Kompetenzfelder

Analytics

Das Thema Analytics insbesondere in Zusammenhang mit Big Data steht zunehmend im Fokus der öffentlichen Aufmerksamkeit. Wir verstehen darunter die Anwendung von Methoden der Datenanalyse, des Data Mining sowie des Machine Learning um auf Basis bereits elektronisch verfügbarer oder gezielt erfasster Daten planungsrelevante, zukunftsbezogene Informationen zu gewinnen. 

In einem zweiten Schritt bilden die gewonnen Daten dann die Grundlage für mathematische Modelle, um gezielt bestmögliche Entscheidungen zu treffen. Dabei erfordert die Schnittstelle von Anbieter und Kunden meist besondere Beachtung.

Pricing und Revenue Management

Das Revenue Management hat seinen Ursprung in der US-amerikanischen Passagierluftfahrt der 1970er und 1980er Jahre. Heute wird es darüber hinaus in zahlreichen Branchen eingesetzt, die von Automobilvermietung über Hotellerie bis zur Vermarktung von Werbezeiten und produzierenden Unternehmen reichen. Ziel ist meist die erlösmaximale Gestaltung des Absatzprozesses unterschiedlicher Produkte angesichts stochastisch schwankender Nachfrage und knapper Kapazitäten. Unser Schwerpunkt liegt hier in der Abbildung flexibler Produktionsstrukturen  sowie der Berücksichtigung von Risikoaversion.

Berücksichtigung von komplexem (Kunden-) Verhalten

Durch den zunehmenden Wandel vom Verkäufer- hin zu Käufermarkt sehen sich insbesondere Unternehmen des Dienstleistungssektors verstärkt mit neuen Herausforderungen bei den von ihnen verfolgten Preissetzungsstrategien konfrontiert. Während in der Vergangenheit meist kurzfristig denkende, sog. „myopische“ Kunden unterstellt wurden, erscheint diese Annahme heute in vielen Bereichen nicht mehr zeitgemäß. Angesichts zeitlich variierender Preise suchen „strategische“ Kunden durch geschickte Wahl des Kaufzeitpunktes ihren intertemporalen Nutzen zu maximieren. Ebenso können Kunden auf ein Angebot mit der Aufnahme von Verhandlungen reagieren oder ihr zukünftiges Verhalten anpassen (lernen). Auswahlprozesse lassen sich sehr gut durch eine Methode aus der Mikroökonometrie abbilden. Discrete Choice Modelle gelangen durch eine disaggregierte Vorgehensweise auf Basis der Betrachtung einzelner Kunden bzw. Entscheider zu einer präziseren Beschreibung der Wirkungszusammenhänge. Sie sind damit etwa herkömmlichen Preisabsatzfunktionen häufig überlegen.

Entwicklung von Lösungsverfahren für dynamische Programme

In der Praxis sind häufig zeitlich verteilte Entscheidungen in stochastischen Umgebungen zu treffen. So muss etwa beim Management von Energiespeichern immer wieder entschieden werden, ob dieser aufgeladen oder Strom am Markt verkauft werden soll, während Preise und – bei den meisten erneuerbaren Energien – auch die Produktion zufällig sind. Auch Absatzprozesse sind durch stochastisches Kundenverhalten und wiederholte Preisänderungsmöglichkeiten gekennzeichnet. Die skizzierten Zusammenhänge lassen sich durch stochastische dynamische Optimierungsmodelle exakt abbilden, diese lassen sich jedoch nur für kleine Problemgrößen exakt lösen. Für Praxisanwendungen sind daher in der Regel hochentwickelte Approximations- und Dekompositionstechniken der approximativen dynamischen Programmierung (ADP) nötig.

Simulationsbasierte Optimierung

Um zu lösbaren Modellen zu gelangen, muss bei der Abbildung der Problemstellung in einem Optimierungsmodell in der Regel bereits die spätere Lösungsmethode berücksichtigt werden. Häufig führt dies zu einem Zielkonflikt zwischen einer exakten Abbildung einerseits und einem effizient lösbaren – etwa linearen – Modell andererseits. Hier bietet die simulationsbasierte Optimierung (SBO) eine interessante Alternative, da sie praktisch keine Anforderungen an die zu lösenden Modelle stellt. Durch die geschickte Kombination von Simulations- und Optimierungstechniken lassen sich viele Probleme bereits durch Software „out-of-the-box“ lösen, wobei sich die Effizienz erfahrungsgemäß durch geschickte Anpassungen noch erheblich steigern lässt.