Big Data in der Automobilindustrie Eine Managementperspektive

Größe: px

Ab Seite anzeigen:

Download "Big Data in der Automobilindustrie Eine Managementperspektive"

Lena Simen
vor 8 Jahren
Abrufe

1 München, März 2015 Big Data in der Automobilindustrie Eine Managementperspektive Eine Studie von Berylls Strategy Advisors

2 Big Data bietet für die Automobilindustrie enorme Potenziale dennoch steht die Branche noch am Anfang und muss die notwendige Basis erst schaffen Kernaussagen 1 Der Hype um Big Data ist gerechtfertigt: Zahlreiche Beispiele belegen den hohen Nutzen von Big Data für Unternehmen doch noch lässt die Automobilindustrie viele Potenziale ungenutzt 2 Erfolgskritische Anwendungsfälle von Big Data in der Automobilindustrie lassen sich über die gesamte Wertschöpfungskette hinweg identifizieren und adressieren somit nicht nur Marketing & Vertrieb 3 Bereits die Implementierung einzelner Anwendungsfälle (Use Cases) eröffnet den OEMs bei einer konsequenten Durchführung enorme Erlös- und Einsparpotenziale in Höhe von >400 DB pro Fahrzeug 4 Die Aussagen von befragten Managern und Experten sind einstimmig: Big Data stellt weniger eine technologische als vielmehr eine kulturelle und organisatorische Herausforderung für die Branche dar 5 Um zu Benchmark-Industrien aufzuschließen und den Weg zur datengetriebenen Organisation zu ebnen, ist eine evolutionäre Vorgehensweise im Rahmen eines umfassenden Transformationsprozesses nötig 2

Data in der Automobilindustrie lassen sich über die gesamte Wertschöpfungskette hinweg identifizieren und adressieren somit nicht nur Marketing & Vertrieb 3 Bereits die Implementierung einzelner

3 Berylls hat auf Grundlage der allgemeinen Big Data -Definition zwei Betrachtungsdimensionen abgeleitet Herleitung Betrachtungsdimensionen (illustrativ) Wie klar können das Problem und mögliche Ursachen beschrieben werden? Sind Echtzeitanalysen notwendig? (Bsp.: Analyse von Diagnosedaten) Analytische Dimension Velocity unklar Fragestellung / Hypothese Betrachtungsraum Big Data Analytics klar gering Komplexität der Daten hoch Wie komplex sind die Daten? (z.b. unstrukturierte Daten aus unterschiedlichsten internen und externen Quellen wie CRM und Social Media) Dimension Daten Volume Variety 3

: Analyse von Diagnosedaten) Analytische Dimension 40 60 20 80 Velocity unklar Fragestellung / Hypothese Betrachtungsraum Big Data Analytics klar

4 Durch die Weiterentwicklung entlang des Big Data -Evolutionspfades neue und komplexere Anwendungsfelder für Big Data erschlossen werden können Evolutionärer Pfad von BI-Technologien im Zeitverlauf (illustrativ) unklar 3 Predictive Analytics Einsatzbereich Big Data Finanzbranche Bsp.: Hochfrequenzhandel > Automatisches Treffen von Anlageentscheidungen basierend auf Echtzeitanalyse großer Datenmengen > Reaktion innerhalb von Sekundenbruchteilen, um kleinste Margenunterschiede auszunutzen Fragestellung /Hypothese 2 1 High-Performance BI Klassische BI Retail / Commerce Bsp.: Loyalitätsprogramme > Erfassen von Einkaufverhalten durch Loyalitätskarten > Nutzung der Datenanalyse zur gezielten Kundenansprache & prädiktiven Absatzplanung Automobilindustrie Bsp.: CRM im Vertrieb klar gering Komplexität der Daten hoch > CRM Systeme zentraler Bestandteil des Vertriebs > Datengenerierung meist beim Händler > Geringe Systemintegration zwischen Handel & OEM > Nutzung v.a. für gezieltere Kundenansprache 4

: Hochfrequenzhandel > Automatisches Treffen von Anlageentscheidungen basierend auf Echtzeitanalyse großer Datenmengen > Reaktion innerhalb von Sekundenbruchteilen, um kleinste Margenunterschiede

5 Big Data -Potenziale können grundsätzlich entlang der gesamten automobilen Wertschöpfungskette gehoben werden Automobile Wertschöpfungskette Forschung & Entwicklung Einkauf, Logistik & Qualität Produktion Marketing & Vertrieb After Sales Financial Services Use Cases als Hebel zur von: > Umsatz > Kosten Entfeinerung / Teileauslegung PLM Lastbasierte Zuverlässigkeit Dynamische Lieferketten- Steuerung Dynamische Produktionssteuerung Produktionsplanung Targeting / Retargeting Kundensegmentierung Wartungsmanagement Teilelogistik Pay How / As You Drive (PHYD / PAYD) Dynamische Leasingverträge > Retention > Portfolio > Prozessen > etc. IP Management Variantenvielfalt Fehler- Früherkennung Supplier Risk Assessment Zustandsbasierte Instandhaltung Erhöhung Produktionsflexibilität Showroom- Sonderausstattungsoptimierung Personalisierte AS-Angebote Datenbasierte Loyalisierungsprogramme Fraud Detection Individualisierte Angebote (1:1) 5

