Kostenschätzung individueller Produkte mittels maschinellen Lernens

Kundenindividuelle Produkte haben in den letzten Jahrzehnten an wirtschaftlicher Bedeutung gewonnen. Damit einher geht eine gestiegene Relevanz frühzeitig verfügbarer und verlässlicher Kostenabschätzungen in der Entwicklungs- und Angebotsphase. Gleichzeitig scheint die Relevanz traditioneller Vor- und Angebotskalkulationen jedoch in Forschung und Praxis eher abgenommen zu haben.
Digitalisierung und Methoden der Künstlichen Intelligenz bieten auch dem betrieblichen Rechnungswesen neue Möglichkeiten, die jedoch aktuell im Controlling vorherrschend zur Verbesserung von Umsatz- / Budgetprognosen sowie für Reporting und Abweichungsanalysen eingesetzt werden. Über die Verwendung zur Kostenprognose ist bislang kaum etwas bekannt.
Dieser Forschungsbeitrag klärt mittels einer Literaturanalyse, inwieweit Methoden der Künstlichen Intelligenz, speziell des maschinellen Lernens, die Kostenprognose in der Entwicklungs- und Angebotsphase individueller Projekte qualitativ verbessern können. Weiterhin wird untersucht, welche praktische Relevanz solche Methoden bereits besitzen und ggf. welche Hindernisse deren Verwendung im Wege stehen könnten.

Inhaltsverzeichnis

1 Thematische Einführung
1.1 KI und (Managerial) Accounting
1.2 Kostenschätzung bei individuellen Produkten
1.3 Forschungsfragen

2 Stand der Forschung
2.1 Literaturauswahl
2.2 Kostenschätzung
2.2.1 Kalkulationsaufgaben und - varianten
2.2.2 Methoden der Kostenschätzung
2.2.3 ML und Kostenschätzung
2.2.4 Implementierung

3 Fazit und Ausblick

4 Literaturverzeichnis

Abkurzungsverzeichnis

AI Artificial Intelligence

ANN Artifical Neural Network

CNN Convolutional Neural Networks

DT Decision Tree

FA Financial Accounting

FPI Feature Permutation Importance

GBM Gradient Boosting Machine

GBR Gradient Boosted Regression

GBT Gradient Boosted Tree

kNN k-Nearest-Neighbors

LR Linear Regression

MA Managerial / Management Accounting

ML Machine Learning

PCA Hauptkomponentenanalyse

RF Random Forest

RPA Robotic Process Automation

SVM Support Vector Machine

SVR Support Vector Regression

XAI Explainable AI

1 Thematische Einführung

1.1 KI und (Managerial) Accounting

In Folge der Digitalisierung ist Künstliche Intelligenz (Artificial Intelligence (AI)) inzwischen in allen Lebensbereichen angekommen; so auch im Rechnungswesen. Allerdings zeigen sich dabei Unterschiede zwischen dem externen Rechnungswesen (financial accounting (FA)) und dem internen Rechnungswesen (managerial / management accounting (MA)).¹

Die Mehrheit der wissenschaftlichen Beiträge zu Methodik als auch der praktischen Anwendungen künstlicher Intelligenz im Rechnungswesen ist dem FA zuzuordnen. Dies beginnt mit der Verwendung von Robotic Process Automation (RPA) in der Finanzbuchhaltung und geht über die Erstellung von Buchungsbelegen, die Bestimmung der Höhe notwendiger Rückstellungen bis zu Prüfungshandlungen durch Wirtschaftsprüfer. Häufig wird erwartet (und zum Teil bereits konstatiert), dass AI einen großen Teil des externen Rechnungswesens beeinflussen wird.

Im MA gibt es im Vergleich dazu in Wissenschaft und Praxis deutlich weniger Anwendungen (Nielsen 2022, S. 811, 830, 841-844, Fernández-Revuelta Pérez und Romero Blasco 2022, S. 46-47).² Gleichwohl ist auch dieser Bereich inzwischen Gegenstand etlicher Forschungsarbeiten (Lombardi et al. 2021, S. 26). Es gibt Überlegungen, dass die Auswirkungen der Digitalisierung auf Aufgaben und Prozesse des Controllings unterschiedlich stark sein werden (Kirchberg und Müller 2017, S. 44; Langmann 2019, S. 11). Ressourcenintensive Prozesse werden durch Automation und Instrumente wie RPA stärker betroffen sein als andere (Fähndrich 2023, S. 34, Rathje und Zink 2022).

Eine Unterscheidung der zu erwartenden Veränderungen im Controlling aufgrund von Digitalisierung einerseits und AI anderseits ist sicherlich schwierig, da vielfach Überlappungen zu erwarten sind bzw. die zunehmende Datenverfügbarkeit aufgrund der Digitalisierung eine Voraussetzung für die Anwendung von AI ist.

Aber die Verwendung von Methoden der KI als Teil von Business Analytics wird nochmals eine weitergehende Veränderung bewirken als die Automatisierung der Prozesse allein (Heimel und Müller 2019, S. 398).

Möglicherweise zeigt sich der Einfluss von AI auf das Managerial Accounting im Vergleich zum Financial Accounting nur zeitverzögert. Die (vermutlich noch ansteigende) Datenverfügbarkeit und zunehmende Diversität der Datentypen ermöglichen vielfältige Forschungs- und Anwendungsgelegenheiten für MA (Mahlendorf et al. 2023, S. 570-571; Ranta et al. 2023, S. 607). Auch sollte die Qualität der Arbeitsergebnisse im Controlling sich durch AI verbessern sowie die Erfüllung der Business-Partner-Funktion erleichtert werden (Boerner et al. 2024).

Aktuell fokussieren Anwendungen von AI im Managerial Accounting insbesondere auf Planungs- und Reportingaufgaben (Bergmann et al. 2021; Oehler 2024); darunter oft Schätzungen von Umsatz-, Gewinn- oder Kostenarten (z.B.: Deipenbrock et al. 2019; Jäkel und Muntermann 2023; Kocherhans et al. 2023; Sanders et al. 2021; Satzger et al. 2018; Wagner et al. 2023). Diese Anwendungen gelten als idealer praktischer Einstieg, sind traditionellen Verfahren qualitativ oft überlegen und bieten auch eine gute Basis für Budgetierungsprozesse (Weißenberger 2021, S. 12,14). Auch die Zufriedenheit mit den Ergebnissen der Budgetierung scheint mit der Verwendung von AI zu steigen (Günther et al. S. 11).

Es gibt aber auch Stimmen, nach denen AI im Bereich Budgetierung bzw. Planung aufgrund der Komplexität der Aufgabenstellung vermutlich nur begrenzt eingesetzt werden könnte (Losbichler und Lehner 2021, S. 377) bzw. die Planung nicht auf die reine Prognose reduziert werden dürfe (Rieg 2018).

Während erwartet wird, dass die Automation den Prozess der Kostenrechnung in Hinblick auf die benötigen Ressourcen (Zeit, Personal...) stark verändern werden, gibt es bezüglich inhaltlicher Veränderungen fast keine Aussagen. Allerdings wird konstatiert, dass solche nicht zuletzt durch die Digitalisierung der Geschäftsmodelle (nicht der -prozesse) erforderlich sein werden (Weber 2018a, S. 12-13; Weber 2022). Eine bemerkenswerte Ausnahme ist die Überlegung, dass durch den Einsatz von AI die Riebelsche Einzelkostenrechnung an praktischer Bedeutung gewinnen könnte (Flämmer und Menze 2023).

1.2 Kostenschätzung bei individuellen Produkten

Bereits während der Entwicklung neuer Produkte sind Kosteninformationen notwendig, insbesondere für die Beurteilung bzw. Optimierung der Wirtschaftlichkeit der Neuprodukte oder als Grundlage für Richtpreise oder andere Angebote (Klocker et al. 2023, S. 88). Konsequenzen fehlerhafter Schätzungen³ wären Auftrags- und Umsatzverluste oder unwirtschaftliche Erzeugnisse. Gleichzeitig müssen die Kostenprognosen wirtschaftlich erstellt werden. Nach Rudolph (2018, S. 22) wendet der deutsche Maschinenbau bis zu 2% seines Umsatzes für die Angebotskalkulation auf; gleichzeitig führen „nur 5 bis 10 % der abgegebenen Angebote zu Aufträgen“.

Die Bedeutung frühzeitiger Kostenschätzungen für die Wirtschaftlichkeit neuer Produkte wird in der Regel mit der hohen Beeinflussbarkeit von Kosten in den frühen Produktlebenszyklusphasen begründet. Ehrlenspiel et al. (2020, S. 16) sprechen von einem „Dilemma der Produktentwicklung“, das darin besteht, dass in den Entwicklungsphasen noch wenig über die Kosten bekannt ist, aber viel festgelegt wird, was nur sehr begrenzt wieder korrigiert werden kann.⁴ Erschwert wird die Aufgabe durch die häufig geringen Informationen über das neue Produkt zu diesem Zeitpunkt (Produktmerkmale, Fertigungsanforderungen.).

Durch die zunehmende Individualisierung der Kundenangebote hat sich der Bedarf an guten Kostenschätzungen erhöht. Dabei spielt es keine Rolle, ob es sich um Einzelanfertigungen oder im Kundenauftrag produzierte Massenfertigung (Engineered / Make / build to order), Projektierungen von Anlagen oder auch nur die zahlreicher werdenden Varianten bestehender Produkte handelt. Charakteristisch ist die Notwendigkeit, für neue Kundenangebote Kosten einschätzen zu können, deren Entwicklung zu diesem Zeitpunkt noch nicht abgeschlossen ist. Zukunftsfähigkeit der Kostenrechnung heißt hier, eine höhere Genauigkeit in der Kalkulation zu erreichen, ohne zu komplex zu werden (Weber 2022, S. 10).

Die Wissenschaft hat zahlreiche Methoden der Kostenschätzung entwickelt, die aber nur zu einem geringen Umfang in der Praxis verwendet werden (Altavilla et al. 2018, S. 1). Als Gründe werden u.a. vermutet: fehlende Genauigkeit, hoher Zeitaufwand, fehlender Detaillierungsgrad der Eingabeparameter und die mangelnde Übertragbarkeit auf neue Fälle (Bodendorf et al. 2019, S. 2) sowie die Vielzahl der verfügbaren Techniken und Ansätze, deren Unterschiede und Eigenheiten nicht so klar sind (Altavilla et al. 2018, S. 2-3).

Nach Knauer et al. (2012, S. 69) wird nur in knapp 30 % der deutschsprachigen Controlling-Lehrbücher auf Kostenschätzungsmodelle/-verfahren eingegangen; gewichtet mit dem Umfang der Darstellung landete dieses Thema auf den hinteren Plätzen unter 37 in die Auswertung einbezogenen Controllinginstrumenten.

1.3 Forschungsfragen

Die guten Ergebnisse, welche bei Verwendung von KI, insbesondere mittels ML, zur Prognose betriebswirtschaftlich relevanter Größen bereits erzielt werden, legen die Annahme nahe, dass auch die Prognose von Produktkosten verbessert werden könnte (Moll und Yigitbasioglu 2019, S. 14).

Diese Idee ist nicht neu. Bereits Bode (1998) hat die Vorteile von neuronalen Netzen bei der Kostenschätzung beschrieben. Verlinden et al. (2008) haben in einer Fallstudie Regressionsansätze und neuronale Netze verwendet, um die Herstellkosten (ohne Material) von Werkstücken der Blechumformung („sheet metal“) zu schätzen und dabei auf ältere Vorarbeiten aus den 1990-ern verwiesen. Sie haben aber auch berichtet, dass trotz der guten Ergebnisse die Kostenschätzer in der Praxis bei den traditionellen Ansätzen geblieben sind.

In der Softwareentwicklung oder bei Infrastrukturprojekten ist der Einsatz künstlicher Intelligenz zur frühzeitigen Kostenschätzung bereits als vorteilhaft erkannt und dokumentiert (Matel et al. 2022, S. 1275; Hennebold et al. 2022, S. 265266).⁵

Ein aktuelles praktisches Beispiel im verarbeitenden Gewerbe ist ein ML-Algorithmus zur Kostenschätzung einer Reihe von Baugruppen, den Caterpillar in einem Kaggle - Wettbewerb mit gutem Erfolg entwickeln ließ (Fernández- Revuelta Pérez und Romero Blasco 2022).

Allerdings sind solche Anwendungsbeispiele aus der Industrie eher die Ausnahme. Der Systematische Literature Review von Nti (2022) zur Anwendung von „AI in engineering and manufacturing“ identifizierte zwar 16 Beiträge bis einschließlich 2021, in denen „manufacturing monitoring, cost, and power consump- tion“ im Fokus stehen; darunter aber nur ein Beitrag zur Kostenschätzung. Auch der Literaturüberblick von Lombardi et al. (2021, S. 24) listet nur eine Arbeit auf, in der Kostenträgerstückkosten durch neuronale Netzwerke geschätzt werden.

Es stellen sich somit zumindest zwei Fragen:

- Welchen Beitrag zur V erbesserung von Kostenschätzung individueller Pro- dukte⁶ im verarbeitenden Gewerbe kann AI, insbesondere ML, leisten?
- Was sind die Gründe für eine bislang vergleichsweise geringe Verwendung solcher Verfahren im verarbeitenden Gewerbe?

Diese beiden Fragen sollen hier mittels einer Literaturrecherche beantwortet werden.

2 Stand der Forschung

2.1 Literaturauswahl

Die Literaturrecherche erfolgt zunächst über zwei Datenbankabfragen mittels nachfolgender Suchanfragen über EBSCO Host:

1. ((maschinelles Lernen) oder (künstliche Intelligenz) oder (KI) AND TX (Kostenrechnung) oder (Kalkulation) oder (Controlling) AND TX (Betriebswirtschaftslehre) oder (BWL))
2. SU (("machine learning") OR ("artificial intelligence") OR ("AI")) AND SU (("Manag* Accounting") OR ("Cost calculation") OR ("Cost estimation"))

Die Suche ist zeitlich begrenzt auf die Jahre 2015 bis 2024 und die an der HWR Berlin verfügbaren Datenbanken, darunter arXiv, Conference Proceedings, Business Source Ultimate, Bibliotheksverbund Bayern, Directory of Open Access Books, Directory of Open Access Journals, eArticle, eBook Collection (EBSCO- host), eBook Index, ECONIS, EconLit with Full Text, Emerald Insight, HoWeR, JSTOR Journals, ScienceDirect, Springer Nature eBooks, Springer Nature Journals, wiso (unvollständige Aufzählung).

Die erste Suchanfrage liefert 267, die zweite 164 Treffer.

Nach Bereinigung um Duplikate erfolgt eine erste Durchsicht der Abstracts und Schlagworte bei Zeitschriftenartikeln und Beiträgen in Sammelwerken oder Inhaltsangaben bzw. Inhaltsverzeichnisse bei Büchern. Dabei werden insbesondere Beiträge, die sich nicht mit der Fragestellung im produzierenden Gewerbe befassen, darunter viele aus dem Bereich „Construction“ and „Software Engineering“, entfernt und es verbleiben zunächst 40 Quellen. Diese werden durch eine Rückwärtssuche um 46 weitere Titel ergänzt, darunter viele ingenieurswissenschaftliche Publikationen inkl. Konferenzbeiträgen sowie einige wenige aus der Zeit vor 2015.

Einer der somit insgesamt berücksichtigten 86 Beiträgen ist Bodendorf et al. (2021),⁷ ein umfangreicher, systematischer Literaturüberblick erstellt unter Verwendung künstlicher Intelligenz, dessen Fragestellung als deckungsgleich zu der in dieser Arbeit angesehen werden kann und selbst 47 Artikel auswertet. Ursprünglich zielt dieser Literaturreview auf den Stand der ML-gestützten Kostenschätzung für Beschaffungsteile in der Automobilindustrie ab. Doch dieser enge Fokus musste aufgegeben werden (Verzicht auf die Branche, Verzicht auf Eignung für Preisverhandlungen). Die präsentierten Ergebnisse beruhen alle auf Beiträgen zur Kostenschätzungen im frühen Produktlebenszyklus (Bodendorf et al. 2021, S. 2) und somit der hier im Fokus stehenden Fragestellung.

Daher wird wie folgt fortgefahren: Der Stand der Literatur bis einschließlich 2020 wird anhand einer kurzen Zusammenfassung der genannten Literaturarbeit präsentiert (vgl. Kapitel 2.2.3.1).

