WHU - Startseite | Logo

Mercator Stiftungslehrstuhl für Demand Management & Sustainable Transport

Unsere Arbeit konzentriert sich auf die Entwicklung innovativer digitaler Technologien, um nachhaltigen Transport zu ermöglichen. Ein Schwerpunkt liegt dabei auf der Kombination von Demand-Management-Konzepten (z.B. dynamische Preisgestaltung oder Verfügbarkeitskontrolle von Dienstleistungen) und klassischem Transport-/Logistikmanagement (z.B. Routenoptimierung) zur Steigerung der Nachhaltigkeit.

Herzlich Willkommen am Mercator Stiftungslehrstuhl für Demand Management & Sustainable Transport.

Unsere Arbeit umfasst Planungs- und Steuerungsprobleme der urbanen Logistik, der Mobilität sowie des Luftverkehrsmanagements. Typischerweise umfassen diese Anwendungen Prognosemodelle, Modellierung von Kundenwahlverhalten, optimale Steuerung, großskalierte Optimierung und optimales Lernen. Wir entwickeln Lösungen in Zusammenarbeit mit verschiedenen Stakeholdern.

Prof. Dr. Arne Strauss auf Google Scholar

Unser Team

Jens Frische
Jens Frische
Wissenschaftlicher Mitarbeiter / Doktorand
Gideon Gottschalg
Gideon Gottschalg
Wissenschaftlicher Mitarbeiter / Doktorand
Vivien Schoepf
Vivien Schoepf
Wissenschaftliche Mitarbeiterin / Doktorandin
Alicia Hamann
Alicia Hamann
Wissenschaftliche Mitarbeiterin / Doktorandin
Dr Jan-Rasmus Künnen
Dr Jan-Rasmus Künnen

Lehre - Unser Kursangebot in 2024-25

Sustainable Urban Transport BSc

In diesem Kurs geht es darum, ein Bewusstsein dafür zu schaffen, was derzeit im Bereich der nachhaltigen Mobilität und Transportlösungen geschieht. Darüber hinaus wird erörtert, wie innovative Geschäftsmodelle bewertet werden können, wie ihr Ökoeffizienz- und Nachhaltigkeitspotenzial bewertet werden kann, und es werden einige datengestützte Modellierungsansätze betrachtet, die zur Erreichung von Nachhaltigkeit beitragen.

Der Kurs enthält mehrere Fallstudien, um die Konzepte praxisnah zu veranschaulichen. Inhaltlich befassen wir uns mit Trends nach dem Covid 19, der Nachhaltigkeitsbewertung, grünen Fahrzeugen (Elektrofahrzeuge, gemeinsam genutzte Mobilität, autonomes Fahren), innovativen Logistikkonzepten und bedarfsgerechter Luftmobilität.

 

Predictive Analytics

In diesem Kurs soll ein Verständnis dafür vermittelt werden, wie Analyseprojekte funktionieren, um sie managen und/oder ihren Nutzen beurteilen zu können.

Es handelt sich nicht um einen Modellierungskurs - obwohl wir uns mit Modellierung beschäftigen werden. Es ist auch kein Programmierkurs - obwohl wir in R viel programmieren werden. Stattdessen dient die Modellierung und Programmierung nur zur Veranschaulichung der Schritte, die in typischen Analyseprojekten vorkommen. Dies soll bei der Planung eines solchen Projekts helfen, angefangen vom Verständnis des Geschäftsproblems über die Modellierung bis hin zur Modellbewertung und Kommunikation der Projektergebnisse (oder eines Projektvorschlags) an einen Kunden.

Es gibt keine klassische Trennung zwischen Vorlesungs- und Tutoriumssitzungen; stattdessen werden in allen Sitzungen Vorlesungselemente, praktische Demonstrationen und Übungen miteinander vermischt, um ein ansprechenderes Umfeld zu schaffen. In einer bewerteten Gruppenarbeit durchlaufen Sie alle Phasen eines datenwissenschaftlichen Projekts, einschließlich der Gestaltung der Geschäftsziele und der Verbindung der Modellierungsergebnisse mit diesen.

