top of page
  • Immagine del redattoreAlessandro Bovio

Le applicazioni della predictive maintenance nel settore automotive: Opel e il gruppo Stellantis

Il mercato automobilistico sta affrontando un periodo di transizione molto importante, il quale trasformerà per sempre questo settore. I due trend che più stanno influenzando l’automotive sono l’elettrificazione e la guida autonoma, essi impatteranno in molteplici aree le case automobilistiche e avranno nello specifico un effetto negativo sul business dell’aftersales, riducendo le occasioni di manutenzione. Il post-vendita è un mercato già di per sé difficile, dato che è molto maturo, con una crescita prevista vicino allo zero. Inoltre, la competizione è in aumento, a causa dell’ingresso di nuovi concorrenti, attivi nelle vendite online di pezzi di ricambio.

Tutte queste, rappresentano importanti minacce per le case automobilistiche, che rischiano di vedersi ridurre notevolmente il numero di clienti del proprio brand che si recano presso la rete ufficiale, per effettuare manutenzione.



La manutenzione preventiva rappresenta quindi una delle più concrete risposte a queste minacce, puntando a prevedere le occasioni di manutenzione e di conseguenza a trattenere i clienti, invogliandoli a recarsi presso la rete ufficiale.

Vedendo una prospettiva storica, si può dire che anche le ispezioni manuali siano predictive maintenance; infatti, molto spesso un meccanico può decidere di sostituire un pezzo poiché troppo logoro, prevedendo una possibile rottura. Questo metodo, per quanto efficace, è molto dispendioso, quindi, diverse case automobilistiche hanno cercato di automatizzarlo, tramite l’analisi dei dati delle vetture precedentemente manutenute. Per sfruttare queste analisi, molte case hanno deciso di installare delle “scatole nere”, che suggeriscano ai clienti quando recarsi a fare manutenzione e proponendo direttamente degli appuntamenti presso la rete autorizzata.

In ultima analisi, l’intelligenza artificiale potrà essere in grado di effettuare previsioni in tempo reale, anche se non è una tecnologia matura e pertanto non risulta ancora utilizzata da nessun costruttore. Essa potrà essere applicata a nuove scatole nere, ancor più avanzate, che potranno far aumentare ancor di più la percezione di sicurezza per gli automobilisti, grazie al monitoraggio in tempo reale dello stato del veicolo.



Per vagliare l’effettiva utilità di questi strumenti, è stato analizzato il caso del sistema di manutenzione preventiva OnStar, installato da Opel dal 2016 al 2019. Il sistema si basa su dati precedentemente raccolti e analizzati, al fine suggerire ai clienti quando recarsi in officina Opel a effettuare un’ispezione manuale del veicolo. Oltre a questo, il sistema offre anche diversi servizi di concierge, accessori, ma il suo obiettivo principale è proprio quello di trattenere più clienti, migliorando il cosiddetto retention rate.

Per fare ciò il sistema, allerta l’automobilista quando è ora di effettuare manutenzione e propone direttamente degli appuntamenti presso la rete ufficiale, al fine di evitare che il cliente si rechi presso riparatori terzi.



L’azienda ha gentilmente fornito un dataset, contenente informazioni riguardo al paese di vendita dei veicoli, all’età degli stessi e a retention rate e fattura media, il tutto a seconda della presenza o meno del sistema OnStar. Per questo motivo è stato possibile valutare l’impatto del sistema, in primo luogo sul retention rate e in secondo luogo sulla fattura media:


Dall’analisi della distribuzione, si può notare come il sistema tenda a trattenere più clienti per la manutenzione, generando quindi fatturato incrementale per la casa automobilistica. Anche la divisione per paesi conferma come OnStar sia efficace in tutti i paesi analizzati, ad eccezione della Spagna, dove risulta ininfluente.