Die Literatur ab 2021 wird danach im Kapitel 2.2.3.3 dargestellt und zum aktuellen Kenntnisstand zusammengefasst.

2.2 Kostenschätzung

2.2.1 Kalkulationsaufgaben und - varianten

Ziel einer Kalkulation ist es, die geplanten oder tatsächlichen (Selbst- oder Herstell-) Kosten eines Kostenträgers, z.B. einem Projekt, einem Auftrag oder einer Produktionseinheit, zu bestimmen. Die Kalkulation wird daher auch als Kostenträgerstückrechnung bezeichnet (Weber 2018b). Sie kann zu unterschiedlichen Zeitpunkten im Produktlebenszyklus für unterschiedliche Informationsbedarfe erstellt werden.

Nicht immer werden in der betriebswirtschaftlichen Standardliteratur Kalkulationsvarianten unterschieden (nicht zu verwechseln mit unterschiedlichen Kalkulationsverfahren oder - methoden). Sofern Kalkulationsvarianten erörtert werden (Coenenberg et al. 2024, S. 153; Plinke und Utzig 2020, S. 178-179), wird in der Regel unter Berücksichtigung des Zeitpunkts der Kalkulation im Lebenszyklus des Produkts sowie Produktmerkmalen (kunden-/auftragsbezogen oder nicht; Dauer der Leistungserstellung) unterschieden zwischen

- Vorkalkulation (einschließlich Angebots- und Auftragskalkulation)
- mitlaufenden Kalkulation (auch Zwischenkalkulation) sowie
- Ist- oder auch Nachkalkulation.

Die Vorkalkulation wird vor der Leistungserstellung erstellt. Sie dient bei kundenspezifischen Erzeugnissen (Projektierung) der Entscheidungsunterstützung in der Angebots- und Verhandlungsphase (sogenannte Angebotskalkulation) und dokumentiert bei Auftragsannahme als sogenannte Auftragskalkulation den aktuellen Kenntnisstand sowie die Kostenziele für die anschließenden Realisierung. Die Vorkalkulation kann aber auch die Entscheidung bezüglich der Entwicklung und Markteinführung eines neuen Angebots für eine breitere Zielgruppe unterstützten (Produktplanung) (Ehrlenspiel et al. 2020, S. 14-15).

Mitlaufende Kalkulationen (Zwischenkalkulationen; seltener auch Arbeitskalkulation) erfolgen während der Leistungserstellung und sind daher insbesondere bei Erzeugnissen mit langer Produktionszeit relevant. Sie basieren zum einen auf bereits angefallenen (Ist-) Kosten, als auch noch zu erwartenden (Plan-) Kosten. Ihre Ergebnisse dienen der fortlaufenden, innerbetrieblichen Überwachung der Kostenziele und somit des geplanten wirtschaftlichen Erfolgs, decken aber auch Informationsbedarfe des externen Rechnungswesens (Bilanzausweis, Umsatzrealisierung).

Nachkalkulationen erfolgen nach der Leistungserstellung und basieren auf tatsächlich angefallenen Ressourcenverbräuchen (Kosten); daher auch als Istkalku- lation bezeichnet. Sie dienen zum einen der Erfolgsermittlung des zugrundeliegenden Kostenträgers sowie ggf. der (bilanziellen) Bestandsbewertung, bilden aber insbesondere auch die Grundlage für eine tiefergehende Abweichungsanalyse im Vergleich zur Vorkalkulation.

Für eine informative Abweichungsanalyse ist eine strukturelle Übereinstimmung von Vor- und Nachkalkulation erforderlich (Ehrlenspiel et al. 2020, S. 481). Der dazu notwendigen Detailierung der Vorkalkulation steht jedoch oft die Tatsache entgegen, dass zum Zeitpunkt der Vorkalkulation häufig nur wenige Informationen über den Kostenträger verfügbar sind. Gleichwohl sind für diese Situationen Kalkulationsverfahren entwickelt worden, die als „mitlaufende Kalkulation in der Entwicklungsphase“ eingesetzt werden können. Sie werden im deutschsprachigen Bereich auch als „Kurz-, Schätz-, Schnellkalkulation oder Kostenfunktion“ bezeichnet (Ehrlenspiel et al. 2020, S. 477, 479).

Die Abgrenzung zwischen „Vorkalkulation“ und „Kurzkalkulation“ ist fließend und in der Literatur nicht einheitlich. Ehrlenspiel et al. (2020, S. 477) sprechen davon, dass die „üblichen Vorkalkulation[en] nach Abschluss der Konstruktion “ auf Basis von Stücklisten und Arbeitsplänen die notwendige „entwicklungsbegleitende Kalkulation“ nicht ermöglichen und deshalb andere, sog. Kurzkalkulationsverfahren notwendig seien.⁸ Andere fassen hingegen auch die Kostenprognose auf Basis unvollständiger Informationen in der Entwicklungsphase unter den Begriff „Vorkalkulation“ (Layer et al. 2002, S. 500).

Einigkeit besteht darin, dass die Methoden dieser Kostenprognosen während der Entwicklung in der Regel in den Ingenieurswissenschaften entwickelt wurden (Layer et al. 2002, S. 500) und oft eigenständig und neben die etablierten Vorkalkulationsverfahren im Betrieb treten. Dies kann zur Akzeptanzproblemen im kaufmännischen Bereich führen, welche aber möglicherweise durch eine Verzahnung der jeweiligen Systeme und Instrumente vermieden werden können (Ehrlenspiel et al. 2020, S. 504, 512).

In dieser Arbeit bezeichnen wir Kalkulationen in der Entwicklungsphase in Anlehnung an den englischen Begriff „cost estimation“ (z.B. Mandolini et al. 2024a, S. 1; Niazi et al. 2006, S. 563) als „Kostenschätzung“ sowie synonym dazu als „Kostenprognose“.

2.2.2 Methoden der Kostenschätzung

In der Literatur finden sich zahlreiche Methoden zur Kostenschätzung. Sehr häufig werden diese zunächst in quantitative und qualitative Varianten unterschieden (vgl. stellvertretend Niazi et al. 2006). Diese beiden Verfahrensgruppen unterscheiden sich darin, welche Informationen zur Anwendung jeweils benötigt werden.

Qualitative Verfahren schätzen die Kosten eines neuen Produkts basierend auf den Kosten früherer Produkte, die als vergleichbar angesehen werden. Durch den Bezug auf die vorliegenden Informationen dieser Vergleichsobjekte kann auf eine eigenständige, detaillierte Kostenermittlung für das Neuprodukt verzichtet werden (Niazi et al. 2006, S. 563).

Die Korrektheit der historischen Daten ist damit ebenso eine wesentliche Voraussetzung wie die Verfügbarkeit geeigneter, vergleichbarer Objekte. Außerdem sollten die Ansprüche an die Schätzqualität nicht zu hoch sein. Qualitative Verfahren benötigen vergleichsweise wenige Details des neuen Produkts. Dies ist auch der Grund, warum solche Verfahren häufig in frühen Phasen der Produktentwicklung eingesetzt werden (können) (Niazi et al. 2006, S. 563, 570; Mandolini et al. 2020, S. 1132). Aufgrund fehlender Vergleichsobjekte ist ihr Einsatz bei innovativen Produkten jedoch kaum möglich.

Quantitative Verfahren ermitteln die Kosten des neuen Objekts hingegen auf Basis dessen Produkt- und Produktionsmerkmalen und gehen dabei häufig sehr detailliert vor (Niazi et al. 2006, S. 563-564). Sie können daher erst bei Vorliegen entsprechender Produktdetails eingesetzt werden und somit tendenziell in späteren Entwicklungsphasen.

Die Entscheidung über die Verwendung von qualitativen oder quantitativen Methoden hängt also prinzipiell von den verfügbaren Daten ab: entweder man verfügt nur über historische Daten und notwendige Expertise oder bereits über genügend Details für das neue Produkt (vgl. die tabellarische Übersicht bei Hennebold et al. 2022, S. 265). Kombinationen sind natürlich möglich (Hueber et al. 2016, S. 11); auch ein Wechsel im Zeitverlauf ist denkbar.

Unterhalb dieser ersten Gliederungsebene (qualitativ / quantitativ) können Kostenschätzungsmethoden noch weiter unterteilt werden. Die literaturbekannten Klassifikationen unterscheiden sich aber spätestens an dieser Stelle zum Teil deutlich. Es finden sich auch Stimmen, die eine weitere Unterteilung für wenig sinnvoll erachten, da die meisten Methoden nicht eindeutig in die weiter ausdifferenzierten Unterkategorien einzugruppieren seien (Hueber et al. 2016, S. 1-2; Rudolph 2018, S. 22).

Da es für die Fragestellung in dieser Arbeit ausreicht, einen Überblick über die Vorgehensweisen, Voraussetzungen und Einsatzmöglichkeiten der Verfahren zu bekommen, folgen wir der hierarchischen Klassifikation von Niazi et al. (2006), der nach der Literaturauswertung von Altavilla et al. (2018, S. 11) vorherrschenden Variante (siehe auch Rapaccini et al. 2023, S. 6979) bis zu deren zweiten Ebene. Einen Überblick über alternative Klassifikationen inklusive einer Einschätzung ihrer Verbreitung bieten Altavilla et al. (2018), aber auch Niazi et al. (2006, S. 563).

Nach Niazi et al. (2006) werden die qualitativen Verfahren weiter unterteilt in intuitive (im Original: „Intuitive Techniques“) sowie analoge Methoden („Analo- gical Techniques“); die quantitativen Verfahren in parametrische („Parametric Techniques“) und analytische Methoden („Analytical Techniques“) (vgl. Abbildung 1).⁹

Als Vertreter der qualitativen Verfahren beruhen die intuitiven Kostenschätzungsmethoden auf früheren Erfahrungen von Fachexperten mit ähnlichen, aus Kostenperspektive vergleichbaren Produkten und Fertigungsverfahren. Die Experten geben als Gruppe oder individuell subjektive Schätzungen ab. Die Verfügbarkeit von Personen mit entsprechender Expertise in der Beurteilung der Ähnlichkeit und intuitiven Kostenschätzung ist somit die notwendige Voraussetzung der Verfahren; die Qualität der Schätzung abhängig von der Qualität dieser Expertise.

Zur Unterstützung in der Anwendung und zur Sicherung dieses Fachwissen kann es in Form von Regeln oder Entscheidungsbäumen gespeichert werden und über Entscheidungsunterstützungssysteme nutzbar gemacht werden (Niazi et al. 2006, S. 564).

Abb. in Leseprobe nicht enthalten

Abbildung 1: Klassifikation von Kostenschätzungsmethoden nach Niazi et al (2006)

Aufgrund der den intuitiven Verfahren immanenten Subjektivität der Kostenschätzungen sind die Ergebnisse im Vergleich zu anderen Verfahren weniger nachvollziehbar bzw. validierbar und auch weniger präzise (Coenenberg et al. 2024, S. 520). Auch wenn es Möglichkeiten zur Verbesserung des Schätzergebnisses gibt, die u.a. auf dem „Ausmitteln“ der Schätzfehler durch mehrfache Schätzung beruhen, verbleibt die vergleichsweise geringe Ergebnisqualität (Ehrlenspiel et al. 2020, S. 584-585), die auch nicht die Details liefert, die für einen späteren Soll-Ist-Vergleich mit einer Nachkalkulation erforderlich wären. Dafür sind die intuitiven Verfahren bei gegebenen Voraussetzungen vergleichsweise einfach bzw. schnell einzusetzen. Das angewendete Verfahren ist jedoch auf das vorhandene Expertenwissen und somit bestimmte Produkte oder Branchen beschränkt und kaum übertragbar (Mandolini et al. 2020, S. 1131-1132; Zhang et al. 2022, S. 838).

Ebenfalls zur Gruppe der qualitativen Kostenschätzungsverfahren zählen die analogen Methoden, da auch sie auf bereits vorhandenen Erfahrungen und Daten aus ähnlichen, bereits abgeschlossenen Produkten und Projekten basieren. Die abgeleitete Kostenschätzung basiert hier aber nicht auf der Intuition von Fachexperten, sondern erfolgt durch Anpassung der bekannten Kosten der als vergleichbar betrachteten Objekte anhand der Übereinstimmungen mit dem neuen Objekt („ähnliche Objekte haben ähnliche Kosten“). Diese Anpassung kann z.B. mittels Regressionsanalysen oder auch neuronalen Netzen erfolgen. Eine Voraussetzung ist eine hinreichende große Menge von Vergleichsobjekten, die in Datenbanken auswertet werden können. Dann können diese Verfahren brauchbare Kostenschätzungen vergleichsweise schnell liefern. Auch diese Ansätze kommen mit wenigen detaillierten Informationen bezüglich des neuen Produkts aus, weswegen ihre Verwendung ebenfalls in frühen Entwicklungsphasen möglich ist; bei zumindest teilweise stark abweichenden Neuprodukten ist der Einsatz wegen fehlender Vergleichsobjekte aber kaum möglich (Curran et al. 2004, S. 504; Hueber et al. 2016, S. 2; Mandolini et al. 2020, S. 1131-1132).

Parametrische Methoden, eine der beiden Untergruppen der quantitativen Verfahren, schätzen die Kosten eines Objekts mittels Kostenfunktionen („Cost Estimating Relationship“ CER). Diese mathematischen Funktionen beschreiben die (nicht notwendigerweise lineare) Wirkung von ein oder mehreren Produktmerkmalen, den Kosteneinflussgrößen, (z.B. Größe oder Gewicht des Produkts, Merkmale des Fertigungsverfahrens...), auf die zu ermittelnden Kosten. Damit sind diese Schätzer nachvollziehbar und reliabel. Die Parameter dieser Funktionen werden mittels statistischer Verfahren (z.B. Regressionsanalysen) auf Basis bekannter Objekte (Kosten, Produktmerkmale) bestimmt.

Einfache, bekannte Beispiele sind das Kilokosten- oder das Materialkostenverfahren (Plinke und Utzig 2020, S. 179-184; Coenenberg et al. 2024, S. 522-526), mittels derer lediglich aufgrund des erwarteten Gewichts oder der Materialkosten des neuen Produkts dessen Kosten geschätzt werden.

Grundsätzlich kann zwischen statistischen oder geometriebasierten Kostenfunktionen unterschieden werden. Erstere basieren auf technischen, physikalischen oder funktionalen Einflussgrößen, letztere auf technisch-physikalische Gesetzmäßigkeiten oder produktionstechnische Zusammenhängen (Rudolph 2018, S. 23).

Bei Mandolini et al. (2020, S. 1132) finden sich Literaturverweise auf Anwendungsbeispiele für diese Ansätze, darunter für Bremsscheiben, Spritzgussteile, Formen und verschiedene Maschinenteile.

Die parametrischen Ansätze können aufgrund des geringen Anspruchs an detaillierte Produktbeschreibungen ebenfalls bereits in frühen Entwicklungsphasen eingesetzt werden und sind - sofern die Funktionen bekannt sind - vergleichsweise einfach und schnell zu verwenden.

Da die Schätzung der Funktionsparameter auf historischen Daten beruht, ist die zeitliche Gültigkeit der identifizierten Beziehung eine Voraussetzung der Verwendung solcher Verfahren. Eine Anwendung ist auch dann nicht sinnvoll, wenn die aktuellen Produktparameter außerhalb des Wertebereichs der historischen Daten liegen (z.B. runde statt kubischer Formen, technologische Änderungen, höhere Gewichte...) (Curran et al. 2004, S. 504; Hueber et al. 2016, S. 3). Ein weiterer Nachteil liegt in der fehlenden Skalierbarkeit der gefundenen Funktionen. Sie sind in der Regel produkt- oder zumindest branchenabhängig (Mandolini et al. 2020, S. 1132) und können nur in diesem Kontext wiederverwendet werden. Allerdings führt die Verwendung kommerzieller Software in diesem Bereich zu einer Verbreiterung der Datenbasis und Verbesserung der Schätzfunktionen, wenngleich diese dann nicht unbedingt offengelegt und somit nachvollzogen werden können (Hueber et al. 2016, S. 11).