Der Lehrplan sieht wie folgt aus:

  1. Einführung in den CRISP-DM-Prozess (Problemverständnis)
  2. Sampling und Partitionierung (Datenaufbereitung)
  3. Feature Selection, Modellierung und Overfitting (Modellierung)
  4. Bewertung und Vergleich von Prognosemodellen
  5. Anwendungen: Naïve Bayes, Association Mining, Clustering, Text Mining

 

Prescriptive Analytics & Machine Learning

Dieses Modul zielt darauf ab, die Studierenden mit den wichtigsten Werkzeugen im Bereich Prescriptive Analytics (d.h. Entscheidungsunterstützung durch Optimierungstechniken) vertraut zu machen und die Nutzung von Methoden des maschinellen Lernens in diesem Bereich zu vermitteln. Das Modul baut auf dem Voraussetzungsmodul „Predictive Analytics“ auf, in dem bereits grundlegende Methoden des maschinellen Lernens eingeführt wurden.

  1. Einführung: Überblick über Prescriptive Analytics
  2. Statische Optimierungsprobleme & Anwendungen:
    1. Lineare Programmierung
    2. Nicht-lineare Optimierung
    3. (Gemischt-)Ganzzahlige Optimierung
  3. Dynamische Optimierungsprobleme
    1. Dynamische Programmierung
    2. Reinforcement Learning / Q-Learning
  4. Interpretierbarkeit im maschinellen Lernen

 

Pricing Analytics

In diesem Kurs besprechen wir die Nachfrageschätzung (einschließlich diskreter Wahlverhaltenmodelle) und die Nachfrageprognose (einschließlich der Nutzung von Transformern) als Grundlage für Preisgestaltung und Ertragsmanagement sowie Kapazitätssteuerung (klassisches Ertragsmanagement) und Preissteuerung (dynamische Preisgestaltung, zeitlich begrenzte Preisreduzierungen, B2B-Preisgestaltung).

Wir verwenden zahlreiche Fallstudien, generative KI und praktische Umsetzungen im Unterricht, um die Anwendung moderner Preistechniken zu trainieren.

 

 

Business & Analytics Integrator Skills

In diesem Modul verbinden wir das bisher im MSc Business Analytics-Programm Erlernte, um Ihre Fähigkeiten als Analytics-Manager zu verfeinern. Dieses Modul deckt den gesamten Prozess ab, von der Aufbau und Verwaltung eines Data-Science-Teams über die Einrichtung und Verwaltung von Data-Science-Projekten bis hin zur Implementierung Ihrer Ergebnisse. Darüber hinaus liegt der Fokus darauf, Analysen und KI-Algorithmen in innovative Lösungen und neue Geschäftsmöglichkeiten zu übersetzen und umgekehrt.

Wir nutzen aktuelle generative und andere KI-Tools und -Algorithmen, um Ihre Führungsfähigkeiten zu verbessern und effektive Gestaltung und Umsetzung von Analyse- und KI-Projekten in der Organisation zu ermöglichen. Konkret umfasst dies:

  • Aufbau und Leitung eines Datenanalyse- und KI-Teams
  • Verfassen, Präsentieren und Bewerten von Datenanalyse- und KI-Initiativen
  • Verständnis und Berücksichtigung ethischer Aspekte in Datenanalyse- und KI-Projekten
  • Übersetzung von Analyse- und KI-Zielen in Geschäftszielen und von Analyse- und KI-Algorithmen in innovative Lösungen und neue Geschäftsmöglichkeiten
  • Überwindung von Barrieren in der Organisation zur Implementierung neuer Analyse- und KI-Lösungen
  • Management und Leitung funktionsübergreifender Innovations-Teams für Analysen und KI
  • Verständnis und Implementierung von Best Practices, Tools und Methoden zum Management von Innovation und Veränderung, wie agiles Produktentwicklungsverfahren (Scrum etc.), Stage-Gate-Prozesse, Metriken und Werkzeuge zur Projektevaluierung usw.
PT MBA / FT MBA / Online MBA: Data Science & AI

