Honda R&D melatih para insinyurnya untuk menggunakan alat IBM Analytics yang canggih, membantu mereka berkolaborasi untuk memahami perilaku pengemudi, meningkatkan keandalan, dan merancang pengalaman berkendara yang lebih personal.
Honda R&D tahu bahwa sensor kendaraan, survei pelanggan, dan sumber big data lainnya berpotensi menjadi sumber insight yang kaya. Bagaimana itu bisa membantu para insinyurnya membuka nilai dari kumpulan data yang luas ini?
Dengan memberikan pelatihan tentang serangkaian alat IBM Analytics yang canggih, Honda R&D memberdayakan para insinyurnya untuk menemukan pola yang tidak terduga dalam data dan mengidentifikasi bidang penelitian baru yang menarik.
Honda adalah salah satu perusahaan paling inovatif di dunia, seperti yang dapat disaksikan oleh siapa pun yang telah menyaksikan karyanya dalam bidang robotika. Pola pikir yang sama juga diterapkan pada setiap divisi bisnisnya: Para insinyur Honda terus berupaya untuk merancang dan membangun produk yang paling cerdas dan berteknologi paling canggih di pasar.
Di bidang otomotif, Honda bertujuan untuk menjadi produsen utama mobil yang menarik dan dirancang dengan cerdas yang memungkinkan pelanggan untuk merasakan kegembiraan dalam berkendara. Untuk mencapai tujuan ini, perusahaan menginvestasikan miliaran dolar per tahun dalam organisasi penelitian dan pengembangannya, Honda R&D.
Beberapa tahun yang lalu, Honda R&D menyadari bahwa sumber big data yang baru—diagnostik dan telematika kendaraan, ponsel, sensor biometrik, dan teks yang tidak terstruktur dalam jumlah besar seperti survei pelanggan—memiliki nilai potensial yang besar. Dengan membuka insight yang tersembunyi di dalam kumpulan data yang sangat besar ini, para insinyur perusahaan akan dapat melihat lebih jauh dari fasilitas pengujian mereka dan mendapatkan pemahaman yang lebih baik tentang bagaimana perilaku mobil dan pengemudi di dunia nyata.
Untuk membantu para insinyurnya memanfaatkan aset big data ini, Honda R&D membutuhkan dua hal: seperangkat alat analisis big data yang komprehensif, dan sekelompok insinyur yang memiliki keterampilan dan antusiasme untuk menggunakannya.
Kyoka Nakagawa, Chief Engineer, Technical Analysis and Countermeasure di Honda R&D Automobile R&D Center, dan Senior Researcher for the Market Quality, berkomentar: "Teknik adalah disiplin ilmu yang sangat presisi, dan para insinyur terbiasa bekerja dengan data yang sangat berkualitas tinggi, yang sering kali diambil dalam kondisi laboratorium.
"Namun big data tidak seperti itu—itu berantakan, dan sering kali insight yang berharga itu tersembunyi dalam banyak data yang tidak relevan. Jadi, salah satu tantangan terbesar adalah tantangan budaya: kami perlu menunjukkan kepada para teknisi kami betapa berharganya big data, ketika Anda memiliki alat yang tepat untuk menanganinya."
Untuk menemukan cara terbaik dalam memperkenalkan teknologi analitik big data ke dalam proses penelitian dan pengembangannya, Honda R&D ingin bekerja sama dengan mitra teknologi yang dapat menawarkan layanan yang benar-benar komprehensif.
Kyoka Nakagawa berkomentar: “IBM adalah pilihan pasangan yang tepat karena dua alasan penting. Pertama, IBM menawarkan kemampuan analisis big data yang sangat luas, termasuk penggalian data, analisis teks, dan visualisasi—jadi kami bisa mendapatkan semua alat yang kami butuhkan dari satu vendor. Kedua, IBM memiliki keterampilan dan pengalaman untuk membimbing kami sepanjang perjalanan big data kami, mulai dari konsultasi hingga pembuktian konsep hingga realisasi akhir.”
Lingkungan analisis big data Honda R&D didasarkan pada IBM® SPSS® Modeler, IBM Watson™ Content Analytics, dan IBM Predictive Maintenance and Quality (PMQ). Peran Kyoka Nakagawa adalah bertindak sebagai pusat jaringan untuk teknologi ini, membantu menyiapkan bukti konsep, menyelenggarakan kursus pelatihan, dan mendorong para insinyur untuk berbagi pengetahuan, pengalaman, dan data.
Kyoka Nakagawa berkomentar: “Kursus pelatihan penambangan data telah sangat sukses — IBM SPSS Modeler dengan cepat menjadi alat yang populer di seluruh bisnis. Lebih dari 100 insinyur kini telah menyelesaikan pelatihan, dan banyak dari mereka menggunakan SPSS secara teratur dalam pekerjaan mereka.