Die zweite Untergruppe der quantitativen Verfahren in der Klassifikation von Niazi et al. (2006) sind die analytischen Verfahren, gelegentlich auch synonym als bottom-up Ansätze bezeichnet (Bodendorf et al. 2022c, S. 6639; Hueber et al. 2016, S. 1). Diese erfordern eine Zerlegung des neuen Produkts in seine wesentliche Komponenten, Materialien, Fertigungsprozesse oder andere Aktivitäten zur dessen Erstellung, deren Kosten dann einzeln ermittelt und aufsummiert werden (Mandolini et al. 2020, S. 1132). Die einzelnen Verfahren unterscheiden sich u.a. darin, wonach zerlegt wird. So könnten z.B. die einzelnen Kostenarten (Material, Lohn, Overhead) die Basis bilden (Breakdown Approach), aber auch Kosten, die sich aus bestimmten Fertigungsschritten oder Fertigungsverfahren (FeatureBased, Operation-Based) oder sonstigen Arbeitsprozessen (Prozesskostenrechnung) ableiten lassen (Niazi et al. 2006, S. 568-569).

Die benötigen detaillierten Produktmerkmale liegen naturgemäß eher im späteren Entwicklungsstadium vor. Analytische Verfahren sind im Vergleich zu den anderen Verfahrensgruppen deutlich anspruchsvoller in zeitlicher Hinsicht und dem notwendigen Detailwissen, dafür aber auch bei innovativen Produkten verwendbar (Bodendorf et al. 2022c, S. 6640; Hueber et al. 2016, S. 3) und liefern präzisere Ergebnisse. Mandolini et al. (2020, S. 1132) verweisen auf Literatur mit Anwendungsbeispielen dieser Kostenschätzung für Formen, Verpackungsprodukte oder Fertigungsprozessen.

Tabelle 1 fasst die verschiedenen Kostenschätzungsmethoden, ihre Voraussetzungen, Vorteile und Nachteile zusammen.

Abb. in Leseprobe nicht enthalten

Tabelle 1: Kostenschätzungsmethoden im Überblick

Zum besseren Verständnis sei hier noch kurz auf eine in deutschsprachigen Quellen häufiger verwendete Klassifikation eingegangen. Demnach liefern qualitative Verfahren keine Kostenschätzungen, sondern lediglich Hinweise (...), wie Produkte kostengünstig hergestellt werden können“ (Coenenberg et al. 2024, S. 517).

Hingegen stellen „quantitative Verfahren einen Zusammenhang zwischen Herstellungsverfahren sowie verwendeten Materialien auf der einen Seite und Höhe der zu erwartenden Kosten auf der anderen Seite her. Dabei gilt es grundsätzlich zwischen extrapolierenden Verfahren, Schätzungen i.e.S. und kausalen Prognosen zu unterscheiden“ (Coenenberg et al. 2024, S. 519).

Extrapolierende Verfahren sind eine besondere Form der parametrischen Verfahren mit der Zeit als Kosteneinflussgröße; die Schätzungen i.e.S. entsprechend den intuitiven Verfahren bei Niazi et.al.. Bemerkenswert ist, dass die Gruppe der kausalen Prognosen eine Zusammenfassung¹⁰ analoger, parametrischer und analytischer Kostenschätzungen darstellt, denen allen eine Ursache-Wirkungs-Beziehung zugrunde läge (Coenenberg et al. 2024, S. 520). Auch wenn bei parametrischen Verfahren eher von statistisch ermittelten Korrelationen als von Kausalität die Rede sein sollte, verdeutlicht diese Klassifikation, dass die genannten Verfahren im Vergleich zu den intuitiven Verfahren auf Basis der jeweiligen Annahmen nachvollziehbare Kostenschätzungen liefern.

Mandolini et al. (2020, S. 1132) verweisen darauf, dass alle die bisher dargestellten Verfahren, die bereits in der Konstruktions - / Entwicklungs - / Designphase verwendet können, nicht die gewünschte “Granulatät” bezüglich der Herstellkosten liefern und somit ein Abgleich mit späteren (Nach-)Kalkulationen kaum möglich ist. Dies liegt nicht zuletzt daran, dass in diesen frühen Phasen die späteren Produktionsschritte /-verfahren nicht feststehen.

2.2.3 ML und Kostenschätzung

2.2.3.1 Methodische Aspekte

Maschinelles Lernen (Machine Learning (ML)) wird üblicherweise als Teil der Künstlichen Intelligenz aufgefasst (Fraunhofer IAIS 2023); die ML - Methoden weiter in überwachtes, nicht überwachtes und verstärkendes Lernen klassifiziert (Buxmann und Schmidt 2021, S. 7-12).

Methoden des überwachten Lernens verfolgen das Ziel, entweder Objekte ohne bislang bekannte Zugehörigkeit in bekannte Klassen zu klassifizieren (Klassifikation / qualitative Prognose) oder unbekannte numerische Merkmale dieser Objekte zu schätzen (Regression / quantitative Prognose) (IBM 2025). Die Schätzung der Kosten eines neuen Produkts ist somit eine Fragestellung, die prinzipiell mittels Regressionsansätzen des Maschinellen Lernens beantwortet werden kann.

Zu den bekanntesten Methoden des ML zur Prognose quantitativer Merkmale (Regression) gehören:¹¹

- Lineare Regression (Linear Regression (LR)) und etwas weiter gefasst Generalised Linear Models (GLM) inklusive methodischer Erweiterungen wie Regularisierung
- k nächste Nachbarn (k Nearest Neighbour) (kNN)
- Entscheidungsbäume (Decison Trees (DT)) - in der speziellen Form der Regression Trees - und darauf aufbauend Random Forests (RF), einem Ensemble aus Entscheidungsbäumen, das durch Bagging die Vorhersagegenauigkeit erhöht
- Gradient Boosting Machines (GBM), insb. in der Variante von Gradient Boosted Trees (GBT), die Bäume iterativ aufbaut, wobei jeder Baum Fehler des vorherigen Modells korrigiert
- Neuronale Netzwerke (Artificial Neural Network (ANN))
- Support Vector Regression (SVR), eine spezielle Form der Support Vector Machine (SVM) zur Regression

Auf eine allgemeine Darstellung der Anwendungsvoraussetzungen sowie Vor - und Nachteile wird hier verzichtet und auf Standardliteratur (z.B. Geron 2019; James et al. 2023; Matzka 2021; Russell und Norvig 2022) verwiesen.

Für die Beurteilung der Prognosefehler, die ML basierte Regressionsverfahren unterliegen, gibt es eine Vielzahl von Kenngrößen. Die vermutlich am häufigsten verwendeten sind das Bestimmheitsmaß R[2], welches die Anpassungsgüte beschreibt (den Anteil der Variation in der abhängigen Variablen, der durch die un- abhängige(n) Variable(n) vorhersagbar ist) sowie Gütemaße wie Mean Absolute Error (MAE), Mean Squared Error (MSE) oder Root Mean Squared Error (RMSE). Die letzten drei beziehen sich jedoch immer auf die Dimension der jeweiligen Zielvariable und sind daher im Kontext der hiesigen Fragestellungen nicht so relevant, da kein Vergleich zwischen den Ergebnissen mehrerer Arbeiten mit unterschiedlichen Zielvariablen möglich sein würde (z.B. Güte der Kostenschätzung einer Fahrzeugkomponente im Vergleich zur Güte der Schätzung der gesamten Fahrzeugkosten). Dieser Vergleich wird durch den Mittleren absoluten prozentualen Fehler (MAPE) möglich, da hier die Güte der Schätzung unabhängig von der Einheit der Zielvariablen bestimmt wird. Mittels R[2] und MAPE können also methodische Ansätze verglichen werden, die sich auf unterschiedlich dimensionierte Zielgrößen beziehen. Auch hier sei bezüglich der Formeln auf die zuvor genannte Standardliteratur verwiesen.

2.2.3.2 Stand der Literatur Ende 2020

Kostenschätzungen, die auf maschinellem Lernen basieren, wurde bereits Ende der 1990er Jahre vorgestellt.¹²

Bodendorf et al. (2021) sowie darauf bezugnehmend Bodendorf (2023) liefern eine KI gestützte, strukturierte Literaturanalyse (Systematic Literatur Review) zum Stand der „intelligenten Kostenprognosemethoden“¹³ im verarbeitenden Gewerbe.¹⁴ Ausgehend von ursprünglich 872 Treffern werden schließlich 47 Arbeiten ausgewertet (vgl. auch die tabellarische Übersicht bei Bodendorf et al. (2021, S. 6-7). Diese erschienen, mit Ausnahme einer eigenen Arbeit der Autorengruppe in 2021, zwischen 1995 und 2020.

Die gewonnenen Erkenntnisse werden von der Autorengruppe nach vier Konzepten gegliedert (vgl. zu den nachfolgenden Ausführungen Bodendorf et al. (2021, S. 2; 4-12) sowie Bodendorf (2023, S. 27-47)):

Methodik: Vergleichende Arbeiten betrachten meistens nur zwei Ansätze. Die meisten Arbeiten verwenden ANN (45-mal), aber auch Regressionsmodelle (21) sowie deutlich seltener SVM (4 oder 6)¹⁵ kommen zum Einsatz.

Regressionsmodelle erfordern die Kenntnis der Form der schätzenden Funktion inkl. Kosteneinflussfaktoren. Lineare Regressionen sind eher für weniger komplexe Fragestellungen (geringe Anzahl möglichst unabhängiger Einflussgrößen) geeignet; nicht-lineare Ansätze können bei komplexeren Beziehungen zielführend sein.

ANN sind robuster in der Vorhersage, erfordern aber tendenziell große Datenmengen und sind auch sonst ressourcenintensiv in der Anwendung. Welche Netzwerktopologien (Merkmale, Anzahl der versteckten Layer bzw. Neuronen) und welche Trainingsalgorithmen (z.B. Backpropagation) in diesem Kontext überlegen sind, kann aus der ausgewerteten Literatur nicht abgeleitet werden. In Fallstudien weisen Kostenschätzungen auf Basis von ANN einen Fehler (MAPE) zwischen 5 und 40% auf (Bodendorf 2023, S. 51).

SVM werden am seltensten und erst in jüngerer Zeit in Form von LeastSquares - SVMs eingesetzt, scheinen aber Vorteile gegenüber den anderen beiden Ansätzen bezüglich Prognosequalität und Anwendungsvoraussetzungen zu bieten.

DT oder darauf basierende Ensembles sowie kNN wurden in der ausgewählten Literatur nicht verwendet.¹⁶

Dimensionalitätsreduktion: Obwohl Methoden zur Reduktion der Anzahl einbezogener Merkmale grundsätzlich eine hohe Bedeutung im ML zugeschrieben werden, werden sie nur in ca. 1/4 der betrachteten Arbeiten verwendet. Diese Methoden dienen dazu, die Komplexität der Modelle zur reduzieren und die Prognosequalität zu erhöhen. Sie werden in der Literatur oft unterschieden in Methoden der Merkmalsauswahl („feature selection“) und Merkmalsextraktion („feature extraction“). Die erste Gruppe wählt zur Optimierung aus einer Reihe bekannter Variablen aus (z.B. auf Basis von Korrelationen oder nach Beitrag zur Prognosequalität („Wrapper“-Metho- den)); die zweite erzeugt aus den gegebenen Variablen wenigere, neue Größen (z.B. mittels einer Hauptkomponentenanalyse (PCA)). In der von Bodendorf ausgewerteten Literatur ist die Merkmalsextraktion nicht verwendet worden.

Mehrstufige Kostenprognose: Die Kosten eines Bezugsobjekts können auch mittels Schätzung der Kosten der Objekte auf der darunterliegenden Ebene in einer Bezugsobjekthierarchie und anschließender Summation er- folgen.¹⁷ Die Schätzung der „Teilkosten“ kann unabhängig voneinander erfolgen. Alternativ könnten die jeweiligen Schätzergebnisse als Eingangsparameter in die nächste Schätzung eingehen (kaskadierend entlang der Objekthierarchie) oder aber die einzelnen Modelle berücksichtigen die (fixierten) Parameter der bereits optimierten Modelle. Zur Realisierung der mehrstufigen Kostenprognose könnten verschiedene ANN verwendet werden; dies ist aber in der ausgewerteten Literatur nur einmal ansatzweise berücksichtigt.

Interpretierbare Kostenprognose: Prognosen auf Basis von ML werden häufig als „Black Box“ beschrieben: die Ergebnisse sind kaum nachvollziehbar, was zum einen ihre Akzeptanz bei Anwendern und Entscheidern negativ beeinflussen kann, zum anderen auch die Möglichkeiten zur Gestaltung / Verbesserung der geschätzten Kosten begrenzt. Nur ein sehr kleiner Teil der ausgewerteten Literatur¹⁸ hat sich mit der Frage beschäftigt, wie eine Verbesserung im Sinne einer Explainable AI (XAI) erzielt werden könnte.

2.2.3.3 Stand der Literatur Anfang 2025

Der zuvor zusammengefasste Literaturstand auf Basis von Bodendorf et al. (2021) erfasst die Literatur bis 2020 sowie eine Arbeit dieser Arbeitsgruppe aus 2021.

Dieser Stand wird in diesem Kapitel um eine kurze Zusammenfassung neuerer Beiträge ergänzt (siehe Kapitel 2.1 Literaturauswahl).¹⁹

Eine Forschergruppe der FAU Nürnberg unter Leitung von Jörg Franke entwickelt Ansätze, welche im Beschaffungsprozess verwendet werden können, um die Kosten einer zugekauften Komponente zu schätzen und dieses Wissen z.B. im Verhandlungsprozess, aber auch der Kostenschätzung für eigene Erzeugnisse zu nutzen (ähnlich wie der Kaggle-Wettbewerb von Caterpillar (Fernández- Revuelta Pérez und Romero Blasco 2022)).

Die Dissertation von Bodendorf (2023) präsentiert drei Fallstudien, die auch Gegenstand von Einzelveröffentlichungen sind.²⁰ Die Untersuchungen fokussieren neben dem Vergleich der ML-Algorithmen insbesondere auf die Eignung unterschiedlicher Ansätze zur Reduktion der verwendeten/benötigten (Produkt-) Merkmale.

Mit den ersten beiden Fallstudien belegt Bodendorf (2023) die Eignung mehrerer ML-Verfahren, insbesondere aber von ANN, DT sowie SVM und kNN zur Kostenprognose von Komponenten in Automobilbereich. Als deutlich ungeeigneter erweist sich die LR. Die zugrundeliegenden Daten sind die von Aluminiumgussteilen (Halterungen, Kühlkörper, verschiedene Gehäuse...) (767 Datensätze mit 41 Merkmalen) bzw. Spritzgussteilen (380 Datensätze mit 18 Merkmalen).²¹ Die Prognosegüte, ausgedrückt in MAPE und R[2], liegen je nach konkreter Ausgestaltung in einer Range von 10 bis 20% bzw. 99%.²² Diese guten Ergebnisse kommen auch dadurch zustande, dass Bodendorf Dimensionsreduktionen mittels Wrapper- oder Korrelationsverfahren vornimmt. Seine Ergebnisse zeigen, dass diese Reduktion die Prognosen stark verbessern können, aber gleichzeitig die Anforderung an das System (Speicherplatz, Berechnungsdauer) und seine Bediener (notwendiger Input) vereinfachen und die Verständlichkeit der Lösung und somit Akzeptanz verbessern können. Weiterhin demonstriert Bodendorf, dass es möglich ist, nicht nur die Herstellkosten, sondern auch deren Bestandteile wie Material- und Fertigungskosten getrennt zu schätzen und damit sogar das Gesamtergebnis zu verbessern. Es wäre demnach möglich, die geforderte Strukturgleichheit von frühen Kostenschätzungen und späteren Nachkalkulationen zu erzielen. Bodendorf erwartet, insbesondere für die Verwendung von ANN, dass die bislang für einen kommerziellen Einsatz vielleicht noch nicht hinreichende Qualität durch größere Trainingsdatensätze und einer Optimierung der einbezogenen Feature (Inputgrößen) noch zu verbessern ist.²³

In der dritten Fallstudie verwendet Bodendorf Simulationsdaten, um zu zeigen, dass und wie ANN entwickelt werden können, um auch die Kosten komplexerer Komponenten, konkret einer Baugruppe „Radbremse“, zu schätzen. Dabei werden die Ergebnisse unterschiedlicher Aktivierungsfunktionen sowie verschieden vieler Neuronen und „hidden layer“ verglichen.

