Methode zur Erschließung von Wissen aus Datenmustern in Supply-Chain-Datenbanken

Ein elementarer Schritt zur Beherrschbarkeit der Supply Chain ist die Identifikation von Wirkzusammenhängen, die sich in den logistischen Transaktionen spiegeln. Aufgrund der unüberschaubaren Datenmenge kann die Entdeckung von komplexen Wirkzusammenhängen nicht manuell erfolgen. Die Dissertationsschrift stellt eine Methode zur Entdeckung von Wissen, wie beispielsweise den Wirkzusammenhängen, vor und diskutiert die Berücksichtigung von Kontextwissen in den einzelnen Vorgehensmodellphasen. Ein Schwerpunkt der entwickelten
Methode ist die Integration einer modellbegleitenden Verifikation und Validierung in ein Vorgehensmodell der Wissensentdeckung. Durch einen neuartigen Einsatz der Simulation erweitert die Arbeit zudem die existierenden Verifikationsmöglichkeiten des Knowledge Discovery in Databases. Um einen Einsatz des Modells auch bei unzureichender Datenlage zu ermöglichen werden abschließend Konzepte des Data Farmings als Methodenelement eingeführt. Die praktische Anwendbarkeit der in dieser Arbeit entwickelten Methode wird anhand von Transaktionsdaten eines Elektronikkleingeräteherstellers sowie einem Data-Farming-Modell demonstriert.