Connected-Car-Daten

Immer mehr Fahrzeuge im weltweiten Bestand sind vernetzt und übertragen regelmäßig Datenpakete via Over the Air (OtA) bzw. Remote-Schnittstelle an das Backend des jeweiligen Herstellers. Aufgrund der Vielzahl von unterschiedlichen Fahrzeugdaten, wie bspw. Zustand, Fehlermeldungen, Nutzungsparameter bzw. Lastkollektive sowie geografische Positions- bzw. Bewegungsdaten, fallen dabei je nach OEM-Konfiguration sehr große Datenmengen von mehreren Gigabyte pro Stunde und Fahrzeug an, von denen ein definierter (Bruch-) Teil an den Hersteller übermittelt wird.

Es ist davon auszugehen, dass das vom Fahrzeug generierte Datenvolumen entlang der Weiterentwicklung der Software zu einem performanteren Fahrzeug-Betriebssystem (OS) und Steuergeräteverbund weiter steigen sowie der Datenaustausch durch die 5G-Technologie in Verbindung mit einer erweiterten OtA-Diagnoseschnittstelle deutlich beschleunigt wird. Bereits heute besteht die Herausforderung für Automobilhersteller darin, diese Daten zielgerichtet zu analysieren, Erkenntnisse für Produktverbesserungen abzuleiten sowie digitale Services für die Kunden zu entwickeln, die vermarktet werden können.

HPP und d-fine sehen in Predictive Fault Detection & Repair einen vielversprechenden Use Case, der dazu beitragen kann, ungeplante Ausfälle und Downtimes von Fahrzeugen im gewerblichen sowie privaten Einsatz zu reduzieren und die Mobilität der Kunden durchgängig sicherzustellen.

Predictive Fault Detection & Repair – Einordnung und Terminologie

In der Regel nutzen Automobilhersteller die Daten, die im Rahmen des Auslesens des Fehlerspeichers im Zuge von (geplanten oder ungeplanten) Werkstattaufenthalten über die On-Board-Diagnose-Schnittstelle des Fahrzeugs generiert werden, für fokussierte Analysen und Auswertungen mit dem Ziel, Fehlerquellen zu identifizieren und Folgeausfälle zu minimieren. Diese reaktiven Analysen basieren auf einem historischen Datenbestand und werden genutzt, um Garantie- und Kulanzkosten durch Produktoptimierungen zukunftsgerichtet zu reduzieren oder präventive Serviceaktionen zu planen. Man spricht hierbei auch von Reactive Repair. Einen anderen Ansatz verfolgt Predictive Fault Detection & Repair, da hierbei die Vorhersage von potenziell auftretenden Fehlerbildern auf Basis von Echtzeitdaten, die mit einer gewissen Wahrscheinlichkeit zu einem Ausfall von Fahrzeugen führen können, grundlegend ist.

Predictive Fault Detection & Repair ist abzugrenzen von Preventive Repair, dem präventivem Austausch von Bauteilen auf Basis einer Analyse historischer Daten in regelmäßigen, starren Intervallen und unabhängig vom tatsächlichen Bedarf. Dem entgegen steht Condition-based Repair. Hierbei werden zwar, wie bei Predictive Fault Detection & Repair, Echtzeitdaten verwenden und es kann auf deren Basis bedarfsorientiert reagiert werden, sofern ein kritischer Zustand erkannt wird – allerdings ist dieser kritische Zustand statisch und eben nicht dynamisch definiert. Gerade die Wahl des optimalen Wartungszeitpunkts, gestützt auf der permanenten Auswertung relevanter Fahrzeugdaten, d. h. kontinuierliches Lernens, erlaubt es, diesen kritischen Zustand ständig zu verfeinern und damit die Kundenzufriedenheit zu steigern.

Einordnung Predicitive Fault Detection

Erfolgsfaktoren im Kontext von Predictive Fault Detection & Repair

Die Implementierung von Predictive Fault Detection & Repair bietet diverse Vorteile für den Automobilhersteller und dessen Kunden. Aus Sicht von HPP und d-fine ist dieses Instrument ein geeigneter Hebel zur Optimierung der Kundenzufriedenheit und Bindung an den Hersteller, sofern es gelingt, ungeplante Down Times der Fahrzeuge zu verhindern.

Obwohl alle großen Automobilhersteller an dieser Idee und der Implementierung von passenden Geschäftsmodellen und -prozessen arbeiten, sehen wir bis dato nur vereinzelt Versuche Predictive Fault Detection & Repair als „Service mit Mehrwert“ für Kunden zu etablieren und zu monetarisieren. Das mag daran liegen, dass die Umsetzung in der Regel nicht trivial ist und die relevanten Faktoren und Rahmenbedingungen, die notwendig sind um das Geschäftsmodell zu etablieren, bestmöglich erfüllt werden müssen. Wir nennen an dieser Stelle für uns wesentliche Faktoren, die vorrangig zu berücksichtigen sind, da sie über den Erfolg oder Misserfolg des Modelles entscheiden:

