Zusammenfassung
Die Vorhersage des Ersatzteilbedarfs für den Zeitraum nach Produktionsende ist ein zentrales Thema des Supply Chain Managements. Ziel ist es dabei, die Kosten für Lagerung, Transport und Entsorgung sowie die Kapitalbindung zu senken. Gleichzeitig soll durch beständige Verfügbarkeit die Kundenzufriedenheit aufrechterhalten werden. In diesem Artikel wird eine verschachtelte Vorgehensweise von Clustering- und Klassifikationsmethoden entwickelt, um Muster in den Stamm- und Verbrauchsdaten eines großen Hausgeräteherstellers zu finden. Durch dieses geschachtelte Vorgehen ist es letztlich möglich, auf Grundlage größtenteils unvollständiger Daten von 1985 bis 2017, Vorhersagemethoden anzuwenden. Hierbei werden verschiedene Clustering-Methoden mit unterschiedlichen Distanzmaßen und Parameterkalibrierungen miteinander kombiniert, um Produkte hinsichtlich der Ähnlichkeit ihrer (i) Stammdaten und (ii) Verbrauchsmuster zu gruppieren. Diese Cluster werden verwendet, um auf Grundlage ähnlicher früherer Produkte Vorhersagen für aktuelle und zukünftige Produkte zu konstruieren, für die nur geringe Verbrauchsdaten existieren. Unsere Ergebnisse lassen darauf schließen, dass dieses geschachtelte Vorgehen die Prognosegüte im Vergleich zu dem in der Praxis genutzten Verfahren erheblich steigert.
Abstract
Predicting spare parts demand for the time period after production has ceased is a central issue in supply chain management in order to reduce costs in terms of storage, transportation, disposal, finance and to maintain a desired level of customer satisfaction. This paper proposes a nested workflow of clustering and classification methods to find patterns in a large dataset of master and consumption data from a big manufacturer of household goods from 1985–2017 that allow for the application of nonlinear forecasting approaches in the case of largely incomplete data. More specifically, we apply different clustering methodologies with varying distance measures and parameter calibrations to determine products that share similarities in terms of (i) master data and (ii) consumption patterns. We use these clusters to construct predictions for “new” products where historical data is scarce using the data from similar (older) products for which more data is already available. Our results indicate that this step-wise approach of combining clustering and classification methods with nonlinear prediction approaches yields significantly better forecasting results than a baseline model and improves the spare parts planning and controlling process.
Notes
Die Croston-Methode bestimmt zwei Faktoren „Nachfrage“ und „Zeit zwischen den Nachfragen“ und setzt diese ins Verhältnis, sodass ein linearer mittlerer erwarteter Nachfragewert für mehrere Zeitperioden entsteht.
Eine ABC-Klassifizierung gibt an, welche Ersatzteile am stärksten zum Umsatz eines Unternehmens beitragen (A) und welche am wenigsten (C).
Für ein besseres Verständnis sei auf folgende Notation hingewiesen: Subskripte C = complete (vollständig), I = incomplete (unvollständig), T = total (gesamter Datensatz); Superskripte m = Master data (Stammdaten), d = Demand data (Verbrauchsdaten).
Aufgrund bestehender Geheimhaltungsvereinbarungen sind wir nicht in der Lage, die Daten zu veröffentlichen und eingeschränkt in Bezug auf die Informationen, die wir zu den Daten zur Verfügung stellen können (z. B. zusammenfassende Statistiken etc.).
Milligan und Cooper (1985) beispielsweise gibt eine Übersicht über Methoden zum Schätzen der Anzahl der Cluster.
Hierbei ist zu beachten, dass andere Modellierungsansätze möglich sind. Da der Schwerpunkt dieses Artikels jedoch auf der Entwicklung des verschachtelten Clustering-Workflows aus Abschn. 2 liegt, wird auf einen detaillierten Vergleich der Modellierung der Nachfragekurven verzichtet. Die entsprechenden Ergebnisse sind auf Anfrage erhältlich.
Engl.: Mean Absolute Percentage Error. Dieses Maß beschreibt die Prognosegüte durch eine prozentuale Abweichung der prognostizierten zu den beobachteten Werten.
Literatur
Bacchetti A, Saccani N (2012) Spare parts classification and demand forecasting for stock control. Investigating the gap between research and practice. Omega 40(6):722–737. https://doi.org/10.1016/j.omega.2011.06.008
Botter R, Fortuin L (2000) Stocking strategy for service parts—a case study. Int J Oper Prod Manag 20(6):656–674. https://doi.org/10.1108/01443570010321612
Boylan JE, Syntetos AA (2010) Spare parts management. A review of forecasting research and extensions. IMA J Manag Math 21(3):227–237. https://doi.org/10.1093/imaman/dpp016
Bürkner P‑C (2017) brms. An R package for Bayesian multilevel models using stan. J Stat Softw. https://doi.org/10.18637/jss.v080.i01
Chaturvedi A, Green PE, Caroll JD (2001) K‑modes clustering. J Classif 18(1):35–55. https://doi.org/10.1007/s00357-001-0004-3
Cohen MA, Agrawal N, Agrawal V (2006) Winning in the aftermarket. Harv Bus Rev 84:129–138
Croston JD (1972) Forecasting and stock control for intermittent demands. Oper Res Q 23(3):289. https://doi.org/10.2307/3007885
Gallagher T, Mitchke MD, Rogers MC (2005) Profiting from spare parts. Mckinsey Q (2):1–4
Gelman A, Hill J (2009) Data analysis using regression and multilevel-hierarchical models (10. print (Analytical methods for social research).)
