präsentiert von: Nicola Schäfer Maria Eickmann Andreas Margraf

Slides:



Advertisements
Ähnliche Präsentationen
Christian Scheideler SS 2009
Advertisements

Definition [1]: Sei S eine endliche Menge und sei p eine Abbildung von S in die positiven reellen Zahlen Für einen Teilmenge ES von S sei p definiert.
Rekursion: Rekurrenz: Algorithmen rufen sich selbst (rekursiv) auf.
Falls Algorithmen sich selbst rekursiv aufrufen, so kann ihr Laufzeitverhalten bzw. ihr Speicherplatzbedarf in der Regel durch eine Rekursionsformel (recurrence,
Vom graphischen Differenzieren
Gliederung 1. Grundlagen der Bottom-Up-Syntaxanalyse
Seminar „Extrapolationsmethoden für zufällige Felder“
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2012.
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2011.
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2011.
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2012.
Modelle und Methoden der Linearen und Nichtlinearen Optimierung (Ausgewählte Methoden und Fallstudien) U N I V E R S I T Ä T H A M B U R G November 2012.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (27 – Kürzeste Wege) Prof. Th. Ottmann.
Kapitel 5 Stetigkeit.
Kapitel 6 Differenzierbarkeit. Kapitel 6: Differenzierbarkeit © Beutelspacher Juni 2005 Seite 2 Inhalt 6.1 Die Definition 6.2 Die Eigenschaften 6.3 Extremwerte.
2. Univariate Regressionsanalyse 2.1 Das statische Regressionsmodell
PG 520 Intelligence Service – gezielte Informationen aus dem Internet
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Materialien zu Übung 9 Bälle in Körbe Ranged.
Asset Liability Management
Entwicklung von Simulationsmodellen WS 2007/08 Dr. Falk-Juri Knauft Mittwoch 9.15 Uhr – Uhr S25 Praktikum zur Entwicklung von Simulationsmodellen:
Statistische Methoden II
Die Vorlesung Statistische Methoden II findet am (nächste Woche) nicht nicht statt. Diese Vorlesung wird zu einem späteren Termin, der noch bekannt.
Konfidenzintervalle Intervallschätzung
Achtung Vorlesung am Montag, den 21. Juni Zeit: Uhr Ort: Kiste.
zu Ihrer Weiterbildung! - Krankenhauswirtschaft -
Wert-Mengen-Analyse von Teilbeständen: Lorenz-Kurve bei A-B-C Analyse
Proseminar Interne Erfolgsrechnung WS 2007/08
Patricia Rogalski 29. Januar 2008
Vorlesung: ANOVA I
Variationsformalismus für das freie Teilchen
Starten Sie optimal in das neue Jahr nach dem Weihnachtsgeschäft Werbeaktionen für den Weihnachtsausverkauf Vertraulich © , Amazon.com, Inc. und.
Allgemeine stetige Verteilungen und konkrete Anwendungen
Rolf Schenker, Statistik Stadt Zürich
Manfred Wahl Gewinnen mit Risiko Mgmt Heidelberger Investoren Runde 11. April 2007 Idee: van Tharp Institute, Technischer Analyse Kongress 2006, Frankfurt.
Kostentheorie - Preistheorie
Linking Social Media & Revenue Management
Ausgleichungsrechnung II
präsentiert von: Nicola Schäfer Maria Eickmann Andreas Margraf
Grafiken Kapitel 2.
Effiziente Algorithmen
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
präsentiert von: Nicola Schäfer Maria Eickmann Andreas Margraf
Praktische Optimierung
2. Vortag aus Quantentheorie
Kapitel 16 Ökonometrische Modelle
Wie bewältigt man Stationaritätsannahmen in der Geostatistik? Brenning & van den Boogaart A.Brenning, Humboldt-Universität zu Berlin
Tutorium Makro- und Mikroökonomik
Grafiken Kapitel 8.
© Dr. rer. pol. Jens Siebel, 2011 Beispiel (Lineare Optimierung) Wir lösen das lineare Optimierungsproblem: Zielfunktion: z(x, y)=x-y+1min! Nebenbedingungen:
Grafiken Kapitel 1.
Grafiken Kapitel 4.
Stetige Kleinste-Quadrate-Approximation
Analyse der Laufzeit von Algorithmen
Vom graphischen Differenzieren
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse
Ich bin eine Testpräsentation. Folie 1  Dies ist ein Typoblindtext. An ihm kann man sehen, ob alle Buchstaben da sind und wie sie aussehen. Manchmal.
Nichtlineare Optimierung
technologischer Fortschritt (g), Bevölkerungswachstum (n), und
7. Aggregierte Nachfrage – Aggregiertes Angebot
Der Wiener Prozess und seltene Ereignisse
Planung einer thematischen Einheit Oberstufe Analysis Seminar zum Blockpraktikum SS 2011 König Stefan.
Prognose von Zeitreihen Hans Nübel Hans Nübel Prognose von Zeitreihen Aufbau 1.Motivation 2.Holt-Winters-Verfahren 3.Prognose.
Kurzfristige Erfolgsrechnung (KLR)
Abiturprüfung Mathematik 2017 Baden-Württemberg Allgemeinbildende Gymnasien Wahlteil Analysis A 1 Lösungen der Aufgaben A 1.1 und A 1.2
Was erwarten Sie von diesem ersten (!) Meilenstein?
Option for more information
Titel der Präsentation (Zeile 1) Titel d. Präsentation (Zeile 2; max.)
 Präsentation transkript:

