rpc-top-five-data-analytics-use-cases-in-automotive-aftersales

von Dr. Sebastian Koch, Dr. Denise Muschik, Dr. Maximilian Hausmann

Automotive Aftersales: Top 5 Data Analytics Use Cases

Die voranschreitende digitale Transformation und insbesondere KI & Automatisierung verändern die Zukunft von nahezu allen Branchen. Auch im Automotive Aftersales gibt es viele Chancen, sich durch Data Analytics Lösungen mit echtem Mehrwert für die Werkstatt und die Kunden von der Konkurrenz abzuheben. 

Automotive Aftersales im Strom der Digitalisierung und Automatisierung

Die voranschreitende digitale Transformation und dabei insbesondere KI & Automatisierung verändern die Zukunft von nahezu allen Branchen. Auch der Automotive Aftersales steht kontinuierlich vor neuen Herausforderungen wie abnehmender Kundenloyalität, hohem Wettbewerbsdruck, geringen Margen, Fachkräftemangel und der Erwartungshaltung ihrer Kunden einer „Seamless Online-Offline Experience“.

 Die Digitalisierung birgt jedoch nicht nur Risiken, sondern bietet vor allem auch Chancen auf geringere Kosten, höhere Gewinne und darauf, sich von der Konkurrenz abzuheben – vorausgesetzt es werden datengetriebene Use Cases mit einem echten Mehrwert für die Werkstatt und den Kunden identifiziert. Im Folgenden möchten wir Ihnen 5 solche Use Cases vorstellen.

data-analytics-im-automotive-aftersales-rpc-1

Demand Forecasting

Demand Forecasting zielt darauf ab, zunächst die historische Nachfrage über die Zeit zu analysieren und darauf aufbauend Prognosen über die zukünftige Nachfrage zu treffen. Beantwortet werden sollen also die beiden Kernfragen, welche Services wann gebucht werden und welche Ersatzteile wann benötigt werden.

In der Praxis gibt es zur Beantwortung dieser Fragen bisher meist nur manuelle Planungen, Controlling-Berichte für die vergangenen Monate und Abschätzungen eines groben Marktpotentials. Ersatzteile werden jedes Jahr ähnlich bestellt und notfalls eingelagert.

Mit einer datengetriebenen Nachfrageprognose als Entscheidungsgrundlage kann eine Werkstatt seine Services viel besser auf die erwartbare Nachfrage ausrichten – bspw. Ersatzteile rechtzeitig und in ausreichender Menge bestellen oder genügend Arbeitskraft für Peakzeiten bereithalten.

Capacity Planning

Mit Capacity Planning soll die Verfügbarkeit von Personal und Ersatzteilen so gesteuert werden, dass damit die langfristige Nachfrage nach Services und nach Ersatzteilen möglichst kostengünstig bedient werden kann – vor allem mit Methoden der Personaleinsatzplanung und des sog. Predictive Orderings.

Die entscheidenden Mehrwerte von Capacity Planning liegen der besseren Ausnutzung der vorhandenen Kapazitäten und in der Vermeidung von Unter- oder Überdeckung von Personal und Ersatzteilen. Beispielsweise können kurzfristige und teure Nachbestellung vermieden werden.

Predictive Maintenance

Im Automotive Aftersales buchen Kunden einen Servicetermin zur Reparatur oder Ersatz eines Fahrzeugteils üblicherweise erst im Schadenfall. Erschwerend kommt hinzu, dass bei Schäden häufig bereits keine Garantie mehr besteht. Dies sorgt für Frust beim Kunden, der bei rechtzeitiger Wartung hätte vermieden werden können. 

Predictive Maintenance bezeichnet die Praxis, proaktiv auf Kunden mit Empfehlungen zur Wartung zuzugehen, bevor Schäden auftauchen. Dies gelingt, indem zunächst Ausfallwahrscheinlichkeiten für bestimmte Fahrzeugteile unter Verwendung von Fahrzeug- und Fahrzeugnutzungsdaten berechnet und anschließend die relevanten Services, die die Ausfallwahrscheinlichkeiten drastisch verringern, identifiziert werden.

Durch das rechtzeitige Vorbeugen von Schäden hilft Predictive Maintenance im kompletten Lebenszyklus eines Fahrzeugs, Geld zu sparen – solange Schäden durch die Hersteller-Garantie gedeckt sind, vor allem den Werkstätten, im Anschluss vor allem den Kunden. Dies führt schlussendlich auch zu einer höheren Kundenzufriedenheit und dadurch Loyalisierung.

Churn Prediction & Prevention

Die Gründe für Abwanderung im Automotive Aftersales sind vielschichtig und kundenindividuell. Sie können z. B. vom Fahrzeugtyp, der Zufriedenheit und persönlichen Merkmalen abhängen. Da ein abgewanderter Kunde nur in seltenen Fällen wieder zurückkommt, ist es umso wichtiger, von ehemals abgewanderten Kunden zu lernen und der Abwanderung von weiteren Kunden vorzubeugen.

Churn prediction & prevention hat das Ziel, abwanderungswillige Kunden frühzeitig zu erkennen und diese durch geeignete Maßnahmen zu halten. Mit bereits verfügbaren Buchungsdaten und Kundenstammdaten lassen sich meist schon Prognosen erstellen, welche Kunden zu welchem Zeitpunkt wie stark abwanderungsgefährdet sind. In einem zweiten Schritt können auf Basis von Kundensegmenten oder sogar kundenindividuell Maßnahmen verprobt werden, die Abwanderung verhindern sollen. Auf diese Weise kann man gezielt bestehende Kunden halten, anstatt mehr Kosten für die Akquise neuer Kunden aufwenden zu müssen.

