Verbindung von synthetischer Datenerzeugung und Machine Learning zur kostenorientierten Auswahl von dynamischen Bestellmengenverfahren

Abstract

Die Arbeit untersucht die Verbindung von synthetischer Datenerzeugung und Machine Learn-ing zur kostenorientierten Auswahl dynamischer Bestellmengenverfahren. In der Unterneh-menspraxis werden Heuristiken zur Bestellmengenplanung wie Silver Meal, Groff, Least Unit Cost und Part Period zwar in ERP-Systemen bereitgestellt, jedoch häufig ohne systematische Auswahl eingesetzt. Zu diesem Zweck wird die dynamische Bestellmengenplanung zunächst systemtheoretisch modelliert. Anschließend werden durch Simulationsexperimente umfangreiche synthetische Daten generiert. Diese Datengrundlage ermöglicht eine umfassende Analyse der Leistungsfä-higkeit der vier dynamischen Bestellmengenverfahren in Abhängigkeit von den zugrundelie-genden Systemfaktoren. Auf Basis der synthetischen Daten sowie unterschiedlicher statistischer Analysen werden niedrigschwellige und interpretierbare Entscheidungsregeln abgeleitet, die eine kostenorien-tierte Auswahl der Heuristik ermöglichen. Parallel dazu werden unterschiedliche Machine Learning-basierte Klassifikationsmodelle zur Heuristikwahl entwickelt, welche auf Grundlage der synthetischen Daten trainiert und anhand etablierter Gütemaße verglichen werden. Das Verfahren LightGBM erweist sich dabei als das leistungsfähigste Modell und ermöglicht im Vergleich zu einer zufälligen Heuristikwahl signifikante Kosteneinsparungen. Die Übertragbarkeit wird anhand realer Unternehmensdaten aus zwei Anwendungsfällen vali-diert, wobei sowohl die Entscheidungsregeln als auch das Machine Learning Modell deutliche Kosteneinsparungen erzielen. Die Arbeit verknüpft damit systemtheoretische Modellierung, Si-mulation, Statistik und Machine Learning und liefert Unternehmen eine fundierte Grundlage für die kostenorientierte Heuristikwahl.