Valutando l’impatto sulla fattura media, invece, si nota come essa tenda a scendere in presenza di OnStar, questo non poiché il sistema non generi fatturato incrementale, bensì poiché porta clienti a recarsi in officina anche per manutenzioni meno onerose. In ultimo luogo, si può notare che in Spagna la fattura media sia salita, questo a bilanciare l’effetto neutro che aveva il sistema sulla retention rate nel paese iberico.


Proseguendo con l’analisi, si è provveduto a creare dei modelli di regressione lineare, al fine di prevedere sia retention rate, sia fattura media.

In primis è stata data una rappresentazione grafica dei valori del tasso di ritenzione, dalla quale si nota come il sistema OnStar riesca a trattenere più clienti dopo i primi due anni del veicolo. Questa osservazione risulta molto importante, dato che OnStar dimostra maggiore efficacia proprio al termine del periodo di garanzia, quando le manutenzioni risultano a carico dei clienti e non di Opel.



Il primo modello di regressione creato è quindi un modello semplice, che prevede la retention rate in base agli anni del veicolo. Il modello risulta significativo e ben esplicativo, tuttavia si è deciso di procedere per aggiunta di variabili, fino ad arrivare al modello completo, che prevede la retention rate in base all’interazione fra le variabili Vehicle Age e Onstar, oltre alla variabile paese. Questo modello risulta significativo per qualsiasi livello e in grado di spiegare l’80% della variabilità della retention rate: un ottimo risultato.



Allo stesso modo, si è proceduto con l’analisi della fattura media, dandone in primis una rappresentazione grafica. Da essa si evince che il trend sia quello di un aumento della fattura media negli anni; OnStar alza però l’indicatore solo per i veicoli con almeno quattro anni di vita. Perciò, l’andamento nel lungo termine è positivo, tuttavia nel periodo analizzato, il valore della fattura media rimane inferiore per i veicoli dotati di scatola nera, a causa dei valori dei primi tre anni.



Proseguendo con la creazione dei modelli di regressione lineare, anche in questo caso si è partiti da un modello semplice. Sfortunatamente, sebbene significativo, questo modello ha una capacità esplicativa piuttosto bassa. Questo poiché l’assunzione di linearità è meno forte rispetto al modello di previsione per il retention rate.

Proseguendo per aggiunta di variabili, si arriva al modello completo che anche in questo caso utilizza l’interazione fra età del veicolo e presenza di OnStar, oltre alla variabile paese. Questo modello raggiunge un R quadro non elevato, ma sicuramente accettabile e risulta globalmente significativo. Sfortunatamente, il coefficiente relativo alla Spagna è significativo per un livello solo del 10%; perciò il modello risulta meno potente nelle sue previsioni, rispetto a quello relativo al retention rate, ma comunque utilizzabile.



Ad ultimo, l’analisi punta a fornire dei suggerimenti nei confronti del management dell’azienda, in base alle conclusioni dei modelli. Nonostante i limiti del lavoro, dati dall’assenza di una divisione per modello di autoveicolo e a un periodo di tempo relativamente ristretto, sicuramente l’esperienza di OnStar è risultata positiva. Il sistema migliora la retention rate, generando fatturato incrementale, in un business che presenta molte minacce. Sfortunatamente, Opel non ha più a disposizione tale sistema, poiché il brand è stato ceduto da General Motors a Groupe PSA, senza che OnStar entrasse in tale accordo. Tuttavia, la fusione fra PSA e FCA, da cui è nata Stellantis, ha portato in dote il sistema Mopar Connect, con funzionalità molto simili a OnStar.

A questo punto, l’obiettivo del gruppo per l’aftersales deve essere duplice: estendere il sistema Mopar Connect a tutti i brand provenienti dal gruppo PSA, risparmiando diverse risorse, puntando però a investirle per lo sviluppo di un sistema di intelligenza artificiale proprietaria, che possa dare un vantaggio competitivo per il futuro, grazie alle potenzialità di monitoraggio in tempo reale, in grado di aumentare la percezione di sicurezza nei clienti finali.

30 visualizzazioni0 commenti
bottom of page