Computational Analytics befasst sich insbesondere mit der computerbasierten Analyse von großen Datenmengen. Hierzu sind tiefe Kenntnisse der grundlegenden sowie komplexen Datenstrukturen und Algorithmen notwendig. Es ist wichtig, dass man die Grenzen des Machbaren einschätzen kann und im Falle, dass dies den praktischen Anforderungen nicht genügt, das Realisierbare mittels garantierter Approximationen erweitern kann. Weiterhin sind auch Kenntnisse aus der Optimierung, dem Maschinellen Lernen und der Statistik oft von Vorteil. Dabei ist das Ziel, neue Algorithmen und Werkzeuge zur Analyse der gegebenen Daten zu entwickeln. Um dieses Ziel zu erreichen sind enge Kooperationen mit den jeweiligen Anwendungswissenschaftlerinnen und -wissenschaftlern notwendig.

In unseren Forschungen geht es um den Entwurf, die Entwicklung, die theoretische Analyse und die praktische Evaluierung neuer Algorithmen und Datenstrukturen für kombinatorische Optimierungsprobleme auf strukturierten Daten, die als Graphen bzw. Netzwerke modelliert werden können. Die von uns eingesetzten Methoden basieren häufig auf kombinatorischen Graphalgorithmen und effizienten Datenstrukturen, auf Methoden des Data Mining und des Maschinellen Lernens, auf Dekompositionsmethoden, auf Randomisierung, auf Approximationsmethoden, auf parametrisierten Algorithmen, auf strukturellen Untersuchungen (Graphentheorie), auf ganzzahliger Programmierung sowie polyedrischer Kombinatorik. Zunehmend interessant werden auch parallele Graphalgorithmen sowie Datenstromalgorithmen.