Entscheidungen, die aufgehen.
Wir bauen die Systeme, mit denen das gelingt.
Haering Solutions ist ein Schweizer Beratungsunternehmen mit Wurzeln in Operations Research und Entscheidungsintelligenz. Wir bauen die Software, mit der Unternehmen ihre schwierigsten Entscheidungen treffen: Pricing, Disposition, Routing, Energiegebote, Netzdesign, Politik, interne Werkzeuge. Manchmal ist das ein schwergewichtiger Optimierungssolver. Manchmal ein leichteres Werkzeug, bei dem KI Teile der Arbeit übernimmt. Wir wählen, was zum Problem passt — und liefern dort, wo die richtige Antwort Millionen wert ist und die falsche schwer rückgängig zu machen.
Vertraut von führenden Unternehmen in Energie, Mobilität, Finanzen und öffentlichem Sektor
Wir beginnen bei der Entscheidung.
Wie ein Mandat aussieht, hängt vom Problem ab. Eine Pricing-Engine braucht manchmal Monate an Solver-Tuning, während ein kleineres Entscheidungswerkzeug nur eine saubere Prognose und eine sinnvolle Schnittstelle benötigt. Beides ist uns vertraut, und die meisten Mandate liegen irgendwo dazwischen.
Zur Interpretierbarkeit
Klienten stellen früher oder später dieselbe Frage: Warum hat das System diese Antwort gewählt, und wie gut ist sie? Die meisten ML-Systeme können das nicht wirklich beantworten. Mit der Optimierung, die wir bauen, schon. Jede Nebenbedingung ist explizit, jede Zielfunktion in Mathematik formuliert, und der Abstand zum Optimum kommt mit einer Zahl.
- 01
Mathematische Optimierung, durchgängig
Das ist die Königsdisziplin. Wir bauen Solver für die harten Probleme: Pricing, Routing, Disposition, Energiegebote, Netzdesign. Die Arbeit umfasst gemischt-ganzzahlige, nichtlineare, stochastische und robuste Formulierungen — mit sauberem algorithmischem Engineering dort, wo die Standardwerkzeuge aufgeben. Operations Research auf PhD-Niveau, ausgeliefert als Produktionscode.
- 02
Algorithmische F&E
Wenn der Standardsolver passt, schreiben wir den Algorithmus selbst. Branch-and-Bound, Dekompositionsverfahren, Metaheuristiken, problemspezifische Tricks. Vieles davon wurde am Ende publiziert — das Ziel ist aber immer, dass die Laufzeit in der Produktion stimmt.
- 03
Forecasting & prädiktive Modellierung
Die Signalschicht, die die Optimierung speist. Discrete-Choice-Modelle, Zeitreihenprognosen, Nachfragesimulation, Klassifikation — kalibriert auf Ihren Daten, nicht auf einem öffentlichen Benchmark.
- 04
Entscheidungsunterstützung, KI-augmentiert
Modelle nützen nur, wenn Ihr Team sie nutzen kann. Wir bauen die APIs, Dashboards und Integrationsschichten rund um das Modell. Wo es sich auszahlt, ergänzen wir an der Oberfläche KI: Dokumentenextraktion, natürlichsprachliche Abfragen, Zusammenfassungen langer Inputs. Wir arbeiten über die APIs der grossen Frontier-Anbieter, statt einen eigenen LLM-Stack zu betreiben.
Drei Dinge, die wir mit KI meinen.
KI ist ein breiter Begriff, und er deckt grundsätzlich verschiedene Dinge ab. Generative Modelle nutzen wir, wenn der Input unstrukturiert ist — Text, Dokumente. Prädiktive Modelle nutzen wir für Prognosen und Klassifikation. Mathematische Optimierung nutzen wir, wenn die Entscheidung beweisbar gut sein muss. Die meisten Mandate verwenden mindestens zwei der drei.
Die KI, die entscheidet.
