The contemporary car is a highly complex product which results from the concerted cooperation between the automobile manufacturer and its multiple suppliers. The intensive vehicle use often leads to component failures in the field. In order to identify the causes of failure and generate valuable knowledge about the defective parts, the components are analyzed on a random basis as part of the claims process. Instead of a random sample, however, the selection process should take the attributes and the additional information content of the components into account. A large amount of data is created along the entire product lifecycle and can be used to select the components in a more targeted manner. This thesis investigates the opportunities of the intelligent use and analysis of smart data in order to find data patterns, group the components based on their characteristics, and create data-driven samples for the failure analysis. For this purpose, a data processing and analysis concept is developed that can help to lower the analysis costs, reduce the expenditure of time, and improve the product quality. Additionally, this data analysis tool can also be applied to monitor the current condition of the components which are still in the field and preventively detect potential failures. Since the effectiveness of the data analysis and their results highly depend on the provided data, this thesis also describes the requirements and quality of the used data. The thesis concludes with an exemplary application of the selected data analysis method, the k-Means clustering algorithm.
Inhaltsverzeichnis
- 1 Introduction
- 1.1 Problem Definition
- 1.2 Research Objectives
- 1.3 Structure of the Thesis
- 2 Fundamentals
- 2.1 Claims Process
- 2.2 Field Observation
- 2.3 Causes of Failure
- 3 Data Management
- 3.1 Terminology
- 3.2 Data Quality
- 3.2.1 Data Quality Dimensions
- 3.2.2 Data Checker
- 3.2.3 Data Quality Improvement
- 3.3 Measurement Scales
- 3.4 Data Collection
- 3.5 Data Integration and Storage
- 3.6 Data Exchange
- 3.7 Data Mining Process
- 3.8 Data Analysis
- 4 Current State from Practice
- 5 Data Processing and Analysis Concept
- 5.1 Process Flow
- 5.2 Requirements
- 5.3 Data Basis
- 5.4 Benefits
- 5.5 Sample for the Failure Analysis
- 5.5.1 Complete and Partial Surveys
- 5.5.2 Simple Random Sample
- 5.5.3 Data-driven Sample
- 5.6 Preventive Failure Detection
- 6 Data Analysis Methods
- 6.1 Overview of the Methods
- 6.1.1 Cluster Analysis
- 6.1.1.1 Similarity Metrics
- 6.1.1.2 k-Means Algorithm
- 6.1.1.3 Advantages and Disadvantages
- 6.1.2 Classification
- 6.1.2.1 Artificial Neural Networks
- 6.1.2.2 Advantages and Disadvantages
- 6.2 Selection of an Appropriate Method
- 7 Application of the Selected Method
- 7.1 Clustering for the Data-driven Sample
- 7.2 Clustering for the Preventive Failure Detection
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit untersucht die Möglichkeiten der digitalen Transformation im Schadensabwicklungsprozess der Automobilzulieferkette. Ziel ist die Entwicklung eines Konzepts zur Datenverarbeitung und -analyse, das die Analyse von Komponentenausfällen effizienter und zielgerichteter gestaltet. Dies soll zu Kostensenkungen, Zeitersparnis und letztlich zu einer Verbesserung der Produktqualität führen.
- Digitale Transformation des Schadensabwicklungsprozesses
- Datenanalysemethoden zur Fehlerursachenfindung
- Entwicklung eines datengetriebenen Stichprobenverfahrens
- Präventive Fehlererkennung durch Datenanalyse
- Anforderungen an Datenqualität und -management
Zusammenfassung der Kapitel
1 Introduction: Dieses Kapitel führt in die Thematik ein, definiert das Problem der ineffizienten Fehleranalyse im Schadensabwicklungsprozess und formuliert die Forschungsziele der Arbeit. Es beschreibt den Aufbau der Arbeit und gibt einen Überblick über die behandelten Themen.
2 Fundamentals: Dieses Kapitel erläutert die Grundlagen des Schadensabwicklungsprozesses in der Automobilindustrie, die Beobachtung von Fehlern im Feldeinsatz und die Ursachen von Komponentenausfällen. Es legt die Basis für das Verständnis der nachfolgenden Kapitel.
3 Data Management: Dieses Kapitel befasst sich ausführlich mit dem Management der im Produktlebenszyklus anfallenden Daten. Es definiert relevante Terminologie, beschreibt Anforderungen an die Datenqualität, verschiedene Messskalen und den Prozess der Datenerhebung, -integration, -speicherung und -austausch. Ein besonderer Fokus liegt auf der Verbesserung der Datenqualität und dem Data Mining Prozess. Der Abschnitt dient als Fundament für die spätere Datenanalyse.
4 Current State from Practice: Dieses Kapitel analysiert den aktuellen Stand der Praxis in Bezug auf die Datenanalyse im Schadensabwicklungsprozess. Es bietet einen Vergleich mit dem entwickelten Konzept.
5 Data Processing and Analysis Concept: In diesem zentralen Kapitel wird das entwickelte Konzept zur Datenverarbeitung und -analyse detailliert beschrieben. Es umfasst den Prozessablauf, die Anforderungen an die Datenbasis, die Vorteile des Konzepts und die Methoden zur Erstellung datengetriebener Stichproben für die Fehleranalyse sowie die präventive Fehlererkennung.
