# Portfolio Summary — fLAirport — Analyse unpünktlicher Flüge --- ## Project ``` name: fLAirport slug: fl-airport-company type: DA stage: Phase 3 — Story (Portfolio-Aufbereitung) target: On-Time Performance (OTP) je Airline/Zeitraum — kein ML-Target stack: Power BI · SQL (PostgreSQL) · DAX period: 2015–2017 rows: 1.264.229 Flüge (LAX, gefiltert: keine gestrichenen/umgeleiteten Flüge) notebooks: 0 (Power-BI-Report statt Notebooks — siehe report/Report-flAirport_v09.pbix) findings: 6 dashboard: ``` --- ## Storyline ``` thesis: Die durchschnittliche Verspätung pro Flug ist als alleiniger KPI irreführend — Airlines mit extremen Ø-Werten haben oft nur wenige Flüge und kaum Einfluss auf die Gesamtzahl der Verspätungen. Entscheidend für operative Planung sind stattdessen die klar wiederkehrenden saisonalen und wochentäglichen Muster. hook: Die drei Airlines mit der höchsten Ø-Verspätung pro Flug stehen für nur 3,51 % aller Verspätungen an LAX. proof: Kennzahlen-Übersicht → Airline-Ranking (Ø-Verspätung vs. Anteil Gesamtverspätung) → zeitliche Musteranalyse über 6 Ebenen (Jahr, Quartal, Monat, Woche, Wochentag, Stunde) so_what: Kapazitäts- und Prozessplanung sollte sich an saisonalen/Wochen-/Tages-Mustern orientieren, nicht an Airline-Durchschnittswerten — die sind ein "fragwürdiger Indikator" (O-Ton Report). ``` --- ## Problem ``` kpi_name: On-Time Performance (OTP) kpi_ist: 29,85 % kpi_soll: — (Auftrag verlangt Transparenz + Muster-Identifikation, kein Zielwert vorgegeben) kpi_gap: — problem_statement: | fLAirport braucht für sein größtes Drehkreuz LAX eine abteilungsübergreifende Diskussionsgrundlage zur Pünktlichkeit — 70 % aller Flüge weichen ≥ 5 Minuten von der Planzeit ab. Offen ist, welche Airlines und welche Zeiträume die Unpünktlichkeit treiben, um interne Prozesse gezielt darauf abzustimmen. ``` --- ## Key Findings ### F1 — Kennzahlen-Überblick ``` finding: 70 % aller LAX-Flüge sind unpünktlich (≥ 5 Min., zu früh oder zu spät); OTP 29,85 %, Ø-Verspätung 26,42 Min./Flug (Ankunft 26,51 / Abflug 26,30) number: 886.882 von 1.264.229 Flügen (70 %) source: docs/report-extract.md (Seite 3, 5, 6) ``` ### F2 — Airline-Indikator-Verzerrung ``` finding: Die drei Airlines mit der höchsten Ø-Verspätung pro Flug (Envoy Air, Frontier Airlines, JetBlue Airways) tragen nur zu einem kleinen Bruchteil zur Gesamtverspätung bei — der Indikator ignoriert die Flughäufigkeit number: 3,51 % Anteil an allen Verspätungen source: docs/report-extract.md (Seite 7–9) ``` ### F3 — Saisonales Muster ``` finding: Deutlicher Anstieg der Verspätungen in Q2, Peak in Q3, niedrigster Wert in Q1 — Feiertage/Urlaubszeiten lassen sich in den Daten klar ablesen number: Q1 = Minimum, Q3 = Peak source: docs/report-extract.md (Seite 10–11, 14) ``` ### F4 — Wochentagsmuster ``` finding: Samstag hat die deutlich geringste Anzahl/Summe an Verspätungen; Freitag, Sonntag und Montag steigen wieder deutlich an number: Samstag = wöchentliches Minimum source: docs/report-extract.md (Seite 12, 14) ``` ### F5 — Tagesmuster ``` finding: Verspätungen häufen sich morgens (6–9 Uhr) und am späten Nachmittag — passend zum typischen Arbeitszeit-Rhythmus im Flugbetrieb number: Peak 6–9 Uhr source: docs/report-extract.md (Seite 13–14) ``` ### F6 — Richtungssplit ``` finding: Verspätungen verteilen sich auf 368.669 Abflüge und 518.213 Ankünfte (zusammen 886.882) — Ankunftsverspätungen überwiegen leicht number: 368.669 (Abflug) / 518.213 (Ankunft) source: interne Kennzahlen-Verifikation (Power-BI-Measures, Double-Check-Notizen) ``` --- ## Model Results --- ## Figures ```yaml overview: - page-03.png # Gesamtanzahl Flüge, pünktlich/verspätet Split - page-04.png # Verspätungen Abflug/Ankunft/Gesamt - page-05.png # OTP, Delay Index, betroffene Airlines - page-06.png # Verspätungen pro Tag, Verspätung pro Flug in Minuten airlines: - page-07.png # Top-3-Airlines nach Ø-Verspätung, Anteil an Auswahl - page-08.png # Erkenntnisse Airline-Betrachtung - page-09.png # Wichtige Erkenntnis: Indikator fragwürdig - page-19.png # Ranking nach Anzahl der Verspätungen - page-20.png # Delay Index Airlines - page-21.png # Delay Rate Airlines temporal: - page-10.png # Aggregierte Betrachtung Jahre/Quartale/Monate/Tage - page-11.png # Kontinuierliche Betrachtung Jahre/Quartale/Monate/Tage - page-12.png # Wochenansicht der Verspätungen - page-13.png # Tagesansicht nach Uhrzeit - page-14.png # Erkenntnisse Zeitebenen recommendations: - page-15.png # Handlungsempfehlungen ``` --- ## Recommendations ``` r1: title: Operative Planung optimieren detail: Saisonale Häufungen sowie Wochen-/Tages-Muster verstärkt in die Kapazitätsplanung einbeziehen, um Spitzenwerten gezielt vorzubeugen. r2: title: Research fortführen detail: Extreme Einzelausreißer in Anzahl und Summe der Verspätungen mit den Fachabteilungen klären, um Ursachen zu identifizieren und Wiederholungen zu vermeiden. r3: title: Indikator verbessern detail: Ø-Verspätung pro Flug allein zeigt nur die Schwere, nicht die Häufigkeit oder den Gesamteinfluss. Sinnvollere Kombination: OTP & Summe, Anzahl & Summe, Delay-Index. ``` --- ## Status ``` generated_by: /project-case story + slides + report generated_at: 2026-07-10 summary_version: 2 portfolio_check: ⚠️ partial — Phase 3–5 abgeschlossen, Phase 6 (Public Launch: Commit+Push) offen report_html: ✅ generated slides_html: ✅ generated (3 Views: Overview 8 · StoryView 29 · TechView 12 Slides) dashboard: ❌ not deployed — kein Dashboard geplant, statischer Report (siehe ROADMAP.md) ```