Abschlussarbeit zum Thema Unsupervised Learning im Service24h ab April 2026

ÜBER UNS
Bei Daimler Truck verändern wir das Transportwesen von heute und erzielen gemeinsam echte Wirkung. Wir übernehmen weltweit Verantwortung und arbeiten als ein globales Team zusammen. Wir treiben unseren Fortschritt und Erfolg gemeinsam voran – jede:r bei Daimler Truck macht den Unterschied. Gemeinsam wollen wir unseren CO2-Fußabdruck reduzieren, die Sicherheit auf und abseits der Straße erhöhen, intelligentere Technologien und attraktive Finanzlösungen entwickeln. All dies ist unerlässlich, um unser Ziel zu erreichen – für alle, die die Welt bewegen.
Werde Teil unseres globalen Teams: Du machst den Unterschied – YOU MAKE US
Der Bereich Customer Services & Parts verantwortet das weltweite Service- und Teilegeschäft für Mercedes-Benz Trucks. Innerhalb des Bereichs ist unsere Abteilung für den internationalen Pannendienst „Service24H“ verantwortlich und sorgt mit klar definierten Prozessen sowie der Steuerung externer Dienstleister für schnelle Hilfe in zahlreichen Ländern. Das Team Planning und Analytics ist innerhalb der Abteilung verantwortlich für die Definition, Erhebung und Analyse aller relevanten Kennzahlen, die im Rahmen des End-to-End Prozesses herangezogen werden. Sie dienen als wichtige Einflussgröße für das Tagesgeschäft der Abteilung in der Steuerung der Dienstleister:innen und Märkte, der Erhebung der Qualität der After-Sales Services und des Supports von Kund:innen sowie der strategischen Ausrichtung der Abteilung und After-Sales Dienstleistungen.

Im Rahmen dieser Abschlussarbeit soll die Effizienz des Dispatch-Prozesses analysiert werden. Der Dispatch-Prozess ist ein Teilprozess des Service24h, der die Fallaufnahme durch einen Telefonagenten, die Prüfung notwendiger Zahlungsgarantien sowie die Zuweisung an eine nahegelegene Werkstatt beinhaltet. Ziel der Abschlussarbeit ist es, mittels moderner Unsupervised-Learning-Ansätze (insbesondere Clustering und Dimensionalitätsreduktion) die Ursachen und Verantwortlichkeiten für überdurchschnittlich lange Bearbeitungszeiten zu identifizieren. Im Fokus stehen dabei insbesondere sogenannte „Langläufer“, also Fälle, bei denen die Zeitspanne zwischen Fallaufnahme und Dispatch deutlich über dem Durchschnitt liegt.

Dazu soll die vorhandene Datenbasis strukturiert aufbereitet und hinsichtlich relevanter Merkmale optimiert werden. Verschiedene Algorithmen des Unsupervised Learnings werden getestet und die Ergebnisse anhand definierter Metriken sowie im Vergleich zu manuellen Analyseverfahren und bestehenden Modellen bewertet. Die Arbeit schließt die kontinuierliche Verbesserung der Feature-Engineering-Strategie ein. Außerdem werden die Resultate kritisch im Hinblick auf ihren praktischen Nutzen für die Serviceoptimierung betrachtet.