02 Projekte / Arbeitsplan PS-02
Predictive Maintenance
Drei Geschäftsfragen auf einem Flottendatensatz mit 92.000 Zeilen: Welche Fahrzeuge brauchen Wartung, was kostet sie, und wie segmentiert man die Flotte nach Risiko. Erklärt mit SHAP.
Zweck & Umfang
Den Ausfall vorhersagen, bevor er die Flotte stoppt
Ein Logistikunternehmen will ungeplante Ausfälle reduzieren. Der Datensatz: 92.000 Fahrzeuge, 27 Merkmale - Betriebsstunden, Brems- und Reifenzustand, Beladung, Kraftstoffeffizienz, Route, letztes Wartungsdatum. Jede Geschäftsfrage führt zu einer eigenen Modellierungsaufgabe: Klassifikation, Regression, Clustering.
Arbeitsfolge · Arbeitsplan
Sieben Arbeitsgänge, eine Pipeline
Ein Notebook pro Arbeitsgang, dazu fünf eigenständige SQL-Dateien, die von SELECT/WHERE bis zu Window-Funktionen aufbauen.
| AG | Arbeitsgang | Umfang |
|---|---|---|
| 10 | EDA | 27 Merkmale, Klassenungleichgewicht, Korrelation, Ausreißer |
| 20 | SQL-Flottenanalyse | JOINs, CTEs, Window-Funktionen auf einem Star-Schema mit 8 Tabellen |
| 30 | Feature Engineering | vehicle_age, overload_ratio, days_since_maintenance · Leakage-Erkennung und -Entfernung |
| 40 | Klassifikation | Dummy → Logistische Regression → Random Forest → XGBoost · Ungleichgewicht behandelt |
| 50 | Regression | Dummy → Linear → RF → XGBoost · Log-Transformation für schiefe Zielgrößen |
| 60 | Clustering | KMeans (k=2) + DBSCAN · PCA-Visualisierung · nachgelagerte Label-Validierung |
| 70 | SHAP-Interpretation | globale Bedeutung, Beeswarm, Dependence, Waterfall für das Fahrzeug mit dem höchsten Risiko |
Messwerte
Drei Aufgaben, drei Bewertungen
Clustering, ehrlich berichtet
KMeans mit k=2 erreichte einen bescheidenen Silhouette-Wert von 0,083, doch die nachgelagerte Validierung gab den Clustern eine operative Bedeutung: überladene gegen normal beladene Fahrzeuge. Ein schwacher Wert mit realer Interpretation schlägt einen schönen Wert ohne.
Interpretation · SHAP
Das Modell hat das Domänenwissen bestätigt
Zentraler Befund
Brake_Condition ist der dominante Risikoprädiktor über die gesamte Flotte. Genau das legen 17 Jahre Fahrzeugentwicklung nahe: Das Modell hat das Domänenwissen nicht ersetzt, es hat es quantifiziert und bestätigt. Der SHAP-Waterfall für das Fahrzeug mit dem höchsten Risiko macht daraus eine Erklärung, die auch im Management trägt.
Datendisziplin
Zum Feature Engineering gehörten explizite Leakage-Erkennung und -Entfernung, und das Star-Schema (Faktentabelle vehicle plus Dimensionen für Bremse, Route, Wetter, Modell und weitere) hielt die SQL-Analyse sauber. Prognosequalität ist ein Datenproblem, bevor sie ein Modellierungsproblem ist.
Lesen Sie die Notebooks.
Sieben Notebooks und fünf SQL-Dateien, von den rohen Flottendaten bis zu den SHAP-Waterfalls: Die gesamte Kette ist öffentlich und reproduzierbar.