Das Model T der Ford Motor Company wurde 1908 erstmals gebaut und war dank seines niedrigen Preises, seiner Langlebigkeit, Vielseitigkeit und einfachen Wartung überaus erfolgreich. Es gilt als das Auto, das „die Welt auf Räder stellte“, denn es machte Mobilität durch effiziente Fertigung für Durchschnittsverbraucher erschwinglich.
Heute ist die Automobilbranche weiterhin technologischer Vorreiter und prägt, wie wir von A nach B kommen. In unserem aktuellen Webinar erklärt Michael Crabtree, Lead Data Scientist bei Ford Motor Company und Dozent unseres Kurses Credit Risk Modeling in Python, dass Innovation heute nicht mehr von der Fertigung, sondern von Data Science getrieben wird.
Innovation bei Ford wird heute von Data Science vorangetrieben — nicht von der Fertigung.
Smart Cities brauchen Data Science in der Automobilindustrie
So wie die skalierbare Produktion des Model T vor über 100 Jahren Mobilität in die Breite brachte, skaliert Data Science heute Mobilität für einkommensschwächere Gemeinschaften. Sie macht Transport ohne hohe Besitzkosten leicht zugänglich und treibt diesen Wandel für alle voran — unabhängig von Klasse, Geschlecht oder Fähigkeiten.
Beispielsweise können Optimierungsalgorithmen Unternehmen energieeffiziente Fahrzeuge bereitstellen, um ländliche Regionen zu versorgen — von Amazon-Lieferungen bis hin zu Sanitär- oder Essenslieferdiensten. Data Scientists arbeiten zudem mit Zuverlässigkeitsingenieurinnen und -ingenieuren zusammen, um Fahrzeuge zu entwickeln, die Menschen mit unterschiedlichen Fähigkeiten unterstützen.
Das sind nur zwei Beispiele. Michael betont, dass es nahezu unendlich viele Anwendungsfälle für Data Science gibt — viele davon noch unerforscht.
Mit Daten in der Automobilindustrie arbeiten
Aufgrund ihrer Reife und großen Reichweite bietet die Automobilbranche zahlreiche Chancen für Unternehmen, sich konsequent um Daten herum neu aufzustellen.
Ein Anwendungsfeld ist die Arbeit mit Daten über verschiedene Systeme und Datentypen hinweg. Viele Data Scientists sind tabellarische Daten gewohnt, also Daten im Tabellenformat wie in Excel. Automobil-Data-Scientists haben jedoch mit einer deutlich größeren Vielfalt zu tun. So werden Rohdaten aus Messinstrumenten oft als Strom von hexadezimalen Ziffern gespeichert. Ebenso treffen sie auf Daten aus intelligenten Systemen in Form von Bildern und Sensor-Punktwolken. Um zu verstehen, warum sich ein autonomes Fahrzeug auf eine bestimmte Weise verhält und wie sich das zwischen Modellen unterscheidet, kombiniert eine Data Scientist in der Automobilbranche Punktwolken mit Messdaten und verknüpft diese mit Tabellendaten.
Eine weitere Dimension ist das Volumen: Die größte Datenbank, die Michael bei Ford aufgebaut hat, umfasst 80 Milliarden Zeilen — und liefert Abfragen in unter 10 Sekunden! Manche Echtzeit- und Transaktionssysteme in der Automobilindustrie verarbeiten über 150 Millionen Datensätze pro Tag. Wegen der enormen Datenmengen sind sehr große Datencluster nötig. Viele Unternehmen der Branche betreiben Cluster im Petabyte-Bereich (eine Million Gigabyte).
Data Science wirkt in jeder Phase des automobilen Produktlebenszyklus
Data Science treibt die Produktentwicklung
Bis ein Fahrzeug an Kundinnen und Kunden verkauft werden kann, sind viele Schritte nötig. Data Science setzt in der Automobilbranche bereits in der Produktentwicklung an. Sie unterstützt Aufgaben wie die Analyse neuer Modellkonfigurationen und die Modellierung der Zuverlässigkeit von Bauteilen. Anstatt Komponenten in jeder Stufe isoliert zu bauen und zu testen, ergänzt Data Science den Prozess durch Simulationen und Analysen im großen Maßstab.