1. Optimierung der Datengrundlage & KI-Kompetenz

• Erhöhung des analysierten Datenvolumens, unter anderem durch Zusammenführung von Daten aus unterschiedlichen Silos bzw. über Abteilungs- und Bereichsgrenzen hinweg
• Optimierung der OtA-Diagnoseschnittstelle mit dem Ziel einer für Predictive Fault Detection & Repair-Zwecke optimierten Erfassung benötigter Parameter sowie Abfrage- & Übermittlungsfrequenz
• Einbezug von fahrzeugexternen Kontextfaktoren wie Temperatur und Wetter zur Steigerung der Vorhersagegenauigkeiten ermittelter Ausfallwahrscheinlichkeiten
• Durchführung von Data-Cleansing-Maßnahmen zur Eliminierung unplausibler und unvollständiger Datenpunkte mit dem Ziel einer höheren Datenqualität
• Identifizieren und Aufbereiten der relevanten Attribute durch Feature Engineering und Future Extraction, um eine verlässliche Basis für das später zu trainierende Machine-Learning-Modell zu schaffen
• Auswahl, Training und Test geeigneter Machine-Learning-Algorithmen, sowie deren Tuning – auch via Hyperparameter – und die anschließende Validierung und finale Auswahl des Modells zur Integration in den operativen Betrieb

HPP und d-fine wissen, dass je nach verfügbarem Datenvolumen und Qualität eine sehr hohe Vorhersagegenauigkeit (Confidence) erreicht werden kann. Dies würde bei einer beispielhaften Genauigkeit von 80% bedeuten, dass für 80 von 100 Fahrzeugen einer Flotte tatsächlich ein Ausfall innerhalb eines gewissen Zeit- bzw. Kilometerintervalls eintreten wird. Hierbei müsste der Automobilhersteller entscheiden, ob er sämtliche Fahrzeuge in den Service bestellt und damit kalkuliert, dass für 20 Fahrzeuge ein Ausfall nicht eintreten wird (False Positive). Dies ist eine Kosten-Nutzen-Betrachtung, die direkt messbare (Kosten) und nicht messbare Faktoren (Auswirkung auf die Kundenzufriedenheit und -bindung) gegeneinander abwägen muss.

Datengestützte Kostenoptimierung durch Predicitve Fault Detection

2. Etablierung eines Predictive Fault Detection & Repair Leitstandes

Wie eingangs beschrieben, nutzt Predictive Fault Detection & Repair Echtzeitdaten und so ist es zwingend erforderlich, dass der Automobilhersteller den Fahrzeugzustand der gesamten Flotte – idealerweise über mehrere Märkte/ Länder hinweg – kontinuierlich analysiert und mit Erkenntnissen aus den Diagnose-Sessions in den Werkstätten anreichert, um Muster für unvorhergesehene Ausfälle möglichst schnell zu erkennen und betroffene Fahrzeuge in der Flotte zu identifizieren. Durch die Integration dieser Elemente kann der „Gesundheitszustand“ jedes einzelnen Fahrzeuges in der Flotte beobachtet, die Kritikalität entsprechend visualisiert und Folgeaktionen, wie beispielsweise eine notwendige Reparatur oder eine Kontaktaufnahme mit dem Kunden zur Anpassung der Fahrweise (mit dem Ziel der Fehlervermeidung bzw. Eintrittsverzögerung), abgleitet und entsprechend die Umsetzung angestoßen werden. Zur Umsetzung empfehlen HPP und d-fine den Aufbau eines Predictive-Maintenance-Leitstandes, der die folgenden Kernaufgaben wahrnimmt:

• Monitoring des (dynamischen) Fahrzeugzustandes
• Erfassung und Integration von Diagnoseberichten von Werkstattaufenthalten sowie Garantie- und Kulanzdaten als Warnindikatoren
• Analyse von Ausfällen und typischen sowie atypischen Fehlerbildern
• Ermittlung und Auswertung von Nutzungsprofilen, Lastkollektiven sowie Kontextdaten
• Berechnung von Ausfallwahrscheinlichkeiten auf Grundlage von Data Science
• Identifikation der betroffenen Baureihen bzw. einzelner Fahrzeuge auf FIN-Basis
• Übermittlung identifizierter, notwendiger Wartungs- und Reparaturumfänge an die angeschlossenen Landesgesellschaften bzw. Importeure sowie das Werkstattnetz
• Ermittlung des spätesten Zeitpunktes für den Werkstattbesuch sowie im Notfall Auswahl nahgelegener Vertragswerkstätten gemessen zum Standort des Kundenfahrzeugs
• Koordination des Kundenkontaktes bzw. Übergabe an die entsprechende Werkstatt
• Ggf. direkte Kundenkommunikation – je nach festgelegter Rolle und Verantwortungsbereich in Abgrenzung zu weiteren beteiligten Akteuren wie bspw. den Marken-Werkstätten

