Top

HMD Praxis der Wirtschaftsinformatik

Published in:

24-04-2019 | Schwerpunkt

Vorhersage von Ersatzteilbedarfen mit Hilfe von Clusteringverfahren

Authors: Christian Menden, Julius Mehringer, Alexander Martin, Michael Amberg

Published in: HMD Praxis der Wirtschaftsinformatik | Issue 5/2019

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Die Vorhersage des Ersatzteilbedarfs für den Zeitraum nach Produktionsende ist ein zentrales Thema des Supply Chain Managements. Ziel ist es dabei, die Kosten für Lagerung, Transport und Entsorgung sowie die Kapitalbindung zu senken. Gleichzeitig soll durch beständige Verfügbarkeit die Kundenzufriedenheit aufrechterhalten werden. In diesem Artikel wird eine verschachtelte Vorgehensweise von Clustering- und Klassifikationsmethoden entwickelt, um Muster in den Stamm- und Verbrauchsdaten eines großen Hausgeräteherstellers zu finden. Durch dieses geschachtelte Vorgehen ist es letztlich möglich, auf Grundlage größtenteils unvollständiger Daten von 1985 bis 2017, Vorhersagemethoden anzuwenden. Hierbei werden verschiedene Clustering-Methoden mit unterschiedlichen Distanzmaßen und Parameterkalibrierungen miteinander kombiniert, um Produkte hinsichtlich der Ähnlichkeit ihrer (i) Stammdaten und (ii) Verbrauchsmuster zu gruppieren. Diese Cluster werden verwendet, um auf Grundlage ähnlicher früherer Produkte Vorhersagen für aktuelle und zukünftige Produkte zu konstruieren, für die nur geringe Verbrauchsdaten existieren. Unsere Ergebnisse lassen darauf schließen, dass dieses geschachtelte Vorgehen die Prognosegüte im Vergleich zu dem in der Praxis genutzten Verfahren erheblich steigert.

previous article Automatisierung von Geschäftsprozessen im Maschinen- und Anlagenbau – Fallstudie zu Predictive Maintenance

next article Smart Factory – Konzeption und Prototyp zum Image Mining und zur Fehlererkennung in der Produktion

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

HMD Praxis der Wirtschaftsinformatik

HMD liefert IT-Fach- und Führungskräften Lösungsideen für ihre Probleme, zeigt ihnen Umsetzungsmöglichkeiten auf und informiert sie über Neues in der Wirtschaftsinformatik (WI).

inform now

Die Croston-Methode bestimmt zwei Faktoren „Nachfrage“ und „Zeit zwischen den Nachfragen“ und setzt diese ins Verhältnis, sodass ein linearer mittlerer erwarteter Nachfragewert für mehrere Zeitperioden entsteht.

Eine ABC-Klassifizierung gibt an, welche Ersatzteile am stärksten zum Umsatz eines Unternehmens beitragen (A) und welche am wenigsten (C).

Für ein besseres Verständnis sei auf folgende Notation hingewiesen: Subskripte C = complete (vollständig), I = incomplete (unvollständig), T = total (gesamter Datensatz); Superskripte m = Master data (Stammdaten), d = Demand data (Verbrauchsdaten).

Aufgrund bestehender Geheimhaltungsvereinbarungen sind wir nicht in der Lage, die Daten zu veröffentlichen und eingeschränkt in Bezug auf die Informationen, die wir zu den Daten zur Verfügung stellen können (z. B. zusammenfassende Statistiken etc.).

Milligan und Cooper (1985) beispielsweise gibt eine Übersicht über Methoden zum Schätzen der Anzahl der Cluster.

Hierbei ist zu beachten, dass andere Modellierungsansätze möglich sind. Da der Schwerpunkt dieses Artikels jedoch auf der Entwicklung des verschachtelten Clustering-Workflows aus Abschn. 2 liegt, wird auf einen detaillierten Vergleich der Modellierung der Nachfragekurven verzichtet. Die entsprechenden Ergebnisse sind auf Anfrage erhältlich.

Engl.: Mean Absolute Percentage Error. Dieses Maß beschreibt die Prognosegüte durch eine prozentuale Abweichung der prognostizierten zu den beobachteten Werten.

Bacchetti A, Saccani N (2012) Spare parts classification and demand forecasting for stock control. Investigating the gap between research and practice. Omega 40(6):722–737. https://doi.org/10.1016/j.omega.2011.06.008 CrossRef

Botter R, Fortuin L (2000) Stocking strategy for service parts—a case study. Int J Oper Prod Manag 20(6):656–674. https://doi.org/10.1108/01443570010321612 CrossRef

Boylan JE, Syntetos AA (2010) Spare parts management. A review of forecasting research and extensions. IMA J Manag Math 21(3):227–237. https://doi.org/10.1093/imaman/dpp016 CrossRef

Bürkner P‑C (2017) brms. An R package for Bayesian multilevel models using stan. J Stat Softw. https://doi.org/10.18637/jss.v080.i01 CrossRef

Chaturvedi A, Green PE, Caroll JD (2001) K‑modes clustering. J Classif 18(1):35–55. https://doi.org/10.1007/s00357-001-0004-3 MathSciNetCrossRefMATH

Cohen MA, Agrawal N, Agrawal V (2006) Winning in the aftermarket. Harv Bus Rev 84:129–138

Croston JD (1972) Forecasting and stock control for intermittent demands. Oper Res Q 23(3):289. https://doi.org/10.2307/3007885 CrossRefMATH

Gallagher T, Mitchke MD, Rogers MC (2005) Profiting from spare parts. Mckinsey Q (2):1–4

Gelman A, Hill J (2009) Data analysis using regression and multilevel-hierarchical models (10. print (Analytical methods for social research).)

