skip to Main Content

Auf dem Weg zum datenzentrierten Unternehmen – am Beispiel BMW

Auf Dem Weg Zum Datenzentrierten Unternehmen – Am Beispiel BMW

Wie kaum eine andere Branche steht der Automotive-Sektor unter einem großem Veränderungsdruck. Wachsender Wettbewerb, Kostendruck, veränderte Kundenbedürfnisse und gesetzliche Auflagen stellen Hersteller vor neue Herausforderungen. Mit einer gezielten Datenstrategie lässt sich die Effizienz steigern. Wir haben mit Dr. Benny Kneissl gesprochen, er ist Leiter der zentralen Data Scientist Community bei der BMW AG.

Dr. Benny Kneissl ist Data Scientist und Leiter der zentralen Data Scientist Community bei der BMW AG in München. Schon seit Beginn seines Bioinformatik-Studiums beschäftigt er sich intensiv mit Machine Learning in den unterschiedlichsten Anwendungsgebieten. Nach seinem Postdoc bei Roche und einer Zwischenstation bei Siemens ist Dr. Benny Kneissl seit 2016 bei der BMW AG tätig. Aktuell begleitet und treibt er bei BMW die interne Transformation zum datenzentrierten Unternehmen intensiv voran, berät dabei Führungskräfte und gibt diverse Schulungen.

Die Transformation zum datenzentrierten Unternehmen

Sie begleiten bei BMW die Transformation zum datenzentrierten Unternehmen – was bedeutet das konkret?

Das ist ja gleich zu Beginn eine Frage über die man stundenlang reden könnte, da einfach sehr viele Faktoren für eine erfolgreiche Transformation entscheidend sind und BMW nun viele Bausteine nach und nach im Unternehmen etabliert. Klar ist, eine Transformation zu einem Daten-zentrierten Unternehmen ist natürlich kein Event, sondern ein Prozess, welcher über Monate gehen wird. Ich möchte mal drei wesentliche Aspekte nennen:

1

Zum einen werden strukturelle Institutionen im Unternehmen etabliert wie ein Data Transformation Office oder Data Management und Governance Funktionen. Diese sind verantwortlich, Daten-bezogene Prozesse und Strukturen im Unternehmen zu definieren und dafür zu sorgen, dass diese auch eingehalten werden.

2

Zum anderen braucht es neue Rollen, wie einen Data Steward, der es schafft, in der komplexen Datenwüste Daten zu strukturieren und so fachlich aufzubereiten, dass sie zur Analyse geeignet sind. Eine hohe Datenqualität ist vermutlich der entscheidende Faktor, da es die Basis für alle nachgelagerten wertgenerierenden Analysen sind. Schätzungsweise brauchen wir über 100 Data Stewards, um die vielen Daten in den Griff zu bekommen.

3

Drittens braucht es auch Konzepte zur Weiterentwicklung für Mitarbeiter. BMW hat sich entschieden, tausende Mitarbeiter zum Business Analyst zu entwickeln und gleichzeitig auch die IT beauftragt, sich stärker um Self-Service-Tools zu kümmern. Dadurch wird die Transformation strategisch breit aufgestellt.

Daten unterstützen die Qualitätskontrolle

Wie nutzt BMW Daten zur Qualitätskontrolle?

Als Premiumhersteller ist hohe Qualität ein differenzierbares Merkmal und steht bei allen Prozessen im Mittelpunkt. Daten werden hierbei in zweierlei Hinsicht verwendet: Erstens, um die Qualitätskontrolle zu automatisieren und zweitens um Ursachen für etwaige Qualitätsmängel zu identifizieren. Für Letzteres verknüpfen wir zum Beispiel Gewährleistungsfälle mit Daten aus Produktionsprozessen zum Zeitpunkt der Fahrzeugproduktion. Dies ermöglicht uns, Zusammenhänge zu erlernen und erst im Feld bemerkbare Mängel vor Eintritt abzustellen. Auch die Automatisierung der Qualitätskontrolle kann durch Daten unterstützt werden. Beispielhaft werden Bilder in der Lackiererei aufgenommen und mit maschinellen Lernverfahren ausgewertet. Es wird dabei nicht nur ein Fehler erkannt, sondern auch der Fehlertyp identifiziert und das Fahrzeug automatisch zum entsprechenden Nacharbeitungsprozess weitergeleitet. Wir automatisieren dabei nicht nur den Prozess, sondern erkennen Fehler sogar noch besser und auch auf objektive Weise.

Künstliche Intelligenz - Technologien und Tipps (Teil 3)

Künstliche Intelligenz: Technologien & Tipps

Erfahren Sie, welche Technologien benötigt werden, um von Künstlicher Intelligenz zu sprechen und welche Expertentipps Ihnen dabei helfen, KI in Ihrem Unternehmen zu etablieren.
Jetzt herunterladen!

Potenziale von Data Analytics (nicht nur) im Automotive-Sektor

Welche Potenziale sehen Sie noch?

Die Potenziale von Analytics sind immens und wahrscheinlich noch nicht vollständig abschätzbar. Sei es im Bereich Smart oder Predictive Maintenance, Prozess Mining oder Natural Language Processing. Für viele haben wir noch Dutzende Use Cases in der Pipeline, die wir in den kommenden Monaten auf Machbarkeit prüfen und bei positivem Ausgang umsetzen möchten. Basis dafür sind – wie bereits vorhin gesagt – die Daten und deren Qualität. Das ist der Aspekt der Transformation, den wir gerade jetzt verstärkt angehen wollen.

Datenpotenziale nutzen – Risiken minimieren – Effizienz steigern

Verschaffen Sie sich im Seminar „Data Analytics und KI im Automotive-Sektor“ einen Wissensvorsprung über die Einsatzmöglichkeiten von Künstlicher Intelligenz und Big Data Analytics. Stellen Sie sich im Markt besser auf!

Silke Ritter

Wie werden wir künftig leben und arbeiten? Dieser Frage gehe ich hier im Blog nach. Seit 2012 gehöre ich zum Management Circle-Team, zuvor habe ich nach meinem Germanistik-Studium in der PR-Branche gearbeitet. Als Teil der #GenerationY weiß ich nicht nur um die Wichtigkeit von Hashtags und gutem Content, sondern wünsche mir mehr Mut in Unternehmen für die Digitalisierung. Ich freue mich auf Ihre Anregungen und Themenvorschläge!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Back To Top

Künstliche Intelligenz: Mythen, Daten & Fakten

Welche KI-Mythen sind wahr? Lernen Sie beim Lesen oder Filmeschauen die neusten Debatten zur Künstlichen Intelligenz kennen und erweitern Sie Ihren Horizont!

Jetzt mehr erfahren!

Download: KI kann auch unterhaltsam sein!