White PaPer Big Data in automotive: ChanCen unD ... · White PaPer big data in automotive: chancen...

White PaPerBig Data in automotive: ChanCen unD herausforDerungen

White PaPer Big Data in automotive: ChanCen unD herausforDerungen

3

inhalt

aktuelle herausforderungen in der automobilindustriekundenkontakt im social media Zeitalterrückrufaktionen diagnose und Wartungneue nutZungsmodelle

big datagrundlagen big datacharakteristika von big data: die „drei vs“von business intelligence Zu big dataWert der datendatensicherheit und datenschutZ

big data in der autoindustrievoraussetZungen für die erfolgreiche nutZung von big data in automotivebig data anWendungen in der autobranchebig data für die ProduktoPtimierungbig data im aftersalesbig data und emobilityWeitere anWendungsfelder

faZit

abbildungsverZeichnis

44566

7899

1010

11111112121212

13

14


4

aktuelle herausforderungen in der automobilindustrie

Ein gutes Produkt und eine starke marke reichen nur noch bedingt aus, um im hochkompetitiven Wettbewerbsumfeld der automobilindustrie bestehen zu können. Die Branche steht vor einer vielzahl von herausforderungen, denen mit exzellenz bei Design, entwicklung und Produktion alleine nur bedingt beizukommen ist.

Wie 2012 ist auch das Jahr 2013 geprägt von ökonomischer instabilität, die sich insbesondere im auseinanderdriften der wirtschaftlichen entwicklung zwischen süd- und mittel/nord-europa bemerkbar macht, bei gleichzeitig erhöhter volatilität in den wichtigen märkten in asien und nordamerika.

hinzu kommen die unverändert ambitionierten emissions- und ver-brauchsvorgaben der Politik weltweit, die erhebliche entwicklungsan-strengungen und investitionen verlangen. Der aus diesen resultierende zarte trend hin zu alternativen antriebsformen droht dennoch zu verkümmern, gelingt es bisher doch nur bedingt, diese innovationen auch beim Kunden zu platzieren. Die verkauften stückzahlen bleiben bei allen anbietern klar hinter den erwartungen zurück, auch in märkten, in denen die Politik entsprechende Kaufanreize setzt. insgesamt werden Prognosen über den zukünftigen modellmix und die abzusetzenden stückzahlen einzelner modellvarianten und antriebstechnologien immer schwieriger. Damit steigen die wirtschaftlichen risiken, allen flexibilisie-rungsbemühungen zum trotz. „Wir fahren weiterhin auf sicht“ – so fasste ein bekannter automobilmanager unlängst bei einer Branchenkonferenz die situation zusammen.

vielleicht ist aber diese aktuelle Phase der neuorientierung nach Klima-schock und höhepunkt der finanzkrise genau der richtige Zeitpunkt, um sich mit einigen der drängendsten herausforderungen der Branche zu befassen, beispielhaft seien die folgenden hier kurz diskutiert:

kundenkontakt im social media Zeitalter

Der autokäufer von heute erwartet nicht nur perfekte Qualität bei seinem neuwagen, er bringt auch hohe erwartungen an Lebensdauer und garantie- und Kulanzleistungen mit. gleichzeitig erwartet er von der Branche zunehmend Lösungen für mobilität, die auch andere verkehrs-träger einschließen und nicht beim Produkt auto haltmachen.

Kann der automobilhandel ihm liefern, was er möchte und wirklich braucht? traditionell liegt die Kundenbeziehung in der automobilbranche bei den vertragshändlern. Der hersteller erfährt nur relativ wenig über seinen endkunden. im extremfall nimmt er erst von diesem notiz, wenn er eine Bestellung aufgibt.

Zwar gibt es im onlinezeitalter zunehmend Brücken vom hersteller hin zu Kunden und vor allen Dingen auch interessenten, man denke etwa an die Webauftritte mit Konfiguratoren und Bestellmöglichkeiten von informationen und Probefahrten. sieht man von einzelnen zaghaften Bemühungen ab, einen internetgestützten Direktvertrieb zu etablieren, ist der hersteller jedoch – wenn es um die anbahnung des konkreten verkaufs geht – von der Leistung seines vertragshändlers abhängig.Wenn es in dieser Beziehung zwischen Kunde und händler gärt und bro-delt, erfährt es der hersteller meistens nur indirekt – etwa über meinungs-äußerungen in autoforen und bei facebook & Co.


5

Dank dieser auch unter dem oberbegriff „social media“ gefassten neuen Kommunikationsmöglichkeiten ist andererseits der Kunde von heute längst besser informiert als je zuvor. informationsasymmetrien zwischen vertragshändler und Kunde – früher an der tagesordnung – sind bei großen teilen der Kundschaft inzwischen weitgehend eingeebnet. so mancher Käufer ist inzwischen besser informiert als der verkäufer, wenn es um bestimmte eigenschaften eines Produktes geht – schließlich geht es beim autokauf um die – abgesehen vom immobilienerwerb – zumeist größte anschaffung eines endverbrauchers.

auch ein weiterer aspekt hat sich durch das internet geändert: Der typische Kunde von heute scheut sich nicht davor als unangemessen wahrgenommene erlebnisse mit dem Produkt oder vertrieb und service öffentlich zu akzentuieren. Die oems haben dies längst erkannt. social media monitoring gehört bei den meisten anbietern längst zum täglichen handwerkszeug. Doch aus der vielzahl von stimmen, die tatsächlich relevanten herauszufiltern und deren anliegen aufzugreifen erweist sich häufig als problematisch – allen anstrengungen rund um social media zum trotz. allein bei twitter werden täglich mehr als 500 millionen meldungen („tweets“1) abgesetzt.

rückrufaktionen

eins der meistdiskutierten themen auf den großen autoplattformen sind Produktrückrufe. rückrufaktionen sind aber auch der alptraum eines jeden autobauers. tausende von fahrzeugen zurück in die Werkstätten zu beordern, verursacht nicht nur enorme Kosten, sondern beschädigt praktisch immer das sorgsam aufgebaute und gepflegte image.nach Branchenangaben rief der japanische autobauer toyota 2009 und 2010 rund 10 millionen fahrzeuge zurück – wegen vergleichsweise banaler fehler wie zurück rutschender fußmatten und klemmender gaspedale. auch wenn die hauptprobleme in nordamerika verortet wa-ren – alleine in Deutschland waren davon mehr als 200.000 fahrzeuge betroffen – quer über alle modellreihen vom Kleinwagen aYgo bis zum rav4 geländewagen/Crossover2.

