PRAXISFALL ZU ENTSCHEIDUNGSBÄUMEN IM LOGISTIKSEKTOR
Im vorherigen Beitrag haben wir den theoretischen Rahmen von Entscheidungsbäumen praxisnah erläutert. Da es jedoch nicht dasselbe ist, darüber zu sprechen, wie es umzusetzen, stellen wir einen realen Anwendungsfall vor.
Konkret geht es um einen führenden Logistikdienstleister im Pharmasektor, und Ziel des Projekts war die Analyse der Kühlkette. Die Begründung ergab sich aus der Notwendigkeit, die Ursachen der auftretenden Unterbrechungen zu kennen.
Wofür werden Entscheidungsbäume eingesetzt?
Ziel war es, herauszufinden, welche Merkmale die Unterbrechungen der Kühlkette am stärksten beeinflussten.
Der optimale Temperaturbereich für bestimmte Produkte (antibiotische Impfstoffe) wurde durch Behälter für 24 Stunden gewährleistet. Das heißt: Bei jeder Bestellung, bei der die Versandzeit mehr als 24 Stunden betrug, kam es zu einer Unterbrechung der Kühlkette.
Daher wurden die verschiedenen verfügbaren Stichproben analysiert, wobei jede durch eine Reihe von Merkmalen wie Kunde, Lagerart, Monat oder Wochentag definiert war, und sie wurden danach kategorisiert, ob es zu einer Unterbrechung der Kühlkette gekommen war oder nicht.
Wir vereinbarten, den Datensatz in zwei Teilmengen zu unterteilen: eine Trainings- und eine Testmenge, um unser Modell zu prüfen und zu sehen, wie gut es bei der Klassifizierung neuer Daten generalisiert.
Die Ergebnisse lieferten sehr interessante Erkenntnisse.
Wie im erstellten Entscheidungsbaum zu sehen ist, traten die meisten Fälle, in denen es zu einer Unterbrechung der Kühlkette gekommen war (141/143), am Freitag oder Samstag auf. Dadurch konnte das Problem eingegrenzt und die Analyse gezielt ausgerichtet werden. Ein schlechtes Management im bürokratischen Prozess führte dazu, dass die Kommissionierung (Picking) am Freitag sehr spät erfolgte und die Sendungen erst am Montag versandt wurden, was die Unterbrechungen der Kühlkette begünstigte. Die durch den Einsatz analytischer Modelle geleitete Lösung konnte das Problem beheben, indem der bürokratische Prozess innerhalb des Kühlhauses durchgeführt und die meisten vorherigen Unterbrechungen vermieden wurden.
Wie wir sehen, können analytische Modelle – und in diesem konkreten Fall Entscheidungsbäume – ein sehr leistungsfähiges Werkzeug für die Entscheidungsfindung in vielen Bereichen sein. Und die Logistik ist dabei keine Ausnahme.