Die Forschergruppe um Franke und Bodendorf demonstriert aber nicht nur die Vielfalt möglicher ML-Algorithmen, die zur Kostenschätzung geeignet sein können, sowie die Bedeutung einer optimierten Auswahl von einbezogenen Produktmerkmalen (Feature Selection) für die Qualität der Prognose und deren Verständlichkeit, sondern auch das Potential, welches in der Verwendung von ML in der Datengenerierung selbst liegt. Am Beispiel von Platinen („printed circuit boards“) zeigen Bodendorf et al. (2022b), wie mittels spezieller ANN anhand von Fotos eine Kostenschätzung möglich ist. Diese ANN werden dabei zur Objekterkennung eingesetzt, um aus den fotografierten Zukaufteilen Stücklisten zu erzeugen, welche wiederum den ML-gestützten Kostenschätzern als Input dienen. Alternativ werden auch ANN eingesetzt, um direkt aus den Bildern ohne weitere Auswahl möglicher Eingangsvariablen („auto encoding“) die Kostenschätzung abzuleiten. Den Untersuchungen liegen Daten eines Automobilherstellers zugrunde. Die Ergebnisse haben noch nicht die Qualität, die eine unmittelbare Verwendung in der Unternehmenspraxis zulassen, was aber u.a. an der doch begrenzten Anzahl von simulierten Trainingsdaten liegen könnte.

Bereits im Literature Review von Bodendorf et al. (2021) ist Leszczynski und Jasinski (2018) berücksichtigt, deren Ergebnisse im Kern in der nachfolgenden Arbeit, Leszczynski und Jasinski (2020), bestätigt werden; allerdings werden jetzt die Lebenszykluskosten eines Elektromotors und nicht die reinen Produktkosten geschätzt. Auch in der jüngeren Arbeit erweisen sich die Ansätze auf Basis neuronaler Netze denen auf Basis von Regressionsmodellen (auch nicht-linearen) als überlegen. Der Datensatz ist mit 90 Beobachtungen (54 Training, 10 Validation, 26 Test) sehr klein und es werden nur 6 Eingangsgrößen berücksichtigt.

Klocker et al. (2023) verwenden einen (bereinigten) Datensatz von 3.554 Kunststoffspritzgussteilen mit einer nicht näher bezeichneten Anzahl von Merkmalen (darunter Fertigungsdaten, -prozesse und Stücklisten). Diese Teile sind Komponenten eines Endprodukts, über welches keine Angaben gemacht werden. Ähnlich wie in der zweiten Fallstudie von Bodendorf schätzen die Autoren die Herstellkosten auf drei verschiedene Arten. Bei der direkten Schätzung der Herstellkosten (Modell 1) erweisen sich die Modelle aus der Gruppe der Entscheidungsbäumen (unter Anwendung von Ensemble-Techniken) den neuronalen Netzen als überlegen. Der beste Ansatz, ein „Extreme Gradient Boosting (XGBoost)“, erzielt auf den Testdaten ein R[2] von 0,980 und ein MAPE von 0,134; bei der Validierung anhand von 14 aktuellen Komponenten des Herstellers allerdings zeigt sich ein MAPE von 0,465; nur viermal weichen die geschätzten Kosten weniger als 20% von den tatsächlichen Kosten ab; die Ursache hierfür verbleibt unklar. Im zweiten Modell werden Werkzeug- und Fertigungskosten jeweils mit einem AdaBoost Regressor²⁴ geschätzt und dann die Herstellkosten nach vorheriger Schätzung der Materialkosten anhand des Gewichts zuzüglich betriebsüblicher Zuschläge berechnet. Das Verfahren erzielt auf den Testdaten ein R[2] von 0,969 und ein MAPE von 0,116; bei der Validierung anhand 14 aktueller Komponenten zeigt sich immer noch eine Verschlechterung der Ergebnisse: nur siebenmal weichen die geschätzten Kosten weniger als 20% von den tatsächlichen Kosten ab (MAPE: 0,323). Im dritten Ansatz werden zunächst mittels eines ML-gestützten Klassifikationsansatzes Einschätzungen zu Kavitäten und Fertigungsverfahren der Komponenten getroffen; diese Zwischenergebnisse gehen dann in die Schätzung der Ausprägung weiterer Kostentreiber (Fertigungs- und Arbeitszeit, Werkzeuginvest und -wartung) ein, wofür die Autoren AdaBoost bzw. Gradient Boosting verwenden. Auf Basis der geschätzten Kostentreiber sowie den Materialkosten und Zuschlägen werden wie im vorherigen Ansatz dann die Herstellkosten berechnet. Dieses dritte Modell erzielt auf den Testdaten ein R[2] von 0,98 und ein MAPE von 0,097; bei der Validierung weichen 10 der 14 geschätzten Kosten weniger als 20% von den tatsächlichen Kosten ab; zwei weitere knapp außerhalb dieser Bandbreite. Klocker et al. (2023) zeigen somit zum einen, dass eine komponentenweise Schätzung zu besseren Ergebnissen führen kann und zum anderen, dass auch Modelle aus der Gruppe der Entscheidungsbäume gute Schätzungen liefern können.

Hammann (2024) schätzt die Materialkosten von PKWs insgesamt sowie von vier Baugruppen (Karosserie, Elektrik, Fahrgestell und Motor). Er verwendet dazu ANN, Case Based Reasoning, DT, Elastic Net Regression, Gradient Boosted Regression (GBR), Lasso Regression, and Linear SVR.²⁵ Der Datensatz umfasst insgesamt über 120.000 individuelle Fahrzeugkonfigurationen von vier Modellen über jeweils zwei Generationen; berücksichtigt werden neben den fünf Zielgrößen 461 Fahrzeugmerkmale. Bezogen auf die geschätzten Gesamtmaterialkosten sind die Ergebnisse aller Methoden mit einem MAPE zwischen 0,89% und 2.59% sehr gut. Dabei erweisen sich GBR und auch ANN - auch unter Berücksichtigung weiterer Gütekriterien - als den anderen Modellen überlegen. Allerdings sind die Unterschiede, z.B. zur Lasso Regression, die deutlich leichter zu interpretieren ist, nicht sehr groß. Die hohe Qualität der Kostenprognosen führt der Verfasser der Studie u.a. auf die große Datenmenge zurück. Er zeigt am GBR-Modell, dass sowohl einzeln als auch in Kombination eine Verringerung der Anzahl an Beobachtungen und / oder an Eingangsgrößen die Fehler ansteigen lassen. Zumindest die zweite Beobachtung steht in Widerspruch zur ansonsten oft getroffenen Aussage, dass eine Feature Reduction die Schätzgüte verbessert. Allerdings ist nicht auszuschließen, dass die zu schätzende Größe (Materialkosten eines kompletten PKW) von zu vielen Faktoren abhängig ist, um auf lediglich 20 Einflussgrößen - wie im vorliegenden Fall - reduziert zu werden. Plausibler und in Übereinstimmung mit der allgemeinen Erfahrung im ML ist die Beobachtung, dass größere Datensätze bessere Ergebnisse liefern (insb. bei komplexeren Modellen wie ANN oder GBR). Einen besonderen Aspekt, der bislang kaum in der Literatur Beachtung fand, berücksichtigt Hammann (2024) mit der „multi- generational product cost estimation“: den Zeitverlauf. Die Materialkosten sollten beim Wechsel auf die Nachfolgermodelle zwei gegenläufigen Effekten ausgesetzt sein: durch Lernkurveneffekte sollten die Materialkosten über die Zeit sinken und bei Wiederverwendung in der nächsten Generation baugleiche Komponenten günstiger sein; dem entgegen stehen möglicherweise Kostenanstiege durch Qualitätsverbesserungen. Die Studie zeigt einen Weg auf, wie man auch über einen Modellwechsel hinweg trotz begrenzter Informationen mittels ML gute Kostenprognosen erhalten kann. Bemerkenswert ist auch, dass Hammann die ML-gestützten Kostenschätzungen nicht nur untereinander, sondern auch mit denen von Kosteningenieuren vergleicht. Dabei zeigt sich, dass bei den komplexeren Schätzungen (Materialkosten insgesamt) die ML-Ansätze bessere Ergebnisse liefern; aber nicht für die Kosten einzelner Baugruppen. Abschließend zeigt Hammann, dass es möglich ist, auch bei komplexeren Schätzverfahren auf Basis von ANN und GBR die wesentlichen Einflussgrößen als auch deren Effektstärken auf die Materialkosten zu ermitteln.

Auch bei Kurasova et al. (2021) steht ein Vergleich mehrerer ML-Ansätze im Fokus der Arbeit (LR, kNN, ANN, diverse Entscheidungsbäume und Ensembles). Geschätzt werden die Produktkosten individuell angefertigter Möbel in der Produktentwicklungsphase (Datensatz 1.026 bekannte Möbel) anhand von Bearbeitungszeiten und Materialien (Arten, Mengen...). Hier erweisen sich RF und GBR als etwas genauer als die ANN.²⁶ Bei einer Reduktion der ursprünglich 18 Eingangsvariablen auf lediglich fünf mittels einer univariaten Filtermethode²⁷ verschlechtert sich die Prognosequalität etwas.

Einen weiteren Vergleich mehrerer ML-gestützter Kostenschätzungen in der frühen Angebots-/Entwicklungsphase für kundenindividuelle Erzeugnisse im Maschinenbau erstellen Hennebold et al. (2022). Die Auswahl der einbezogenen Merkmale ist dabei bewusst auf Informationen reduziert, die sehr früh verfügbar sein könnten. Verglichen werden die Ansätze mittels eines Datensatz von 81 Verpackungsmaschinen (diverse Varianten); dabei erwiesen sich kNN und LR als gegenüber RF, DT und SVM deutlich überlegen.²⁸ Die Einschätzung, dass damit bereits der Nachweis der praktischen Verwendung gelungen sei, muss man nicht teilen. Allerdings verweisen auch die Verfasser selbst darauf, dass die Prognosequalität durch eine bessere Datenlage (Größe; Ausgewogenheit des Datensatzes; missing values) verbessert und dann möglicherweise auch ANN verwendet werden könnten (Hennebold et al. 2022, S. 267).

Ähnlich wie in der 2. Fallstudie bei Bodendorf (2023) schätzen Ma'ruf et al. (2024b) die Konstruktionskosten von komplexen Baugruppen mittels mehrerer ML - Ansätze (Multi-LR, RF, GBT) und verwendet dabei eine korrelationsbasierte Feature Selektion (Recursive Feature Elimination). Als Datenbasis dienen CAD-Daten der Baugruppen. Wieder ist der regressionsbasierte deutlich schlechter als die anderen beiden Schätzer; die RF-Schätzer etwas besser als GBT. Auf Basis einer kleinen Stichprobe von lediglich 104 Baugruppen betrug der MAPE 17%.

Ma'ruf et al. (2024a) schätzen ebenfalls aus CAD-Daten die Entwicklungskosten²⁹ von im Kundenauftrag gefertigter Produkte mittels ANN und SVR inkl. einer Feature Reduktion auf Basis von Korrelationen. Dabei erweist sich ANN als überlegen.

Ning et al. (2020a) (bereits in Bodendorf et al. (2021)) schätzen mit einem analogen Ansatz die Herstellkosten diverser zerspanter Werkstücke (Führungswellen, Führungswellenlager, Positionierführungswellen, Befestigungsringe, Rollen, Einsteckstifte, Metalldichtungen), die in Massenfertigung kundenindividuell angefertigt werden. Ihre Schätzungen beruhen dabei auf speziellen neuronalen Netzen (convolutional neural networks, CNN), denen Bilder aus jeweils unterschiedlichen Perspektiven bzw. CAD-Modellen der einzelnen Werkstücke zur Verfügung gestellt, die als zwei- (Pixel) bzw. dreidimensionale Daten (Voxel) abgelegt werden. Dabei zeigt sich, dass die Modelle, die auf der dreidimensionalen Datenbasis basieren, deutlich bessere Ergebnisse erzielen, da sie mehr Informationen erfassen können. Basierend auf einem Datensatz von über 120.000 Bilder weisen die besten Modelle einen Fehler (MAPE) von nur knapp über 10% auf; auf Basis von über 400.000 Datensätzen (Voxel) betrug dieser Fehler nur noch etwas mehr als 6 %, obwohl die Auflösung der Daten reduziert wurde. Damit wäre das Verfahren nach Auffassung der Autoren präzise genug, um zur Angebotserstellung verwendet werden zu können (Ning et al. 2020a, S. 194-195).

Ning et al. (2020b) erweitern diesen Ansatz und schätzen wiederum Herstellkosten zerspanter Werkstücke³⁰. Der verwendete Datensatz ist im Vergleich zur vorherigen Arbeit kleiner, berücksichtigt aber nicht nur geometrische Merkmale, sondern auch Fertigungsmerkmale und wird ebenfalls mittels eines CNN aus CAD-Daten erzeugt. Die dabei erkannten Features werden durch eine PCA reduziert und gehen anschließend in die Kostenschätzung mittels ANN und SVR ein. Dabei erweist sich erneut das ANN³¹ als sehr guter Schätzer (MAPE knapp über 8%); deutlich besser als die beiden getesteten SVR-Modelle.

Ning et al. (2022) berücksichtigen zusätzlich zur Geometrie und Fertigungsmerkmalen (z.B. Nuten, Löcher) der Werkstücke auch Bearbeitungsmerkmale und vergleichen diesen Ansatz mit den Schätzern aus den früheren Arbeiten auf dem Datensatz aus Ning et al. (2020b). Zur Generierung der Eingangsgrößen werden wieder CAD-Modelle mittels eines speziellen, syntaxorientierten Algorithmus ausgewertet; die erzeugten Features mittels einer PCA reduziert. Die Kostenschätzung auf dieser Datenbasis erfolgt mit verschiedenen Netzwerkansätzen (CNN mit unterschiedlichen Verlustfunktionen, Backpropagation), wobei das beste CNN nur einen MAPE von 5,24% aufweist; eine geringfügig höhere Qualität als die der Alternativen. Die Autoren demonstrieren weiterhin, dass dieser Ansatz auch denen in den früheren Arbeiten leicht überlegen ist, was die Autoren auf die zusätzlich berücksichtigen Eingangsgrößen zurückführen (Ning et al. 2022, S. 18).

Einen ganz anderen Ansatz verwendet die Forschergruppe in Ning et al. (2023) zur Kostenschätzung einer Führungsschiene („guide shaft“) durch den Vergleich dieser mit ähnlichen Teilen anhand von geometrischen (z.B. Form, Größe, Strukturen) und verarbeitungsbezogenen (Fertigungsmerkmale, -schritte und - prozesse) Merkmalen - ein klassischer analoger Ansatz. Die gesuchten Kosten werden als gewichtete Kosten der drei ähnlichsten Objekte ermittelt (Clustering mittels k-means). Angeblich sind die Ergebnisse (auf Basis von MAPE) - deutlich besser als die bei der Verwendung von ANN in den früheren Arbeiten; diese Ausführungen sind aber nicht nachvollziehbar, da anscheinend nur ein Testobjekt verwendet wird.

Der analoge Schätzer der Herstellkosten von 1.006 mechanisch bearbeiten Werkstücken von Yoo und Kang (2021) basiert auf deren CAD-Modellen. Der Ansatz ähnelt Ning et al. (2020a): auch hier werden zunächst Voxel-Daten aus den CAD- Modellen gewonnen. Es müssen aber keine Bearbeitungsmerkmale vorgegeben werden (keine Label erforderlich) und diese werden auch nicht separat im Prozess mittels Bilderkennung oder Klassifikation erlernt. Berücksichtigt werden noch Material und Volumen der Werkstücke. Verglichen werden mehrere CNN; der beste Schätzer erzielt auf den Testdaten (20% des Datensatzes) ein MAPE von nur noch 8,76%. Darüber hinaus liefert der Ansatz Empfehlungen für eine kostenoptimierte Überarbeitung des Entwurfs.

Auch Zhang et al. (2022) schätzen die Herstellkosten mechanisch bearbeiteter Werkstücke (Datensatz: 3.072)³² mittels neuronaler Netze, berücksichtigen aber nicht nur Material und Bearbeitungsmerkmale, sondern zusätzlich Präzisionsparameter wie Rauheit und Toleranzen. Zum Einsatz kommt ein graphenbasierter Ansatz bzw. spezielle CNN (ein sogenanntes Convolutional Graph Neural Network); deren optimierte Variante auf den Testdaten (15%) einen MAPE von 8% erzielt. Zusätzlich liefert auch dieser Ansatz eine grafisch unterstützte Analyse der wesentlichen Einflussfaktoren auf die Herstellkosten und somit einen Beitrag zur weiteren Kostenoptimierung und Akzeptanz.

