Model T dari Ford Motor Company pertama kali dibuat pada tahun 1908 dan bertahan lama karena biayanya yang rendah, daya tahannya, keserbagunaannya, serta kemudahan perawatannya. Model ini disebut telah "membuat dunia beroda", meningkatkan mobilitas global melalui efisiensi manufaktur dengan harga yang terjangkau bagi konsumen rata-rata.
Kini, industri otomotif masih berada di garis terdepan teknologi dan mengubah cara dunia berpindah dari titik A ke titik B. Dalam webinar terbaru kami, Michael Crabtree, Lead Data Scientist di Ford Motor Company dan pengajar kursus Credit Risk Modeling in Python, mengatakan perbedaan utamanya adalah inovasi kini didorong oleh data science, bukan manufaktur.
Inovasi di Ford kini didorong oleh data science—bukan manufaktur.
Kota pintar memerlukan data science di industri otomotif
Seperti halnya skalabilitas manufaktur Model T yang membawa mobilitas bagi masyarakat luas lebih dari 100 tahun lalu, data science saat ini meningkatkan skala mobilitas bagi komunitas berpenghasilan rendah. Hal ini membuat transportasi mudah diakses tanpa biaya kepemilikan yang tinggi dan memfasilitasi perubahan ini bagi semua orang, apa pun kelas, gender, atau kemampuannya.
Misalnya, algoritme optimasi dapat menyediakan kendaraan hemat energi bagi bisnis untuk melayani komunitas pedesaan, mulai dari pengiriman Amazon hingga layanan pipa dan pengantaran makanan. Data scientist juga bekerja sama dengan insinyur keandalan untuk memproduksi kendaraan yang mendukung komunitas dengan kebutuhan berbeda.
Ini hanyalah beberapa contoh, namun Michael menyatakan ada hampir tak terhitung use case untuk data science, dan banyak yang belum dieksplorasi.
Bekerja dengan data di industri otomotif
Karena kematangan dan jangkauannya yang luas, terdapat banyak peluang bagi perusahaan untuk membangun ulang berlandaskan data.
Salah satu penerapannya adalah bekerja dengan data lintas berbagai sistem dan tipe data. Banyak data scientist terbiasa menggunakan data tabular, yaitu data dalam format tabel, mirip Excel. Namun data scientist otomotif memiliki variasi data yang jauh lebih beragam. Sebagai contoh, data instrumentasi mentah di industri otomotif umumnya disimpan sebagai aliran digit heksadesimal. Mereka juga dapat menemui data dari sistem intelijen dalam bentuk gambar dan point cloud sensor. Dan untuk memahami mengapa kendaraan otonom berperilaku tertentu dan bagaimana hal itu bervariasi antar model, seorang data scientist otomotif mungkin menggabungkan point cloud dengan data instrumentasi dan mengaitkannya ke sekumpulan tabel.
Peluang lain ada pada volume: Basis data terbesar yang dibuat Michael di Ford berisi 80 miliar baris, dan dapat melakukan kueri dalam waktu kurang dari 10 detik! Beberapa sistem real-time dan transaksional di industri otomotif memproses lebih dari 150 juta catatan per hari. Karena begitu banyak data otomotif yang dihasilkan, diperlukan klaster data yang sangat besar. Banyak perusahaan di industri otomotif memiliki klaster data dalam kisaran petabita (sejuta gigabita).
Data science terlibat di setiap tahap daur hidup produk otomotif
Data science mendorong pengembangan produk
Ada banyak langkah sebelum kendaraan dapat dijual kepada konsumen. Data science dalam otomotif dimulai dari pengembangan produk. Data science digunakan untuk tugas seperti menganalisis konfigurasi model baru dan memodelkan keandalan komponen. Alih-alih membangun komponen dan menguji pada setiap tahap sebagai sistem yang terisolasi, data science melengkapi proses melalui simulasi dan analisis dalam skala besar.
Data science mendorong keunggulan dalam manufaktur
Data scientist otomotif juga memastikan bahwa hanya kendaraan berkualitas tinggi yang dijual. Sementara insinyur mampu menguji kualitas setiap kendaraan, hal ini harus dilakukan secara individual untuk tiap unit. Data scientist dapat menganalisis seluruh populasi suku cadang, pemasok, dan data pengujian. Mereka menganalisis secara cermat kinerja keuangan pemasok, memprediksi kemampuan mereka untuk mengirim tepat waktu berdasarkan kinerja masa lalu, dan menggunakan ekonometrika dengan regresi untuk memeriksa kondisi ekonomi lokasi pemasok.
Data science mendorong kendaraan terhubung dan otonom
Salah satu topik paling hangat dalam futurisme saat ini adalah kendaraan terhubung dan otonom, yang mengandalkan model deep learning dan algoritme penggabungan sensor. Data science sangat penting untuk membangun kendaraan ini: digunakan untuk menerjemahkan indikator IoT seperti pemantau umur oli, pemantau daya baterai, dan instrumentasi diagnostik lengkap menjadi wawasan yang dapat ditindaklanjuti. Misalnya, mendeteksi pejalan kaki saja tidak cukup—sensor harus mampu memahami ke mana mereka berjalan. Sistem keselamatan juga penting, termasuk perlindungan pengemudi dan keselamatan lingkungan.
Sistem terhubung baru untuk kendaraan ini menyediakan layanan baru—mereka terhubung dengan kendaraan lain, kota, dan infrastruktur. Dan kita baru berada pada tahap awal mengeksplorasi potensi pasar ini. Pasar kendaraan terhubung global sekitar \$63 miliar pada 2019, dan pasar tersebut diperkirakan hampir meningkat empat kali lipat menjadi \$225 miliar pada 2027 (Allied Market Research)!
Data science mendorong inisiatif keberlanjutan
Keberlanjutan sangat penting bagi semua produsen otomotif. Pemerintah menetapkan target efisiensi bahan bakar, tetapi setiap perusahaan mobil memiliki tujuan masing-masing. Dan setiap kendaraan memiliki efisiensi bahan bakar yang berbeda, sehingga data science diperlukan untuk mengoptimalkan efisiensi bahan bakar seluruh lini kendaraan sebuah perusahaan. Jadi jika sebuah perusahaan ingin menawarkan truk pikap besar yang boros bahan bakar sekaligus mobil listrik dalam lini produknya, data scientist otomotif dapat melakukan optimasi untuk meminimalkan konsumsi bahan bakar seluruh armada sambil mematuhi target penjualan global perusahaan. Upaya optimasi dapat memungkinkan produsen mobil mengklaim kredit pemerintah untuk efisiensi bahan bakar. Ini memberikan tiga manfaat sekaligus: baik bagi lingkungan, memberikan nilai lebih bagi pelanggan, dan membuka potensi sumber pemasukan.
Use case otomotif lainnya untuk data science
Di luar yang telah disebutkan, data science memengaruhi begitu banyak tahap lain dalam daur hidup otomotif. Dalam pemasaran dan penjualan, data science memprediksi pergerakan pelanggan dan churn. Dalam layanan dan analitik pelanggan, data science meningkatkan pengalaman pascapembelian dan menghadirkan peningkatan kualitas produk. Untuk menyelami lebih dalam use case tentang bagaimana data science mendorong masa depan otomotif, tonton webinar Michael sesuai permintaan.