2011 rief Toyota erneut Fahrzeuge zurück – die fußraumverkleidung beziehungsweise die fußmatten waren hier der grund. Der schaden war unter anderem aus Pr-gesichtspunkten enorm – auch wenn interessan-terweise positive Berichte über toyota beim endverbraucher besser aufgenommen wurden als negative3, der anbieter also auf eine positive grundeinstellung zu seinem Produkt setzen durfte.

Die mehrfachen spektakulären rückrufe rund um – aus sicht des Kunden – immer das gleiche Problem zeigen nicht nur die möglichen negativen auswirkungen einer Plattformstrategie, sondern liefern bei näherer analyse ein musterbeispiel für verpasste Chancen im Bereich der Datenerfassung und -analyse.

so häuften sich lange vor dem rückruf Berichte von fahrern in diversen Webforen und social media Plattformen, aber auch nachweisbar an der Kundenschnittstelle, etwa durch konkrete Beschwerden bei den händ-lern4. in keinem fall erfolgte eine reaktion. man war bei toyota schlicht nicht in der Lage, die damals klar erkennbaren Warnsignale wahrzuneh-men, geschweige denn, darauf zu reagieren.

Eine aktive Social Media Strategie hatte man bis zum „fußmattendeba-kel“ bei toyota nicht verfolgt, ebenso wenig wurden relevante informati-onen von der händler-Kundenschnittstelle systematisch zurück an den hersteller gegeben.

in praktisch allen Branchen besteht heute Konsens, dass social mediageschäftsrelevante inhalte enthalten kann und es gefährlich wäre, dieszu ignorieren. aber während es vor einigen Jahren durchweg nochausreichend war, entsprechende foren in zyklischen abständen, typischerweise wöchentlich, manuell durchzusehen, bedarf es heute professioneller monitoringwerkzeuge, um die vielzahl der Äußerungen zu sammeln, vorzufiltern und einer weiteren auswertung zugänglich zu machen. Problem ist hierbei nicht nur die vielzahl der Quellen und einzelnen inhalte, sondern vor allen Dingen deren mangelnder struktu-rierungsgrad.

1) http://www.socialmediastatistik.de/twitter-500-millionen-tweets/2) http://www.toyota.de/about/news_and_events/recall-statement-faq.tmex

3) http://www.instituteforpr.org/4) http://www.utsandiego.com/news/2009/dec/04/report-loaner-car-in-fatal-crash-had-

earlier/


6

nicht vergessen werden darf bei der Diskussion um die Bedeutung vonsocial media, dass auch die erwartungen der anwender an die reakti-onsgeschwindigkeit der anbieter in den letzten Jahren enorm gestiegensind. eine nicht- oder verzögerte Beantwortung einer von der „netzge-meinde“ als relevant empfundenen Äußerung kann daher unter umstän-den weiteren schaden über die eigentlichen aussagen hinaus anrichten.nicht ganz ohne grund sprechen social media experten hier von der gefahr eines „shitstorms“.

diagnose und Wartung

Während das Ziel bei Produktrufen sein muss, diese soweit möglich zu verhindern, geht es bei fragen der Wartung im Wesentlichen um die optimale ausgestaltung derselben. alle 1-2 Jahre sieht ein durchschnitt-licher neuwagen/Jungwagen zwecks Kundendienst eine vertragswerk-statt. Bei jedem Besuch werden die fahrzeugdaten ausgelesen und geben wertvolle informationen an den hersteller zurück, die in die ent-wicklung einfließen oder gegebenenfalls auch bei der Behandlung von garantieansprüchen und Kulanzwünschen hilfreich sind. oder um eine bekannte metapher aufzugreifen: Die autos können längst sprechen – aber wir hören nicht richtig zu.

auch wenn moderne on-Board-systeme die Wartungsintervalle je nach Beanspruchung verlängern oder verkürzen, bleibt ein auto bisher typisch über monate hinweg „offline“. sich anbahnende Defekte in einzelnen fahrzeugen oder ganzen Baureihen werden so im Zweifel erst spät, unter umständen gar zu spät – das heißt – nach eintritt eines De-fektes festgestellt. eine permanente onlineanbindung könnte nicht nur dabei helfen, die Wartungsintervalle zu optimieren und fahrzeuge unter umständen bereits vor dem auftreten eines Defektes in die Werkstatt zu beordern, sondern auch per softwareupdate „over the air“ fehler zu be-heben und optimierungen vorzunehmen. insbesondere bei hybrid- und elektrofahrzeugen, bei denen auch die hersteller einer steilen Lernkurve über das nutzer- wie auch das systemverhalten unterliegen, kann eine laufende anonymisierte Überwachung der Betriebsdaten zu neuen er-kenntnissen führen – vorausgesetzt man kann diese sinnvoll auswerten.

neue nutZungsmodelle

Während bei Wartung und Diagnose eine onlineanbindung und eine laufende Datenauswertung als nutzbringende option anzusehen ist, existieren zunehmend anwendungsszenarien in der automobilbranche, die ohne eine solche permanente anbindung von fahrzeug beziehungs-weise fahrer an eine Zentrale, also hersteller oder Dienstleister, nicht existieren können.

