Seit dem Jahr 2001 koordiniert die Organisation Transport for London (TfL) das Verkehrssystem von Englands Hauptstadt. Um die Servicequalität nach oben zu schrauben, nutzt man bei TfL Data Science: Die Gründe für den Ausfall von Zügen (oder Infrastruktur) im System des London Underground werden digital erfasst. Auf Grundlage dieser Daten wird aber auch prädiktiv gewartet.

"Wir rechnen mit Einsparungen von drei Millionen Pfund pro Jahr"

Schon ein kleines, technisches Problem kann dazu führen, dass Züge, Bahnhöfe, Signal- und Gleisanlagen oder Aufzüge lahmgelegt werden. Um London möglichst zuverlässig "am Laufen" zu halten, setzt die zuständige TfL auf : Ein Team bestehend aus drei Data Scientists und einer Gruppe von "Reliability"-Analysten ermittelt dazu die verschiedenen Gründe für Ausfälle und will Wege erschließen, um diese künftig zu vermeiden. Predictive Maintenance soll künftig die Kosten senken und die Servicequalität treiben. Ein Projekt besteht beispielsweise darin, vorherzusagen, wann der Motor eines Triebwagens seinen Geist aufgibt.

"Wir rechnen mit Einsparungen von circa drei Millionen Pfund pro Jahr, weil diese spezielle Art des Ausfalls sehr kostspielig ist", berichtet Akis Tsiotsios, einer der Data Scientists in Diensten der TfL.