Unsere grösste Spezialität. Wir modellieren die Geschäftsentscheidung als mathematisches Optimierungsproblem und lösen es. Der Output ist eine Empfehlung mit harten Garantien: ein Zulässigkeitszertifikat, eine explizite Liste der Nebenbedingungen und Zielfunktionen, und eine Zahl, wie nahe die Antwort am Optimum liegt. Vieles, was wir hier liefern, wurde zuvor in einem begutachteten OR-Journal publiziert.
Wenn die Entscheidung Nebenbedingungen, Tragweite und einen Qualitätsanspruch hat.
Von Daten zum Signal.
Forecasting, Nachfragemodellierung, Discrete Choice, Klassifikation, Signalextraktion. Wir wählen das Modell, das zu Ihren Daten passt, kalibrieren es auf dem realen Problem und behandeln seinen Output als Inputschicht für die nachgelagerte Entscheidungs-Engine. Das richtige Modell ist oft kleiner, als die Trends vermuten lassen.
Wenn Sie wissen müssen, was wahrscheinlich ist, bevor Sie entscheiden, was zu tun ist.
Unstrukturiert rein, strukturiert raus.
Wir integrieren Large Language Models dort, wo sie sich rechnen: Dokumentenextraktion, natürlichsprachliche Schnittstellen über strukturierte Systeme, Automatisierung von Wissensarbeit, agentische Verkettung zwischen Systemen. Wir arbeiten über die APIs der grossen Frontier-Anbieter. Wenn ein einfacheres Werkzeug genügt, sagen wir es.
Dokumentenlastige Aufgaben, natürlichsprachliche Schnittstellen über strukturierte Systeme.
Sie brauchen nicht immer ein LLM, einen Solver oder ein ausgeklügeltes Modell. Manchmal ist die richtige Antwort eine sorgfältige Heuristik in einer Tabelle, und wir sagen es, wenn das so ist. Ziel eines Mandats ist, die Entscheidung besser zu machen — nicht den Technologie-Stack zu maximieren.
Ein Einblick in aktuelle Mandate.
Arbeiten in Energie, Mobilität, Finanzen, öffentlicher Gesundheit und Reise. Senior-Personal führt jedes Mandat.
Ein massgeschneiderter Portfolio-Optimierer, bis zu 40 % effizienter im Risiko-Rendite-Verhältnis als Standard-Heuristiken
Wir haben für swissQuant einen massgeschneiderten Portfolio-Optimierer für risikobeitragsbeschränkte Allokation gebaut, ein nicht-konvexes Problem, das Standard-MIP-Solver nicht bis zur zertifizierten Optimalität lösen können. Auf echten Fünf-Jahres-Daten des MSCI World ist die heuristische Alternative auf 33-Asset-Portfolios bis zu 40 % weniger risiko-rendite-effizient als unser Optimierer; im am stärksten nicht-konvexen Regime driftet sie so weit ab, dass sie einen positiven Zielwert liefert, wo das echte Optimum negativ ist.
Day-Ahead-Gebote, die +€0,9 Mio. realisierten Profit auf einem 900-MW-Pumpspeicherkraftwerk hinzufügen
Wir haben das Optimierungs-Framework hinter der Day-Ahead-Gebotsstrategie von Alpiq für das 900-MW-Pumpspeicherkraftwerk Nant de Drance mitentwickelt. Über 4 Monate real geclearter Preise (Jan, Apr, Jun, Okt 2022) fügt die stochastische Variante €0,9 Mio. (+3,2 %) realisierten Profit gegenüber dem deterministischen Ansatz hinzu, den die Trader von Alpiq heute verwenden. Mit aktiviertem CVaR-Risiko-Knopf tauscht dieselbe Engine ~2,5 % erwarteten Profit gegen ~70 % geringeres Tail-Risiko.
