Die Make-to-Order Produktion zählt zu den jüngsten Anwendungsgebieten des Revenue Managements und ist dementsprechend erst wenig erforscht. Doch auch in der Auftragsproduktion ist die Produktionskapazität verderblich und sollte optimal genutzt werden. Sobald die Produktion stillsteht, kann die Produktionszeit im Nachhinein nicht mehr genutzt werden. Es stellt sich die Frage, welcher Auftrag angenommen und welcher vielleicht lieber abgelehnt werden sollte, um den Umsatz zu maximieren; denn wenn zu viele niederwertige Aufträge angenommen werden, kann es sein, dass später eintreffende, höherwertige Aufträge aufgrund von nicht ausreichender Restproduktionskapazität abgelehnt werden müssen (Umsatz­ver­drängung). Allerdings ist es nicht sicher, ob zu einem späteren Zeitpunkt überhaupt noch höherwertigere Aufträge eintreffen werden. In diesem Fall kann durch zu häufige Ablehnung von niederwertigen Aufträgen die Produktionskapazität eventuell nicht vollständig ausgelastet werden (Umsatzverlust). Demzufolge ist ein Kompromiss zwischen Umsatzverdrängung und Umsatzverlust zu bestimmen.
Im Gegensatz zu den klassischen Auftragsannahmemodellen werden mithilfe des Revenue Managements die eingegangenen Aufträge nicht nur anhand der verfügbaren Produktionskapazität bezüglich der Annahme bzw. Ablehnung evaluiert, sondern es werden auch eine Nachfrageprognose und die Wertigkeit der Nachfrage berücksichtigt. In der Auftragsproduktion ist die Besonderheit, dass die wichtigen, wiederkehrenden Kunden, welche demzufolge einen hohen Kundenwert aufweisen, aufgrund von beispielsweise Sonderkonditionen geringere Preise als Neukunden bezahlen müssen. Folglich besitzen unterschiedliche Kundengruppen verschiedene Wertigkeiten bezüglich des Kundenwerts und der Nachfragewertigkeit. Somit sind die konkurrierenden Zielsetzungen zwischen der Erreichung von angestrebten Servicegraden je Kundengruppe und der Maximierung der Deckungsbeiträge ein wichtiger Aspekt, welche in der Forschung vom Revenue Management in der Make-to-Order Produktion berücksichtigt werden sollte.

Kreuzfahrten erfreuen sich großer und stetig zunehmender Beliebtheit in allen Teilen der Welt. Entsprechend wuchsen und wachsen die Anzahlen transportierter Passagiere kontinuierlich. Gleichzeitig werden die vertriebenen Kreuzfahrtprodukte komplexer, und die eingesetzten Kreuzfahrtschiffe größer und größer. Analog zu anderen Industrien, wie der Airline- und Hotelindustrie und dem Container-Transport, kann die Kreuzfahrtindustrie dabei vom Einsatz der Methoden und Instrumente des Revenue Managements profitieren. Der möglichst ertragreiche Vertrieb der vorhandenen Kapazitäten innerhalb von Kreuzfahrtnetzwerken stellt dabei das Ziel dar, und kann nicht immer mit der maximal möglichen Auslastung ebendieser Kapazitäten gleichgesetzt werden. In diesem Forschungsvorhaben werden die Potentiale für den erfolgreichen Einsatz von Revenue Management in der Kreuzfahrtindustrie untersucht. Zu diesem Zweck werden mathematische Optimierungsmodelle zur Kapazitätszuweisung und darauf aufbauend Politiken zur Buchungsannahmesteuerung entwickelt.

Welcher Containerstellplatz auf einem Schiff sollte zu welchem Zeitpunkt und zu welchem Preis an welchen Kunden verkauft werden? Dies ist die Kernfrage, mit der sich Revenue Management in Bezug auf den Container-Seetransport beschäftigt. In verschiedenen Industrien, wie der Airline-, Hotel- oder Autovermietungsbranche, konnten erfolgreich Revenue Management Systeme implementiert werden. Die Container-Seefrachtindustrie bietet ähnliche Gegebenheiten und ist somit ein interessantes Forschungsgebiet für den Einsatz dieser Methoden. Die begrenzte Kapazität des Schiffes soll dabei möglichst gut und ertragreich bis zum Auslaufen verkauft werden. Um dies zu erreichen, werden die Kunden segmentiert und die verschiedenen Segmente mit Buchungslimits versehen. Auf Basis von Bedarfsprognosen, aus historischen und aktuellen Daten, wird versucht mittels mathematischer Modelle diese Buchungslimits möglichst gut zu bestimmen. Bisher wurde diese Branche noch wenig von der Revenue Management Forschung beachtet und bietet aus diesem Grund ein großes Potential für neue Ansätze.

