Herausforderung
Die Planung anfallender Kosten für Gewährleistungsansprüche sowie die Untersuchung von Einflussfaktoren auf mögliche Ausfälle im Feld sind zentrale Fragestellungen im Rahmen der Qualitätsanalyse. Unser Kunde, ein internationales Automobilunternehmen, stand vor der Herausforderung, seine Tools zur Prognose der Ausfälle verschiedener Motor- und Antriebskomponenten zu verbessern, um die Planung anfallender Gewährleistungskosten optimieren zu können.
Ansatz
Die Modellierung von Ausfallzeitpunkten kann auf verschiedene Arten erfolgen. Best-Practice-Ansätze wie Weibull-Analysen sind häufig zu eindimensional, um die komplexen Wirkbeziehungen zwischen verschiedenen Einflussfaktoren auf den Ausfall zu berechnen. Komplexere Modelle wie Survival-Modelle oder nichtparametrische Schätzungen der erwarteten Ausfallverteilung bieten flexiblere Möglichkeiten, sind jedoch häufig aufgrund hochdimensionaler Einflüsse und sehr großer Datenmengen keine Option. Zur Berechnung der Ausfallzeitpunkte haben wir ein Machine Learning Modell verwendet, das zum einen die hochdimensionale Datenstruktur adäquat verarbeiten kann und zum anderen eine genaue Prognose der Ausfallzeitpunkte liefert.
Ergebnis
Das entwickelte Machine Learning Modell zeigte gegenüber dem bestehenden Tool eine signifikante Verbesserung der Prognosegüte. Die im Rahmen des Projekts entwickelten Modelle und Erkenntnisse helfen dem Kunden heute, die zu erwartenden Gewährleistungskosten bestmöglich zu planen und abzuschätzen. Zur optimalen Nutzung wurde das Modell in eine Dashboard-Umgebung implementiert.