Top-Ergebnis: Bestnote mit Publikationen in internationalen Top-Fachzeitschriften
Weiterlesen
Herzlich Willkommen am 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.
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.
Unser Team



Gideon Gottschalg
Wissenschaftlicher Mitarbeiter / Doktorand
Büro X-204
+49 (0)261 6509 779
E-Mail senden

Vivien Schoepf
Wissenschaftliche Mitarbeiterin / Doktorandin
Büro X-204
+49 (0)261 6509 774
E-Mail senden
Ehemalige Mitarbeiter

Jan-Rasmus Künnen
Lehre –
Kursangebot in 2023
In diesem Kurs soll ein Gefühl 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 (unterstützt durch DataCamp). 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.
Wir werden auch Visualisierungskonzepte sowohl in der Theorie als auch in der Praxis behandeln, wobei wir für letzteres Tableau verwenden. Insbesondere werden wir uns mit dem Design von Dashboards, interaktiven Karten (wie die in Abb. 1 gezeigte) und Diagrammen sowie mit der Strukturierung von Verkaufsgesprächen befassen.
Der Lehrplan sieht wie folgt aus:
- Einführung in den CRISP-DM-Prozess (Geschäftsverständnis)
- Probenahme und Partitionierung (Datenaufbereitung)
- Informationsauswahl, Modellierung und Überanpassung (Modellierung)
- Bewertung des Modells
- Beweiskombination (Naïve Bayes, Association Mining) und Visualisierung
- Visualisierung, Dashboards, Verkauf Ihres Projekts an Endbenutzer
Pricing Analytics BSc
Pricing Analytics (Die Preisanalyse) und Revenue Management (das Ertragsmanagement) konzentrieren sich darauf, wie ein Unternehmen die Nachfrage modellieren, automatisierte Preis- und Produktverfügbarkeitsentscheidungen über seine verschiedenen Vertriebskanäle festlegen und aktualisieren sollte, um seine Rentabilität zu maximieren. Der Einsatz solcher Strategien hat das Transport- und Gastgewerbe verändert, und sie werden im Einzelhandel, in der Telekommunikation, in der Unterhaltungsbranche, bei Finanzdienstleistungen, im Gesundheitswesen und in der Fertigung immer wichtiger.
Innerhalb des breiteren Bereichs der Preistheorie legt der Kurs den Schwerpunkt auf die taktische Optimierung von Preis- und Kapazitätszuweisungsentscheidungen, die mit Hilfe von Nachfragemodellierung und eingeschränkter Optimierung - den beiden Hauptbausteinen von Ertragsmanagementsystemen - angegangen werden.
Fallstudien vermitteln praktische Erfahrungen mit dem Thema. Die Teilnehmer verwenden R für die meisten Übungen innerhalb der RStudio-Umgebung, wobei sowohl die Nachfragemodellierung als auch Optimierungsprobleme behandelt werden. Im Kontext der kundenspezifischen B2B-Preisgestaltung untersuchen wir zum Beispiel die Frage, wie die Gewinnwahrscheinlichkeitsfunktion aus historischen Daten geschätzt werden kann und wie diese zur Optimierung individueller Preisangebote verwendet werden kann.
Der Lehrplan sieht wie folgt aus:
- Einführung, Kundenbewertungsspiel
- Nachfragemodellierung (parametrische, nicht-parametrische Modelle, nicht einschränkend)
- Eingeschränkte Preisoptimierung, Kapazitätskontrolle, Netzertragsmanagement
- Dynamische Preiskontrolle, (ungefähre) dynamische Programmierung
- Preisabschläge, verhaltensorientierte Preisgestaltung
- Angepasste B2B-Preisgestaltung, Schätzung der Gewinnwahrscheinlichkeitsfunktion
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.

