Predictive Maintenance: AI und Big Data ermöglichen es, Servicefälle zu vermeiden, bevor sie entstehen! 

Nils Hafner Hochschule Luzern

Immer mehr Contact Center nutzen analytische Tools. Das zeigt die Studie des Service-Excellence Cockpits 2018, an der über 200 Großunternehmen in ganz Europa teilgenommen haben. Das eröffnet neue Möglichkeiten für den Kundenservice. So können Servicefälle beispielsweise vorhergesagt werden, bevor sie entstehen. Durch die enormen Einsparungspotentiale, die eine solche Optimierung mit sich bringt, ist das im Investitionsgüterumfeld schon längst ein großes Thema. Durch die Verknüpfung von „Big Data“ und lernenden Algorithmen wird die Verwendung analytischer Tools zunehmend auch im Umfeld der Konsumgüterindustrie und Handel interessant.  

 

Das sogenannte Predictive Maintenance ist eine Spielart des Predictive Modelling, welches für den Servicebereich zukünftig enorm an Bedeutung gewinnen wird. Hier spielt der Umgang mit Big Data und der darauf aufbauenden prädiktiven Analytik eine besondere Rolle, wie eine Studie der Universität Potsdam aufzeigt (i). Bezogen auf den Kundenservice geht es bei Predictive Maintenance vor allem um das proaktive Handeln eines Unternehmens zum Vermeiden von absehbaren Servicefällen. Es geht also darum, aus verfügbaren Datenquellen ein Modell zu entwickeln, welches voraussagt, wann welcher Servicefall mit welchen Konsequenzen für das Unternehmen und den Kunden eintritt. Das verhindert zum einen unnötige Wartungskosten von Maschinen aufgrund fixer Zyklen, auf der anderen Seite aber auch einen teuren Ausfall einer Maschine oder eines Geräts.

„Es geht also darum, aus verfügbaren Datenquellen ein Modell zu entwickeln, welches voraussagt, wann welcher Servicefall mit welchen Konsequenzen für das Unternehmen und den Kunden eintritt.“

Wie hoch ist die Wahrscheinlichkeit eines Ausfalls?

Ziel ist es, einen hoher Grad an Kundenzufriedenheit zu generieren. Dies ist vor allem dadurch möglich, dass nicht nur firmeninterne Daten und Informationen aus den Kundendialogen und Erfahrungsdaten über die eigenen Produkte sondern auch externe Umweltdaten zur Modellierung herangezogen werden. Dies kann man an einem Beispiel aus der Maschinenbau-Industrie darstellen (siehe Abbildung 1).

Abbildung 1: Modell zur Kalkulation der Ausfallwahrscheinlichkeit im Maschinenbau (Quelle: Hoong et al. 2013)

Im Gegensatz zu einer Wartungslogik dieser Maschine, die nach festen zeitlichen oder Nutzungszyklen abläuft, bezieht das Predictive Maintenance Modell interne sowie externe und statische wie auch dynamische Daten ein, um zu prognostizieren, wie hoch die Wahrscheinlichkeit eines Ausfalls der Maschine ist. Nun kann man rein wirtschaftlich kalkulieren, was der Ausfall der der Maschine pro Tag oder Stunde kostet.

„Der Algorithmus lernt mit jedem Ausfall einer Maschine hinzu. Auf Basis aller laufenden Maschinen und deren Serviceintervallen und ungeplanten Ausfällen wird die Genauigkeit des Schätzmodelles immer besser und kann so den optimalen Zeitpunkt für eine Wartung bzw. einen Austausch feststellen.“

Der optimale Zeitpunkt für eine Wartung

Im konkreten Fall bedeutet das: Erfolgt die Wartung zu früh, hätten die Verschleißteile der Anlage länger genutzt werden können. Es entstehen also unnötige Kosten. Steht die Maschine, entstehen dem Kundenunternehmen Ausfallkosten, die unter Umständen vertragsbedingt an das herstellende Unternehmen weitergereicht werden können. Hier kommt Machine Learning ins Spiel. Der Algorithmus lernt mit jedem Ausfall einer Maschine hinzu. Auf Basis aller laufenden Maschinen und deren Serviceintervallen und ungeplanten Ausfällen wird die Genauigkeit des Schätzmodelles immer besser und kann so den optimalen Zeitpunkt für eine Wartung bzw. einen Austausch feststellen.

