Sensorinformationen als Basis neuer Geschäftsmodelle
Fachseminar Verteilte Systeme
“Mobile Sensing”, FS 2009
Adrian Helfenstein, adrianh@student.ethz.ch
Einige Anwendungsbereiche für Sensorinformationen
[A] [B]
Übersicht
Individuelle Verkehrskostenberechnung
Lieferkette
Zusammenfassung/Schlussfolgerungen
Diskussion
Individuelle Verkehrskosten
Individuelle Prämien für Fahrzeugversicherungen
Road Pricing
Prämien für Fahrzeugversicherungen: Problem
Risikoberechnung für eine Fahrzeugversicherung?
Kriterienkatalog
Bei Vertragsabschluss
Informationsasymmetrie mit Konsequenzen [E]:
Adverse – Selection
Moral – Hazard
Folge:
Prämien für Fahrzeugversicherungen: Eine Idee
Risikoberechnung aufgrund der tatsächlichen Fahrumstände
Beschleunigungen
Anzahl gefahrener Kilometer
Lichtverhältnisse
Feuchtigkeit/Temperatur
Strassenkategorie/Verkehrszone
Abstand
Verhältnis erlaubter und gefahrener Geschwindigkeit
Prämien für Fahrzeugversicherungen: Schema des sensorbasierten Ansatzes
Rechnung
[G] [H]
Funktionsweise am Beispiel des Autographen von Aviva Canada
Installation
[K]
USB-Kabel
Verbindungen
Web-Plattform Autograph
USB-Port
[L]
Individuelle Prämien für Fahrzeugversicherungen:
Zwischenstand
Problem
Idee
Lösungsansatz
Genauere Betrachtungen und Entwicklungen
Individuelle Prämienberechnung (1): Progressive [M]
Autograph
Pilotprojekt (1998 – 2000)
Datenerhebung
Einbau einer GPS-Einheit
Gefahrene Distanz, Tageszeit, geogr. Position
Erhebung alle 6 Minuten
Einmal im Monat vom Versicherer abgerufen
Resultat
Bis 25% Prämieneinsparungen
Reduktion der gefahrenen Anzahl Kilometer
Aufnahme in ein Regierungsprojekt für (2001 – 2003)
Individuelle Prämienberechnung (2): Progressive
Autograph (Fortsetzung)
Schritte zur Erweiterung auf weitere Staaten (2000)
Von gesetzlichen Bestimmungen abhängig
Projekteinstellung (2001)
Hohe Kosten
Logistikansprüche
Installation
Weiteres Problem: Datenschutz
Individuelle Prämienberechnung (3): Progressive
MyRate (heutiges Produkt von Progressive)
Datenerhebung
Einbau des Gerätes am Diagnoseport des Fahrzeuges
Tageszeit, Kilometer, Fahrweise, keine GPS-Daten
Kommunikation: WLAN, Internet
Verfügbarkeit
Stand heute: 9 Staaten
Branchengewicht Progressive: ca. 5 Mio. Autoversicherungen
Individuelle Prämienberechnung (4): Aviva Canada [N]
Autograph
Datenerhebung
Gleich wie MyRate
Ausnahme: Datentransfer zum PC über USB
Branchengewicht von Aviva Canada: Marktführer, ca. 2.2 Mio.
Autoversicherungen
Anfangsprobleme “gelöst”, aber...
... warum hat sich dieses System noch nicht global durchgesetzt?
Kulturelle Hintergründe / Geschäftsführungsstrategien
Unterschiede in den gesetzlichen Bestimmungen im Datenschutz
Argumentation bezüglich Datenschutz
Preis, den man für bis zu 25% Prämienreduktion zu bezahlen hat
“Wir garantieren ...”
Kritische Daten (z.B. von GPS) werden nicht gesammelt => kein Problem?
Diese Lösungen sind nicht akzeptabel!
Was sind solche Garantien wert?
Smart Tachograph [O]: Eine Lösung
Idee:
Aggregierte Prämien vom Auto zu den Bilanzierungsstellen übertragen.
