Komplexe Produkte in der fertigenden Industrie, wie im Fahrzeugbau, weisen eine hohe Variantenvielfalt auf und bestehen aus zahlreichen Komponenten, die von Lieferanten bezogen werden müssen. In der frühen Produktentwicklungsphase ist eine solide Kostenschätzung dieser Komponenten entscheidend, um Entwicklungsalternativen zu bewerten und Verhandlungen mit Zulieferern zu unterstützen. Das Cost Engineering im Supply Management übernimmt diese Aufgabe, jedoch sind traditionelle Kalkulationsverfahren oft zu aufwändig für die Beschaffungsvielfalt. Um die Effizienz im Cost Engineering zu steigern, sind innovative Ansätze erforderlich, die eine (Teil-)Automatisierung des Kalkulationsprozesses ermöglichen. Das Buch zeigt, dass Methoden des maschinellen Lernens (ML) effektiv für intelligente Kostenprognosen eingesetzt werden können. Dies wird durch theoretische Analysen und Ergebnisse aus drei praktischen Fallstudien belegt, in denen Lösungskonzepte entwickelt und in der Unternehmenspraxis evaluiert werden. Die Fallstudien unterstützen Cost Engineers gezielt bei Kostenschätzungen mittels ML. Durch experimentelles Design werden Best Practices von ML-Modellen zur Kostenprognose herausdestilliert. Ein solches Modell kombiniert optimal verschiedene ML-Algorithmen, Trainingskonzepte und Erklärungsansätze der Explainable Artificial Intelligence. Zudem werden Erkenntnisse zur Leistungsfähigkeit und Genauigkeit von ML-Ansätzen gewonnen. Ein
