Tidligt varslingssystem for restordrer

Udfordring

Som første use case på sin nye data lake ønskede Nilfisk et tidligt varslingssystem, der kombinerer mange fælles kilder for at vise sandsynligheden for — og forretningsmæssige konsekvenser af — restordrer i produktionen.

Løsning

En gradient boosting machine (GBM) blev valgt frem for random forests, neurale netværk og SVM'er på grund af bedre ydeevne, og modellen er indbygget i et live-dashboard.

• Algoritme. GBM-klassifikator, der forudsiger sandsynligheden for restordre pr. kombination af fabrik og materiale.
• Klassifikationsmodel. ~86% nøjagtighed, tunet så kombinationer med reel risiko får tydeligt forhøjede sandsynligheder.
• Validering. 8-fold krydsvalidering gentaget 4 gange, vist i et dashboard sammen med lager, åbne ordrer og status i realtid.

Resultater

• Datadrevne tidlige varsler om problemer i forsyningskæden
• Årsagsanalyse og overblik over sammenhænge
• Prioritering af fokusområder med størst effekt