Funktionsweise:
Generische Plattform für mehrere Bilanzierungsstellen
Technisch: Download einer Java-Klasse pro Bilanzierungsstelle
Sensoren: GPS, Geschwindigkeit, Beschleunigungen, Temperatur und Licht
Kostenanzeige im Anzeigebereich des Fahrers
Smart Tachograph: Sicherheitsanforderungen [O,P]
Es werden Massnahmen zur Gewährleistung folgender Sicherheitsanforderungen vorgeschlagen:
Authentizität und Integrität des heruntergeladenen Codes
Authentizität, Integrität und Geheimhaltung der Prämien
Verhinderung von Replay-Attacken
Verhinderung von Manipulationen an Sensoren
Der Kunde soll die berechnete Prämie verifizieren können.
Individuelle Prämien für Fahrzeugversicherungen:
Einschätzung
Etablierung auf dem amerikanischen Markt
Voraussetzungen: Benutzerfreundlichkeit, einfache Logistik und Wirtschaftlichkeit
Gesetzliche Bestimmungen und gesellschaftliche Aspekte sind relevant.
Der Smart Tachograph löst wichtige Probleme des Datenschutzes und der Informationssicherheit.
Dies scheint ein Versprechen für weitere Märkte zu sein.
Road Pricing
Worum geht es?
Steuerung des Verkehrsflusses über eine Steuer:
Auf bestimmten Strassen
Zu bestimmten Zeiten
Unter bestimmten Bedingungen
Kostenabrechnung nach dem Verursacherprinzip
Eine sensorbasierte Lösung
Steuererhebungsbehörde als zusätzliche Bilanzierungsstelle im Smart Tachograph
Road Pricing: Beispiel Singapur (fixe Infrastruktur)
System (seit 1998):
In-Car-Unit (obligatorisch, Kauf S$ 150, Tagesmiete S$ 5 )
Wiederaufladbare Geldautomatenkarte
Lesepforten bei Einfahrt in gebührenpflichtige Zonen
Datenverarbeitungszentrale
Road Pricing: Einschätzung
Singapur (fixe Infrastruktur):
Verkehrsrückgang um 15%
Ungehinderter Verkehrsfluss mit Durchschnittsgeschwindigkeit von 60 km/h
GPS-basierte Systeme => “wenig” fixe Infrastruktur notwendig
Gesetzliche Grundlagen von zentraler Bedeutung
Bsp. CH: Road Pricing nicht zulässig (Art. 83 Abs. 3 BV)
Notwendigkeit der politischen Willensbildung für eine Gesetzesänderung
Bsp. New York (2008): Fand keine Mehrheit in der Abgeordnetenkammer
Wo sind wir?
Individuelle Verkehrskosten
Individuelle Prämienberechnung für Fahrzeugversicherungen
Road Pricing
Lieferkette
Management von verderblichen Waren
Visualisierung der Lieferkette
Hersteller Verteiler Einzelhändler
Einfaches Modell einer Lieferkette
Wie kann man Sensorinformationen für das Management von
verderblichen Waren nutzen?
