Remove-one-Analyse für KPI: Aufschlüsselung der Ereignisbeiträge

Analyse einzelner Ereignisbeiträge zu aggregierten KPIs: Remove-One-Analyse

Die integrierte Lieferantenleistungskennzahl (ISP) aggregiert Lieferbereitschaft, Qualitätsbewertung, OTIF und Lieferzeit mit gleichen Gewichten von je 0,25. Unternehmen benötigen nicht nur den KPI-Wert, sondern auch eine präzise Identifizierung, welcher Kaufauftrag ihn gesenkt hat und um wie viel. Eine naive Berechnung der Metriken pro Einzelkauf ist falsch: Alle Metriken basieren auf aggregierten Werten über ein Datenfenster – das aktuelle Datum minus 14 Tage plus 30 Tage zurück, um Verzögerungen zu berücksichtigen.

Die Remove-One-Analyse löst dies: Berechne die Metrik mit allen Daten (Metric_all), dann ohne einen Datensatz (Metric_without_i), und die Differenz gibt den Beitrag des Datensatzes an. Steigt die Metrik nach Entfernung, hat dieser Kauf sie verschlechtert.

Beispielberechnung für Lieferbereitschaft

Betrachten Sie drei Kaufaufträge:

| Kauf | Bestellt | Lieferant storniert |

|------|----------|---------------------|

| A | 100 | 5 |

| B | 200 | 0 |

| C | 50 | 15 |

Gesamte Lieferbereitschaft = (1 - 20/350) × 100 = 94,29 %.

Ohne C: (1 - 5/300) × 100 = 98,33 %. Beitrag von C: 94,29 - 98,33 = -4,04 Prozentpunkte.

Formel für Lieferbereitschaft: (1 - ΣLieferant storniert / ΣBestellt) × 100. Die Entfernung verändert die Aggregation nichtlinear aufgrund des Nenners.

Herausforderungen bei der Qualitätsbewertung

Qualitätsbewertung = 100 - Fehlerrate. Die Fehlerrate hat zwei Zweige:

• Fehlerrate_Stk = ΣFehlerhafte Stk / ΣBestellte Stk
• Fehlerrate_Rub = ΣFehlerhafte Rub / ΣBestellte Rub

Auswahllogik:

• Wenn (100 - Fehlerrate_Stk) < 90, verwende Stk.
• Sonst, wenn (100 - Fehlerrate_Rub) < 90, verwende Rub.
• Andernfalls verwende Stk.

Problem: Bei Remove-One kann der Zweig wechseln. Beispielsweise verwendet der Gesamtdatensatz Stk, aber ohne i wird Rub verwendet. Der Vergleich nicht vergleichbarer Werte verzerrt den Beitrag.

Lösung: Fixiere den Zweig auf der Ebene der aggregierten Metrik. Algorithmus:

• Berechne QualityScore_all und Berechnungsmodus.
• Für jeden Kauf berechne without_i im gleichen Modus.

Implementierungsfallen

• Nichtlinearität: Der Beitrag hängt vom gesamten Datensatz ab; das Entfernen eines Elements hat einen unverhältnismäßigen Effekt.
• Formelwechsel: Erfordert das Fixieren des Modus.
• Gleitende Fenster: Tägliche Neuberechnungen ändern Beiträge über die Zeit.

Eine Alternative ist die Was-wäre-wenn-Analyse: Ersetze den Kaufstatus durch einen idealen und berechne neu. Unterschied:

• Remove-One: Tatsächlicher Beitrag zum aktuellen KPI.
• Was-wäre-wenn: Hypothetische Verbesserung mit einem perfekten Kauf.

Wir wählten Remove-One für eine genaue Erklärung tatsächlicher Rückgänge.

Wichtige Erkenntnisse

• Aggregierte Metriken erfordern Remove-One für eine korrekte Beitragszersetzung.
• Das Fixieren des Berechnungsmodus verhindert Verzerrungen durch nichtlineare Zweige.
• Das Datenfenster (14+30 Tage) berücksichtigt Lieferverzögerungen.
• Der Ansatz ähnelt Leave-One-Out im maschinellen Lernen und dem Shapley-Wert in der Wirtschaftswissenschaft.
• Die Backend-Implementierung kombiniert diskrete Mathematik und technische Kompromisse.

Anwendungen in anderen Bereichen

Sensitivitätsanalysen mit Remove-One werden verwendet in:

• Leave-One-Out-Validierung im maschinellen Lernen.
• Erklärbare KI für Modellinterpretation.
• Shapley-Wert für Beitragsverteilung in kooperativen Spielen.
• Datenanalyse für Ereignisattribution.

Im Backend wird dies zu einer Aufgabe stabiler Berechnung über große Datenmengen ohne Interpretierbarkeitsverlust.

— Editorial Team