Machine Learning im Cost Engineering des Supply Managements

dc.contributorFranke, Jörg
dc.contributorPflaum, Alexander
dc.contributor.advisorFranke, Jörg
dc.contributor.authorBodendorf, Frank
dc.contributor.editorFranke, Jörg
dc.contributor.editorHanenkamp, Nico
dc.contributor.editorHausotte, Tino
dc.contributor.editorMerklein, Marion
dc.contributor.editorMüller, Sebastian
dc.contributor.editorSchmidt, Michael
dc.contributor.editorWartzack, Sandro
dc.date.accessioned2023-02-21
dc.date.available2023-02-19
dc.date.created2023
dc.date.issued2023-02-21
dc.description.abstractComplex products in the manufacturing industry, such as in vehicle construction, are characterized by numerous variants and consist of a growing number of components to be procured from suppliers. In the early phase of product development it is important to solidly estimate the costs of these externally sourced components, among other things in order to evaluate development alternatives or to support negotiations with potential suppliers. The so-called cost engineering function takes over this task. However, traditional costing methods are too costly to cope with the diversity of procurement. In order to meet this challenge new intelligent approaches are to be compiled, which increase efficiency in cost engineering in the early product development phase by (partially) automating the costing process. In this book it is shown that a variety of methods from the field of machine learning are suitable for intelligent cost estimation and can effectively facilitate the tasks of the cost engineer. This is substantiated on the one hand by theoretical analyses of the state of the art and on the other hand by differentiated results of three practical case studies, each with numerous individual experiments. In these case studies, solution concepts are developed and evaluated in corporate practice, which support cost engineers in cost estimations with the help of machine learning (ML) in a targeted manner. Through experimental design and a variety of test results, it is possible to carve out best practices of ML models for cost estimation of components and assemblies to be procured. Such a ML model is characterized in particular by the best combination of the immense variety of ML algorithms, associated training and testing concepts, feature selection methods as well as explanatory approaches of the so-called explainable artificial intelligence. In addition, valuable insights into the performance and accuracy of ML approaches are provided. A concluding chapter shows existing challenges in the practical environment to introduce such systems for intelligent cost estimation. For this purpose, an empirical study consulting 130 managers in relevant areas is carried out. Based on the findings, the limitations and potentials of machine learning for cost engineering are presented from both a scientific and a practical perspective.en
dc.description.abstractKomplexe 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.de
dc.format.extentxiii, 165 Seiten
dc.identifier.citationmb.fau.de/diss
dc.identifier.doihttps://doi.org/10.25593/978-3-96147-610-7
dc.identifier.isbn978-3-96147-610-7
dc.identifier.opus-id21720
dc.identifier.urihttps://open.fau.de/handle/openfau/21720
dc.identifier.urnurn:nbn:de:bvb:29-opus4-217205
dc.language.isode
dc.publisherFAU University Press
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/deed.de
dc.subjectCost Engineering
dc.subjectEinkauf
dc.subjectSupply Management
dc.subjectKostenprognose
dc.subjectDesign Science
dc.subject.ddcDDC Classification::0 Informatik, Informationswissenschaft, allgemeine Werke :: 00 Informatik, Wissen, Systeme :: 006 Spezielle Computerverfahren
dc.subject.ddcDDC Classification::6 Technik, Medizin, angewandte Wissenschaften :: 60 Technik :: 600 Technik, Technologie
dc.subject.ddcDDC Classification::6 Technik, Medizin, angewandte Wissenschaften :: 62 Ingenieurwissenschaften :: 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
dc.titleMachine Learning for Cost Engineering in Supply Managementen
dc.titleMachine Learning im Cost Engineering des Supply Managementsde
dc.typedoctoralthesis
dcterms.publisherFAU University Press
local.date.accepted2022-07-27
local.notesOpusParallel erschienen als Druckausgabe bei FAU University Press, ISBN: 978-3-96147-609-1
local.publisherplaceErlangen
local.sendToDnbfree*
local.series.id34
local.series.nameFAU Studien aus dem Maschinenbau
local.series.number413
local.subject.fakultaetTechnische Fakultät / Department Maschinenbau
local.subject.fakultaetTechnische Fakultät / Department Maschinenbau / Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)
local.subject.gndMaschinelles Lernen
local.subject.gndKostenanalyse
local.subject.gndHerstellkosten
local.subject.gndIngenieurwissenschaften
local.subject.gndMaschinenbau
local.subject.gndProduktionstechnik
local.subject.sammlungUniversität Erlangen-Nürnberg / FAU University Press
local.thesis.grantorFriedrich-Alexander-Universität Erlangen-Nürnberg (FAU) Technische Fakultät
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
21720_Bodendorf_Diss_MB_413.pdf
Size:
6.57 MB
Format:
Adobe Portable Document Format
Description:
Diss. Reihe Maschinenbau, Band 413
Faculties & Collections