Machine Learning im Cost Engineering des Supply Managements
Komplexe Produkte der fertigenden Industrie, wie z. B. im Fahrzeugbau, zeichnen sich durch eine hohe Variantenvielfalt aus und bestehen aus einer wachsenden Anzahl von Komponenten, die der Hersteller von Lieferanten beschaffen muss. In der frühen Phase der Produktentwicklung ist es wichtig, die Kost...
Bewaard in:
| Hoofdauteur: | |
|---|---|
| Formaat: | Online |
| Taal: | Duits |
| Gepubliceerd in: |
FAU University Press
2025
|
| Onderwerpen: | |
| Online toegang: | ONIX_20251120T103930_9783961476107_8 |
| Tags: |
Geen labels, Wees de eerste die dit record labelt!
|
| _version_ | 1869529462857531392 |
|---|---|
| author | Bodendorf, Frank |
| author_browse | Bodendorf, Frank |
| author_facet | Bodendorf, Frank |
| author_sort | Bodendorf, Frank |
| collection | Directory of Open Access Books |
| description | Komplexe Produkte der fertigenden Industrie, wie z. B. im Fahrzeugbau, zeichnen sich durch eine hohe Variantenvielfalt aus und bestehen aus einer wachsenden Anzahl von Komponenten, die der Hersteller von Lieferanten beschaffen muss. In der frühen Phase der Produktentwicklung ist es wichtig, die Kosten dieser Fremdbezugskomponenten solide abzuschätzen, u. a. um Entwicklungsalternativen zu bewerten oder die Verhandlungen mit potenziellen Zulieferern zu unterstützen. Das sog. Cost Engineering im Supply Management eines Herstellerunternehmens übernimmt diese Aufgabe. Traditionelle Kalkulationsverfahren erweisen sich jedoch zunehmend als zu aufwändig, um die Beschaffungsvielfalt zu bewältigen. Um diesem Problem zu begegnen, sind neuartige und möglichst intelligente Ansätze zu erarbeiten, die es ermöglichen, in der frühen Produktentwicklungsphase durch eine (Teil-) Automatisierung des Kalkulationsprozesses die Effizienz im Cost Engineering zu steigern. In diesem Buch wird gezeigt, dass sich vielfältige Methoden aus dem Gebiet des maschinellen Lernens für eine intelligente Kostenprognose eignen und die Aufgaben des Cost Engineers wirkungsvoll erleichtern können. Dies wird zum einen durch theoretische Analysen des State of the Art fundiert und zum anderen durch differenzierte Ergebnisse von drei praktischen Fallstudien mit jeweils zahlreichen Einzelexperimenten belegt. In diesen Fallstudien werden Lösungskonzepte erarbeitet und in der Unternehmenspraxis evaluiert, die einen Cost Engineer bei seinen Kostenschätzungen mithilfe von Machine Learning (ML) zielgerichtet unterstützen. Durch das experimentelle Design und eine Vielzahl von Testergebnissen gelingt es, Best Practices von ML-Modellen für die Kostenprognose von zu beschaffenden Bauteilen und Baugruppen herauszudestillieren. Ein derartiges ML-Modell ist insbesondere durch die „beste“ Kombination aus der immensen Vielfalt von ML-Algorithmen, zugehörigen Trainings- und Testkonzepten, Featureselektionsmethoden sowie Erklärungs-ansätzen der sog. Explainable Artificial Intelligence charakterisiert. Daneben werden wertvolle Erkenntnisse über die Leistungsfähigkeit und Genauigkeit von ML-Ansätzen gewonnen. Ein abschließendes Kapitel zeigt im praktischen Umfeld bestehende Herausforderungen bei der Einführung derartiger Systeme zur intelligenten Kostenprognose auf. Hierzu dient eine empirische Untersuchung mit einer Befragung von 130 Managern in einschlägigen Verantwortungsbereichen. Aufbauend auf den gewonnenen Erkenntnissen werden schlussendlich Limitationen wie auch zukünftige Möglichkeiten des maschinellen Lernens für das Cost Engineering sowohl aus der wissenschaftlichen als auch aus der Praxisperspektive vorgestellt. |
| format | Online |
| id | doab-20.500.12854ir-169129 |
| institution | Directory of Open Access Books |
| language | ger |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | FAU University Press |
| publisherStr | FAU University Press |
| record_format | ojs |
| spelling | doab-20.500.12854ir-1691292025-11-22T06:17:38Z Machine Learning im Cost Engineering des Supply Managements Bodendorf, Frank Maschinelles Lernen Herstellkosten Ingenieurwissenschaften Maschinenbau Produktionstechnik Kostenanalyse thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::K Economics, Finance, Business and Management::KJ Business and Management::KJM Management and management techniques::KJMV Management of specific areas::KJMV8 Purchasing and supply management Komplexe Produkte der fertigenden Industrie, wie z. B. im Fahrzeugbau, zeichnen sich durch eine hohe Variantenvielfalt aus und bestehen aus einer wachsenden Anzahl von Komponenten, die der Hersteller von Lieferanten beschaffen muss. In der frühen Phase der Produktentwicklung ist es wichtig, die Kosten dieser Fremdbezugskomponenten solide abzuschätzen, u. a. um Entwicklungsalternativen zu bewerten oder die Verhandlungen