Das bekannteste Anwendungsbeispiel ist die neue form des Carsha-ring, bei denen der nutzer das fahrzeug innerhalb einer definierten region an beliebiger stelle abstellen und entsprechend auch wieder anmieten kann. hier ist nicht nur informationsverarbeitung und laufen-de onlineanbindung notwendige voraussetzung für die etablierung des geschäftsmodells, auch die Differenzierung im Wettbewerb und letztendlich die margensituation wird im Wesentlichen von intelligenter vernetzung und Datenauswertung bestimmt.

gleiches gilt für andere neue Dienstleistungen rund um das Kraft-fahrzeug, die ortsbezogene Dienste offerieren. Beispielhaft seien hier versicherungsleistungen genannt, die das tatsächliche fahrverhalten des fahrers zum gegenstand der Prämie machen („PaYD“= Pay as You Drive). Lernen kann man hier von der mobilfunk-, aber insbesondere von der internetbranche, die längst den Wert von Daten, insbesondere von ortsbasierten Daten, erkannt hat und entsprechend zu nutzen weiß. so arbeiten zahlreiche Wissenschaftler an Prognosemodellen, um vorab ergründen zu können, welche Wege ein mensch zukünftig nehmen wird.

Der informatiker albert-Lázló Barabázi vom ungarischen Center of Complex networks berichtet etwa (in seinem vortrag bei der DLD13 Konferenz in münchen5) davon, dass man allein auf Basis von über einen Zeitraum von zwei Wochen anonymisiert erhobenen Bewegungs-daten ein Bewegungsprofil erstellen kann, das zu 93 Prozent exakt die künftigen Wege vorhersagen kann, die ein objekt nehmen wird. Dies ist eine spannende erkenntnis für zahlreiche der neu etablierten oder gerade erst angedachten nutzungsmodelle der Branche, insbe-sondere auch für das bereits genannte Carsharing. Bei dieser modernen form der gemeinsamen autonutzung existieren typischerweise keine festen anmietstationen, sondern die fahrzeuge lassen sich nach ver-wendung in einem verbreitungsgebiet an beliebiger stelle abstellen. Der nächste nutzer lokalisiert ein freies fahrzeug mit hilfe einer smart-phone-app oder internetanwendung und stellt das fahrzeug wiederum nach seiner fahrt an anderer stelle im vordefinierten gebiet ab. Damit das system für den nutzer frustfrei funktioniert, darf die entfernung bis zum nächsten freien fahrzeug nicht zu groß werden. Doch nicht immer landen die fahrzeuge nach fahrtende wieder in den stadtvier-teln, in denen sie als nächstes gebraucht werden. Die vorhersage von Bewegungsdaten hilft den Carsharing-anbietern nun beim umsetzen der fahrzeuge innerhalb des verbreitungsgebietes entsprechend dem antizipierten nutzungsverhalten. Die herstellung von Bezügen zu einem bestimmten nutzer ist dazu übrigens nicht notwendig. Die analyse erfolgt ausschließlich auf Basis anonymisierter Daten.

Wie man es auch dreht und wendet: Zahlreiche der aktuell drängends-ten herausforderungen in der automobilindustrie haben im Kern mit der erfassung und der intelligenten auswertung von Daten zu tun. Dabei genügt es nicht, die Daten aus erP- und Crm-systemen aufzubereiten und gegebenenfalls noch die Webstatistik der eigenen onlineanwen-dungen hinzuzuziehen. es gilt alle zur verfügung stehenden Datenquel-len – inklusive fahrzeugdaten, Kommunikationsdaten aus social media und Kundenkommunikation – zu aggregieren, nutzbar zu machen und entsprechend auszuwerten.

5) http://www.youtube.com/watch?v=nWZb7J-DYa0


7

Die erzeugte informationsmenge in den Kindertagen des informations-zeitalters ist jedoch mit dem heutigen output nicht mehr vergleichbar. eine umfassendere vernetzung nicht nur der Personen und unterneh-men, sondern auch einzelner gegenstände haben uns ebenso enorme Zuwächse an informationen beschert wie die wachsende akzeptanz und nutzung von smartphones und social media anwendungen. nach an-gaben der marktforscher von iDC („Big Data Webinar“ vom 11.12.2012) verdreifachen sich alleine zwischen 2010 und 2015 die Zahl der vernetzten geräte, verdoppelt sich die Zahl der applikationen und das generierte Datenvolumen erhöht sich um den faktor 6.

Die zunehmende Digitalisierung und vernetzung der modernen fahrzeuge sorgen – in verbindung mit der anbindung an die oems – für entsprechende Zunahme der auswertbaren Datenvolumina in der automobilbranche.

Konkret spricht etwa axel Deicke, vice President aftersales service technologies der BmW group von einer Zunahme der eingehenden Daten von rund 20 gB pro Jahr (in 2011) auf nunmehr 30 gB an Daten täglich – alleine bei der BmW group. nach seinen angaben sind dabei die Daten aus marktforschung und Kundenbetreuung noch nicht mit eingerechnet6.

Dass diese Zahlenangaben nur eine momentaufnahme sind, davon ist erol gökçek, head of industry solutions automotive & mobility bei der Deutschen telekom ag, überzeugt. er erwartet – anhand der ihm vorliegenden anforderungen der oems – ein Wachstum der übermit-telten Daten pro fahrzeug im monat von ca. 4 mB auf bis zu 5 gB in den nächsten Jahren.

Das tatsächlich benötigte Datenvolumen hängt dabei insbesondere vom nutzungsverhalten, also von der Zeit, die fahrer und Beifahrer im fahr-zeug verbringen, der anzahl der applikationen im fahrzeug (inklusive m2m) und nicht zuletzt von der verfügbaren Bandbreite ab.

