Big-Data-Szenarien für die Telematik

Wenn wir von Big-Data im Flottenmanagement sprechen, kommt uns als Erstes das Thema Telematik in den Sinn. Die Basis für die Telematik ist die Technologie zum Sammeln, Speichern und Senden von Daten zwischen Endbenutzern und Fahrzeugen über Telekommunikationsgeräte. Big-Data-Szenarien in der Telematik erweitern den Nutzen dieser Daten.

Ohne die Plattform für das Data-Mining und die Datenanalyse wären die Verfolgung des Live-Standorts von Fahrzeugen, die Planung optimierter Routen, die Online- oder Offline-Unterstützung von Fahrern und die Nutzung der Telematik in verwandten Branchen (z. B. Autoversicherung) unrealistisch. 

Welchen Mehrwert kann Big-Data für die Telematikwelt haben? 

Szenario 1: Optimierung der Streckenführung

Die Anzahl der möglichen Routen, die ein Lkw nehmen könnte, ist extrem groß. Früher wurde die Planung eines Lieferweges bei Logistikunternehmen manuell durchgeführt und war sehr zeitaufwendig. Außerdem waren ohne Echtzeit-Verkehrsinformationen die Bereitstellung genauer ETAs und die Reduzierung der Fahrzeit schwierig. 
 

Um den Fahrtweg effizienter und optimaler zu gestalten, nutzt Big-Data eine Reihe von wichtigen Daten, mit denen in wenigen Sekunden auf Basis der benötigten Zeit und des Spritverbrauchs die beste Strecke ermittelt werden kann: 

• Von Telematik-Trackern in Echtzeit erfasste GPS- und Geschwindigkeitsdaten
• Von anderen Fahrern gemeldete aktuelle Verkehrsinformationen wie Unfälle und Baustellen 
• Von offiziellen Stellen bereitgestellte Straßeninformationen wie die Anzahl der Stoppschilder, die Höchstgeschwindigkeit, verkehrsberuhigte Zonen usw. 

Mit diesen Daten wird die optimierte Strecke generiert und für den Fahrer angezeigt.

Die Streckenoptimierung ist für das Flottenmanagement wichtig – nicht nur, weil die Reduzierung der Fahrstrecke und -zeit dem Unternehmen Millionen von Euro spart, sondern auch, weil die Verringerung des Kraftstoffverbrauchs eine geringere Umweltbelastung bedeutet. Hier erfahren Sie mehr über Flottenoptimierung.

Szenario 2: Pannenwarnungen und Wartungserinnerungen

Telematikgeräte sammeln eine enorme Menge an Motordaten, wie z. B. Motordrehzahl, Motorölstand, Getriebewerte, gefahrene Kilometer, Reifendruck und mehr. Basierend auf diesen Motordaten und den Daten zu Wartungs- und Reparaturarbeiten kann die prädikative bzw. vorhersagende Big-Data-Analyse vorbeugende Pannen- und Wartungsmeldungen sowie Lösungsvorschläge bieten.

Durch die frühzeitigen Informationen zu potenziellen Problemen mit dem Fahrzeugzustand kann die Flottenorganisation die Ausfall- und Betriebszeiten der Fahrzeuge entsprechend abstimmen. So wird die Wahrscheinlichkeit einer unerwünschten Panne auf der Straße reduziert. Dies spart Geld und Energie.
 

Szenario 3: Analyse des Fahrverhaltens

Die Mitarbeiter gelten als die wichtigste Ressource eines Unternehmens. Die Sicherheit beim Fahren und im Straßenverkehr hatte und hat in der Transportbranche stets die höchste Priorität. Der Betrieb einer großen, weltweiten Flotte macht das Sicherheitsmanagement zu einer besonderen Herausforderung. Daher ist die Analyse des Fahrerverhaltens sowohl für das Flottenmanagement als auch für die Fahrer selbst unerlässlich. 

Generell gilt, dass ein besseres Verständnis des Fahrverhaltens hilfreich ist, um angemessenere Sicherheitsrichtlinien, intelligentere Fahrleitsysteme oder Coaching-Systeme zu entwickeln. Noch wichtiger ist jedoch, dass die Zahl der Unfälle reduziert wird. So werden die Unternehmensressourcen und die Reputation des Unternehmens sowie das Leben der Fahrer geschützt. 

In den letzten Jahren wurden mehr und mehr umfassende Algorithmen aus den Bereichen maschinelles Lernen und künstliche Intelligenz eingesetzt, um das Fahrverhalten und den Fahrstil der Fahrer zu analysieren. 

Die Vorteile der Analyse des Fahrverhaltens mit Big-Data:

Unterstützung der Entwicklung des Fahrverhaltens der Fahrer: Zahlreiche Verhaltensweisen von Fahrern konnten durch den Einsatz von intelligenten Algorithmen erkannt und analysiert werden. 

Einige von der Telematik gemessene Verhaltensweisen beim Fahren sind: 

• Geschwindigkeit (starkes Beschleunigen, zu schnelles Fahren, häufiges Beschleunigen)
• Halten/Bremsen (starkes Bremsen, häufiges Anhalten, häufiges Bremsen)
• Abbiegen (hartes Abbiegen, Beschleunigen vor dem Abbiegen, übermäßiges Bremsenvor Ausfahrten)
• Sonstiges (Schneiden beim Abbiegen)

Die Ergebnisse können verwendet werden, um gezieltere und effektivere Coaching-Systeme für Fahrer zu entwickeln, mit denen diese über bessere Fahrweisen aufgeklärt werden.         

Unfallrisiko senken: Telematiktechnologien geben uns die Möglichkeit, unbegrenzt Daten über das Fahrverhalten und Unfälle zu sammeln. Das Erkennen des Zusammenhangs zwischen Unfällen und dem tatsächlichen Fahrverhalten unterstützt die Identifizierung von Fahrern mit hohem Risiko, die möglicherweise Unfälle verursachen könnten. So können Maßnahmen ergriffen werden, bevor es zu einem Unfall kommt.  

Unterstützung beim Risikomanagement: Die Big-Data-Analyse des Fahrverhaltens kann einen großen Beitrag zum Risikomanagement einer Flotte leisten. Versicherungsgesellschaften verlassen sich bei der Berechnung von Versicherungsverträgen auf traditionelle Faktoren – beispielsweise das Erscheinungsbild des Fahrzeugs, die Anzahl der Strafzettel, die Wohngegend, die Fahrstrecke usw. Der Aufbau von präzisen Risikomodellen auf Basis des tatsächlichen Fahrverhaltens ermöglicht jedoch eine realistischere und genauere Einschätzung für die gesamte Flotte. 

Die Vorteile von Big-Data für die Telematik und das Flottenmanagement werden immer vielfältiger. Doch wie schon Gary King von der Harvard University sagte: „Bei Big Data geht es nicht um die Daten.“