Data Science in der Automobilindustrie

Bei Diskussionen über die Zukunft der Automobilindustrie drehen sich die Debatten primär um selbstfahrende Autos – lediglich der genaue Zeitpunkt der Umsetzung scheint noch fraglich. Wird es in zwei, fünf oder zehn Jahren passieren? Wie werden die Gesetzgeber die Angelegenheit handhaben und wie werden bürokratische Prozesse die Geschwindigkeit der Revolution der Automobilindustrie beeinflussen? Während die Vorteile von selbstfahrenden Autos in einem idealen Szenario ausgereift und unbestritten sind, verlangen die Gesetzgeber und die Öffentlichkeit Überprüfungsstandards für die Technologie – und es wurde viel über die ethischen Herausforderungen geschrieben, die sich weltweit aus den Turbulenzen ergeben könnten, dass die Technologie Fahrzeuge übernimmt. Kritiker sehen sich in den kürzlich Ereignissen bestätigt, als ein Tesla Modell S im selbstfahrenden Modus in einen Unfall mit fatalen Folgen verwickelt war. Während grundsätzlich immer noch davon ausgegangen wird, dass selbstfahrende Autos im Allgemeinen die Sicherheit auf den Straßen erhöhen, begünstigen diese Ereignisse generelle Skepsis.

Trotz allen Diskussionen bleiben das Auto und die Automobilindustrie auch weiterhin ein Kerngebiet für Data Science. Selbstfahrende Autos werden zu einem großen Grad von den modernen Algorithmen des maschinellen Lernens und der Bilderkennungstechnologie angetrieben. Je mehr Daten über das Fahrverhalten, die Reaktion auf Hindernisse oder ähnliche Verkehrssituationen aufgezeichnet werden, desto detaillierter können die Algorithmen des maschinellen Lernens funktionieren. Durch die Verarbeitung großer Datenströmen in den letzten Jahren hat die Technologie schon fast die Marktreife erreicht. Während die menschliche Überwachung der Schlüssel bleibt, werden selbstfahrende Autos von selbstlernenden und sich anpassenden Algorithmen „gefahren“, die das Auto durch seine jeweilige Umgebung lenken. Doch sogar außerhalb der unübersehbaren Bedeutung selbstfahrender Autos, wird die gesamte Automobilindustrie von Data Science umgeformt. Hier sind ein paar Beispiele:

Entwicklung von klügeren Ausweichrouten bei Unfällen

Solange das selbstfahrende Auto mehr Vision als Realität bleibt, bleibt der menschliche Faktor im Straßenverkehr Forschungsgegenstand und Autohersteller versuchen die menschlichen Reaktionen auf Anomalien im Straßenverkehr zu verstehen. Einer der relevanten Aspekte diesbezüglich ist das Verständnis von Staumechanismen im Fallen eines Verkehrsunfalls. Welche Orte in einer Stadt sind die „Hot Spots“ für Unfälle? Wie reagieren Fahrer bezüglich der Ausweichrouten? Wie lange dauert es normalerweise, bis die Behörden und die Polizei vor Ort sind und wann funktioniert der reguläre Verkehr wieder?

Das Sammeln von Daten mittels Sensoren liefert eine Vielzahl an Ressourcen, um die Beantwortung dieser Fragen in Angriff zu nehmen. Das Verstehen der Muster erlaubt es Automobilherstellern zugeschnittene Navigationswerkzeuge zu entwickeln, die die Fahrer bei Störungen auf die optimale Route leiten. Automobilhersteller sind nicht allein auf die Verbesserung des Fahrzeugs fokussiert, sondern auch auf das Verhalten des Fahrzeugs in seiner Umwelt. Als Teil der „Smart City“-Vision, ist die Entwicklung von Echtzeitroutenfindungssystemen, die alle Abhängigkeiten im System berücksichtigen, eine zentrale Komponente. Die Zeiten, in denen die Kunden ihre Fahrzeuge nur anhand des Aussehens und den technischen Features beurteilt haben, ist vorbei. Der Fokus hat sich auf funktionale Vorteile wie die zeitsparenden Wegfindungsoptionen verschoben.

