Data Analytics & Machine Learning for Supply Chain Analytics with Python

Supply Chain ist eines der datenreichsten Geschäftsfelder — von Bestellungen über Lager-Bewegungen bis Liefer-Zeiten fallen Millionen Datenpunkte an. Wer diese mit Datenanalyse und ML auswertet, kann Bestände reduzieren, Lieferzeiten verkürzen und Kosten sparen. Dieser Kurs vermittelt die Anwendung von Data Science im Supply-Chain-Kontext. Block Supply-Chain-Grundlagen: SCOR-Modell (Plan, Source, Make, Deliver, Return, Enable), Bullwhip-Effekt, Just-In-Time vs. Just-In-Case, Lieferanten-Risiko-Management, Supply Chain 4.0 (Digitalisierung), KPIs (OTIF = On-Time-In-Full, Inventory Turnover, Cash-to-Cash Cycle Time). Block Datenquellen in Supply Chains: ERP-Systeme (SAP, Oracle, Dynamics) für Bestellungen, Aufträge, Lager-Bestände, Warehouse Management Systems (WMS), Transportation Management Systems (TMS), Lieferanten-Portale, IoT-Sensoren (Temperatur, Vibration, Standort), externe Daten (Wetter, Verkehr, makroökonomische Indikatoren). Block Daten-Vorbereitung: Heterogene Quellen integrieren, Cleaning (Inkonsistente Artikelnummern, fehlende Lieferdaten, Duplikate), Aggregation (Tagessummen, Wochensummen, ABC-XYZ-Analyse für Artikel-Klassifizierung). Block Demand Forecasting: Time-Series-Analyse (ARIMA, ETS = Exponential Smoothing, Prophet von Facebook, LSTM für komplexe Muster), Saisonalität und Trend-Erkennung, externer Faktoren-Einfluss (Wetter, Events, Marketing-Aktionen), Hierarchisches Forecasting (Filiale → Region → Land). Block Inventory Optimization: Sicherheitsbestand-Berechnung (Service-Level vs. Bestände), Economic Order Quantity (EOQ), ABC-Analyse für Priorisierung, Multi-Echelon Optimization (mehrstufige Lager). Block Routing und Logistik: Vehicle Routing Problem (VRP) Grundlagen, Traveling Salesman Problem, Heuristiken (Nearest Neighbor, Savings Algorithm), Open-Source-Tools (Google OR-Tools), Last-Mile-Optimierung. Block Lieferanten-Analytics: Lieferanten-Performance-Scoring (Lieferqualität, Lieferpünktlichkeit, Preis-Trend), Risiko-Bewertung (Single-Source-Risiken, geografische Konzentration), Anomalie-Erkennung (ungewöhnliche Lieferzeiten als Frühwarn-Indikator). Block Praktische Tools mit Python: Pandas für Daten-Manipulation, statsmodels und Prophet für Forecasting, scikit-learn für Klassifikation/Regression, Plotly für interaktive Dashboards, networkx für Supply-Chain-Netzwerk-Analysen.