Gower JC (1971) A general coefficient of similarity and some of its properties. Biometrics 27(4):857. https://doi.org/10.2307/2528823 CrossRef

Hastie T, Tibshirani R, Friedman JH (2009) The elements of statistical learning. Data mining, inference, and prediction, 2. Aufl. Springer series in statistics. Springer, New York (corr. at 4)MATH

Huang Z (1998) Extensions to the k‑means algorithm for clustering large data sets with categorical values. Data Min Knowl Discov 2(3):283–304. https://doi.org/10.1023/A:1009769707641 CrossRef

Hyndman RJ, Athanasopoulos G (2018) Forecasting. Principles and practice, 2. Aufl.

Kolesnikov A, Trichina E, Kauranne T (2015) Estimating the number of clusters in a numerical data set via quantization error modeling. Pattern Recognit 48(3):941–952. https://doi.org/10.1016/j.patcog.2014.09.017 CrossRef

Küsters U, Speckenbach J (2012) Prognose sporadischer Nachfragen. In: Mertens P, Rässler S (Hrsg) Prognoserechnung. Physica-Verlag, Heidelberg, S 75–108CrossRef

MacQueen J (1967) Some methods for classification and analysis of multivariate observations. In: Proceedings of the fifth Berkeley symposium on mathematical statistics and probability 1: statistics, S 281–297

Milligan GW, Cooper MC (1985) An examination of procedures for determining the number of clusters in a data set. Psychometrika 50(2):159–179. https://doi.org/10.1007/BF02294245 CrossRef

Rigby RA, Stasinopoulos DM (2005) Generalized additive models for location, scale and shape (with discussion). J Royal Stat Soc Ser C Appl Stat 54(3):507–554. https://doi.org/10.1111/j.1467-9876.2005.00510.x CrossRefMATH

Sakoe H, Chiba S (1971) A dynamic programming approach to continuous speech recognition. In: Proceedings of the seventh international congress on acoustics, S 65–69

Sakoe H, Chiba S (1978) Dynamic programming algorithm optimization for spoken word recognition. IEEE Trans Acoust 26(1):43–49. https://doi.org/10.1109/TASSP.1978.1163055 CrossRefMATH

Stasinopoulos DM, Rigby RA (2007) Generalized additive models for location scale and shape (GAMLSS) in R. J Stat Softw 23(7). https://doi.org/10.18637/jss.v023.i07 CrossRef

Stock J, Watson M (2005) Implications of dynamic factor models for VAR analysis. National Bureau of Economic Research, CambridgeCrossRef

Sugar CA, Lenert LA, Olshen RA (1999) An application of cluster analysis to health services research. Empirically defined health states for depression from the SF-12. Technical Report. Stanford University, Stanford

Syntetos AA, Boylan JE (2005) The accuracy of intermittent demand estimates. Int J Forecast 21(2):303–314. https://doi.org/10.1016/j.ijforecast.2004.10.001 CrossRef

Syntetos AA, Boylan JE, Disney SM (2009) Forecasting for inventory planning. A 50-year review. J Oper Res Soc 60(1):S149–S160. https://doi.org/10.1057/jors.2008.173 CrossRefMATH

Tibshirani R, Guenther W, Hastie T (2001) Estimating the number of clusters in a data set via the gap statistic. J Royal Stat Soc Ser B Stat Methodol 63(2):411–423. https://doi.org/10.1111/1467-9868.00293 MathSciNetCrossRefMATH

Title: Vorhersage von Ersatzteilbedarfen mit Hilfe von Clusteringverfahren
Authors: Christian Menden
Julius Mehringer
Alexander Martin
Michael Amberg
Publication date: 24-04-2019
Publisher: Springer Fachmedien Wiesbaden
Published in: HMD Praxis der Wirtschaftsinformatik / Issue 5/2019
Print ISSN: 1436-3011
Electronic ISSN: 2198-2775
DOI: https://doi.org/10.1365/s40702-019-00532-7

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Wirtschaft"

Springer Professional "Technik"

HMD Praxis der Wirtschaftsinformatik

Other articles of this Issue 5/2019

Es ist immer Zeit, an die Zukunft zu denken

Big Data im Innovationsmanagement: Wie Machine Learning die Suche nach Trends und Technologien revolutioniert

Big Data Analytics im Bahnverkehr

Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel

Rezension „Business Analytics“

Big Data Analytics

Premium Partner