Logo des Repositoriums
 

Process Mining und Künstliche Intelligenz in der Beschaffung

Kurzanzeige
dc.contributor.authorBarenkamp, Marco
dc.contributor.authorMoualeu-Ngangue, Dany
dc.contributor.editorKlein, Maike
dc.contributor.editorKrupka, Daniel
dc.contributor.editorWinter, Cornelia
dc.contributor.editorWohlgemuth, Volker
dc.date.accessioned2023-11-29T14:50:20Z
dc.date.available2023-11-29T14:50:20Z
dc.date.issued2023
dc.description.abstractDie wachsende Bedeutung der betrieblichen Beschaffung für den Unternehmenserfolg ist auf die Internationalisierung der Beschaffungsmärkte und den Einsatz neuer Technologien zurückzuführen. Die steigende Komplexität und mangelnde Transparenz der Lieferketten und Beschaffungsprozesse stellen jedoch Herausforderungen dar, die durch den Einsatz veralteter Technologien und manueller Prozesse oft verschärft werden. Moderne Technologien wie Process Mining und Künstliche Intelligenz können zur Lösung dieser Probleme beitragen, indem sie Prozesse visualisieren, Ineffizienzen aufdecken und große Mengen von Daten schnell analysieren. Durch die Automatisierung von Routineaufgaben wird die Effizienz erhöht und gleichzeitig Raum für strategische Initiativen wie weitere Digitalisierung und Automatisierung geschaffen. Die Analyse und Integration von Unternehmensdaten in Echtzeit ermöglichen fundierte Entscheidungen und eine verbesserte Risikosteuerung. In diesem Paper wird der Einsatz von Process Mining und Künstlicher Intelligenz (KI) in der Beschaffung eines real durchgeführten Projekts vorgestellt, um, unter Berücksichtigung von Konzepten des Maschinellen Lernens (ML) zur Optimierung des Beschaffungsprozesses in Unternehmen, langfristig Kostensenkungen, optimale Lagerbestände, erhöhte Produktivität, bessere Prozesstransparenz sowie Qualitätssteigerungen zu erreichen. Eingesetzt wurde dabei das Konzept der Zeitreihenanalyse in Verbindung mit Maschinellem Lernen. Es wurden dabei verschiedene Strategien an Prognosen, einschließlich direkter, rekursiver und mehrstufiger Ansätze, sowie Methoden zur Datenextraktion und Merkmalsextraktion eingesetzt und vorgestellt.de
dc.identifier.doi10.18420/inf2023_147
dc.identifier.isbn978-3-88579-731-9
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/43071
dc.language.isode
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofINFORMATIK 2023 - Designing Futures: Zukünfte gestalten
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-337
dc.subjectProcess Mining
dc.subjectKünstliche Intelligenz
dc.subjectBeschaffung
dc.subjectProcurement
dc.subjectOptimierung
dc.subjectMachine Learning
dc.subjectZeitreihenanalyse
dc.titleProcess Mining und Künstliche Intelligenz in der Beschaffungde
dc.typeText/Conference Paper
gi.citation.endPage1420
gi.citation.publisherPlaceBonn
gi.citation.startPage1407
gi.conference.date26.-29. September 2023
gi.conference.locationBerlin
gi.conference.sessiontitleÖkologische Nachhaltigkeit - Zukunft nachhaltig gestalten durch digitalisierte Wertschöpfungsprozesse (DigiWe)

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
07_04_04_Barenkamp.pdf
Größe:
638.26 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P337 - INFORMATIK 2023 - Designing Futures: Zukünfte gestalten