direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Supply Chain Analytics

Wintersemester 2020/21: Bitte melden Sie sich auf der ISIS-Plattform für den Kurs "Supply Chain Analytics  WiSe 20/21" an und nehmen Sie bis zum 02.11.2020 um 18h an der Abstimmung zur Platzvergabe teil. Die Teilnehmerzahl ist auf 24 Personen begrenzt. Die Veranstaltung wird in diesem Semester ausschließlich online angeboten. Zur Teilnahme am Kurs wird der Zugang zu einem PC oder Laptop mit Internetzugang benötigt.

Wartelistenplätze werden nach der ersten Veranstaltung vergeben, daher ist die "Anwesenheit" angemeldeter Teilnehmer in der ersten Online-Veranstaltung notwendig.

Die gegenwärtig zunehmende Komplexität globaler Wertschöpfungsnetze und Logistiktätigkeiten sowie die neuen verbundenen, intelligenten und automatisierten Technologien steigern die Verfügbarkeit und die Verwendung von Daten und der daraus folgenden Verstärkung von datengetriebenem bzw. beweisgetriebenem Management. Diese Entwicklung wird begleitet von immer leistungsfähigeren quantitativen und datenbasierten Methoden, welche vor allem der Statistik und dem Machine Learning entnommen sind. Zudem wird der Einsatz dieser Methoden stets in der Benutzerfreundlichkeit erhöht, was auf das Wachstum an Datenverarbeitungs-Tools und deren ständiger Verbesserung zurückzuführen ist. Dadurch wird die Anwendung von Statistik und Machine Learning im betriebswirtschaftlichen Bereich stets gefördert. Die Nutzung von quantitativen und datenbasierten Methoden zur Findung und Lösung von Problemen im wirtschaftlichen Kontext und für Unternehmensaufgaben wird als Business Analytics bezeichnet. Angewendet auf die Logistik wird von Supply Chain Analytics gesprochen. Die Einführung von Supply Chain Analytics hat in einigen Unternehmen bereits einen signifikanten Beitrag daran gehabt, die Leistung von Unternehmen zu steigern und weitere hohe Erwartungen werden darin gesteckt.

Business Analytics wird in drei Bereiche unterteilt: (1) Descriptive (2) Predictive and (3) Prescriptive Analytics. Descriptive Analytics geht über die häufig fälschlicherweise darunter verstandene Aggregation und Zusammenfassung von Daten hinaus. Ziel der Descriptive Analytics ist es, aus Daten ein Verständnis über grundlegende Phänomene, Prozesse, Zusammenhänge oder kausale Ursachen zu gewinnen, die zu den vergangenen Unternehmensereignissen und -ergebnissen geführt haben. Predictive Analytics zielt darauf ab, einen noch unbekannten Wert vorherzusagen. Hierbei kann es sich um noch nicht realisierte zukünftige Werte handeln oder für ein Unternehmen nicht zugängliche Werte. Ebenso kann unterschieden werden in das Vorhersagen von kontinuierlichen Zahlenwerten oder Kategorien. Zuletzt hat Prescriptive Analytics das Ziel, Handlungsempfehlungen vorzugeben, um eine gewünschte Absicht zu erreichen. Alle drei Bereiche sollen durch ihre Ergebnisse Entscheidungen unterstützen.

Inhalt der Veranstaltung

Ziel der Lehrveranstaltung ist einerseits die anwendungsorientierte Vermittlung von Methodenkompetenz bzgl. quantitativer Analysen am Beispiel von Problemen aus der Logistik. In der Lehrveranstaltung werden die Methoden anhand von Problemen mit benötigter Entscheidungsunterstützung gelehrt sowie der kritische Umgang mit den Ergebnissen und deren Unsicherheit fokussiert. Die Grundlagen zu den quantitativen Methoden befähigen die Studierenden dazu sich anschließen weitere Kenntnisse selbst anzueignen sowie den Einsatz der Methoden im Berufsalltag kritisch bewerten zu können. Die Lehrveranstaltung ist als anwendungsorientierte Veranstaltung darauf ausgelegt, zur Anwendung der Methoden auf Probleme zu befähigen. Tiefgehende theoretische Grundlagen der Statistik, Optimierung oder des Machine Learning werden nicht behandelt. Andererseits soll die Lehrveranstaltung Managementkompetenz bzgl. des Einsatzes der quantitativen Methoden vermitteln. Studierende sollen verstehen, wann der Einsatz welcher Methode sinnvoll und zielführend ist sowie die Grenzen der Methoden erkennen. Innerhalb von Projekten mit dem Ziel der Entscheidungsunterstützung verstehen die Studierenden die Voraussetzungen für Analytics, die notwendige Verkettung von Methoden, um Probleme und Aufgaben zu lösen und die nachfolgenden Schritte, um die gewünschte Entscheidungsunterstützung zu bewirken.