mit potenziellen Zulieferern zu unterstützen. Das sog. Cost Engineering im Supply Management eines Herstellerunternehmens übernimmt diese Aufgabe. Traditionelle Kalkulationsverfahren erweisen sich jedoch zunehmend als zu aufwändig, um die Beschaffungsvielfalt zu bewältigen. Um diesem Problem zu begegnen, sind neuartige und möglichst intelligente Ansätze zu erarbeiten, die es ermöglichen, in der frühen Produktentwicklungsphase durch eine (Teil-) Automatisierung des Kalkulationsprozesses die Effizienz im Cost Engineering zu steigern. In diesem Buch wird gezeigt, dass sich vielfältige Methoden aus dem Gebiet des maschinellen Lernens für eine intelligente Kostenprognose eignen und die Aufgaben des Cost Engineers wirkungsvoll erleichtern können. Dies wird zum einen durch theoretische Analysen des State of the Art fundiert und zum anderen durch differenzierte Ergebnisse von drei praktischen Fallstudien mit jeweils zahlreichen Einzelexperimenten belegt. In diesen Fallstudien werden Lösungskonzepte erarbeitet und in der Unternehmenspraxis evaluiert, die einen Cost Engineer bei seinen Kostenschätzungen mithilfe von Machine Learning (ML) zielgerichtet unterstützen. Durch das experimentelle Design und eine Vielzahl von Testergebnissen gelingt es, Best Practices von ML-Modellen für die Kostenprognose von zu beschaffenden Bauteilen und Baugruppen herauszudestillieren. Ein derartiges ML-Modell ist insbesondere durch die „beste“ Kombination aus der immensen Vielfalt von ML-Algorithmen, zugehörigen Trainings- und Testkonzepten, Featureselektionsmethoden sowie Erklärungs-ansätzen der sog. Explainable Artificial Intelligence charakterisiert. Daneben werden wertvolle Erkenntnisse über die Leistungsfähigkeit und Genauigkeit von ML-Ansätzen gewonnen. Ein abschließendes Kapitel zeigt im praktischen Umfeld bestehende Herausforderungen bei der Einführung derartiger Systeme zur intelligenten Kostenprognose auf. Hierzu dient eine empirische Untersuchung mit einer Befragung von 130 Managern in einschlägigen Verantwortungsbereichen. Aufbauend auf den gewonnenen Erkenntnissen werden schlussendlich Limitationen wie auch zukünftige Möglichkeiten des maschinellen Lernens für das Cost Engineering sowohl aus der wissenschaftlichen als auch aus der Praxisperspektive vorgestellt. 2025-11-21T05:19:30Z 2025-11-21T05:19:30Z 2025-11-20T09:41:37Z 2023 book ONIX_20251120T103930_9783961476107_8 https://library.oapen.org/handle/20.500.12657/108279 9783961476107 9783961476091 https://directory.doabooks.org/handle/20.500.12854/169129 ger FAU Studien aus dem Maschinenbau open access image/jpeg Attribution-NonCommercial 4.0 International https://library.oapen.org/bitstream/20.500.12657/108279/1/9783961476107.pdf FAU University Press 10.25593/978-3-96147-610-7 10.25593/978-3-96147-610-7 2c600dea-eece-4066-87be-da335e323fdb 9783961476107 9783961476091 166 Erlangen open access |
| spellingShingle | Maschinelles Lernen Herstellkosten Ingenieurwissenschaften Maschinenbau Produktionstechnik Kostenanalyse thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::K Economics, Finance, Business and Management::KJ Business and Management::KJM Management and management techniques::KJMV Management of specific areas::KJMV8 Purchasing and supply management Bodendorf, Frank Machine Learning im Cost Engineering des Supply Managements |
| title | Machine Learning im Cost Engineering des Supply Managements |
| title_full | Machine Learning im Cost Engineering des Supply Managements |
| title_fullStr | Machine Learning im Cost Engineering des Supply Managements |
| title_full_unstemmed | Machine Learning im Cost Engineering des Supply Managements |
| title_short | Machine Learning im Cost Engineering des Supply Managements |
| title_sort | machine learning im cost engineering des supply managements |
| topic | Maschinelles Lernen Herstellkosten Ingenieurwissenschaften Maschinenbau Produktionstechnik Kostenanalyse thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::K Economics, Finance, Business and Management::KJ Business and Management::KJM Management and management techniques::KJMV Management of specific areas::KJMV8 Purchasing and supply management |
| topic_facet | Maschinelles Lernen Herstellkosten Ingenieurwissenschaften Maschinenbau Produktionstechnik Kostenanalyse thema EDItEUR::U Computing and Information Technology::UY Computer science::UYQ Artificial intelligence::UYQM Machine learning thema EDItEUR::K Economics, Finance, Business and Management::KJ Business and Management::KJM Management and management techniques::KJMV Management of specific areas::KJMV8 Purchasing and supply management |
| url | ONIX_20251120T103930_9783961476107_8 |
| work_keys_str_mv | AT bodendorffrank machinelearningimcostengineeringdessupplymanagements |