Datengetriebene Absicherung von Rohstoffpreisrisiken

Autor: Christian Mandl

Rohstoffpreise sind während der Corona-Pandemie signifikant gestiegen. Dies gilt nicht nur für Holz, dessen Preis sich in den vergangenen Monaten nahezu verdreifacht hat. Auch die Preise für Aluminium und Kupfer stiegen im vergangenen Jahr um mehr als 50%. Ähnliche Preisanstiege sind für Agrarprodukte wie Mais oder Weizen zu beobachten.

Dies macht für rohstoffbeschaffende Unternehmen gerade jetzt ein effektives Risikomanagement wichtiger denn je.

Zwei in der Praxis gängige Instrumente zur Absicherung von Rohstoffpreisrisiken sind Termingeschäfte (sogenanntes Financial Hedging) und die Vorratslagerhaltung (sogenanntes Operational Hedging).

In beiden Fällen setzt die Optimierung der Beschaffungszeitpunkte und -mengen die Lösung eines komplexen, mehr-periodigen stochastischen Optimierungsproblems voraus. Darüber hinaus stellt sich in einer aktuell von Buzzwords wie „KI“ und „Big Data“ dominierten Geschäftswelt die Frage, wie Daten (beispielsweise interne und externe Featuredaten) zur Optimierung von Beschaffungsentscheidungen genutzt und effizient operationalisiert werden können.

Eine Kombination aus klassischen Optimierungsverfahren (z.B. gemischt-ganzzahlige lineare Programmierung) mit Standardverfahren des Maschinellen Lernens kann hier Abhilfe schaffen, um Beschaffungs- und Lagerhaltungsentscheidungen am Rohstoffmarkt datengetrieben abzuleiten.

Während die klassischen Ansätze Prognose und Entscheidung bzw. Optimierung typischerweise separieren, setzen unsere Ansätze auf eine Integration von Prognose und Optimierung, das heißt Machine Learning ist Teil des Optimierungsalgorithmus. So wird sichergestellt, dass nicht notwendigerweise die Preisprognosen optimiert werden sollen (was ohnehin ein schwieriges Unterfangen ist), sondern der Fokus auf der Minimierung der Beschaffungskosten liegt, was die eigentliche Zielfunktion des Unternehmens charakterisiert. Dadurch wird der Beobachtung Rechnung getragen, dass optimale Preisprognosen keine notwendige Bedingung für kostenoptimale Beschaffungsentscheidungen sind.

Das Resultat sind einfache und interpretierbare (lineare) Entscheidungsregeln, die dem Einkäufer datengetriebene Kaufsignale (oder Wartesignale) liefern, die je nach Rohstoffklasse beispielsweise von Konjunkturindikatoren aber auch Wetterdaten abhängen können.

Weitere Details zu unserer Arbeit finden Sie unter anderem unter den folgenden Links:
https://link.springer.com/chapter/10.1007/978-3-658-31898-7_3
https://pubsonline.informs.org/doi/abs/10.1287/msom.2020.0890

Lieferketten resilient gestalten

Autor: Erik Diessel

Vorwort der GOR
Arbeit, Lernen und Leben werden zunehmend digitaler. Mit der rein virtuell stattfindenden OR2021 begeben auch wir uns zunehmend mit unseren Formaten ins digitale Zeitalter. Zwei weitere Initiativen sind eine GOR-LinkedIN Seite sowie die Möglichkeit Blogbeiträge auf den GOR-Seiten zu teilen. Zunächst wird diese Möglichkeit GOR-Preisträgern vorbehalten sein. So wurde u.A. Erik Diessel für seine Arbeit mit dem Masterarbeitspreis ausgezeichnet und ist hiermit unser erster Blogger, dem wir herzlich zum Preis gratulieren und für seinen Beitrag danken.

 

Die Auswirkungen von Ausfällen in Lieferketten wurden durch die Coronakrise auch einer breiten Öffentlichkeit bekannt. Wenn die Produktion in einer Fabrik ruhen muss, da nötige Materialien fehlen, dann kann dies schnell immense Auswirkungen haben. Entscheidend ist eine robuste Auswahl der Lieferanten und Planung der Einkaufsmengen, durch die man die Auswirkungen klein hält.

Diese Frage nach der Modellierung und Berechnung von optimalen Plänen für eine möglichst resiliente Lieferkette stand im Fokus meiner Masterarbeit, die ich in Kooperation mit dem Fraunhofer ITWM schrieb. Dafür werden einige Komponenten miteinander verzahnt. Als Grundgerüst muss ein geeignetes Modell für die möglichen Ausfälle erstellt werden. Dabei ist es wichtig, auch parallele Ausfälle zu betrachten, denn Lieferanten in der gleichen Region könnten z. B. von einem Erdbeben alle gemeinsam betroffen sein. Das Herzstück ist ein Flussmodell welches die Auswirkungen von Ausfällen abbildet. Man ergänzt ein Modell für Ausgleichsmöglichkeiten durch alternative Lieferanten, womit auch die Flexibilität und Resilienz einer Lieferkette abgebildet werden kann. Als letzte und entscheidende Zutat benötigt man einen Algorithmus, der einen möglichst robusten Plan basierend auf dem Modell berechnet. Dazu baut man auf geschickte Dualisierungen und Cut-Generation auf. Der resultierende Plan garantiert, dass selbst im schlimmsten anzunehmenden Szenario genug Alternativen bereitstehen um die Ausfälle zu kompensieren. Die in meiner Arbeit entstandenen Algorithmen erschienen auch in der unten aufgeführten Publikation.

Eine wesentliche Erweiterung ist die Einbindung des Modells in eine multikriterielle Optimierung, um Entscheidungsunterstützung für eine optimale Abwägung zwischen Risiken und Kosten zu ermöglichen. Dies ist ein Thema meiner laufenden Promotion am Fraunhofer ITWM.

Mehr zum Thema lässt sich in folgender Publikation nachlesen: Ackermann, Heiner; Diessel, Erik; Krumke, Sven O. (2021): Robust Flows with Adaptive Mitigation. In EURO Journal on Computational Optimization, https://www.sciencedirect.com/science/article/pii/S2192440620300022

Top