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
- Einleitung
- Einführung
- Zielsetzung
- Gliederung der Arbeit
- Theoretischer Hintergrund
- Supply Chain Management
- Engpassmanagement
- Grundlagen der Simulation
- Simulationsmethoden
- Qualitätssicherung einer Simulation
- Maschinelles Lernen
- Deep Learning
- Random Forest
- Overfitting
- Simulationsmodellierung
- Zielformulierung
- Systemanalyse
- Implementierung des Simulationsmodells
- Modelverifikation und – Validierung
- Erweiterung des Simulationsmodells
- Maschinelles Lernen
- Datengrundlage und -aufbereitung
- Wahl der Algorithmen
- Neuronales Netz
- Implementierung des neuronalen Netzes
- Hyperparametertuning
- Random Forest
- Implementierung des Random Forest
- Hyperparametertuning
- Ergebnisse
- Ergebnisse des neuronalen Netzes
- Ergebnisse des Random Forest
- Vergleich der ML-Algorithmen
- Erfolgspotenziale und Herausforderungen
- Fazit
- Zusammenfassung
- Ausblick
Zielsetzung und Themenschwerpunkte
Die Masterarbeit zielt darauf ab, die Anwendung von maschinellem Lernen im Engpassmanagement von Supply Chains zu untersuchen. Sie analysiert die Herausforderungen und Chancen, die sich aus der Integration von Machine-Learning-Verfahren in Supply-Chain-Netzwerke ergeben. Die Arbeit veranschaulicht die Funktionsweise des Engpassmanagements durch die Entwicklung und Evaluierung eines Simulationsmodells. Die Evaluierung der Erfolgspotenziale und Hindernisse im Zusammenhang mit maschinellem Lernen im Engpassmanagement steht im Fokus der Arbeit.
- Analyse des Engpassmanagements in Supply Chains
- Bewertung von Machine-Learning-Methoden zur Engpassdetektion
- Entwicklung eines Simulationsmodells für die Supply-Chain-Modellierung
- Implementierung und Evaluierung von Machine-Learning-Algorithmen
- Identifizierung von Erfolgspotenzialen und Herausforderungen im Zusammenhang mit maschinellem Lernen im Engpassmanagement
Zusammenfassung der Kapitel
Die Einleitung stellt den aktuellen Bedarf an Engpassmanagement in Supply Chains dar und erläutert die Ziele und die Gliederung der Arbeit. Kapitel 2 beleuchtet den theoretischen Hintergrund, einschließlich Supply Chain Management, Engpassmanagement und Grundlagen der Simulation sowie maschinellen Lernens. Kapitel 3 beschreibt die Modellierung des Simulationssystems, die Zielformulierung, Systemanalyse, Implementierung, Verifikation und Validierung des Modells sowie dessen Erweiterung. Kapitel 4 behandelt die Anwendung von maschinellem Lernen, einschließlich Datengrundlage, Wahl der Algorithmen, Implementierung und Hyperparametertuning für neuronale Netze und Random Forest.
Kapitel 5 präsentiert die Ergebnisse der Modellsimulationen und der Anwendung von maschinellem Lernen. Es beinhaltet eine detaillierte Analyse der Ergebnisse des neuronalen Netzes, des Random Forest, einen Vergleich der Algorithmen sowie die Identifizierung von Erfolgspotenzialen und Herausforderungen. Das Fazit fasst die Ergebnisse der Arbeit zusammen und gibt einen Ausblick auf zukünftige Forschungsrichtungen.
Schlüsselwörter
Supply Chain Management, Engpassmanagement, maschinelles Lernen, Simulation, Neuronales Netz, Random Forest, Engpassdetektion, Erfolgspotenziale, Herausforderungen.
- 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
