Darstellung von Mustern und Zusammenhängen in Daten getrackter Bestellungen unter Nachfrageunsicherheit und zufälligem Ertrag mit Hilfe von Regressionsmethoden

Inhaltsverzeichnis

1 Einleitung

1.1 Grundsätzliche Motivation

1.2 Themenmotivation

1.3 Ziel

2 Grundlagen

2.1 Periodic review inventory model

2.2 Möglichkeiten des Informationsaustausches

2.3 Regression

2.3.1 Lineare Regression

2.3.2 Logistische Regression

3 Analyse

3.1 Lineare Regression

3.1.1 Lineare bivariate Regression

3.1.2 Lineare multivariate Regression

3.2 Nichtlineare multivariate Regression

3.3 Logistische Regression

3.4 Diskussion

4 Fazit

4.1 Zusammenfassung

4.2 Kritische Würdigung

4.3 Ausblick

6 Appendix

Appendix A

Appendix B

Zielsetzung & Themen

Die Arbeit untersucht Zusammenhänge in Daten getrackter Bestellungen innerhalb einer Supply Chain unter Berücksichtigung von Nachfrageunsicherheit und zufälligem Ertrag, um durch verschiedene Regressionsmethoden verlässliche Prognosen für Lagerbestände, Losgrößen und Kosten zu generieren.

• Anwendung des Periodic Review Inventory Models unter Unsicherheit
• Einsatz von RFID zur verbesserten Überwachung von Lieferprozessen
• Durchführung linearer, multivariater und nichtlinearer Regressionsanalysen
• Analyse der Prognosequalität mittels logistischer Regression

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung beleuchtet die Herausforderungen von Supply Chains hinsichtlich des Bullwhip-Effekts und unterstreicht die Relevanz der Überwachung von Warenflüssen mittels Echtzeitinformationen.

2 Grundlagen: Hier werden das Periodic Review Inventory Model, die RFID-Technologie sowie die theoretischen Grundlagen der linearen und logistischen Regression dargelegt.

3 Analyse: Dieser Hauptteil wendet die zuvor beschriebenen Regressionsmethoden auf den generierten Datensatz an, um Muster in Kosten und Losgrößen zu identifizieren.

4 Fazit: Das Fazit fasst die Ergebnisse der verschiedenen Regressionsmodelle zusammen, würdigt die Anwendbarkeit kritisch und gibt einen Ausblick auf die Bedeutung von Datenqualität.

6 Appendix: Der Anhang enthält die notwendige mathematische Notation für die Modellierung sowie eine statistische t-Tabelle.

Schlüsselwörter

Supply Chain Management, Bullwhip Effect, Periodic Review Inventory Model, RFID, Logistik, Regressionsanalyse, Lineare Regression, Logistische Regression, Prognose, Lagerbestand, Bestimmtheitsmaß, Nachfrageunsicherheit, Lieferkette, Kostenoptimierung, Datenauswertung

Häufig gestellte Fragen

Worum geht es in dieser wissenschaftlichen Arbeit?

Die Arbeit analysiert Daten getrackter Bestellungen in einer Lieferkette, um Muster und Zusammenhänge bei Nachfrageunsicherheit und unvorhersehbarem Ertrag zu verstehen.

Welche zentralen Themenfelder werden bearbeitet?

Zentral sind die Bestandsführung (Inventory Management), der Einsatz von Tracking-Technologien wie RFID und die Anwendung statistischer Regressionsverfahren.

Was ist das primäre Ziel der Untersuchung?

Das Ziel ist es, mittels Regressionsmethoden zu prüfen, inwieweit sich Kosten, Losgrößen und Bestände auf Basis verfügbarer Daten verlässlich vorhersagen lassen.

Welche wissenschaftlichen Methoden kommen zum Einsatz?

Die Autorin verwendet das Periodic Review Inventory Model zur Datengenerierung und führt lineare, nichtlineare multivariate sowie logistische Regressionsanalysen durch.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil widmet sich der praktischen Durchführung der Regressionen, wobei unter anderem der Lagerbestand und die offenen Bestellungen als erklärende Variablen für Kosten und Losgrößen untersucht werden.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Wichtige Begriffe sind unter anderem Bullwhip Effect, RFID, Bestimmtheitsmaß, Nachfrageunsicherheit und Prognosegenauigkeit.

Warum ist das RFID-System für diese Untersuchung von besonderer Bedeutung?

RFID ermöglicht die automatische Identifizierung von Produkten, was Transparenz schafft, Bestandsfehler reduziert und somit eine bessere Datengrundlage für die Analysen bietet.

Was schlussfolgert der Autor aus der logistischen Regression?

Die logistische Regression zeigt, dass die Wahrscheinlichkeit für Losgrößen über dem Mittelwert negativ vom Lagerbestand und den offenen Bestellungen abhängt, wobei letztere stärker in die Entscheidung einfließen.