Datengetriebene Anpassung des Fixierungshorizonts
-
Laura Grohs
Laura Grohs, M. Sc., ist seit 2022 Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fördertechnik, Materialfluss und Logistik der Technischen Universität München (TUM) in Garching. Sie studierte Technische Informatik und Steuerung von Geschäftsprozessen an der Technischen Hochschule Mittelhessen. Von 2016 bis 2022 war sie in der IT für den Bereich Supply Chain bei der Firma Ferrero MSC & Co. KG tätig.
,
Korbinian Zöls
Korbinian Zöls, M. Sc., ist seit 2023 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fördertechnik, Materialfluss, Logistik der Technischen Universität München (TUM). Er hat Maschinenbau an der TUM studiert. Seine Forschungsinteressen umfassen angewandtes maschinelles Lernen und Prozessoptimierung.
Kai Rammelt, Dipl. Betriebswirt (FH), arbeitete von 2011 bis 2024 bei der MAN Truck & Bus SE Salzgitter im Bereich Material Planung und Disposition. Aktuell ist er bei der MAN Truck & Bus SE in Salzgitter im Verbundkunden-Auftragsmanagement tätig. Er studierte Betriebswirtschaftslehre an der Hochschule Nordhausen und war nach dem Studium am Lehrstuhl für Produktions- und Umweltmanagement als Wissenschaftlicher Mitarbeiter beschäftigt, bevor er in ein mittelständiges Maschinenbauunternehmen in die Produktionsplanung- und Steuerung und sowie SAP Anwenderbetreuung wechselte.
Prof. Dr.-Ing. Johannes Fottner ist seit 2016 Ordinarius des Lehrstuhls für Fördertechnik Materialfluss Logistik der Technischen Universität München. Nach seinem Studium Maschinenwesen und seiner Promotion im Jahr 2002 an der TUM arbeitete er von 2002 bis 2008 in verschiedenen Managementfunktionen bei der Schweizer Swisslog Gruppe. 2008 übernahm er die Geschäftsführung der MIAS Group. Im Verein Deutscher Ingenieure (VDI) ist er seit 2015 stellvertretender Vorsitzender der Fachgesellschaft Produktion und Logistik. 2023 ernannte die Deutsche Akademie der Technikwissenschaften (acatech) Professor Fottner zum ständigen Mitglied.
Abstract
Die Automobilindustrie steht unter erheblichem Effizienz- und Kostendruck. Der Fixierungshorizont als dispositiver Parameter kann – unter Berücksichtigung der Rahmenbedingungen – die Materialbedarfsplanung stabilisieren. Standardisierte Verfahren zur dynamischen Anpassung existieren jedoch bislang nicht. Dieser Beitrag untersucht den Einsatz überwachter Lernverfahren zur datenbasierten Bestimmung des Fixierungshorizonts für Lieferanten mit vergleichbarem Teilespektrum. Der Ansatz reduziert manuellen Aufwand, kompensiert Datenlücken und verbessert die Prognosegüte des Fixierungshorizonts. Dadurch entsteht eine automatisierte Parametrierung, die auf neue Materialnummern transferierbar ist und auf volatile Lieferbedingungen reagiert.
Abstract
The automotive industry is facing significant efficiency and cost pressures. The planning time fence, as a key control parameter in material requirements planning, can help stabilize planning when aligned with operational conditions. However, standardized methods for dynamic adjustment are currently lacking. This paper investigates the use of supervised learning techniques to determine the planning time fence in a datadriven manner for suppliers with similar component portfolios. The approach reduces manual effort, compensates for data gaps, and improves the forecast accuracy of the planning time fence. This results in an automated parameterization that is transferable to new material numbers and responsive to volatile supply conditions.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Laura Grohs, M. Sc., ist seit 2022 Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fördertechnik, Materialfluss und Logistik der Technischen Universität München (TUM) in Garching. Sie studierte Technische Informatik und Steuerung von Geschäftsprozessen an der Technischen Hochschule Mittelhessen. Von 2016 bis 2022 war sie in der IT für den Bereich Supply Chain bei der Firma Ferrero MSC & Co. KG tätig.
