Prädiktive Terminierung von Wareneingängen mittels Machine-Learning- und Deep-Learning-Verfahren

Abstract

Die vorliegende Arbeit untersucht den Einsatz von Machine-Learning- und Deep-Learning-Verfahren zur prädiktiven Terminierung von Wareneingängen. Ausgangspunkt bilden betriebliche Herausforderungen, welche durch Lieferabweichungen entstehen und eine zuverlässige Materialversorgung erschweren. Die zentrale Zielsetzung besteht somit darin, Wareneingänge mithilfe datengetriebener Prognosemodelle so zu terminieren, dass Materialbedarfe gedeckt und gleichzeitig Lagerbestände möglichst gering gehalten werden. Methodisch orientiert sich diese Arbeit am CRISP-DM-Prozess, welcher als Rahmen dient, um die betriebliche Problemstellung systematisch in ein Data-Mining-Problem zu überführen. Dafür wird die Problemstellung zunächst konzeptionell in einem Unternehmen verortet. Gleichzeitig werden Grundlagen in den Bereichen logistische Planung, Data Mining, Deep Learning und Machine Learning gelegt. Darauf aufbauend wird ein Data-Mining-Projekt in einem realen Unternehmensumfeld ausgearbeitet. Dabei wird die Wareneingangsterminierung als betriebliche Problemstellung eingeordnet und als Klassifikationsproblem formuliert. Im Rahmen der Modellierungsphase werden daraufhin verschiedene Boosting-Modelle und Deep-Learning-Ansätze verglichen. Der Fokus liegt in diesem Zusammenhang nicht auf der isolierten Leistung einzelner Algorithmen, sondern auf der Leistungsfähigkeit der gesamten Modell-Pipeline. Diese umfasst die modellspezifische Datenvorverarbeitung, das Modelltraining, die Hyperparameter-Optimierung sowie die anschließende Evaluation. Dadurch werden die Verfahren unter möglichst praxisnahen Bedingungen hinsichtlich ihrer Vorhersageleistung und praktischen Anwendbarkeit miteinander verglichen. Die Ergebnisse zeigen, dass Boosting-Verfahren im untersuchten Anwendungsfall am besten abschneiden. Insbesondere die auf LightGBM basierende Pipeline erzielt die beste Kombination aus Vorhersageleistung und Effizienz, während die getesteten Deep-Learning-Modelle trotz längerer Trainingszeiten schwächere Ergebnisse liefern. Aufbauend auf den Ergebnissen des Modellvergleichs wird dargestellt, wie prognostizierte Verzögerungsklassen in konkrete Vorschläge zur Wareneingangsterminierung überführt und im Rahmen des CRISP-DM-Prozesses in einem Unternehmen implementiert werden können. Somit leistet die Arbeit einerseits einen Beitrag zur praxisnahen Ausarbeitung eines Data-Mining-Projekts und verdeutlicht andererseits, dass moderne Boosting-Verfahren insbesondere bei kleinen tabellarischen Datensätzen Deep-Learning-Architekturen überlegen sein können.

This thesis analyses the use of machine-learning and deep-learning methods for the predictive scheduling of goods receipts. It addresses operational challenges arising from deviations in delivery schedules. The objective is to schedule goods receipts in a way that material requirements can be met while maintaining the lowest possible inventory levels. Methodologically, the thesis follows the CRISP-DM process, which provides astructured framework for systematically transferring the operational problem into a data-mining problem. Structurally, the thesis begins by laying the conceptual foundations of machine learning, data mining, tabular logistics data, and relevant modelling techniques. Building on these theoretical foundations, a data-mining project is developed based on CRISP-DM within a real-world corporate environment. During the modelling phase, various boosting methods and deep-learning models are trained and evaluated regarding their suitability for predicting delay classes. In this context, the focus is not on the isolated performance of individual algorithms, but on the performance of the entire modelling pipeline, which comprises model specific data preprocessing, model training, hyperparameter optimization, and evaluation. Therefore, the methods are compared under conditions that are as close as possible to real-world practice, regarding their performance and their practical applicability. The results show that boosting methods perform best in the examined use case. In particular, the LightGBM-based pipeline achieves the best combination of predictive performance and efficiency, whereas the tested deep-learning models produce inferior results despite requiring longer training times. Based on the results of the model comparison, this thesis demonstrates how predicteddelay classes can be translated into concrete recommendations for scheduling goodsreceipts and subsequently implemented within a company.