1 / 102

Oliver Wendt

Oliver Wendt. EUS-Anwendungsfall: Yield Management für Informationsdiensleistungen. Information als Repetierfaktor ?. vernachlässigbaren Reproduktionskosten (sog. quasibeliebige Kopierbarkeit) „Verbrauch“ von Informationsgütern unkritisch einfache Vernichtung / Entsorgung

tamyra
Download Presentation

Oliver Wendt

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Oliver Wendt EUS-Anwendungsfall: Yield Management für Informationsdiensleistungen

  2. Information als Repetierfaktor ? • vernachlässigbaren Reproduktionskosten(sog. quasibeliebige Kopierbarkeit) • „Verbrauch“ von Informationsgütern unkritisch • einfache Vernichtung / Entsorgung • keine Knappheit existierender Information • Einordnung als Repetierfaktor wenig sinnvoll

  3. Information als Potentialfaktor ? • Konkurrenz der Produktionsprozesse um diese Ressource fehlt bei Infoprodukten • keine Probleme der Ablaufplanung (auch jeder Algorithmus kann beliebig repliziert werden) • Kernproblem der Informationsproduktion liegt nicht in der Konkurrenz um die Ressource Information selbst, sondern in der mittelbaren Konkurrenz um die knappen physischen Träger der Produktionsprozesse! • Menschen • Rechner • Netzressourcen

  4. Knappheit des TRÄGERS der IV • Kosten der Produktion sind primär Opportunitätskosten einer Nicht-Nutzung der physischen Potentialfaktoren zur Befriedigung alternativer Nachfragen nach anderen Informations- oder Sachgütern. • „Knappheit des ersten Stücks“ • führt zwar zu direkten Engpässen auf der informationellen Ebene selbst • aber gerade Berechnung oder „kreative Erzeugung“ sind mit hoher zeitlicher Belastung des knappen physischen Potentialfaktors verbunden

  5. Consors

  6. Bayerische Landesbank

  7. Comdirect

  8. 1822 und 1822direct

  9. Berliner Volksbank

  10. Quelle Bank & BBBank

  11. IS Innovative Software AG • seit Anfang November fusioniert mit Teledata GmbH • Marktführer für internetbasierte Finanzinformationsdienstleistungen • eigener Wirtschaftsnachrichten-Feed mit täglich ca. 200 aktuellen Meldungen, Research-Ergebnissen und Unternehmensprofilen • Realtime - Kursdatenbank mit ca. 220.000 internationalen Werten (seit 1999 weitgehend auf Einzeltick-Basis)

  12. Mittelfristziel:individuelles Portfoliomanagement • Charts der historischen Portfolioentwicklung • Risikoanalyse / VaR • Portfoliooptimierung unter Berücksichtigung • vorgegebener Risikostrukturziele • individueller Transaktionskosten • „operativer“ Geschäftsrisiken

  13. Langfristziel:Wissensintensive Dienstleistungen

  14. Bisherige Systeme

  15. Yield Management /Perishable Asset Revenue Mgmt Menge aller Verfahren, welche durch eine integrierte Preis- und Kapazitätssteuerung, die richtigen Einheiten eines zukünftig bereitzustellenden Kapazitätstyps dem richtigen Kundentyp so zuordnen, daß der Deckungsbeitrag der Betriebseinheit maximiert wird[vgl. Belobaba (1989), Vogel (1989)].

  16. Charakteristika YM-geeigneter Produktionsprozesse [Kimes (1989)] • hohe Kapazitätsbereitstellungskosten : Kapazität kurzfristig nur zu prohibitiv hohen, sprungfixen Kosten ausweitbar • variable Grenzkosteneiner zusätzlichen Leistungseinheit innerhalb der gegebenen Kapazitätengering • Möglichkeit zur Marktsegmentierung • Nichtlagerbarkeit und Verderblichkeit • Produktverkauf vor Produktionsbeginn • hohe Volatilität der Nachfrage

  17. Yield Management /Perishable Asset Revenue Mgmt • Airline Industries (Passage & Cargo) • Hotel- & Tourismus-Gewerbe • Autovermietungen • (Bekleidungs- / Modeartikel) • (Lebensmittel)

  18. Strukturanalogientypischer Dienstleistungen

  19. Verfahren des Yield Management • Pragmatische / heuristische Lösungsverfahren • Geschachtelte Kontingentierung • Expected Marginal Seat Revenue • Optimale Lösungsverfahren • Stochastische Dynamische Programmierung auf Basis Markoff’scher Entscheidungsprozesse

  20. Buchungsklasse A Kontingent = 4 Buchungskapazität = 30 Buchungsklasse B Kontingent = 6 Buchungskapazität = 26 Buchungsklasse C Kontingent = 10 Buchungskapazität = 20 Buchungsklasse D Kontingent = 10 Buchungskapazität = 10 Geschachtelte Kontingentierung Buchungsverlauf: Freie Kapazität in angefragter oder geringerwertiger Tarifklasse ? • Ja  buchen • Nein  ablehnen

  21. Geschachtelte Kontingentierung (2)Vorteile und Probleme Vorteile: • geringe Zeitkomplexität • geringer Speicherbedarf • intuitiv Probleme: • Kontingentierung statisch • Optimale Buchungsklassenzahl ?

