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

Im Rahmen des Projektes arbeiteten Insitute unterschiedlicher Fachrichtungen gemeinsam an Fragestellungen der Business Analytics in der maritimen Logistik. Das Projekt befindet sich somit im Schnittfeld von Informatik, Mathematik, Management und Logistik und ist damit hochgradig interdisziplinär.

Projektdauer 01.08.2018 – 15.10.2022
Projektförderung    gefördert durch die Behörde für Wissenschaft, Forschung und Gleichstellung Hamburg
Unser Status Projektpartner
Ansprechpartner Marvin Kastner
Projekthomepage https://www2.tuhh.de/i3-ba-ml
Projektpartner
  • TUHH Institut für Quantitative Unternehmensforschung und Wirtschaftsinformatik
    Prof. Dr. Kathrin Fischer
  • TUHH Institut für Maritime Logistik
    Prof. Dr.-Ing. Carlos Jahn
  • TUHH Institut für Mathematik
    Prof. Dr. Anusch Taraz
  • TUHH Institut für Strategisches und internationales Management
    Prof. Dr. Thomas Wrona

Kurzbeschreibung

Die rasant zunehmenden Mengen vorhandener und verwertbarer Daten und die fortschreitende Entwicklung der Leistungsfähigkeit existierender Rechner ermöglicht Datenanalysen und Berechnungen in einem Umfang, der noch vor wenigen Jahren undenkbar war. Während derzeit zum Teil sehr unkritisch auf die immense Leistungsfähigkeit von Algorithmen hingewiesen wird, werden mögliche Risiken häufig völlig ausgeblendet. Dies eröffnet neue Herausforderungen für die universitäre Lehre und Forschung. Im Zuge der fortschreitenden Digitalisierung wollen und müssen zudem auch Unternehmen entsprechende Verfahren adaptieren und benötigen neue Forschungsergebnisse, um Methoden der Business Analytics in Form innovativer Lösungen umsetzen zu können.

Das Projekt widmet sich vorwiegend der Anwendung von Business Analytics im Bereich maritimer logistischer Systeme, da hier noch große Optimierungspotenziale liegen. Auf der anderen Seite verfügt diese Branche mittlerweile über riesige Datenmengen, beispielsweise Schiffsbewegungen und Wetterdaten, deren Auswertung die Entwicklung verbesserter Strategien, im Personal- und Flotteneinsatz oder im Revenue Management, und neuer Lösungen, zum Beispiel im autonom gesteuerten Schiffsverkehr, ermöglichen kann.

 

Veröffentlichungen (Auszug)

  • Kolley, Lorenz and Rückert, Nicolas and Kastner, Marvin and Jahn, Carlos and Fischer, Kathrin (2022). Robust berth scheduling using machine learning for vessel arrival time prediction. Flexible Services and Manufacturing Journal. 35. 29-69 [Abstract] [pdf] [doi] [www]

  • Franzkeit, Janna and Pache, Hannah and Jahn, Carlos (2020). Investigation of Vessel Waiting Times Using AIS Data. In Freitag, Michael and Haasis, Hans-Dietrich and Kotzab, Herbert and Pannek, Jürgen (Eds.) Dynamics in Logistics Springer International Publishing: Cham 70-78 [Abstract] [doi]

  • Pache, Hannah and Grafelmann, Michaela and Schwientek, Anne Kathrina and Jahn, Carlos (2020). Tactical planning in tramp shipping – a literature review. In Jahn, Carlos and Kersten, Wolfgang and Ringle, Christian M. (Eds.) Data science and innovation in supply chain management : how data transforms the value chain // Proceedings of the Hamburg International Conference of Logistics (HICL)/ Data Science in Maritime and City Logistics epubli: Berlin 282-308 [Abstract] [doi]

  • Pache, Hannah and Kastner, Marvin and Jahn, Carlos (2019). Current state and trends in tramp ship routing and scheduling. In Jahn, Carlos and Kersten, Wolfgang and Ringle, Christian M. (Eds.) Digital transformation in maritime and city logistics epubli: 369-394 [Abstract] [doi] [www]