Die am Institut für Quantitative Unternehmensforschung und Wirtschaftsinformatik entstandene und veröffentlichte Dissertation von Dr. Sebastian Zurheide

"Zurheide, Sebastian: Revenue Management in Liner Shipping. Schriftenreihe Logistik-Management
in Forschung und Praxis, Band 53, Verlag Dr. Kovač, Hamburg, 2015."

behandelt dieses wichtige Themengebiet. Es werden neue Ansätze zum Revenue Management in der Containerschifffahrt vorgestellt und mit Hilfe umfangreicher Simulationen getestet.

„Business Analytics“ beschreibt die systematische und kontinuierliche Auswertung betrieblich anfallender Daten. Dies umfasst sowohl die Analyse von Daten aus der Vergangenheit als auch die Erstellung von Prognosen sowie die auf diesen Daten basierende, mit mathematischen Methoden optimierte Entscheidungsfindung.

Die maritime Logistik beschäftigt sich mit der Planung, Gestaltung und Steuerung von Waren- und Informationsströmen im Zusammenhang mit seegebundenen Transporten, z.B. von Containern. Zu den in diesem Bereich betrachteten maritimen logistischen Systemen zählen zum Beispiel Containerterminals, an denen Schiffe be- und entladen werden, aber auch das Netzwerk der Schiffsrouten.
In der maritimen Logistik ergeben sich große Potenziale für die Anwendung von „Business Analytics“, denn dieser Bereich verfügt mittlerweile über sehr große Datenmengen, z.B. bzgl. Schiffsbewegungen und Wetterdaten. Diese umfangreichen Datenmengen können durch innovative Datenanalyse- und Optimierungsmethoden nutzbar gemacht und verwertet werden. So wird die Entwicklung verbesserter Strategien, z.B. im Personal- und Flotteneinsatz, und neuer Lösungen, z.B. im autonom gesteuerten Schiffsverkehr, ermöglicht. Dabei sollten jedoch stets die angewandten Methoden kritisch reflektiert und auf strategische und ethische Risiken hin untersucht werden.
Im Rahmen dieses Projektes wird das Ziel verfolgt, für ausgewählte Problemstellungen aus dem Bereich der maritimen Logistik zu untersuchen, welche Chancen der verstärkte Einsatz von „Business Analytics“, also von Methoden der Datenanalyse und Optimierung, bietet und welche operativen und strategischen Risiken für Unternehmen hiermit verbunden sein können. Die Abbildung verdeutlicht zudem den interdisziplinären Charakter des Projektes. In diesem kooperieren vier Institute der Technischen Universität Hamburg, und jedes Institut bringt seine spezielle wissenschaftliche Kompetenz und Expertise in das Projekt ein, um die zu untersuchenden Sachverhalte aus unterschiedlichen Blickwinkeln zu beleuchten.
Ein konkreter Forschungsgegenstand im Projekt ist zum Beispiel das Leercontainermanagement. Aufgrund von Marktungleichgewichten müssen häufig Container leer transportiert werden, um anschließend wieder zum Einsatz kommen zu können. Es ist jedoch ökonomisch und ökologisch wünschenswert, die Anzahl dieser Leertransporte gering zu halten. Mit „Business Analytics“ können mithilfe von Vergangenheitsdaten Leercontainerbewegungen in der Vergangenheit analysiert werden. Daraus lassen sich Prognosen über die zukünftigen Bedarfe ableiten, die dann in einem mathematischen Modell zur zukünftigen Steuerung der Leercontainerströme berücksichtigt werden können.
Ein weiterer Forschungsbereich, der auch aus strategischer und ethischer Perspektive von großem Interesse ist, ist die Entwicklung von Methoden des sog. Revenue Management. Dabei wird untersucht, wie einerseits Unternehmen ihre Dienstleistungen, z.B. einen Containertransport oder eine Kreuzfahrt, möglichst profitabel verkaufen können, aber dabei gleichzeitig der Anspruch des Kunden an Transparenz und Fairness gewahrt werden kann.
Weitere Forschungsthemen im Projekt sind z.B. die Schiffseinsatzplanung und die Entwicklung von Nachfrageprognosen. Weitere Informationen zum Projekt finden Sie auf der Projektwebseite.