Price Optimization 

Die Nachfrage im Aftersales-Geschäft unterliegt im Jahresverlauf starken Schwankungen. So sind saisonale Peakzeiten, bspw. im Reifengeschäft um Ostern und Oktober, davor und danach aber auch Leerlauf die Regel. Mit fortschreitender Digitalisierung kommt erschwerend hinzu, dass insbesondere preissensible Kunden sich online das günstigste Angebot suchen. 

Das Ziel von Price Optimization ist, die kurz- bis mittelfristige Nachfrage nach Services durch kundenindividuelle Preissetzung so zu beeinflussen, dass sie sich gleichmäßig über die Zeit verteilt und so die verfügbare Arbeitszeit gewinnmaximal verwendet wird – dieses Vorgehen wird auch als Nachfrageglättung bezeichnet wird. In einem ersten Schritt muss hierfür die Möglichkeit geschaffen werden, ein und dieselbe Kernleistung (bspw. einen Reifenwechsel) zu mehreren Preisen anbieten zu können, bspw. durch Frühbucherrabatte, Preisaufschläge in Peakzeiten oder Rabatte in Randzeiten. So können durch Preisoptimierung

  • preissensible Kunden durch attraktive Preise in Randzeiten (zurück-)gewonnen werden.
  • durch die bessere Ausnutzung der Kapazitäten mehr Nachfrage bedient werden
  • unterschiedliche Zahlungsbereitschaft abgeschöpft werden, wodurch insgesamt sogar höhere Durchschnittspreise erzielt werden können.

Unsere Empfehlung

data-analytics-im-automotive-aftersales-rpc-2

Um eine Empfehlung darüber zu geben, in welcher Reihenfolge die Use Cases verprobt werden sollten, lohnt sich unserer Erfahrung nach zunächst ein Blick auf die Machbarkeit, auch wenn der unmittelbare Mehrwert bei manch anderem Use Case auf den ersten Blick größer erscheinen mag. Zentral sind die folgenden Kernfragen:

  • Für welche Use Cases sind bereits Daten verfügbar?
  • Welcher Use Case ist mit geringem Aufwand umsetzbar bzw. wenig komplex?
  • Bei welchen Use Cases liefern bereits erste explorative Analysen einen Mehrwert?
  • Bestehen Abhängigkeiten zwischen den Use Cases?

Da die Beschaffung, Integration und Verwendung von Kundendaten als sensibel gelten, empfehlen wir, mit der Optimierung der internen Prozesse zu beginnen. Demand Forecasting bietet hierfür den perfekten Einstiegspunkt: Die notwendigen Daten sind meist verfügbar, explorative Analysen bereits hilfreich und viele Standardmethoden etabliert. 

Sowohl Capacity Planning als auch Price Optimization bauen auf einem erfolgreichen Demand Forecasting auf. Von diesen beiden empfehlen wir, mit Capacity Planning weiterzumachen, da hierbei überwiegend nur Auswirkungen auf interne Stakeholder entstehen. Price Optimization ist deutlich komplexer und die notwendigen Daten müssen erst durch viel Trial & Error erzeugt werden. So ist es beispielsweise erforderlich, verschiedene Preise für Services mehr oder weniger zufallsbasiert in Testmärkten auszuprobieren, um einen Effekt von Preisänderungen auf die Kundennachfrage zu lernen.

Steht vor allem die Optimierung der Customer Experience im Vordergrund, empfehlen wir, mit Predictive Maintenance zu beginnen, da die dafür erforderlichen Fahrzeug- und Fahrzeugnutzungsdaten bereits vorhanden oder einfacher zu beschaffen sind. Im Vergleich dazu sind die für Churn Prediction & Prevention notwendigen kundenindividuellen Daten, die eine Aussage auf das Churn-Verhalten zulassen, sensibel und schwerer zu beschaffen.

 

Wir haben Ihr Interesse geweckt? Sie würden sich gern näher zum Thema mit uns austauschen? Nehmen Sie Kontakt mit unseren rpc Ansprechpartnern auf!

 

Wir haben Ihr Interesse geweckt?
Sie würden sich gern näher zum Thema mit uns austauschen?
Nehmen Sie Kontakt mit unseren rpc Ansprechpartnern auf! 

Wir freuen uns auf das Gespräch mit Ihnen! 

Kontakt

Experte
rpc - the retail performance company - Dr. Maximilian Hausmann
Dr. Maximilian Hausmann
Senior Manager – Head of Data Science & Strategy

Über

Dr. Maximilian Hausmann ist der Lead unseres Data Science & Strategy Teams. Seine Expertise: Er arbeitet an der Schnittstelle zwischen Business und IT und entwickelt mit seinem Team kundenzentrierte Datenstrategien und generiert echte Mehrwerte mit den richtigen Use Cases. Seit mehr als 12 Jahren berät er Unternehmen aus den unterschiedlichsten Branchen und begleitet sie auf ihrem Weg zur Data-Driven Company.

Aktuelles

Demand Forecasting: Datenbasierte Nachfrageprognosen für Ihr Unternehmen

Mehr lesen...

Text Analytics – das Potenzial von Kundenfeedback nutzen

Mehr lesen...
Kontakt