Mit dem drastischen Anstieg des Einsatzes von Data Science in Unternehmen steigt auch der Bedarf an Managern, die die Grundlagen der Data Science kennen, um effektive Entscheidungen zu treffen: McKinsey schätzte, dass für jeden Datenwissenschaftler etwa 10 Manager mit diesen Fähigkeiten benötigt werden (da der Nutzen eines Data-Science-Teams in mehreren Bereichen des Unternehmens erzielt werden kann).
Dieser Kurs versucht, dieses Wissen zu vermitteln. Konkret geht es darum, ein Verständnis für Data Science zu vermitteln, das ausreicht, um ein kritischer Konsument von Data-Science-Lösungen zu werden. Sie werden die notwendigen Fähigkeiten erwerben, um die richtigen Fragen zu stellen, wenn Berater Data-Science-Projekte vorschlagen, und Sie werden in der Lage sein, besser mit internen Data-Science-Teams zu kommunizieren, da Sie verstehen, wie Data Scientists arbeiten. Das Ziel ist nicht, Sie zu einem Datenwissenschaftler auszubilden, sondern mit ihnen als Manager zu arbeiten.

Die folgenden Konzepte werden behandelt (praxisnah und fallbasiert):

  • Einführung in den branchenübergreifenden Standardprozess für Data Mining: vom Geschäftsverständnis über das Datenverständnis, die Datenaufbereitung, die Modellierung, die Auswertung bis hin zum Einsatz.
  • Datentypen und warum diese wichtig sind
  • Daten-Sampling und Partitionierung
  • Konzeptionelles Verständnis der wichtigsten Modelle des maschinellen Lernens für prädiktive Analysen (Entscheidungsbäume, lineare Klassifikatoren, ...)
  • Was ist ein gutes Modell? Bewertung und Visualisierung der Modellleistung
  • Datenwissenschaft und Unternehmensstrategie: Bewertung von Projektvorschlägen für Datenwissenschaft, Zusammenarbeit mit Datenwissenschaftlern
  • Einführung Generative Künstliche Intelligenz
  • Visualisierungskonzepte, interaktive Karten und Dashboards: Theorie und Praxis mit Tableau 

     

Fundamentals of Optimization – Doctoral Program

Optimierung ist für viele Anwendungen in der Wirtschaft wichtig, sei es im Finanzwesen, im Betrieb, im Marketing oder in anderen Bereichen. Ziel dieses Kurses ist es, einen breiten Überblick über die Konzepte zu geben, die der Optimierung zugrunde liegen, um den Studenten ein Verständnis dafür zu vermitteln, mit welcher Art von Optimierungsproblemen sie sich in ihrem Studium beschäftigen und wie diese angegangen werden könnten.

Die Abdeckung umfasst:

  • Struktur eines Optimierungsproblems
  • Deterministische versus stochastische Optimierung
  • Kontinuierliche versus diskrete Optimierung
  • Eingeschränkte versus uneingeschränkte Optimierung
  • Grundlegend wichtige Konzepte wie Konvexität, Dualität, Komplexität, totale Unimodularität, ...
  • Einführung in verschiedene Techniken einschließlich linearer und nichtlinearer mathematischer Programmierung, (ungefähre) dynamische Programmierung für Steuerungsprobleme, optimales Lernen

Wir werden nicht aus Zeitgründen zu tief in die Themen einsteigen, sondern der Schwerpunkt liegt auf der Vermittlung eines intuitiven Verständnisses von Optimierungstechniken und von ausnutzbaren Strukturen. Die Absicht ist es, diesen Kurs nützlich und relevant für alle Studenten zu machen, die mit irgendeiner Form von Optimierungsproblemen konfrontiert sind und die noch keine formale Ausbildung in Optimierung erhalten haben.

