Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS
Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS

Dr. Ursula Neumann

Alle ausklappen Alle einklappen

Die Liste der Data Science Anwendungen – und Herausforderungen – entlang der Supply Chain ist endlos. Es wird erwartet, dass einige der vielversprechendsten Anwendungen viele Funktionen der Lieferkette verändern werden, darunter Bedarfsprognosen, Vertrieb, Produktionsfehleranalysen und Preisgestaltung.

Zu den Anwendungen zählen beispielsweise prädiktive und präskriptive Analysen, mithilfe derer die Genauigkeit der Nachfrageprognose verbessert werden kann, indem fortschrittliche Prognosealgorithmen verwendet werden. Präzisere Prognosen der Endlagerungsbedarfe im Aftersales-Bereich zahlen auf die ökologische Nachhaltigkeit eines Unternehmens ein. Ebenso wie eine ressourcenschonende Produktion durch prädiktive und erklärbare Produktionsfehleranalysen, die zusätzlich viele Einsparungen aufgrund verbesserter Produktionsqualität und geringerer Verschrottungsraten erzielt. Durch Preisprognosen wiederum werden Unternehmen Werkzeuge an die Hand gegeben, um auf das Marktverhalten zu reagieren und enorme Einsparungen im Einkauf zu erzielen.

Deshalb arbeitet Dr. Ursula Neumann, Leiterin der Gruppe »Data Science« mit ihrem Team an der Anpassung bestehender und der Entwicklung neuer Prognoseverfahren, um damit Mehrwerte in Logistik, Handel und Produktion zu heben und die Nachhaltigkeit für die digitalisierte Supply Chain zu fördern. 

Forschungsschwerpunkte:

  • Bedarfsprogosen
    • Transportvolumenprognose
    • Inventory Management
    • Lebenszyklusprognosen/ All-time Demand von Ersatzteilen oder Komponenten
    • Energy Demand Forecasting
  • Rohstoffpreisprognosen
  • Quantifizierung von Prognoseunsicherheiten
  • Erklärbare Produktionsfehleranalysen
  • Ökologische und soziale Nachhaltigkeit durch Prognose-Anwendungen und ressourcenschonende KI

Kompetenzen der Gruppe Data Science:

  • Feature Engineering/Selection
  • Time Series Forecasting
    • klassische statistische Modelle
    • Hierarchical Time Series Forecasting
    • Neuronale Netze
    • BayesianischeModelle
  • Classification (z. B. Tree-Based Models)
  • Quantifizierung von Prognoseunsicherheiten
  • Clustering
  • Root-Cause-Analysis (probabilistische Modelle)
  • KI-Ops-Architekturen
  • Quantum Machine Learning

seit 2021
Forschungsfeldverantwortliche für das Forschungsfeld »Nachhaltigkeit in der digitalen Supply Chain«

seit 2020
Gruppenleiterin der Gruppe »Data Science« in der Abteilung »Analytics« der Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS

2019 bis 2020
Wissenschaftliche Mitarbeiterin in der Gruppe »Data Science & Optimization« der Abteilung »Analytics« der Fraunhofer-Arbeitsgruppe für Supply Chain Services SCS

20017 bis 2019
Postdoc an der Philipps-Universität Marburg

2014 bis 2017
Promotion in Bioinformatik, TU München

2013
Universität Regensburg, M.Sc. in Mathematik

Publikationen:

Mera-Gaona, M., López, D. M., Vargas-Canas, R., & Neumann, U. (2021). Framework for the Ensemble of Feature Selection Methods. Applied Sciences, 11(17), 8122.

Mera-Gaona, M., Neumann, U., Vargas-Canas, R., & López, D. M. (2021). Evaluating the impact of multivariate imputation by MICE in feature selection. Plos one, 16(7), e0254720.

Löhnert, M., Neumann, U. 6 Schieder, C. (2020). Lageroptimierung von Vendor-Managed-Inventories - Datenaufbereitung für Advanced Analytics. BI Spektrum, 4/2020

Neumann, B., Angstwurm, K., Mergenthaler, P., Kohler, S., Schönenberger, S., Bösel, J., …, Neumann, U., ... & German Myasthenic Crisis Study Group. (2020). Myasthenic crisis demanding mechanical ventilation: a multicenter analysis of 250 cases. Neurology, 94(3), e299-e313.

Neumann, U., Genze, N., & Heider, D. (2017). EFS: an ensemble feature selection tool implemented as R-package and web-application. BioData mining, 10(1), 1-9.

Neumann, U., Riemenschneider, M., Sowa, J. P., Baars, T., Kälsch, J., Canbay, A., & Heider, D. (2016). Compensation of feature selection biases accompanied with improved predictive performance for binary classification by using a novel ensemble feature selection approach. BioData mining, 9(1), 1-14.

Baars, T., Neumann, U., Jinawy, M., Hendricks, S., Sowa, J. P., Kälsch, J., ... & Canbay, A. (2016). In acute myocardial infarction liver parameters are associated with stenosis diameter. Medicine, 95(6).