Data Science sorgt für Exzellenz in der Fertigung
Automotive-Data-Scientists stellen auch sicher, dass nur Fahrzeuge in hoher Qualität ausgeliefert werden. Ingenieurinnen und Ingenieure können zwar die Qualität jedes einzelnen Fahrzeugs prüfen, doch das geschieht jeweils individuell. Data Scientists analysieren hingegen ganze Populationen von Teilen, Zulieferern und Testdaten. Sie nehmen die finanzielle Leistungsfähigkeit von Lieferanten genau unter die Lupe, prognostizieren ihre Termintreue anhand vergangener Performance und prüfen mit Ökonometrie und Regressionsanalysen die wirtschaftlichen Rahmenbedingungen an Lieferantenstandorten.
Data Science ermöglicht vernetzte und autonome Fahrzeuge
Eines der heißesten Zukunftsthemen sind vernetzte und autonome Fahrzeuge, die auf Deep-Learning-Modellen und Sensorfusion beruhen. Data Science ist für den Bau dieser Fahrzeuge unverzichtbar: Sie übersetzt IoT-Signale wie Ölzustands- und Batteriemonitore sowie umfassende Diagnosedaten in umsetzbare Erkenntnisse. Es reicht zum Beispiel nicht, nur einen Fußgänger zu erkennen — Sensoren müssen auch einschätzen können, wohin er sich bewegt. Ebenso wichtig sind Sicherheitsfunktionen, darunter Insassenschutz und Umweltsicherheit.
Die neuen vernetzten Systeme dieser Fahrzeuge ermöglichen zusätzliche Services — sie kommunizieren mit anderen Fahrzeugen, Städten und Infrastrukturen. Und wir stehen erst am Anfang dieses Marktes. Der globale Markt für vernetzte Fahrzeuge lag 2019 bei rund $63 Milliarden und soll bis 2027 nahezu auf $225 Milliarden anwachsen (Allied Market Research)!
Data Science stärkt Nachhaltigkeitsinitiativen
Nachhaltigkeit ist für alle Autohersteller ein zentrales Thema. Regierungen setzen Ziele für die Kraftstoffeffizienz, zugleich verfolgt jedes Unternehmen eigene Vorgaben. Da jedes Modell eine andere Effizienz aufweist, ist Data Science nötig, um die Kraftstoffeffizienz der gesamten Fahrzeugpalette zu optimieren. Möchte ein Hersteller beispielsweise sowohl einen großen, verbrauchsintensiven Pickup als auch ein Elektroauto anbieten, können Data Scientists eine Optimierung durchführen, die den Gesamtverbrauch der Flotte minimiert und dennoch die globalen Verkaufsziele des Unternehmens einhält. Solche Optimierungen ermöglichen es Herstellern, staatliche Gutschriften für Effizienz zu beanspruchen. Das ist dreifach vorteilhaft: gut für die Umwelt, mehr Wert für Kundinnen und Kunden und potenziell eine zusätzliche Einnahmequelle.
Weitere Automotive-Anwendungsfälle für Data Science
Über die genannten Beispiele hinaus beeinflusst Data Science viele weitere Phasen des automobilen Lebenszyklus. Im Marketing und Vertrieb prognostiziert sie Kundenbewegungen und Abwanderung. Im Service und in der Kundenanalyse verbessert sie das Erlebnis nach dem Kauf und treibt Qualitätsverbesserungen am Produkt voran. Wenn du tiefer in die Anwendungsfälle eintauchen möchtest, wie Data Science die Zukunft der Automobilbranche prägt, sieh dir Michaels Webinar on demand an.
