Optimizing the request for quotation process with machine learning-based connector clustering

Abstract

In de auto-industrie is het noodzakelijk voor leveranciers om snel te reageren op een Request for Quotation (RfQ) van een Original Equipment Manufacturer (OEM) met accurate prijzen om een concurrentievoordeel te behouden. De huidige benaderingen voor het RfQ-proces zijn echter tijdrovend. Deze masterproef onderzoekt de toepassing van machine-learningtechnieken om de meest vergelijkbare connectoren binnen kabelbomen te identificeren en zo de RfQ-procedure te optimaliseren. De voorgestelde aanpak bestond uit vier fasen. In de eerste fase werden de gegevens voorbewerkt, waarbij de gegevens werden opgeschoond, getransformeerd en verkleind om de feature vectors voor te bereiden op de inputs van de clusteringstechnieken. Vervolgens werden de connectoren gegroepeerd in 17 clusters met behulp van K-means clustering en het Gaussian Mixture Model (GMM). In de derde fase werd Density-Based Spatial Clustering of Applications with Noise (DBSCAN) uitgevoerd om vergelijkbare connectoren binnen dezelfde groep te categoriseren. De laatste stap omvatte vervolgens een iteratieve uitvoering van DBSCAN om de meest vergelijkbare connectoren te vinden, afhankelijk van het aantal benodigde connectoren. Een dataset bestaande uit connectoren met geverifieerde labels valideert de voorgestelde aanpak. De resultaten wijzen op een nauwkeurigheid van 62% onder 1000 connectoren. De effectiviteit van de aanpak is dus aangetoond. De thesis bevat ook een analyse van de prestaties van verschillende technieken en discussies over toekomstige verbeteringen.