Es ist ein wichtiges Ziel, den Ausstoß von Treibhausgasen (THG) so schnell wie möglich zu vermeiden, um die Probleme des Klimawandels zu bewältigen. In Deutschland sind die meisten Reduktionen durch den intensiven Ausbau der erneuerbaren Energien wie Wind und Photovoltaik zu beobachten. Erneuerbare Energie fällt meist in Form von elektrischer Energie an, daher ist die laufende THG-Reduktion hauptsächlich im Stromsektor angesiedelt. Um das gesamte Energiesystem zu dekarbonisieren, sollte elektrische Energie auch in anderen Sektoren eingesetzt werden, was zum Konzept der Sektorenkopplung führt. Während der Energiewende werden einzelne große Erzeuger durch geografisch verteilte, versorgungsabhängige dezentrale Energieressourcen (DER) mit unterschiedlicher Energiequalität ersetzt. Da die Energieumwandlung, z. B. von Strom über Power-to-Gas zu Wasserstoff oder weiter zu synthetischem Methan, immer mit Effizienzverlusten verbunden ist, ist die direkte Elektrifizierung dieser Sektoren ein Teil dieser Transformation. Allerdings schafft dieser Umwandlungspfad langfristige Energiespeichermöglichkeiten um die saisonalen Schwankungen der Energieerzeugung auszugleichen.
Um den heutigen hohen Standard der Versorgungsverfügbarkeit aufrechtzuerhalten, müssen in diesem Zusammenhang neue Konzepte zur Flexibilitätsbereitstellung entwickelt werden. Die Schaffung neuer Flexibilitätsoptionen, die sowohl auf der Erzeugerseite als auch auf der Nachfrageseite bereitgestellt werden können, erfordert spezielle, hoch entwickelte Informations- und Kommunikationstechnologien (IKT), um die erforderliche hohe Informationsdichte zu erreichen. Darüber hinaus findet die Sektorenkopplung nicht nur auf dem primären physikalischen Teil des Systems, sondern auch auf dem sekundären digitalen Teil statt. In der untenstehenden Abbildung sind diese beiden Kopplungspfade dargestellt.

Energiewende und Sektorenkopplung erfordern aber nicht nur Veränderungen auf der physikalischen und digitalen Seite, sondern auch auf der Marktseite. Die detaillierte Verfügbarkeit von Daten, z. B. durch den fortschreitenden Rollout von Smart Metern, und die fehlende Handelbarkeit mit kleinen Energiemengen, die von DER produziert werden, werden zu möglichen neuen Marktkonzepten führen. Ein Beispiel hierfür sind virtuelle Kraftwerke, die geografisch verteilte Erzeuger- und Bündelungseffekte in Form von Kombinationen verschiedener Technologien und verbesserte Prognosemöglichkeiten durch stochastische Effekte bei der Aggregation einer Vielzahl von Erzeugern nutzen.
Trotz einer großen Anzahl von existierenden Energiemodellen betrachten diese meist nur einen Sektor. Sobald mehr Sektoren einbezogen werden, muss die Modellierungstiefe aufgrund der sonst zu hohen Komplexität und des wachsenden Rechenaufwandes reduziert werden. Vereinfachungen führten zwar zu der Möglichkeit, das Gesamtsystem zu simulieren, jedoch verringert dieser Ansatz die Genauigkeit der Ergebnisse. Auch marktbezogene Betrachtungen werden oft nur spezifisch für einzelne Sektoren betrachtet.
Ziel dieses Projektes ist die Entwicklung einer Co-Simulationsplattform, die dynamische Effekte auf der physikalischen Seite berücksichtigt und in der Lage ist, ereignisbasierte IKT-Modelle und Protokolle zu simulieren. Darüber hinaus werden Optimierungsmodelle und -algorithmen entwickelt und untersucht, die es erlauben, gekoppelte Effekte für diesen ganzheitlichen Ansatz zu erfassen und optimale Betriebsbedingungen unter Beachtung des energiepolitischen Zieldreiecks in Deutschland abzuleiten.
Weitere Informationen zum Projekt finden Sie auf der Projektwebseite.

Eine der wichtigsten Maßnahmen zur Vorbereitung auf eine Naturkatastrophe ist die Lagerung von Hilfsgütern, wie z.B. Medikamenten und Nahrungsmitteln, an ausgewählten Standorten. Dies ermöglicht Hilfsorganisationen, die Betroffenen nach Eintritt einer Katastrophe schnellstmöglich versorgen zu können. Allerdings werden Entscheidungen bezüglich Ort und Art der Lagerung durch ein hohes Maß an Unsicherheit erschwert, da nicht bekannt ist, wann, wo und in welchem Ausmaß eine Katastrophe eintreten wird. Um Hilfsorganisationen bei der Entscheidungsfindung unterstützen zu können, wurde im Rahmen dieser Dissertation ein effizientes Verfahren zur Lösung realitätsnaher zweistufiger stochastischer Probleme entwickelt, welches es ermöglicht, auch bei kurzfristigen Katastrophenwarnungen schnell geeignete Maßnahmen bezüglich der Einlagerung von Hilfsgütern einleiten zu können.