Sensorinformationen für das Management von verderblichen Waren [S]
Eine Idee:
Unterscheide zwischen wahrnehmbarer und effektiver Qualität
Bestimme effektive Qualität aufgrund von Sensorinformationen
Nutze die gewonnene Erkenntnis über die effektive Qualität
Sensorinformationen für das Management von verderblichen Waren (2)
Qualitätsverlust-Modell
[S]
Sensorinformationen für das Management von verderblichen Waren (3): Auslagestrategie
Anordnung nach der wahrnehmbaren Qualität:
Mögliche Anordnung bezüglich der effektiven Qualität:
Vorsortierung im nicht wahrnehmbaren Bereich:
Sensorinformationen für das Management von verderblichen Waren (4): Eine Simulation
Simulation:
Tägliche Nachfrage: 6 Handelseinheiten mit je 12 Verkaufseinheiten
Gewinnspanne (Anschaffungspreis/Verkaufspreis) 50%
Fixkosten für Nachschub (pro Bestellung): Entspricht dem Anschaffungspreis einer Handelseinheit
Lieferzeit: Pro Transportweg 1 Tag
Qualitätsabnahme: Exponentiell mit Erwartungswert 0.75 Tage
100 fache Replikation: je 500 Tage Simulationszeit
Nachfüllstrategie: Profitoptimiert
Sensorinformationen für das Management von verderblichen Waren (4): Resultate
LQFO
Profit: +1.7%
Ausschuss (Verkaufslokal): - 66.93%
Ausschuss (total): - 34.31%
HQFO
Profit: + 6.81%
Ausschuss (Verkaufslokal): - 28.04%
Ausschuss (total): - 22%
Sensorinformationen für das Management von verderblichen Waren (5): Einschätzung
Erfolgsversprechend:
Profitsteigerung, Minimierung des Ausschusses
ROI: 3 Jahre für Kosten die dem Doppelten eines Sensors (USD 25) entsprechen
Infrastruktur zum Auslesen der Sensordaten schon vorhanden
Offene Fragen:
Für welche Waren würde dies funktionieren?
Wie gut ist das gewählte Modell?
Gruppierung, Sortierung und Verwaltung der physischen Objekte?
Änderung in den Arbeitsabläufen?
Sensorinformationen aus der Lieferkette
Zur Feststellung von:
Lieferverzögerung
Ineffizienzen
Diebstahl (USD 25 Mia. pro Jahr)
Fälschung (100 Mio. pro Jahr)
Sensorinformationen aus der Lieferkette
Problem:
Sensoren verursachen grosse Datenvolumen
Wie werden diese Daten analysiert, visualisiert und interpretiert?
? ?
[W] [X]
Supply Chain Visualizer [Y]
Eine Lösung:
Erhöhung der Sichtbarkeit der Lieferkette durch eine regelbasierte Analyse von RFID - Daten
Wesentliche Idee:
Ereignisrepräsentation der Lieferkette
Supply Chain Visualizer: Ereignisrepräsentation
Datentyp in EPCIS 1.0.1 spezifiziert
Ein Beispiel:
<ObjectEvent>
<eventTime>2009-03-17 T08:15:33</eventTime>
<epcList><epc>1234.17.327115</epc></epcList>
<action>OBSERVE</action>
<bizStep>receiving</bizStep>
<bizLocation><id>urn:epc:id:sgln:0614141.33254.0</id></bizLocation>
</ObjectEvent>
Supply Chain Visualizer: Arbeitsschritte
Einsammeln der Daten
Zerlegung gruppierter Ereignisse in Einzelereignisse
Objektfluss durch chronologisch geordnete verlinkte Liste darstellen
Paarweise (Vorgänger,Nachfolger) Berechnung:
Zeitdifferenz
Distanz
Geschwindigkeit
Supply Chain Visualizer: Konsistenzregeln
In der Analysephase werden die Konsistenzregeln geprüft:
Geschwindigkeit (Vmin,Vmax)
Verweilzeit (tmax)
Lebenszyklus
Paarweise Sende- und Empfangsentsprechung
Transitionswahrscheinlichkeiten
Supply Chain Visualizer: Graphische Benutzeroberfläche
Kartenbasierte Visualisierung des Produktflusses
Anzeige von Verletzungen der Konsistenzregeln
Detailansichten:
Durchschnittliche Aufenthaltszeit
Anzahl angekommene und versendete Gegenstände
Totaler Produktfluss, durchschnittliche Transportzeit
Filter: Hersteller, Produktekategorie
Supply Chain Visualizer: Einschätzung
Konzeptbeweis (Prototyp, Arbeiten)
Erfolgreiche Tests mit praxisrelevanten Daten
Infrastruktur ist weitgehend vorhanden
Erweiterungen zur Marktfähigkeit:
Quantifizierung der Vorteile für Kosten - Nutzen - Analyse
Konsistenzregeln für weitere Sensoren
Parameter:
Vmin,Vmax für versch. Transporte
tmin für versch. Orte
Zusammenfassung
Lösung technologischer Herausforderungen als Voraussetzung
Entscheidende Faktoren:
Wirtschaftlichkeit, Logistik und Benutzerfreundlichkeit
Datenschutz, Informationssicherheit
Gesellschaftliche, gesetzliche und politische Argumente
Mensch
Ökologische Effizienz
Quellen
[A] Nike. Nike+. http://nikeplus.nike.com [Stand: 16.02.2009].
