Title (eng)
Data mining for efficient request bundle generation in auction-based transportation collaborations
Parallel title (deu)
Data Mining für effiziente Auftragsbündelgenerierung in auktionsbasierten Transportkooperationen
Author
Edoardo Baggio
Advisor
Jan Fabian Ehmke
Assessor
Jan Fabian Ehmke
Abstract (deu)
Eine Kooperation zwischen Logistikdienstleistern stellt verschiedene Vorteile dar. Beispiele aus der Industrie und der Literatur zeigen, wie die horizontale Kollaboration in der Logistik zu Kosteneinsparungen im Transport, Umsatzerhöhungen und CO2-Einsparungen für das gesamte Netzwerk führen. Wesentlicher Teil der Kollaboration zwischen Logistikdienstleistern ist der Austausch von nicht-profitablen Kunden. Diese können sich für einen Dienstleister als nicht profitabel erweisen oder nicht optimal zu dessen existierenden Routen passen. Hingegen kann es eine Möglichkeit zur Umsatzerhöhung für einen anderen Dienstleister im Netzwerk darstellen, wenn der Kunde in die existierenden Routen effizienter integriert werden kann. Die Literatur unterscheidet zwischen dem Austausch von Einzelkunden und dem Austausch von Kundenbündeln, d.h. Gruppen von Kundenanfragen. Letzteres bietet mehrere Vorteile, vor allem die unterschiedliche Profitabilität eines Kunden, je nach dem, ob er einzeln oder in einem Bündel betrachtet wird. Demnach könnte ein Kunde allein unprofitabel für alle Teilnehmer eines Netzwerkes sein, jedoch einen Mehrwert für einen Dienstleister bieten, wenn das ganze Bündel wirtschaftlich attraktiv ist. Allerdings ist der Kundenaustausch in Bündeln mit einem kombinatorischen Problem verbunden. Für den Fall, dass n unprofitable Einzelkunden ausgetauscht werden müssen, bestehen 2^n − 1 verschiedene Kombinationen, in denen sie in Bündeln zusammengefasst werden können. Aus der Literatur geht hervor, dass solche Bündel mittels kombinatorischer Auktionen unter den Netzwerkmitgliedern gehandelt werden. Das bedeutet, dass Logistikdienstleister alle Bündel einer Auktion auswerten müssten, um einen Gebotspreis auszuhandeln. Da dieser Wert der Profitabilität eines Bündels entsprechen soll, wird er nach den Kosten für das Einfügen eines Bündels in eine bestehende Route berechnet. Das trägt dazu bei, dass ein Vehicle Routing Problem für jedes Bündel gelöst werden soll. Angesichts der Tatsache, dass das Vehicle Routing Problem als NP-Hard gilt, ist eine Gebotspreisberechnung für alle Bündelmöglichkeiten zeitlich undenkbar. Es wird in der Literatur anerkannt, dass nicht alle Bündel gleich profitabel sind und dass es ausreichend ist, wenn die Netzwerkteilnehmer nur für die attraktivsten Bündel ein Gebot abgeben können. Das kann die Problemgröße deutlich reduzieren und die Berechnung des Preisgebots wieder möglich machen. Das zweite Problem umfasst die Durchführbarkeit der Lösungen. Demnach ist darauf zu achten, dass alle Einzelkunden einmal erscheinen, wenn der Austausch in Bündeln erfolgt. Daher sind in der Literatur Methoden entstanden, bei welchen nur die attraktivsten Bündel, die zu durchführbaren Lösungen führen, für die Auktion generiert werden können. In den letzten Jahren wurden verschiedene Heuristik-Methoden zu diesem Zweck vorgestellt. Darunter fällt der Ansatz von Gansterer & Hartl (2018), der einen effizienten evolutionären Algorithmus zur Generierung attraktiver durchführbarer Kundenbündel bereitstellt. Alle Methoden zu diesem Zweck basieren auf Heuristiken. Nach derzeitigem Wissensstand verwendet keiner Business Analytics Methoden, um attraktive Bündel für Auktionen zu generieren. Diese Arbeit soll diese Lücke füllen. Vergangene Auktionen bieten historische Daten von Kundenbündeln und dazugehörigen Gebotspreisen, die genutzt werden könnten, um ein Regressionsmodell zu trainieren. Damit können Gebotspreise für zukünftige Auktionen vorhergesagt werden, um nur attraktive Bündel den Netzwerkteilnehmern für die Gebotspreisbestimmung anzubieten. Dafür müssen neue Features berechnet werden, die die Bündel numerisch beschreiben, welche möglicherweise mit den Gebotspreisen korreliert sind, um diese effektiv vorherzusagen. Das Verfahren von Gansterer & Hartl (2018) wurde schon nachimplementiert und mittels existierender Instanzen getestet. Ein neues Business Analytics basierendes Verfahren kann daher implementiert werden und mit denselben Instanzen getestet werden, um seine Wirksamkeit zu prüfen. Ziel dieser Masterarbeit ist es zum einen, herauszufinden, ob die Implementierung einer solchen alternativen Methode zum vorgestellten Zweck möglich ist und zum anderen der Vergleich der Lösungsqualität und der Laufzeit beider Verfahren.
