Unregelmäßigkeiten im Handling von Luftfrachtsendungen können für zusätzlichen Aufwand sorgen und sich negativ auf die Kundenzufriedenheit und die Kapazitätsauslastung auswirken. Deshalb ist es für eine Frachtfluggesellschaft wichtig, solche Unregelmäßigkeiten zu identifizieren und präventive Maßnahmen einzuleiten.

A priori wird von einem Zusammenhang zwischen dem Auftreten von Unregelmäßigkeiten und der Kompetenz eines Kunden ausgegangen. Die Zielsetzung dieser Arbeit ist, diese Hypothese zu untersuchen. Dazu werden Daten der Lufthansa Cargo AG mithilfe von Data-Mining-Methoden ausgewertet. Die Methodik baut auf dem Standardprozessmodell Crisp-DM auf und umfasst neben der Modellierung auch die Datenerhebung und -vorbereitung.

Es wird ein Vorhersagemodell entwickelt, das, unter Berücksichtigung der Kompetenz, Sendungen als regelmäßig oder unregelmäßig klassifiziert. Das der Klassifikation vorangehende Kompetenzmodell erzeugt Kompetenzattribute, die Auskunft darüber geben, inwiefern bei einer Sendung die notwendigen Kompetenzen vorliegen. Mittels Association Rule Learning werden Zusammenhänge zwischen den Sendungs- und Kompetenzattributen und den Unregelmäßigkeiten in Form von Regeln, den Association Rules, extrahiert. Die Association Rules werden zur Klassifikation der Sendungen eingesetzt. Abhängig davon, welcher Schwellenwert für die Mindeststärke der Association Rules vorgegeben wird, ergeben sich unterschiedliche Mengen von Regeln. Daraus entstehen verschiedene Modelleinstellungen, die in einem entweder eher sensiblen oder einem eher konservativen Modell resultieren. Mit einem sensiblen Modell können 90% der Unregelmäßigkeiten identifiziert werden. Die vorhergesagten Unregelmäßigkeiten sind dabei in 35% der Fälle korrekt. Ein konservatives Modell hingegen erkennt etwas weniger als 10% der Unregelmäßigkeiten, die in knapp 90% tatsächlich unregelmäßig sind. Aufgrund des vorliegenden Trade-offs muss der Anwender sich für eine geeignete Modelleinstellung entscheiden.

Ein Vergleich zwischen dem entwickelten Modell und einem Referenzmodell, das die Kompetenz nicht berücksichtigt, zeigt auf, welchen Einfluss das Hinzuziehen der Kompetenz auf die Vorhersageergebnisse hat. Die Berücksichtigung der Kompetenz sorgt für eine höhere Anzahl an Association Rules. Dies bewirkt, dass mehr Unregelmäßigkeiten erkannt werden, aber auch mehr Fehlalarme entstehen. Durch den Einbezug der Kompetenz steigt die True-Positive-Rate allerdings mehr als die False-Positive-Rate. Mit diesem identifizierten Einfluss kann die Hypothese über den Zusammenhang zwischen der Kompetenz und den Unregelmäßigkeiten bestätigt werden.