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.