Der Weg zur Marktintelligenz in der Automobilbranche

Wie man durch Predictive Forecasting Mehrwert generiert

Ein Ökosystem voller Daten

Der Mobilitätsmarkt muss sich – wie jede produzierende Industrie – ständig auf dem schmalen Grat zwischen Angebot und Nachfrage des Marktes bewegen. In Anreize zu investieren, um den Lagerbestand zu reduzieren, ist nicht immer die richtige Lösung, wenn die Nachfrage nicht dem Angebot entspricht. Gleichzeitig riskiert man durch nicht ausreichende Fahrzeugproduktion unzufriedene Kunden, die im schlimmsten Fall nicht länger die entsprechende Markentreue an den Tag legen.

Zusätzlich müssen Originalteilehersteller und Händler mit neuen Verbrauchertrends jonglieren, wobei die Kunden oft von den vielfältigen Möglichkeiten fasziniert sind, die neue Technologieentwicklungen auf dem Markt bieten. Aber da steckt noch mehr dahinter. Strengere staatliche Vorschriften mit Fokus auf Nachhaltigkeit haben zu einem Wandel hin zu einem Mobility-as-a-Service-Modell geführt. Autonome Fahrzeuge sind nur eine der vielen und neuen Alternativen, die entwickelt wurden, um Gesetze und Regelungen einzuhalten. Gleichzeitig führt die Zunahme des Flottenmarktabsatzes zu einer Zunahme von Konzepten – aber auch neuen Produkten – für Märkte wie Shared Mobility oder Connected Cars.

Dieser Multioptionsmarkt hat nicht nur den Weg zu endlosen technologischen Möglichkeiten geebnet, sondern auch die Türen zu einem Ökosystem voller Daten geöffnet, die ausgewertet werden können und müssen. Doch wie jongliert man am besten mit der enormen Menge an Informationen, die jede Sekunde in der Mobilitätsbranche produziert wird? Die Antwort liegt teilweise im Konzept Predictive Forecasting selbst, das eines der besten Werkzeuge ist, um das Durcheinander all dieser Daten zu bereinigen und sie in etwas von echtem Wert zu verwandeln, das einen erheblichen Einfluss auf den Automobilmarkt haben kann. Lassen Sie uns dieses Konzept daher näher betrachten.

211216_mobility-market-intelligence-ecosystem

Wie funktioniert Predictive Forecasting?

Für Laien ausgedrückt: Die Technik beinhaltet die Verwendung von Statistikmodellen (die zumeist Vorhersagemodelle enthalten), um historische Daten zu analysieren und auf der Grundlage der Ergebnisse Schlussfolgerungen zu ziehen. Eines der zentralen Ziele der Methodik besteht darin zu verstehen, ob geschäftsbezogene Ziele mit den aus diesen Analysen resultierenden Schlussfolgerungen/Vorhersagen in Einklang stehen. Dank der daraus resultierenden Schlussfolgerungen können verlässliche Handlungsleitlinien helfen, auf dem richtigen Leistungspfad zu bleiben oder aus den erkannten Fehlern zu lernen.

Das alles aus einer weniger technischen und einfacheren Sicht betrachtet: Im Grunde genommen ist das nichts anderes als eine Methode zur Vorhersage der Zukunft, bei der quantitative Analysen verwendet werden, um Antworten auf Fragen zu finden wie „Wie lange wird eine mechanische Komponente überleben, bevor sie ersetzt werden muss?“, „Wie wahrscheinlich wird dieser Kunde in den nächsten 3 Jahren ein neues Fahrzeug kaufen?“ oder auch „Welche sind die Hot Spots in der Umgebung für einen Taxifahrer?“.

Aber lassen Sie uns gleich in das Thema eintauchen. Sehen wir uns Schritt für Schritt an, wie der Prozess des Predictive Forcasting im Mobilitätsmarkt gestaltet ist.

Der Workflow eines prädiktiven Lebenszyklus

In gewisser Weise ähnelt die prädiktive Analyse einem Datenlebenszyklus: Anstatt Informationen nur zu archivieren oder zu vernichten, werden sie nach dem Abrufen und Verarbeiten in etwas Nützliches umgewandelt.  Die Prozesse und Modelle, die die Rohdaten verarbeiten, erstellen aus diesen Informationen ein Produkt, das wiederum einen Mehrwert und damit eine neue Sichtweise auf das Wissen generiert.