[B] Bluefin Robotics. U-Boot. http://www.bluefinrobotics.com [Stand: 16.02.2009].
[C] Siemens. Sensortechnik. http://w1.siemens.com [Stand: 16.02.2009].
[D] ISAS - Institute for Analytical Sciences. Bauchspeicheldrüse. [Stand: 16.02.2009].
[E] G. Akerlhof. The Market for Lemons: Qualitative Uncertainty and the Market Mechanism. The Quarterly Journal of Economics, 84(3):488–500, 1970.
[F] BMW. Crash-Sensor. http://www.bmw.com [Stand: 16.02.2009].
[G] ESA. Galileo. http://www.esa.int [Stand: 16.02.2009].
[H] Wissenschaft Hamburg. http://www.wissenschaft.hamburg.de [Stand: 16.02.2009].
[I] Lexus. IS 250. http://de.lexus.ch.
[K] Aviva Canada. Autograph technology. https://www.avivacanada.com/autograph/product.php?content=
AUTOGRAPH_CONSUMER_TECHNOLOGY&language=ENGLISH [Stand: 16.02.2008].
[L] Aviva Canada. Autograph technology. https://www.avivacanada.com/autograph/product.php?content=
AUTOGRAPH_CONSUMER_TECHNOLOGY&language=ENGLISH [Stand: 16.02.2008].
[M] Diverse. Progressive. http://www.ebstrategy.com/downloads/case studies/Progressive.pdf,
http://www.progressive.com/MyRate/myrate-default.aspx, http://www.epa.gov/projectxl/progressive/ [Stand: 16.02.2009].
[N] Aviva Canada. Autograph technology. https://www.avivacanada.com/autograph/product.php?content=
AUTOGRAPH_CONSUMER_TECHNOLOGY&language=ENGLISH [Stand: 16.02.2009].
Quellen
[O] V. Coroama. The Smart Tachograph - Individual Accounting of Traffic Costs and its Implications. In Proceedings of Pervasive 2006, pages 135–152, Dublin, Ireland, may 2006.
[P] V. Coroama and M. Langheinrich. Personalized vehicle insurance rates - a case for client-side personalization in ubiquitous computing. In Workshop on Privacy-Enhanced Personalization at CHI 2006, Montréal, Canada, apr 2006.
[Q] MR. Brown. Transponder. http://www.mrbrownshow.com [Stand: 16.02.2009].
[R] Wikipedia. ERP. http://en.wikipedia.org/wiki/Electronic_Road_Pricing [Stand: 16.02.2009]
[S] A. Ilic, T. Staake und E. Fleisch. The Value of Sensor Information for the Management of Perishable Goods - A Simulation Study. Arbeitspapier, 2008. [Stand: 04.06.2009].
[T] Marions Kochbuch. Lachs. http://www.marions-kochbuch.de/index/0479.htm [Stand: 16.02.2009].
[U] Bitpalast. Kopfsalat. http://obst-gemuese.bitpalast.net/kopfsalat.html [Stand: 16.02.2009].
[V] Stadtgilde. Alte Kremper. http://www.alte-kremper-stadtgilde.de/html/gilde-shop.html [Stand: 16.02.2009].
[W] Aisci. RFID. http://www.aisci.de/pages/produkte/rfid.html [Stand: 16.02.2009].
[X] Ussen. RFID-Gate. http://www.ussen.com.tw/index_en.php?f=product&i=design_gatesreader [Stand: 16.02.2009]
[Y] A. Ilic, T. Andersen, and F. Michahelles. Increasing supply-chain visibility with rule-based rfid data analysis. IEEE Internet Computing, 13(1):31–38, 2009.