Modern Tools and Applications of Data Science- MSc
In diesem Kurs soll ein Gefühl 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.
Wir werden auch Visualisierungskonzepte sowohl in der Theorie als auch in der Praxis behandeln, wobei wir für letzteres Tableau verwenden. Insbesondere werden wir uns mit dem Design von Dashboards (und der Erstellung einiger weniger, wie in Abb. 1), interaktiven Karten und Diagrammen und der Strukturierung von Verkaufsgesprächen befassen.
Der Lehrplan sieht wie folgt aus:
- Einführung in den CRISP-DM-Prozess (Geschäftsverständnis)
- Probenahme und Partitionierung (Datenaufbereitung)
- Informationsauswahl, Modellierung und Überanpassung (Modellierung)
- Bewertung des Modells
- Beweiskombination (Naïve Bayes, Association Mining) und Visualisierung
- Visualisierung, Dashboards, Verkauf Ihres Projekts an Endbenutzer
- Tableau: Verwendung von Web-Datenkonnektoren, Aufruf von R aus Tableau heraus und andere fortgeschrittenere Themen
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.
PTMBA - Data Science for Managers
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
- Visualisierungskonzepte, interaktive Karten und Dashboards: Theorie und Praxis mit Tableau
In dem Kurs wird R zur Veranschaulichung eines datenwissenschaftlichen Projekts verwendet, Programmierfähigkeiten ist kein Lernziel, daher ist das Erlernen der R-Programmierung völlig freiwillig.
Data Science for Decision Makers
Der Nutzen, auf Basis von Daten bessere Entscheidungen zu treffen, liegt auf der Hand: "Wenn uns Daten vorliegen, sollten wir uns diese Daten ansehen. Wenn wir nur Meinungen haben, sollten wir uns auf meine verlassen." (Jim Barksdale, ehemaliger Präsident und CEO von Netscape)
Das WHU-Programm "Data Science for Decision Makers" vermittelt Teilnehmenden das notwendige Wissen für eine erfolgreiche Zusammenarbeit mit Datenwissenschaftlern. Ziel ist es nicht, die Teilnehmer:innen zu Datenwissenschaftlern auszubilden, sondern ein Verständnis für Datenwissenschaft zu entwickeln, was die Kommunikationsbarrieren zwischen Entscheidungsträgern und Datenwissenschaftlern reduziert. Sie lernen, wie man Daten mit Hilfe von Werkzeugen des maschinellen Lernens sinnvoll auswertet und wie man die Vorzüge von datenwissenschaftlichen Projektvorschlägen kritisch bewertet.
Nach erfolgreichem Abschluss des Programms erhalten Sie ein WHU Executive Education Certificate.
Erfahren Sie mehr über unsere Forschung
Dynamic multi-period vehicle routing with touting
Keskin, M., Branke, J., Deineko, V., Strauss, A. (Pre-Print), European Journal of Operational Research, Vol. 310 (1), pp. 168-184
Cross-border capacity planning in air traffic management under uncertainty
Künnen, J.-R., Strauss, A., Jovanovic, R., Ivanov, N., Fichert, F., Starita, S. (Accepted), Transportation Science
Feeding the nation: dynamic customer contacting for e-fulfillment in times of crisis
Schwamberger, J., Fleischmann, M., Strauss, A. (2023), Service Science, Vol. 15 (1), pp. 22-40
The value of flexible flight-to-route assignments in pre-tactical air traffic management
Künnen, J.-R., Strauss, A. (2022), Transportation Research Part B: Methodological, Vol. 160, pp. 76-96
Dynamic pricing of flexible time slots for attended home delivery
Strauss, A., Gülpinar, N., Zheng, Y. (2021), European Journal of Operational Research, Vol. 294 (3), pp. 1022-1041
Home healthcare routing and scheduling of multiple nurses in a dynamic environment
Demirbilek, M., Branke, J., Strauss, A. (2021), Flexible Services and Manufacturing Journal, Vol. 33 (1), pp. 253–280
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), Transportation Science, Vol. 54 (4), pp. 882-896
A review of revenue management: recent generalizations and advances in industry applications
Klein, R., Koch, S., Steinhardt, C., Strauss, A. (2020), European Journal of Operational Research, Vol. 284 (2), pp. 397-412
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), Journal of Air Transport Management, Vol. 75, pp. 139-152
Dynamically accepting and scheduling patients for home healthcare
Demirbilek, M., Branke, J., Strauss, A. (2019), Health Care Management Science, Vol. 22 (1), pp. 140–155
Unconstraining methods for revenue management systems under small demand
Kourentzes, N., Li, D., Strauss, A. (2019), Journal of Revenue and Pricing Management, Vol. 18 (1), pp. 27-48
A review of choice-based revenue management: theory and methods
Strauss, A., Klein, R., Steinhardt, C. (2018), European Journal of Operational Research, Vol. 271 (2), pp. 375-387
Future research directions in demand management
Currie, C. S. M., Dokka, T., Harvey, J., Strauss, A. (2018), Journal of Revenue and Pricing Management, Vol. 17 (6), pp. 459–462
Revenue management in the digital economy
Strauss, A., Aydin, N. (2018), Impact, Vol. 2018 (2), pp. 39-42
Air traffic flow management slot allocation to minimize propagated delay
Ivanov, N., Netjasov, F., Jovanovic, R., Starita, S., Strauss, A. (2017), Transportation Research Part A: Policy and Practice, Vol. 95, pp. 183-197
An approximate dynamic programming approach to attended home delivery management
Yang, X., Strauss, A. (2017), European Journal of Operational Research, Vol. 263 (3), pp. 935-945
Tractable consideration set structures for assortment optimization and network revenue management
Strauss, A., Talluri, K. (2017), Production and Operations Management, Vol. 26 (7), pp. 1359-1368
Choice-based demand management and vehicle routing in e-fulfillment
Yang, X., Strauss, A., Currie, C. S. M., Eglese, R. (2016), Transportation Science, Vol. 50 (2), pp. 473-488
An enhanced concave program relaxation for choice network revenue management
Meissner, J., Strauss, A., Talluri, K. (2013), Production and Operations Management, Vol. 22 (1), pp. 71-87
Dynamic simultaneous fare proration for large-scale network revenue management
Kemmer, P., Strauss, A., Winter, T. (2012), Journal of the Operational Research Society, Vol. 63 (10), pp. 1336-1350
Improved bid prices for choice-based network revenue management
Meissner, J., Strauss, A. (2012), European Journal of Operational Research, Vol. 217 (2), pp. 417-427
Network revenue management with inventory-sensitive bid prices and customer choice
Meissner, J., Strauss, A. (2012), European Journal of Operational Research, Vol. 216 (2), pp. 459-468
Pricing structure optimization in mixed restricted/unrestricted fare environments
Meissner, J., Strauss, A. (2010), Journal of Revenue and Pricing Management, Vol. 9 (5), pp. 399–418
Efficient solution of a partial integro-differential equation in finance
Sachs, E. W., Strauss, A. (2008), Applied Numerical Mathematics : Transactions of IMACS, Vol. 58 (11), pp. 1687-1703
Lesen Sie unsere News –
Erfahren Sie mehr über unsere Lehrstuhlaktivitäten.
Prof Strauss, Jan Künnen & Ko-Autoren entwickeln neue Methodik
WeiterlesenWie kann die aktive Ansprache von Kunden die Fahrstrecken der Flotte verringern?
WeiterlesenGastvortrag im Module "Sustainable Urban Transport"
Weiterlesen
Kontaktieren Sie uns –
Wir freuen uns von Ihnen zu hören.

