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)

[182359]
Title: Investigation of Vessel Waiting Times Using AIS Data. <em>Dynamics in Logistics</em>
Written by: Franzkeit, Janna and Pache, Hannah and Jahn, Carlos
in: <em>LDIC 2020</em>. (2020).
Volume: Number:
on pages: 70-78
Chapter:
Editor: In Freitag, Michael and Haasis, Hans-Dietrich and Kotzab, Herbert and Pannek, Jürgen (Eds.)
Publisher: Springer International Publishing:
Series: Lecture Notes in Logistics
Address: Cham
Edition:
ISBN: 978-3-030-44782-3
how published:
Organization:
School:
Institution:
Type:
DOI: 10.1007/978-3-030-44783-0_7
URL:
ARXIVID:
PMID:

Note: i3lab

Abstract: The automatic identification system (AIS) enables authorities, shipping companies and researchers all over the world using ever better computer technologies to understand and track vessel movements. This publication focuses on analysing vessels’ waiting times for berth at anchoring places near ports using the example of the port of Rotterdam, Europe’s biggest port. The objective is to define clearly the concept of waiting, i.e. when a vessel waits and when not, and to investigate the amount of waiting vessels and the respective waiting times during a time span of more than two years, using solely AIS data. The indicated anchoring zones in front of the port of Rotterdam, where vessels wait, are clearly detected by visualizing the analysed data. The results of the conducted AIS data analysis show significant differences in waiting times between different vessel types, as well as a correlation between the number of waiting vessels and the average waiting time. The in detail described data pre-processing and statistical analysis are extendable and applicable to other regions and ports all over the world. Additionally, the presented data pre-processing approach is an optimal basis analysis of current waiting conditions and for applying machine learning to AIS data in order to predict future waiting times