Im Einzelnen bestehen diese Mechanismen aus:

  • Abrufen von Daten aus relevanten Datenquellen zum Importieren in das Modell: Bei einer so großen Vielfalt an verfügbaren Informationen besteht der erste Schritt zu einem zuverlässigen Prognoseprozess darin, die richtigen „Erkenntnisse“ aus den richtigen Quellen für die Analyse zu finden und auszuwählen.
  • Vorverarbeitung der gesammelten Daten zur Einhaltung von Qualitätsstandards: Eingegebene Daten aus Datenquellen sind Anfangs immer Rohdaten. Um ihre Zuverlässigkeit zu gewährleisten, müssen sie mehrere Verfahren durchlaufen, damit sie sich in „ready-to-use“-Informationen – also qualitativ akzeptable Informationen – verwandeln.
  • Entwicklung eines Vorhersagemodells zur Verarbeitung und Transformation der Daten: Die vorbereiteten Daten können interpretiert werden. In dieser Phase fehlt nur noch ein Regelwerk als Leitlinie, das darauf trainiert wird, „die richtigen Fragen“ zu den gesammelten Informationen zu stellen, um gezielt Antworten zu erhalten: das Vorhersagemodell.
  • Integration des Prognosemodells in eine Produktionsumgebung: Ist ein korrektes und geeignetes Prognosemodell gefunden, kann es in Produktion gehen. Mit der Produktion des Modells ist es nun möglich, seine „Dienste“ für Geräte oder Software bereitzustellen, die die oben genannten Antworten erfordern.
211216_Predictive Forecasting-DE

Was bedeutet das für das Mobilitätsökosystem?

Die Einführung von Predictive Forecasting im Automobilmarkt hat die Türen zu neuen Möglichkeiten geöffnet, die unseren heutigen Blick auf die Branche verändert und in eine intelligente digitale Mobilitätsumgebung verwandelt haben:

  • Bessere Unterstützung der Unternehmensplanung und -leistung: Die Vorhersage und Analyse von Nachfrage und Angebot durch Prognosemodelle erleichtert den Stakeholdern des Unternehmens die Marktbewertung sowie die Anpassung an das sich ändernde Marktumfeld.
  • Zuverlässigere Faktoren für den Entscheidungsprozess: Automobilunternehmen können jetzt ihre Entscheidungsfähigkeit durch detaillierte Vorhersagen zu gezielten Anforderungen und/oder Problemen schärfen.
  • 360-Grad-Ansicht des betrieblichen Ökosystems: Die Analyse von Sensoren bietet nicht nur einen Überblick über das Fahrzeug, sondern kann so weit gehen, ein Bild davon zu zeichnen, wie ein bestimmtes Bauteil auf die Umgebung reagiert oder von ihr beeinflusst wird. Ein ähnlicher Mechanismus findet in der Wertschöpfungskette des Mobilitätsmarktes statt, wo die einzelnen Akteure (wie Kunden, Originalteilehersteller oder Händler) entweder als Individuen oder in Bezug auf das Branchen-Ökosystem, mit dem sie interagieren, analysiert werden können.
  • Verständnis der und Ausrichtung auf die Bedürfnisse der Stakeholder: Die unterschiedlichen Parteien haben oft Präferenzen, Bedürfnisse oder Anforderungen, die nicht vollständig vom Marktumfeld abhängig sind und daher in ihrer Individualität behandelt werden müssen. Prognosemodelle können die Identifizierung dieser Faktoren unterstützen und einen vorteilhaften stakeholderspezifischen Ansatz bieten, um stakeholderspezifische Probleme mit stakeholderspezifischen Lösungen anzugehen.

Diese Vorteile sind nur eine Einführung in die ersten Schritte, die nicht nur der Mobilitätsmarkt, sondern auch viele andere Branchen unternehmen können, um in ihren Geschäftsökosystemen auf eine neue Wertschöpfung hinzuarbeiten.

Werfen wir nun einen Blick darauf, wie diese Ansatzpunkte in das Ökosystem eintauchen und die Mobilitätsbranche durch einige praktische Anwendungsfälle prägen.

Wo wird Predictive Forecasting in der Mobilitätsbranche eingesetzt?

