TY - THES

T1 - Vorhersage der Verpackungsgröße einer Lieferung in einem E-Commerce-Unternehmen mittels Machine Learning

AU - Heininger, Michael

N1 - gesperrt bis null

PY - 2021

Y1 - 2021

N2 - In einem E-Commerce-Unternehmen ist der Verpackungsprozess ein wesentlicher Bestandteil des Liefervorgangs. Wird dem Lagerarbeiter während dieses Prozesses die entsprechende Verpackungsgröße bereits vorgeschlagen, kann dadurch Zeit gespart werden. Diese Masterarbeit wurde in Zusammenarbeit mit dem Unternehmen niceshops GmbH verfasst, welches Onlineshops in verschiedenen Produktsegmenten entwickelt. Ziel dieser Arbeit ist es zu untersuchen, ob es möglich ist, die Verpackungsgröße einer Lieferung mit einem Machine-Learning-Modell anhand der Daten historischer Lieferungen vorherzusagen. Es wurden die relevanten Daten für die Vorhersage analysiert und für jeden Onlineshop Modelle zur Vorhersage mit verschiedenen Algorithmen wie zum Beispiel k-nächste-Nachbarn, Random Forest oder Backpropagation trainiert und evaluiert. Die Genauigkeit der Vorhersagen dieser Modelle variiert von Shop zu Shop. Dies ist auf die unterschiedliche Produktvielfalt der Shops sowie auf die Datenqualität bei der Auswahl der richtigen Verpackungsgröße in früheren Lieferungen zurückzuführen. Insgesamt lieferte der Random-Forest-Algorithmus die besten Resultate. Ein entsprechendes Modell wurde in einem Shop in den Verpackungsprozess integriert und wird dazu verwendet, dem Lagerarbeiter eine aus über 40 verschiedenen Verpackungsgrößen vorzuschlagen.

AB - In einem E-Commerce-Unternehmen ist der Verpackungsprozess ein wesentlicher Bestandteil des Liefervorgangs. Wird dem Lagerarbeiter während dieses Prozesses die entsprechende Verpackungsgröße bereits vorgeschlagen, kann dadurch Zeit gespart werden. Diese Masterarbeit wurde in Zusammenarbeit mit dem Unternehmen niceshops GmbH verfasst, welches Onlineshops in verschiedenen Produktsegmenten entwickelt. Ziel dieser Arbeit ist es zu untersuchen, ob es möglich ist, die Verpackungsgröße einer Lieferung mit einem Machine-Learning-Modell anhand der Daten historischer Lieferungen vorherzusagen. Es wurden die relevanten Daten für die Vorhersage analysiert und für jeden Onlineshop Modelle zur Vorhersage mit verschiedenen Algorithmen wie zum Beispiel k-nächste-Nachbarn, Random Forest oder Backpropagation trainiert und evaluiert. Die Genauigkeit der Vorhersagen dieser Modelle variiert von Shop zu Shop. Dies ist auf die unterschiedliche Produktvielfalt der Shops sowie auf die Datenqualität bei der Auswahl der richtigen Verpackungsgröße in früheren Lieferungen zurückzuführen. Insgesamt lieferte der Random-Forest-Algorithmus die besten Resultate. Ein entsprechendes Modell wurde in einem Shop in den Verpackungsprozess integriert und wird dazu verwendet, dem Lagerarbeiter eine aus über 40 verschiedenen Verpackungsgrößen vorzuschlagen.

KW - e-commerce

KW - machine learning

KW - prediction

KW - packaging size

KW - packaging process

KW - E-Commerce

KW - Machine Learning

KW - Vorhersage

KW - Verpackungsgröße

KW - Verpackungsprozess

M3 - Masterarbeit

ER -