 Die Lehrveranstaltung behandelt inhaltlich fünf Themengebiete:

  • Einführung in Business Analytics: Behandelt die Themen der Definition, Ziele, Methoden, Fähigkeitsbereiche und Barrieren des Business Analytics und leitet Supply Chain Analytics ein.
  • Kennzahlen und Metriken: Behandelt die Themen der Ziele von Kennzahlen sowie Metriken, Kennzahlen und Kennzahlensysteme in der Logistik. Das Themengebiet leitet Kennzahlen als Indikatoren von Problemfeldern ein, die mit Supply Chain Analytics untersucht und ggf. behoben werden können.
  • Predictive Analytics: Behandelt die Methoden der Zeitreihenanalyse und Regression zur vorhersage von Werten, wie der Nachfrage oder Preisen.
  • Prescriptive Analytics: Behandelt die Methode der Optimierung an den Beispielen Netzwerkgestaltung (Network Design), Sales & Operations Planning (S&OP) und Revenue Management.
  • Descriptive Analytics: Behandelt Segmentierung (bspw. von Kunden, Produkten oder Lieferanten) an der Methode des Clustering.

Die Analyse-Methoden werden anhand von Excel eingeführt und vermittelt sowie anschließend anhand von R-Programming zur Analyse größerer Datenmengen vertieft. Eine Einführung in R-Programming ist Teil der Lehrveranstaltung. Die Methoden werden anhand eines Gamification-Konzeptes aufbereitet.

Prüfungsleistungen des Moduls sind 3-4 Hausaufgaben in 2er Gruppen (40 Notenpunkte) sowie eine Fallstudie in 4er Gruppen (60 Notenpunkte).

Die Lehrveranstaltung benötigt einen Computer zur Bearbeitung der Aufgaben mit einer installierten Version von MS Excel (frei für TUB-Studierende) oder LibreOffice (kostenfrei) sowie von R (die zusätzliche Installation von R-Studio wird dringend empfohlen) (kostenfrei). Die Anwendung von R erfolgt mit R Notebooks (äquivalent zu Jupyter Notebooks in Python), um die Lernerfahrung zu verbessern. Insofern möglich, sind die Studierenden angehalten ihren eigenen Computer mitzubringen. Der Veranstaltungsraum (H 9107) ist auf 12 Computer-Arbeitsplätze begrenzt.

Es werden keine expliziten Module vorausgesetzt. Jedoch wird die vorherige Belegung von Statistik I, Operations Research I, Einführung in die Informatik I und Grundlagen der Logistik oder gleichwertiger Lehrveranstaltungen empfohlen.

Für die erfolgreiche Belegung der Veranstaltung werden 6 ECTS Punkte vergeben.

Die Hausaufgaben behandeln jeweils eine Methodische Aufgabe, die in R gelöst werden soll, sowie 2-3 Textaufgaben. Diese werden voraussichtlich in 2er-Gruppen gelöst. Die Aufgaben werden schriftlich eingereicht.

Die Fallstudie umfasst ein umfassendes Projekt, dass in 4er-Gruppen gelöst werden soll und anschließend präsentiert wird.

Veranstaltungsdetails

Veranstaltungsdetails
Die Modulbeschreibung mit Informationen zum Arbeitsaufwand sowie zur Art der Prüfung und Benotung finden Sie hier.
Lehrveranstaltungsnummer
73 110 L 9546
Zeit
1. Termin 04.11.2020, 14-18 Uhr
Raum
Veranstaltung findet online statt. Die Organisation läuft über den ISIS-Kurs.
Sprache
Deutsch
Ansprechpartner
Benno Gerlach, M.Sc.

Dozent der Veranstaltung

Lupe

Die Veranstaltung wird betreut von Benno Gerlach, M.Sc.

Belegungsmöglichkeiten

  • Master Wi-Ing: Wahlpflichtmodul im Integrationsbereich
  • Diplomstudierende und Studierende anderer Studiengänge: freier Wahlbereich

Termine Wintersemester 2020/21

Die Termine können sich im Laufe des Semesters noch leicht ändern. Die aktuelle Übersicht der Termine befindet sich im ISIS-Kurs.

 

Supply Chain Analytics - WiSe 2020/21
Tag
Datum
Inhalte
Raum
Uhrzeit
Mo
02.11.2020
VL Infoveranstaltung 
Zoom
14h-16h
Mi
04.11.2020
VL Einführung in Business Analytics | VL Einführung in Supply Chain Analytics
Zoom
14-18h
Mi
11.11.2020
VL Kennzahlen in der Logistik und Kausalität | UE Datenexploration
Zoom
14-18h
Mi
18.11.2020
UE Einführung in R
Zoom
14-18h
Mi
25.11.2020
IV Predictive Analytics 1
Zoom
14-18h
Mi
02.12.2020
IV Predictive Analytics 2
Zoom
14-18h
Mi
09.12.2020
IV Predictive Analytics 3 | IV Predictive Analytics 4
Zoom
14-18h
Mi
16.12.2020
IV Predictive Analytics 5
Zoom
14-18h
Mi
06.01.2021
IV Descriptive Analytics 1 | IV Descriptive Analytics 2 
Zoom
14-18h
Mi
13.01.2021
Voraussichtlich Vorstellung der Case Study
Zoom
14-18h
Mi
20.01.2021
VL Storytelling with Data | IV Prescriptive Analytics 1
Zoom
14-18h
Mi
27.01.2021
IV Prescriptive Analytics 2 | evtl. Gastvortrag
Zoom
14-18h
Mi
03.02.2021
UE Optimierung mit R | Hilfestellung zur Case Study
Zoom
14-18h
Mi
10.02.2021
Sprechstunde zur Case Study
Zoom
14-18h
Mi
17.02.2021
Präsentation Case Study
Zoom
n.V.

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

Ansprechpartner

Manuel Weinke, Dipl.-Ing.
Sprechstunde: Nach Vereinbarung
Raum H 9181

Webseite