6 Data Analysis Methods: Dieses Kapitel gibt einen Überblick über verschiedene Datenanalysemethoden, insbesondere Clusteranalyse (mit Fokus auf den k-Means-Algorithmus) und Klassifizierung, einschließlich deren Vor- und Nachteile. Es dient der Auswahl einer geeigneten Methode für die Anwendung im Kontext der Arbeit.
7 Application of the Selected Method: In diesem Kapitel wird die Anwendung der ausgewählten Datenanalysemethode (k-Means Clustering) beispielhaft dargestellt, sowohl für die Erstellung datengetriebener Stichproben als auch für die präventive Fehlererkennung. Die Ergebnisse dieser Anwendung werden detailliert beschrieben und analysiert.
Schlüsselwörter
Digitale Transformation, Schadensabwicklungsprozess, Datenanalyse, Prognose, Automobilzulieferkette, datengetriebene Stichprobe, Data Mining, Wissensentdeckung, Felddaten, Fehleranalyse, präventive Fehlererkennung, Produktqualität, k-Means-Algorithmus, Clusteranalyse.
Häufig gestellte Fragen zur Masterarbeit: Digitale Transformation des Schadensabwicklungsprozesses in der Automobilzulieferkette
Was ist das Thema der Masterarbeit?
Die Masterarbeit untersucht die Möglichkeiten der digitalen Transformation im Schadensabwicklungsprozess der Automobilzulieferkette. Ziel ist die Entwicklung eines Konzepts zur Datenverarbeitung und -analyse, um die Analyse von Komponentenausfällen effizienter und zielgerichteter zu gestalten. Dies soll zu Kostensenkungen, Zeitersparnis und einer Verbesserung der Produktqualität führen.
Welche Ziele werden in der Arbeit verfolgt?
Die Arbeit zielt darauf ab, ein Konzept zur Datenverarbeitung und -analyse zu entwickeln, das die Fehleranalyse im Schadensabwicklungsprozess optimiert. Konkret geht es um die Entwicklung eines datengetriebenen Stichprobenverfahrens und die Implementierung präventiver Fehlererkennung durch Datenanalyse.
Welche Themenschwerpunkte werden behandelt?
Die Arbeit behandelt folgende Schwerpunkte: Digitale Transformation des Schadensabwicklungsprozesses, Datenanalysemethoden zur Fehlerursachenfindung, Entwicklung eines datengetriebenen Stichprobenverfahrens, präventive Fehlererkennung durch Datenanalyse und Anforderungen an Datenqualität und -management.
Welche Kapitel umfasst die Arbeit?
Die Arbeit gliedert sich in sieben Kapitel: Einleitung, Grundlagen, Datenmanagement, Aktueller Stand der Praxis, Konzept zur Datenverarbeitung und -analyse, Datenanalysemethoden und Anwendung der ausgewählten Methode. Jedes Kapitel behandelt einen spezifischen Aspekt der Thematik, beginnend mit der Problemstellung und endend mit der Anwendung eines ausgewählten Datenanalyse-Verfahrens.
Welche Datenanalysemethoden werden untersucht?
Die Arbeit untersucht verschiedene Datenanalysemethoden, mit einem Fokus auf der Clusteranalyse (insbesondere den k-Means-Algorithmus) und der Klassifizierung. Die Auswahl der Methode richtet sich nach der Eignung für die Fragestellung der Arbeit.
Wie wird die Datenqualität sichergestellt?
Die Arbeit legt großen Wert auf die Datenqualität. Das Kapitel zum Datenmanagement beschreibt Anforderungen an die Datenqualität, verschiedene Messskalen und den Prozess der Datenerhebung, -integration, -speicherung und -austausch. Die Verbesserung der Datenqualität und der Data Mining Prozess werden ausführlich behandelt.
Welches Verfahren wird zur Stichprobenziehung verwendet?
Die Arbeit beschreibt verschiedene Stichprobenverfahren, darunter vollständige und partielle Erhebungen, einfache Zufallsstichproben und datengetriebene Stichproben. Ein datengetriebenes Verfahren wird im Rahmen des entwickelten Konzepts eingesetzt.
Wie wird präventive Fehlererkennung umgesetzt?
Präventive Fehlererkennung wird durch die Anwendung der ausgewählten Datenanalysemethode (k-Means Clustering) auf die Daten realisiert. Das Kapitel zur Anwendung beschreibt den Prozess und analysiert die Ergebnisse detailliert.
Welche Schlüsselwörter beschreiben die Arbeit?
Schlüsselwörter sind: Digitale Transformation, Schadensabwicklungsprozess, Datenanalyse, Prognose, Automobilzulieferkette, datengetriebene Stichprobe, Data Mining, Wissensentdeckung, Felddaten, Fehleranalyse, präventive Fehlererkennung, Produktqualität, k-Means-Algorithmus, Clusteranalyse.
- Citar trabajo
- David Wojcikiewicz (Autor), 2018, Digital Transformation of the Claims Process. Requirements and Benefits of Digital Data Analysis and Forecasting Methods to Increase the Product Quality in the Automotive Supply Chain, Múnich, GRIN Verlag, https://www.grin.com/document/420487
