Eines der wesentlichen Ziele von Unternehmen, die auftragsbezogen nach dem Werk-stattprinzip produzieren, ist die Einhaltung gegenüber dem Kunden zugesagter Liefer-termine. Ein Ansatz, hohe Lieferzeitpuffer zur Stabilisierung der Termintreue zu ver-meiden, liegt in der Verbesserung der Prognosegüte der initial ermittelten Plan-Liefer-termine. Die größten Herausforderungen für Unternehmen liegen in diesem Zusam-menhang in einer mangelnden Beherrschung der Komplexität der vorgelagerten Lie-ferkette, einer unzureichenden Genauigkeit der Lieferzeitprognose sowie einer gerin-gen Nachvollziehbarkeit von datenbasierten Prognosen in der Praxis. Bestehende An-sätze adressieren diese Herausforderungen nicht ausreichend. Meist werden lediglich einfache Anwendungsfälle oder Simulationsdaten betrachtet und statt der Lieferzeit lediglich Durchlaufzeiten prognostiziert. Dies ist für eine hohe Prognosegüte unzu-reichend. Die vielen auf die Lieferzeit einwirkenden Einflussfaktoren werden auf die unternehmensinterne Lieferkette reduziert und lassen somit keine zufriedenstellende Prognosegüte der Lieferzeit zu. Unternehmensexterne Einflussfaktoren werden kaum identifiziert oder gar für die Prognose der Lieferzeit genutzt.
Die vorliegende Arbeit zielt darauf ab, Lieferzeiten auftragsspezifisch und datenbasiert zu prognostizieren und somit letztlich die Liefertreue mittels der Ansätze des maschi-nellen Lernens zu verbessern. Im Zentrum steht die Entwicklung und Validierung eines Vorgehensmodells, welches den unternehmensbezogenen Aufbau einer durch ma-schinelles Lernen gestützten Anwendung zur Lieferzeitprognose zielgerichtet be-schreibt. Die Anwendung des Vorgehensmodells auf fünf reale Anwendungsfälle er-möglicht darüber hinaus die Identifikation der wichtigsten Einflussfaktoren sowie der geeignetsten Verfahren des maschinellen Lernens im Kontext der Lieferzeitprognose.