Interpretable Machine Learning in Procurement: Analysis and Modeling of Sourcing Decisions using Decision Trees

Diese Bachelorarbeit im industriellen Kontext (Robert Bosch GmbH) untersucht, wie sich Sourcing Decisions (SD) mittels interpretierbarer Modelle automatisieren lassen – mit Möglichkeit zur menschlichen Intervention. Zum Einsatz kommen klassifikationsbasierte Entscheidungsbäume (Decision Trees, DT), deren Struktur und Vorhersagen nachvollziehbar bleiben sollen.

Vorgehen: Entsprechend des Data-Science-Workflows werden Rohdaten analysiert, bereinigt und aufbereitet (u. a. Umgang mit fehlenden/fehlerhaften Werten). Aus bestehenden Merkmalen werden neue Features abgeleitet, kategoriale Merkmale numerisch kodiert und numerische Merkmale in den Bereich −1 bis 1 skaliert. Das Zielmerkmal wird linear in fünf Klassen gebinnt, die das Modell später vorhersagt.

Train/Test-Split: Der verarbeitete Datensatz wird in Trainings- und Testmenge aufgeteilt; die Klassenverteilungen der Teilmengen entsprechen derjenigen des Gesamtdatensatzes und gelten damit als repräsentativ.

Hyperparameter-Tuning: Per Gridsearch werden verschiedene Setups verglichen; das gini-Kriterium zeigt die besten mittleren Genauigkeiten. Die Analyse der Genauigkeiten über der Baumtiefe weist ab Tiefe 8 eine zunehmende Überanpassung aus, weshalb eine maximale Tiefe von 7 als optimal gewertet wird. Domänenexperten bestätigen, dass das resultierende Modell für „normale“ Fälle gut geeignet ist; für Spezialfälle fehlen teils relevante Informationen oder deren Nutzung im Modell.

Vergleich zu anderen ML-Ansätzen: Regressions-Entscheidungsbäume und Random-Forest-Modelle liefern leicht höhere Genauigkeiten; der Zugewinn rechtfertigt jedoch nicht den Verzicht auf die Einfachheit und Interpretierbarkeit der Klassifikations-DTs.

Fazit: Die Modellierung von Sourcing Decisions mit den vorliegenden Daten und ML ist grundsätzlich möglich. Das Modell meistert Standardszenarien, während besondere Fälle zusätzliche Merkmale bzw. Regeln erfordern.

Kolloquium: 09.09.2025

Betreuer: Prof. Dr. Emanuel Kitzelmann, Technische Hochschule Brandenburg; Marc-Alexander Frey, Robert Bosch GmbH

Download: A1-Poster