Predictive Servicing am Beispiel einer Kaffeemaschine

Diese Logik ist zunehmend auch in B-to-C Umgebungen nutzbringend anzuwenden. Nehmen wir als Beispiel den Fall eines Händlers, der qualitativ hochwertigen Kaffee in Kapseln im Rahmen eines Club-Modells an seine Kunden zu hohen Margen verkauft. Dieses Unternehmen kennt durch sein Business Modell den Kunden mit Namen und Adresse. Es weiß also, wie viele Kapseln welcher Kaffeesorte der Kunde gekauft hat. Gleichzeitig kennt es die Marke und den Typ der verwendeten Maschine. Das Unternehmen kennt die durchschnittliche Lebensdauer dieser Maschinen in Bezug zum Wasserhärtegrad am Wohnort des Kunden. Dieser ist in entwickelten Märkten recht leicht herauszufinden. Auch weiß das Unternehmen, wie häufig der Kunde seine Maschine entkalkt hat. Das Entkalkungsset bezieht er ja in der Regel auch über den Club. All diese Faktoren ergeben ein Schätzmodell, welches mit der Zeit wie oben beschrieben verfeinert wird. Nun ist lediglich noch zu klären, wie man den Ausfall dieser Maschine vermeidet.

„Nur, wenn Gesamtservicekosten erfasst und verglichen werden können, ist Predictive Servicing erfolgreich.“

Andererseits weiss das Handelsunternehmen, dass ein Kunde, dessen Maschine ausfällt, im Durchschnitt einen Monat keinen Kaffee kauft, bis er eine neue Maschine angeschafft hat. Während dieser Zeit besteht natürlich ein erhöhtes Risiko eines Anbieterwechsels, da ja eine Wechselbarriere, nämlich eine funktionierende Kaffeemaschine, weggefallen ist. Um die Ausfallkosten der entgangenen Umsatzmarge und das Risiko des Anbieterwechsels zu minimieren, macht der Händler dem Kunden nun ein (aus dessen Sicht) vorteilhaftes Angebot, sobald die Wahrscheinlichkeit eines Maschinenausfalls ein gewisses Ausmaß erreicht hat. Der Kunde kann bei Bestellung einer gewissen Menge Kaffee eine neue (aus seiner Sicht weitere) Kaffeemaschine zu einem für ihn attraktiven Angebotspreis erwerben. Geht der Kunde auf das Angebot ein, ist das Predictive Servicing hier für den Kaffeehändler erfolgreich gewesen.

Gesamthaft sieht man, dass es um eine Optimierung der Wartungs- bzw. Gesamtservicekosten geht. Diesem Sachverhalt trägt auch das Service-Excellence Cockpit in seiner neuesten Umfragewelle Rechnung. Nur, wenn Gesamtservicekosten erfasst und verglichen werden können, ist Predictive Servicing erfolgreich.

Merkpunkte

  • Bei der Predictive Maintenance geht es darum, aus verfügbaren Datenquellen ein Modell zu entwickeln, welches voraussagt, wann welcher Servicefall eintritt, und welche Konsequenzen das für das Unternehmen mitbringen würde.
  • Ein Algorithmus lernt mit jedem Ausfall einer Maschine dazu. Das Schätzmodells wird immer genauer und kann so den optimalen Zeitpunkt für eine Wartung oder einen Austausch feststellen.
  • Predictive Servicing kann in ganz unterschiedlichen Bereichen zur Verwendung kommen. Im Investitionsgüterumfeld ist das bereits ein grosses Thema, und gewinnt zunehmend auch in der Konsumgüterindustrie an Bedeutung.

Literaturangaben

downdown

Autor

Nils

Prof. Dr. Nils Hafner

Prof. Dr. Nils Hafner ist Professor an der Hochschule Luzern und Alumnus des Marketingnetzwerks MTP.

Beitrag teilen

LinkedIn Twitter Xing Xing

Als PDF speichern

PDF