Het voorspellen van consumentengedrag in automotive

Artifical Intelligence en machine learning zijn digitale ontwikkelingen die steeds verder doordringen in de processen bij organisaties. Waar deze ontwikkelingen zich tot 5 jaar geleden zich nog vooral focusten op computers die het menselijke brein zouden moeten gaan repliceren, richt het zich de laatste jaren steeds meer op toepassingen om (consumenten) gedrag te sturen of voorspellen en processen te optimaliseren. De resultaten die hiermee geboekt lijken te worden in bijvoorbeeld de online marketing zijn veelbelovend en hebben een hype gecreëerd waardoor elke salesmanager gouden bergen aan de horizon ziet verschijnen en elk zichzelf respecterend bedrijf deze term te pas en te onpas in zijn projectbeschrijvingen opneemt.

In de automobielindustrie wordt al sinds lange tijd op een heel andere manier gebruik gemaakt van Artificial Intelligence. Auto’s worden volgestopt met ondersteuning voor de berijder. Zo kennen we al jaren zaken als Lane-Assist, Collision avoidance system en Automatic Parking. De laatste jaren loopt die ontwikkeling door naar zelfrijdende auto’s. De traditionele autofabrikanten worden hierin opgejaagd door nieuwe toetreders als Tesla, Apple en Google en investeren flink in zelfrijdende auto’s.

Het is logisch dat zelfrijdende auto’s de aandacht trekken als toepassing van Artificial Intelligence. Als het gaat om de daadwerkelijke verkoop van een auto, bestaat er echter een geheel nieuwe uitdaging voor de autofabrikant die met AI kan worden ingevuld. Het kost op dit moment nog steeds jaren om een nieuw model te introduceren. Een auto bestaat uit honderdduizenden onderdelen die allemaal elke keer als de motor gestart wordt moeten functioneren en dat gedurende de gehele 15-jarige levenscyclus van een auto. Daarnaast moet van die verzameling onderdelen ook nog eens op efficiënte wijze en op grote schaal een auto kunnen worden geproduceerd. Als autofabrikant moet je dus voorspellen wat een consument over pakweg 5 jaar wenst. Het beter dan het menselijke brein kunnen voorspellen van consumentengedrag, wat Artificial Intelligence ons ook belooft, is voor automobielfabrikanten dan ook enorm belangrijk. Hiermee kunnen ze namelijk hun productie beter af stemmen op de klant en kan de klant  “genudged”  worden richting hetgeen zij produceren.

FutureXL founder Ventus is betrokken bij een project waar dit gerealiseerd gaat worden. Het streven van het project is om te voorspellen op welk moment op welke plek een klant binnen gaat lopen die een bepaalde auto gaat kopen. Idealiter is dit een auto die nog niet lang op voorraad staat en waarvan de contributiemarge hoog is. Fabrikanten verdienen veel aan extra opties en willen zo weinig mogelijk geld kwijt zijn om de klant tot zijn aankoop te bewegen (cost of retail). Autofabrikanten zijn van oudsher productie gestuurde bedrijven. Dit betekent dat jaren vooruit gepland wordt hoeveel stuks er geproduceerd gaan worden van welk type, zodat er op basis van deze planning specifieke onderdelen ingekocht kunnen worden bij leveranciers. Hieraan liggen langlopende contracten ten grondslag. De geproduceerde auto’s worden vervolgens over de markten verdeeld. Dit zorgt voor een enorme druk op het verkoopproces, want de geplande auto’s worden hoe dan ook geproduceerd en de markt in gestuwd. Niet minder, maar ook niet meer. De productie is leidend.

Nu zijn er 2 manieren om hier mee om te gaan. Als autofabrikant kun je ervoor kiezen om je productieproces flexibeler te maken, waardoor je sneller op ontwikkelingen op mondiale of juist lokale schaal in kunt spelen, of je kunt vasthouden aan dit stramien en proberen je voorspellingen te verbeteren. Aangezien het flexibiliseren van de productie voor de vaak enorme autoproducenten een verandering is die vele jaren gaat duren en een enorme cultuurverandering vereist, richt men zich dan ook vooral op het voorspellen en sturen van klantgedrag om zo het rendement van de geplande productie te optimaliseren.

In het project wordt een groot aantal datapunten in het market intelligence tool geladen. Deze data kan worden opgesplitst in intern-extern en in historisch-actueel. In onderstaande tabel worden voorbeelden genoemd van deze data-categorieën.

