direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Supply Chain Analytics

Wintersemester 19/20: Bitte melden Sie sich auf der ISIS-Plattform für den Kurs "Supply Chain Analytics - WS19/20" an und nehmen Sie ab dem 01.10.2019 an der Abstimmung zur Platzvergabe teil. Die Teilnehmerzahl ist entsprechend der Größe des PC-Pools des FG begrenzt.

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

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 16.10.2019, 14-18 Uhr
Raum
H 9107
Sprache
Deutsch
Ansprechpartner
Benno Gerlach, M.Sc.

Dozent der Veranstaltung

Lupe
Lupe

Die Veranstaltung wird betreut von Prof. Dr.-Ing. Frank Straube zusammen mit Benno Gerlach, M.Sc.

Arbeitsaufwand in Stunden

Arbeitsaufwand in Stunden (180 insgesamt)
Präsenszeit
Vor- und Nachbereitung
Ausarbeitung Fallstudie
Ausarbeitung Hausaufgaben
60
30
60
30

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.

Belegungsmöglichkeiten

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

Termine Wintersemester 2019/20

Supply Chain Analytics - WS 2019/20
Datum
Inhalte
Raum
Uhrzeit
14.10.2019
VL Infoveranstaltung 
H 0111
14h-16h
16.10.2019
VL Einführung in Business Analytics | VL Einführung in Supply Chain Analytics
H 9107
14-18h
23.-25.10.2019
Deutscher Logistikkongress
30.10.2019
VL Kennzahlen in der Logistik  und Kausalität | UE Datenexploration
H 9107
14-18h
06.11.2019
UE Einführung in R
H 9107
14-18h
13.11.2019
IV Predictive Analytics 1
H 9107
14-18h
27.11.2019
IV Predictive Analytics 2
H 9107
14-18h
04.12.2019
Voraussichtlich Vorstellung der Case Study
H 9107
14-18h
11.12.2019
IV Predictive Analytics 3 | IV Predictive Analytics 4
H 9107
14-18h
18.12.2019
IV Predictive Analytics 5
H 9107
14-18h
08.01.2020
IV Descriptive Analytics 1 | IV Descriptive Analytics 2 
H 9107
14-18h
15.01.2020
IV Descriptive Analytics 3 | IV Storytelling with Data
H 9107
14-18h
22.01.2020
IV Prescriptive Analytics 1 | IV Prescriptive Analytics 2
H 9107
14-18h
29.01.2020
IV Prescriptive Analytics 3 | IV Prescriptive Analytics 4
H 9107
14-18h
05.02.2020
IV Prescriptive Analytics 5 | IV Prescriptive Analytics 6
H 9107
14-18h
Woche vom 10.02. – 14.02.
Voraussichtlich Präsentation Hausaufgabe
H 9118
n.V.

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

Ansprechpartner

Benno Gerlach, M.Sc.
Sprechstunde: Nach Vereinbarung
Raum H 9104

Webseite