Optimierung der User Experience bei gleichzeitiger Minimierung des Unfallrisikos

Es ist schon seit langem bekannt, dass Versicherungen ein hohes Interesse an Auto- und Verkehrsdaten haben. Das Verständnis des Fahrerverhalten erlaubt ihnen, risikoaverses Fahren zu belohnen und dementsprechend geringe Tarife anzubieten während gleichzeitig risikoreiches Verhalten mit premiums bestraft wird. Fahrer entscheiden sich freiwillig für diese Strategie (folglich werden dies vor allem die Fahrer sein, die ihren verantwortlichen Fahrstil als überdurchschnittlich einschätzen), aber bestimmte Probleme werden immer mit dieser Sache verbunden bleiben. Das Nachverfolgen von GPS-Daten auf einem individuellen Level könnte dem Unternehmen alle möglichen Hinweise auf das Privatleben des Einzelnen liefern, was weit über den anfänglichen Zweck der Datenübermittlung hinaus geht.

Gleichzeitig können GPS-Daten auf einem zusammengefassten und anonymisierten Level jedoch auch Automobilunternehmen helfen, bestimmte Phänomene besser zu verstehen, z.B. das Auftreten von Geschwindigkeitsüberschreitungen oder das Ignorieren von Ampeln. Solche Fälle in den Daten aufspüren zu können und anschließend das Verständnis des jeweiligen situationsabhängigen Kontexts zu verbessern, ist das Fundament, um Mechanismen entwickeln zu können, die intelligent helfen sie zu verhindern. Das Fahrzeug als solches schafft verschiedene Möglichkeiten, um eine klügere Entscheidungsfindung für den Fahrer zu ermöglichen. Solange Automobilunternehmen den Kontext potenziell gefährlicher Situationen in den Daten verstehen, können sie Tools entwickeln, die nicht nur die User/Driver Experience verbessern, sondern geschickt zur Minimierung des Unfallrisikos beitragen.

Die Einkäufe des Kunden vorhersehen

Während Data Science in der Produktion sicherlich eine Kernkomponente des Einflusses von Data Science in der Automobilindustrie darstellt (siehe unseren Blog über Data Science in der Fertigungsindustrie), gibt es noch andere Aspekte entlang der Wertschöpfungskette, die eine Transformation durchleben. Eine davon ist die Organisation von Verkaufsinitiativen.

Die Daten aus hoch integriertem Kundenbeziehungsmanagement (Customer Relationship Management – CRM) bergen auf natürliche Weise das Potenzial in wertvolle Erkenntnisse verwandelt zu werden. Wann ist es wahrscheinlich, dass ein bestimmter Kunde einen neuen Einkauf tätigt? Welche Aftersales-Aktivitäten sollten wem angeboten werden?

Das verlässliche Vorhersagen der Nachfrage entlang großer Kundenstämme, bessere Segmentierung und die Ausrichtung von Verkaufsanstrengungen, bringt das Versprechen eines besseren ROI innerhalb der Verkaufsorganisation mit sich. Anstatt kostenintensive und ineffiziente Gießkannen-Taktiken zu nutzen, können Automobilunternehmen Strategien anwenden, die stärker auf Daten beruhen und die Erfolgsrate erhöhen.

Das Auto ist ein so zentrales Element im Leben der Menschen, dass sich Innovationen in dieser Industrie mit einer hohen Geschwindigkeit bewegen. Erträge und Optimierungsmöglichkeiten ergeben sich entlang der gesamten Wertschöpfungskette und Automobilunternehmen stehen vor der Herausforderung, ihre Prioritäten adäquat zu setzen. Die Unterstützung des Kerngeschäfts kann ein Ziel sein, während die Erschließung komplett neuer Geschäftszweige eine andere Option sein kann. Eine Balance zwischen Risiko und Outcome-Fokus zu finden, radikale Innovationen zu verfolgen und gleichzeitig den Fokus auf der Bilanz zu halten, wird eines der zentralen Erfolgskriterien der Industrie für die nächsten Jahre sein. Es bleibt ungeklärt, wann genau autonom fahrende Autos Teil der Realität auf unseren Straßen werden, aber irgendwann werden sie es mit Sicherheit sein.

Obwohl dies das sichtbarste Neuland für Innovationen in der Automobilindustrie ist, ist es lange nicht das einzige. Beispiele für Data Science-Anwendungen sind mannigfaltig und je mehr Erfolgsgeschichten auftauchen, desto mehr werden Unternehmen bereit sein, Zeit und Geld zu investieren, um diese Potentiale zu realisieren.

Contact the author
Niels Reinhard
+49 (30) 814 513-13
Subscribe
Share

Leave a Comment

Your email address will not be published. Required fields are marked *