Der Paradigmenwechsel von Massenproduktion zu kundenindividuellen Massenfertigung (Mass Customization) hat viele Unternehmen vor die Herausforderung gestellt, ihr Produktportfolio durch komplex konfigurierbare Produkte abwechslungsreicher zu gestalten. Dies führt zu höheren Produktionskosten gegenüber der Standardisierung von Produkten und eine massiv steigende Anzahl an Produktvarianten. Produktkonfiguratoren unterstützen Unternehmen dabei, kundenindividuelle Massenfertigung zu implementieren. Die Herausforderung liegt darin, eine optimale Balance zwischen Individualität und Standardisierung der Produktwelt zu finden.
Die zunehmende Komplexität von schnell verändernden Geschäftsumgebungen erschwert die Entscheidungsfindung. Unternehmen müssen diesem Wandel entgegentreten, indem sie schnellere, bessere und computergestützte Entscheidungen auf Basis der vorliegenden Daten und ihrer Intuition treffen.
Clustering-Verfahren eignen sich dazu, auf Basis von historischen Verkaufsdaten eines Produkt-Konfigurators Teilprodukte oder Produktfamilien zu identifizieren, die Standardisiert werden können während die Kundenzufriedenheit möglichst maximiert bleibt. Das Problem vieler Clustering-Verfahren besteht allerdings in der Interpretation der Cluster. Die Ergebnisse sind nicht immer selbst-beschreibend und erschweren die Entscheidungsfindung trotz geeigneter Darstellung und guter Intuition.
In diesem Vortrag wird ein Ontologie-basiertes und hierarchisches Clustering-Verfahren und eine Linkage-methode vorgestellt, mit denen es möglich ist, selbstbeschreibende Cluster mit sinnvollen semantischen Clusterbeschreibungen für die Entscheidungsunterstützung zu erzeugen. Sowohl Ausreißer als auch große Gruppen gleichartiger Produktkonfigurationen werden durch semantische Schlussfolgerung (Reasoning) abgeleitet. Das vorgestellte Verfahren kann die Entscheidungsunterstützung in vielen Aktivitäten des Produktlebenszyklus
beschleunigen und verbessern. Beispiele hierfür sind:
- Strategische Einkaufsplanung hinsichtlich identifizierter Standardkomponenten
oder Gruppen von häufig gemeinsam gekauften Komponenten - Optimierung der Menge an Produktvarianten
- Effizientes Bestandsmanagement
- Marketingstrategien und Promotionen
Vorausgehende Experimente und Untersuchungen mit anonymisierten Echtdaten haben gezeigt, dass der vorgestellte Ansatz vielversprechende Ergebnisse liefert. Die Interpretation von Clustern und damit der Entscheidungsfindungsprozess kann dadurch verbessert werden.
Gregor Rydzynski – CAS Software AG
Artur Felic – CAS Software AG