Machine Learning im Cost Engineering des Supply Managements
von Frank BodendorfKomplexe 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.