 

Intern

Extern

Historisch

Orderdata.

Klantprofielen.

Dealer karakteristieken.

Showroomindeling.

Waardebehoud.

Klantgedrag online.

Marktkarakteristieken.

Historische concurrentiegegevens.

Actueel

Prijs voertuig en onderdelen

Actuele voorraad en order-Pijplijn

Productiecapaciteit

Prijzen en configuraties concurrentie

Demografische gegevens

 

Gegevens van concurrenten zijn tegenwoordig steeds gemakkelijker te verkrijgen. Sites als autoscout24 bieden een web-service aan, waar ook het complete aanbod van nieuwe auto’s te in te zien is, inclusief gedetailleerde prijs en configuratiegegevens.

Het analyseren van deze data werd tot nu toe op lokaal niveau en zeer beperkt gedaan. Het aantal variabelen is groot en de onzekerheid door de lange aanlooptijd is lang. Artificial Intelligence biedt nu de mogelijkheid om hier wel gebruik van te maken. Met veel expertise op het gebied van data-analyse wordt nu een systeem gebouwd wat moet gaan voorspellen welk model, met welke specificatie op welke locatie met welke prijs aangeboden dient te worden. Maar hoe goed je predictie ook is, hoe weet je nu of de klant voor die ene gifgroene Audi a6, die je statistisch gezien zou moeten hebben in Nederland, binnen gaat lopen bij een dealer in Rijswijk, of bij die Den Haag? Om dat te ondervangen wordt voorraad op een steeds grotere schaal beheerd. Waar tot nu toe een dealer zelf zijn voorraad bepaalde en niet met concullega’s hoefde te delen, wordt nu de populatie van op een markt te leveren auto’s als geheel bekeken en wordt de onderlinge uitwisseling van auto’s, die eigendom van de dealer zijn tot ze verkocht worden, gefaciliteerd.

Het systeem gaat inkopers suggesties doen hoe zij de aan hen toegewezen productieplaatsen het beste in kunnen vullen. Het systeem doet een suggestie van de juiste mix aan te bieden van cilinderinhoud, kleur, bekleding, pakketten en speciale opties en accessoires en leert van het resultaat van deze suggestie. Voor de acceptatie van het systeem en het voorkomen van self-fulfulling provicies, wordt er gebruikgemaakt van supervised learning. Dit betekent dat de computer van de mens hoort of hij een goede voorspelling heeft gedaan en op basis daarvan de volgende keer een betere voorspelling zal doen. In dit geval is dit een comité van de belangrijkste dealers, product management, regiomanagers en inkoop. Het gevaar van self-fulfilling provicy schuilt namelijk daarin, dat als een rode auto met een bepaald pakket goed verkoopt het systeem van dat item meer in de voorraad gaat opnemen, waardoor de kans weer groter wordt dat een klant een dergelijke auto uitkiest en het algoritme dit uiteindelijk als enige mogelijk te verkopen auto zou kunnen gaan zien.

Het door het project op te leveren systeem moet werken in een omgeving van diverse bestaande applicaties in de ordering processen. Onze rol is om het overzicht te behouden over deze verschillende onderdelen en oplossingen te bieden bij moeilijk op te lossen problemen tussen de nieuwe en de oude wereld. Waar we vaak de brug waren tussen business en project, vullen we nu een vergelijkbare liaison rol uit tussen de oude en de nieuwe wereld. Dit biedt ons een goede gelegenheid om onze Digitale Transformatie kennis als gecertificeerd Digital TransformatieManager in de praktijk te brengen en een grote meerwaarde aan het project te leveren. Onze ervaring in de automotive sector kan zo gecombineerd worden met kennis over nieuwe technieken en we nemen de klant hierin bij de hand. Leveranciers van nieuwe technieken beloven gouden bergen, maar vergeten soms dat er ook daadwerkelijk klantwaarde moet worden geleverd in elke sprint. Wij brengen het project een flinke dosis realisatiekracht, waardoor de gouden bergen er ook echt kunnen komen.

 

Auteur: Pieter-Willem de Haan

Pieter Willem de Haan is gecertificeerd Digital Transformation Manager. Als bevlogen business consultant integreert hij dagelijks AI & Data om de toegevoegde waarde voor de klant te vergroten.

21 januari 2019

Deel dit artikel op social media:

X