  wider. Drei von vier sind der Meinung, dass die aktuelle Entwicklung nicht verpasst werden dürfe und Big Data & Analytics-Lösungen einführen müsse.

Artificial Intelligence 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 Predictive Analytics können komplexe Muster in riesigen Datenmengen erkannt werden und 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

Herausforderungen im Bereich Artificial Intelligence

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

  • Data Engineering:
    • Herstellung 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 Artificial Intelligence-Lösungen erfolgreich Potenziale identifiziert und umgesetzt wurden.

Digital Analytics Automotive

  • 1. Use Case Navigator - Identifikation von Use Cases mit dem höchsten Nutzen durch AI

    Unser standardisiertes Konzept identifiziert unmittelbar detaillierte Anwendungsfälle mit dem größten Nutzen aus Artificial Intelligence.

    Problembeschreibung: Situation & Pain Points

    • Vielen Unternehmen fehlt die Erfahrung, welche Werkzeuge und Methoden zur Analyse ihrer Daten eingesetzt werden sollten, um diese optimal nutzen zu können
    • Viele Use Cases sind nicht erfolgreich, weil falsche Daten ausgewählt werden und das Know-how fehlt, um das Thema Artificial Intelligence gezielt zu verfolgen

    Projektergebnisse: Unsere Vorgehensweise

    Der AI Use Case Navigator identifiziert im Rahmen von Workshops detaillierte, gewinnbringende Anwendungsfälle für Artificial Intelligence in Ihrem Unternehmen:

    • Verbessertes Verständnis der Anwendungsbereiche für Artificial Intelligence
    • Überprüfung der Datenqualität und der Datenverfügbarkeit sowie Empfehlungen für Tools und Methodik
    • Identifikation von fundierten und zielgerichteten Anwendungsfällen, die das Potenzial haben, als Artificial Intelligence-Projekt im Unternehmen implementiert zu werden

    Kundennutzen: Messbar und nachhaltig

    • Detaillierte Anwendungsfälle für Artificial Intelligence
    • Individuelle und personalisierte Empfehlungen für Tools und Methoden
    • Verbessertes Verständnis der Anwendungsfelder für Artificial Intelligence
  • 2. Factory Navigator - Optimierung der Absatzprognose

    Optimierung der Absatzprognose für Neuproduktanläufe mittels hierarchischer, kombinierter Forecast-Methoden.

    Problembeschreibung: Situation & 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 wird eingesetzt, um die Absatzprognose mit Fokus auf Langsamdreher zu verbessern:

    • Schaffung konsistenter Prognoseergebnisse über alle Ebenen der Absatzplanung
    • Optimierung der Prognosegüte durch die Berücksichtigung von Nachfragemustern, Shocks, Strukturbrüchen, externen Faktoren
    • Quantitative Planung von schwer prognostizierbaren Ereignissen und Neuproduktanläufen

    Kundennutzen: Messbar und nachhaltig

    • Fundierte Entscheidungsunterstützung für die Absatzplanung
    • Extrem genaue Prognoseergebnisse durch Berücksichtigung externer Ereignisse und Effekte
    • Konsistente Absatzprognose über alle Produktstrukturen und Regionen ohne widersprüchliche Einzelprognosen
  • 3. Quality Navigator - Verbesserung von Qualität und Gewährleistung mit Hilfe von AI

    Ökosystem zur Entwicklung von kundenspezifischen Frühwarnsystemen für Qualitäts- und Gewährleistungsfragen.

    Problembeschreibung: Situation & Pain Points

    • Unvorhergesehene Qualitäts- Gewährleistungsprobleme
    • Fehlende übergreifende Ursachenanalyse für Qualitätsprobleme
    • Fehlende Kosten- und Rückstellungsprognosen

    Projektergebnisse: Unsere Vorgehensweise

    Der Quality Navigator deckt mit Hilfe einer Predictive Analytics Workbench den gesamten Product Lifecycle ab und löst kundenspezifische Qualitäts- und Garantieprobleme durch Anwendung von Machine Learning Algorithmen:

    • Frühwarnsystem für Qualitäts- und Gewährleistungsfragen
    • Integriertes Datenmodell für Aftersales-, Gewährleistungs-, Vehikel- und Qualitätsdaten
    • Implementierung von Predictive Analytics Modellen zur Kostensenkung im gesamten Product-Quality Lifecycle

    Kundennutzen: Messbar und nachhaltig

    • Verkürzung der Zeit des Detection-to-Correction-Zyklus
    • Weniger Gewährleistungsfälle, verbesserte Fahrzeugqualität
    • Geringere Kosten durch verbesserte Teile- und Bereitstellungsvorhersagen
  • 4. Battery Navigator - Smart Battery Management

