Das Potenzial von maschinellem Lernen in der Logistik. Ein Gestaltungskonzept für den erfolgreichen Einsatz von Machine Learning

Inhaltsverzeichnis

• Einleitung
• Ausgangssituation und Relevanz
• Zielsetzungen und Forschungsfragen
• Forschungsdesign
• Aufbau der Arbeit
• Theoretische Grundlagen
• Logistik
• Begriffsverständnis und Logistiksysteme
• Rahmenwerke
• Maschinelles Lernen
• Begriffs- und Prinzipverständnis
• Lernformen und Aufgabentypen
• Charakteristik eines ML-basierten Softwaresystems
• Business Transformation
• Reifegradmodelle
• Stand der Forschung
• Barrieren und Erfolgsfaktoren für Machine Learning-Projekte
• Literaturbasierte Erhebung von Barrieren und Erfolgsfaktoren
• Verwandte Arbeiten
• Existierende Reifegradmodelle
• Ergebnisse der Literaturrecherche
• Analyse bestehender Reifegradmodelle
• Aktuelle Forschungstrends des maschinellen Lernens
• Zwischenfazit
• Das Reifegradmodellbasierte Gestaltungskonzept für den Einsatz von Maschinellem Lernen in der Logistik
• Konzeptionierung des Reifegradmodellwürfels
• Konstruktion von Reifegradstufen
• Konstruktion von Gestaltungsfeldern
• Struktur des literaturbasierten Reifegradmodellwürfels
• Gestaltungsfelder
• IT-Infrastruktur
• Herausforderungen
• Maßnahmen
• Unterstützende Trends im Bereich ML
• Daten
• Herausforderungen
• Maßnahmen
• Unterstützende Trends im Bereich ML
• ML-basiertes Softwaresystem
• Herausforderungen
• Maßnahmen
• Unterstützende Trends im Bereich ML
• Führung & Strategie
• Maßnahmen
• Machine Learning-Kompetenzen
• Herausforderungen
• Maßnahmen
• Unterstützende Trends im Bereich ML
• Unternehmenskultur
• Maßnahmen
• Projektmanagement
• Herausforderungen
• Maßnahmen
• Wertschöpfungsnetzwerk
• Herausforderungen
• Maßnahme
• Unterstützende Trends im Bereich ML
• Zwischenfazit

Zielsetzung und Themenschwerpunkte

Diese Masterarbeit verfolgt das Ziel, ein umfassendes Gestaltungskonzept für die Implementierung von maschinellem Lernen in Logistikunternehmen zu entwickeln. Dieses Konzept soll die bestehende Kluft zwischen den Erwartungen an die Technologie und ihrem tatsächlichen Einsatz in der Praxis schließen.

• Die Arbeit analysiert die Barrieren und Erfolgsfaktoren für die Einführung von maschinellem Lernen in der Logistik.
• Sie beleuchtet die Bedeutung der Datenqualität, Datensicherheit und des Datenschutzes für den Erfolg von ML-Projekten.
• Die Arbeit untersucht die Gestaltung von ML-basierten Softwaresystemen und deren technische Eigenschaften.
• Sie beleuchtet die Rolle von Führung und Strategie bei der Implementierung von maschinellem Lernen in Unternehmen.
• Die Arbeit erforscht die Bedeutung der Unternehmenskultur und der notwendigen Kompetenzen für die erfolgreiche Umsetzung von ML-Projekten.

Zusammenfassung der Kapitel

Die Arbeit ist in fünf Kapitel unterteilt. Kapitel 2 liefert die theoretischen Grundlagen, indem es die Begriffe Logistik, maschinelles Lernen, Business Transformation und Reifegradmodelle definiert. Kapitel 3 analysiert den aktuellen Stand der Forschung zu Erfolgsfaktoren und Barrieren von ML-Projekten, sowie zu existierenden Reifegradmodellen und aktuellen Trends im Bereich des maschinellen Lernens. In Kapitel 4 wird das reifegradmodellbasierte Gestaltungskonzept für die Umsetzung von maschinellem Lernen in der Logistik vorgestellt. Dieses Konzept umfasst acht Gestaltungsfelder mit jeweils drei Reifegradstufen. Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse und einem Ausblick auf weiteren Forschungsbedarf in Kapitel 5.

Schlüsselwörter

Die Arbeit befasst sich mit den Schlüsselbegriffen maschinelles Lernen, Logistik, Business Transformation, Reifegradmodelle, Datenqualität, Datensicherheit, Datenaustausch, Unternehmenskultur, Projektmanagement, und Wertschöpfungsnetzwerk.