I³-Lab - Business Analytics – Optimierungspotenziale und strategische Risiken für maritime logistische Systeme


Project Title
I³-Lab - Business Analytics – Optimierungspotenziale und strategische Risiken für maritime logistische Systeme
 
 
 
Status
Abgeschlossen
 
Duration
01-03-2019
-
28-02-2022
 
Funding Organization
 
Parent project
 
Abstract
„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.
 

Publications
(All)

Results 1-11 of 11

Issue DateTitleTypeAuthor(s)
122-Sep-2022Optimization of container transportation in port hinterland with trucks : quantifying the effect of cooperationPresentationRückert, Nicolas  ; Fischer, Kathrin  ; Reinecke, Pauline ; Wrona, Thomas 
2Sep-2022Optimization of container transportation in port hinterland with trucks : approaches to cooperationPresentationRückert, Nicolas  ; Fischer, Kathrin  
322-Jul-2022Fulltext availableOpen AccessRobust Berth Scheduling Using Machine Learning for Vessel Arrival Time Prediction - refined datasetDatasetKolley, Lorenz  ; Rückert, Nicolas  ; Kastner, Marvin  ; Jahn, Carlos  ; Fischer, Kathrin  
413-Jun-2022Optimization of container transportation in port hinterland with trucks : approaches to cooperationPresentationRückert, Nicolas  ; Fischer, Kathrin  ; Reinecke, Pauline ; Wrona, Thomas 
523-Oct-2021Optimierung von Containertransporten im Hafenhinterland per LKWPresentationRückert, Nicolas  
622-Sep-2021A robust berth allocation optimization procedure based on machine learningPresentationKolley, Lorenz  ; Rückert, Nicolas  ; Fischer, Kathrin  
722-Sep-2021Optimization of container transportation in port hinterland with trucks : approaches to cooperationPresentationRückert, Nicolas  ; Fischer, Kathrin  ; Reinecke, Pauline ; Wrona, Thomas 
81-Sep-2021Optimization of Container Transportation in Port Hinterland with TrucksPresentationRückert, Nicolas  ; Fischer, Kathrin  ; Reinecke, Pauline ; Wrona, Thomas 
916-Apr-2020Investigation of vessel waiting times using AIS dataChapter/Article (Proceedings)Franzkeit, Janna  ; Pache, Hannah  ; Jahn, Carlos  
102020Business analytics for cooperation in maritime logistics : a mixed methods research approachChapter/Article (Proceedings)Reinecke, Pauline Charlotte ; Rückert, Nicolas  ; Fischer, Kathrin  ; Wrona, Thomas 
1126-Sep-2019Fulltext availableOpen AccessCurrent state and trends in tramp ship routing and schedulingChapter/Article (Proceedings)Pache, Hannah  ; Kastner, Marvin  ; Jahn, Carlos