Engpassmanagement in der Supply Chain. Erfolgspotenziale und Vergleich zweier Verfahren des maschinellen Lernens (eBook, PDF) - Benrabah, Tarik
36,99 €
inkl. MwSt.
Sofort per Download lieferbar
payback
0 °P sammeln
  • Format: PDF

Masterarbeit aus dem Jahr 2022 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Technische Universität Hamburg-Harburg (Institut für Technische Logistik), Sprache: Deutsch, Abstract: Die Ansprüche der Kunden an Supply-Chain-Netzwerke und die beteiligten Unternehmen sind in den letzten Jahren stetig gestiegen. Um den wachsenden Anforderungen gerecht zu werden, müssen potenzielle Engpässe innerhalb der Unternehmen und des Netzwerks frühzeitig erkannt und behoben werden. Mithilfe von zwei unterschiedlichen Simulationsszenarien und zwei Verfahren des maschinellen…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Masterarbeit aus dem Jahr 2022 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Technische Universität Hamburg-Harburg (Institut für Technische Logistik), Sprache: Deutsch, Abstract: Die Ansprüche der Kunden an Supply-Chain-Netzwerke und die beteiligten Unternehmen sind in den letzten Jahren stetig gestiegen. Um den wachsenden Anforderungen gerecht zu werden, müssen potenzielle Engpässe innerhalb der Unternehmen und des Netzwerks frühzeitig erkannt und behoben werden. Mithilfe von zwei unterschiedlichen Simulationsszenarien und zwei Verfahren des maschinellen Lernens stellt diese Arbeit Anwendungsbeispiele dar. Dabei werden die Datenerhebung, Implementierung und anschließende Evaluierung der Erfolgspotenziale und Hindernisse hinsichtlich des maschinellen Lernens im Engpassmanagement durchgeführt. Genauigkeiten der Vorhersagen sind maßgeblich entscheidend, ob ein Engpass in der Zukunft erkannt werden kann. Es werden Annahmen bestätigt, dass sich die Qualität der Vorhersagen je nach verwendetem Algorithmus und Datengrundlage sehr individuell verhalten. Allgemeingültige Richtlinien lassen sich demnach nicht definieren. Diese Arbeit zeigt jedoch anhand mehrerer Fallbeispiele, dass die Anwendung maschinellen Lernens genaue Vorhersagen treffen kann, die potenzielle Engpässe innerhalb von Lieferketten oder Netzwerken aufdecken kann.