Ein stadtweiter Aktivitäten-Scheduler, der den Schweizer Mikrozensus auf einem Open-Source-Stack reproduziert
Wir haben das aktivitätsbasierte Scheduling-Framework mitverfasst, das die zeitliche Ebene der Verkehrsnachfrage-Arbeit der SBB von regelbasierten Heuristiken in ein echtes Optimierungsproblem verwandelt. Auf einer synthetischen Lausanner Vollzeit-Bevölkerung von 46’970 Schedules reproduzieren die simulierten Aktivitätsprofile jede empirische Signatur des Schweizer Mikrozensus, morgendliche Spitze, Mittags-Senke, abendliche Freizeit-Rampe, ohne jegliches regelbasiertes Nachflicken.
68 Verhaltensparameter der Schedule-Flexibilität von Schweizer Arbeitnehmern
Wir haben das Open-Access-Journal-Paper mitverfasst, das aus 10’110 echten Schweizer Mikrozensus-Schedules schätzt, wie flexibel Schweizer Arbeitnehmer wirklich bei Mittag, Arbeitszeit, Freizeit, Einkauf und dem Heim-Tag sind. Alle 68 Verhaltensparameter sind statistisch signifikant auf 5 %; die resultierende Kalibrierung lässt sich in jedes aktivitätsbasierte Verkehrsnachfrage-Modell einspielen. Ein einprägsames Ergebnis: Arbeitnehmer sind pro Stunde rund 350× empfindlicher gegen einen zu kurzen Mittag als gegen einen zu kurzen Arbeitstag.
Eine Live-Itinerar-Engine, die unter 90 Sekunden den besten 3-Tages-Trip aus 200 Mio.+ Google Places auswählt
Wir haben die Optimierungs-Engine entworfen und ausgeliefert, die aus 200 Mio.+ Google Places und den Präferenzen eines Reisenden in unter 90 Sekunden Ende-zu-Ende ein personalisiertes 3-Tages-Itinerar macht. Der Optimierer schliesst eine Anfangslücke von 1163 % innerhalb dieses Fensters auf unter 10 %. Engine, Google-Places-Ingestion-Pipeline und Referenz-UI laufen live in der Reisenden-App von Unki — benchmarkiert über Genf, Paris, London und Lausanne.
Gezielte Pandemie-Beschränkungen, die ~22 % der Infektionen bei gleichen Wirtschaftskosten einsparen
Wir haben eine Pareto-Frontier aus 15 Pandemie-Beschränkungspolitiken für die synthetische 814’000-Agenten-Bevölkerung des Kantons Waadt geliefert, jede Politik gekoppelt mit ihrer vollständigen 60-Tage-simulierten Epidemie-Trajektorie. Der Hauptbefund: Klügeres Alters-Targeting spart rund 22 % der Infektionen bei gleichen Wirtschaftskosten (72 Mio. vs. 69 Mio. CHF) — beschränken Sie die 30–39-Arbeitskohorte und Sie kontrollieren die Ausbreitung; beschränken Sie die 40–49-Kohorte und die Infektionen steigen über zwei Monate um 100’000. Genau diese altersaufgelöste Entscheidung kann ein grobes SEIR-Modell nicht liefern, und genau das braucht eine Public-Health-Antwort.
Das tiefe Ende des Werkzeugkastens.
Jede Karte hier ist eine methodische Fähigkeit, die wir geleitet, mitverfasst oder betreut haben. Manches wurde in begutachteten Journals publiziert, anderes als technischer Bericht verfasst. Das meiste hat den vorherigen Stand der Technik um Grössenordnungen verbessert. Wenn die Entscheidung beweisbar gut sein muss, ist das die Forschungsbasis, aus der wir schöpfen.
Exaktes Choice-Based Pricing, bis zu 1,67 Millionen Mal schneller als die MILP-Baseline
Wir haben drei exakte Algorithmen für kontinuierliches Pricing unter jedem fortgeschrittenen Discrete-Choice-Modell (Mixed Logit, Nested Logit, Probit, alles mit linear-in-Preis-Nutzen) entwickelt: ein räumliches Branch-and-Bound, eine Branch-and-Benders-Dekompositions-Variante und einen polynomialen Breakpoint Exact Algorithm. Auf dem Standard-Parking-Pricing-Benchmark mit Mixed-Logit-Nachfrage löst der BEA 1’000’000 Nachfrageszenarien in 77 Sekunden — eine 1,67-Millionen-fache Beschleunigung gegenüber Gurobis MILP und eine 300×-Beschleunigung gegenüber CoBiT, dem bisherigen ML-spezifischen Stand der Technik. Publiziert in OR Spectrum.
