Umeå universitets logga

Cytiva manufactures and distributes products for the bioprocessing industry, where on-time delivery is critical for customer operations. Delivery precision is measured at order level, but inventory and service levels are managed at item level. When several items are bundled into a single shipment, the multiplicative nature of order-level success means that even items with high individual service levels can result in late orders. This thesis addresses three questions: whether delivery risk in customer orders can be predicted, which factors are associated with late deliveries, and how such predictions can support proactive decision-making.

A binary classification problem is formulated using order-level data from 2024 and 2025. Logistic regression is used as an interpretable benchmark model and compared with XGBoost, a tree-based machine learning method. Both models are extended with network-based variables derived from a co-occurrence graph of items. In this graph, two items are linked when they are often ordered together.

In a separate descriptive network analysis based on the same idea of co-occurrence, the graph is further analysed. The analysis includes clusters, cliques, edge density and risk pairs to identify item combinations associated with delivery risk. XGBoost achieves the highest predictive performance with a ROC AUC of 0.76 and a top 1% precision of 81% on test data. This means that 81% of the orders ranked as highest-risk by the model are actually late. The analysis of which variables contribute the most to the model's predictions shows that the time margin between the customer's requested date and the internal target date and the item's rolling historical delay rate contribute the most to the model's risk predictions. The network analysis identifies item groups that are associated with increased order-level risk even when the items' own row-level delay rates are lower. Combining the predictive model with the separate network analysis provides a basis for targeted decision support and leads to concrete, actionable proposals.

Cytiva tillverkar och distribuerar produkter till bioprocessindustrin, där leveransprecision är avgörande för kundernas verksamhet. Leveransprecisionen mäts på ordernivå, medan lager och servicenivåer styrs på artikelnivå. När flera artiklar samskeppas i samma order blir leveransutfallet en multiplikativ funktion av varje artikels tillgänglighet. Det innebär att även artiklar med hög individuell servicenivå kan resultera i sena ordrar. Studien behandlar tre frågor. Kan leveransrisk i kundordrar förutses, vilka faktorer är associerade med sena leveranser samt hur kan sådan prediktion användas som proaktivt beslutsstöd.

Problemet formuleras som en binär klassificering på ordernivå utifrån data från 2024 och 2025. Logistisk regression används som tolkbar referensmodell och jämförs med XGBoost, en trädbaserad maskininlärningsmetod. Båda modellerna utökas med nätverksbaserade variabler härledda från en samförekomstgraf över artiklar. I grafen kopplas två artiklar samman när de ofta beställs tillsammans.

I en separat deskriptiv nätverksanalys baserad på samma samförekomstidé analyseras grafen vidare. Analysen omfattar kluster, klickar, kantdensitet och riskpar för att identifiera artikelkombinationer som är förknippade med leveransrisk. XGBoost uppnår den högsta prediktiva prestandan med en ROC AUC på 0,76 och en topp 1% precision på 81% på testdata. Det innebär att 81% av de ordrar som modellen rankar som mest riskfyllda faktiskt är sena. Analysen av vilka variabler som bidrar mest till modellens prediktioner visar att tidsmarginalen mellan kundens önskade datum och det interna måldatumet samt artikelns rullande historiska förseningsfrekvens bidrar mest till modellens riskprediktioner. Nätverksanalysen identifierar artikelgrupper som är förknippade med förhöjd orderbaserad risk även när artiklarnas egna orderradsbaserade förseningsgrad är lägre. Att kombinera prediktionsmodellen med den separata nätverksanalysen ger underlag för riktat beslutsstöd och leder till konkreta, handlingsbara förslag.