In an ever-changing global environment, the ability to adapt to the current economic climate is essential for a company to prosper and survive. Numerous previous re- search state that better risk management and low overall risks will lead to a higher firm value. The purpose of this study is to examine if portfolio theory, made for fi- nancial portfolios, can be used to compose product portfolios in order to minimize risk and optimize returns. The term contingent hedge is defined as an optimal portfolio that can be identified today, that in the future will yield a stable stream of returns at a low level of risk. For companies that might engage in costly hedging activities on the futures market, the benefits of creat- ing a contingent hedge are several. These include creating an optimized portfolio that minimizes risk and avoid trading contracts on futures markets that would incur hefty transaction costs and risks. Using quantitative financial models, product portfolio compositions are generated and compared with the returns and risks profile of individual commodities, as well as the actual product portfolio compositions of publicly traded mining companies. Us- ing Modern Portfolio Theory an efficient frontier is generated, yielding two inde- pendent portfolios, the minimum risk portfolio and the tangency portfolio. The Black-Litterman model is also used to generate yet another portfolio using a Bayesian approach. The portfolios are generated by historic time-series data and compared with the actual future development of commodities; the portfolios are then analyzed and compared. The results indicate that the minimum risk portfolio provides a signif- icantly lower risk than the compositions of all mining companies in the study, as well as the risks of individual commodities. This in turn will lead to several benefits for company management and the firm’s shareholders that are discussed throughout the study. However, as for a return-optimizing portfolio, no significant results can be found. Furthermore, the analysis suggests a series of improvements that could potentially yield an even greater result. The recommendation is that mining companies can use the methods discussed throughout this study as a way to generate a costless contin- gent hedge, rather than engage in hedging activities on futures markets.

Für die Messung von Prozessabläufen wie der Beschaffung (Supply Chain), der Arbeitsvorbereitung und der Produktion werden spezifische Unternehmenskennzahlen genutzt. Diese Key Performance Indicator (kurz: KPI) bilden häufig jedoch ausschließlich finanzielle Aspekte für eine unternehmensinterne Überwachung ab und berücksichtigen nicht den Entwicklungsprozess. Alternative Ansätze verwenden aus dem Expertenwissen der Mitarbeiter zusammengetragene Informationen, die durch ihre Subjektivität die Reproduzierbarkeit erschweren. In Abgrenzung zu bestehenden Konzepten wird in diesem Beitrag die Effizienz-Bewertung von variantenreichen Produktportfolios auf Basis der Produktstrukturen sämtlicher realisierter Erzeugnisvarianten beschrieben. [... aus Punkt 2]

Die Nachfrage der Kunden nach individualisierten Produkten, die Globalisierung, neue Konsummuster sowie kürzere Produktlebenszyklen führen dazu, dass Unternehmen immer mehr Varianten anbieten. Aufgrund der Arbeitsteilung und der unterschiedlichen Perspektiven können einzelne Entwickler die Komplexität des Produktportfolios nicht durchdringen. Dennoch sind die heutigen Verfahren im Produktportfolio- und Variantenmanagement geprägt durch manuelle und erfahrungsbasierte Aktivitäten. Eine systematische Analyse und Optimierung des Produktportfolios sind damit nicht möglich. Unternehmen benötigen stattdessen intelligente Lösungen, welche das gespeicherte Wissen in Daten nutzen und einsetzen, um Entscheidungen über Innovation, Differenzierung und Elimination von Produktvarianten zu unterstützen. Zielstellung dieses Forschungsvorhabens ist die Entwicklung eines Frameworks zur Analyse komplexer Produktportfolios mittels Machine Learning. Machine Learning ermöglicht es, Wissen aus Daten unterschiedlicher Lebenszyklusphasen einer Produktvariante automatisiert zu generieren und zur Unterstützung des Produktportfolio- und Variantenmanagements einzusetzen. Für die Unterstützung der Entscheidungen über Produktvarianten ist Wissen über deren Abhängigkeiten und Beziehungen sowie die Eigenschaften der einzelnen Elemente erforderlich. Dadurch soll ein