    Analyse der Batteriedaten in Fahrzeugen für mehr Transparenz, weniger Ausfälle und ein effizienteres Batteriemanagement:

    Problembeschreibung: Situation & Pain Points

    • Nutzfahrzeuge fallen insbesondere durch Tiefentladung der eingebauten Batterien aus
    • Trotz geringer Ersatzteilstückkosten entstehen hohe Kosten durch vermeidbare Fahrzeugausfälle und Liegenbleiber
    • Intern ist die Transparenz über die Fehlerursachen unzureichend

    Projektergebnisse: Unsere Vorgehensweise

    Der Battery Navigator umfasst unsere gesamte Erfahrung im Bereich Smart Battery Management:

    • Analyse von Faktoren und Zusammenhängen, die den Gesundheitszustand und Lebenserwartung der Batterien verschlechtern
    • Genaue Vorhersage des Gesundheitszustands der Batterie
    • Die Vorhersage der verbleibenden Batterielebensdauer und der Eintrittswahrscheinlichkeit ermöglichen eine proaktive Wartungsstrategie

    Kundennutzen: Messbar und nachhaltig

    • Langfristige Kosteneinsparungen mittels einer vorausschauenden, proaktiven Wartungsstrategie
    • Verbesserte Auslastung der Fahrzeuge durch weniger unerwartete Ausfälle
    • Höhere allgemeine Kundenzufriedenheit und Transparenz bei der Beurteilung von Kundenbeschwerden und Kulanzfällen
  • 5. Predictive Maintenance - Optimierung der Produktionsbetriebszeit

    Die Vorhersage von Punktschweißfehlern in der Fahrzeugproduktion birgt ein enormes Potenzial, um Produktionsstillstände und -ausfälle zu vermeiden.

    Problem Description: Situation & Pain Points

    • Schweißroboter fallen unvorhersehbar aus und unterbrechen die Produktion
    • Inkonsistente und fehlerhafte Datensätze
    • Gravierende Fehler bei der Dokumentation und Datenerfassung

    Projektergebnisse: Unsere Vorgehensweise

    Machine Learning Algorithmen ermöglichen die Vorhersage von Störfällen und eine proaktive Wartung von Schweißrobotern:

    • Proaktive Wartung soll Ausfälle zukünftig verhindern
    • Qualitätssteigerung durch konkrete Empfehlungen zur strukturierten Dokumentation der Störfälle
    • Aufbereitung und Anreicherung bestehender Datenquellen zur Vorhersage von Störfällen

    Kundennutzen: Messbar und nachhaltig

    • Vermeiden von Störfallen bei der Wartung von Robotern
    • Prozessuale Optimierung bei der Dokumentation der Störfälle
    • Vorhersage der Ausfälle in vorangehender Schicht ermöglicht Abbau von Überkapazitäten
  • 6. AI im Supply Chain Management - AI-überwachte Materialflüssen in Echtzeit

    Verwendung von Artificial Intelligence zur Optimierung des Materialflusses in der Logistik.

    Problembeschreibung: Situation & Pain Points

    • Die manuelle Steuerung der Materialdisposition ist hoch komplex und arbeitsintensiv
    • Parameter unterliegen hoher Unsicherheit und müssen kontinuierlich angepasst werden
    • Inhouse- und Inbound-Prozesse sind sehr voneinander abhängig, bereits kleine Effekte können zu Bandabrissen führen

    Projektergebnisse: Unsere Vorgehensweise

    Der Aufbau eines Digital Process Twin ermöglicht die Vermeidung von Fehlteilen durch die Integration von Prozessdaten:

    • Integriertes Steuerungsinstrument in Echtzeit
    • Integration von Prozessdaten zur Vermeidung von Fehlteilen
    • Automatisierte Optimierung der Steuerungsparameter

    Kundennutzen: Messbar und nachhaltige

    • Verhinderung von Produktionsausfällen durch rechtzeitige Intervention
    • Reduzierter Aufwand, niedrigere Bestände und weniger Fehler in der Logistik
    • AI überwacht den Materialfluss kontinuierlich und leitet bei drohenden Problemen eigenständig Gegenmaßnahmen ein

Wünschen Sie weitere Informationen?

Wenn Sie mehr Informationen zu diesem Thema wünschen, wenden Sie sich bitte an unsere Experten, die gern von Ihnen hören.

Suche
Toggle location