Die Ansprüche der Kunden an Supply-Chain-Netzwerke und die beteiligten Unternehmen sind in den letzten Jahren stetig gestiegen. Um den wachsenden Anforderungen gerecht zu werden, müssen potenzielle Engpässe innerhalb der Unternehmen und des Netzwerks frühzeitig erkannt und behoben werden. Mithilfe von zwei unterschiedlichen Simulationsszenarien und zwei Verfahren des maschinellen Lernens stellt diese Arbeit Anwendungsbeispiele dar. Dabei werden die Datenerhebung, Implementierung und anschließende Evaluierung der Erfolgspotenziale und Hindernisse hinsichtlich des maschinellen Lernens im Engpassmanagement durchgeführt.
Genauigkeiten der Vorhersagen sind maßgeblich entscheidend, ob ein Engpass in der Zukunft erkannt werden kann. Es werden Annahmen bestätigt, dass sich die Qualität der Vorhersagen je nach verwendetem Algorithmus und Datengrundlage sehr individuell verhalten. Allgemeingültige Richtlinien lassen sich demnach nicht definieren. Diese Arbeit zeigt jedoch anhand mehrerer Fallbeispiele, dass die Anwendung maschinellen Lernens genaue Vorhersagen treffen kann, die potenzielle Engpässe innerhalb von Lieferketten oder Netzwerken aufdecken kann.
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung
1.2 Zielsetzung
1.3 Gliederung der Arbeit
2 Theoretischer Hintergrund
2.1 Supply Chain Management
2.2 Engpassmanagement
2.3 Grundlagen der Simulation
2.3.1 Simulationsmethoden
2.3.2 Qualitätssicherung einer Simulation
2.4 Maschinelles Lernen
2.4.1 Deep Learning
2.4.2 Random Forest
2.4.3 Overfitting
3 Simulationsmodellierung
3.1 Zielformulierung
3.2 Systemanalyse
3.3 Implementierung des Simulationsmodells
3.4 Modelverifikation und – Validierung
3.5 Erweiterung des Simulationsmodells
4 Maschinelles Lernen
4.1 Datengrundlage und -aufbereitung
4.2 Wahl der Algorithmen
4.3 Neuronales Netz
4.3.1 Implementierung des neuronalen Netzes
4.3.2 Hyperparametertuning
4.4 Random Forest
4.4.1 Implementierung des Random Forest
4.4.2 Hyperparametertuning
5 Ergebnisse
5.1 Ergebnisse des neuronalen Netzes
5.2 Ergebnisse des Random Forest
5.3 Vergleich der ML-Algorithmen
5.4 Erfolgspotenziale und Herausforderungen
6 Fazit
6.1 Zusammenfassung
6.2 Ausblick
Zielsetzung & Themen
Die Arbeit untersucht, wie Verfahren des maschinellen Lernens (ML) eingesetzt werden können, um potenzielle Engpässe in Supply-Chain-Netzwerken frühzeitig vorherzusagen, wobei der Fokus auf dem Vergleich der Leistungsfähigkeit eines neuronalen Netzes (NN) und eines Random Forest (RF) Modells liegt.
- Grundlagen des Supply Chain Managements und Engpassmanagements
- Methodische Konzeption und Umsetzung von ereignisdiskreten Simulationsmodellen
- Implementierung und Optimierung von KI-Algorithmen mittels Hyperparametertuning
- Evaluierung der Erfolgspotenziale und Herausforderungen für das datenbasierte Engpassmanagement
Auszug aus dem Buch
3.1 Zielformulierung
Das System des Supply-Chain Netzwerks bzw. die Daten, die aus der Simulation hervorgehen verfolgen diverse Ziele. Hauptsächlich dient die Simulation jedoch für den weiteren Verlauf dieser Arbeit als Input für einen ML-Algorithmus und muss dementsprechend bestimmte Eigenschaften vorweisen. Entstehende Daten der Simulation müssen aussagekräftig hinsichtlich der Identifikation und Auswirkungen von Engpässen auf das Netzwerk sein. Zusätzlich zur Simulation dieser Daten muss die Möglichkeit des Exports in das benötigte Format gegeben sein, um eine weitere Bearbeitung der Daten zu gewährleisten. Es lassen sich dementsprechend folgende Ziele für die Simulation des Supply-Chain Netzwerks definieren:
1. Eine realistische Simulation einer mehrstufigen Lieferkette, in der diverse Zulieferer und Lieferanten ein Unternehmen beliefern und das Endprodukt durch den Vertrieb von Händlern dem Endkunden zur Verfügung gestellt wird.
