Demand Planning mittels Neuronaler Netze

Diplomarbeit aus dem Jahr 2002 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, Universität zu Köln (, Wirtschaftsinformatik), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung: Wie oft wird sich unser Produkt XY in der nahen Zukunft verkaufen? Dies ist eine entscheidende Frage im Rahmen der Produktionsplanung, aber auch in vielen anderen betrieblichen Funktionen. Zur Beantwortung stehen jedoch meist keine geeigneten Methoden zur Verfügung. Stattdessen wird der zukünftige Absatz, bzw. die zukünftige Nachfrage, mittels Daumenregeln oder einfachsten statistischen Verfahren geschätzt. In zahlreichen Anwendungsfeldern haben sich Neuronale Netze als überlegene Prognoseverfahren erwiesen. Die vorliegende Arbeit überträgt das erfolgsversprechende Konzept Neuronaler Netze auf das Problem der Nachfrageprognose (¿Demand Planning¿). Einsatzmöglichkeiten, Konfigurationsparameter und mögliche Probleme werden erläutert. Daneben wird auf die Implementierung des Demand Planning in modernen Advanced Planning Systems - u.a. SAP APO - für das Supply Chain Management eingegangen. Inhaltsverzeichnis:Inhaltsverzeichnis: AbbildungsverzeichnisII AbkürzungsverzeichnisIII SymbolverzeichnisIV 1.Einleitung und Motivation1 1.1Begriffsabgrenzung1 1.2Eigenschaften Neuronaler Netze2 1.3Aufbau und Zielsetzung dieser Arbeit4 2.Grundlegende Konzepte Neuronaler Netze6 2.1Neuronen6 2.1.1Funktionsweise von Neuronen6 2.1.2Aktivierungszustand7 2.1.3Propagierungsfunktion7 2.1.4Aktivierungsfunktion8 2.1.5Ausgabefunktion10 2.2Netzstruktur11 2.2.1Verbindungsgewichte11 2.2.2Typen von Neuronen12 2.2.3Netztopologien13 2.3Lernregel15 2.4Das MLP-Netzwerk16 3.Demand Planning19 3.1Aufgaben und Einordnung19 3.2Grundlagen der Bedarfsprognose19 3.3Statistische Prognoseverfahren21 3.3.1Exponentielle Gl¿attung erster Ordnung21 3.3.2Regressionsrechnung22 3.3.3ARIMA22 3.4Demand Planning in APS23 4.Prognose mittels Neuronaler Netze25 4.1Allgemeine Vorgehensweise25 4.1.1Horizontale und vertikale Prognose25 4.1.2Lern-, Test- und Recall-Phase26 4.2Datenauswahl und -aufbereitung27 4.2.1Datenauswahl27 4.2.2Datenaufbereitung28 4.3Das Lernverfahren Backpropagation31 4.3.1Grundprinzipien von Backpropagation31 4.3.2Herleitung des Backpropagation-Verfahrens33 4.4Probleme beim Einsatz Neuronaler Netze37 4.4.1Overfitting37 4.4.2Initialisierung der Verbindungsgewichte38 4.4.3Probleme der lokalen Suche39 4.5Freiheitsgrade bei der Netzwerk-Konfiguration41 4.5.1Anzahl der Neuronen pro Schicht41 4.5.2Wahl der Lernrate43 4.6Verbesserungen der Leistungsfähigkeit43 4.6.1Der Momentum-Term44 4.6.2Alternative Definition des Fehlersignals44 4.6.3Alternative Lernverfahren45 4.7Vergleich mit statistischen Prognoseverfahren46