ASIM Publikationsstrategie

ASIM verfolgt bei allen Publikation eine Open Access-Stategie für die Basisversionen ('OA'-Versions); für Tagungsteilnehmer und Autoren von Tagungsbeiträgen (und für ASIM-Mitglieder) steht eine erweiterte Version ('RA'-Version; Color, highres, zusätzliche Dateien wie Vortragsfolien, ...) nach Login zur Verfügung.

ASIM SST 2022 Tagungsteilnehmer (und Autoren von Beiträgen) erhalten den Login für die erweiterte Version via E-Mail (Login-Fenster siehe oben), gültig bis Ende September. 
Allgemein sind alle ASIM SST-Tagungsbände zu finden unter www.asim-gi.org/publikationen/asim-sst-tagungsbaende

ASIM SST 2022 Proceedings

ASIM SST 2022 publiziert die Tagungsbeiträge in zwei Proceedings-Bänden, als e-Proceedings und als Print-Proceedings:

  • Proceedings Kurzbeiträge ASIM SST 2022, ARGESIM Report 19, ASIM Mitteilung 179
    ISBN ebook 978-3-901608-96-4, DOI: 10.11128/arep.19, ARGESIM Verlag,
    ISBN print 978-3-901608-73-5, ARGESIM Verlag
    Die Kurzbeiträge sind in einem Band mit DOI zusammengefasst (DOI: 10.11128/arep.19). Print-Bände stehen in begrenzter Zahl den Tagungsteilnehmern zur Verfügung.

  • Proceedings Langbeiträge ASIM SST 2022, ARGESIM Report 20, ASIM Mitteilung 180
    ISBN ebook 978-3-901608-97-1,  DOI 10.11128/arep.20, ARGESIM Verlag,
    ISBN print 978-3-903311-19-0, TU Verlag, Print on Demand
    Die Langbeiträge haben alle eine eigene DOI (10.11128/arep.20.a20nn, nn submission number), ebenso der e-Band (DOI 10.11128/arep.20). 
    Print-Bände stehen in begrenzter Zahl den Tagungsteilnehmern zur Verfügung, bzw sind vom TU-Verlag via Print on Demand erhältlich. Vortragsfolien bei den Einzel-Beiträgen.

Einzel-Langbeiträge

DISPO 4.0 - Simulationsgestützte Absatzprognoseoptimierung in der Investitionsgüterindustrie

ARGESIM Report 20 (ISBN 978-3-901608-97-1), p 73-80, DOI: 10.11128/arep.20.a2017

Abstract

This paper presents a demand forecasting approach that automatically selects optimal article specific forecasting methods and optimizes the method parameters, using deterministic simulation and a Genetic Algorithm (GA). For an efficient demand forecast, choosing the best forecasting method based on the item-specific historical requirements time series is key. The optimization of the forecast parameters is also crucial for efficient demand planning. Both decisions lack digital method support, leading to suboptimal forecasts in practice and thus inefficient material requirements planning. This paper investigates the optimization potential of an automatically optimizing forecasting approach, featuring a simulation-based comparison of six standard forecasting methods, evaluated using a case-study from the capital goods industry. The methodological core of the optimization is a GA, which improves the underlying, method-specific forecast parameters. The simulation-based optimization provides a rolling-horizon demand forecast for each item, and is determined through the application of a rule-based heuristic. The results show a significantly improvement potential through this form of efficient item-specific demand planning.