Abstract (eng)
Cooperation between logistics service providers presents various advantages. Examples from industry and literature show how horizontal collaboration in logistics leads to cost savings in transport, increase in turnover and CO2 emissions savings for the entire network. An essential part of collaboration between logistics service providers is the exchange of non- profitable customers. These may not be profitable for a service provider or may not fit optimally within the existing routes. On the other hand, it can represent an opportunity for another service provider in the network to increase revenue, if the customer can be integrated more efficiently into its existing routes. The literature distinguishes between the exchange of individual customers and the exchange of customer bundles, meant as groups of customer requests. The latter offers several advantages, most notably the different profitability of a customer depending on whether it is considered individually or in a bundle. Accordingly, a customer alone could be unprofitable for all participants in a network but offer added value for a service provider if the whole bundle is economically attractive. However, customer exchange in bundles is associated with a combinatorial problem. If n unprofitable individual customers need to be exchanged, there are 2^n − 1 different combinations in which they can be combined in bundles. The literature shows that such bundles are traded among network members by means of combinatorial auctions. This means that logistics service providers would have to evaluate all bundles in an auction in order to negotiate a bidding price. Since this value is supposed to correspond to the profitability of a bundle, it is calculated according to the cost of inserting a bundle into an existing route. This implies that a Vehicle Routing Problem should be solved for each bundle. Given that the Vehicle Routing Problem is NP - Hard, a bidding price calculation for all bundle possibilities is unthinkable in terms of time. It is recognised in the literature that not all bundles are equally profitable and that it is sufficient if network participants can bid only for the most attractive bundles. This can significantly reduce the problem size and make the calculation of the bidding price feasible again. The second problem involves the feasibility of the solutions. Specifically, it must be ensured that all individual customers appear exactly once when the exchange is made in bundles. Therefore, methods have emerged in the literature where only the most attractive bundles leading to feasible solutions can be generated for the auction. In recent years, various heuristic methods have been presented for this purpose. These include the approach of Gansterer & Hartl (2018), which provides an efficient Genetic Algorithm for generating attractive feasible customer bundles. All methods for this purpose are based on heuristics. To the best of my knowledge, none uses business analytics methods to generate attractive bundles for auctions. This thesis aims to fill this gap. Past auctions provide historical data of customer bundles and associated bidding prices that could be used to train a regression model. This can be used to predict bidding prices for future auctions in order to offer only attractive bundles to the network participants for price determination. To achieve this, new features that numerically describe the bundles that are possibly correlated with the bidding prices must be calculated in order to effectively predict them. The method by Gansterer & Hartl (2018) has already been re-implemented and tested using existing instances. A new business analytics-based procedure can therefore be implemented and tested with the same instances to verify its effectiveness. The aim of this master thesis is firstly to find out whether the implementation of such an alternative method is possible for the purpose presented and to compare the solution quality and the runtime of both methods.