Rapaccini et al. (2023) entwickeln einen ML-gestützten Kostenschätzer für Komponenten von komplexen, auftragsbezogen erstellten Industrieanlagen (z. B. Gasturbinen, Axialkompressoren, Kolbenkompressoren) der Öl- und Gasindustrie. Diese Entwicklung erfolgt in Kooperation mit dem Unternehmen und dessen „Cost engineers“ („Action Research“). Insgesamt wurden die Kosten für 30 Komponenten mit Hilfe von Regression Forrests mit einem Fehler von unter 12% (MAPE) geschätzt; eine deutliche Verbesserung gegenüber den traditionellen Verfahren, die bislang zum Einsatz kamen. Gleichwohl wurden nur wenige Eingangsgrößen benötigt; der zugrundeliegende Datensatz ist nicht besonders groß (190 Trainings-, 63 Testdaten). Bemerkenswert ist, dass neben den reinen Merkmalen der Komponenten wie deren Gewicht und Materialart auch Elemente des Beschaffungsprozesses wie die konkreten Lieferanten oder die Anzahl der notwendigen Kaufaufträge relevante Einflussgrößen sind.³³ Über die reine Entwicklung des Kostenschätzers hinaus erstellen die Verfasser einen Rahmen, nach dem andere Unternehmen ähnliche Konzepte mit externen Beratern gemeinsam entwickeln können.

Mehrere Arbeiten sind von einer Gruppe italienischer Forscher (darunter Campi, Mandolini, Manuguerra) veröffentlicht worden, die u.a. eine Vorgehensweise zur Kostenschätzung bei geringer Datenverfügbarkeit entwickeln.

Campi et al. (2021) vergleichen in einem Konferenzbeitrag verschiedene parametrische, ML-gestützte Kostenschätzer für mechanische Komponenten und identifizieren eine Überlegenheit von zwei verschiedenen ANN sowie RF im Vergleich zur LR. Dabei schätzen sie die Materialkosten separat von den Fertigungs- /Prozesskosten³⁴. Der gesamte kleine Datensatz von (fiktiven) 90 Axialverdichterscheiben ("axial compressor discs") wird mittels einer kommerziellen Kostenschätzungssoftware erzeugt und demonstriert somit eine mögliche Lösung für die oft fehlende Datengrundlage bei Kostenschätzungen mittels ML. Ebenfalls zum Einsatz kommt eine Feature Selection mittels eines korrelationsbasierten Filters.

Ähnlich ist das Vorgehen in Manuguerra et al. (2023). Das ML-Projekt wird dabei nach dem bekannten CRISP-DM Modell strukturiert. Auf Basis von geometri- sehen Parametern, Material, Produktionsland, ... werden in diesem Konferenzbeitrag die Herstellkosten von axial-symmetrischen Drehkörpern geschätzt und wieder fehlende historische Informationen mit Hilfe einer kommerziellen, analytischen Kostenschätzungssoftware ergänzt. Diese Ergänzung der ursprünglich 76 auf insgesamt 216 Datenpunkte wird so vorgenommen, dass der Datensatz hinsichtlich bestimmter Eingangsgrößen balancierter wird. Im Vergleich von fünf Ansätzen ist der DT (relativer Fehler³⁵ von 23,5%³⁶ ) geringfügig besser als RF und GBT; diese alle deutlich besser als ANN (Deep Learning im Original) und GLM. Mittels einer Wrapper Methode (Sequential Forward Selection) wird dabei die Anzahl der „Features“ reduziert. Mittels „Feature Permutation Importance (FPI) gelingt die Identifikation von im DT besonders einflussreichen Merkmalen und somit Ansatzpunkten für erhöhte Akzeptanz und Kostenoptimierung.

Auch die Fallstudie in Mandolini et al. (2024a) und Mandolini et al. (2024b) folgt dem zuvor entwickelten Framework zur Entwicklung einer ML-gestützten Kostenschätzung unter Einbeziehung des CRISP-DM (nochmals ausführlich beschrieben in Mandolini et al. 2024a). Geschätzt werden die Kosten von Scheiben und Abstandshalter eines Axialverdichters. Auf Basis von 50 historischen Produkten werden 58 weitere Varianten im CAD erzeugt und mit 31 Parametern (u.a. geometrische Parameter, Losgröße, Produktionsland, Materialart...) beschrieben. Anschließend werden diese 108 auf 6.480 Beobachtungen erweitert, indem typische Ausprägungen von Losgrößen, Produktionsland und Materialart ermittelt und zu neuen Konfigurationen kombiniert werden. Die Kosten dieser „neuen“ Objekte werden durch Kosteningenieure unter Verwendung einer kommerziellen Kostenschätzungssoftware ermittelt, die im Fallunternehmen bereits eingesetzt wird. Diese Kostenschätzung ist zwar qualitativ gut, aber ihr Einsatz ist sehr zeitaufwändig und benötigt viel Erfahrung. Aufgrund der Beschaffungsstrategie werden hier sowohl die Kosten des unbearbeiteten Halbfabrikats, welches zugekauft wird, und des Fertigfabrikats geschätzt. Wiederum werden GLM, Deep Learning, DT, RF und GBT, ein Feature Selection Algorith- mus³⁷ sowie erneut FPI verwendet. Mit einem MAPE unter 1% bzw. 3% für Halb- und Fertigfabrikate für die Testdaten waren die GBTs dabei anderen Ansätzen deutlich überlegen. In der Validierung steigt der Fehler auf 5% bzw. 11%. Trotzdem sind die ML-gestützten Schätzungen deutlich schneller erzeugt (in Minuten statt Stunden) und qualitativ besser; sie benötigen auch weniger Berufserfahrung bei der Anwendung. Allerdings sind die erzeugten Modelle produktbezogene Einzellösungen, die daher nicht übertragbar sind und bei Erweiterung des Produktspektrums neu angelernt werden müssten.

Masoumi und Bond (2025) untersuchen den Einsatz von ML zur Vorhersage der Bearbeitungszeit in der Möbelproduktion, die häufig aus kleinen und mittleren Unternehmen (KMU) erfolgt. Ziel ist es, eine präzisere Abschätzung von Durchlaufzeiten und darauf aufbauend Kosten (nicht Gegenstand in der Studie) zu ermöglichen, insbesondere bei maßgeschneiderten Bestellungen, die eine hohe Produktvielfalt und komplexe Prozesse mit sich bringen.

Verglichen werden anhand eines Datensatzes von 366 Bauteilen die Prognosen eines ANN, welches auch die Klassifikationsergebnisse eines vorgeschalteten CNN nutzt, mit denen von RF und GBT auf Basis von Designparametern und Produktionsdaten. Dabei sind die Fehler des ANN in Kombination mit dem CNN mit einem MAPE von 1,63% deutlich geringer als die der beiden anderen Ansätzen mit 10,26% bzw. 11.15%. Die Autoren vermuten, dass diese beiden letztgenannten Ansätze mögliche nichtlineare Zusammenhäng zwischen Designmerkmalen und Bearbeitungszeiten nicht genau genug abbilden können. Auch deshalb sollte die Wahl eines drei Verfahren kontextbezogen entschieden werden (Interpretationsfähigkeit, Datenanforderungen).

Die bisher präsentierten Arbeiten sind den analogen oder parametrischen Kostenschätzungen gemäß der Klassifikation von Niazi zuzuordnen. In dieser Klassifikation werden Regressionsmodelle oder ANN explizit als methodische Ansätze in diesen Kategorien erwähnt und es ist somit keine Überraschung, dass ML in diesen Bereichen verwendet wird. Es gibt allerdings auch Arbeiten, welche neuronale Netze in Kombination mit Fuzzy Logic verwendet, um intuitive Kostenschätzungsmethoden wie Case Based Reasoning oder Decision Support Systems oder auch hybride Systeme zu verbessern.³⁸ Als Beispiele sei hier Kasie und Bright (2021) und Perovic et al. (2022) genannt. Allerdings sind in diesen Konzeptarbeiten noch keine Aussagen über die Qualität der Prognosen enthalten, weswegen sie hier nicht weiter beachtet werden.

Auf Basis der oben dargestellten Literatur lassen sich die Ergebnisse der Literaturrecherche von Bodendorf u.a. (vgl. Kapitel 2.2.3.2 Stand der Literatur Ende 2020.) wie folgt aktualisieren:³⁹

Methodik: zu schätzende Größen / Bezugsobjekte

• Geschätzt werden unterschiedliche Größen: Herstell-, Selbst-, Entwicklungs-, Konstruktions-, Werkzeug-, Lebenszykluskosten, ... Die Anzahl der Studien ist aber so gering, dass eine separate Auswertung nach diesen einzelnen Größen nicht sinnvoll erscheint.
• Die meisten Beiträge fokussieren auf einzelne Komponenten von industriell gefertigten Erzeugnissen (in unterschiedlicher Komplexität der geforderten Bearbeitung). Aber auch die Kostenschätzung komplexerer Erzeugnisse (Baugruppen, Verpackungsmaschinen, PKW) wird bereits mit guten Ergebnissen demonstriert.
• In einigen, wenigen Arbeiten werden zunächst die Ausprägungen von Kostentreiber mittels ML geschätzt und darauf aufbauend die Kosten (z.B. Klocker et al. 2023).

Methodik: Daten

• Die Eingangsvariablen der Modelle werden vielfältiger: sie gehen über die geometrischen Produkt-/Bearbeitungsmerkmale hinaus und beziehen Material-, Fertigungs- oder auch Beschaffungsmerkmale ein (z.B. Ning et al. 2020b, Yoo und Kang 2021). In Folge dessen verschwimmt die Grenze zwischen analogen und parametrischen Schätzverfahren und stellt somit die Gültigkeit der Klassifikation von Niazi et al. (2006) in Frage.
• Neben historischen Daten werden auch simulierte Daten einbezogen (z.B. Bodendorf et al. 2022d, Rapaccini et al. 2023). Besonders beachtenswert erscheinen Vorschläge, insbesondere bei Einzel- und Sonderanfertigung, die für ML-Anwendungen unzureichende Datengrundlage („sparse data“, „unbalanced data“) mit simulierten Daten aufzufüllen (siehe z.B. die Arbeiten von Campi, Mandolini, Manuguerra...).

Methodik: Algorithmen und Software

- Es gibt immer mehr Vergleiche, die nicht nur zwei ML-Ansätze berücksichtigen. Nur sehr wenige Arbeiten vergleichen allerdings die Schätzergebnisse mit denen von Kosteningenieuren (z.B. Hammann 2024) bzw. bisher verwendeten Ansätzen in der Praxis.
- MAPE scheint sich als Standard für das Gütemaß etabliert zu haben. Viele Arbeiten beurteilen ihre Ergebnisse nur anhand dieser Größe; nur sehr wenige ganz ohne diese.
- Neuronale Netze liefern im Methodenvergleich häufig die besten Kostenschätzungen, aber nicht immer. Insbesondere geboostete Modelle auf Basis von Entscheidungsbäumen sind oft auch gut geeignet (z.B. Klocker et al. 2023). Es gilt weiterhin: Es gibt nicht den einen, überlegenen Ansatz für diese Aufgabenstellung! Lediglich die traditionellen parametrischen (lineare, exponentielle...) Regressionsmodelle fallen oft ab.
- Viele Arbeiten zeigen die Möglichkeiten in der Verwendung von Ensemble-Techniken auf. Dabei kommen sowohl Bagging, Boosting als auch Stacking (Geron 2019, Chapter 7) zum Einsatz.
- Verstärkt werden CNN Ansätze verwendet, da diese Datenformate wie Bilder oder auch als Graphen aufgearbeitete Produktdetails gut verarbeiten können (z.B. Bodendorf et al. 2019; Ning et al. 2020a und nachfolgende Arbeiten; Yoo und Kang 2021). Dabei ist es nicht unbedingt mehr erforderlich, die Merkmale der Trainingsobjekte vorab zu beschreiben (labeln), was die Anwendung deutlich vereinfacht und beschleunigt (Zhang et al. 2022).
- Für die eigentliche ML-Anwendung wird oft Standardprogramme eingesetzt wie insbesondere Python, aber auch Rapid Miner oder Tensorflow.

Methodik: Klassifikation

Nach Bodendorf (2023, S. 49) gehören die intelligenten Kostenprognosemodelle zu den „analogieorientierten“ Verfahren gemäß der Klassifikation von Niazi, da sie „die Kosten eines Produkts auf der Grundlage bekannter Merkmale und Kosten ähnlicher Produkte“ schätzen. Sie „zielen darauf ab, eine Ursache-Wirkungs-Beziehung zwischen Produktmerkmalen und dem Kostenwert zu konstruieren (Cost Estimation Relationship)“. Dies steht im Widerspruch zu Loyer et al. (2016, S. 110) und Mandolini et al. (2024a, S. 3), welche den Einsatz von ANN unter die parametrischen Methoden verorten. Ein weiteres Beispiel: Die Kostenschätzung für Verpackungsmaschinen von Zhang und Fuh (1998) wird von Loyer et al. (2016, S. 111) als parametrisches Verfahren eingestuft, während Niazi et al. (2006, S. 567) dieses als Beispiel für ein analoges Verfahren anführen.

Ein Grund könnte darin liegen, dass die Kosteneinflussgrößen in analogen und parametrischen Modellen nicht mehr klar getrennt werden können. Nach Loyer et al. (2016, S. 111) schätzen analoge Verfahren durch Anpassung bekannter Objekte und deren Kosten anhand der Ähnlichkeit in wichtigen Konstruktionsmerkmalen (“key design feature), während parametrische Verfahren die Kostenschätzungen aus einfache Konstruktionsmerkmalen (“simple design feature”) ableiten. Diese Unterscheidung in einfache und wichtige Konstruktionsmerkmale scheint nicht mehr weit zu tragen.

Die unscharfe Trennlinie zwischen parametrischen und analogen Kostenschätzungen macht die Klassifikation von Curran et al. (2004) attraktiver, in der nur noch zwischen klassischen (“classical”) Verfahren (analoge, bottom-up und parametrische) und fortgeschrittenen (“advanced) Verfahren unterschieden wird; letztere beruhen dann auf modernen statistischen Methoden wie neuronalen Netzen, Fuzzy Logic und Data Mining.

Dimensionalitätsreduktion:

- Anders als noch bei Bodendorf et al. (2021) für frühere Arbeiten festgestellt, finden sich in den jüngeren Arbeiten oft Methoden der Feature Selection, aber jetzt auch der Feature Reduction (z.B.: Kurasova et al. 2021; Bodendorf 2023; Ma'ruf et al. 2024b. Dabei kommen sowohl Wrapper / Filter (z.B. die Gruppe von Campi, Mandolini, Manuguerra...), als auch PCA (z.B. Ning et al. 2020b; Ning et al. 2022) zum Einsatz. Damit ist nicht nur eine Verbesserung der Prognosen möglich, sondern auch eine vereinfachte Anwendung, da z.B. nach einer Merkmalsauswahl weniger Daten als Eingangsgrößen benötigt werden (Rapaccini et al. 2023, S. 6990).

Allerdings zeigt sich nach erfolgter Merkmalsselektion nicht immer die erwartete Verbesserung (vgl. Kurasova et al. 2021; Hammann 2024).

Mehrstufige Kostenprognose:

- Die parallele oder aufeinander aufsetzende Schätzung von Bestandteilen einer Kostengröße (z.B. Material- und Fertigungskosten als Teilgrößen der Herstellkosten oder Kosten von Baugruppen und gesamtem Fahrzeug) ist immer noch die Ausnahme (z.B. Bodendorf et al. 2022d; Klocker et al. 2023; Hammann 2024). Damit ist nicht abzusehen, ob die Strukturgleichheit von Kostenschätzung und späteren Kalkulationen auf diesem Wege zu ermöglichen ist.

Interpretierbare Kostenprognose:

- Eine weitere von Bodendorf et al. (2021) identifizierte Forschungslücke wird noch zögerlich angegangen: die Fähigkeit, die ermittelten Kostenschätzer im Sinne einer XAI besser nachvollziehen zu können. Erste Arbeiten auf diesem Weg sind Yoo und Kang 2021; Zhang et al. 2022 sowie die Arbeiten von Campi / Mandolini/ Manuguerra und Hammann (2024).
- Hammann und Wouters (2025, S. 1-2) verweisen auf die grundsätzliche Problematik, dass eine bessere Nachvollziehbarkeit ML-gestützter Kostenschätzungen zwar deren praktische Verwendung im Entwicklungsprozess begünstigt und vielleicht sogar erfordert, aber dies oft im Sinne eines Tradeoff die Qualität („accuracy“) der Kostenschätzung beeinträchtigt.