Korbinian Zöls, M. Sc., ist seit 2023 Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fördertechnik, Materialfluss, Logistik der Technischen Universität München (TUM). Er hat Maschinenbau an der TUM studiert. Seine Forschungsinteressen umfassen angewandtes maschinelles Lernen und Prozessoptimierung.
Kai Rammelt, Dipl. Betriebswirt (FH), arbeitete von 2011 bis 2024 bei der MAN Truck & Bus SE Salzgitter im Bereich Material Planung und Disposition. Aktuell ist er bei der MAN Truck & Bus SE in Salzgitter im Verbundkunden-Auftragsmanagement tätig. Er studierte Betriebswirtschaftslehre an der Hochschule Nordhausen und war nach dem Studium am Lehrstuhl für Produktions- und Umweltmanagement als Wissenschaftlicher Mitarbeiter beschäftigt, bevor er in ein mittelständiges Maschinenbauunternehmen in die Produktionsplanung- und Steuerung und sowie SAP Anwenderbetreuung wechselte.
Prof. Dr.-Ing. Johannes Fottner ist seit 2016 Ordinarius des Lehrstuhls für Fördertechnik Materialfluss Logistik der Technischen Universität München. Nach seinem Studium Maschinenwesen und seiner Promotion im Jahr 2002 an der TUM arbeitete er von 2002 bis 2008 in verschiedenen Managementfunktionen bei der Schweizer Swisslog Gruppe. 2008 übernahm er die Geschäftsführung der MIAS Group. Im Verein Deutscher Ingenieure (VDI) ist er seit 2015 stellvertretender Vorsitzender der Fachgesellschaft Produktion und Logistik. 2023 ernannte die Deutsche Akademie der Technikwissenschaften (acatech) Professor Fottner zum ständigen Mitglied.
Literatur
1 Bayerische Motoren Werke (BMW): BMW Group Bericht 2022 (München, 2023). Online unter https://www.bmwgroup.com/de/bericht/2022/downloads/BMW-Group-Bericht-2022-de.pdf [Abruf am 25.11.2023]Search in Google Scholar
2 Mercedes-Benz Group: Geschäftsbericht 2022 (Stuttgart, 2023). Online unter https://group.mercedes-benz.com/dokumente/investoren/berichte/geschaeftsberichte/mercedes-benz/mercedes-benzgeschaeftsbericht-2022-inklzusammengefasster-lagebericht-mbg-ag.pdf [Abruf am 25.11.2023]Search in Google Scholar
3 Volkswagen AG: Geschäftsbericht 2023 (Wolfsburg, 2024). Online unter https://geschaeftsbericht2023.volkswagen-group.com/_assets/downloads/entire-vw-gb23.pdf?h=C2d89Y1l [Abruf am10.12.2024]Search in Google Scholar
4 Pfohl, H-C.: Logistikmanagement. 3., neu bearbeitete und aktualisierte Aufl, Springer Vieweg, Berlin 2016, S. 29Search in Google Scholar
5 Witt, A.: Grundkurs SAP APO:Eine Einführung mit durchgehendem Fallbeispiel. Springer-Vieweg-Verlag, Wiesbaden 2014 DOI:10.1007/978-3-658-03654-610.1007/978-3-658-03654-6Search in Google Scholar
6 Conze, M. H.: Integrierte Abruf- und Transportsteuerung für lagerhaltige Teileumfänge zur schlanken Versorgung der Automobilmontage. FML Lehrstuhl f. Fördertechnik Materialfluss Logistik, München 2014Search in Google Scholar
7 Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R.: CRISP-DM 1.0: Step-by-Step Data Mining Guide, NCR Systems Engineering Copenhagen; DaimlerChrysler AG; SPSS Inc.; OHRA Verzekeringen en Bank Groep B.V, 2000. Online unter https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf [Abruf am 10.12.2024]Search in Google Scholar
8 Lasch, R.: Strategisches und operatives Logistikmanagement: Beschaffung. Springer Fachmedien Wiesbaden, Wiesbaden 2022 DOI:10.1007/978-3-658-39384-710.1007/978-3-658-39384-7Search in Google Scholar
9 Gudehus, T.: Dynamische Disposition. Springer Verlag, Berlin, Heidelberg 2012 DOI:10.1007/978-3-642-22983-110.1007/978-3-642-22983-1Search in Google Scholar
