Praxisfall zur Anwendung von Data Mining: Pharmaunternehmen.

Heute möchten wir mit Ihnen einen Erfolgsfall teilen, den wir für einen führenden Logistikdienstleister im Pharmasektor umgesetzt haben.

Um direkt einzusteigen, waren die wichtigsten Merkmale die folgenden:

– Zertifiziert nach GDP-/GMP-Norm

– 20.000 m² und 4 Etagen (Höhe 30 m)

– Investition von 33 Millionen Schweizer Franken

– Belieferung ab Werk oder aus dem Lager der Lieferanten

– +6.000 Endkunden

– Automatisches Lager: 6.000 Paletten und 66.000 Kisten

– Eingangstakt 100 Paletten/Tag

– Ausgangstakt 2.500 Auftragspositionen/Tag

– Interne Umlagerungen 1.000 Auftragspositionen/Tag

In diesem von Baitech entwickelten Projekt war eines der Hauptziele die Analyse der Kühlkette: Es gab Impfstoffe und Antibiotika im Bereich von -20°C bis +8°C, und alles, was diesen Bereich verließ, minderte die Qualität des Medikaments oder Impfstoffs. Außerdem standen Behälter zur Verfügung, die den Temperaturbereich für 24 h gewährleisteten.

Problemstellung: „Die Zuverlässigkeit der Kühlkette ist unbekannt“.

Es muss der Ursprung der Unterbrechungen und die möglichen Auswirkungen auf die Kunden bekannt sein, um das Produkt in möglichst kurzer Zeit reklamieren zu können, d. h. die Rückverfolgbarkeit sicherzustellen.

Lösung mit Data Mining:

Angesichts der Komplexität der Analyse und der Anzahl der beteiligten Variablen (+100) wird entschieden, eine Studie mit Data-Mining-Techniken durchzuführen, um die relevanten Variablen zu reduzieren.

Als Verlust der Kühlkette wird jede Bewegung definiert, die das Kühllager verlässt und vor dem Versand mehr als 24 Stunden überschreitet.

Wir sehen, wie wir dank einfacher Data-Mining-Techniken das Problem reduzieren können, indem wir uns auf Variablen wie Priorität, Wochentag oder den Mitarbeitenden konzentrieren.

Data-Mining-Prozess.

Es wurde ein Knotensystem entwickelt, das die Zusammenführung und Bereinigung von mehr als 180 Excel-Dateien automatisierte.

Dank verschiedener Data-Mining-Algorithmen werden die Variablen erkannt, die beim Problem der Unterbrechung der Kühlkette eine Rolle spielen, und mittels „Machine Learning“ wurde ein intelligenter Prozess geschaffen, der aus den historischen Daten lernt und bei Eingang neuer Daten mögliche Bruchstellen identifiziert.

Eine schlechte Priorisierung der Aufträge und eine hohe, außerhalb des Kühllagers entstandene Bürokratie waren entscheidende Faktoren für das Versagen der Kühlkette!

„Dank der Kombination aus Data-Mining-Algorithmen und Visualisierungstools (Business Intelligence) konnten wir einen kritischen Prozess unter Kontrolle halten und Fehler vermeiden, die für unser Unternehmen fatal hätten sein können.“