Door sensor- en operationele data te combineren, blijft de winstgevendheid behouden

Een groot autobedrijf moest sensor- en operationele data combineren om aantrekkelijke aanbiedingen, betere klantenservice en grotere winstgevendheid te leveren. Het bedrijf maakt vrachtwagens, bussen en bouwmachines. Rob Mellor, VP &GM EMEA, WhereScape praat met het bedrijf over hun reis.

Welke veranderingen in de vrachtwagenindustrie hebben geleid tot uw datastrategie?

Het bevindt zich op een vergelijkbaar punt als waar de auto-industrie zich in de jaren negentig bevond; de concurrentie is hevig, de marges zijn extreem krap en de winst wordt voornamelijk gemaakt via add-on sales. Voor de auto-industrie waren add-on sales onderdelen; voor de vrachtwagenindustrie is het een aanbod voor garanties, financiering, onderhoud en verzekering. De grote uitdaging voor alle vrachtwagenbedrijven is hoe ze aantrekkelijke aanbiedingen kunnen doen die aanzienlijk beter zijn dan die van concurrenten. Onze reactie was om sensoren in onze vrachtwagens te introduceren; we geloven dat we door inzicht in voertuigactiviteit veel relevantere aanbiedingen kunnen creëren.

Hoe werkt de vrachtwagensensor gegevens worden de kern van uw zakelijk?

Het stelt ons in staat om elk aspect van elke individuele vrachtwagen te begrijpen. We kunnen componenten monitoren, precies waar het is gereden, hoe snel het ging en hoe agressief het werd gereden. Sensordata gecombineerd met operationele data (zoals merk, model en onderhoudshistorie) stellen ons in staat een gedetailleerd profiel op te bouwen. Door de juiste tools voor informatiebeheer te gebruiken, produceren we aanbiedingen met een hoge statistische kans om winstgevend te zijn.

Zo kopen we vrachtwagens terug na afloop van de leasecontracten en analyseren we de potentiële waarde op basis van de sensordata. Een vrachtwagen die door de Australische outback is gereden, zal niet dezelfde levensverwachting hebben als die van een vrachtwagen die op Europese snelwegen heeft gereden. Dus in plaats van beide vrachtwagens te verkopen op basis van kilometerstand, kunnen we ze verkopen op basis van hun levensverwachting. Hierdoor realiseren we een veel hogere marge op de vrachtwagen met een hogere levensverwachting, maar liefst 5%, wat neerkomt op miljoenen euro's per jaar. Dat maakt een enorm verschil voor de winstgevendheid.

Analyse van sensorgegevens betekent dat we weten dat een bepaald onderdeel gevaar loopt na bijvoorbeeld 100.000 km en dat een bepaalde vrachtwagen onder zware omstandigheden wordt gereden, zodat we kunnen voorspellen wanneer onderhoud nodig is. Wij adviseren de klant om de truck mee te nemen voor onderhoud. Dit soort inzicht stelt ons in staat om servicecontracten met een vaste prijs aan te bieden met de garantie dat er geen storingen zullen optreden.

Mensen die vrachtwagens kopen, zijn geïnteresseerd in het brandstofverbruik van hun wagenpark. Met behulp van sensordata kunnen we het gemiddelde brandstofverbruik per vrachtwagen, rit en zelfs chauffeur berekenen. Als u over deze informatie beschikt en ernaar kunt handelen door zuinigere routes te vinden of chauffeurs op te leiden, kunnen wagenparkeigenaren aanzienlijke besparingen opleveren.

Heeft het gebruik van sensorgegevens een goede zaak een grote technologische uitdaging voor de organisatie?

Het verandert het spel volledig. Sensorgegevens op zich hebben geen waarde; we moeten het kunnen analyseren aan de hand van operationele gegevens - context biedend door te koppelen aan de onderhoudsgeschiedenis.

Deze twee gegevenstypen zijn totaal verschillend; sensordata is hoog volume, lage complexiteit en operationele data is laag volume, hoge complexiteit. Hoe deze twee datatypes in elkaar passen en ze beheren in een volledig geïntegreerd Enterprise Data Warehouse (EDW) is nog maar het begin van de uitdaging. Sensoren creëren datasets die groot en complex zijn, dus het is moeilijk om ze te verwerken met traditionele dataverwerking.

We hadden een snellere, flexibelere aanpak nodig voor het vastleggen, verwerken en analyseren van deze gegevens om de bedrijfsstrategie te ondersteunen. We integreren ook veel andere soorten gegevens om de winstgevendheid te verbeteren; bijvoorbeeld ongestructureerde gegevens zoals weers-, verkeers- en stakingsinformatie.

Hoe heb je deze uitdagingen overwonnen?

Met WhereScape hebben we een agile analyse- en datamanagementstrategie. Ze automatiseren de planning en het inbouwen van gegevens in onze IBM Netezza Enterprise Data Warehouse (EDW), 10 keer sneller dan traditionele methoden. WhereScape stelt ons in staat om waarde uit de sensordata te halen en de time-to-market te verkorten; we zijn in staat om onze BI-oplossingen sneller dan ooit te leveren.

WhereScape helpt ons ook met de integratie van al onze informatiemanagementsystemen. We moesten overstappen van onafhankelijke datamarts met hun eigen modelleringstechnieken naar een volledig geïntegreerde EDW met één enkele wereldwijde modelleringsstandaard. We zijn van een ad hoc technische benadering naar een modelgestuurde benadering gegaan.

De belangrijkste IT-voordelen van het gebruik van WhereScape zijn gegevensconsistentie en de integriteit van onze gehele gegevensomgeving - we hebben vijf sites die aan dezelfde EDW werken. Wijzigingen in systeemonderhoud zijn veel sneller en eenvoudiger.

We hebben een nieuwe gecentraliseerde informatiebeheeromgeving gecreëerd die ons een 360° crossfunctioneel beeld van onze gegevens geeft, op basis van één enkele modelleringsmethode. EDW is onze eerste concrete stap in het beheren van big data. We zullen in staat zijn te reageren op de nieuwe vraag naar het mengen van gegevens van de verschillende bedrijven met grotere volumes, bijna realtime respons en betere traceerbaarheid en herbruikbaarheid.

WhereScape staat centraal in onze toekomst en ik kijk ernaar uit om nog vele jaren met hen samen te werken.

De auteur van deze blog is Rob Mellor, VP &GM EMEA van WhereScape