Beitrag zur besseren Handhabung komplexer Produktportfolios geleistet werden. Das Framework zur Analyse komplexer Produktportfolios mittels Machine Learning besteht aus drei Bausteinen, die das zentrale Ergebnis dieser Arbeit darstellen. Zuerst wird in Baustein 1 auf die Wissensbedarfe bei der Analyse und Anpassung komplexer Produktportfolios eingegangen. Anschließend werden in Baustein 2 die Daten, welche für Entscheidungen und somit für die Wissensgenerierung im Produktportfolio- und Variantenmanagement erforderlich sind, beschrieben und charakterisiert. Abschließend findet in Baustein 3 die Datenvorbereitung und die Implementierung der Machine Learning Verfahren statt. Es wird auf unterschiedliche Verfahren eingegangen und eine Unterstützung bei der Auswahl und Evaluation der Algorithmen sowie die Möglichkeiten zum Einsatz des generierten Wissens für die Analyse komplexer Produktportfolios aufgezeigt. Das Framework wird in einer Fallstudie bei einem Industriepartner aus der Nutzfahrzeugbranche mit einem besonders komplexen Produktportfolio angewendet. Dabei werden die drei Anwendungsfälle Prognose von „marktspezifischen und technischen Eigenschaften der Produktvarianten“, Ermittlung von „Ähnlichkeiten von Produktvarianten“ und Identifikation von „Korrelationen zwischen Merkmalsausprägungen“ mit realen Daten des Industriepartners umgesetzt. Das Framework sowie die in der Fallstudie beim Industriepartner erzielten Ergebnisse werden anschließend Experten im Produktportfolio- und Variantenmanagement vorgestellt. Diese bewerten die Ergebnisse hinsichtlich der funktionalen Eigenschaften sowie dem Mehrwert aus Sicht der Forschung und industriellen Praxis anhand zuvor definierter Kriterien.:1 Einführung 1.1 Motivation 1.2 Komplexe Produktportfolios: Eine Industrieperspektive 1.3 Zielsetzung und Forschungsfragen 1.4 Aufbau der Arbeit 2 Grundlagen zur Analyse von Produktportfolios mittels Machine Learning 2.1 Komplexe Produktportfolios 2.1.1 Terminologie komplexer Produktportfolios 2.1.2 Strukturierung komplexer Produktportfolios 2.1.3 Analyse und Anpassung komplexer Produktportfolios 2.1.4 Zusammenfassung: Komplexe Produktportfolios 2.2 Machine Learning 2.2.1 Machine Learning als Teil der künstlichen Intelligenz 2.2.2 Terminologie Machine Learning 2.2.3 Wissensgenerierung mit Machine Learning 2.2.4 Datenanalyseprozess 2.2.5 Machine Learning Verfahren und Algorithmen 2.2.6 Zusammenfassung: Machine Learning 3 Ansätze zur Analyse von Produktportfolios mittels Machine Learning 3.1 Kriterien zur Bewertung bestehender Ansätze 3.2 Bestehende Ansätze aus der Literatur 3.2.1 Einsatz überwachter Lernverfahren 3.2.2 Einsatz unüberwachter Lernverfahren 3.2.3 Einsatz kombinierter Lernverfahren 3.3 Resultierender Forschungsbedarf 4 Forschungsvorgehen 4.1 Design Research Methodology (DRM) 4.2 Vorgehen und Methodeneinsatz 4.3 Kriterien für die Entwicklung des Frameworks 4.4 Schlussfolgerungen zum Forschungsvorgehen 5 Framework zur Analyse komplexer Produktportfolios 5.1 Übersicht über das Framework 5.2 Baustein 1: Wissensbedarfe zur Analyse komplexer Produktportfolios 5.2.1 Informationssuche 5.2.2 Formulierung von Alternativen 5.2.3 Prognose 5.2.4 Kriterien zur Auswahl der Wissensbedarfe 5.3 Baustein 2: Datenbasierte Beschreibung komplexer Produktportfolios 5.3.1 Produktdatenmodell 5.3.2 Vertriebsdaten 5.3.3 Nutzungsdaten 5.4 Baustein 3: Systematische Generierung und Einsatz von Wissen 5.4.1 Baustein 3.0: Vorbereitung von Produktportfoliodaten 5.4.2 Baustein 3.1: Regressionsanalyse 5.4.3 Baustein 3.2: Klassifikationsanalyse 5.4.4 Baustein 3.3: Clusteranalyse 5.4.5 Baustein 3.4: Assoziationsanalyse 5.5 Anwendung des Frameworks 5.6 Schlussfolgerung zum Framework 6 Validierung des Frameworks 6.1 Konzept der Validierung 6.2 Baustein 1: Wissensbedarfe zur Analyse komplexer Produktportfolios 6.3 Baustein 2: Datenbasierte Beschreibung komplexer Produktportfolios 6.4 Baustein 3: Systematische Generierung und Einsatz von Wissen 6.4.1 Marktspezifische und technische Produkteigenschaften 6.4.2 Ähnlichkeiten von Produktvarianten 6.4.3 Korrelationen zwischen Merkmalsausprägungen 6.5 Erfolgsvalidierung mit einer Expertenbefragung 6.6 Schlussfolgerung zur Validierung 7 Diskussion 7.1 Nutzen und Einschränkungen 7.2 Ergebnisbeitrag für die Forschung 7.3 Ergebnisbeitrag für die Industrie 8 Zusammenfassung und Ausblick 8.1 Zusammenfassung 8.2 Ausblick 9 Literaturverzeichnis 10 Abbildungsverzeichnis 11 Tabellenverzeichnis Anhang A-1

