Datenanalyse im Fernverkehr und Identifikation der Ursachen von Unpünktlichkeit
Ein statistisches Modell bewertet Treiber für die Fernverkehrs-Pünktlichkeit. Daraus können systematisch die wichtigsten Ursachen.
Übersicht zu Pünktlichkeitstreiber
Ansatz für verschiedene Pläne und Fahrplanjahre anwendbar
Herausforderung
- Die Herbstmonate weisen eine geringere Fernverkehrs-pünktlichkeiten als andere Monate auf, sodass die Pünktlichkeitsziele des Unternehmens verfehlt werden
- Die Ursachen für diese Unpünktlichkeit sind unklar, sodass Maßnahmen zur Steuerung unzureichend sind
- Durch die Analyse sollen mögliche unbekannte Treiber in 2019 und den Folgejahren frühzeitig erkannt werden
Lösung
- Potenzielle Einflussfaktoren auf die Fernverkehrs-pünktlichkeit werden in einem Treiberbaum zusammengestellt
- Die notwendigen Daten zur Quantifizierung dieser Faktoren werden gesammelt und in einem großen Datensatz verknüpft
- Ein lineares Modell mit Regularisierung identifiziert die wichtigsten Pünktlichkeitstreiber, quantifiziert deren Pünktlichkeitseffekt und deren Wirkung im Herbst
Ergebnis
- Übersicht über relevante Pünktlichkeitstreiber in Form eines Treiberbaums vorhanden
- Dieser generische Ansatz arbeitet mit statistischen Modellen und ist somit auf verschiedene Fahrplanjahre und Zuggattungen mit geringem Aufwand anwendbar
Haben Sie Interesse an eigenen Use Cases?
Herausforderung
Ein Automobilunternehmen möchte verschiedene marktspezifische Daten visualisieren, um eine Wettbewerbsanalyse für den US-Markt zu ermöglichen.
Lösung
Es wird eine interaktive und flexible Anwendung, einschließlich verschiedener Karten mit zwei verschiedenen Ansichten implementiert.
Ergebnis
Relevante Märkte werden identifiziert, analysiert und visualisiert. Der Händler oder der jeweilige Vertrieb haben die Möglichkeit den direkten Wettbewerb mit dem eigenen Produkt zu vergleichen und die relevanten Daten zu visualisieren.