  22. Geschachtelte Kontingentierung (3) Übertragbarkeit • Services können z.B. gemäß ihrer (mittleren) Antwortzeiten am Markt differenziert werden: • “First-Class” - Service • Standard - Service • “Overnight” - Service • gleiche methodische Schwächen wie bei physischen Produkten / Dienstleistungen.

  23. 3.5 Buchungskapazität 1 f1 = 3 2.5 Buchungskapazität 2 f2 = 2 EMSR (1000 DM / Sitz) 1.5 f3 = 1 Kapazität 0.5 0 0 5 10 15 20 25 30 35 Anzahl Sitze Expected Marginal Seat Revenue (EMSR)

  24. EMSR (2)Vorteile und Probleme Vorteile: • geringe Zeitkomplexität • geringer Speicherbedarf Probleme: • auch hier Notwendigkeit zur Clusterung der Anfragen in Buchungsklassen, also keine gewinnmaximale Ausschöpfung der Nachfrage • statisch (keine Reaktion auf Buchungsverlauf)

  25. EMSR (3)Übertragbarkeit • Erwarteter marginaler revenue eines zusätzlichen Prozents Prozessorleistung oder Hauptspeicherstatt marginaler Erlös (revenue) eines Sitzes • Probleme: • natürlich vorgegebene atomare Einheiten der Ressource Prozessor (eine Operation) oder Hauptspeicher (ein Byte) als sinnvolle Grundlage der Allokation viel zu klein • optimale Granularität? • optimale dynamische Anpassung der Klassengrenzen?

  26. StochastischeDynamische Programmierung • Läßt sich Buchungsprozeß als Markoff’scher Entscheidungsprozeß modellieren,so kann mit SDP die optimale Annahmeentscheidung bestimmtund somit eine optimale Lösung des Yield-Management-Problems erzielt werden.

  27. SDP (2)Beispiel • Sitzplatzkapazität von sechs Sitzplätzen ( Z := { 0, 1, 2, 3, 4, 5, 6 } ) • Sitzplätze können einzeln oder in Gruppen verkauft werden • keine Unsicherheit über die Anzahl der noch eingehenden Anfragen

  28. SDP Beispiel • drei Typen von Anfragen : • (rückwärts zählender) Index k pro Anfrage

  29. Stage 1

  30. Stage 2 (z.B. i=4)

  31. Stage 2 (z.B. i=3)

  32. SDP Beispiel Annahme wenn: Erlösk + Vk-1(i - Sitzanzahlk)  Vk-1( i ).

  33. Network Yield ManagementRessourcen-Komplementariät • Isoliertes Yield Mangement einzelner Ressourcen verschenkt wertvolle Ertragspotentiale • Multi-Leg-Flüge (Airlines) • Duration Control (Hotel) • Produktion der Dienstleistung Transport oder Übernachtung konsumiert hier nicht nur einzelne ”verderbliche” Ressource, sondern Ressourcen-bündel. Demo

  34. Network Yield Management Übertragbarkeit • Hohe Relevanz derartiger Verbundeffekte im Informations-Kontext: • einerseits müssen hier die Ergebnisse der Sub-Services zur Verarbeitung des übergeordneten Service weitergeleitet werden, die ggf. auf anderen Hardware-Komponenten untergebracht sind (Airline-Analogie) • andererseits beanspruchen viele Service-Aufträge mehrere konsekutive Zeitscheiben einer Ressource (Multi-Day-Analogie im Hotel-Fall)

  35. Network Yield Management Übertragbarkeit „kleiner Trost”: • Viele IV-Prozesse sind glücklicherweise “preemptiv” • “Umzug” der Zwischenergebnisse des IV-Prozesses in ein anderes “Hotel” (anderer Prozessor) möglich • Ausnahmen insbes. bei „humaner“ Weiterverarbeitung: • Audio-Streams • Video-Streams

  36. Network Yield Management temporale Substituierbarkeit X ? YES NO

  37. Network Yield Management temporale Substituierbarkeit

  38. Network Yield Management temporale Substituierbarkeit

  39. Network Yield ManagementKombinationsgewinn • Fall A: Kombinationsgewinn

  40. Network Yield ManagementKombinationsgewinn • Fall A:

  41. Network Yield ManagementKombinationsverlust • Fall B: Kombinationsverlust

  42. Network Yield ManagementKombinationsverlust • Fall B:

  43. Bestimmung der Restwertfunktion bei Ressourcenkomplentarität • optimale Lösung:Zustandsraum als Menge aller möglichen Bündel von Verfügbarkeiten aller zu bewertenden Ressourcen! • Kombinatorische Explosion • lineares „Bid-Pricing“[Weatherford 92], [Talluri / Ryzin 96] • MDP mit Zustandsraumclustering [Wendt 91] • Repräsentation der Restwertfunktion mittelsKünstlicher Neuronaler Netze

  44. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 input layer hidden layer output layer Network Yield ManagementKNN als Lösungsansatz ? weight matrix 1 weight matrix 2 Vt(x)= 3200

  45. x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 input layer hidden layer output layer Network Yield ManagementKNN als Lösungsansatz ? weight matrix 1 weight matrix 2 Vt(x)= 2300

  46. Backpropagation (20000 steps)

  47. Backpropagation (40000 steps)

  48. Backpropagation (60000 steps)

  49. Backpropagation (80000 steps)

More Related