Keywords (deu)
Kollaborative NetzwerkeHorizontale KollaborationBusiness-Analytics-basierte Bündelung von AnfragenTransport-KollaborationKombinatorische AuktionenKundenbündelFeature EngineeringMaschinelles LernenRegression
Keywords (eng)
Collaborative NetworksHorizontal CollaborationBusiness Analytics-based request bundle generationTransportation CollaborationCombinatorial AuctionsCustomer BundlesFeature EngineeringMachine LearningRegression
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1623296
rdau:P60550 (deu)
vii, 80 Seiten : Illustrationen
Number of pages
90
Association (deu)
Title (eng)
Data mining for efficient request bundle generation in auction-based transportation collaborations
Parallel title (deu)
Data Mining für effiziente Auftragsbündelgenerierung in auktionsbasierten Transportkooperationen
Author
Edoardo Baggio
Abstract (deu)
Eine Kooperation zwischen Logistikdienstleistern stellt verschiedene Vorteile dar. Beispiele aus der Industrie und der Literatur zeigen, wie die horizontale Kollaboration in der Logistik zu Kosteneinsparungen im Transport, Umsatzerhöhungen und CO2-Einsparungen für das gesamte Netzwerk führen. Wesentlicher Teil der Kollaboration zwischen Logistikdienstleistern ist der Austausch von nicht-profitablen Kunden. Diese können sich für einen Dienstleister als nicht profitabel erweisen oder nicht optimal zu dessen existierenden Routen passen. Hingegen kann es eine Möglichkeit zur Umsatzerhöhung für einen anderen Dienstleister im Netzwerk darstellen, wenn der Kunde in die existierenden Routen effizienter integriert werden kann. Die Literatur unterscheidet zwischen dem Austausch von Einzelkunden und dem Austausch von Kundenbündeln, d.h. Gruppen von Kundenanfragen. Letzteres bietet mehrere Vorteile, vor allem die unterschiedliche Profitabilität eines Kunden, je nach dem, ob er einzeln oder in einem Bündel betrachtet wird. Demnach könnte ein Kunde allein unprofitabel für alle Teilnehmer eines Netzwerkes sein, jedoch einen Mehrwert für einen Dienstleister bieten, wenn das ganze Bündel wirtschaftlich attraktiv ist. Allerdings ist der Kundenaustausch in Bündeln mit einem kombinatorischen Problem verbunden. Für den Fall, dass n unprofitable Einzelkunden ausgetauscht werden müssen, bestehen 2^n − 1 verschiedene Kombinationen, in denen sie in Bündeln zusammengefasst werden können. Aus der Literatur geht hervor, dass solche Bündel mittels kombinatorischer Auktionen unter den Netzwerkmitgliedern gehandelt werden. Das bedeutet, dass Logistikdienstleister alle Bündel einer Auktion auswerten müssten, um einen Gebotspreis auszuhandeln. Da dieser Wert der Profitabilität eines Bündels entsprechen soll, wird er nach den Kosten für das Einfügen eines Bündels in eine bestehende Route berechnet. Das trägt dazu bei, dass ein Vehicle Routing Problem für jedes Bündel gelöst werden soll. Angesichts der Tatsache, dass das Vehicle Routing Problem als NP-Hard gilt, ist eine Gebotspreisberechnung für alle Bündelmöglichkeiten zeitlich undenkbar. Es wird in der Literatur anerkannt, dass nicht alle Bündel gleich profitabel sind und dass es ausreichend ist, wenn die Netzwerkteilnehmer nur für die attraktivsten Bündel ein Gebot abgeben können. Das kann die Problemgröße deutlich reduzieren und die Berechnung des Preisgebots wieder möglich machen. Das zweite Problem umfasst die Durchführbarkeit der Lösungen. Demnach ist darauf zu achten, dass alle Einzelkunden einmal erscheinen, wenn der Austausch in Bündeln erfolgt. Daher sind in der Literatur Methoden entstanden, bei welchen nur die attraktivsten Bündel, die zu durchführbaren Lösungen führen, für die Auktion generiert werden können. In den letzten Jahren wurden verschiedene Heuristik-Methoden zu diesem Zweck vorgestellt. Darunter fällt der Ansatz von Gansterer & Hartl (2018), der einen effizienten evolutionären Algorithmus zur Generierung attraktiver durchführbarer Kundenbündel bereitstellt. Alle Methoden zu diesem Zweck basieren auf Heuristiken. Nach derzeitigem Wissensstand verwendet keiner Business Analytics Methoden, um attraktive Bündel für Auktionen zu generieren. Diese Arbeit soll diese Lücke füllen. Vergangene Auktionen bieten historische Daten von Kundenbündeln und dazugehörigen Gebotspreisen, die genutzt werden könnten, um ein Regressionsmodell zu trainieren. Damit können Gebotspreise für zukünftige Auktionen vorhergesagt werden, um nur attraktive Bündel den Netzwerkteilnehmern für die Gebotspreisbestimmung anzubieten. Dafür müssen neue Features berechnet werden, die die Bündel numerisch beschreiben, welche möglicherweise mit den Gebotspreisen korreliert sind, um diese effektiv vorherzusagen. Das Verfahren von Gansterer & Hartl (2018) wurde schon nachimplementiert und mittels existierender Instanzen getestet. Ein neues Business Analytics basierendes Verfahren kann daher implementiert werden und mit denselben Instanzen getestet werden, um seine Wirksamkeit zu prüfen. Ziel dieser Masterarbeit ist es zum einen, herauszufinden, ob die Implementierung einer solchen alternativen Methode zum vorgestellten Zweck möglich ist und zum anderen der Vergleich der Lösungsqualität und der Laufzeit beider Verfahren.
