Kevin Majchrzak

Studium: Informatik an der TU Dortmund

Unternehmen: thyssenkrupp
Betreuer: Dr. Tobias Hegmanns, thyssenkrupp materials services
Doktorvater: Prof. Dr. Markus Rabe

E-Mail: majchrzak@gsoflog.de

Titel der Arbeit:

Verbesserung der Supply Chain Performance durch Vorhersage des Kundenbedarfs mittels Predictive Analytics

Abstract:

Am Beispiel eines Stahlhandelsnetzes sollen Methoden und Werkzeuge erforscht werden, mit denen das zukünftige Nachfrageverhalten besser prognostiziert werden kann und geeignete Maßnahmen zur Anpassung des Netzes an das Verhalten erprobt werden.

Welche Faktoren determinieren das Kundenverhalten? Welche Daten können in welcher Form genutzt werden? Welche Datengranularität ist zielführend und welche Datenqualität erforderlich? Wie können das Verhalten der Kunden bzw. Kundensegmente und deren Beziehung zu den umsetzenden Lager- und Transportsystemen modelliert werden? Welche Vorgehensmodelle zur Wissensentdeckung eignen sich für die Aufgabenstellung? Welche Verfahren der Wissensentdeckung sind zielführend?

Die entwickelten Lösungen sollen prototypisch bei der thyssenkrupp Materials Services GmbH der thyssenkrupp AG erprobt werden.

Problemstellung

Welche Eigenschaften sind für die Kundennachfrage in Werkstoffhandelsnetzen charakteristisch? Welche Verfahren eignen sich dazu die Kundennachfrage vorherzusagen? Welche Rolle spielen externe Faktoren wie Rohölpreise oder Stahlindizes dabei? Diese und ähnliche Fragen möchte ich im Rahmen meiner Dissertation beantworten.

Aktueller Stand

Derzeit beschäftige ich mich damit, den aktuellen Forschungsstand in diesem Bereich zu erfassen und interessante Forschungslücken zu identifizieren. Außerdem habe ich bereits damit begonnen erste Unternehmensdaten aufzubereiten und zu analysieren. Als nächstes möchte ich mein Forschungskonzept für das kommende Jahr konkretisieren.

2019 soll der Fokus meiner Arbeit auf der Durchführung von Experimenten zur Beantwortung der Forschungsfragen liegen. Parallel möchte ich bereits erste Teile meiner Arbeit verschriftlichen. Die frühe Verschriftlichung hilft mir dabei, meine Gedanken zu ordnen, strukturiert vorzugehen und mein Ziel nicht aus dem Blick zu verlieren.

Ergebnis

Beginnen möchte ich damit, die Möglichkeiten und Grenzen klassischer Verfahren zur Zeitreihenprognose auszuloten. Viele dieser Verfahren haben sich über Jahrzehnte hinweg bewährt. Meiner Meinung nach wäre es ein Fehler, sie zu ignorieren. Anschließend möchte ich einen Schritt weitergehen und überprüfen, inwiefern die Ergebnisse mithilfe von Maschinellem Lernen verbessert werden können. Hybride Verfahren erscheinen mir in diesem Zusammenhang besonders vielversprechend. Eine Arbeit beispielsweise, die klassische autoregressive Verfahren mit künstlichen Neuronalen Netzen kombiniert, empfinde ich als inspirierend.