Berücksichtigt man zudem die zunehmende Zahl der vernetzten fahrzeuge, so ist von einer explosion der zu übertragenden und zu verarbeitenden Datenmengen auszugehen. nach einer studie der unter-nehmensberatung oliver Wyman sollen im Jahr 2016 bereits 80 Prozent der global verkauften autos vernetzt sein. Damit werden dann weltweit etwa 210 millionen vernetzte Wagen auf den straßen rollen. verglichen mit den 45 millionen autos im Jahr 2011 bedeutet dies eine jährliche Wachstumsrate von mehr als 36 Prozent7.

big data

Bereits seit einigen Jahrzehnten wird vom informationszeitalter gesprochen: der Übergang vom industrie- ins informationszeitalter wird – je nach autor – in den 70er-, 80er oder anfang der 90er Jahre des letzten Jahrhunderts verortet. 20 Jahre stehen nun kommerzielle internetzugänge wie digitaler mobilfunk zur verfügung, der urahn unserer heutigen PCs debütierte schon vor mehr als 30 Jahren.

datenWachstum durch vernetZte fahrZeuge

aBB. 1 Quelle: t-systems (eigene Darstellung)

1.0000

50

100

150

200

250

2.000 3.000 4.000 5.000

Datenvolumen pro Fahrzeug/Monat (MB)

Anza

hl v

erne

tzte

r Fah

rzeu

ge (i

n M

io.)

2011 2012 2013 2014 2015 2016

6) http://www.computerwoche.de/subnet/ibm/datenmanagement/2514461/index2.html http://www.muenchner-kreis.de/pdfs/BigData/Deicke.pdf (vortrag im mai 2012)

7) http://www.oliverwyman.de/media-de/ow_am22011-es.pdf


8

Die Treiber dieser Entwicklung sind dabei – wie in voriger abbildung dargestellt – sowohl die anzahl der vernetzten fahrzeuge als auch die Datenmenge pro fahrzeug. nicht in der abbildung enthalten, aber eben-falls wesentlich – im hinblick auf Big Data anwendungen – ist die Zahl der sinnvoll möglichen verknüpfungen der Daten untereinander.Dennoch sind viele unternehmen auf dem holzweg, wenn sie davon ausgehen, man könne alleine mit „mehr speicher“ die herausforderung der Zunahme der Datenvolumina bewältigen. Die „iDC european vertical markets survey“ 2012 (1600 Befragte) wollte wissen „Wie wird der an-stieg des Datenvolumens ihr unternehmen/ihre organisation beeinflus-sen?“ und erhielt dazu folgende antworten:

29,2%: Wir müssen unseren informationsmanagementprozess neu bewerten

44,1%: Wir können damit umgehen indem wir unsere speicherkapazi-täten erweitern

19,5% sehen nur begrenzte oder keine auswirkungen 7,3% wissen es nicht / keine angabe

nur knapp 30% sehen – entsprechend der Befragung – die Chancen von Big Data, denn nicht das reine volumenwachstum – wie zuvor dar-gestellt – spielt die zentrale rolle. entscheidend ist es, die Daten in die richtigen Zusammenhänge zu setzen und die möglichen Beziehungen zwischen den Datenelementen zu hinterfragen.

Die Komplexität des Gesamtsystems steigt dabei durch die hinzunah-me jedes weiteren Datenobjektes deutlich – unter umständen sogar exponentiell an, da weitere objekte stets auch neue mögliche Bezie-hungen zu bestehenden objekten begründen.allen erwarteten aufwendungen zum trotz: Die systematische erfassung und auswertung eben dieser Daten ist insbesondere für oems – so wurde im eingangskapitel bereits aufgezeigt – geeignet, Wettbewerbs-vorteile gegenüber direkten Wettbewerbern und neuen Playern aus verbundenen märkten zu erzielen.

grundlagen big data

Die it-Branche spricht von „Big Data“, als wäre es etwas neues, geheimnisvolles. Was genau steckt hinter dem Begriff „Big Data“? als it-sachkundiger ist man geneigt, sofort den nächsten „hype-Begriff“ zu vermuten. es kann sich aber lohnen, dem Begriff im Detail nachzuspüren:unter Big Data versteht man große Datenmengen und Datentypen, also insbesondere auch unstrukturierte Daten, die mit gängigen Daten-banken und analysewerkzeugen nur unzureichend bearbeitet und ausgewertet werden können.

insbesondere durch die maschinelle erzeugung von Daten haben die Datenmengen in den vergangenen Jahren enorm zugenommen. Das analystenunternehmen iDC geht in seinem report „the Digital universe in 2020“ von einem Zuwachs der Datenmenge auf 40.000 exabytes in 2020 aus.

aBB. 2 Quelle: iDC

(EXABYTES)

2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

10.000

20.000

30.000

40.000

Wachstum der datenmenge

auch die nutzung von social media steigt weiter an, insbesondere auf dem smartphone – mit entsprechenden folgen für die menge der zu analysierenden Daten. interessanterweise ist dabei die menge der ent-stehenden informationen durch den „Digitalen schatten“, das heißt die indirekt über die nutzeraktivitäten gespeicherten Datenbestände größer als das, was der nutzer selbst an text, Bild und videoinformationen ins netz stellt.

Aber bedeutet am Ende mehr Quantität in der Datenbasis auch mehr Qualität bei den Ergebnissen?

8) http://www.emc.com/collateral/analyst-reports/idc-the-digital-universe-in-2020.pdf


9

von business intelligence Zu big data

Wie auch immer man die Definition detailliert: Der wesentliche un-terschied von „Big Data“ zu bisherigen unter dem Begriff „Business intelligence“ (Bi) gefassten ansätzen zur Datenanalyse liegt in gleich mehreren Dimensionen: Bi geht von der wiederholten auswertung struk-turierter Daten aus. Dazu werden Daten aus geschäftstransaktionen, internen applikationen, mainframe-systemen, vorhandenen Daten-banken und erP-systemen in einem sogenannten Data Warehouse zusammengefasst.