Abstract The main objective of this study is to clarify the current challenges and preconditions relating to product portfolio management (PPM) and widen the PPM framework over horizontal and vertical portfolios, including a related governance model, strategic performance management and the PPM process. This study analyses comprehensively the current PPM literature and the relevant practices of 10 case companies representing business areas such as hardware (HW), software (SW) and Services. This study approaches PPM from a more comprehensive viewpoint as all product life cycle phases and product structure levels are not covered well in this context by the earlier literature. The principal results of this study involve revealing the need for a new PPM governance model including strategic targets, KPIs and the PPM process according to vertical and horizontal portfolios. The created PPM framework clarifies the strategic role of PPM in cross-functional analysis and decision making for commercial and technical portfolios. The role and the impact of strategic PPM have been further enhanced by positioning the PPM process on the level of other business processes. The created PPM framework enhances the collaboration between business and engineering teams. The managerial implications include the potential preconditions of clarifying the dynamic and active role of PPM at the level of other business processes. The findings can aid business managers in understanding PPM as an entity that has a role in managing the entire product portfolio and its renewal based on strategic performance measures over horizontal and vertical portfolios according to cross-functional governance bodies. This highlights the criticality of managing all items both in commercial and technical portfolios. The role of other business processes should be highly operational by executing product development, marketing and sales, delivery and care activities according to PPM decisions. The primary role of PPM should be active management of the entire product portfolio over product life cycle phases and product structure levels, instead of merely focusing on new product development, to ensure product portfolio renewal. / Tiivistelmä Tämä tutkimus selventää tuoteportfolion hallintaan liittyviä edellytyksiä ja haasteita, sekä laajentaa tuoteportfolion hallintamallia, suorituskyvyn johtamista ja prosessia horisontaalisesti ja vertikaalisesti. Tuoteportfolion hallintaa on lähestytty kattavasti analysoimalla nykyistä kirjallisuutta, sekä kymmenen kohdeyrityksen käytänteitä nykytila-analyysin keinoin. Kohdeyritykset edustavat useita liiketoiminta- ja tuotealueita kattaen laitteiston, ohjelmiston ja palvelut. Tämä tutkimus lähestyy tuoteportfolion hallintaa laajemmalta katsantokannalta kuin nykyinen kirjallisuus joka ei kata kaikkia tuotteen elinkaaren vaiheita ja tuoterakennetasoja. Tämän väitöstutkimuksen tärkeimmät tulokset liittyvät uuden tuoteportfolion hallintamallin tarpeellisuuden esille tuomiseen, sisältäen tuoteportfolion strategiset tavoitteet, suorituskykymittarit ja hallintaprosessin perustuen vertikaalisiin ja horisontaalisiin tuoteportfolioihin. Luotu viitekehys selkeyttää tuoteportfolion hallinnan strategista roolia organisaatiorajat ja liiketoimintaprosessit ylittävässä analyysissa ja päätöksenteossa liittyen kaupallisiin ja teknisiin tuoteportfolioihin. Strategisen tuoteportfolion hallinnan roolia ja merkitystä on erityisesti korostettu nostamalla tuoteportfolion hallintaprosessi muiden liiketoimintaprosessien tasolle. Tässä tutkimuksessa luotu tuoteportfolion hallinnan viitekehys vahvistaa yhteistyötä liiketoiminnanjohto- ja insinööritiimien välillä kaikilla organisaatiotasoilla. Työn kontribuutiot yritysjohdolle korostavat tuoteportfolion hallintaprosessin keskitettyä, dynaamista ja aktiivista roolia johtaa yrityksen kaupallisia ja teknisiä nimikkeitä horisontaalisesti ja vertikaalisesti kokonaisuutena perustuen strategisiin suorituskykymittareihin. Tuoteportfolion hallinta yli horisontaalisten ja vertikaalisten portfolioiden mahdollistaa tuoteportfolion uudistumisen yli kaikkien elinkaarivaiheiden ja tuoterakennetasojen. Muiden liiketoimintaprosessien roolin tulisi olla selkeästi operatiivinen toteuttaen tuotekehitykseen, markkinointiin, myyntiin, tilaamiseen, hankintaan, toimittamiseen ja huoltoon liittyviä tehtäviä perustuen strategisiin tuoteportfolion hallinnan tavoitteisiin ja suorituskykymittareihin.