Abstract (eng)
Cooperation between logistics service providers presents various advantages. Examples from industry and literature show how horizontal collaboration in logistics leads to cost savings in transport, increase in turnover and CO2 emissions savings for the entire network. An essential part of collaboration between logistics service providers is the exchange of non- profitable customers. These may not be profitable for a service provider or may not fit optimally within the existing routes. On the other hand, it can represent an opportunity for another service provider in the network to increase revenue, if the customer can be integrated more efficiently into its existing routes. The literature distinguishes between the exchange of individual customers and the exchange of customer bundles, meant as groups of customer requests. The latter offers several advantages, most notably the different profitability of a customer depending on whether it is considered individually or in a bundle. Accordingly, a customer alone could be unprofitable for all participants in a network but offer added value for a service provider if the whole bundle is economically attractive. However, customer exchange in bundles is associated with a combinatorial problem. If n unprofitable individual customers need to be exchanged, there are 2^n − 1 different combinations in which they can be combined in bundles. The literature shows that such bundles are traded among network members by means of combinatorial auctions. This means that logistics service providers would have to evaluate all bundles in an auction in order to negotiate a bidding price. Since this value is supposed to correspond to the profitability of a bundle, it is calculated according to the cost of inserting a bundle into an existing route. This implies that a Vehicle Routing Problem should be solved for each bundle. Given that the Vehicle Routing Problem is NP - Hard, a bidding price calculation for all bundle possibilities is unthinkable in terms of time. It is recognised in the literature that not all bundles are equally profitable and that it is sufficient if network participants can bid only for the most attractive bundles. This can significantly reduce the problem size and make the calculation of the bidding price feasible again. The second problem involves the feasibility of the solutions. Specifically, it must be ensured that all individual customers appear exactly once when the exchange is made in bundles. Therefore, methods have emerged in the literature where only the most attractive bundles leading to feasible solutions can be generated for the auction. In recent years, various heuristic methods have been presented for this purpose. These include the approach of Gansterer & Hartl (2018), which provides an efficient Genetic Algorithm for generating attractive feasible customer bundles. All methods for this purpose are based on heuristics. To the best of my knowledge, none uses business analytics methods to generate attractive bundles for auctions. This thesis aims to fill this gap. Past auctions provide historical data of customer bundles and associated bidding prices that could be used to train a regression model. This can be used to predict bidding prices for future auctions in order to offer only attractive bundles to the network participants for price determination. To achieve this, new features that numerically describe the bundles that are possibly correlated with the bidding prices must be calculated in order to effectively predict them. The method by Gansterer & Hartl (2018) has already been re-implemented and tested using existing instances. A new business analytics-based procedure can therefore be implemented and tested with the same instances to verify its effectiveness. The aim of this master thesis is firstly to find out whether the implementation of such an alternative method is possible for the purpose presented and to compare the solution quality and the runtime of both methods.
Keywords (deu)
Kollaborative NetzwerkeHorizontale KollaborationBusiness-Analytics-basierte Bündelung von AnfragenTransport-KollaborationKombinatorische AuktionenKundenbündelFeature EngineeringMaschinelles LernenRegression
Keywords (eng)
Collaborative NetworksHorizontal CollaborationBusiness Analytics-based request bundle generationTransportation CollaborationCombinatorial AuctionsCustomer BundlesFeature EngineeringMachine LearningRegression
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1628925
Number of pages
90
Association (deu)
License
Citable links
Other links
Managed by
Details
Metadata
Export formats
Universitätsring 1, 1010 Wien | T
T +43-1-4277-0