Die Herausforderung

Im Rahmen der regulären Serienbetreuung erhält der unser Kunde Daten der von ihm vertriebenen Kundenfahrzeugen aus verschiedenen Daten-Quellen. Diese unterscheiden sich in Format und Inhalt (unterschiedliche Erfassungssysteme z.B. in Abhängigkeit vom Zielmarkt und dortiger Gesetzgebung), in Häufigkeit der Verfügbarkeit (Telemetriedaten vs. Daten aus Werkstattbesuchen des Kunden) und Qualität (automatisiert erfasste Loggerdaten vs. händisch verfasste Reparaturmeldungen oder Inspektionsberichten). Auf Basis dieser Informationen ist die Erkennung, Antizipierung und quantitative Verfolgung von Kundenbeanstandungen beim vorliegenden Datenvolumen nur mit begründetem Anfangsverdacht oder stichprobenartig möglich.

 

Unsere Lösung
In enger Abstimmung mit dem Kunden wurde eine Analysepipeline implementiert, welche Datenfusion aus unterschiedlichen Quellen, Datenaggregation und nachfolgende Analyse ermöglicht. Auf Basis von Metadaten können zunächst Metadatenanreicherungen und Klassifikationen durchgeführt werden, die für eine schnelle Filterung und Eingrenzung relevanter Datensätze im Datenmanagement genutzt werden. In weiterführenden Analysenschritten, welche als APPs umgesetzt wurden, können Zusammenhänge von im Serienbetrieb auftretenden Auffälligkeiten erkannt und in Korrelation gesetzt werden. Erscheinen Problemkomplexe im Rahmen dieser Analyse, können diese als Ausgangspunkt für eine intensivere Betrachtung in weitergehenden, fachspezifischen Analysebausteinen ausgewertet und visualisiert werden (Fehlercode-APP).

 

Der Kundennutzen

Relevante Serienbetreuungs-Daten können ausgewertet werden, welche aufgrund Heterogenität und Umfang nicht durch Menschen überschaubar und interpretierbar sind. Die identifizierten Zusammenhänge (Fehlercluster, Fehlermuster) ermöglichen Unterscheidung von „regulären“ und „kritischen“ Muster im Serienbetrieb großer Fahrzeugflotten.