Detailansicht
Comparison of traditional and AI-based methods to forecast parts demand
a case study in the energy infrastructure supplier sector
Anika Schindlauer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Internationale Betriebswirtschaft
Betreuer*in
Karl Franz Dörner
DOI
10.25365/thesis.80878
URN
urn:nbn:at:at-ubw:1-14673.20527.580963-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Studie vergleicht klassische, statistische Bedarfsprognose-Methoden mit KI-basierten Vorhersagemodellen. Es wird analysiert, ob KI-basierte Ansätze den Bedarf genauer vorhersagen können als klassische, statistische Verfahren. Des weiteren wird untersucht, ob es spezifische Bedarfsmuster gibt, die dazu führen, dass für diese Muster KI-Modelle eine genauere Vorhersage erzeugen können als klassische Modelle. Außerdem wird ermittelt, ob es auch Teile gibt, deren Bedarf zu unregelmäßig ist, um mit einem der betrachteten Modelle vernünftige Vorhersagen erzeugen zu können. Um diese Fragen zu beantworten wird die Bedarfshistorie von 30 verschiedenen Teilen, die vom Energieinfrastruktur-Zuliefererunternehmen Aqotec verwendet werden, analysiert. Es werden monatliche Vorhersagen und eine Jahresprognose auf Basis von Holt-Winters und SARIMA Modellen sowie auf Basis von zwei neuronalen Netzen erzeugt. Die Ergebnisse werden vorwiegend mittels Gewichtetem Mittleren Absoluten Fehler (Weighted Mean Absolute Percentage Error) evaluiert und mit der Vorhersage eines naiven Baseline-Modells verglichen. Die Ergebnisse zeigen, dass keines der Modelle universell für alle Teile und sowohl für die monatliche als auch für die Jahresprognose klar am besten funktioniert. Es gibt keine gesamte Gruppe an Teilen, für die KI-Modelle eine genauere Vorhersagequalität erreichen. Es gibt jedoch einzelne Teile, für die KI-basierte Modelle zu genaueren Vorhersagen führen. Über alle Teile hinweg jedoch können die genauesten monatlichen Prognosen mit Hilfe der SARIMA Modelle erzeugt werden. Keines der Modelle führt zu zufriedenstellenden monatlichen Vorhersagen für jene Teile, deren Bedarf besonders unregelmäßig ist, wobei die Gewichteten Mittleren Absoluten Fehler teilweise bei circa 100% liegen. Für die Jahresmenge hingegen kann auch für die meisten dieser Teile eine zufriedenstellende Prognose erzeugt werden. Diese Studie vergleicht verschiedene Modelle zur Bedarfsvorhersage auf Basis von echten Industriedaten. Sie zeigt somit auch die Herausforderungen auf, genaue Bedarfsprognosen für verschiedenste Teile mit teilweise sehr unregelmäßigen Bedarfsmustern zu erzeugen. Außerdem wird gezeigt, dass komplexere, KI-basierte Modelle nicht immer genauere Ergebnisse liefern als klassische, statistische Ansätze.
Abstract
(Englisch)
This study compares classical statistical demand forecasting approaches with AI-based time series prediction methods. It is analysed if AI-based models can forecast the parts demand more accurately than classical approaches and if there are specific demand patterns that lead to AI-approaches performing better than classical methods. Furthermore, it is investigated if there are parts with such irregular demand that no method can generate reasonable predictions. In order to answer these questions, the historical demand of 30 different assembly parts used by the energy infrastructure supplier company Aqotec is analysed and monthly and yearly demand predictions are generated fitting Holt-Winters and SARIMA models as well as two Neural Network based models. The results are evaluated mainly using the Weighted Mean Absolute Percentage Error and through comparing the forecasting quality to a naïve baseline approach. The results show that none of the models universally shows a superior performance for all parts and both for the monthly and the yearly forecasts. There is no group of parts, for which AI-based models generally perform better. There are, however, single parts for which AI-based approaches outperform the classical statistical models, but across all parts the SARIMA models tend to deliver the most promising results for the monthly forecasts. None of the models can produce reasonable monthly results for parts with a specifically high variation in the dataset with Weighted Mean Absolute Percentage Errors of around 100%, while yearly predictions of those parts achieve a significantly better accuracy than monthly forecasts. This study provides a comparison of different demand forecasting approaches on real-world data. It also emphasises the challenges of creating accurate predictions on datasets with partly considerably varying demands. It further points out that more complex AI-based methods do not always outperform classical statistical prediction approaches.
Schlagwörter
Schlagwörter
(Deutsch)
Bedarfsvorhersage Zeitreihenprognose Intelligente Produktion SARIMA Holt-Winters Neuronales Netz
Schlagwörter
(Englisch)
Demand forecasting Time series forecasting Smart production SARIMA Holt-Winters Neural Network
Autor*innen
Anika Schindlauer
Haupttitel (Englisch)
Comparison of traditional and AI-based methods to forecast parts demand
Hauptuntertitel (Englisch)
a case study in the energy infrastructure supplier sector
Paralleltitel (Deutsch)
Vergleich traditioneller und KI-basierter Methoden zur Bedarfsvorhersage
Publikationsjahr
2026
Umfangsangabe
x, 87 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Karl Franz Dörner
Klassifikationen
85 Betriebswirtschaft > 85.00 Betriebswirtschaft. Allgemeines ,
85 Betriebswirtschaft > 85.32 Beschaffung. Materialwirtschaft
AC Nummer
AC17832365
Utheses ID
80348
Studienkennzahl
UA | 066 | 914 | |