Year: 2026
Type: dissertation
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.
Source: reposiTUm (TU Wien)
Language: German
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7223559876