Eine Pricing-Heuristik mit <0,2 % Optimalitätslücke und bis zu 37 Mio. × Beschleunigung gegenüber dem Stand der Technik
Wir haben den Breakpoint Heuristic Algorithm und seine Iterated-Local-Search-Erweiterung vorgestellt: eine schnelle, skalierbare Heuristik für das kapazitierte choice-basierte Pricing-Problem, die eine durchschnittliche Optimalitätslücke unter 0,2 % auf Benchmarks liefert, bei denen jede exakte Methode ins Zeitlimit läuft. Gegenüber dem bisherigen kapazitierten Stand der Technik (LAG) mindestens 79× schneller. Gegenüber dem bisherigen Mixed-Logit-spezifischen Stand der Technik (CoBiT) bis zu 37 Millionen × schneller — während die ILS-Erweiterung jedes bekannte Optimum trifft. Open Access publiziert in Computers & Operations Research.
BHAMSLE: +17,2 % Log-Likelihood-Gewinn auf London-Mode-Choice-Mischung, in halber Laufzeit von Multistart-Biogeme
Wir haben den in unserer OR-Spectrum-Pricing-Arbeit entwickelten Breakpoint Heuristic Algorithm auf Maximum Simulated Likelihood Estimation fortgeschrittener Discrete-Choice-Modelle mit Latent Classes und kontinuierlichen Mischungen adaptiert. Auf der London-Mode-Choice-Discrete-Continuous-Mischung erreicht BHAMSLE-initialisiertes Biogeme eine um 17,2 % bessere Log-Likelihood als die Default-Initialisierung (LL = −243,68 vs. −294,38), in rund der Hälfte der Wall-Clock-Zeit, die Multistart-Biogeme mit 20 Restarts benötigt, um dieselbe Qualität zu erreichen. Eingereicht bei Elsevier.
Ein dezentralisierter Standortwahl-Optimierer, der 11× mehr Szenarien als das Lehrbuch-MILP löst
Wir haben das Design eines dezentralisierten kapazitierten Standortwahl-Optimierers betreut, der fortgeschrittene Discrete-Choice-Nachfrage direkt ins MILP integriert, mit Kapazität über exogene Prioritätswarteschlangen behandelt. Auf dem echten Dresdener Gymnasial-Standort-Datensatz löst die Progressive-Scenario-Expansion-Methode Instanzen von 14 Schulen × 558 Schülern × 110 Szenarien innerhalb eines 24-Stunden-Limits — wo das Lehrbuch-MILP über 10 Szenarien hinaus ins Stocken gerät. Mit der vollen Feature-Stack (Prioritäts-Ungleichungen + vollständiger Warmstart + Extended-Entropy-Ordering) schlägt PSE seine Basis-Konfiguration um bis zu 95 % und das RAW-MILP um 28 % auf Fällen, die beide lösen können.
Optimierung elektrischer autonomer Ride-Sharing-Flotten, 31× schneller als die publizierte Branch-and-Price-Baseline mit bis zu 11× engeren Lücken
Wir haben das Design einer ereignisbasierten gemischt-ganzzahligen Formulierung für das elektrische autonome Dial-A-Ride-Problem betreut, die die publizierte Branch-and-Price-Baseline von Su (2023) durchschnittlich um 31× in Laufzeit und 11× in Optimalitätslücke auf harten Instanzen schlägt. Die begleitende Adaptive Large Neighborhood Search bietet einen Deployment-Pfad: 10× schneller als die exakte Methode bei weniger als 1 % Verlust im Zielfunktionswert. Auf der grössten Benchmark-Instanz (r8-96, 96 Nutzer, 8 Fahrzeuge) findet die ALNS in 9× weniger Zeit eine bessere Lösung als die exakte Methode.
