einleitung.tex

Vermeiden Sie hier Formulierungen wie \textit{Auf Grund des immer weiter wachsenden Paketvolumens im Onlinehandel und der begrenzt zur Verfügung stehenden Grundstücksflächen müssen Hochregallager immer höher ausgeführt werden}. Diese Formulierung ist nicht nur falsch, sondern auch nichtssagend. Stellen Sie die Motivation Ihrer Arbeit nachvollziehbar dar, ohne sich zu Übertreibungen hinreißen zu lassen.

\color{gray}
Die zu erwartende Nachfrage nach bestimmten Produkten oder Dienstleistungen zu prognostizieren, ist eine der wichtigsten Zielstellungen eines Unternehmens \parencite[\acs{vgl}][6697]{Efendigil2009}, essenziell für die Unternehmensplanung \parencite[\acs{vgl}][6]{Ord2012} und Teil einer modernen \ac{bi} \parencite[\aca{vgl}][1]{Pavlyshenko2019}. Daher existiert eine Vielzahl unterschiedlicher Verfahren, deren Auswahl und Anwendung zumeist spezielle Ressourcen wie mathematische Expert:innen erfordert \parencite[\acs{vgl}][341]{Janetzke2012}, da es sich nicht selten um komplexe Problemstellungen handelt \parencite[\acs{vgl}][1]{Pavlyshenko2019}. Insbesondere \ac{sme} können jedoch die notwendigen Ressourcen oft nicht bereitstellen, weshalb eine Automatisierung dazu beitragen kann, das Nutzer:innenspektrum zu vergrößern \parencite[\acs{vgl}][341]{Janetzke2012}. Diese Automatisierung wird heutzutage durch eine Fülle an frei zugänglichen Open-Source-Softwarebibliotheken erleichtert \parencite[\acs{vgl}][1]{Loening2019}. Während die Implementierung konventioneller statistischer Prognoseverfahren wie der exponentiellen Glättung, \acs{arima} und naiver Methoden, die heutzutage mittels dieser Bibliotheken vergleichsweise einfach umzusetzen ist, jedoch erhebliche Nachteile mit sich bringt, hat sich in einigen Fällen gezeigt, dass Methoden des \acf{ML} bessere Ergebnisse erzielen sowie sich als einfacher in der Anwendung und damit als insgesamt geeigneter erweisen \parencites[\acs{vgl}][3-4]{Brownlee2018}[1-2]{Pavlyshenko2019}. Eine Verallgemeinerung kann diesbezüglich jedoch nicht vorgenommen werden, da es häufig an Signifikanz oder Übertragbarkeit mangelt sowie kein Vergleich zwischen verschiedenen Verfahren gezogen wird und damit die aktuelle Studienlage zu wenig objektive Evidenz liefert \parencite[\acs{vgl}][1-2]{Makridakis2018}. So kommen beispielsweise \textcite{Makridakis2018} in einer umfassenden Studie zu dem Schluss, dass konventionelle statistische Verfahren bessere Ergebnisse als vergleichbare \acs{ML}-Methoden liefern. Dabei wird jedoch nicht der Einfluss berücksichtigt, den externe Größen auf die zu prognostizierende Größe haben könnten. Weiterhin zeigt \textcite{Pavlyshenko2019}, dass \ac{ML}-Methoden zwar unter Berücksichtigung externer Größen annehmbare Ergebnisse erzielen, jedoch beschränkt sich seine Studie auf die Branche des Einzelhandels und es wird kein Vergleich mit konventionellen Prognoseverfahren angestellt. Ähnlich verhält es sich in der Studie von \textcite{Sohrabpour2021}. Im Rahmen dieser Arbeit soll daher in Hinblick auf einen spezifischen Anwendungsfall untersucht werden, inwiefern sich \acs{ML} für die Transportmengenprognose eines mitteleuropäischen Speditionsdienstleisters eignet. Da eine derartige Automatisierung mit zu geringer Transparenz in der Praxis allerdings zu einem Akzeptanz-Problem führen kann \parencite[\acs{vgl}][341]{Janetzke2012}, soll zusätzlich aufgezeigt werden, wie die erhaltene Prognose zustande kommt, respektive welche Größen herangezogen werden und wie groß der jeweilige Einfluss ist.

Es ergeben sich die folgenden Forschungsfragen:

\begin{enumerate}
    \item Können Machine-Learning-Methoden in Hinblick auf das Fallbeispiel eine bessere Prognosegüte als konventionelle Prognosemethoden gewährleisten?
    \item Welche Einflussfaktoren lassen sich zu welchem Grad anhand einer Machine-Learning-Prognose im Fallbeispiel als relevant identifizieren?
\end{enumerate}

    
\subsection{Fallbeispiel}
\label{fallbeispiel}

    Das Fallbeispiel wird im Rahmen dieser Arbeit durch die \textit{Elbe-Spedition Else Spahn GmbH} in Dresden dargestellt, welche das größte Unternehmen der \textit{Deutsche Tansport}-Gruppe verkörpert. \textit{Deutsche Transport} ist einer der führenden Logistikunternehmen Europas, beschäftigt über 5200 Mitarbeitende in sechs Ländern Europas und bewegt jährlich über 2.5 Mio. Tonnen per Straße, Schiene, zur Wasser und in der Luft. Die \textit{Elbe-Spedition Else Spahn GmbH} ist auf die Transport per Bahn und Lkw spezialisiert und erzielte damit im Geschäftsjahr 2020 einen Umsatz von 471.2 Mio. Euro \parencite[][]{bundesanzeiger}. Das Produktportfolio umfasst sowohl ad-hoc-Sendungen wieals auch wiederkehrende Transport wie Werksverkehre.

\color{black}