Publikation im Special Issue „Data-driven Prescriptive Analytics“ von Management Science

So müssen z.B. Kapazitäten und Lagerbestände in globalen Netzwerken geplant werden, obwohl die Nachfrage nach Produkten und Dienstleistungen, Lieferzeiten, Produktionsmengen, etc. stark schwanken und sehr schwer prognostizierbar sind. Eine unzureichende Planung führt zu Reputations- und Umsatzverlusten, sowie zu hohen Kosten durch Überbestände, Abschreibungen und zusätzlich Logistikprozesse. Unternehmen verfügen aber in zunehmendem Maße über große Mengen an Daten, die es ihnen ermöglichen, die unsicheren Faktoren besser vorherzusagen und ihre Logistik- und Produktionsplanung datenbasiert zu optimieren. Bei diesen Daten handelt es sich nicht nur um historische Nachfragen, sondern auch um verschiedenste interne und externe Daten (z.B. Sensordaten, Wetterdaten, Daten über Promotions, Social Networks Data, Clickstreams, Suchanfragen, u.v.m.).

Der Lehrstuhl für Logistik und quantitative Methoden geht seit mehreren Jahren intensiv der Frage nach, wie aus diesen Daten mit Hilfe von modernen Machine-Learning- und Optimierungsverfahren bessere Entscheidungen in Logistik und Produktion abgeleitet werden können. Hierauf liegt der Fokus der Forschungs- und Praxisprojekte des Lehrstuhls. Eine Reihe von neuen sog. „Prescriptive Analytics“ Verfahren wurden von Forschern am Lehrstuhl entwickelt, theoretisch fundiert und in Zusammenarbeit mit einer Vielzahl von Praxispartnern evaluiert.

Dass im Rahmen dieser Initiative hervorragende theoretische und praktische Ergebnisse erzielt werden, wird nun u.a. auch durch die Publikation „Prescriptive Analytics for Flexibe Capacity Management“ dokumentiert, die im Special Issue „Data-driven Prescriptive Analytics“ der Zeitschrift Management Science erschienen ist. In dieser Publikation stellen Pascal Notz und Richard Pibernik neuartige Verfahren zur datenbasierten Kapazitätsplanung vor, analysieren diese theoretisch und zeigen anhand von realen Daten eines Würzburger Unternehmens das enorme Verbesserungspotenzial dieser neuen Ansätze auf. Diese Publikation hat einen besonderen Stellenwert: Management Science ist das mit Abstand führende internationale Journal in der quantitativen Managementforschung und wird in allen relevanten Rankings mit „A+“ bewertet.

Gleichzeitig zeugt diese Publikation von einer sehr erfolgreichen Ausbildung von jungen Nachwuchswissenschaftlern an der Wirtschaftswissenschaftlichen Fakultät: Die Publikation ist im Rahmen des Promotionsprojektes von Dr. Pascal Notz entstanden, der jüngst mit der Gesamtnote „summa cum laude“ an unserer Fakultät promoviert wurde. Dr. Notz hat u.a. zwei weitere maßgebliche Artikel im Bereich „Prescriptive Analytics“ verfasst, die sich gegenwärtig in einem fortgeschrittenen Stadium der Begutachtung bei führenden internationalen Journals befinden.

Link zur Publikation
https://pubsonline.informs.org/doi/10.1287/mnsc.2020.3867

Absract der Publikation
Motivated by the real-world problem of a logistics company, this paper proposes a novel distribution-free prescriptive analytics approach—termed kernelized empirical risk minimization (kernelized ERM)—to solve a complex two-stage capacity planning problem with multivariate demand and vector-valued capacity decisions and compares this approach both theoretically and numerically with an extension of the well-known sample average approximation (SAA) approach termed weighted SAA. Both approaches use integrated machine learning algorithms to prescribe capacities directly from historical demand and numerous features (covariates) without having to make assumptions about the underlying multivariate demand distribution. We provide extensive analytical insights into both approaches. Most important, we prove the universal approximation property for the kernelized ERM approach when using a universal (data-independent) kernel and show how out-of-sample guarantees can be derived for various kernels. We demonstrate the applicability of both approaches to a real-world planning problem and evaluate their performance relative to traditional parametric approaches that first estimate a multivariate demand distribution and then solve a stochastic optimization problem and a nonparametric approach (SAA). Our results suggest that the two prescriptive analytics approaches can result in substantial performance improvements of up to 58% compared with traditional approaches. Additional numerical analyses shed light on the behavior and performance drivers of the various approaches and demonstrate that in our case, the prescriptive approaches are much more robust to variations of exogenous cost parameters than traditional approaches.