Woche 9 | Session 1: Intelligente Entscheidungstools — Problem der DC-Standortwahl & K-means Clustering (Intro)
Kurs: Supply Chain Digitalisierung — Modul 3: Analytics im SCM
Session-Agenda
Abschnitt betitelt „Session-Agenda“1. Fallstudie — Expansion eines Pharmaunternehmens
Abschnitt betitelt „1. Fallstudie — Expansion eines Pharmaunternehmens“Hintergrund: Ein Pharmaunternehmen möchte in eine neue Region expandieren und hat Standortdaten (Breiten- & Längengrade) von 811 potenziellen Kunden gesammelt.
Das Kernproblem
Abschnitt betitelt „Das Kernproblem“Es muss entschieden werden: Wo sollen Distributionszentren (DCs) eröffnet werden, um diese 811 Kunden zu bedienen?
- Entscheidung 1: Wo sollen die DCs liegen? (Wie viele? Bei welchen Koordinaten?)
- Entscheidung 2: Welche Kunden werden von welchem DC bedient? (Wie segmentieren?)
2. Der Zielkonflikt bei der Anzahl der DCs
Abschnitt betitelt „2. Der Zielkonflikt bei der Anzahl der DCs“Mit zunehmender Anzahl von DCs sinkt die Kundenanzahl pro DC → schnellerer Service → Reaktionsfähigkeit steigt. Jedoch: Fixe + variable Kosten pro DC × mehr DCs → Gesamtkosten steigen.
| Anz. der DCs | Kunden pro DC | Reaktionsfähigkeit | Gesamtkosten |
|---|---|---|---|
| 1 | Alle 811 | Gering ↓ | Niedrig ↓ (am günstigsten) |
| 3–4 | ~200 pro DC | ↑↑ | ↑↑ |
| 6 | ~135 pro DC | Hoch ↑↑↑ | Hoch ↑↑↑ (teuer) |
Es muss das optimale K (Anzahl der Cluster) gefunden werden, das Reaktionsfähigkeit und Kosten ausbalanciert.
3. K-means Clustering — Einführung
Abschnitt betitelt „3. K-means Clustering — Einführung“
Was ist K-means Clustering? Eine unüberwachte (unsupervised) Machine-Learning-Technik zur Gruppierung von Datenpunkten in K Cluster.
- Input: Datensatz mit Koordinaten (Lat, Long) + Wert von K.
- Output: (1) Cluster-Zuweisung für jeden Datenpunkt, (2) Zentroid jedes Clusters.
K-means Konzept angewendet auf diese Fallstudie
Abschnitt betitelt „K-means Konzept angewendet auf diese Fallstudie“| Konzept | Erklärung |
|---|---|
| K (Input) | Anzahl der Cluster = Anzahl der zu öffnenden DCs. Nutzer definiert K. |
| Output 1 — Segmentierung | Jeder der 811 Kunden wird genau 1 Cluster zugewiesen. |
| Output 2 — Zentroid | Mittelpunkt jedes Clusters = vorgeschlagener DC-Standort (Lat, Long). |
4. Warum ist der Zentroid der beste DC-Standort?
Abschnitt betitelt „4. Warum ist der Zentroid der beste DC-Standort?“Zentroid = geometrischer Mittelpunkt aller Kundenkoordinaten in diesem Cluster. Die Distanz vom Zentroid zu jedem Clustermitglied ist im Durchschnitt minimiert. Platzierung des DC am Zentroid → minimale durchschnittliche Fahrstrecke zu allen zugewiesenen Kunden.
5. Wie K-means beide Entscheidungen beantwortet
Abschnitt betitelt „5. Wie K-means beide Entscheidungen beantwortet“- Entscheidung 1 — Kundensegmentierung: K-means weist automatisch jeden der 811 Kunden genau 1 Cluster zu, basierend auf räumlicher Nähe.
- Entscheidung 2 — DC-Standort: Der Zentroid jedes Clusters liefert den Breiten- und Längengrad des vorgeschlagenen DC.
Verbleibende offene Frage
Abschnitt betitelt „Verbleibende offene Frage“K-means löst BEIDE Entscheidungen für ein gegebenes K — aber was ist das richtige K? Ist K = 1, 3, 4, 5 oder 6 optimal? Dies wird mit der Elbow-Methode (in der nächsten Session behandelt) beantwortet.
Zusammenfassung der Session
Abschnitt betitelt „Zusammenfassung der Session“- Problem: 811 Kundenstandorte (Lat/Long) — wo DCs eröffnen, wie Kunden zuweisen.
- Zielkonflikt: Mehr DCs → bessere Reaktionsfähigkeit, höhere Kosten.
- K-means Clustering: unüberwachte ML-Technik — gruppiert Kunden in K Cluster.
- Output 1: Segmentierung (Kunde wird 1 DC zugewiesen).
- Output 2: Zentroid (vorgeschlagener DC-Standort).
- Warum Zentroid? Minimiert die durchschnittliche Distanz vom DC zu allen Kunden in diesem Cluster.