Departments | |
---|---|
Book Series (95) |
1329
|
Humanities |
2300
|
Natural Sciences |
5356
|
Engineering |
1751
|
Engineering | 285 |
Mechanical and process engineering | 844 |
Electrical engineering | 672 |
Mining and metallurgy | 30 |
Architecture and civil engineering | 73 |
Common |
91
|
Leitlinien Unfallchirurgie
5. Auflage bestellen |
Extract, PDF (170 KB)
Table of Contents, PDF (130 KB)
Produzierende Unternehmen stellen sich bei der Versorgung von Endverbrauchern vielfältigen Herausforderungen wie starker Volatilität am Absatzmarkt und global verteilter Distributionsnetzwerke. Dabei bestimmen in der Konsumgüterindustrie die Endverbraucher durch den Kauf von Produkten über den Erfolg von Unternehmen. Damit der Absatzmarkt schnellstmöglich bedient werden kann, sind die Produkte vor Entstehung des Bedarfs zu produzieren und in geografische Nähe des Endverbrauchers zu bringen. Somit sind diese Unternehmen darauf angewiesen, den zukünftigen Absatz ihrer Produkte zu prognostizieren, um die Supply Chain bedarfsgerecht zu steuern. Für die Erstellung von Prognoseinformationen, die als Grundlage der Planung von Supply Chains gelten, ist die Absatzplanung verantwortlich.
Im Rahmen der Absatzplanung werden Daten unzureichend verwendet, obwohl die Wissenschaft bereits seit Jahren empfiehlt, Entscheidungen auf Analysen von Daten basieren zu lassen. Auch hemmen Herausforderungen wie unzureichende Kompetenzen die Vielfalt an Methoden und unklare Prozesse die Verwendung von Daten und folglich quantitativer Methoden.
Das vorliegende Referenzmodell widmet sich den genannten Herausforderungen und konsolidiert bestehendes Wissen in der Domäne der quantitativen Absatzplanung. Damit dient das Referenzmodell als Leitfaden für die Integration und Verbesserung der quantitativen Absatzplanung in Unternehmen und erleichtert den Zugang zu Wissen. Das Modell systematisiert den Planungsprozess, die Prognosemethoden – von naiven Methoden bis zum maschinellen Lernen – und die obligatorischen und optionalen Prognosedaten innerhalb von drei Reifegraden. Das Modell reduziert den Aufwand für die Entwicklung anwendungsspezifischer Absatzplanung, unterstützt die Generierung von Wissen zum Absatz im Anwendungsfall und fördert die Verwendung von Daten für die Planung der Supply Chain sowie resultierend den Erhalt der Wettbewerbsfähigkeit der anwendenden Unternehmen.
ISBN-13 (Hard Copy) | 9783736977464 |
ISBN-13 (eBook) | 9783736967465 |
Language | Alemán |
Page Number | 402 |
Lamination of Cover | matt |
Edition | 1. |
Book Series | Schriftenreihe Fortschritte in der IT in Produktion und Logistik |
Volume | 6 |
Publication Place | Göttingen |
Place of Dissertation | Dortmund |
Publication Date | 2023-03-15 |
General Categorization | Dissertation |
Departments |
Mechanical and process engineering
Manufacturing and production engineering |
Keywords | Supply Chain Planung, supply chain planning, Supply Chain Management, supply chain management, Konsum, consumption, Prognose, forecast, forecasting, Absatz, sales, Bedarf, demand, Nachfrage, market demand, Absatzplanung, sales planning, Bedarfsplanung, demand planning, Referenzmodell, reference model, quantitative, quantitative, Prognosemethode, forecasting methods, Prozess, process, Methode, methods, Daten, data, Reifegrad, maturity, maturity level, Zeitreihe, time series, Analyse, analysis, Kausale Modelle, causal models, Maschinelles Lernen, machine learning, Planung, planning, Stochastisch, stochastic, Endverbraucher, consumer, Modell, model, Lagerfertigung, make to stock, Güter, goods, Einflussfaktor, feature, influencing factor, feature engineering, Produktion, production, Supply Chain, Bedarfsermittlung, demand determination, supply planning, Auftrag, order, Bestellung, purchase, Verkaufskanal, Point of sale, Bedarfsmanagement, demand mangement, Prognosefehler, forecast accuracy, forecast error, Primärbedarf, primary demand |
URL to External Homepage | https://www.itpl.mb.tu-dortmund.de/cms/de/Fachgebiet/index.html |