Gower JC (1971) A general coefficient of similarity and some of its properties. Biometrics 27(4):857. https://doi.org/10.2307/2528823
Hastie T, Tibshirani R, Friedman JH (2009) The elements of statistical learning. Data mining, inference, and prediction, 2. Aufl. Springer series in statistics. Springer, New York (corr. at 4)
Huang Z (1998) Extensions to the k‑means algorithm for clustering large data sets with categorical values. Data Min Knowl Discov 2(3):283–304. https://doi.org/10.1023/A:1009769707641
Hyndman RJ, Athanasopoulos G (2018) Forecasting. Principles and practice, 2. Aufl.
Kolesnikov A, Trichina E, Kauranne T (2015) Estimating the number of clusters in a numerical data set via quantization error modeling. Pattern Recognit 48(3):941–952. https://doi.org/10.1016/j.patcog.2014.09.017
Küsters U, Speckenbach J (2012) Prognose sporadischer Nachfragen. In: Mertens P, Rässler S (Hrsg) Prognoserechnung. Physica-Verlag, Heidelberg, S 75–108
MacQueen J (1967) Some methods for classification and analysis of multivariate observations. In: Proceedings of the fifth Berkeley symposium on mathematical statistics and probability 1: statistics, S 281–297
Milligan GW, Cooper MC (1985) An examination of procedures for determining the number of clusters in a data set. Psychometrika 50(2):159–179. https://doi.org/10.1007/BF02294245
Rigby RA, Stasinopoulos DM (2005) Generalized additive models for location, scale and shape (with discussion). J Royal Stat Soc Ser C Appl Stat 54(3):507–554. https://doi.org/10.1111/j.1467-9876.2005.00510.x
Sakoe H, Chiba S (1971) A dynamic programming approach to continuous speech recognition. In: Proceedings of the seventh international congress on acoustics, S 65–69
Sakoe H, Chiba S (1978) Dynamic programming algorithm optimization for spoken word recognition. IEEE Trans Acoust 26(1):43–49. https://doi.org/10.1109/TASSP.1978.1163055
Stasinopoulos DM, Rigby RA (2007) Generalized additive models for location scale and shape (GAMLSS) in R. J Stat Softw 23(7). https://doi.org/10.18637/jss.v023.i07
Stock J, Watson M (2005) Implications of dynamic factor models for VAR analysis. National Bureau of Economic Research, Cambridge
Sugar CA, Lenert LA, Olshen RA (1999) An application of cluster analysis to health services research. Empirically defined health states for depression from the SF-12. Technical Report. Stanford University, Stanford
Syntetos AA, Boylan JE (2005) The accuracy of intermittent demand estimates. Int J Forecast 21(2):303–314. https://doi.org/10.1016/j.ijforecast.2004.10.001
Syntetos AA, Boylan JE, Disney SM (2009) Forecasting for inventory planning. A 50-year review. J Oper Res Soc 60(1):S149–S160. https://doi.org/10.1057/jors.2008.173
Tibshirani R, Guenther W, Hastie T (2001) Estimating the number of clusters in a data set via the gap statistic. J Royal Stat Soc Ser B Stat Methodol 63(2):411–423. https://doi.org/10.1111/1467-9868.00293
Funding
This work was supported by the Bavarian Ministry of Economic Affairs, Infrastructure, Transportation and Technology through the Center for Analytics – Data – Applications (ADA-Center) within the framework of “BAYERN DIGITAL II”.
Danksagung
Wir möchten uns recht herzlich bei Philipp Gölzer, Hans-Georg Zimmermann, Stefan Recknagel, Philipp Kanitz, Hannes Bettschnitt, Bernd Bischl, Sebastian Pokutta, Andreas Bärmann, Oskar Schneider, Oliver Schaer und Sarah Van der Auweraer für Ihre wertvollen Kommentare und Anregungen bedanken sowie bei Benedikt Sonnleitner für seine ausgezeichnete Unterstützung.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Menden, C., Mehringer, J., Martin, A. et al. Vorhersage von Ersatzteilbedarfen mit Hilfe von Clusteringverfahren. HMD 56, 1000–1016 (2019). https://doi.org/10.1365/s40702-019-00532-7
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1365/s40702-019-00532-7