2.2.4 Implementierung

Es gibt inzwischen zumindest einen kommerziellen Softwareanbieter, der nach eigenen Angaben über 250 Kostenmodelle auf Basis von RF erstellt hat, die dreimal schnellere und 50% akkuratere Kostenschätzungen⁴⁰ erzielen (EasyKost 2022). Diese Software erwartet eine Datenbank mit ausreichend normalisierten Datensätzen, um die Algorithmen zu trainieren (Mandolini et al. 2024b, S. 68). Auch aPriori sowie verschiedene Fertigungsplattformen wie z.B. Spanflug oder XoMetry verwenden nach deren Angaben künstliche Intelligenz u.a. zur Kostenschätzung. Der Schwerpunkt des Einsatzes von ML scheint aber eher in der Vernetzung der verschiedenen IT-Systeme zu bestehen. Daneben kommen diese Kostenschätzungen hauptsächlich bei einfachen mechanischen Komponenten in den späteren Produktentwicklungsphasen zum Einsatz, bei denen neben CAD- Modellen auch weitere Produktmerkmale verfügbar sind. Für komplexere Werk- stücke, Serienteile oder besondere Werkstoffe ist deren automatische Verwendung bislang nicht praktikabel (Bodendorf et al. 2022a, S. 794-795; Spanflug 2024). Sie stehen somit nicht im Widerspruch zur Aussage, dass die Verwendung von ML zur Kostenschätzung /-prognose in frühen Produktlebensphasen insbesondere bei komplexeren Erzeugnissen eher die Ausnahme ist.

Es ist aber nicht auszuschließen, dass die Praxis weiter ist als es die wissenschaftliche Literatur abbildet. (Historische) Kosten und Produktmerkmale, die zum Training von ML-Algorithmen benötigt werden, sind in der Regel sehr vertraulich und werden nur selten für Forschungszwecke bereitgestellt (Bodendorf 2023, S. 31; Rapaccini et al. 2023, S. 6986; Masoumi und Bond 2025, S. 12-13). Gleichwohl sind bis auf die werblichen Darstellungen der genannten Anbieter nahezu keine Anwendungsbeispiele der Öffentlichkeit zugänglich.

Der dargestellte Stand der wissenschaftlichen Literatur lässt unverändert den Schluss zu, dass es inzwischen die technischen Möglichkeiten gibt, ML-gestützte Kostenschätzungen in frühen Produktlebenszyklusphasen zu verwenden, wie dies bereits Bodendorf (2023, S. 126), Klocker et al. (2023, S. 92) oder Rapaccini et al. (2023, S. 6980-6981) festgestellt haben. Trotzdem ist dies offensichtlich nur „eine notwendige, aber keine hinreichende Bedingung für ihre tatsächliche Einführung und Nutzung in der industriellen Praxis“ (Bodendorf 2023, S. 126), denn eine breite Verwendung ist bislang nicht festzustellen (Altavilla et al. 2018, S. 23; Bodendorf et al. 2022b, S. 6959; Rapaccini et al. 2023, S. 6980-6981; Mandolini et al. 2024a, S. 2).

In diesem Abschnitt wird daher auf Basis der ausgewerteten Literatur der Frage nachgegangen, woran das liegen könnte (vgl. 1.3 Forschungsfragen).

Grünbichler et al. (2023, S. 53-54) erheben empirisch die Hemmfaktoren einer Nutzung von künstlicher Intelligenz bei österreichischen Industrieunternehmen. Diese liegen „auf Mitarbeiterebene (Fachwissen), auf organisationaler Ebene (Datenqualität) und im Bereich der Ressourcen“ (gemeint ist insbesondere Arbeitszeit). Bei den Mitarbeitern mangelt es demnach insbesondere an Akzeptanz und Knowhow. Nahezu dieselben Gründe werden von Rapaccini et al. (2023, S. 6980-6981) für die geringe Verbreitung von ML für Kostenschätzungen aufgeführt: a) mangelnde Fachkenntnisse der Mitarbeiter, b) fehlende Ressourcen und c) keine wahrnehmbare Vorteilhaftigkeit für das Management. Man kann die Hemmnisse grob in individuelle und organisationale Faktoren unterteilen, wobei diese durchaus miteinander interagieren können.

Zum Verständnis der individuellen Akzeptanz neuer Technologien hat sich das Technology Acceptance Model (TAM) von Davis (1989) etabliert, welches die Einflussfaktoren auf die beabsichtigte sowie tatsächliche Nutzung von neuen Technologien betrachtet. Zentral sind dabei die beiden Variablen „wahrgenommene Nützlichkeit (Perceived Usefulness)“ und „wahrgenommene Bedienungsfreundlichkeit (Perceived Ease of Use)“⁴¹, die selbst dem Einfluss nicht näher spezifizierter externer Größen unterliegen, die im jeweiligen Kontext bestimmt werden können (Davis et al. 1989, S. 987-989).⁴²

Bezüglich der wahrgenommenen Nützlichkeit lassen sich folgende Sachverhalte konstatieren:

- Qualität und Geschwindigkeit der Schätzungen:
- Die Fehlerraten sinken und werden bereits teilweise als denen traditioneller Ansätze überlegen bewertet (z.B. Hammann 2024, S. 12). Gleichzeitig wird oft noch von einer ausschließlichen Verwendung dieser Ansätze abgeraten (Klocker et al. 2023, S. 109) bzw. die Einbindung in hybride Systeme empfohlen (Bodendorf et al. 2022a, S. 796).
- Die Geschwindigkeitsvorteile werden selten quantifiziert (z.B. Mandolini et al. 2024a; Mandolini et al. 2024b), sind aber plausibel.
- Anreizsysteme: die Verbesserung der Kostenschätzungen mittels ML wird nicht unbedingt durch die in der Praxis bestehenden Anreizsysteme unterstützt, welche weniger die Vermeidung von Kosten in frühen Entwicklungsphasen honorieren als die besser zu dokumentierenden Kostensenkungen später (Bodendorf et al. 2022a, S. 797).
- Das größte Hindernis der ML-Ansätze ist deren (fehlende) Nachvollziehbarkeit und Interpretierbarkeit (Bodendorf et al. 2022a, S. 788; Hammann 2024, S. 8-9; Hammann und Wouters 2025, S. 24). Solange die Ergebnisse diese Verständlichkeit nicht liefern, sind sie für den Anwender des Ansatzes (Verlinden et al. 2008, S. 492), aber auch für den Adressaten (Vorgesetzte, andere Abteilungen) der Kostenschätzung (Hammann und Wouters 2025, S. 2; Moll und Yigitbasioglu 2019, S. 14) oft unbefriedigend. Es ist nicht verwunderlich, dass - wie zuvor bereits gezeigt - gerade im Bereich XAI verstärkte Forschungsbemühungen zu beobachten sind. Dadurch könnten sich neue Möglichkeiten der Kostenbeeinflussung ergeben, welche die Akzeptanz steigern sollte (Yoo und Kang 2021, S. 12).
- Negativ auf die wahrgenommene Nützlichkeit und somit Akzeptanz wirken sich insbesondere Schätzungen aus, deren ermittelte Kosteneinflussgrößen sich von denen der bisherigen Praxis unterscheiden (Matel et al. 2022, S. 1286)⁴³ oder missverständlich sind (Hammann 2024, S. 2, 12).

Bezüglich der wahrgenommenen Bedienungsfreundlichkeit ist insbesondere fehlendes Fachwissen im Hinblick auf ML zu benennen (z.B. Rapaccini et al. 2023, S. 6980-6981), welches eine „einfache“ Verwendung neuerer Ansätze der Kostenschätzung in Frage stellt.

Auch viele der nachfolgend genannten Hemmnisse organisationaler Art wirken sich auf die persönlich wahrgenommene Bedienungsfreundlichkeit aus:

- Verfügbarkeit von Daten: Voraussetzung für die Anwendung künstlicher Intelligenz ist eine ausreichende Datengrundlage, die jedoch oft nicht vorliegt (Bodendorf et al. 2022a, S. 787, 795-796, Hennebold et al. 2022, S. 267, Klocker et al. 2023, S. 109, Rapaccini et al. 2023, S. 6980-6981). Mögliche Mängel sind dabei nicht nur der zu geringe Datenumfang, sondern auch die fehlende Ausgewogenheit, „Datenlücken“ (missing data, sparse data) sowie mangelnde Integration vorhandener Datenbestände. Dies gilt möglicherweise insbesondere für kleinere und mittelgroße Unternehmen (OECD 2021) bzw. bei maßgeschneiderten Einzelanfertigungen oder Kleinserien (Mandolini et al. 2024a, S. 2).
- Für eine regelmäßige Anwendung ML gestützter Kostenschätzung ist deren An-/Einbindung in die bestehenden CAD- und ERP- Systeme erforderlich, auf die (ggf. noch zu schulende) Personen aus mehreren betrieblichen Funktionsbereiche Zugriff haben (Klocker et al. (2023, S. 109)). Weiterhin sind diese Kostenschätzungsanwendungen regelmäßig zu aktualisieren. Beides erfordert erhebliche Investitionen bzw. bedingt laufenden Aufwand.
- Aufgrund der fehlenden Informationen bezüglich eingesparter Kosten durch die Verwendung von ML zur Kostenschätzung ist eine wirtschaftliche Beurteilung der notwendigen Investitionen schwierig und hemmt deren Verwendung (Bodendorf 2023, S. 126; Rapaccini et al. 2023, S. 69806981).

3 Fazit und Ausblick

Es gibt genügend Belege dafür, dass ML-gestützte Kostenschätzung in frühen Produktlebenszyklusphasen bei Erzeugnissen industrieller Produktion sowohl in qualitativer als auch zeitlicher Hinsicht deutliche Verbesserungen gegenüber traditionellen Verfahren ermöglichen können. Gleichzeitig ist eine breite Nutzung in der betrieblichen Praxis kaum festzustellen.

Die Forschung sollte sich folglich neben der methodischen Weiterentwicklung auch auf die Ursachen der geringen Adaption fokussieren. Bei der Methodik ist insbesondere zu prüfen, ob die Verständlichkeit der Modelle im Sinne einer XAI - und damit ihr Nutzen in Bezug auf eine Kostenoptimierung bei Überarbeitung erster Entwürfe oder die Akzeptanz der Lösungen - gesteigert werden kann, ohne dass die Qualität der Prognose leidet.

Aufbauend auf den Ergebnissen des vorherigen Kapitels wäre Experteninterviews ein geeignetes Instrument, um Antworten auf nachfolgende Fragen zu erhalten:

- Für welche Produkte und in welchen Produktlebenszyklusphasen werden im produzierenden Gewerbe ML-gestützte Kostenschätzungen verwendet?
- Welche Größen werden dabei geschätzt (Kosten (mehrstufig?) oder (zunächst nur) Einflussfaktoren wie Bearbeitungszeiten etc.)?
- Welche ML Verfahren (und welche Software) werden dabei verwendet?
- Welche Daten (Menge, Merkmale) werden einbezogen?
- Welche Methoden der Dimensionalitätsreduktion werden eingesetzt?
- Wie gut sind die Prognosen; auch im Vergleich zu heutigen Verfahren?
- Welche Verfahren eignen sich für kleine Datenmengen?
- Wie wird die Nachvollziehbarkeit und die Akzeptanz der verwendeten V erfahren eingeschätzt?

Ein weiterer Forschungsansatz liegt in der Erweiterung der in diesem Beitrag einbezogenen Literatur. Es gibt im Bereich „Construction“ und Softwareentwicklung viel Literatur zur ML-gestützten Kostenschätzung, deren Ergebnisse auf eine Übertragbarkeit überprüft werden könnte.

Als letzte Anregung sei auf die zunehmende Vermischung von analogen und parametrischen Methoden bei Verwendung von ML zur Kostenschätzung verwiesen, welche eine Überarbeitung der dominierenden Klassifikation von Niazi et al. (2006) nahelegt.

4 Literaturverzeichnis

Altavilla, Stefania; Montagna, Francesca; Cantamessa, Marco (2018): A Multilayer Taxonomy of Cost Estimation Techniques, Looking at the Whole Product Lifecycle. (accepted manuscript). In: Journal of Manufacturing Science and Engineering 140 (3), Artikel 030801, S. 1-69. DOI: 10.1115/1.4037763.

Bergmann, Mareike; Brück, Christian; Knauer, Thorsten; Schwering, Anja (2021): Business Analytics in der Budgetierung. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 33 (3), S. 51-58. DOI: 10.15358/0935-0381-2021-3-51.

Bode, Jürgen (1998): Neural networks for cost estimation. In: Cost Engineering 40 (1), S. 25. Online verfügbar unter https://ezproxy.hwr- berlm.de:2048/logm?url=https://search.ebscohost.com/logm.aspx?direct=true&d b=bsu&AN=166602&lang=de&site=eds-live&scope=site.

Bodendorf, Frank (2023): Machine Learning im Cost Engineering des Supply Managements. FAU Studien aus dem Maschinenbau Band 413. FAU University Press, Erlangen. Online verfügbar unter https://open.fau.de/server/api/core/bitstreams/ee8b578c-2c2f-4560-b942- f5e97d09e9a8/content, zuletzt geprüft am 06.12.2024.

Bodendorf, Frank; Franke, Jörg (2021): A machine learning approach to estimate product costs in the early product design phase: a use case from the automotive industry. In: Procedia CIRP 100, S. 643-648. DOI: 10.1016/j.procir.2021.05.137.

Bodendorf, Frank; Lutz, Manuel; Michelberger, Stefan; Franke, Joerg (2022a): An empirical investigation into intelligent cost analysis in purchasing. In: Supply Chain Management 27 (6), S. 785-808. DOI: 10.1108/SCM-11-2020-0563.

Bodendorf, Frank; Merbele, Stefan; Franke, Joerg (2019): Predictive Cost Analytics of Vehicle Assemblies Based on Machine Learning in the Automotive Industry. In: Proceedings of the 2019 Pre-ICIS SIGDSA Symposium. Online verfügbar unter https://aisel.aisnet.org/sigdsa2019/25, zuletzt geprüft am 09.01.2025.

Bodendorf, Frank; Merbele, Stefan; Franke, Jörg (2022b): Deep learning based cost estimation of circuit boards: a case study in the automotive industry. In: International Journal of Production Research 60 (23), S. 6945-6966. DOI: 10.1080/00207543.2021.1998698.

Bodendorf, Frank; Merkl, Philipp; Franke, Jörg (2021): Intelligent cost estimation by machine learning in supply management: A structured literature review. In: Computers & Industrial Engineering 160, Artikel 107601, S. 1-15. DOI: 10.1016/j.cie.2021.107601.

Bodendorf, Frank; Merkl, Philipp; Franke, Jörg (2022c): Artificial neural networks for intelligent cost estimation - a contribution to strategic cost management in the manufacturing supply chain. In: International Journal of Production Research 60 (21), S. 6637-6658. DOI: 10.1080/00207543.2021.1998697.

Bodendorf, Frank; Xie, Qiao; Merkl, Philipp; Franke, Jörg (2022d): A multiperspective approach to support collaborative cost management in supplier-buyer dyads. In: International Journal of Production Economics 245, Artikel 108380, S. 1-19. DOI: 10.1016/j.ijpe.2021.108380.

Boerner, Xenia; Wiener, Martin; Guenther, Thomas W. (2024): Controllership effectiveness and digitalization: Shedding light on the importance of business analytics capabilities and the business partner role. In: Management Accounting Research, Artikel 100904. DOI: 10.1016/j.mar.2024.100904.

Buxmann, Peter; Schmidt, Holger (2021): Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens. In: Peter Buxmann und Holger Schmidt (Hg.): Künstliche Intelligenz. Berlin, Heidelberg: Springer Berlin Heidelberg, S. 3-25.

Campi, Federico; Mandolini, Marco; Santucci, Federica; Favi, Claudio; Germani, Michele (2021): Parametric cost modelling of components for turbomachines: preliminary study. In: Design Society (Hg.): Proceedings of the International Conference on Engineering Design (ICED 21). Gothenburg, Sweden, 16-20 August 2021, S. 2379-2388. DOI: 10.1017/pds.2021.499.

Coenenberg, Adolf G.; Fischer, Thomas M.; Günther, Thomas; Brühl, Rolf (2024): Kostenrechnung und Kostenanalyse. Freiburg: Schäffer-Poeschel.