2. Die Ermöglichung von Engpasssituationen innerhalb des Materialflusses in der Lieferkette. Das heißt im Näheren, dass eine Station im System, egal ob es sich um eine Zulieferstation, eine Fertigungsstation oder eine Vertriebsstation handelt direkte oder indirekte Auswirkungen eines Engpasses erfahren kann. Jeder Baustein des Systems kann der Ursprung eines Engpasses oder von diesem betroffen sein. Somit haben Engpässe einen Einfluss auf den Materialfluss im gesamten System.
3. Kontinuierliche Erhebung und Dokumentation von Daten, die für den weiteren Verlauf dieser Arbeit verwendet werden. Hierbei werden sowohl die zeitlichen Abstände der Dokumentation, inhaltliche Kriterien und das dokumentierte und exportierte Format der Daten festgelegt.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Herausforderungen des Supply Chain Managements ein und erläutert die Relevanz des maschinellen Lernens für das Risikomanagement sowie die Zielsetzung der Arbeit.
2 Theoretischer Hintergrund: Dieses Kapitel vermittelt die notwendigen Grundlagen zu Supply Chain Management, Engpassmanagement, Simulationstechniken sowie den Prinzipien des maschinellen Lernens.
3 Simulationsmodellierung: Hier werden die Planung, Zielsetzung und technische Umsetzung des Simulationsmodells für zwei Szenarien detailliert beschrieben.
4 Maschinelles Lernen: In diesem Kapitel erfolgt die Datenaufbereitung sowie die Implementierung und Optimierung der ML-Algorithmen (Neuronales Netz und Random Forest).
5 Ergebnisse: Die Ergebnisse der Algorithmen werden ausgewertet und hinsichtlich der Vorhersagegenauigkeit der Arbeitsanteile sowie der Erfolgspotenziale diskutiert.
6 Fazit: Das Fazit fasst die wesentlichen Erkenntnisse zusammen und liefert einen Ausblick auf künftigen Forschungsbedarf.
Schlüsselwörter
Engpassmanagement, Supply Chain Management, Maschinelles Lernen, Simulation, Neuronales Netz, Random Forest, Lieferkette, Prozessoptimierung, Vorhersage, Hyperparametertuning, Materialfluss, Risikomanagement, Künstliche Intelligenz, Datenanalyse, Regressionsanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Masterarbeit grundlegend?
Die Arbeit analysiert, wie moderne Methoden des maschinellen Lernens genutzt werden können, um bei komplexen logistischen Netzwerken Engpässe in der Lieferkette frühzeitig zu identifizieren.
Was sind die zentralen Themenfelder der Analyse?
Die zentralen Felder sind das Supply Chain Management, die ereignisdiskrete Simulation logistischer Abläufe sowie die Anwendung von Algorithmen zur Datenvorhersage.
Was ist das primäre Forschungsziel?
Ziel ist es, den potenziellen Erfolg und die Leistungsfähigkeit zweier spezifischer ML-Modelle bei der automatisierten Erkennung von Engpasssituationen in Lieferketten zu bewerten.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden eine ereignisdiskrete Simulation mittels Plant Simulation sowie statistische Lernverfahren (neuronale Netze und Random Forest) angewendet.
Welche Inhalte dominieren den Hauptteil?
Der Hauptteil gliedert sich in die methodische Modellbildung der Lieferkette, die datentechnische Aufbereitung und die systematische Evaluation beider Algorithmen mittels Fehlermaßen.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Zu den wichtigsten Begriffen gehören Engpassmanagement, SCM, Maschinelles Lernen, neuronale Netze, Random Forest und Simulationsmodellierung.
Warum wurde Plant Simulation als Werkzeug gewählt?
Plant Simulation eignet sich laut der Arbeit besonders gut für detaillierte Engpassanalysen sowie die nachfolgende statistische Auswertung der gewonnenen Materialflussdaten.
Welcher Algorithmus ist für die Vorhersage besser geeignet?
Es gibt keine allgemeingültige Antwort; während das neuronale Netz im ersten Szenario präzisere Ergebnisse lieferte, zeigte der Random Forest in saisonalen Szenarien und bei größeren Datenmengen Vorteile.
- Quote paper
- Tarik Benrabah (Author), 2022, Engpassmanagement in der Supply Chain. Erfolgspotenziale und Vergleich zweier Verfahren des maschinellen Lernens, Munich, GRIN Verlag, https://www.grin.com/document/1276243
