Analytics & Optimization

Suche

Kompetenzfelder


Analytics & Optimization

Unter dem Begriff "Analytics" verstehen wir die Anwendung von Methoden der Datenanalyse, des Data Mining sowie der Simulation zur Generierung planungsrelevanter, insbesondere die Zukunft betreffende Informationen auf Basis elektronisch verfügbarer Daten, wie sie etwa in Data Warehouses vorliegen oder durch gezielte Beobachtung des Verhaltens von Kunden oder Konkurrenten im Web generiert werden können. Der Begriff "Optimization" bezieht sich auf die Formulierung und Lösung mathematischer Optimierungsmodelle zur Entscheidungsunterstützung. Aus unserer Sicht ist dies nur sinnvoll möglich, wenn die Verfügbarkeit und die Qualität der Daten geeignet berücksichtigt wird. Dem wollen wir durch die Verknüpfung der beiden Begriffe in unserem Lehrstuhlnamen, aber auch in unserer Forschung Rechnung tragen.
Unsere Kompetenzen umfassen damit generell analytische Methoden aus den aufgezählten Gebieten. Wir erachten darüber hinaus jedoch eine Konzentration auf einige ausgewählte Methoden für notwendig, die für den Einsatz in unserem Forschungsschwerpunkt "Pricing & Revenue Management" besonders geeignet sind. In einer Forschungswelt, die von einer zunehmenden Diversifikation geprägt ist, ermöglicht es nur eine solche Konzentration, den jeweils aktuellen Entwicklungsstand zu verfolgen und wissenschaftliche Fortschritte im Sinne unserer Kooperationspartner nutzbar zu machen. Zu den entsprechenden Methoden zählen vor allem:

Discrete Choice Modeling

In klassischen Modellen zur Abbildung von Kundenverhaltens wird entweder die Nachfrage nach Produkten als unabhängig voneinander erachtet oder es werden in aggregierten Modellen wie etwa Preisabsatzfunktionen für mehrere Produkte einfache lineare oder nichtlineare Nachfragezusammenhänge unterstellt. Solche Modelle können das komplexe, in der Realität zu beobachtende Kundenverhalten häufig nur unzureichend abbilden. Das Discrete Choice Modeling ist eine Methode aus der Mikroökonometrie, welche durch eine disaggregierte Vorgehensweise auf Basis der Betrachtung einzelner Kunden bzw. von Kundensegmenten zu einer besseren Beschreibung der Wirkungszusammenhänge gelangt. Für grundlegende Arbeiten auf diesem Gebiet wurde Daniel L. McFadden im Jahr 2000 der Wirtschaftsnobelpreis verliehen.

Agentenbasierte Simulation

In realen Märkten, die Betrachtungsgegenstand des "Pricing & Revenue Management" sind, lassen sich insbesondere bei mittel- bis langfristiger Betrachtung häufig komplexe Wechselwirkungen zwischen dem Verhalten von Kunden beobachten. Ein Beispiel sind Netzwerkeffekte in Mobilfunkmärkten, bei denen Kunden ihre Entscheidung für einen bestimmten Anbieter davon abhängig machen, wo ihre bevorzugten Gesprächspartner unter Vertrag sind. Entsprechende Effekte sind einer rein analytischen Betrachtung zumeist nicht zugänglich. Ein Ausweg bietet hier die agentenbasierte Simulation, bei der sich durch sukzessive Betrachtung des Verhaltens einzelner Marktakteure, den so genannten Agenten, Aussagen über die Entwicklung des Gesamtmarktes ergeben. Dabei lässt sich das Verhalten einzelner Agenten etwa durch Discrete Choice-Modelle beschreiben.

Simulationsbasierte Optimierung

Das Discrete Choice Modeling und die agentenbasierte Simulation stellen mächtige Werkzeuge zur Verfügung, mit deren Hilfe sich unter anderem das mittel- bis langfristige Verhalten von Kunden in Märkten beschreiben lässt. Möchte man auf Basis entsprechender Analysen mathematische Optimierungsmodelle zur Entscheidungsunterstützung formulieren und lösen, so steht man häufig vor dem Problem, dass deren Formulierung an der Komplexität der zu berücksichtigenden Wirkungszusammenhänge scheitert oder zu nur schwer lösbaren Modellen führt. Dieser Konflikt zwischen Analysegenauigkeit und Optimierung kann durch die geschickte Kombination von Simulations- und Optimierungstechniken vermieden werden.

Approximative, dynamische Optimierung

Insbesondere bei der Unterstützung kurzfristiger Preis- und Absatzentscheidungen, wie sie etwa Gegenstand der Kapazitätssteuerung im Revenue Management sind, scheitert der Einsatz der simulationsbasierten Optimierung am damit verbundenen Rechenaufwand. Dafür ist hier in der Regel eine gröbere Abbildung des Kundenverhaltens akzeptierbar, ohne dass damit eine deutliche Verschlechterung der Entscheidungsqualität einhergeht. Die entstehenden dynamischen Optimierungsprobleme lassen sich dann zwar nicht immer exakt, aber zumindest hinreichend genau durch den Einsatz spezieller Approximations- und Dekompositionstechniken lösen.