htw saar Piktogramm QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

Daten- und KI-gestütztes Supply Chain Management

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Daten- und KI-gestütztes Supply Chain Management
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Marketing Science, Master, ASPO 01.04.2016
Code: MAMS-588
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
4VF (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
6
Studiensemester: laut Wahlpflichtliste
Pflichtfach: nein
Arbeitssprache:
Deutsch
Prüfungsart:
Klausur + Präsentation

[letzte Änderung 24.01.2024]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

MAMS-588 Marketing Science, Master, ASPO 01.04.2016 , Wahlpflichtfach
MASCM-588 (P420-0550, P420-0551) Supply Chain Management, Master, ASPO 01.04.2017 , Wahlpflichtfach
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 6 Creditpoints 180 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 135 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr. Thomas Korne
Dozent/innen: Prof. Dr. Thomas Korne

[letzte Änderung 19.04.2024]
Lernziele:
Die Studierenden sind am Ende der Veranstaltung in der Lage,
 
TEIL KI – Künstliche Intelligenz
- aktuelle Herausforderungen und Trends in der Supply Chain, insbesondere im Bereich der Planung, zu VERSTEHEN.
- verschiedene Formen von Data Science und KI zu IDENTIFIZIEREN und so zu KLASSIFIZIEREN, dass diese den Planungsaufgaben in der Supply Chain ZUGEORDNET werden können.
- die Bedeutung von Datenqualität und -quantität sowie die Notwendigkeit von Geschäftsprozessen und Systemen, die solche Daten liefern können, EINZUSCHÄTZEN und an praktischen Beispielen zu BEWERTEN.
- eine Methodik zur Identifikation, Beschreibung und Bewertung von KI-Anwendungsfällen in der Supply Chain ANWENDEN
 
TEIL BI - Business Intelligence
- komplexere Daten mit Bezug zur Logistik oder zum SCM auf Basis einer Big Data Software ANALYSIEREN, um aus der Verknüpfung der Datensätze eine Beziehung zwischen sichtbaren Problemen und möglichen Ursachen herzustellen,
- Daten von Prozessen mit Bezug zur Logistik oder zum SCM mit Hilfe einer Big Data Software zu EVALUIEREN, um typische Entscheidungen abzuleiten,
- durch geeignete Zusammenstellung von periodisch erzeugten Daten mit einer geeigneten Software ein Steuerungswerkzeug für logistische Abläufen ERSCHAFFEN,
- zukünftig zu erwartende und heute bereits realisierbare Potenziale der Digitalisierung und Gen KI zur zukünftigen Optimierung von Abläufen in Logistik und SCM VERSTEHEN.


[letzte Änderung 24.01.2024]
Inhalt:
TEIL KI – Künstliche Intelligenz
- Überblick über KI im Supply Chain Management: Einführung in die Schlüsselkonzepte der KI und ihre Anwendung im Kontext der Supply Chain.
- Trends und Herausforderungen: Diskussion aktueller Trends und Herausforderungen in der Supply Chain Planung und wie sie mittels KI adressiert werden können.
- Data Science und KI-Lösungen: Betrachtung verschiedener KI- und Data Science-Technologien und deren Eignung für spezifische Herausforderungen in der Supply Chain.
- Voraussetzungen für den erfolgreichen Einsatz von KI: Untersuchung der erforderlichen Datenqualität und -quantität sowie der notwendigen Geschäftsprozesse und Systeme.
- Methodik zur Identifikation von KI-Anwendungsfällen: Vermittlung eines strukturierten Ansatzes zur Identifikation, Beschreibung und Bewertung von KI-Anwendungsfällen in der Supply Chain.
- Praktische Fallstudie: Anwendung des Gelernten auf ein konkretes Fallbeispiel unter Verwendung von Beispieldaten.
 
TEIL BI - Business Intelligence
- Einarbeitung in grundlegende und einfache analytische Funktionen von Power-BI über Schulungsvideos und über eine gemeinsam am PC durchgeführte Fallstudie,
- Integration von komplexeren (mehr als 2) Datensätzen aus Logistik und SCM in Power BI in Gruppenarbeit anhand einer weiteren Fallstudie mit dem Ziel, komplexere Ursache-Wirkungs-Zusammenhänge in Power BI durch Visualisierungstools und einfache Analysetools zu erkennen,
- Aufbau eines Dashboards und eines automatisierten Berichts in Power-BI als Kontroll- und Steuerungsinstrument zur Vermeidung/Optimierung der betrachteten logistischen Abläufe der Fallstudie,
- Präsentation der erzielten Ergebnisse durch die Studierenden unter Nutzung von Power BI

[letzte Änderung 24.01.2024]
Weitere Lehrmethoden und Medien:
Vorlesung, Lernvideos, Fallstudie, Arbeit am PC, Präsentation von erstellten Ergebnissen, Einsatz von Teams, Miro-Boards und ähnlichen Tools für interaktive und kollaborative Online-Workshops.

[letzte Änderung 24.01.2024]
Literatur:
- Zwingmann, T. (2022). AI-Powered Business Intelligence. Boston: O‘Reilly.
- Southekal, P. (2022). Data Quality. Hoboken, NJ: Wiley.
- Vandeput, N. (2023). Demand Forecasting Best Practices. Shelter Island, NY: Manning.
- Cecere, L. M. (2015). Supply Chain Metrics That Matter. Hoboken, NJ: Wiley.
- Sheffi, Y. (2023). The Magic Conveyor Belt – Supply Chains, A.I. and the Future of Work. Cambridge, MA: MIT CTL Media.
- Gruhn, V., & von Hayn, A. (2020). KI verändert die Spielregeln. München: Hanser.
- 33a.ai. (2022) AI Design Sprint: Process Automation. Abgerufen 22.01.24 von https://www.33a.ai
- Clark, T. (2017). Business Models für Teams. Frankfurt a. M.: Campus.


[letzte Änderung 24.01.2024]
 
[Fri Dec 27 01:51:16 CET 2024, CKEY=sdukscm, BKEY=msm2, CID=MAMS-588, LANGUAGE=de, DATE=27.12.2024]