Mit Predictive Analytics und Text Mining
Garantieforderungen
analysieren und überwachen.

Garantieanalysen

Aus Garantieansprüchen für technische Systeme erwachsen hohe Anforderungen an die betriebswirtschaftliche Planung der Hersteller und die Ressourcenzuteilung der Service-Betriebe. Mit einer Garantieanalyse lassen sich Anzahl und Kosten von künftigen Garantieansprüchen prognostizieren und Produktrückrufe vermeiden.

Insbesondere Automobilhersteller und ihre Zulieferer profitieren heute vom Einsatz moderner Verfahren der Garantieanalyse. Dabei werden nicht nur statistische Verfahren der Zuverlässigkeits- und Lebensdaueranalyse eingesetzt, sondern auch linguistische Methoden zur Analyse unstrukturierte Textdaten aus Garantieberichten und Beschreibungen von Kunden.

Einsatzszenarien

Ausfallprognosen

Statistische Verfahren der Zuverlässigkeits- und Lebensdaueranalyse ermöglichen eine Vorhersage künftiger Garantieansprüche, indem die Anzahl der gelieferten Systeme über einen Zeitraum mit der Anzahl der aus den Lieferungen zurückgegebenen Systeme verglichen werden.

Ein großes Einsparpotenzial liegt in der frühzeitigen Fehlererkennung, durch die  Ausfälle vorhergesagt und Produktrückrufe vermieden werden können. Aus Sensordaten für den tatsächlichen Abnutzungsgrad von Bauteilen lassen sich mit Data-Mining-Verfahren Prognosemodelle für Ausfälle entwickeln (Internet of Things: IoT) und damit Service- und Wartungskosten senken.

Service-Analysen

Hersteller können durch Service-Analysen Kosten sparen, wenn erforderliche Reparaturen frühzeitig erkannt werden und die Ersatzteillogistik entsprechend optimiert wird. Ein modernes Verfahren zur frühzeitigen Fehlererkennung ist die Analyse unstrukturierter Daten, die aus Textkommentaren in Garantiedokumenten von Kunden und Mechanikern extrahiert werden. Text-Mining-Werkzeuge erkennen systematisch auftretende Probleme in den Kommentarfeldern der Dokumenten.

Der Statistica Enterprise Server mit Text-Mining kann Datensätze aus allen Datenquellen mit verfügbaren Testdaten kombinieren. Dadurch können die bereits vorhandenen internen Informationen um externe Datenquellen erweitert werden, wie beispielsweise Benutzerbeiträge auf Social-Media-Plattformen. Die Informationen der Textdaten werden mit linguistischen Methoden (Statistical Natural Language Processing) extrahiert und in aussagekräftige Variablen übersetzt, die dann zur Ausfallprognose genutzt werden können.

Predictive Quality Control

Bei einer Ursachenanalyse verwenden Sie historische Fertigungsdaten um Einflussfaktoren und deren Wechselwirkungen auf die Produktqualität zu identifizieren. Multivariate Betrachtungen sowie die gemeinsame Berücksichtigung von unterschiedlichen Produktionsprozessen ermöglichen es, ein statistisches Modell der Produktionsbedingungen zur Prognose von Fehlern bei der Fertigung einzelner Bauteilen zu entwickeln.

Aus den Prognosemodellen lässt sich mit Hilfe des Process Optimizers von Statistica dann ableiten, mit welchen Produktionsbedingungen die Entstehung von Fehlern vermieden werden kann. Diese moderne Form der Prozessüberwachung wird heute auch als Predictive Quality Control bezeichnet, bei der wichtige Störgrößen identifiziert und daraus resultierende Qualitätsprobleme frühzeitig prognostiziert werden. Damit lassen sich Ausfallwahrscheinlichkeiten bereits vor der Auslieferung von Systemen minimieren und somit Kosten für Garantieansprüche präventiv senken.

Referenzen

Anwenderbericht

Forschergruppe der RWTH Aachen evaluiert Text Mining mit dem STATISTICA Text Miner.

Kontakt