Key results
Hintergrund
Seit vier Jahren nutzt ein großer Automobilhersteller in Frankreich die Data-Science-Expertise von Expleo, insbesondere im Bereich der Textanalyse, um einen umfassenden Überblick über die Kundenzufriedenheit mit seinen Fahrzeugen im Service zu erhalten. Was ist das Ziel? Die Stimme des Kunden in Millionen von unstrukturierten Datensätzen zu finden und besser hörbar zu machen.
Herausforderung - Datenberge aus Kundenfeedback
In der Automobilbranche ist die Überprüfung der Leistung eines Fahrzeugs heute ebenso Standard wie die Kontrolle von Getriebe oder ECUs. Ob es darum geht, die Sicherheit der Insassen zu garantieren, den Fahrkomfort zu gewährleisten oder sie effizient über Fahrt zu informieren, der kleinste Fehler kann in dieser Vielzahl von Daten Auswirkungen haben. Um besser vorhersehen zu können, welche Fehler bei seinen Fahrzeugreihen auftreten, nutzt ein französischer Automobilhersteller Expleos Fachwissen in den Bereichen Data Science, Textanalyse und RAMS (Reliability, Availability, Maintainability & Safety) Engineering genutzt, um eine umfassende 360°-Studie aller gemeldeten Qualitätsrückläufer durchzuführen. Angesichts von mehreren tausend monatlichen Kundenfeedbacks ist die Menge der produzierten Daten und die Vielfalt der Quellen, aus denen sie stammen, eine enorme Herausforderung. Dazu gehören etwa Ergebnisse von Zufriedenheitsumfragen, Rückmeldungen aus Werkstätten oder Workshops, Telefonprotokolle von Call-Centern und in sozialen Netzwerken oder Fachforen geteilte Meinungen.
Lösung - Big Data Mining plus RAMS-Expertise
Die Verarbeitung einer so großen Menge an Informationen “von Hand” ist ohne die Hilfe von Big-Data-Tools, die eine Kombination aus RAMS-Analyse, künstlicher Intelligenz und Datenvisualisierung bieten, extrem zeitaufwändig. Genau dieses Know-how stellen die von Expleo für dieses Projekt eingesetzten Experten der Qualitätsabteilung unseres Kunden zur Verfügung. Konkret umfasst das Team mehrere Komponenten: RAMS-Ingenieure, die für die Untersuchung der Betriebssicherheit der anvisierten Fahrzeugreihen zuständig sind. Auf natürliche Sprache spezialisierte Datenwissenschaftler, um die zahlreichen schriftlichen Informationsquellen besser analysieren zu können. Und Datenanalysten, die für die Gestaltung der Dashboards zur Datenvisualisierung zuständig sind, und eine einfache Auswertung der Daten ermöglichen. Zurzeit deckt die von Expleo eingesetzte Lösung die Fahrzeugflotte unseres Kunden in Frankreich ab, wobei das Projekt um ein viertes Jahr verlängert wurde. Da die Parameter, die bei der Entstehung eines Fehlers zu berücksichtigen sind, komplex sind, setzt Expleo bei diesem Projekt auf die Kombination der Programmiersprache Python, einer auf natürlicher Sprachverarbeitung (NLP) basierenden Datenanalysemethode sowie auf die Datenvisualisierungsplattformen TIBCO Spotfire, R Shiny oder Dash.
Ergebnis – Data Science für bessere Diagnose von Produkt und Services
Für unseren Kunden besteht der erste bedeutende Vorteil in einer drastischen Verringerung des Zeitaufwands und der technischen oder personellen Ressourcen, die für die Analyse seiner Feldberichte erforderlich sind. Für ein bestimmtes Problem werden beispielsweise mehrere Tage der manuellen Transkription auf wenige Minuten der Datenverarbeitung reduziert! Dank der ausgefeilten NLP-Algorithmen von Expleo konnten Fehlalarme bei der Suche nach Schlüsselwörtern, die zu einem Ausfall führen können, deutlich reduziert werden. Nach einer Testphase können die Algorithmen von Expleo die Rückleserate um 50% reduzieren, bei einer Fehlerquote von nur 5%. Der Vorteil war für die Qualitätsabteilung unseres Kunden schnell spürbar, z. B. bei einem Wort wie “Licht”, dessen viele mögliche Interpretationen (Abblendlicht, Positionslicht…) zu einer geringeren Relevanz bei der Diagnose führen könnten. Über dieses Beispiel hinaus ist die richtige Diagnose natürlich das übergeordnete Ziel. Und auch hier sind die Ergebnisse durch die Kombination von Datenauswertung und Datenvisualisierungstools beachtlich. Dank der von Expleo eingerichteten Dashboards wurden Prozesse automatisiert, und Zusammenhänge zwischen den gesammelten Informationen können schneller aufgezeigt werden. Derzeit klassifizieren die Algorithmen von Expleo potenzielle Qualitätsprobleme in 600 Fehlerszenarien mit einer Genauigkeit von mindestens 80 %.
Durch die Automatisierung, den Komfort und die Geschwindigkeit der Expleo-Lösung profitieren die Qualitätsteams unserer Kunden von einer verbesserten Reproduzierbarkeit der Identifikationskriterien für ihre Feldberichte. Dies ist von unschätzbarem Wert, um die Kundenerwartungen so genau und schnell wie möglich zu erfüllen".
Lead Data Scientist, Expleo