  • Innerhalb der Verkaufssoftware eines Autohauses: Hier werden Daten von Kunden, gekauften Fahrzeugen und Konfigurationspräferenzen eingegeben. Der prädiktive Algorithmus hilft Verkäufern, Veränderungen der Verbrauchertrends zu erkennen, aber auch Zielkunden für einen Neuwagenkauf zu identifizieren. Die Nutzung der Datenkraft kann so weit gehen, dass man erfährt, dass ein bestimmter Kunde eine starke Tendenz hat, innerhalb eines Jahres eine schwarze Limousine mit Winterreifen zu kaufen. Dies zu wissen bedeutet, zu wissen, in welche Richtung man gehen muss, um entweder einen Nicht-Kunden zu einem Käufer zu machen oder einem bestehenden Kunden ein neueres, begehrteres Modell anzubieten.
  • In einem Lkw, in einem autonomen Fahrzeug: Gerade (aber nicht nur) bei Logistikfahrzeugen, die oft wertvolle Fracht transportieren, können raue Wetterbedingungen wie Regen, Sturm oder Schnee die Wahrnehmung und Navigationsleistung erheblich beeinträchtigen. Darüber hinaus kann das Verhalten anderer Fahrzeuge oft unvorhersehbar sein. Ein neues Schild oder ein Unfall können die Art und Weise, wie sich Fahrzeuge auf der Straße bewegen, drastisch verändern. Um diese Bedingungen teilweise abzumildern, unterstützen prädiktive Modelle den Fahrer, indem sie möglichst viele dieser Informationen im Voraus erkennen, um die Kollisionsgefahr zu reduzieren und gleichzeitig das Fahrverhalten zu optimieren.
  • In einer mobilen App: Hier erfahren Taxiflotten, wo die „Hot Spots“ für Abholungen liegen. Die Vorhersage auf Basis der gesammelten Daten hilft den Fahrern, sich gleichmäßig zu verteilen und ihre Fahrten zu optimieren. Sie vermeiden jetzt nicht nur lange Wartezeiten zwischen den Kunden, sondern können auch die „Hot Spots“ auswählen, die ihnen näher liegen und so bequem Kraftstoff sparen.
  • In der Fabrik eines Automobilherstellers: Prädiktive Analysen können helfen, die erwartete Nachfrage und das erwartete Angebot an produzierten Teilen abzuschätzen, aber auch die Fertigungsqualität zu verbessern und die Anforderungen des Produktionszyklus zu antizipieren. Ein Maschinenbediener kann sich jetzt eine genaue Vorstellung von der Lebenserwartung einer Maschine machen und weiß daher, wie er Wartungsarbeiten richtig durchführt oder einen Austausch plant. In diesem Umfeld können Mitarbeiter und Maschinen nun transparent in einem Ökosystem arbeiten, in dem Prognosen der Effizienzschub in Betrieb und Planung sind.
Cloudflight implementierte ein Prognosesystem auf Basis vorhandener Daten aus dem Data Market Austria, um die Taxinachfrage an interessanten Standorten in Städten vorherzusagen.

Mit dem Markt Schritt halten

Die neuen Technologien, die Regularien, aber auch die Herangehensweisen an die Welt der Mobilität haben ihre Bedeutung im Laufe der Jahre in einem für Märkte und Unternehmen oft schwer einzuholenden Tempo verändert. Die Marktveränderungen – zusammen mit den Billionen von Daten, die täglich von Fahrzeugen, Sensoren und Geräten produziert werden – erfordern Ad-hoc-Lösungen, um weiterhin im Geschäft zu bleiben und mit den Veränderungen im Ökosystem Schritt zu halten. Die Nutzung der Leistungsfähigkeit des Predictive Forecasting hilft dabei, eine bessere Kontrolle über die gesamte Lieferkette zu gewährleisten, und bietet Autoherstellern und Autohäusern ein Werkzeug, um Erkenntnisse aus Daten zu nutzen und Kundenbedürfnisse vorherzusagen.

Die Vorwegnahme von Ereignissen – sei es der Bedarf an einem Auto, die Wartung von Maschinen oder die Hochwassergefahr im Südwesten des Landes – hilft am besten, sich darauf vorzubereiten, und genau das bieten prädiktive Analysen. Mit einer klareren Vorstellung vom „Was wäre, wenn…?“ stellt die Prognose tatsächlich ein neues Werkzeug zur Verfügung, um Risiken zu reduzieren und eine früher unbekannte Kraft zu nutzen, die sich aus der komplizierten Welt der Daten ergibt.

Sie möchten mehr über Predictive Forecasting erfahren? Kontaktieren Sie uns. Wir zeigen Ihnen gerne, wie Cloudflight diese Technologie nutzt, um seine Kunden im Mobilitätsmarkt zu unterstützen!

#Cloudflight

Sie möchten mehr über Predictive Forecasting erfahren?

Schreiben Sie uns

Schreiben Sie uns

Menü