http://dl.gi.de/handle/20.500.12116/35994 Tue, 21 Jul 2026 13:52:01 GMT 2026-07-21T13:52:01Z http://dl.gi.de/handle/20.500.12116/36011 Vorhersage von Ersatzteilbedarfen mit Hilfe von Clusteringverfahren Menden, Christian; Mehringer, Julius; Martin, Alexander; Amberg, Michael 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. 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. Tue, 01 Jan 2019 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/36011 2019-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/36010 Hybrider Ansatz zur automatisierten Themen-Klassifizierung von Produktrezensionen Goetz, Rene; Piazza, Alexander; Bodendorf, Freimut Im Online-Handel werden durch Interaktionen von Kunden mit den Web-Plattformen enorme Datenmengen generiert. So zählt Kundenfeedback in Form von Produktrezensionen zu den unstrukturierten Daten, für deren Verarbeitung Ansätze aus dem Gebiet der Computerlinguistik und des maschinellen Lernens benötigt werden. Als Alternative zu den klassischen Ansätzen des überwachten und unüberwachten Lernens, welche im betrieblichen Kontext und der Anwendungsdomäne der Produktrezensionen oftmals an deren Grenzen stoßen, wird in diesem Artikel ein hybrider Ansatz zur Kategorisierung von Produktrezensionen vorgestellt, der die Vorteile des maschinellen Lernens und der menschlichen Expertise vereint. Ziel dieses Artikels ist es, einen Ansatz zu präsentieren, welcher es ermöglicht, automatisiert und basierend auf den Anforderungen aus der Praxis, strukturiert Themen und darauf bezogene Aspekte aus Produktrezensionen zu extrahieren. Mithilfe von Word2Vec werden semantische Beziehung der in den Rezensionen enthaltenen Wörter trainiert. Dadurch können einzelne Wörter mit vorher definierten Themen auf deren Ähnlichkeit untersucht werden und in den Rezensionen identifiziert und extrahiert werden. Dieser Ansatz wird am Beispiel eines Datensatzes von rund fünf Millionen Produktrezensionen der Online-Plattform Amazon demonstriert und dessen Ergebnisse mit denen eines gängigen Topic Modelling Ansatzes gegenübergestellt. In e‑commerce, enormous amounts of data are generated through the interaction of customers with Web platforms. Customer feedback in the form of product reviews, for instance, is an example for unstructured data, which processing requires approaches from the fields of computer linguistics and machine learning. As an alternative to the classical approaches of supervised and unsupervised learning, which often reach their limits in the business context and the application domain of product reviews, this article presents a hybrid approach for categorizing product reviews that combines the advantages of machine learning and human expertise. The aim of this paper is to present an approach that allows to automatically extract structured topics and related aspects from product reviews based on practical requirements. Word2Vec is used to train semantic relationships between words that occur in product reviews. In this way, individual words of each review can be compared with in advance defined topic words regarding their similarity and can then be extracted from the reviews. This approach is demonstrated using around five million product reviews of the Amazon online platform. The results are getting compared with those from a common topic modelling technique. Tue, 01 Jan 2019 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/36010 2019-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/36008 Big Public Data aus dem Programmable Web: Chancen und Herausforderungen Matter, Ulrich Die Verbreitung des Internets, die zunehmende Digitalisierung in der öffentlichen Verwaltung und Politik, sowie die Entfaltung der Civic Technology Bewegung haben über die letzten Jahre zu einer starken Zunahme an hochdetaillierten digitalen Datenbeständen über politische Akteure und Prozesse geführt. Diese big public data werden oft über programmatische Schnittstellen (Web application programming interfaces; programmable Web) verbreitet, um die Einbettung der Daten in anderen Webanwendungen zu vereinfachen und somit ein möglichst großes Publikum zu erreichen. Die Analyse dieser Daten für wissenschaftliche Zwecke in der politischen Ökonomie und Politologie ist vielversprechend, setzt jedoch die Implementierung einer data pipeline zur systematischen Beschaffung und Aufbereitung von Daten aus dem programmable Web voraus. Dieser Artikel diskutiert die Chancen und Herausforderungen der praktischen Nutzung dieser Datenbestände für die empirische Forschung und zeigt anhand einer Fallstudie ein mögliches Vorgehen zur systematischen Analyse von big public data aus dem programmable Web auf. The diffusion of the Internet, the increasing digitization in public service and politics, as well as the evolvement of the civic technology movement have led to a sharp increase in highly granular digital data on political officials und political processes. These big public data are typically distributed in various data formats via so-called Web application programming interfaces in order to facilitate the embedding of these data in web applications with the aim of reaching a large audience. The analysis of these data for research in political economics and political science is very promising. Yet, conducting such analyses efficiently, presupposes the implementation of a data pipeline to systematically collect und combine data from programmable Web sources. This article discusses the opportunities and challenges for the practical exploitation of these new data sources for social-science research. A case study in the context of research on religion in US Politics illustrates an approach to systematically collect and analyse big public data based on the programmable Web. Tue, 01 Jan 2019 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/36008 2019-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/36009 Überblick Analytics: Methoden und Potenziale Meier, Andreas Der Grundlagenbeitrag definiert und charakterisiert verschiedene Facetten des Analytics und zeigt auf, welche Nutzenpotenziale sich für die Wirtschaft ergeben. Nach der Klärung wichtiger Begriffe wird der Prozess zum Schürfen nach wertvollen Informationen und Mustern (Data Mining) in den Datenbeständen diskutiert. Danach werden wichtige Methoden des Data Mining wie des Soft Computing vorgestellt. Die Anwendungsgebiete des Web Analytics und Web Controlling dienen dazu, bedeutende Nutzenpotenziale beim Auswerten der digitalen Wertschöpfungskette elektronischer Geschäfte herauszuarbeiten. Ein Ausblick in die unbewusste Business Intelligence rundet den Beitrag ab. The basic contribution defines and characterizes various facets of analytics and shows the potential benefits for the economy. Once important terms have been clarified, the process of prospecting for valuable information and patterns (data mining) in databases is discussed. Afterwards, important methods for data mining as well as for soft computing will be presented. The application areas of Web Analytics and Web Controlling serve to identify significant potential benefits in evaluating the digital value chain of electronic business. An outlook into the unconscious Business Intelligence will complete the contribution. Tue, 01 Jan 2019 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/36009 2019-01-01T00:00:00Z