 

Unsere Publikationen

European Journal of Operational Research, Vol. 315 (3), pp. 913-925
An algorithm for flexible transshipments with perfect synchronization
Falkenberg, S., Spinler, S., Strauss, A. (2024)


Journal of the Operational Research Society, Vol. 75 (3), pp. 423–617
Operational research: methods and applications
Petropoulos, F, …, Strauss, A. et al. (2024)


European Journal of Operational Research, Vol. 310 (1), pp. 168-184
Dynamic multi-period vehicle routing with touting
Keskin, M., Branke, J., Deineko, V., Strauss, A. (2023)


Transportation Science, Vol. 57 (4), pp. 999-1018
Cross-border capacity planing in air traffic management under uncertainty
Künnen, J.-R., Strauss, A., Ivanov, N., Jovanovic, R., Fichert, F., Starita, S. (2023)


Service Science, Vol. 15 (1), pp. 22-40
Feeding the nation
Schwamberger, J., Fleischmann, M., Strauss, A. (2023)


Transportation Research Part A: Policy and Practice, Vol. 174, 103716
Leveraging demand-capacity balancing to reduce air traffic emissions and improve overall network performance
Künnen, J.-R., Strauss, A., Ivanov, N., Jovanovic, R., Fichert, F. (2023)


Transportation Research Part B: Methodological, Vol. 160, pp. 76-96
The value of flexible flight-to-route assignments in pre-tactical air traffic management
Künnen, J.-R., Strauss, A. (2022)


European Journal of Operational Research, Vol. 294 (3), pp. 1022-1041
Dynamic pricing of flexibel time slots for attended home delivery
Strauss, A., Gülpinar, N., Zheng, Y. (2021)


Flexible Services and Manufacturing Journal, Vol. 33 (1), pp. 253-280
Home healthcare routing and scheduling of multiple nurses in a dynamic environment
Demirbilek, M., Branke, J., Strauss, A. (2021)


European Journal of Operational Research, Vol. 284 (2), pp. 397-412
A review of revenue management
Klein, R., Koch, S., Steinhard, C., Strauss, A. (2020)


Transportation Science, Vol. 54 (4), pp. 882-896
Air traffic control capacity planning under demand and capacity provision uncertainty
Starita, S., Strauss, A., Fei, X., Jovanovic, R., Ivanov, N., Pavlovic, G., Fichert, F. (2020)


Journal of Air Transport Management, Vol. 75, pp. 139-152
Coordinated capacity and demand management in a redesigned air traffic management value-chain
Ivanov, N., Jovanovic, R., Fichert, F., Strauss, A., Starita, S., Babic, O., Pavlovic, G. (2019)


Health Care Management Science, Vol. 22 (1), pp. 140-155
Dynamically accepting and scheduling patients for home healthcare
Demirbilek, M., Branke, J., Strauss, A. (2019)


Journal of Revenue and Pricing Management, Vol. 18 (1), pp. 27-48
Unconstraining methods for revenue management systems under small demand
Kourentzes, N., Li, D., Strauss, A. (2019)

 


Integrated Fleet and Demand Control for On-Demand Meal Delivery Platforms

Hildebrandt, F. D., Lesjak, Z., Strauss, A., Ulmer, M. W. (2024) - under review

 

 

Dynamic Capacity Allocation in Remote Control Centres for Vehicle Teleoperation

G. Gottschalg and A.K. Strauss (2024) - under review

Benefits of Vendor-Managed Inventory for the Reverse Logistics Operations of Returnable Transport Items

Schoepf, V.; A.K. Strauss; M. Fleischmann (2024) - under review

Kontaktieren Sie uns –

Wir freuen uns von Ihnen zu hören

Unser Standort

Mercator Stiftungslehrstuhl für Demand Management & Sustainable Transport
WHU – Otto Beisheim School of Management
D'Esterstraße 9
D-56179 Vallendar
Mercator Stiftungslehrstuhl für Demand Management & Sustainable Transport