Curran, R.; Raghunathan, S.; Price, M. (2004): Review of aerospace engineering cost modelling: The genetic causal approach. In: Progress in Aerospace Sciences 40 (8), S. 487-534. DOI: 10.1016/j.paerosci.2004.10.001.

Davis, Fred D. (1989): Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. In: MIS Quarterly 13 (3), S. 319. DOI: 10.2307/249008.

Davis, Fred D.; Bagozzi, Richard P.; Warshaw, Paul R. (1989): User Acceptance of Computer Technology: A Comparison of Two Theoretical Models. In: Management Science 35 (8), S. 982-1003. DOI: 10.1287/mnsc.35.8.982.

Deipenbrock, Sebastian; Landewee, Lars; Sälzer, Gerhard (2019): Digitale Transformation des Controllings bei Deutsche Post International Potentiale und Herausforderungen durch Nutzung von Predictive Analytics. In: CONTROLLER Magazin (1), S. 45-50.

EasyKost (2022): Get a demo - EasyKost. Online verfügbar unter https://www.easykost.com/get-a-demo, zuletzt aktualisiert am 12.09.2022, zuletzt geprüft am 19.12.2024.

Ehrlenspiel, Klaus; Kiewert, Alfons; Mörtl, Markus; Lindemann, Udo (2020): Kostengünstig Entwickeln und Konstruieren. Kostenmanagement bei der integrierten Produktentwicklung. Berlin, Heidelberg: Springer Vieweg.

Fähndrich, Jochen (2023): A literature review on the impact of digitalisation on management control. In: Journal of Management Control 34 (1), S. 9-65.

Fernández-Revuelta Pérez, Luis; Romero Blasco, Álvaro (2022): A Data Science Approach to Cost Estimation Decision Making - Big Data and Machine Learning. In: Revista de Contabilidad Spanish Accounting Review 25 (1), S. 45-57. DOI: 10.6018/rcsar.401331.

Flämmer, Fabian; Menze, Steffen (2023): Einsatz digitaler Technologien in der Kostenrechnung. In: Controlling & Management Review 67 (5), S. 38-45. DOI: 10.1007/s12176-022-1016-6.

Fraunhofer IAIS (2023): Künstliche Intelligenz, Maschinelles Lernen, Deep Learning - Wo liegt der Unterschied? Online verfügbar unter https://www.youtube.com/watch?v=GhwnpaYj4Z8, zuletzt aktualisiert am 10.08.2023, zuletzt geprüft am 10.08.2023.

Ganorkar, Ashwin B.; Lakhe, Ramesh R.; Agrawal, Kamalkishor N. (2017): Cost estimation techniques in manufacturing industry: concept, evolution and prospects. In: International Journal of Economics and Accounting 8 (3/4), S. 303. DOI: 10.1504/IJEA.2017.092279.

Géron, Aurélien (2019): Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Concepts, tools, and techniques to build intelligent systems. Beijing: O’Reilly.

Grünbichler, Rudolf; Sitter, Alexander; Fenzl, Thomas (2023): Den Weg für KI im Controlling ebnen. In: Controlling & Management Review 67 (5), S. 52-57. DOI: 10.1007/s12176-023-1069-1.

Günther, Thomas; Boerner, Xenia; Mischer, Melanie: Der Einfluss von Analytics Tools auf das Controlling: Erste Ergebnisse. DOI: 10.25368/2021.89.

Hammann, Dominik (2024): Big data and machine learning in cost estimation: An automotive case study. In: International Journal of Production Economics 269, Artikel 109137. DOI: 10.1016/j.ijpe.2023.109137.

Hammann, Dominik; Wouters, Marc (2025): Explainability Versus Accuracy of Machine Learning Models: The Role of Task Uncertainty and Need for Interaction with the Machine Learning Model. In: European Accounting Review, S. 1-34. DOI: 10.1080/09638180.2025.2463961.

Heimel, Jana; Müller, Michael (2019): Controlling 4.0. In: Michael Erner (Hg.): Management 4.0 - Unternehmensführung im digitalen Zeitalter: Springer Gabler, Berlin, Heidelberg, S. 389-430.

Hennebold, Christoph; Klöpfer, Kevin; Lettenbauer, Peter; Huber, Marco (2022): Machine Learning based Cost Prediction for Product Development in Mechanical Engineering. In: Procedia CIRP 107, S. 264-269. DOI: 10.1016/j.procir.2022.04.043.

Hueber, Ch.; Horejsi, K.; Schledjewski, R. (2016): Review of cost estimation: methods and models for aerospace composite manufacturing. In: Advanced Manufacturing: Polymer & Composites Science 2 (1), S. 1-13. DOI: 10.1080/20550340.2016.1154642.

IBM (2025): Was ist überwachtes Lernen? Online verfügbar unter https://www.ibm.com/de-de/topics/supervised-learning, zuletzt aktualisiert am 17.03.2025, zuletzt geprüft am 17.03.2025.

Innovation Acceptance Lab (2020): Technology Acceptance Model (TAM) - Innovation Acceptance Lab. Online verfügbar unter https://acceptancelab.com/technology-acceptance-model-tam, zuletzt aktualisiert am 23.05.2020, zuletzt geprüft am 27.01.2025.

Jäkel, Carsten; Muntermann, Jan (2023): Predictive Analytics im Rahmen von Cash Forecasting. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 35 (4), S. 4-10. DOI: 10.15358/0935-0381-2023-4-4.

James, Gareth; Witten, Daniela; Hastie, Trevor; Tibshirani, Robert; Taylor, Jonathan E. (2023): An introduction to statistical learning. With applications in Python. Cham: Springer.

Kasie, Fentahun Moges; Bright, Glen (2021): Integrating fuzzy case-based reasoning, parametric and feature-based cost estimation methods for machining process. In: Journal of Modelling in Management 16 (3), S. 825-847. DOI: 10.1108/JM2-05-2020-0123.

Kirchberg, Andreas; Müller, Daniel (2017): Digitalisierung im Finanz- /Controllingbereich Standortbestimmung und Konsequenzen für die Controllerarbeit. In: CONTROLLER Magazin (1), S. 42-45.

Klocker, Florian; Bernsteiner, Reinhard; Ploder, Christian; Nocker, Martin (2023): A Machine Learning Approach for Automated Cost Estimation of Plastic Injection Molding Parts. In: Cloud Computing and Data Science 4 (2), S. 87-111. DOI: 10.37256/ccds.4220232277.

Knauer, Thorsten; Nuss, Alexander; Wömpener, Andreas (2012): Der instrumentelle Kern des Controllings. In: CONTROLLER Magazin 37 (1), S. 6772.

Kocherhans, Brigitta; Schultze, Wolfgang; Hiebl, Martin R. W. (2023): Künstliche Intelligenz im Liquiditätsforecasting ist keine Rocket Science. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 35 (4), S. 72-75. DOI: 10.15358/0935-0381-2023-4-72.

Kurasova, O.; Marcinkevicius, V.; Medvedev, V.; Mikulskiene, B. (2021): Early Cost Estimation in Customized Furniture Manufacturing Using Machine Learning. In: International Journal of Machine Learning and Computing 11 (1), S. 28-33. DOI: 10.18178/ijmlc.2021.11.1.1010.

Langmann, Christian (2019): Digitalisierung im Controlling. Wiesbaden: Gabler.

Layer, Alexander; Brinke, Erik ten; van Houten, Fred; Kals, Hubert; Haasis, Siegmar (2002): Recent and future trends in cost estimation. In: International Journal of Computer Integrated Manufacturing 15 (6), S. 499-510. DOI: 10.1080/09511920210143372.

Leszczynski, Zbigniew; Jasinski, Tomasz: An artificial neural networks approach to product cost estimation. The case study for electric motor. In: Informatyka Ekonomiczna 1 (47), S. 72-84. DOI: 10.15611/ie.2018.1.06.

Leszczynski, Zbigniew; Jasinski, Tomasz (2020): Comparison of Product Life Cycle Cost Estimating Models Based on Neural Networks and Parametric Techniques—A Case Study for Induction Motors. In: Sustainability 12 (20), S. 8353. DOI: 10.3390/su12208353.

Lombardi, Rosa; Trequattrini, Raffaele; Schimperna, Federico; Cano-Rubio, Myriam (2021): The Impact of Smart Technologies on the Management and Strategic Control: A Structured Literature Review. In: Management Control (1), Artikel 2, S. 11-30. DOI: 10.3280/MACO2021-001-S1002.

Losbichler, Heimo; Lehner, Othmar M. (2021): Limits of artificial intelligence in controlling and the ways forward: a call for future accounting research. In: Journal of Applied Accounting Research 22 (2), S. 365-382.

Loyer, Jean-Loup; Henriques, Elsa; Fontul, Mihail; Wiseall, Steve (2016): Comparison of Machine Learning methods applied to the estimation of manufacturing cost of jet engine components. In: International Journal of Production Economics 178, S. 109-119. DOI: 10.1016/j.ijpe.2016.05.006.

Mahlendorf, Matthias D.; Martin, Melissa A.; Smith, David (2023): Innovative Data - Use-cases in Management Accounting Research and Practice. In: European Accounting Review 32 (3), S. 547-576. DOI: 10.1080/09638180.2023.2213258.

Mandolini, Marco; Campi, Federico; Favi, Claudio; Germani, Michele; Raffaeli, Roberto (2020): A framework for analytical cost estimation of mechanical components based on manufacturing knowledge representation. In: The Engineering Economist 107 (3-4), S. 1131-1151. DOI: 10.1007/s00170-020- 05068-5.

Mandolini, Marco; Manuguerra, Luca; Sartini, Mikhailo; Lo Presti, Giulio Marcello; Pescatori, Francesco (2024a): A cost modelling methodology based on machine learning for engineered-to-order products. In: Engineering Applications of Artificial Intelligence 136, Artikel 108957, 1-15. DOI: 10.1016/j.engappai.2024.108957.

Mandolini, Marco; Manuguerra, Luca; Sartini, Mikhailo; Pescatori, Francesco; Lo Presti, Giulio Marcello; Germani, Michele (2024b): Machine Learning for Costing Gas-Turbine Components. In: Monica Carfagni, Rocco Furferi, Paolo Di Stefano, Lapo Governi und Francesco Gherardini (Hg.): Design Tools and Methods in Industrial Engineering III. Cham: Springer Nature, S. 67-74.

Manuguerra, Luca; Mandolini, Marco; Germani, Michele; Sartini, Mikhailo (2023): Machine learning for parametric cost estimation of axisymmetric components. In: Design Society (Hg.): Proceedings of the International Conference on Engineering Design (ICED 23). Bordeaux, France, 24-28 July 2023, S. 2485-2494. DOI: 10.1017/pds.2023.249.

Ma’ruf, Anas; Leuveano, Raden A. C.; Utama, Rizky (2024a): Product Design Cost Estimation for Make-to-Order Industry: A Machine Learning Approach. In: Emerging Science Journal 8 (3), S. 1167-1183. DOI: 10.28991/ESJ-2024-08-03- 022.

Ma’ruf, Anas; Nasution, Ali Akbar Ramadani; Leuveano, Raden Achmad Chairdino (2024b): Machine Learning Approach for Early Assembly Design Cost Estimation: A Case from Make-to-Order Manufacturing Industry. In: International Journal of Technology 15 (4), S. 1037-1047. DOI: 10.14716/ijtech.v15i4.5675.

Masoumi, Abasali; Bond, Brian H. (2025): Machine learning-based prediction of processing time in furniture manufacturing to estimate lead time and pricing. In: European Journal of Wood and Wood Products 83 (1), S. 1-13. DOI: 10.1007/s00107-024-02177-w.

Matel, Erik; Vahdatikhaki, Faridaddin; Hosseinyalamdary, Siavash; Evers, Thijs; Voordijk, Hans (2022): An artificial neural network approach for cost estimation of engineering services. In: International Journal of Construction Management 22 (7), S. 1274-1287. DOI: 10.1080/15623599.2019.1692400.

Matzka, Stephan (2021): Künstliche Intelligenz in den Ingenieurwissenschaften. Maschinelles Lernen verstehen und bewerten. Wiesbaden: Springer Vieweg.

Moll, Jodie; Yigitbasioglu, Ogan (2019): The role of internet-related technologies in shaping the work of accountants: New directions for accounting research. In: The British Accounting Review 51 (6), Artikel 100833. DOI: 10.1016/j.bar.2019.04.002.

Mörtl, Markus; Schmied, Christian (2015): Design for Cost—A Review of Methods, Tools and Research Directions. In: Journal of the Indian Institute of Science 95 (4), S. 379-404. Online verfügbar unter https://journal.iisc.ac.in/index.php/iisc/article/view/4586/4883, zuletzt geprüft am 25.11.2024.

Niazi, Adnan; Dai, Jian S.; Balabani, Stavroula; Seneviratne, Lakmal (2006): Product Cost Estimation: Technique Classification and Methodology Review. In: Journal of Manufacturing Science and Engineering 128 (2), S. 563-575. DOI: 10.1115/1.2137750.

Nielsen, Steen (2022): Management accounting and the concepts of exploratory data analysis and unsupervised machine learning: a literature study and future directions. In: Journal of Accounting & Organizational Change 18 (5), S. 811853.

Ning, Fangwei; Qu, Hongquan; Shi, Yan; Cai, Maolin; Xu, Weiqing (2022): Feature-Based and Process-Based Manufacturing Cost Estimation. In: Machines 10 (5), Artikel 319. DOI: 10.3390/machines10050319.

Ning, Fangwei; Shi, Yan; Cai, Maolin; Xu, Weiqing; Zhang, Xianzhi (2020a): Manufacturing cost estimation based on a deep-learning method. In: Journal of Manufacturing Systems 54, S. 186-195. DOI: 10.1016/j.jmsy.2019.12.005.

Ning, Fangwei; Shi, Yan; Cai, Maolin; Xu, Weiqing; Zhang, Xianzhi (2020b): Manufacturing cost estimation based on the machining process and deep-learning method. In: Journal of Manufacturing Systems 56, S. 11-22. DOI: 10.1016/j.jmsy.2020.04.011.

Ning, Fangwei; Shi, Yan; Tong, Xiaomeng; Cai, Maolin; Xu, Weiqing (2023): Manufacturing cost estimation based on similarity. In: International Journal of Computer Integrated Manufacturing 36 (8), S. 1238-1253. DOI: 10.1080/0951192X.2023.2165160.

OECD (2021): The digital transformation of SMEs. Paris (OECD studies on SMEs and entrepreneurship).

Oehler, Karsten (2024): KI-Assistenten in der Unternehmensplanung. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 36 (5), S. 82-84. DOI: 10.15358/0935-0381-2024-5-82.

Perovic, Stevan; Todic, Vladimir, Pervaz, Jovan; Cosic, Ilija; Radisic, Slobodan (2022): Hybrid Product Cost Calculation Model as a Decision Support Tool. In: Tehnicki vjesnik (Technical Gazette) 29 (6), 1896-1905. DOI: 10.17559/TV- 20211231154627.

Plinke, Wulff; Utzig, B. Peter (2020): Industrielle Kostenrechnung. Berlin, Heidelberg: Springer Vieweg.

Ranta, Mikko; Ylinen, Mika; Järvenpää, Marko (2023): Machine Learning in Management Accounting Research: Literature Review and Pathways for the Future. In: European Accounting Review 32 (3), S. 607-636. DOI: 10.1080/09638180.2022.2137221.

Rapaccini, Mario; Cadonna, Veronica Loew; Leoni, Leonardo; Carlo, Filippo de (2023): Application of machine learning techniques for cost estimation of engineer to order products. In: International Journal of Production Research 61 (20), S. 6978-7000. DOI: 10.1080/00207543.2022.2141907.

Rathje, Britta; Zink, Steffen (2022): Controlling-Prozesse: Potenziale der Automatisierung. In: CONTROLLER Magazin (4), S. 52-53.

Relich, Marcin; Pawlewski, Pawel (2018): A case-based reasoning approach to cost estimation of new product development. In: Neurocomputing 272, S. 40-45. DOI: 10.1016/j.neucom.2017.05.092.

Rieg, Robert (2018): Eine Prognose ist (noch) kein Plan. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 30 (6), S. 22-28. DOI: 10.15358/0935-0381-2018-6-22.

Roy, Rajkumar; Kerr, Clive (2003): Cost engineering: Why, what and how? Research Paper. Cranfield University, Cranfield. Online verfügbar unter http://dspace.lib.cranfield.ac.uk/handle/1826/64, zuletzt geprüft am 27.11.2024.