Steuerung Dynamische Produktionssteuerung Produktionsplanung Targeting / Retargeting Kundensegmentierung Wartungsmanagement Teilelogistik Pay How / As You Drive (PHYD / PAYD) Dynamische

6 Im Rahmen der Studie wurden Experteninterviews in der Automobilindustrie durchgeführt, um neuralgische Punkte bei Big Data -Initiativen zu identifizieren Beschreibung der Befragung > Teilstrukturierte Interviews mit Vertretern der Automobilindustrie und Experten angrenzender Branchen > >30 Interviews im Zeitraum Q4/2014 Q1/2015 durchgeführt, größter Anteil sind OEM-Vertreter OEMs IT-Dienstleister Zulieferer Solution -Provider! Zentrale Aussagen > Die Aussagen von befragten Managern und Big Data -Experten fällt einstimmig aus: Big Data stellt für die Automobilindustrie weniger eine technologische als vielmehr eine kulturelle und organisatorische Herausforderungen dar > Die Mehrheit aller Befragten sieht das Kriterium Kultur & Organisation als wichtigste Stellschraube für eine erfolgreiche Einführung von Big Data an > Kernherausforderungen sind insbesondere die Fragen der Governance sowie der Ansiedlung der Verantwortung von Big Data -Initiativen > Silodenken sowie politische Grabenkämpfe bremsen die Automobilhersteller aus und führen dazu, dass selbst mögliche Quick Wins auf Basis bestehender Daten nicht realisiert werden > Einige Befragte bemängeln die Verankerung von Big Data in den tatsächlichen strategischen Zielen: häufig bleibt es bei Lippenbekenntnissen des Top- Managements, das mit der Umsetzung befasste mittlere Management verfolgt jedoch andere Ziele > Das Vorhandensein einer breiten methodischen und technologischen Expertise wird weniger kritisch gesehen, da diese einfach am Markt beschafft werden können > One size fits all -Ansätze und gesamthafte Vergaben von Big Data -Aktivitäten an externe Dienstleister halten oft nicht das, was sie versprechen > Automobiles Know-how ist insbesondere im Rahmen der Hypothesengenerierung und der Ergebnisinterpretation unverzichtbar Quelle: Experteninterviews, Berylls Strategy Advisors 6

IT-Dienstleister Zulieferer Solution -Provider!

7 Kultur & Organisation wird mit großem Abstand als wichtigstes Kriterium angesehen, gefolgt von Strategie und Technologie Talent-Management fällt leicht ab Beschreibung der Befragung > Teilstrukturierte Interviews mit Vertretern der Automobilindustrie und Experten angrenzender Branchen > >30 Interviews im Zeitraum Q4/2014 Q1/2015 durchgeführt, größter Anteil sind OEM-Vertreter Auszug der Ergebnisse Cluster Strategie Kultur & Organisation Beurteilung Unwichtig Wichtig OEMs Zulieferer Talent- Management IT-Dienstleister! Technologie Solution -Provider = Einschätzung der Befragten (Arithmetisches Mittel) Quelle: Experteninterviews, Berylls Strategy Advisors 7

durchgeführt, größter Anteil sind OEM-Vertreter Auszug der Ergebnisse Cluster Strategie Kultur & Organisation Beurteilung - + 1 5 Unwichtig Wichtig OEMs Zulieferer

8 Auf Basis der Befragungsergebnisse sowie eigener Projekterfahrungen wurde eine Momentaufnahme im Abgleich zu einer Benchmark-Industrie skizziert Cluster Strategie Kultur & Organisation > Strategische Verankerung von Big Data > Datenbasierte Geschäftsmodelle Talent- Management Kriterium > Big Data -Governance > Datengetriebene Entscheidungskultur > Kultur der Zusammenarbeit > Dezidierte Data Scientists > Analyse- und Interpretations- Know-How Ausprägung Ist Soll (mittelfristig) Benchmark - + gering hoch Ist Technologie > Datenverfügbarkeit > Integration Datenhaushalt > Datenschutz > Analyse-Tools & Infrastruktur Die Automobilindustrie ist schon heute technologisch stark aufgestellt, weist aber vor allem kulturelle Schwächen auf Die Finanzindustrie hat die Bedeutung von Big Data bereits voll verinnerlicht und treibt den Ausbau massiv voran 8

Scientists > Analyse- und Interpretations- Know-How Ausprägung Ist Soll (mittelfristig) Benchmark - + gering hoch Ist Technologie > Datenverfügbarkeit > Integration Datenhaushalt > Datenschutz >

9 Berylls Strategy Advisors GmbH Maximilianstrasse München T info@berylls.com

Ähnliche Dokumente

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren