Dieser Arbeit wird ein abgespeckter Datensatz zu Grunde gelegt, der mit einer Erweiterung des „periodic review inventory model“ generiert wurde und in states unterteilt ist. Jeder state enthält Informationen über den Lagerbestand, die Menge eines vor einer und zwei Perioden bestellten Produktes und die zugehörigen Kosten. Zunächst wird in Abschnitt 2 das periodic inventory review model eingeführt, das Prinzip RFID kurz vorgestellt und an kurzen Beispielen weiter vertieft. Es wird ebenfalls ein kurzer Einblick in die Grundlagen der Regression und deren Interpretations- und Analysemethoden gegeben. Im Hauptteil werden Muster und Strukturen innerhalb dieses Datensatzes mit Hilfe verschiedener Regressionsmethoden dargestellt und im Anschluss diskutiert. Abschnitt 4 zieht ein Fazit mit kritischer Würdigung der Analysen und gibt einen Ausblick.
Inhaltsverzeichnis
1 Einleitung
1.1 Grundsätzliche Motivation
1.2 Themenmotivation
1.3 Ziel
2 Grundlagen
2.1 Periodic review inventory model
2.2 Möglichkeiten des Informationsaustausches
2.3 Regression
2.3.1 Lineare Regression
2.3.2 Logistische Regression
3 Analyse
3.1 Lineare Regression
3.1.1 Lineare bivariate Regression
3.1.2 Lineare multivariate Regression
3.2 Nichtlineare multivariate Regression
3.3 Logistische Regression
3.4 Diskussion
4 Fazit
4.1 Zusammenfassung
4.2 Kritische Würdigung
4.3 Ausblick
6 Appendix
Appendix A
Appendix B
Zielsetzung & Themen
Die Arbeit untersucht Zusammenhänge in Daten getrackter Bestellungen innerhalb einer Supply Chain unter Berücksichtigung von Nachfrageunsicherheit und zufälligem Ertrag, um durch verschiedene Regressionsmethoden verlässliche Prognosen für Lagerbestände, Losgrößen und Kosten zu generieren.
- Anwendung des Periodic Review Inventory Models unter Unsicherheit
- Einsatz von RFID zur verbesserten Überwachung von Lieferprozessen
- Durchführung linearer, multivariater und nichtlinearer Regressionsanalysen
- Analyse der Prognosequalität mittels logistischer Regression
Auszug aus dem Buch
3.1.1 Lineare bivariate Regression
Der erste Abschnitt der Regressionsanalyse beschäftigt sich mit der anfangs beschriebenen linearen Regression mit zwei Variablen, eine abhängige und eine unabhängige.
In den Abbildungen 3.1 – 3.4 wird das Ergebnis mehrerer linearer Regressionen dargestellt.
Die Abbildungen 3.1 und 3.2 zeigen die Regression der Kosten mit der Summe der offenen Bestellungen oder dem Lagerbestand als erklärende Variablen und die Abbildung 3.3 und 3.4 die Ergebnisse mit der Losgröße als abhängige Variable. Beispielhaft werden die Regressionsergebnisse der Abbildung 3.2 ausführlich dargestellt. Die Regressionsgleichung lautet folgendermaßen:
Cost = 190,2588 – 1,6218 * SUM
Dazu gehört ein Bestimmtheitsmaß von 0,0047 und ein Standardfehler von 178,7805. Das bedeutet, dass nur 0,47 % der Gesamtstreuung durch das Regressionsmodell erklärt wird. Um den Standardfehler nun interpretieren zu können, wird dieser ins Verhältnis zum Mittelwert gesetzt. Mit einem Mittelwert von 169,2494 lautet das Ergebnis wie folgt:
178,7805 / 169,2494 = 105,0563
Daraus folgt, dass der Standardfehler der Schätzung 105,63 % beträgt.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung beleuchtet die Herausforderungen von Supply Chains hinsichtlich des Bullwhip-Effekts und unterstreicht die Relevanz der Überwachung von Warenflüssen mittels Echtzeitinformationen.
2 Grundlagen: Hier werden das Periodic Review Inventory Model, die RFID-Technologie sowie die theoretischen Grundlagen der linearen und logistischen Regression dargelegt.
3 Analyse: Dieser Hauptteil wendet die zuvor beschriebenen Regressionsmethoden auf den generierten Datensatz an, um Muster in Kosten und Losgrößen zu identifizieren.
4 Fazit: Das Fazit fasst die Ergebnisse der verschiedenen Regressionsmodelle zusammen, würdigt die Anwendbarkeit kritisch und gibt einen Ausblick auf die Bedeutung von Datenqualität.
6 Appendix: Der Anhang enthält die notwendige mathematische Notation für die Modellierung sowie eine statistische t-Tabelle.
Schlüsselwörter
Supply Chain Management, Bullwhip Effect, Periodic Review Inventory Model, RFID, Logistik, Regressionsanalyse, Lineare Regression, Logistische Regression, Prognose, Lagerbestand, Bestimmtheitsmaß, Nachfrageunsicherheit, Lieferkette, Kostenoptimierung, Datenauswertung
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit?
Die Arbeit analysiert Daten getrackter Bestellungen in einer Lieferkette, um Muster und Zusammenhänge bei Nachfrageunsicherheit und unvorhersehbarem Ertrag zu verstehen.
Welche zentralen Themenfelder werden bearbeitet?
Zentral sind die Bestandsführung (Inventory Management), der Einsatz von Tracking-Technologien wie RFID und die Anwendung statistischer Regressionsverfahren.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, mittels Regressionsmethoden zu prüfen, inwieweit sich Kosten, Losgrößen und Bestände auf Basis verfügbarer Daten verlässlich vorhersagen lassen.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Die Autorin verwendet das Periodic Review Inventory Model zur Datengenerierung und führt lineare, nichtlineare multivariate sowie logistische Regressionsanalysen durch.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil widmet sich der praktischen Durchführung der Regressionen, wobei unter anderem der Lagerbestand und die offenen Bestellungen als erklärende Variablen für Kosten und Losgrößen untersucht werden.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wichtige Begriffe sind unter anderem Bullwhip Effect, RFID, Bestimmtheitsmaß, Nachfrageunsicherheit und Prognosegenauigkeit.
Warum ist das RFID-System für diese Untersuchung von besonderer Bedeutung?
RFID ermöglicht die automatische Identifizierung von Produkten, was Transparenz schafft, Bestandsfehler reduziert und somit eine bessere Datengrundlage für die Analysen bietet.
Was schlussfolgert der Autor aus der logistischen Regression?
Die logistische Regression zeigt, dass die Wahrscheinlichkeit für Losgrößen über dem Mittelwert negativ vom Lagerbestand und den offenen Bestellungen abhängt, wobei letztere stärker in die Entscheidung einfließen.
- Quote paper
- Matthias Wolff (Author), 2017, Darstellung von Mustern und Zusammenhängen in Daten getrackter Bestellungen unter Nachfrageunsicherheit und zufälligem Ertrag mit Hilfe von Regressionsmethoden, Munich, GRIN Verlag, https://www.grin.com/document/461500