Die am Institut für Quantitative Unternehmensforschung und Wirtschaftsinformatik entstandene Dissertation von Dr. Emilia Grass

“Grass, Emilia: Entwicklung eines effizienten Verfahrens zur Lösung zweistufiger,
stochastischer Optimierungsprobleme im Katastrophenmanagement.
Dissertation, Technische Universität Hamburg, 2017."

behandelt dieses wichtige Themengebiet.

Die Dissertation befasst sich mit der Planung der Distribution von Hilfsgütern bei humanitären Einsätzen und unter Berücksichtigung unterschiedlicher Zielsetzungen. Dabei kommen quantitative Planungsmodelle zum Einsatz, die eine optimierte Bestellung, Lagerung und Verteilung der Güter ermöglichen. Spezielle Aspekte, die bei der Modellierung erfasst werden, sind unter anderem die periodenübergreifende Betrachtung und die Erfassung von unsicheren, künftigen Entwicklungen, wie z.B. die Verbreitung einer Epidemie in weiteren Regionen. Eine szenario-basierte Analyse soll dem jeweiligen Entscheidungsträger die notwendigen Informationen liefern, um z.B. über die Nachbestellung von Hilfsgütern sowie deren Verteilung zu entscheiden.

Die am Institut für Quantitative Unternehmensforschung und Wirtschaftsinformatik entstandene Dissertation von Dr. Emilia Grass

"Rottkemper, Beate: Entscheidungsfindung in der humanitären Logistik -
Ein multikriterielles Transshipmentmodell zur Allokation von Hilfsgütern in laufenden Hilfsaktionen.
Dissertation, Technische Universität Hamburg, 2016."

behandelt dieses wichtige Themengebiet.

Am Beispiel der Liegeplatzplanung wird untersucht, wie die für Entscheidungen unter Unsicherheit notwendigen Informationen aus Vergangenheitsdaten abgeleitet werden können. Das Liege-platzplanungsproblem (engl.: Berth Allocation Problem; BAP) zielt darauf ab, ankommenden Containerschiffen Liegeplätze am Kai zuzuweisen. Der Liegeplatz eines Schiffes ist gekennzeichnet durch einen hinreichend großen Abschnitt des Kais, der für einen festzulegenden Zeitraum für das Schiff reserviert wird. Der Anlegezeitpunkt eines Schiffes legt den Beginn der Liegezeit fest, welche mit dem Ablegezeitpunkt endet. Die Liegezeit muss mindestens der Handlingzeit für das Be- und Entladen der Container entsprechen. Wesentliche Informationen sind daher insbesondere, wann Containerschiffe am Containerterminal ankommen und in welchem Umfang Container umgeschlagen werden sollen, d.h. wie lang die Handlingzeit sein wird. Eben diese Informationen unterliegen in der Realität hoher Unsicherheit und machen das Liegeplatzplanungsproblem zu einem interessanten Betrachtungsgegenstand für RO. Darüber hinaus bildet die Verfügbarkeit von Daten aus dem Automatic Identification System (AIS), welches statische und dynamische Daten von Schiffen mit hoher zeitlicher Dichte liefert, eine gute Grundlage für die Prognose von Schiffsankunftszeiten und Liegezeiten an Containerterminals mit Hilfe von ML.
Die Liegeplatzplanung bildet die Grundlage für die Planung nachgelagerter Prozesse auf dem Containerterminal. Veränderungen im Liegeplatzplan ziehen daher auch Veränderungen in der Planung aller folgenden Schritte nach sich. Abhängig von der Vorlaufzeit können optimale oder gute Lösungen nachgelagerter Prozesse nicht mehr bestimmt oder umgesetzt werden, wenn kurzfristige Änderungen im Liegeplatzplan vorgenommen werden müssen. In jedem Fall fallen Kosten für die Umplanung an. Somit ist die Liegeplatzplanung in diesem Zusammenhang nicht als reine Optimierung eines Kapazitätsengpasses bzw. der Auslastung zu verstehen, sondern ist auch als eine möglichst stabile Grundlage für die Planung nachgelagerter Prozesse am Containerterminal notwendig.

---

Studierende haben die Möglichkeit, im Rahmen von Veranstaltungen Einblicke in das Thema zu bekommen und sich auch an diesem, z.B. im Rahmen von Abschlussarbeiten, zu beteiligen.

Ansprechpartner:
Lorenz Kolley

---