“SPSS Modeler sangat baik untuk mengatur data mentah ke dalam kumpulan data yang dapat digunakan, sehingga dapat dianalisis dengan mudah. Hal ini juga sangat mudah digunakan untuk analisis yang kompleks. Fitur berharga lainnya adalah kemampuan untuk memantau pengguna dan melihat bagaimana mereka berinteraksi dengan alat tersebut. Jadi, jika seseorang berjuang untuk mengelola data mereka secara efektif, kolega dapat memberi mereka bantuan ekstra.”
Honda R&D menggunakan IBM Watson Content Analytics untuk penambangan teks — memberi peneliti insight yang hampir instan ke dalam penyimpanan dokumen yang luas dan data tekstual lainnya. Sebagai contoh, JD Power Initial Quality Studies dan studi suara pelanggan internal Honda R&D merupakan sumber informasi yang sangat berharga mengenai kualitas dan keandalan mobil dari waktu ke waktu. Di AS, National Highway Traffic Safety Authority (NHTSA) juga menyediakan sumber insight yang kaya tentang masalah konsumen dan masalah keamanan.
Kyoka Nakagawa memberikan contoh: “Kami baru-baru ini mengadakan pertemuan di mana seorang eksekutif mengajukan pertanyaan tentang fitur salah satu mobil kami. Kami masuk ke Watson Content Analytics, menganalisis lebih dari satu juta catatan dalam kumpulan data NHTSA, dan dalam waktu 10 menit kami menemukan tiga atau empat contoh umpan balik yang relevan dari pelanggan. Ini adalah jenis analisis yang hampir tidak mungkin dilakukan secara manual.”
Solusi IBM Watson Content Analytics berjalan pada platform cloud fleksibel IBM, di lingkungan server virtual bersama yang berlokasi di Tokyo. Honda menyambut baik keserbagunaan IBM Cloud dalam membangun dan meluncurkan lingkungan Watson Content Analytics bagi para pengguna di tim Big Data Initiative perusahaan, dan kemampuannya untuk meningkatkan skala.
“Dari perspektif pengguna lini bisnis kami, tidak penting apakah kami menjalankan Watson Content Analytics di premis atau di cloud,” kata Kyoka Nakagawa. "Yang paling penting bagi mereka adalah kecepatan implementasi-dan IBM Cloud memungkinkan kami untuk mendapatkan solusi dan menjalankannya jauh lebih cepat daripada yang bisa dilakukan dengan solusi lokal.
Selain itu, persyaratan komputasi untuk penambangan teks dengan Watson Content Analytics bergantung pada seberapa banyak konten yang kami berikan ke dalam kamus kustom.
“Karena kami terus mengembangkan kamus kami sementara kami menyempurnakan kemampuan penambangan teks kami, sangat penting untuk memiliki lingkungan cloud yang fleksibel.”
Skalabilitas infrastruktur IBM Cloud juga berarti mudah untuk menambahkan pengguna baru, jadi jika departemen lain memutuskan untuk mengadopsi IBM Watson Content Analytics di masa depan, Honda akan dapat mendukung mereka dengan lancar.
IBM Predictive Maintenance and Quality dirancang untuk membantu organisasi memantau aset dan proses mereka dan memprediksi kegagalan aset atau masalah kualitas. Honda R&D telah menguji coba teknologi ini dalam analisis garansi kualitas pasar, dan hasil awalnya menjanjikan.
“Kami sangat terkesan dengan kemampuan visualisasi IBM Predictive Maintenance and Quality,” kata Kyoka Nakagawa.
"PMQ berfungsi sebagai lingkungan pengembangan analitik untuk memungkinkan para peneliti kami mengeksplorasi dalam hal apa insight analitik dapat membantu mengidentifikasi masalah kualitas atau aset manufaktur dalam lingkungan sandbox. PMQ juga berfungsi sebagai solusi analitik lengkap yang mengoperasionalkan analitik dengan proses penyerapan data kejadian proses yang terus menerus dari operasi kami, di mana kami dapat mengunggah data dan melihatnya dengan mudah di dasbor yang intuitif."
Program pelatihan Honda R&D untuk analisis big data telah memberikan kontribusi besar dalam menciptakan budaya yang lebih terbuka dan kolaboratif di antara tim teknik perusahaan.
"Saya menyebutnya 'Big Data Friends Club'," ujar Kyoka Nakagawa. "Menyatukan para insinyur kami menjadi keuntungan tersendiri, karena mereka lebih mungkin untuk berbagi data dan belajar dari satu sama lain. Sebagai contoh, tim sasis kami sedang mengerjakan proyek untuk mempelajari kerusakan pada pipa knalpot, dan mereka memerlukan beberapa data tentang bensin. Melalui Big Data Friends Club, mereka menemukan bahwa tim penghematan bahan bakar kami telah memiliki data yang mereka butuhkan - sehingga menghemat banyak usaha dan biaya."