Gemeinsame Mode-und-Ziel-Choice-Sets, jetzt live in der OASIS-Pipeline der EPFL
Wir haben den ersten Choice-Set-Generator mitverfasst, der die Mode/Ziel-Kopplung gemeinsam behandelt, und liefern einen geschlossen-formigen Bias-Korrekturterm, den jeder aktivitätsbasierte-Modell-Schätzer einspielen kann. Heute der Choice-Set-Generierungs-Baustein der OASIS-aktivitätsbasierten-Modellierungs-Pipeline an der EPFL Transp-OR.
Wenn Constraint Programming MILP schlägt
Wir haben einen Kopf-an-Kopf-Benchmark zwischen Constraint Programming und der dominanten MILP-Formulierung für aktivitätsbasiertes Scheduling mitbetreut, und CP-Varianten gebaut, die das Problem bei 5-Aktivitäts-Instanzen 750× schneller lösen. Die tiefere Lektion: Nicht jedes Optimierungsproblem verdient denselben Hammer.
Ein erfahrenes Team unter der Leitung von Dr. Tom Haering.
Wir sind ein Beratungsunternehmen mit Wurzeln in Operations Research und Entscheidungsintelligenz, gegründet von Tom Haering nach seinem PhD an der EPFL. Wir halten das Team bewusst schlank — Senior-Personal führt jedes Mandat, nichts wird an Junioren abgegeben.
Dr. Haering hat seinen PhD 2025 am Transport and Mobility Laboratory der EPFL bei Prof. Michel Bierlaire abgeschlossen — an der Schnittstelle von Discrete-Choice-Modellierung, gemischt-ganzzahliger Optimierung und entscheidungsunterstützenden Algorithmen. Seine Arbeiten wurden in OR Spectrum, Computers & Operations Research und Transportation (Springer) publiziert.
Davor: ein Master in Mathematik an der ETH Zürich (Institute for Operations Research) mit einer Masterarbeit zur Portfolio-Optimierung in Kooperation mit swissQuant. Davor wiederum ein mathematisches Grundstudium und eine Leidenschaft dafür, Dinge in Code zu bauen, die ihn nie verlassen hat.
Er hat zahlreiche Master- und Semesterprojekte in Optimierung und Verkehrsmodellierung betreut, Entscheidungsunterstützungs-Methoden gelehrt und für internationale Verkehrsjournals begutachtet. Wenn wir von Senior-Leitung sprechen, meinen wir es so.
Ausbildung
PhD, EPFL · Transport & Mobility Laboratory (2025). MSc Mathematik, ETH Zürich · Institute for Operations Research.
Publikationen
Begutachtet in OR Spectrum, Computers & Operations Research, Transportation. 7+ technische Berichte und Konferenzbeiträge.
Lehre
EPFL-Lehrbeauftragter für Entscheidungsunterstützung, Optimierung, Mathematische Modellierung von Verhalten und Discrete Choice.
Sprachen
Deutsch · Englisch · Französisch · Python · Gurobi · CP-SAT · Pyomo · OR-Tools · Biogeme.
Standort
Standorte zwischen Lausanne und Zürich. Mandate weltweit, remote-first.
Arbeitsweise
Wir entwerfen rund um die tatsächliche Entscheidung. Wir liefern Code, der in der Produktion läuft — keine Folien.
Lassen Sie uns optimieren
Sagen Sie uns, welche Entscheidung Sie optimieren wollen. Wir schicken einen konkreten Plan zurück.
Wir arbeiten an Mandaten von fokussierten Zwei-Wochen-Sprints bis zu mehrquartaligen Optimierungsprojekten.
Die meisten unserer Klienten kommen mit einer vagen Vorstellung («wir brauchen besseres Pricing», «wir brauchen schlauere Routenplanung»). Wir helfen, daraus ein lösbares, mathematisch belastbares Problem zu machen.
mail@haeringsolutions.ch