Residual Value Prediction.

Restwertprognose für Leasingfahrzeuge.

Gemeinsam mit unserem Kunden, einem internationalen Automobilkonzern, haben wir in diesem Projekt ein Machine Learning Tool zur Vorhersage von Restwerten geleaster Fahrzeuge entwickelt.

Herausforderung.

Die Bestimmung von Restwerten ist ein zentraler Bestandteil im Leasinggeschäft von Automobilherstellern. Da der Leasinggeber dabei weiterhin Eigentümer des Fahrzeugs bleibt und dadurch hohe bilanzielle Risiken entstehen, ist eine genaue Vorhersage von großer Wichtigkeit. Die Herausforderung unseres Kunden bestand darin, die dezentrale Berechnung der Restwerte in den einzelnen Märkten abzuschaffen und weltweit für alle Märkte ein zentrales Analytics Tool zu entwickeln, um die bisherige Herangehensweise abzulösen. Die vorhergesagten Restwerte sollten dabei stetig über eine Leasingperiode aktualisiert werden, um sich verändernde Marktumgebungen in das Modell einfließen zu lassen.

Ansatz.

In der ersten Phase des Projekts ging es zunächst um den Aufbau einer Datenhistorie, die eine ausreichend lange Trainingsperiode für die Machine Learning Modelle sicherstellen kann. Da neben den vertraglichen Informationen auch Fahrzeug- und marktspezifische Daten genutzt wurden, mussten eine Vielzahl von Datenquellen zusammengeführt und bereinigt werden. Nach der Erstellung und der Exploration des Datensatzes wurden verschiedene statistische Modelle pro Fahrzeugklasse trainiert, um die Restwerte vorherzusagen. Hierbei wurden verschiedenste Einflussfaktoren auf den Restwert des Fahrzeugs modelliert. Um eine inhaltliche Interpretation der Ergebnisse für den Fachbereich zu gewährleisten, wurden primär lineare Modelle angewendet. Die Modelle wurden anschließend im Rahmen einer Applikationsentwicklung für die Endanwender zugänglich gemacht.

Ergebnis.

Das Modell sowie die Datenaufbereitung wurden auf der zentralen Data Science-Plattform unseres Kunden implementiert und für zwei der größten Leasingmärkte ausgerollt. Dies führte neben präziseren Schätzungen vor allem zu weniger manuellem Aufwand in der Restwertsetzung. Somit konnte das bilanzielle Risiko einer ungenauen Schätzung der Restwerte reduziert und der Prozess gestrafft werden.

Projekt Info.

Branche: Automotive
Thema: Sales Analytics
Tools: R, R Shiny, Java
Aufwand: 12+ Monate
Projektlaufzeit: 12+ Monate

STATWORX Kontakt.

Ihr Ansprechpartner:
Fabian Müller
Leiter Data Science

Download Case.

Downloaden Sie diese Case Study als PDF zur weiteren Verwendung.

PDF Download

Let's work together.

Data Science done right.

Nutzen Sie unsere Data Science Kompetenz, um Modelle aus Statistik, Machine Learning und künstlicher Intelligenz zur Verbesserung Ihrer Produkte, Prozesse und Services einzusetzen.