Einsatz prädiktiver Analytik und maschinellen Lernens in der Supply-Chain-Nachfrageprognose

Abstract

Die globale Wirtschaft, die von ständigem Wandel geprägt ist, macht es für Unternehmen immer schwieriger genaue Nachfrageprognosen zu erstellen. Um diesem Problem entgegenzuwirken erfordert es dynamischere Prognoseverfahren, die sich nicht nur mit einfachen Nachfragesignalen wie Trends oder Saisonalität beschäftigen. Zwei Methoden für Prognoseverfahren, die dabei in den letzten Jahren eine hohe Aufmerksamkeit erhalten haben, stellen prädiktive Analytik und maschinelles Lernen dar, die bereits im Supply-Chain-Management vermehrt angewandt werden. Diese Methoden einzuführen ist jedoch ein aufwändiger Prozess in Unternehmen, bei dem einige Schritte zu beachten sind, weshalb es nötig ist eine Art Fahrplan zur Implementierung prädiktiver Analytik und maschinellen Lernens in der Supply-Chain-Nachfragepronose zu erstellen und zu befolgen. Das thematisch erste Kapitel dieser Arbeit behandelt die Grundlagen prädiktiver Analytik in der Supply-Chain-Nachfrageprognose. Neben der Begriffsdefinition von Supply-ChainNachfrageprognose wird auf ihre Ziele, grundlegenden Konzepte und Methoden eingegangen. Anschließend wird prädiktive Analytik näher beschrieben, bevor erläutert wird wie prädiktive Analytik in der Supply-Chain-Nachfrageprognose eingesetzt werden kann. Im folgenden Kapitel wird auf maschinelles Lernen eingegangen, wobei auch der Unterschied zu prädiktiver Analytik hervorgehoben wird. Weiters wird die Eignung von maschinellen Lernalgorithmen für die Supply-Chain-Nachfrageprognose betrachtet, bevor im inhaltlich abschließenden Kapitel eine Implementierungsempfehlung für prädiktive Analytik und maschinelles Lernen in der Supply-Chain-Nachfrageprognose für ein Elektroindustrieunternehmen erstellt wird. Im letzten Kapitel dieser Arbeit wird unter Berücksichtigung der Industriestandards für Projekte mit prädiktiver Analytik (CRISP-DM) und maschinellem Lernen (CRISP-ML (Q)) eine Implementierungsempfehlung für ein Elektroindustrieunternehmen aus Oberösterreich erstellt. Diese Empfehlung bietet einen Leitfaden für das Unternehmen, welche Schritte in welcher Reihenfolge bei einem Projekt, das sich mit der Implementierung von prädiktiver Analytik und maschinellem Lernen beschäftigt, eingehalten werden sollten und worauf in den jeweiligen Projektabschnitten geachtet werden sollte. Dieser Implementierungsleitfaden setzt sich aus sechs Phasen zusammen, die sowohl die Charakteristika der prädiktiven Analytik und des maschinellen Lernens berücksichtigen. Diese Empfehlung ermöglicht dem Unternehmen, die Risiken bei einer möglichen Einführung prädiktiver Analytik und maschinellen Lernens in der Supply-Chain-Nachfrageprognose zu minimieren. Weiters können unnötige Arbeitsschritte und somit auch wertvolle Arbeitsstunden durch die Einhaltung der Implementierungsempfehlung vermieden werden, da diese sich auf die wesentlich notwendigen Einführungsmaßnahmen fokussiert und somit eine unstrukturierte Implementierung vermieden werden kann.

Datum der Bewilligung	2024
Originalsprache	Deutsch (Österreich)
Betreuer/-in	Gerald Schönwetter (Betreuer*in)