www.eco.de
+49 221 700048-0
info@servicemeister.org

grandcentrix und Würth: Mit Data Discovery Produkte und Services optimieren

KI Service - Industrie 4.0

grandcentrix und Würth: Mit Data Discovery Produkte und Services optimieren

Daten

Autorin: Dr. Laura Ohrndorf, Data Scientist, grandcentrix GmbH

Produkte optimieren, Kund:innen besser beraten und Service-Fälle schneller abwickeln – Assoziationsanalysen von Service-Daten machen es möglich. Welche Voraussetzungen erfüllt sein müssen und welche weiteren Vorteile sich für Unternehmen bieten – grandcentrix und Würth stellen Ergebnisse ihrer Arbeit für Service-Meister im Blogbeitrag vor.

Egal, ob Buchungen, Verkäufe oder Retouren – Unternehmen erheben fortlaufend Transaktionsdaten. Das sind Daten, die im Geschäftsbetrieb entstehen und finanzielle, logistische und sonstige geschäftsbezogene Prozesse abbilden. Im Gegensatz zu anderen erhobenen Daten haben Transaktionsdaten einen Zeitstempel.  Schon allein aus formalen und rechtlichen Gründen müssen operative bzw. logistische Daten gespeichert und archiviert werden. Oft werden diese Daten auch als Basis für Analysen herangezogen: deskriptive Analysen und das Einbeziehen von daraus abgeleiteten Erkenntnissen in die Planung sind ein Quasi-Standard in den meisten Unternehmen.

Ein besonderes Potenzial entwickeln Transaktionsdaten, wenn sie mit weiteren Datensätzen verknüpft und anhand vorab definierter Kriterien gefiltert werden. So entsteht durch intelligente Verarbeitung ein neuer Datensatz. Anschließend können mit verschiedenen Analysemethoden spezifische Fragestellungen beantwortet werden. Diese Herangehensweise wird häufig Data Discovery genannt.

Mehr als Reporting und Monitoring

Bei Data Discovery geht es darum, Muster und Auffälligkeiten durch Analyse und Visualisierung in konsolidierten Daten zu finden. Im Gegensatz zur klassischen BI-Datenanalyse, die das Reporting und Monitoring des Ist-Zustandes der Daten und ein darauf basierendes Forecasting in den Mittelpunkt stellt, geht Data Discovery weiter und versucht Geschäftsprozesse gezielt mit Hilfe unterschiedlicher Datensätze oder auch durch das Auflösen von Daten-Silos zu optimieren, Probleme zu identifizieren und Fragen zu beantworten.

Data Discovery setzt sich aus drei Schritten zusammen:

  • Data Preparation: Die Vorbereitung der Daten durch Bereinigung (z.B. das Entfernen von Duplikaten) und Transformation.
  • Data Visualization: Das Visualisieren von Daten mit Hilfe von Diagrammen.
  • Advanced Analytics: Die Anwendung von weiterführenden Analysemethoden wie z.B. Clustering oder Kohortenanalysen.

Data Discovery im Schnellboot grandcentrix und Würth

Das Schnellboot von grandcentrix und Würth verfolgt den Ansatz der Data Discovery mit Datensätzen zu Verkaufsdaten und Service-Fällen. Dies sind Daten zu Reparatur- und Wartungsvorgängen, die in der hauseigenen Werkstatt abgewickelt werden. Würth bietet mit seinem umfangreichen Produkt- und Zubehör-Portfolio eine sehr wertvolle Datenbasis an, mit der zahlreiche Fragestellungen zu Nutzungsmustern und Auffälligkeiten beantwortet werden können.

Hier ist nicht nur interessant, wie häufig einzelne Produkte gekauft werden, sondern auch wie der Kauf im Zusammenhang mit anderen Käufen oder auch der Inanspruchnahme von Service-Leistungen steht. Mit Hilfe einer Assoziationsanalyse können dabei Abhängigkeiten ermittelt werden. So lassen sich wichtige Erkenntnisse für die Optimierung von Produkten, aber auch für die Beratung von Kund:innen und das Handling von Service-Fällen gewinnen.

Assoziationsanalyse sorgt für maßgeschneiderte Angebote

Die Assoziationsanalyse wird allgemein genutzt, um Muster in Datensätzen zu finden und daraus Regeln zu generieren. Besonders bekannt ist die Warenkorbanalyse. Anhand vorhandener Transaktionsdaten werden Gewohnheiten der Kundschaft analysiert, indem Korrelationen zwischen unterschiedlichen Waren berechnet und daraus Assoziationen abgeleitet werden. Meist werden aus den Ergebnissen Handlungsvorschläge entwickelt. So können Sonderangebote effektiver gestaltet oder die Warenanordnung im Geschäft verändert werden. In Onlineshops bekommen Kund:innen Kaufvorschläge anhand der Assoziationsregeln unterbreitet („Kunden, die dieses Produkt kauften, kauften auch …“).

