Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens

Research output: Books and anthologiesMonographsResearchpeer-review

Standard

Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens. / Rokoss, Alexander.
1 ed. Lüneburg: Sierke Verlag, 2024. 242 p. (Schriftenreihe Produktionstechnik und -systeme).

Research output: Books and anthologiesMonographsResearchpeer-review

Harvard

Rokoss, A 2024, Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens. Schriftenreihe Produktionstechnik und -systeme, vol. 23, 1 edn, Sierke Verlag, Lüneburg.

APA

Rokoss, A. (2024). Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens. (1 ed.) (Schriftenreihe Produktionstechnik und -systeme). Sierke Verlag.

Vancouver

Rokoss A. Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens. 1 ed. Lüneburg: Sierke Verlag, 2024. 242 p. (Schriftenreihe Produktionstechnik und -systeme).

Bibtex

@book{2af88704e3d44dcca021f59527681289,
title = "Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens",
abstract = "Eines der wesentlichen Ziele von Unternehmen, die auftragsbezogen nach dem Werk-stattprinzip produzieren, ist die Einhaltung gegen{\"u}ber dem Kunden zugesagter Liefer-termine. Ein Ansatz, hohe Lieferzeitpuffer zur Stabilisierung der Termintreue zu ver-meiden, liegt in der Verbesserung der Prognoseg{\"u}te der initial ermittelten Plan-Liefer-termine. Die gr{\"o}{\ss}ten Herausforderungen f{\"u}r Unternehmen liegen in diesem Zusam-menhang in einer mangelnden Beherrschung der Komplexit{\"a}t der vorgelagerten Lie-ferkette, einer unzureichenden Genauigkeit der Lieferzeitprognose sowie einer gerin-gen Nachvollziehbarkeit von datenbasierten Prognosen in der Praxis. Bestehende An-s{\"a}tze adressieren diese Herausforderungen nicht ausreichend. Meist werden lediglich einfache Anwendungsf{\"a}lle oder Simulationsdaten betrachtet und statt der Lieferzeit lediglich Durchlaufzeiten prognostiziert. Dies ist f{\"u}r eine hohe Prognoseg{\"u}te unzu-reichend. Die vielen auf die Lieferzeit einwirkenden Einflussfaktoren werden auf die unternehmensinterne Lieferkette reduziert und lassen somit keine zufriedenstellende Prognoseg{\"u}te der Lieferzeit zu. Unternehmensexterne Einflussfaktoren werden kaum identifiziert oder gar f{\"u}r die Prognose der Lieferzeit genutzt.Die vorliegende Arbeit zielt darauf ab, Lieferzeiten auftragsspezifisch und datenbasiert zu prognostizieren und somit letztlich die Liefertreue mittels der Ans{\"a}tze des maschi-nellen Lernens zu verbessern. Im Zentrum steht die Entwicklung und Validierung eines Vorgehensmodells, welches den unternehmensbezogenen Aufbau einer durch ma-schinelles Lernen gest{\"u}tzten Anwendung zur Lieferzeitprognose zielgerichtet be-schreibt. Die Anwendung des Vorgehensmodells auf f{\"u}nf reale Anwendungsf{\"a}lle er-m{\"o}glicht dar{\"u}ber hinaus die Identifikation der wichtigsten Einflussfaktoren sowie der geeignetsten Verfahren des maschinellen Lernens im Kontext der Lieferzeitprognose",
author = "Alexander Rokoss",
year = "2024",
month = jul,
language = "Deutsch",
isbn = "978-3-96548-196-1",
volume = "23",
series = "Schriftenreihe Produktionstechnik und -systeme",
publisher = "Sierke Verlag",
address = "Deutschland",
edition = "1",

}

RIS

TY - BOOK

T1 - Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens

AU - Rokoss, Alexander

PY - 2024/7

Y1 - 2024/7

N2 - 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

AB - 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

M3 - Monografien

SN - 978-3-96548-196-1

VL - 23

T3 - Schriftenreihe Produktionstechnik und -systeme

BT - Lieferzeitbestimmung in der auftragsbezogenen Werkstattfertigung mittels maschinellen Lernens

PB - Sierke Verlag

CY - Lüneburg

ER -