Dia menambahkan: "Mempelajari analitik big data juga telah membantu beberapa teknisi kami berpikir di luar kebiasaan. Alih-alih hanya menganalisis parameter yang mereka anggap penting, mereka dapat menggunakan teknik penggalian data untuk menemukan pola dan petunjuk yang mungkin tidak pernah terpikirkan oleh mereka.
"Sebagai contoh, kami memiliki jutaan pelanggan di seluruh dunia, dan kebiasaan mengemudi di berbagai negara berbeda dengan cara yang tidak selalu mudah diprediksi.
"Baru-baru ini, kami mendiskusikan di mana letak tombol 'engine start' di kendaraan kami. Dari menganalisis catatan NHTSA, kami menemukan bahwa beberapa pengemudi di AS telah mengeluh bahwa mereka secara tidak sengaja menekan tombol start mesin dengan lutut mereka.
"Ini merupakan kejutan besar bagi kami, karena hal ini hanya dapat dilakukan jika Anda memasukkan mobil ke dalam cruise control, melepaskan kaki dari pedal, dan melipat kaki Anda ke atas jok. Kami tidak pernah membayangkan bahwa orang akan benar-benar memilih untuk mengemudi seperti ini—jadi ini merupakan insight yang berharga bagi tim desain produk kami."
Keuntungan penting lainnya dari pendekatan Honda R&D adalah bahwa pendekatan ini telah menunjukkan kepada para insinyur perusahaan tentang nilai analitik big data dalam memahami bagaimana mobil dan pengemudi berperilaku dalam kondisi dunia nyata, dan mengidentifikasi proyek-proyek rekayasa baru.
Sebagai contoh, perusahaan menggunakan data sensor kendaraan untuk memantau manuver kemudi pengemudi dan mendapatkan pemahaman yang lebih baik tentang preferensi pelanggan. Insight dunia nyata ini menjadi masukan bagi proyek-proyek rekayasa yang bertujuan untuk merancang pengalaman kemudi yang dapat dipersonalisasi untuk setiap pengemudi.
Kyoka Nakagawa menyimpulkan: "IBM Analytics membantu para insinyur Honda R&D memanfaatkan big data untuk mengeksplorasi area penelitian baru yang berharga—dan pada akhirnya merancang mobil yang lebih baik, lebih cerdas, dan lebih aman."
Honda R&D (tautan berada di luar ibm.com) adalah divisi penelitian dan pengembangan Honda, salah satu produsen mobil dan sepeda motor terbesar di dunia, dan pelopor dalam bidang robotika dan teknologi canggih lainnya. Dalam bidang otomotif, misi Honda R&D adalah mengembangkan teknologi yang memaksimalkan kesenangan berkendara.
Hukum
Hak Cipta IBM Corporation 2016. 1 New Orchard Road, Armonk, NY 10504.
Diproduksi di Amerika Serikat, Mei 2016.
IBM, logo IBM, ibm.com, IBM Watson, dan SPSS adalah merek dagang dari International Business Machines Corp., terdaftar di banyak yurisdiksi di seluruh dunia. Nama produk dan layanan lain mungkin merupakan merek dagang dari IBM atau perusahaan lain. Daftar merek dagang IBM saat ini tersedia di web di "Informasi hak cipta dan merek dagang" di www.ibm.com/id-id/legal/copyright-trademark.
SoftLayer adalah merek dagang terdaftar dari SoftLayer, Inc, sebuah Perusahaan IBM. Dokumen ini adalah yang terbaru pada tanggal awal publikasi dan dapat diubah oleh IBM kapan saja. Mitra Bisnis IBM menetapkan harga mereka sendiri, yang dapat bervariasi. Tidak semua penawaran tersedia di setiap negara tempat IBM beroperasi. Data kinerja dan contoh klien yang dikutip disajikan hanya untuk tujuan ilustrasi. Hasil kinerja aktual dapat bervariasi, tergantung pada konfigurasi dan kondisi pengoperasian tertentu.
INFORMASI DALAM DOKUMEN INI DISEDIAKAN "SEBAGAIMANA ADANYA" TANPA JAMINAN APA PUN, BAIK TERSURAT MAUPUN TERSIRAT, TERMASUK TANPA JAMINAN UNTUK DAPAT DIPERJUALBELIKAN, KESESUAIAN UNTUK TUJUAN TERTENTU, DAN JAMINAN ATAU KETENTUAN APA PUN YANG TIDAK MELANGGAR. Produk IBM dijamin sesuai dengan syarat dan ketentuan perjanjian yang mengatur penyediaan produk tersebut.Kapasitas penyimpanan aktual yang tersedia dapat dilaporkan untuk data yang tidak dikompresi dan yang dikompresi dan akan bervariasi dan mungkin kurang dari yang disebutkan.