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

1. Fallstudie - Expansion eines Pharmaunternehmens

Hintergrund: Ein Pharmaunternehmen möchte in eine neue Region expandieren und hat Standortdaten (Breiten- & Längengrade) von 811 potenziellen Kunden gesammelt.

Die 811 potenziellen Kunden, aufgetragen nach Breiten- und Längengrad. (Illustratives Beispiel - die Form der Punktwolke, nicht die exakten Koordinaten.)

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

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.

Der DC-Anzahl-Kompromiss: mehr DCs erhöhen die Anlagenkosten, senken aber die Transportkosten (bessere Reaktionsfähigkeit). Die Gesamtkosten sind U-förmig - die optimale Anzahl liegt im Minimum.

3. K-means Clustering - Einführung

K-means mit K = 2 - jeder Kunde wird dem nächstgelegenen der zwei Cluster zugeordnet, und der Schwerpunkt (★) jedes Clusters wird zum vorgeschlagenen DC-Standort. (Illustrativ.)

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

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?

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

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.

Mit K = 4 teilen sich die Kunden in vier engere Cluster, jeder von seinem eigenen Schwerpunkt-DC bedient - das senkt die durchschnittliche Fahrstrecke weiter, zum Preis einer vierten Anlage. (Illustrativ.)

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

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.