Advertisement

Predictive Analytics in der Mobilitätsbranche

  • Ramona Heggenberger
  • Caroline Mayer
Chapter
Part of the Schwerpunkt Business Model Innovation book series (SBMI)

Zusammenfassung

Der Wunsch nach individueller Mobilität ist in den letzten Jahren aufgrund steigender Einkommen, globaler Vernetzung sowie veränderter Rahmenbedingungen in den Städten und dem Umland stetig gewachsen. Megatrends, wie Digitalisierung, Urbanisierung, Nachhaltigkeit und Personalisierung, bieten Unternehmen in der Transport- und Mobilitätsbranche neben den Herausforderungen auch Chancen für Fortschritt und Wachstum. Vor allem im Zuge der Digitalisierung wird der Speicherung von und dem intelligenten Umgang mit Daten von Unternehmen immer mehr Bedeutung zugeschrieben. Die künftige Mobilität der Zukunft wird sich auf individuelle Bedürfnisse vor, während und nach der Fahrt konzentrieren und kann mithilfe von digitalen Plattformen sowie innovativen Fahrzeugkonzepten immer umfassender bedient werden. In dem Paradigmenwechsel der Mobilitätsbranche suchen Anbieter nach Wegen, effizienter und detaillierter zu erfassen, wie sich sowohl die Masse als auch jeder einzelne Nutzer heute und in Zukunft bewegen wird. Eine Möglichkeit, diese Voraussagen zu treffen, bietet Predictive Analytics. Aus dem Ansatz Predictive Analytics heraus wurde der sogenannnte HERO entwickelt. Bei diesem Konzept handelt es sich um eine cloudbasierte Lösung eines Mobilitätsdienstleisters mit neuartigen, untereinander kommunizierenden und elektrifizierten Fahrzeugen für eine nachfrageorientierte Personenbeförderung. Der Einsatz und die Vorteile des HERO werden anhand des flexiblen Transports von Arbeitnehmern im Arbeitsalltag innerhalb eines definierten Gebietes dargestellt.