Big Data ergänzt diese Daten nun um weitere Datenquellen, die größtenteils unstrukturiert sind. Darunter fallen sensordaten (in der automobilbranche entsprechend fahrzeugdaten, Daten von rfiD-systemen), Daten aus social media, textdaten (zum Beispiel aus emails), unter umständen auch Bild-, ton- und videodaten. um diese sinnvoll analysieren zu können, sind neue formen der auswertung notwendig und entsprechende fachkenntnisse erforderlich.

Bei aller Begeisterung über die vielfalt und geschwindigkeit der auswer-tung darf nicht vergessen werden, dass insbesondere die aufbereitung der ergebnisse an den anforderungen der anwender ausgerichtet wer-den sollte, bis hin zu der Präsentation von personifizierten ausschnitten der analysen auf smartphones („small Data“).

charakteristika von big data : die „drei vs“

Big Data wird in weiten teilen der it-Branche mit den sogenannten 3vs charakterisiert:

Volume (menge der Daten) – wie oben dargestellt ist mit erheblichem Zuwachs des Datenaufkommens insbesondere aus vernetzten fahr-zeugen, aber etwa auch aus social media Plattformen zu rechnen.

Velocity (hohe geschwindigkeit bei der Bereitstellung wie verarbei-tung der Daten) – je schneller mögliche Zusammenhänge erkannt und die richtigen schlussfolgerungen gezogen werden können, umso bes-ser ist das für das ergebnis. Ziel ist die verfügbarkeit – auf Knopfdruck – in „Quasi“-echtzeit.

Variety (grosse Bandbreite der Datentypen und Datenquellen) – sowohl strukturierte Daten (wie z.B. messwerte) aber zunehmend auch unstrukturierte Daten wie texte (z.B. emails, nachrichten auf social media Plattformen) oder sprache sowie videos.

Wer als erfahrener it-Profi hier den verdacht äußert, „alter Wein in neuen schläuchen“, serviert zu bekommen liegt nicht ganz falsch: Die drei „vs“ als Definitionsgeber für das was wir heute Big Data nennen, sind tatsächlich bereits seit einigen Jahren bekannt. Zurückverfolgen lässt sich der ursprüngliche ansatz bis ins Jahr 2001 zu der analystenfirma meta group (nun teil von gartner). Deren analyst Doug Laney hat in einer research note aus dem Jahr 2001 erstmals von den „Drei vs“ als wesentlich für das Data management der Zukunft gesprochen9. Den Begriff Big Data hatte man damals natürlich noch nicht verwendet – erst die technologische entwicklung hat die möglichkeiten geschaffen, das was wir heute Big Data nennen, nicht nur zu sammeln, sondern auch in Beinahe-echtzeit auszuwerten und die richtigen schlüsse daraus zu ziehen.

Doch bei den 3vs bleibt es nicht. verschiedentlich arbeiten it-anbieter wie analystenfirmen an einer Weiterentwicklung des ansatzes. Das researchunternehmen experton10 schlägt etwa eine erweiterung der 3vs auf 5vs vor. Die beiden eingeführten weiteren vs stehen – nach Definition von experton – für:

Veracity – vertrauenswürdigkeit, vollständigkeit, aktualität und nutzbar-keit der Daten.

Value – Wert der Daten im sinne eines erzielbaren nutzens. Was hier und an anderer stelle wirken mag, als ob die analystenfirma den hauptpreis in einem alliterations-Wettbewerb zu gewinnen versucht, lässt sich auch anders zusammenfassen – ganz ohne „v“. so definiert das auf Business intelligence spezialisierte Beratungsunter-nehmen BarC Big Data als: „Bezeichnung für methoden und technologien für die hochskalier-bare erfassung, speicherung und analyse polystrukturierter Daten“11. in dieser Definition ist ausdrücklich von methoden und technologien, aber eben nicht von tools die rede. hochskalierbar bedeutet hier ent-sprechend: große Datenmengen, hohe anwenderzahlen, komplexe abfragen und schnelle aktualisierung der Daten und polystrukturiert steht für sowohl strukturierte, als auch semi-strukturierte und unstruk-turierte Daten – also alle existierenden strukturformen von Daten.

9) http://blogs.gartner.com/doug-laney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-construct-for-big-data/#comments

10) http://experton-group.de/

11) http://www.beyenetwork.de/blogs/bange/archives/2012/04/big_data_defini.php

big data methoden (ausWahl):

a/B testing association rule Learning Classification Cluster analyse Crowdsourcing Datenfusion und -integration Data mining ensemble Learning genetic algorithms machine Learning natural Language Processing neurale netzwerke netzwerkanalyse

optimierung mustererkennung Predictive modeling regression sentiment analysis signal Processing spatial analysis statistics supervised Learning/unsupervised Learning

simulation Zeitreihenanalyse visualisierung


10

Der Navigationssystemhersteller TomTom – bekannt für sein verkehrsdateninformationssystem, bei denen eine im endgerät eingebaute sim-Karte laufend standort und Position an die tomtom Zentrale übermittelt. Die nutzerdaten werden dort aggregiert und ausgewertet und als verkehrsinformationen wieder an die servicenut-zer herausgegeben, das heißt, der nutzer bekommt einen mehrwert (bessere verkehrsinformationen für die Bereitstellung der Daten). tomtom hat aber auf der suche nach neuen erlösquellen laut medi-enberichten14, Daten an die niederländische Polizei weitergegeben, die auf dieser Basis die standorte ihrer radarfallen optimiert. auch beinahe zwei Jahre nach Bekanntwerden des medial weithin disku-tierten vorfalls sieht sich tomtom zu einer dauerhaften öffentlichen Klarstellung auf der eigenen Website genötigt15. Branchenexperten sprechen hier bereits vom sündenfall des vernetzten fahrzeugs. hier sollte unbedingt ein in Datenschutzfragen erfahrener Partner hinzugezogen werden. opt-out-möglichkeiten für den endanwender sind dabei ebenso vorzusehen wie die Löschung der Daten – gemäß einem auf Basis dieser erkenntnis zu definierenden Löschkonzepts.