Während die Warenkorbanalyse der bekannteste Anwendungsfall ist, findet die Assoziationsanalyse mittlerweile in zahlreichen Domänen außerhalb des Marketings Anwendung, so z.B. auch bei der Sequenzierung von Viren oder der Diagnose von Krankheiten.

Zusammenhänge zwischen Verbrauchsmaterialien und Servicefällen erkennen

Das Schnellboot fokussiert sich auf Anwendungsfälle rund um die Service-Daten. Eine Analyse, welche Zusammenhänge zwischen Service-Fällen bestehen, liegt also auf der Hand. Neben ausführlichen Daten zu Service-Fällen und zugehörigen Metadaten, sind Informationen zu Verkäufen von Geräten und Bestellungen von Verbrauchsmaterialien wie Schrauben, Trennscheiben oder Gerätezubehör verfügbar. Für einige Geräte sind zudem auch individuelle Nutzungsdaten oder Sensorwerte bekannt, so dass auch diese bei einer Analyse einbezogen werden können.

All diese Daten lassen sich über die Kunden- und Seriennummer miteinander verknüpfen. Unter der Prämisse, dass Kund:innen Geräte und Zubehör ausschließlich bei Würth kaufen, entsteht so ein vollständiges Bild darüber, welche Geräte die Kundschaft verwendet, welches Zubehör sie kauft und falls sie Geräte reparieren oder warten lässt, um welche es sich dabei handelte.

Ein erster Blick auf die visualisierten Daten, also dem zweiten Schritt der Data Discovery, kann hier schon interessante Ergebnisse liefern und gibt erste Indizien dafür, welche Daten in einer tiefergehenden Analyse betrachtet werden sollten.

Erstellung von Assoziationsregeln sind die Basis

Durch eine gezielte Filterung und Aggregation können nun sehr spezifische Datensätze erstellt werden, die die Generierung von Assoziationsregeln ermöglichen. So kann ein Datensatz erstellt werden, in dem für Besitzer:innen eines bestimmten Werkzeuges die gekauften Verbrauchsmaterialien, sowie eventuelle Service-Fälle festgehalten sind. In diesem spezifischen Fall sind besonders Assoziationen interessant, die als Konsequenz eine Reparatur haben. So könnte sich zum Beispiel die Regel ergeben, dass bei Kund:innen, die ein bestimmtes Werkzeug besitzen und ein bestimmtes Verbrauchsmaterial wie Schrauben, Bohrer oder Trennscheiben kaufen, eine höhere Wahrscheinlichkeit für einen Servicefall dieses Werkzeuges besteht. Wie stark diese Assoziation ist, lässt sich anhand von Kennzahlen definieren.  

Interpretation der Assoziationsregeln durch Expert:innen

Sobald die Assoziationsregeln aufgestellt sind, geht es darum, diese auf Kausalitäten zu untersuchen. Dabei unterstützen Expert:innen, die mit Produkten und Prozessen vertraut sind. Es sind zahlreiche Szenarien denkbar, die sich durch eine tiefergehende Analyse von Fehlerursachen ergeben, z.B.:

  • Treten Defekte besonders häufig bei Kund:innen auf, die ein bestimmtes Zubehörteil kauften?
  • Besteht ein Zusammenhang zwischen dem Einsatzgebiet und der Häufigkeit von Defekten?
  • Führen bestimmten Nutzungsmuster von Branchen zu bestimmten Fehlertypen?

Aus all diesen Fragen ergeben sich zahlreiche Aktionen, durch die in Zukunft nicht nur Defekte verhindert werden können und somit die Zufriedenheit von Kund:innen erhöht werden kann. Naheliegend ist die Überarbeitung von Geräten und Zubehör, um sich stärker an die reale Nutzung der Geräte anzupassen und Ausfällen durch Weiterentwicklung vorzubeugen. Hier kann es schon ausreichend sein, Anleitungen oder Empfehlungen zu überarbeiten. Oft lässt sich auch ein Hinweis auf eventuell inkompatibles Zubehör auch schon in den Online-Shop integrieren.

Bildnachweis: iStock-969859872


Dieser Artikel hat Ihnen gefallen? Dann abonnieren Sie unseren Newsletter und erhalten Sie regelmäßige Updates zu ähnlichen Themen und zum Projekt Service-Meister und diskutieren Sie mit uns zu diesem und ähnlichen spannenden Themen in unserer LinkedIn Gruppe.