Literatur

  1. Bartels, B., Ermel, U., Sandborn, P., & Pecht, M. G. (2012). Strategies to the prediction, mitigation and management of Product obsolescence (1. Aufl.). New Jersey: Wiley.Google Scholar
  2. Becker, L., Gora, W., & Michalski, T. (2014). Die Neue Führungskunst: Business Development Management: Von der Geschäftsidee bis zur Umsetzung (1. Aufl.). Düsseldorf: Symposion Publishing GmbH.Google Scholar
  3. Bouton, S., Knupfer, S. M., Mihov, I., & Swartz, S. (2015). Urban mobility at a tipping point. http://www.mckinsey.com/business-functions/sustainability-and-resource-productivity/our-insights/urban-mobility-at-a-tipping-point. Zugegriffen: 13. Aug. 2016.
  4. Continental AG. (2015). Im Schwarm besser: Continental testet das vernetzte Fahrzeug. http://www.continental-corporation.com/www/presseportal_com_de/themen/pressemitteilungen/3_automotive_group/interior/press_releases/pr_2015_11_05_swarm_intelligence_de.html. Zugegriffen: 22. Sept. 2016.
  5. Danis, S. (2014). Informationsmanagement und Business Intelligence: Business Intelligence Systeme in mittelständischen Unternehmen (1. Aufl.). Hamburg: Diplomica Verlag GmbH.Google Scholar
  6. Ebel, B., & Hofer, M. B. (Hrsg.). (2014). Automotive Management: Strategie und Marketing in der Automobilwirtschaft (2. Aufl.). Heidelberg: Springer Gabler.Google Scholar
  7. Fuchs, W., & Unger, F. (2014). Management der Marketing-Kommunikation (5. Aufl.). Heidelberg: Springer Gabler.Google Scholar
  8. Gluchowski, P., & Chamoni, P. (2016). Analytische Informationssysteme – Business Intelligence-Technologien und -Anwendungen (5. Aufl.). Heidelberg: Springer Gabler.Google Scholar
  9. Gürtler, J., & Meyer, J. (2013). 30 Minuten Design Thinking. Offenbach: Gabal.Google Scholar
  10. Institut für Mobilitätsforschung. (2008). Mobilität 2025: Der Einfluss von Einkommen, Mobilitätskosten und Demografie. https://www.ifmo.de/files/publications_content/2008/ifmo_2008_AP_4_Mobilitaet_und_Einkommen_2025_de.pdf. Zugegriffen: 4. Aug. 2016.
  11. Institut für Mobilitätsforschung. (Hrsg.). (2010). Zukunft der Mobilität: Szenarien für das Jahr 2030. http://www.ifmo.de/tl_files/publications_content/2010/ifmo_2010_Zukunft_der_Mobilitaet_Szenarien_2030_de.pdf. Zugegriffen: 6. Aug. 2016.
  12. Kleebinder, H.-P. (1995). International Public Relations: Analyse öffentlicher Meinungsbildung in Europa zum Thema Mobilität (1. Aufl.). Wiesbaden: Deutscher Universitätsverlag.Google Scholar
  13. Kotu, V., & Deshpande, B. (2015). Predictive analytics and data mining: Concepts and practice with rapid mine (1. Aufl.). Burlington: Morgan Kaufmann.Google Scholar
  14. Lang, M. (Hrsg.). (2016). Business Intelligence erfolgreich umsetzen: Von der Technologie zum Geschäftserfolg (1. Aufl.). Düsseldorf: Symposion Publishing GmbH.Google Scholar
  15. Larose, D., & Larose, C. (2015). Data mining and predictive analytics (1. Aufl.). New Jersey: Wiley.Google Scholar
  16. Mikut, R. (2008). Data Mining in der Medizin und Medizintechnik (Bd. 22). Karlsruhe: Universitätsverlag.Google Scholar
  17. Pfriem, M. (2015). Analyse der Realnutzung von Elektrofahrzeugen in kommerziellen Flotten zur Definition einer bedarfsgerechten Fahrzeugauslegung (Bd. 47). Karlsruhe: KIT Scientific Publishing.Google Scholar
  18. Proff, H. (Hrsg.). (2014). Radikale Innovationen in der Mobilität: Technische und betriebswirtschaftliche Aspekte (1. Aufl.). Wiesbaden: Springer Gabler.Google Scholar
  19. REFA Institut. (Hrsg.). (2016). Arbeitsorganisation erfolgreicher Unternehmen – Wandel in der Arbeitswelt (1. Aufl.). Darmstadt: Hanser.Google Scholar
  20. Schoeneberg, K.-P. (Hrsg.). (2014). Komplexitätsmanagement in Unternehmen: Herausforderungen im Umgang mit Dynamik, Unsicherheit und Komplexität meistern (1. Aufl.). Wiesbaden: Springer Gabler.Google Scholar
  21. Ulanoff, L. (2014). Amazon knows what you want before you buy it. http://www.predictiveanalyticsworld.com/patimes/amazon-knows-what-you-wantbeforeyou-buy-it/3185/. Zugegriffen: 7. Aug. 2016.
  22. Umweltbundesamt. (2012). Daten zum Verkehr. https://www.umweltbundesamt.de/sites/default/files/medien/publikation/long/4364.pdf. Zugegriffen: 29. Juni 2016.
  23. Verkehrsclub Deutschland e. V. (2016). Co2 Grenzwert: EU setzt Vorgaben für PKW. https://www.vcd.org/themen/auto-umwelt/co2-grenzwert/. Zugegriffen: 10. Aug. 2016.
  24. Vieweg, C. (2016). Vernetzt und verraten: Eine ADAC-Untersuchung deckt auf: BMW sammelt in vernetzten Autos Daten über das Fahrverhalten und die Gewohnheiten ihrer Fahrer. Die Autofahrerlobby fordert Transparenz. http://www.zeit.de/mobilitaet/2016-02/datenschutz-autos-adac-aufklaerung-transparenz. Zugegriffen: 12. Aug. 2016.
  25. Walter, S. (2005). GABALs großer Methodenkoffer: Managementtechniken (1. Aufl.). Offenbach: Gabal.Google Scholar
  26. Winterhoff, M., Kahner, C., Ulrich, C., Sayler, P., & Wenzel, E. (2009). Zukunft der Mobilität 2020 – Die Automobilindustrie im Umbruch? http://www.adlittle.de/uploads/tx_extthoughtleadership/ADL_Zukunft_der_Mobilitaet_2020_Langfassung.pdf. Zugegriffen: 10. Aug. 2016.
  27. Zeiler GmbH. (2015). So funktioniert das MVV-RufTaxi im Landkreis Fürstenfeldbruck. http://www.mvv-muenchen.de/fileadmin/media/Dateien/7_Der_MVV/dokumente/2015-09-23_Anmeldeverfahren_RufTaxi_FFB.pdf. Zugegriffen: 13. Aug. 2016.
  28. Zukunftsinstitut. (2014). Automotive Zeitgeist Studie 2.0. https://www.zukunftsinstitut.de/fileadmin/user_upload/Publikationen/Auftragsstudien/Ford_Automotive_Zeitgeist_Studie_2.pdf. Zugegriffen: 8. Aug. 2016.
  29. Zukunftsinstitut GmbH. (o. J.). Neo-Ökologie – Die Märkte werden grün. https://www.zukunftsinstitut.de/artikel/neo-oekologie-die-maerkte-werden-gruen/. Zugegriffen: 01. Aug. 2016.

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  • Ramona Heggenberger
    • 1
  • Caroline Mayer
    • 1
  1. 1.Technische Hochschule IngolstadtIngolstadtDeutschland

Personalised recommendations