3. Integration der autorisierten Marken-Werkstätten

Damit Daten im Kontext Predictive Fault Detection & Repair zum Kundenvorteil nutzbar werden, müssen die Prozesse verschiedener Akteure reibungslos ineinandergreifen. Neben dem Leitstand kommt den Vertragswerkstätten der Hersteller eine besondere Bedeutung zu, da mit ihrer Hilfe die notwendigen Feldaktionen geplant und durchgeführt werden müssen. Im Rahmen der Umsetzung des Konzeptes ist darauf zu achten, dass die Verantwortlichkeiten und Aufgabenbereiche zwischen dem Leitstand und den Werkstätten vollumfänglich definiert und Prozesse sowie Übergabepunkte kommuniziert sind. Da die Werkstätten in der Regel die präferierten Service-Partner der Kunden sind und den Kundenkontakt pflegen, besteht ihr Verantwortungsbereich aus der Planung sowie Durchführung von notwendigen Wartungs- und Servicearbeiten bzw. Reparaturen und der Organisation der benötigten Ersatzmobilität.

Aus unserer Sicht sollten die Service-Betriebe hier weiterdenken und Prozesse entwickeln, um die Ersatzmobilität möglichst kundenfreundlich bereitzustellen. Das bedeutet in letzter Konsequenz auch, dass über ein erweitertes Hol- und Bringkonzept in Verbindung mit einem adäquaten Ersatzfahrzeug oder Mobilitätsgutschein nachgedacht werden sollte. Aus Sicht von HPP sind die Automobilhersteller zudem angehalten zu überlegen, welche Vertragswerkstätten einen speziell für diese Zwecke definierten Serviceprozess implementieren sollten. Wir denken, dass es nicht nötig ist, das gesamte Werkstattnetz zu involvieren. Vielmehr erscheint es uns als zielführend, wenn regionale Hubs gebildet werden, die Best-in-Class-Prozesse und kurze Reaktionszeiten garantieren.

4. Vermarktung von Predictive Fault Detection & Repair als digitaler Service

Ein typischer Stolperstein ist aus Sicht HPP und d-fine oftmals die mangelhafte Vermarktung von Produkten oder Services in Richtung der Endkunden. Jedes Angebot sollte unserer Erfahrung nach im Sinne einer Vorteilsargumentation für den Kunden, nebst relevanten Details zu technischen Voraussetzungen, Methodiken sowie Kernprozessen und Abläufen, vollumfänglich vermarktet werden. Erst die ganzheitliche Produkterklärung, die in einer verständlichen Art und Weise dargebracht wird, trägt dazu bei, dass sich bei den Kunden ein entsprechender Bedarf und eine individuelle Preisbereitschaft manifestiert.

Wir sehen am Markt oft, dass Automobilhersteller genau an dieser Stelle Schwächen zeigen, da insbesondere erklärungsbedürftige Services nicht ausreichend erklärt bzw. Vorteile nicht eindeutig kommuniziert werden. In Summe sehen wir im Kontext der Vermarktung diverse Herausforderungen, die ein Automobilhersteller für sich lösen muss, um am Markt erfolgreich zu sein:

• Festlegung der Zielgruppen sowie Etablierung eines adäquaten, ggf. individuellen Kommunikationskonzeptes
• Wahl des richtigen Kommunikations- und Vertriebskanalmixes
• Sicherstellung der Konsistenz der Vermarktung unabhängig vom Vertriebskanal (online vs. offline)
• Marktgerechte Preissetzung mit dem Ziel der Abschöpfung der maximalen Zahlungsbereitschaft der Kunden
• Definition einer Vermarktungslogik für Einzelservices bis hin zu Paketangeboten bzw. Service-Bündel
• Etablierung einer Anlaufstelle für Fragen und Antworten sowie ggf. weitere verkaufsfördernde Maßnahmen im Sales Prozess (z.B. Produktvideos, Testimonials/ zufriedene Nutzer)

Ausblick bzw. weitere Anwendungsfälle

Wie im Beitrag skizziert, verstehen wir Predictive Fault Detection & Repair als einen zentralen Use Case im Kontext der zielgerichteten Verarbeitung von Daten vernetzter Fahrzeuge. Gleichzeitig ergeben sich aus diesem Use Case natürliche, die angrenzenden Bereiche einschließende, Erweiterungen. Dies betrifft beispielsweise die intelligente Logistik, die die durch Predictive Fault Detection & Repair frühzeitig identifizierten, kritischen Bau- oder benötigten Ersatzteile zeitnah zu der entsprechenden Vertragswerkstatt liefert (Predictive Logistics).

Gleichzeitig helfen die gesammelten Daten auch bei der automatisierten Bearbeitung von Garantieanträgen, um hier auf Basis von Muster- und Anomalieerkennung Kulanzfälle verlässlich erkennen zu können. Abseits hiervon bietet die zielgerichtete Verarbeitung von Connected Car Daten auch Möglichkeiten bei der datengetriebenen Intensivierung des Nutzerverhaltens. Wir denken hier vor allem an die optimierte, ökologische Nutzung von Plug-In-Hybriden motiviert durch Incentives, wie vergünstigte Strombereitstellung oder maßgeschneiderte, vergünstigte Angebote auf den In-Car-Shopping-Plattformen.