aber auch jenseits der frage nach dem Datenschutz tangiert Big Data eine vielzahl von gesetzlichen regelungen:

geschäfts- und Betriebsgeheimnisse (§17 uWg) unter umständen fragen des urheberrechts (erstellung der Daten-

bank, kein eigentum an Daten, aber recht des Datenbankherstellers: 15 Jahre)

fragen des Datenschutzrechts – nur soweit personenbezogene Daten zur verfügung stehen

verkehrsdaten aus der telekommunikation (§ 96 tKg), strafrecht: ausspähen bzw. abfangen von Daten (§ 202 a, b stgB) integrität informationstechnischer systeme ("Computergrundrecht" –

Bverfg 2008 online-Durchsuchung) schutzbereich allgemeines Persönlichkeitsrecht

Juristische Schützenhilfe ist also angezeigt.

14) http://www.nrc.nl/nieuws/2011/04/27/tomtom-speelt-gegevens-door-aan-politie/15) http://www.tomtom.com/page/facts

Wert der daten

nicht pauschal zu beantworten ist die frage nach dem roi (return on investment) von Big Data oder dem Wert der erhobenen Daten oder bes-ser deren auswertung. mcKinsey geht in seinem report „Big Data: the next frontier for innovation, competition, and productivity“ (Juni 2011) da-von aus, dass der handel seine margen um 60% steigern könnte. Zwar nimmt der report keine aufteilung auf einzelne handelssegmente vor und weist daher den automobilhandel nicht separat aus. Klar ist jedoch, dass jede spürbare verbesserung der margensituation willkommen ist, geht man von bescheidenen durchschnittlichen 2,1% umsatzrendite aus (Zahlenangabe für das geschäftsjahr 201212).

tatsächlich bedarf es einer Detailbetrachtung, um die ertragspotentiale von Big Data einschätzen zu können: Was bedeutet etwa eine früh-erkennung eines fehlers gegenüber den Kosten eines dadurch nicht notwendigen Produktrückrufs? Welchen Wert kann man neuen services beimessen, die – bezogen auf das Kernprodukt – nur eine randnotiz sind, aber für die Zukunft als Wachstumstreiber gelten?

datensicherheit und datenschutZ

Bei aller euphorie über die aus der auswertung der gesammelten Daten generierten Wertbeiträge darf nicht übersehen werden, dass die auswertung von Daten rechtlich problematisch oder zumindest ethisch fragwürdig sein kann. so kam es im Juni 2012 zu öffentlicher aufregung als der inhalt eines forschungsprojekts des hasso-Plattner-instituts bekannt wurde, bei dem für die schufa angaben zur Kreditwürdigkeit durch die auswertung von nutzerdaten aus sozialen medien erhoben werden sollten – ein klassischer Big Data ansatz, wenn auch nicht aus der automobilbranche. auch der mobilfunkanbieter telefónica musste seine Pläne, Bewegungsdaten seiner handynutzer zu verkaufen, in Deutschland stoppen – zumindest für den augenblick. aber auch in der automobilbranche zeigen einige vorfälle die Brisanz auf, die in dem thema „Big Data“ steckt:

Der Elektroautohersteller Tesla ist in der vergangenheit in die Kritik geraten, nachdem bekannt wurde, dass tesla nicht nur nutzungs-daten auslesen kann, worüber das handbuch informiert13, sondern auch per fernabfrage den standort des fahrzeugs abfragen kann, was in den nutzerinformationen nirgendwo erwähnung findet. man mag versucht sein, den laschen und in einigen Ländern klar rechts-widrigen umgang mit Kundendaten mit der amerikanischen startup-mentalität zu erklären. Dennoch: ein seriöser anbieter oder Dienstlei-ster muss den nutzer vorab über derartige maßnahmen aufklären und die möglichkeit eines Widerspruchs einräumen.

12) http://www.autohaus.de/nachrichten/109124613) http://media.theunderstatement.com/021_roadster_manual_p1-2.pdf

http://media.theunderstatement.com/021_roadster_addendum_p9.pdf


11

big data in der autoindustrie

voraussetZungen für die erfolgreiche nutZung von big data in automotive

in den zuvor genannten Beispielen sind bereits einige konkrete anwen-dungsfälle genannt, die man vielleicht nicht unbedingt sofort mit Big Data assoziiert, die aber im Kern genau diesen ansatz verfolgen. Damit Big Data erfolgreich eingesetzt werden kann, benötigt man eine reihe von voraussetzungen. Darunter fallen:

ein grundlegendes verständnis für Big Data in der organisation Die verfügbarkeit der Daten Die verfügbarkeit von it-ressourcen/it-Know-how Die verfügbarkeit von fachleuten für die Datenanalyse

erste hürde ist die entwicklung eines Bewusstseins für die Chancen und nutzenpotentiale von Big Data. Durch zunehmende Beschäftigung mit dem thema kommt – das ist die erfahrung der autoren dieses White-papers – das interesse von alleine. es bedarf allerdings zur verbreitung im unternehmen eines geeigneten sponsors aus dem top-management.Die verfügbarkeit der Daten – so möchte man meinen – kommt größten-teils von ganz allein. in der tat stehen viele der potentiell relevanten Daten bereits heute zur verfügung – man muss sie nur systematisch sammeln und nutzbar machen. andere Datenquellen, etwa laufende Übertragungen aus den automobilen oder die auswertung von social media Plattformen, müssen gegebenenfalls erst erschlossen werden, beziehungsweise die Daten erst von anderen unternehmen erworben werden – mögliche juristische implikationen inklusive.

ein weiterer wesentlicher faktor ist die verfügbarkeit von it-ressourcen. hier stehen allzu oft das tagesgeschäft und die dringend anstehenden Projekte neuen themen wie Big Data im Weg. umso wichtiger ist hier der sponsor aus dem topmanagement der dabei helfen kann, entsprechende ressourcen für Big Data bereitzustellen.

