Detailansicht
Implementation of optimization techniques in SMEs with imperfect information
a traveling e-bike repairman example
Bogdan Muntean
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Betriebswirtschaft
Betreuer*in
Karl Franz Dörner
DOI
10.25365/thesis.78436
URN
urn:nbn:at:at-ubw:1-21506.01620.100414-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Kleine und mittlere Unternehmen (KMU) mit arbeitsintensiven Tätigkeiten setzen moderne Digitalisierungs- und Optimierungstechnologien oft nicht ausreichend ein, was die Effizienz und Skalierbarkeit von Services einschränkt. Auf der Grundlage direkter praktischer Erfahrungen zeigt diese Studie einen klaren Bedarf für die Überwindung technischer und finanzieller Barrieren durch zugängliche und praktische Lösungen zur Optimierung auf und hebt einen skalierbaren Ansatz hervor. Ziel dieser Arbeit ist die Entwicklung und Bewertung eines einfach zu implementierenden und niedrigschwellige Routing-Frameworks speziell für KMU, die Außendienstmechaniker beschäftigen. Das Schwerpunkt liegt auf der Minimierung von Komplexität, Kosten und Eintrittsbarrieren für Optimierungspraktiken. Zwei historisch einfache und etablierte Heuristiken wurden an einen kapazitären, stochastischen Reparaturkontext angepasst: (i) ein Nearest Neighbor (NN)-Algorithmus, der ein 2-optiges lokales Suchverfahren beinhaltet, und (ii) ein auf billigster Insertion basierender Sequential Adaptive Insertion (SAI)-Algorithmus. Die Implementierung erfolgte in C# und wurde durch eine Simulation mit 4000 zufällig erzeugten Instanzen bewertet, die potenzielle Arbeitstage repräsentieren. Die Simulationen umfassten vier verschiedene Skalen (10-61 Standorte) und beinhalteten lognormalverteilte zufällige Reparaturzeiten, um realistische Unsicherheiten widerzuspiegeln. Beide heuristischen Methoden ergaben für alle getesteten Szenarien machbare und kosteneffiziente Routen, was bestätigt, dass einfache Algorithmen sinnvolle Lösungen für KMU bieten können. Die Nearest Neighbor-Heuristik war besonders effektiv in kleineren, stabilen Umgebungen, was zu kürzeren jeweiligen Fahrzeiten führte und eine einfache Implementierung ermöglichte. Sequential Adaptive Insertion (SAI) ist zwar komplexer, übertraf aber in größeren und variableren Szenarien durchweg NN, indem es im Durchschnitt 6-10 % mehr E-Bikes reparierte und mehr Knotenpunkte besuchte. SAI zeigte auch eine geringere Variabilität der Schichtzeiten und eine bessere Verteilung der Arbeitslast der Mechaniker. Diese Ergebnisse zeigen, dass beide Heuristiken praktikable, niedrigschwellige Routing-Lösungen für KMU bieten. Ihre jeweiligen Kompromisse ermöglichen die Anpassung an unterschiedliche betriebliche Größenordnungen, Variabilitätsniveaus und digitale Fähigkeiten, wodurch ein Übergang von der intuitiven Planung zu strukturierten, datengesteuerten Abläufen ermöglicht wird. Darüber hinaus bieten diese leichtgewichtigen Methoden eine Grundlage für künftige Erweiterungen, wie Aufgabenaktualisierungen in Echtzeit, adaptive Verkehrslenkung und andere hybride Systeme.
Abstract
(Englisch)
Small and medium-sized enterprises (SMEs) with labour-intensive operations often underutilize contemporary digitalization and optimization technologies, which limits the efficiency and scalability of services. Drawing from direct practical experience, this study identifies a clear need for overcoming technical and financial barriers through accessible and practical optimization solutions and highlights a scalable approach. The aim of this work is to develop and assess a low barrier and easy to implement routing framework specifically designed for SMEs that employ field service mechanics. The main focus is on minimizing complexity, costs and entry barriers to optimization practices. Two historically simple and well-established heuristics were customized for a capacitated, stochastic repair context: (i) a Nearest Neighbor (NN) algorithm including a 2-opt local search procedure, and (ii) a cheapest insertion based Sequential Adaptive Insertion (SAI) algorithm. The implementation was done in C# and was evaluated by a simulation consisting of 4000 randomly generated instances representing potential workdays. The simulations spanned four different operational scales (10-61 customer locations) and incorporated log-normally distributed random repair times to reflect realistic uncertainties. Both heuristic methods produced feasible and cost-effective routes across all tested scenarios, confirming that simple algorithms can offer meaningful solutions for SMEs. The Nearest Neighbor heuristic was particularly effective in smaller, stable settings, resulting in shorter respective travel times and allowing ease of implementation. Sequential Adaptive Insertion, while more complex, consistently outperformed NN in large and more variable scenarios, repairing 6-10% more e-bikes and visiting more hubs on average. SAI also exhibited lower shift time variability and better mechanic workload balance. These findings demonstrate that both heuristics offer viable, low-barrier routing solutions for SMEs. Their respective trade-offs allow for alignment with different operational scales, variability levels, and digital capabilities, enabling a shift from intuition based planning to structured, data driven operations. Moreover, these lightweight methods provide a foundation for future enhancements, such as real-time task updates, adaptive traffic routing and other hybrid frameworks.
Schlagwörter
Schlagwörter
(Deutsch)
E-Bike-Flottenwartung Routenoptimierung Heuristische Algorithmen KMU-Betriebsabläufe Stochastische Reparaturzeiten
Schlagwörter
(Englisch)
E-bike fleet maintenance Route optimization Heuristic algorithms SME operations Stochastic repair times
Autor*innen
Bogdan Muntean
Haupttitel (Englisch)
Implementation of optimization techniques in SMEs with imperfect information
Hauptuntertitel (Englisch)
a traveling e-bike repairman example
Paralleltitel (Deutsch)
Implementierung von Optimierungstechniken in KMU mit unvollkommener Information
Paralleluntertitel (Deutsch)
ein Beispiel für einen Traveling E-Bike Repairman
Publikationsjahr
2025
Umfangsangabe
VI, 32 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Karl Franz Dörner
Klassifikation
85 Betriebswirtschaft > 85.03 Methoden und Techniken der Betriebswirtschaft
AC Nummer
AC17536329
Utheses ID
75944
Studienkennzahl
UA | 066 | 915 | |