präsentiert von: Nicola Schäfer Maria Eickmann Andreas Margraf Seminar „Pricing and Analytics“ WS 2010/2011 Markdown Management präsentiert von: Nicola Schäfer Maria Eickmann Andreas Margraf

| Markdown Management | Agenda Seminar Pricing & Analysis Motivation Definition Mathematische Analyse Fallbeispiel aus Elektronik-Branche Ausblick Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Motivation Seminar Pricing & Analysis Motivation Definition Mathematische Analyse Fallbeispiel aus Elektronik-Branche Ausblick Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Warum Markdown Management? Motivation Seminar Pricing & Analysis Warum Markdown Management? The quick brown fox jumps over the lazy dog. Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Mathematische Analyse Mathematisches Analyse Seminar Pricing & Analysis Motivation Hinführung zum Thema Mathematische Analyse Fallbeispiel aus Elektronik-Branche Ausblick Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Mathematische Analyse Seminar Pricing & Analysis Voraussetzungen Kapitel 3 - Mathematische Analyse Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Mathematische Analyse Seminar Pricing & Analysis Voraussetzungen Ein Güter-Fall Keine Wiederbeschaffung Keine Konkurrenz Fixer Güterbestand Begrenzter Verkaufszeitraum Grenzkosten sind zu vernachlässigen Kosten werden nicht berücksichtigt, da bereits enstanden Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Mathematische Analyse Seminar Pricing & Analysis Ziele Sobald der Preis reduziert wurde, kann er nicht mehr angehoben werden => kontinuierliche Preissenkung Maximierung bzw. Optimierung es Erlöses Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Mathematisches Modell Mathematische Analyse Seminar Pricing & Analysis Mathematisches Modell Kapitel 3 – Mathematische Analyse Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Die Nachfragefunktion Optimierungsproblem Seminar Pricing & Analysis Die Nachfragefunktion zeigt den Verlauf der Nachfrage d in Abhängigkeit vom Preis p ist streng monoton fallend und differenzierbar nicht zu verwechseln mit der Preis-Absatz-Funktion Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Optimierungsproblem Seminar Pricing & Analysis Losgrößen p1 anfänglicher Listenpreis T Anzahl der Markdown-Perioden xi Anfangsbestand zum Zeitpunkt i di(pi) Nachfrage zum Zeitpunkt zum Preis pi streng monoton fallend und stetig qi Absatz zum Zeitpunkt i Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Optimierungsproblem Seminar Pricing & Analysis Optimierungsproblem Maximaler Ertrag unter den Nebenbedingungen Nachfrage ist zu jedem Zeitpunkt geringer als der Anfangsbestand Restbestand errechnet sich aus Anfangsbestand abzüglich der Summe der Nachfrage in ganz i Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Optimierungsproblem Seminar Pricing & Analysis Nachfragefunktion ist monoton fallend Preis der vorhergehenden Periode liegt immer über dem Mindestpreis r Preisentwicklung ist fallend für i = 1,2,…,T Vereinfachte Formulierung Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Preisentwicklung bei Markdown Management Deterministische Optimierung Seminar Pricing & Analysis Preisentwicklung bei Markdown Management Die nebenstehende Grafik zeigt die kontinuierliche Preisreduzierung innerhalb eines Verkaufszeitraumes. Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Deterministische Optimierung Seminar Pricing & Analysis Deterministische Optimierung Kapitel 3 – Mathematische Analyse Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Deterministischer Algorithmus Deterministische Optimierung Seminar Pricing & Analysis Deterministischer Algorithmus Löse MDOWN um den anfänglichen Preis p1 zu bestimmen. Betrachte die Verkaufszahlen während der ersten Periode. Anfangsbestand für die zweite Periode ist x2 = x1 – q1. Löse MDOWN für p2, p3, …, pT unter Verwendung des Anfangsbestandes von x2. Setze p2 als Preis für die zweite Periode ein. Zum Beginn einer jeden Periode ist der aktuelle Bestand gleich dem Anfangsbestand der vorhergehenden Periode minus der verkauften Stückzahl, also: xi = x i-1 – qi Löse MDOWN für pi, pi+1,…, pT unter Verwendung von xi. Benutze den Wert von pi als Preis für die kommende Periode. Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Deterministische Lösung Seminar Pricing & Analysis Fallbeispiel (1/2) In unserem Beispiel gehen wir von einem Verkaufszeitraum von 3 Monaten aus. In jedem Monat soll der Preis gesenkt werden. Wir haben folgende Nachfragefunktionen ermittelt: t=1: d1(p1) = 240 – 0,2 p1 t=2: d2(p2) = 230 – 0,2 p2 t=3: d3(p3) = 220 – 0,3 p3 Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Deterministische Lösung Seminar Pricing & Analysis Fallbeispiel (2/2) Wenn wir als Gesamtkostenfunktion TR = 650 – 0,7p annehmen bekommen wir: p* = xxx, TR(p*) = Der Algorithmus liefert uns dagegen folgendes Ergebnis: Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Optimierung unter Unsicherheit Seminar Pricing & Analysis Optimierung unter Unsicherheit Kapitel 3 – Mathematische Analyse Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

Optimierung unter Unsicherheit Stochastische Optimierung Seminar Pricing & Analysis Optimierung unter Unsicherheit in der Realwelt findet man kaum die bisher getroffenen Annahmen vor deshalb müssen Risikofaktoren berücksichtigt werden wir verwenden als Risikokennzahlen also Zufallsvariablen und Erwartungswerte Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Unsicherheit (2/2) Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |

| Markdown Management | Quellennachweis Seminar Pricing & Analysis Quellennachweis Bamberg, G., Krapp, M., & Baur, F. (2008). Statistik. München: Oldenburg Wissenschaftsverlag GmbH. Kewes, T. (2007). Holzklasse oder Himmelbett. Handelblatt (Nr. 46), 18. Klein, R., & Steinhardt, C. (2008). Revenue Management - Grundlagen und Mathematische Methoden. Berlin-Heidelberg: Springer. Pepels, W. (2006). Produkt- und Preismanagement im Firmenkundengeschäft. München: Oldenburg WIssenschaftsverlag GmbH. Phillips, R. L. (2005). Pricing and revenue optimization. California: Stanford University Press. Steinhardt, C., Klein, R., & Gönsch, J. (2009). Dynamic Pricing - State-of-the-Art. Zeitschrift für Betriebswirtschaft . Tallury, K. T., & Van Ryzin, G. J. (2005). The theory and practice of revenue management. New York: Springer. Nicola Schäfer, Maria Eickmann, Andreas Margraf | Markdown Management |