Wichtigster Engpass ist jedoch die verfügbarkeit von experten für die Datenanalyse. Diese sind rar und in den meisten unternehmen kaum beziehungsweise gar nicht vorhanden. nach angaben von accenture ist auch weiterhin mit Knappheit von entsprechend kompetenten mitarbei-tern zu rechnen16. Kurzfristige abhilfe ist demnach nicht in sicht, die fir-men können sich jedoch darauf einstellen und mit gezielten maßnahmen ihre eigene situation verbessern. genannt werden dabei unter anderem: steigerung der attraktivität der analystenarbeitsplätze im unternehmen, schaffung von flexiblen Karrierepfaden und der einsatz von Dienstleistern.

Die aussichten sind insgesamt gut: mcKinsey hat verschiedene Bran-chen hinsichtlich der eignung für den einsatz von Big Data verglichen und sieht in seiner heat map („Big Data studie“, siehe seite 10) die automo-bilindustrie, neben informationstechnologie und energiebranche, als eine der bestgeeignetsten Branchen für die nutzbarmachung von Big Data an – ungeachtet des akuten fachkräftemangels in dem Bereich. Die naheliegendste empfehlung findet sich dort jedoch nicht: gerade vor dem hintergrund knapper it-ressourcen und wenig vorhandener skills für die auswertung empfiehlt sich das Partnering mit einem Dienstanbieter, der erfahrungen mit Big Data und idealerweise auch mit anwendung in der automobilbranche nachweisen kann.

big data anWendungen in der autobranche

Big Data in der automobilindustrie hat viele mögliche facetten. gerade erst beginnen die Pioniere die möglichkeiten zu entdecken. nachfol-gende nennungen verstehen sich daher keinesfalls als vollständige auflistung, sondern als einladung über mögliche eigene anwendungs-felder nachzudenken.

16) http://www.accenture.com/siteCollectionDocuments/PDf/accenture-outlook-Where-will-you-find-your-analytics-talent.pdf


12

big data für die ProduktoPtimierung

ein aktives aufgreifen von Kundenrückmeldungen – etwa durch auswer-tung von social media Kanälen wie oben dargelegt – kann wesentlich dabei helfen, die Kundenerwartungen besser zu treffen und damit die Kundenzufriedenheit zu erhöhen. Produktoptimierung mit hilfe von Big Data analysemethoden sollte bereits in der Produktentwicklung ansetzen, etwa bei der auswertung von versuchsdaten und „in-Beziehung-setzung“ mit Bestandsdaten aus vergangenen erprobungen. auffälligkeiten mit Be-zug zu vergangenen Problemen lassen sich analysieren, in der ursache er-kennen und frühzeitig durch geeignete maßnahmen abstellen. im versuch lassen sich messdaten wie auch die anmerkungen der Prüfingenieure automatisiert auswerten und analysieren – und konzernweit mit ähnlichen erfahrungsbildern abgleichen, immer mit dem Ziel, fehler zu vermeiden und somit die gefahr von rückrufen weitgehend zu verhindern.

big data im aftersales

im Bereich aftersales und bei der garantieabwicklung kann Big Data – etwa durch detailliertere anonymisierte analyse des nutzungsverhal-tens der endverbraucher – dabei helfen, Wartungsintervalle gezielter zu bestimmen, Werkstattbesuche bedarfsgerechter festzulegen und eine wirklich individuelle werbliche ansprache zu erzeugen. genauso eignet sich Big Data auch, um die garantieabwicklung auf anomalien zu über-wachen und bei abweichungen, die indizien für die notwendigkeit einer serviceaktion geben könnten, mehr oder weniger selbständig „alarm zu schlagen“.

auch heutzutage gilt die alte erfahrung aus dem KfZ-gewerbe unverän-dert: „Das erste auto verkauft der verkäufer, das zweite die Werkstatt“. ein professioneller umgang mit den durch nutzung und im service entstehenden Daten hilft, die after sales Prozesse besser zu steuern und damit Kundenzufriedenheit, die auslastung der vertragswerkstätten und letztendlich auch den anteil von Wiederholungskäufern bei den neuwa-gen zu erhöhen.

big data und emobility

ein typisches weiteres anwendungsfeld von Big Data, das alle Beteiligten wegen der hohen Komplexität vor neue herausforderung stellt, ist die elektromobilität. anhand eines Beispiels werden die möglichkeiten einer Datenauswertung deutlich: im Projekt der Österreichischen Bundesre-gierung „vLotte“ sind 357 elektrofahrzeuge unterwegs (mit bis dato rund vier millionen gefahrenen Kilometern). Derzeit testet man dort die Plattform autoLinQ for electric vehicle, die der autozulieferer Continental und t-systems im rahmen einer technologiepartnerschaft entwickelt haben. Die autoLinQ-technologie ermöglicht die fahrzeuglokalisierung, Diagnose- und statusinformationen zu fahrzeug, Batterie und umgebung, das steuern des Ladevorgangs an normalen steckdosen, das auffinden von Ladestationen sowie das einbinden von Drittanbieter-funktionen. vLotte-Kunden können mit einer app die elektrofahrzeuge orten, den Ladevorgang steuern und kontrollieren sowie verschiedene Daten – unter anderem zum verbrauch – auslesen. Darüber hinaus gewinnt der flottenbetreiber durch die auswertung der permanent von allen fahrzeu-gen über autoLinQ bereitgestellten nutzungsdaten wertvolle erfahrungen aus dem emobility-Praxisbetrieb. Ähnliche effekte lassen sich auch für den hersteller erzielen – gerade bei der noch immer von „reichweitenäng-sten“ geplagten eher schleppenden vermarktung von elektrofahrzeugen kann eine detaillierte auswertung des tatsächlichen fahrverhaltens realer anwender dabei helfen, die notwendigen impulse für die Weiterentwick-lung des Produktes und die zielgruppengerechte vermarktung zu geben.

