Объединение данных датчиков и рабочих данных гарантирует, что рентабельность грузовых перевозок будет продолжаться

Крупной автомобильной компании необходимо было объединить данные датчиков и эксплуатационные данные, чтобы предоставлять привлекательные предложения, улучшать обслуживание клиентов и повышать прибыльность. Компания производит грузовые автомобили, автобусы и строительную технику. Роб Меллор, вице-президент и генеральный директор по региону EMEA, WhereScape рассказывает компании о своем путешествии.

Какие изменения в автомобильной отрасли повлияли на вашу стратегию обработки данных?

Это похоже на то, где была автомобильная промышленность в 1990-е годы; конкуренция жесткая, маржа чрезвычайно низкая, а прибыль в основном получается за счет дополнительных продаж. Для автомобильной промышленности дополнительными продажами были запчасти; для автомобильной промышленности это предложения по гарантиям, финансированию, обслуживанию и страхованию. Основная проблема для всех компаний, занимающихся грузовыми автомобилями, заключается в том, как создать привлекательные предложения, которые значительно лучше, чем у конкурентов. Нашим ответом было введение датчиков в наши грузовики; мы считаем, что, изучив активность транспортных средств, мы сможем создавать гораздо более релевантные предложения.

Как работает датчик грузовика данные становятся основой вашего бизнес?

Это позволяет нам понять каждый аспект каждого отдельного грузовика. Мы можем отслеживать компоненты, точно, где они были запущены, насколько быстро они двигались и насколько агрессивно они двигались. Данные датчиков в сочетании с эксплуатационными данными (такими как марка, модель и история обслуживания) позволяют нам построить подробный профиль. Используя правильные инструменты управления информацией, мы создаем предложения, которые имеют высокий статистический шанс быть прибыльным.

Например, мы выкупаем грузовики после истечения срока лизинговых договоров и анализируем потенциальную стоимость на основе данных датчиков. У грузовика, который проехал по австралийской глубинке, не будет такой же продолжительности жизни, как у грузовика, который ездил по европейским шоссе. Таким образом, вместо того, чтобы продавать оба грузовика на основе пробега, мы можем продавать их на основе ожидаемого срока их службы. Это позволяет нам добиться гораздо более высокой прибыли от грузовиков с более высоким ожидаемым сроком службы, до 5%, что составляет миллионы евро в год. Это имеет огромное значение для прибыльности.

Анализ данных датчиков означает, что мы знаем, что определенная часть подвергается риску после, скажем, 100 000 км, а конкретный грузовик движется в тяжелых условиях, и мы можем предсказать, когда потребуется обслуживание. Советуем заказчику сдать машину в сервисное обслуживание. Такое понимание позволяет нам предлагать контракты на обслуживание с фиксированной ценой с гарантией отсутствия поломок.

Люди, покупающие грузовики, интересуются расходом топлива их автопарков. Используя данные датчиков, мы можем рассчитать средний расход топлива грузовиком, поездкой и даже водителем. Наличие этой информации и возможность действовать в соответствии с ней - путем поиска более экономичных маршрутов или обучения водителей - может означать значительную экономию для владельцев автопарков.

Используется ли поза данных датчика большой технологический вызов для организация?

Это полностью меняет игру. Данные датчиков сами по себе не представляют ценности; мы должны иметь возможность анализировать его по оперативным данным, обеспечивая контекст, связывая его с историей обслуживания.

Эти два типа данных совершенно разные; данные датчиков имеют большой объем, невысокую сложность, а оперативные данные - небольшие объемы, высокую сложность. Как эти два типа данных сочетаются друг с другом и управление ими в полностью интегрированном корпоративном хранилище данных (EDW) - это только начало проблемы. Датчики создают большие и сложные наборы данных, поэтому их сложно обрабатывать с помощью традиционной обработки данных.

Нам нужен был более быстрый и гибкий подход к сбору, обработке и анализу этих данных для поддержки бизнес-стратегии. Мы также интегрируем многие другие типы данных для повышения прибыльности; например, неструктурированные данные, такие как информация о погоде, дорожном движении и забастовках.

Как вам удалось преодолеть эти трудности?

С WhereScape у нас есть гибкая стратегия анализа и управления данными. Они автоматизируют планирование и создание данных в нашем IBM Netezza Enterprise Data Warehouse (EDW), в 10 раз быстрее, чем традиционные методы. WhereScape позволяет нам извлекать выгоду из данных датчиков и сокращать время выхода на рынок; мы можем предоставлять наши решения бизнес-аналитики быстрее, чем когда-либо прежде.

WhereScape также помогает нам с интеграцией всех наших систем управления информацией. Нам нужно было перейти от независимых витрин данных с собственными методами моделирования к полностью интегрированному EDW с единым глобальным стандартом моделирования. Мы перешли от специального технического подхода к подходу, основанному на модели.

Основными ИТ-преимуществами использования WhereScape являются согласованность данных и целостность всей нашей среды данных - у нас есть пять сайтов, работающих на одном EDW. Изменения в обслуживании системы выполняются намного быстрее и проще.

Мы создали новую централизованную среду управления информацией, которая дает нам универсальное представление данных на 360 ° на основе единого метода моделирования. EDW - это наш первый конкретный шаг в управлении большими данными. Мы сможем реагировать на новые требования по смешиванию данных от разных предприятий с большими объемами, близким к реакции в режиме реального времени, а также лучшей отслеживаемостью и возможностью повторного использования.

WhereScape играет ключевую роль в нашем будущем, и я надеюсь работать с ними на долгие годы.

Автор этого блога - Роб Меллор, вице-президент и генеральный директор по региону EMEA, WhereScape