Rudolph, Jan-Peer (2018): Cloudbasierte Potentialerschließung in der additiven Fertigung. Berlin, Heidelberg: Springer.

Russell, Stuart J.; Norvig, Peter (2022): Artificial intelligence. A modern approach. Boston: Pearson.

Sanders, Wera; Fiedler, Jannik; Radtke, Björn (2021): Planen und steuern mit Predictive Analytics. In: Controlling & Management Review 65 (8), S. 36-41. DOI: 10.1007/s12176-021-0425-2.

Satzger, Gerhard; Holtmann, Carsten; Peter, Susanne (2018): Advanced Analytics im Controlling - Potenzial und Anwendung für Umsatz- und Kostenprognosen. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 30 (S), S. 46-53.

Shutb, Avraham; Zimerman, Yoav (1993): A neural-network-based approach for estimating the cost of assembly systems. In: International Journal of Production Economics 32, S. 189-207.

Spanflug (2024): Drehteile und Frästeile in 1 Minute online bestellen - Spanflug. Online verfügbar unter https://spanflug.de/drehteile-fraesteile-online/, zuletzt aktualisiert am 11.07.2024, zuletzt geprüft am 27.01.2025.

Verlinden, B.; Duflou, J. R.; Collin, P.; Cattrysse, D. (2008): Cost estimation for sheet metal parts using multiple regression and artificial neural networks: A case study. In: International Journal of Production Economics 111 (2), S. 484-492. DOI: 10.1016/j.ijpe.2007.02.004.

Wagner, Jürgen; Bieler, Bernhard; Promper-Unzeitig, Nicole; Daske, Holger (2023): Predictive Analytics innerhalb der Finanzfunktion bei der Siemens AG. In: Controlling: Zeitschrift für erfolgsorientierte Unternehmenssteuerung 35 (4), S. 26-33. DOI: 10.15358/0935-0381-2023-4-26.

Wang, Yali; Zuo, Jian; Pan, Min; Tu, Bocun; Chang, Rui-Dong; Liu, Shicheng et al. (2024): Cost prediction of building projects using the novel hybrid RA-ANN model. In: Engineering, Construction and Architectural Management 31 (6), S. 2563-2582. DOI: 10.1108/ECAM-07-2022-0666.

Weber, Jürgen (2018a): „Einige betreiben Kostenrechnung ohne Zielbild für das Morgen“. In: Controlling & Management Review 62 (9), S. 8-15. DOI: 10.1007/s12176-018-0075-1.

Weber, Jürgen (2018b): Definition: Kalkulation. Gabler Wirtschaftslexikon.

Online verfügbar unter https://wirtschaftslexikon.gabler.de/definition/kalkulation-38438/version- 261861, zuletzt aktualisiert am 14.02.2018, zuletzt geprüft am 08.11.2024.

Weber, Jürgen (2018c): Definition: Konstruktionskosten. Online verfügbar unter https://wirtschaftslexikon.gabler.de/definition/konstruktionskosten-39827, zuletzt aktualisiert am 14.02.2018, zuletzt geprüft am 18.12.2024.

Weber, Jürgen (2022): Zukunftsfähige Kostenrechnung. In: Controlling & Management Review 66 (1), S. 8-15. DOI: 10.1007/s12176-021-0439-9.

Weißenberger, Barbara E. (2021): Künstliche Intelligenz als Zukunftstechnologie im Controlling. In: Controlling & Management Review 65 (2), S. 8-17. DOI: 10.1007/s12176-021-0366-9.

Yoo, Soyoung; Kang, Namwoo (2021): Explainable artificial intelligence for manufacturing cost estimation and machining feature visualization. In: Expert Systems with Applications 183, Artikel 115430, S. 1-14. DOI: 10.1016/j.eswa.2021.115430.

Zhang, Hang; Wang, Wenhu; Zhang, Shusheng; Huang, Bo; Zhang, Yajun; Wang, Mingwei et al. (2022): A novel method based on a convolutional graph neural network for manufacturing cost estimation. In: Journal of Manufacturing Systems 65, S. 837-852. DOI: 10.1016/j.jmsy.2022.10.007.

Zhang, Y. F.; Fuh, J.Y.H. (1998): A neural network approach for early cost estimation of packaging products. In: Computers & Industrial Engineering 34 (2), S. 433-450. DOI: 10.1016/S0360-8352(97)00141-1.

Zhang, Y. F.; Fuh, J.Y.H.; Chan, W. T. (1996): Feature-based cost estimation for packaging products using neural networks. In: Computers in Industry 32 (1), S. 95-113. DOI: 10.1016/S0166-3615(96)00059-0.

[...]

---

¹ In dieser Studie werden die Begriff Management Accounting / Managerial Accounting / Controlling und internes Rechnungswesen wie in vielen anderen Arbeiten synonym verwendet (vgl. Boerner et al. 2024, S. 2), da sicherlich bestehende Unterschiede hier als nicht relevant betrachtet werden können.

² “First of all, the outcome of the literature study indicates that to date, almost no research has focused on the link between AI/ML and MA. Almost all peer reviewed articles and papers are conceptual and speculative and do not address any concrete examples of using AI/ML within MA, even though the interest is huge (also within accounting bodies and consulting companies).” (Nielsen 2022, S. 841) “Artificial intelligence, data science, machine learning, and big data are on organizations’ agendas. Although these concepts are not new in disciplines such as finance (...), in management accounting, they are still to be developed.” (Fernández-Revuelta Pérez und Romero Blasco 2022, S. 46)

³ Zum Begriff „Kostenschätzung“, auch im Verhältnis zu „Vorkalkulation“, siehe Kapitel 2.2.1, S. 6.

⁴ Diese durchaus plausible Behauptung wird oft mit Zahlen aus einer Richtlinie des VDMA aus dem Jahre 1987 untermauert, die wohl selbst auf Arbeiten aus den Jahren 1968-1980 beruhen und zumindest bis 2006 keine Aktualisierung erfahren haben (Mörtl und Schmied 2015, S. 382).

⁵ Leider zeigte sich auch in dieser Forschungsrichtung zu „unsauberen“ Publikationen; die häufig zitierte Arbeit von Wang et al. 2024 wurde inzwischen zurückgenommen.

⁶ Wir verwenden „Produkt“ als Oberbegriff für verschiedene Formen von Kundenangeboten. Darunter fallen auch Projektierungen, die eine besondere Form individueller Produkte darstellen. „Bei der Projektierung wird - ausgehend vom Kundenwunsch - ein meist spezielles Produkt- oder Anlagenkonzept erstellt. Das Ergebnis der Projektierung ist ein Angebot. Im Gegensatz zur Projektierung ist die Produktplanung der Prozess für eine innerbetriebliche Entscheidung, ob ein neues Produkt oder eine neue Anlage für eine Vielzahl von Kunden entwickelt werden soll“ (Ehrlenspiel et al. 2020, S. 11-12).

⁷ Die Ergebnisse sind auch Teil der deutschsprachigen Publikation Bodendorf 2023.

⁸ Diese Auffassung folgt noch der Definition in der inzwischen zurückgezogenen DIN 32990.

⁹ Auf die Darstellungen der einzelnen Methoden, die von Niazi et al. 2006 beschrieben und den vier Gruppen zugeordnet werden, wird hier verzichtet, da deren Details für die Forschungsfrage irrelevant ist. Eine Beschreibung der verschiedenen Methoden inkl. aktuellerer Literatur findet sich bei Ganorkar et al. 2017. Es sei noch darauf hingewiesen, dass die einzelnen Methoden in der Literatur gelegentlich anders klassifiziert werden (z.B. abweichend von Niazi et al.: Case Based Reasoning als analoge Technik oder Feature-Based Cost Estimation als parametrische Technik bei Roy und Kerr 2003 oder Curran et al. 2004).

¹⁰ Die kausalen Prognosen werden von Coenenberg et al. (2024, Kapitel 13) weiter in analytische und synthetische Verfahren untergliedert. Die erste Kategorie entspricht in etwa der bei Niazi mit gleicher Bezeichnung; synthetischen Verfahren sind im Wesentlichen eine Oberkategorie von parametrischen Verfahren („Kenngrößenbasierten Verfahren“ bei Coenenberg) und analogen Verfahren („Direkte Ähnlichkeit“).

¹¹ Einige der genannten Methoden können auch zur Klassifikation (Prognose qualitativer Merkmale) eingesetzt werden (kNN, DT, SVM). In dieser Arbeit ist jedoch - sofern nicht explizit anders ausgeführt - jeweils die Variante zur Prognose quantitativer Merkmale gemeint.

¹² So wurden beispielsweise neuronale Netze bereits bei Zhang et al. 1996 Zhang et al. 1996, Zhang und Fuh 1998 oder Shutb und Zimerman 1993 für diese Aufgabenstellung verwendet.

¹³ Der Begriff „intelligente Kostenprognosemodelle“ (IKPM) bzw „intelligent cost estimation“ (ICEM) bleibt streng genommen undefiniert, bezeichnet aber offensichtlich die Verwendung von künstlicher Intelligenz, insbesondere maschinellem Lernen, zur Kostenschätzung.

¹⁴ Der Fokus war ursprünglich enger auf zu beschaffende Teile in der Automobilindustrie definiert (Bodendorf et al. 2021, S. 3). Aufgrund der Suchbegriffe (manufactur* OR fabricat* OR production) ist auch nicht ganz klar, ob auf das „Verarbeitende Gewerbe“ („manufacturing industries“) insgesamt oder nur - als Teil davon, die „Fertigungsindustrie“ (Bodendorf 2023, S. 27) abgehoben wird. Diese Unterschiede spielen aber für die Fragestellung hier vermutlich auch keine Rolle.

¹⁵ Die beiden Quellen widersprechen sich in diesem Punkt.

¹⁶ Gleichwohl waren „nearest neighbor*“, „decision tree* und “ensemble learning” als Suchbegriffe eingezogen.

¹⁷ Eine solche Hierarchie könnten die Baugruppen einer Maschine oder eines Fahrzeugs sein, aber auch die Fertigungsstufen eines Erzeugnisses.

¹⁸ Im Text sprechen Bodendorf et al. 2021 von vier der 47 Arbeiten; in der tabellarischen Übersicht sind allerdings nur drei entsprechend kategorisiert.

¹⁹ Eine knappere (tabellarische) Darstellung ausgewählter Literatur bis 2023 bieten auch Ma'ruf et al. 2024a, S. 1170-1172.

²⁰ Die erste Fallstudie ist auch Gegenstand von Bodendorf et al. 2022c; die zweite und dritte von Bodendorf et al. 2022d.

²¹ Die Ergebnisse der zweiten Fallstudie werden durch die Anwendung der ermittelten Modelle auf einen weiteren Datensatz von 720 Stanzteilen bestätigt (Bodendorf 2023, S. 83).

²² Leider wird jeweils nur eine der beiden Größen in einer der beiden ersten Studien verwendet.

²³ Einen weiteren Vergleich verschiedener ML-basierter Ansätze mit noch nicht ganz so guten Ergebnissen findet man auf Basis einer Stichprobe von 1340 Datensätzen (Rädern) und nur 7 Merkmalen bereits Bodendorf und Franke 2021 (berücksichtigt in Bodendorf et al. 2021.)

²⁴ Zur Ermittlung der beiden Größe wurden auch noch andere ML-Ansätze auf Basis von Entscheidungsbäumen getestet, aber nicht weiter eingesetzt.

²⁵ Eine detaillierte Beschreibung der jeweiligen Vorgehensweise findet sich bei Hammann 2024, S. 13-14 im Anhang.

²⁶ Die Verfasser machen Angaben zu RMSE, aber nicht MAPE.

²⁷ Verwendet wird SelectKBest aus der scikit-learn-Bibliothek in Python.

²⁸ Basierend auf MAE und RMSE; nicht MAPE.

²⁹ Eine separate Schätzung von Konstruktionskosten von Baugruppen bzw. Entwicklungskosten kundenindividueller Produkte, die in der Regel später in Form von Sondereinzelkosten oder Gemeinkosten (Weber 2018c) in die Herstellkosten dieser Erzeugnisse eingehen, wird mit der besonderen wirtschaftlichen Bedeutung dieser Größen für den Produkterfolg begründet.

³⁰ Es werden ähnliche Werkstücke wie zuvor erwähnt; aber die Liste der genannten Objekte ist nicht deckungsgleich.

³¹ Verwendet wird TensorFlow mit zwei Optimierungen, die sehr ähnliche Ergebnisse liefern.

³² Einige der Daten wurden durch Simulation erzeugt (Zhang et al. 2022, S. 846-847.)

³³ Der Lieferant als Eingangsgröße stellt ein „Data Leakage“ - Problem dar: diese Information liegt in der frühen Entwicklungsphase noch nicht vor. In dem Beitrag wird ein pragmatischer Verfahrensvorschlag dazu gemacht, der aber voraussetzt, dass nur eine begrenzte Anzahl von Lieferanten überhaupt in Frage kommt.

³⁴ Auf die Sinnhaftigkeit einer solchen Kostenaufschlüsselung wurde bereits in Mandolini et al. 2020 verwiesen.

³⁵ Dieses Gütemaß sollte MAPE entsprechen (vgl. die Definition bei Manuguerra et al. 2023, S. 2491); die Fehlergröße liegt nach Darstellung der Autoren unter den Grenzwerten, die industrielle Normen setzen.

³⁶ Die Autoren geben zusätzlich noch dessen Standardabweichung mit +/- 1,37% an.

³⁷ Multi-Objective Evolutionary Algorithm - ein von RapidMiner bereitgestellter Algorithmus. In den optimierten Modellen finden sich nur noch 12 bzw. 16 der ursprünglich 31 Eingangsvariablen.

³⁸ Einen kleinen, älteren Literaturüberblick zu diesem Ansatz bieten Relich und Pawlewski 2018, S. 41.

³⁹ Die Darstellung folgt wieder der Gliederung bei Bodendorf 2023 in Methodik, Dimensionalitätsreduktion, Mehrstufige Kostenprognose und Interpretierbare Kostenprognose. Die Ausführungen im Abschnitt Methodik wird hier jedoch aufgrund des Umfangs weiter untergliedert, was auch ein Indiz für den Bereich ist, in dem sich am meisten getan hat.

⁴⁰ Der Vergleichsmaßstab wird nicht genannt.

⁴¹ “Perceived use-fulness (U) is defined as the prospective user's subjective probability that using a specific application system will increase his or her job performance within an organizational context. Perceived ease of use (EOU) refers to the degree to which the prospective user expects the target system to be free of effort.” (Davis et al. 1989, S. 985)

⁴² Dieses Ausgangsmodell wurde später mehrfach erweitert, um dessen ursprünglichen Fokus auf die Verwendung von IT am Arbeitsplatz u.a. auf den Konsumgüterbereich zu erweitern (einen grafischen Vergleich sowie erste Literaturangaben bietet Innovation Acceptance Lab 2020. Für die hiesige Fragestellung erscheint aber die schlanke Form des ursprünglichen Modells mit seinen zwei zentralen Variablen zur Strukturierung völlig angemessen.

⁴³ Matel et al. 2022 untersuchen, wie ANN in frühen Projektphasen / Ausschreibungen zur Kostenschätzung für Ingenieurdienstleistungen (Beratung) eingesetzt werden können. Für die Schätzung von Baukosten selbst gibt es vergleichsweise viele Veröffentlichungen (siehe die Literaturverweise bei Matel et al. 2022, S. 1277). Trotz eines vergleichsweise kleinen Datensatzes von lediglich 132 Projekten aus dem Bilfinger - Konzern erzielt das optimierte Netz auf Basis von nur sieben Inputgrößen (Projektdauer, -phasen, -umfang, Teamgröße, Anzahl zusammenarbeitender Disziplinen, Vertragsart, wöchentliche Workload) auf den Testdaten (nur 12 Projekte) ein R2 von 0,9581und ein MAPE 0,21870. Bemerkenswert ist, dass die als einflussreich identifizierten Eingangsvariablen nicht mit den Größen übereinstimmen, die von erfahrenen Projektmanagern genannt werden.

Details

• Hochschule: Hochschule für Wirtschaft und Recht Berlin
• Autor: B. Peter Utzig (Autor:in)
• Erscheinungsjahr: 2025
• Seiten: 48
• Katalognummer: V1584280
• ISBN (eBook): 9783389128411
• ISBN (Buch): 9783389128428
• Sprache: Deutsch
• Schlagworte: Maschinelles Lernen Vorkalkulation Entwicklungsbegleitende Kalkulation