10 Camur, M. C.; Ravi, S. K., and Saleh, S.: Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption. General Electric, 2023 DOI:10.1016/j.eswa.2024.12322610.1016/j.eswa.2024.123226Search in Google Scholar
11 Alnahhal, M.; Ahrens, D.; Salah, B.: Dynamic Lead-Time Forecasting Using Machine Learning in a Make-to-Order Supply Chain. Applied Sciences 11 (2021) 21, 10105 DOI:10.3390/app11211010510.3390/app112110105Search in Google Scholar
12 Kolmykova, A.: KI in der Logistik – Multiagentenbasierte Planung und Steuerung in der Transportlogistik in FOM-Edition. In: Buchkremer, R.; Heupel, T.; Koch, O. (Hrsg.): Künstliche Intelligenz in Wirtschaft & Gesellschaft. Springer Fachmedien Wiesbaden, Wiesbaden 2020, S. 299–310 DOI:10.1007/978-3-658-29550-9_1610.1007/978-3-658-29550-9_16Search in Google Scholar
13 Menden, C.; Mehringer, J.; Martin, A., and Amberg, M.: Vorhersage von Ersatzteilbedarfen mithilfe von Clusteringverfahren. HMD Praxis der Wirtschaftsinformatik, Oct. 2019, S. 1000–1016 DOI:10.1365/s40702-019-00532-710.1365/s40702-019-00532-7Search in Google Scholar
14 Hasi, A.; Goudz, A.: Künstliche Intelligenz zur Minderung des Bullwhip-Effekts in der Beschaffung – Am Beispiel der Corona-Krise, Universität Duisburg-Essen, (2021). Online unter https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00073709/Hasi_Goudz_Kuenstliche_Intelligenz.pdf [Abruf am 17.08.2023]Search in Google Scholar
15 Knoll, D.; Prüglmeier, M.; Reinhart, G.: Predicting Future Inbound Logistics Processes Using Machine Learning, Procedia CIRP 52 (2026) 5, S. 145–150 DOI:10.1016/j.procir.2016.07.07810.1016/j.procir.2016.07.078Search in Google Scholar
16 Kuhnle, A.: Adaptive Order Dispatching Based on Reinforcement Learning: Application in a Complex Job Shop in the Semiconductor Industry. Dissertation, Institut für Produktionstechnik, Karlsruher Institut für Technologie (KIT), Karlsruhe 2020Search in Google Scholar
17 Calabrò, G.; Torrisi, V.; Inturri, G.; Ignaccolo, M.: Improving Inbound logistic Planning for Large-Scale Real-World Routing Problems: A Novel Ant-Colony Simulation-based Optimization. European Transport Research Review 12 (2020) 1 DOI:10.1186/s12544-020-00409-710.1186/s12544-020-00409-7Search in Google Scholar
18 Biazon de Oliveira, M.; Zucchi, G.; Lippi, M.; Cordeiro, D.; Da Rosa Silva, N.; Iori, M.: Lead Time Forecasting with Machine Learning Techniques for a Pharmaceutical Supply Chain. 23rd International Conference on Enterprise Information Systems ICEIS 2021: SCITEPRESS – Science and Technology Publications Lda, Setúbal, Portugal 2021 DOI:10.5220/001043440634064110.5220/0010434406340641Search in Google Scholar
19 Bishop, C. M.: Pattern Recognition and Machine Learning. Springer Verlag, New York, NY 2006Search in Google Scholar
20 Däuschinger, K.: Abrufsteuerung bei Bedarfsschwankungen in Abrufsteuerung bei Bedarfsschwankungen in der automobilen Beschaffungs- und Produktionslogistik: FML Lehrstuhl f. Fördertechnik Materialfluss Logistik, München 2017Search in Google Scholar
Danksagung
Diese Forschung wurde teilweise von der MAN Truck & Bus SE und teilweise vom Lehrstuhl für Fördertechnik, Materialfluss, Logistik der Technischen Universität München finanziert. Für jegliche Unterstützung wird herzlich gedankt. Alle in diesem Beitrag geäußerten Meinungen, Ergebnisse, Schlussfolgerungen oder Empfehlungen sind die der Autoren und spiegeln nicht notwendigerweise die Ansichten der MAN Truck & Bus SE oder des Lehrstuhls wider.