Weitere anWendungsfelder

es ist eingangs schon angeklungen: Big Data muss nicht auf vorhan-dene systeme und Prozesse beschränkt bleiben, sondern eröffnet neue anwendungsmöglichkeiten auch und gerade für oems – bis hin zur etablierung neuer geschäftsfelder, etwa bei der entwicklung von neuen formen von Dienstleistungen für die vernetzten fahrzeuge.

Bereits genannt wurden Big Data anwendungen für das Carsharing, ebenso wie die nutzungsbasierte gestaltung und abrechnung von versi-cherungsleistungen in form von „PaYD“ (Pay as You Drive).mögliche weitere anwendungsfelder sind zum Beispiel ortsbasierte Dienste, wie etwa die Bereitstellung lokaler Wetterinformationen. Die Warnung vor streckengefahren (unfall, glatteis,…), hilfestellung bei Parkplatzsuche und -reservierung, oder die intermodale navigation unter einbeziehung anderer verkehrsmittel (Bus, Bahn, flugzeug). vorstellbar sind darüber hinaus auch Kooperationen mit Partnern und die entwick-lung völlig neuer geschäftsideen, die sich für den autofahrer der Zukunft vielleicht eines tages in meldungen wie „stau voraus, sie müssen mit 18min verzögerung rechnen, probieren sie das neue mcCafe – gleich an der nächsten ausfahrt. hier ist ihr gutschein für einen vergünstigten Latte machiatto!“ auf dem Borddisplay äußern.


13

„Zero Distance“: Die gefühlte nähe zwischen anbieter und endkunde gilt als ideale Basis für langfristige Produkt- und markenbindung. von Daten als „Öl des 21. Jahrhunderts zu sprechen“ ist längst mehr als ein geflügeltes Wort. es empfiehlt sich, jetzt die anwendungsmöglich-keiten für die heute und in Zukunft bei entwicklung, Produktion, vertrieb, nutzung und Wartung von fahrzeugen entstehenden möglichkeiten zu untersuchen und so die gefahr des eindringens von branchenfremden anbietern, wie google & Co., zu minimieren.

von anfang an sollten dabei datenschutzrechtliche fragen berück-sichtigt werden, um nicht durch unbedachte aktivitäten ungewollte mediale aufmerksamkeit zu erzeugen. Dies gilt insbesondere für die in Datenschutzfragen sensiblen märkte in europa. ebenso sollte darüber nachgedacht werden, die Kunden und fans der marke aktiv einzubinden, bei der findung der Konzepte durch Crowdsourcing ebenso wie bei der verwendung der Daten hinterher.

faZit

Big Data im automotive-sektor verspricht nicht nur Kostenersparnis, sondern bietet auch interessante und möglicherweise hochlukrative möglichkeiten für die ergänzung des eigenen geschäftsmodells. in jedem fall hilft Big Data – richtig eingesetzt – den oems bei der etablierung und optimierung von direkten Bezie-hungen zum endkunden.

im Zeitalter der Partizipation ist davon auszugehen, dass ein teil der endanwender ganz offen ihr „recht auf teilhabe“ einfordert und etwa nach der Öffnung von allen Datenformaten und Datenbeständen verlangt, bei denen er selbst tangiert ist. Beim zuvor genannten tesla roadster kursieren etwa bereits anleitungen zur eigenen auswertung der Daten durch den nutzer selbst – ein Kunde der ersten stunde und großer fan der marke hatte das Datenformat per „reverse engineering“ geknackt und die formate im internet veröffentlicht 17. vergleichbare aktivitäten sind vielfach rund um Big Data zu erwarten, das Zeitalter der abschottung ist – zumindest aus nutzersicht – längst vorbei. auch hier kann – richtig eingesteuert – die verbesserte teilhabe der anwender zu mehr nähe und mehr Kundenbindung führen.

ein in sachen „Big Data“ kundiger und in der automobilindustrie erfahrener Partner kann schließlich nicht nur dabei helfen, die Potentiale von Big Data in einem unternehmen frühzeitig zu erschließen und dem absehbaren fachkräftemangel bei den Datenanalysten zu begegnen, sondern auch die fallstricke, die bei der implementierung lauern, zu umgehen.

17) http://www.mybitbox.com/articles/tesla-roadster-log-parsing/


14

abbildungsverZeichnis

aBBiLDung 1 datenWachstum durch vernetZe fahrZeuge

aBBiLDung 2 Wachstum der datenmenge

kontakt

t-systems international gmbh focus industries marketingulrich Lessmann Pascalstr. 1110587 [email protected]

t-systems international gmbh market intelligencehermann hänlefasanenweg 570771 [email protected]

herausgeber

t-systems international gmbhhahnstraße 43d60325 frankfurt

verantwortlich für den inhalt:focus industries marketing

http://www.t-systems.de

stand: februar 2013

White PaPer Big Data in automotive: ChanCen unD ... · White PaPer big data in automotive: chancen...

Documents

Transcript of White PaPer Big Data in automotive: ChanCen unD ... · White PaPer big data in automotive: chancen...