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Die Zukunft der Produktion – Intelligente Fabriken im Wandel
- Mensch und Roboter
- Mensch-Roboter-Kollaboration in der Intralogistik: Ergonomisch und effizient?
- Industrieroboter
- Fähigkeitsbasierte Programmierung von Industrierobotern
- Laserentschichtung
- Revolution im Recycling
- Agile Produktion
- Informationsmodelle und Integrationskonzepte für die Produktion elektrischer Traktionsmotoren
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- It-Systeme
- Was zwingt produzierende Unternehmen zu Veränderungen ihrer IT-Systeme?
- Softwarelösungen
- Präzision auf höchstem Niveau
- Predictive Maintenance
- Durch fortgeschrittene Analytik zur vorausschauenden Wartung
- Zustandsüberwachung
- Laserbasierte Detektion von Lockerungen im Straßenbahngleis
- Cybersicherheit
- Cyber Resilience Act und IEC 62443
- Künstliche Intelligenz
- Einsatzmöglichkeiten generativer KI im Produktentstehungsprozess
- Maschinelles Lernen
- Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen
- Datengetriebene Anpassung des Fixierungshorizonts
- Digitaler Zwilling
- Aufbau des Digitalen Fabrikzwillings
- Digitale Prozesskette
- Entwicklung einer Referenzarchitektur für eine durchgängige Digitale Prozesskette
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Die Zukunft der Produktion – Intelligente Fabriken im Wandel
- Mensch und Roboter
- Mensch-Roboter-Kollaboration in der Intralogistik: Ergonomisch und effizient?
- Industrieroboter
- Fähigkeitsbasierte Programmierung von Industrierobotern
- Laserentschichtung
- Revolution im Recycling
- Agile Produktion
- Informationsmodelle und Integrationskonzepte für die Produktion elektrischer Traktionsmotoren
- Unternehmensexzellenz
- Wie entsteht „Flow“ in einem Unternehmen?
- It-Systeme
- Was zwingt produzierende Unternehmen zu Veränderungen ihrer IT-Systeme?
- Softwarelösungen
- Präzision auf höchstem Niveau
- Predictive Maintenance
- Durch fortgeschrittene Analytik zur vorausschauenden Wartung
- Zustandsüberwachung
- Laserbasierte Detektion von Lockerungen im Straßenbahngleis
- Cybersicherheit
- Cyber Resilience Act und IEC 62443
- Künstliche Intelligenz
- Einsatzmöglichkeiten generativer KI im Produktentstehungsprozess
- Maschinelles Lernen
- Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen
- Datengetriebene Anpassung des Fixierungshorizonts
- Digitaler Zwilling
- Aufbau des Digitalen Fabrikzwillings
- Digitale Prozesskette
- Entwicklung einer Referenzarchitektur für eine durchgängige Digitale Prozesskette
- Vorschau
- Vorschau
