Machine-Learning-Anwendungen in mittelständischen Industrieunternehmen. Einsatzbereiche und Erfolgsfaktoren

Inhaltsverzeichnis

1 Einleitung

1.1 Problemstellung

1.2 Zielsetzung

1.3 Vorgehensweise

2 Grundlagen

2.1 Mittelständische Industrieunternehmen

2.1.1 Mittelstand

2.1.2 Industrieunternehmen

2.1.3 Wertschöpfungskette nach Porter

2.2 Künstliche Intelligenz

2.2.1 Begriffsbestimmung

2.2.2 Intelligente Agenten

2.2.3 Historische Entwicklung

2.3 Machine Learning und Deep Learning

2.3.1 Machine Learning

2.3.2 Deep Learning

2.3.3 Abgrenzungsmerkale

2.4 Maschinelle Lernverfahren

2.4.1 Überwachtes Lernen

2.4.2 Unbewachtes Lernen

2.4.3 Teilüberwachtes Lernen

2.4.4 Bestärkendes Lernen

3 Forschungsdesign

3.1 Methodenwahl

3.2 Datenerhebung

3.2.1 Literaturanalyse

3.2.2 Interviewleitfaden

3.2.3 Auswahl der Experten

3.3 Datenauswertung

4 Ergebnisse

4.1 Stand der Forschung

4.2 Ergebnisse der Literaturanalyse

4.2.1 ML-Einsatzbereiche

4.2.2 ML-Erfolgsfaktoren

4.3 Ergebnisse der Experteninterviews

4.3.1 Unternehmens- und Personenmerkmale

4.3.2 ML-Einsatzbereiche

4.3.3 ML-Erfolgsfaktoren

4.3.4 Erfahrungswerte zur ML-Projektierung im Mittelstand

5 Diskussion

5.1 ML-Einsatzbereiche

5.2 ML-Erfolgsfaktoren

5.3 Kritische Würdigung

6 Fazit und Ausblick

Zielsetzung und thematische Schwerpunkte

Das Hauptziel dieser Arbeit besteht darin, geeignete Einsatzbereiche für die initiale Nutzung von Machine Learning (ML) in der Wertschöpfungskette mittelständischer Industrieunternehmen zu identifizieren und die für eine erfolgreiche Einführung und Nutzung entscheidenden Erfolgsfaktoren zu analysieren.

• Identifikation vorrangiger ML-Einsatzbereiche im industriellen Mittelstand
• Analyse für eine erfolgreiche Einführung und Nutzung erforderlicher Faktoren
• Gegenüberstellung theoretisch abgeleiteter Ergebnisse mit Experteninterviews
• Evaluierung des digitalen Reifegrades als Bewertungskriterium
• Untersuchung von Kosten-Nutzen-Verhältnissen bei der Implementierung
• Ableitung von Handlungsempfehlungen für KMU-Einsteiger

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung führt in die Relevanz von Künstlicher Intelligenz ein und definiert die Problemstellung sowie die Forschungsfragen hinsichtlich der ML-Integration in mittelständische Unternehmen.

2 Grundlagen: Hier werden die theoretischen Begriffsdefinitionen wie Mittelstand, Künstliche Intelligenz, Machine Learning und verschiedene maschinelle Lernverfahren detailliert erläutert.

3 Forschungsdesign: Dieses Kapitel begründet den qualitativen Forschungsansatz, die methodische Vorgehensweise bei der Literaturanalyse und die Durchführung der Experteninterviews.

4 Ergebnisse: Hier erfolgt die Darstellung des Forschungsstands sowie die Aufbereitung und Präsentation der gewonnenen Erkenntnisse aus Literaturrecherche und Expertenbefragung.

5 Diskussion: In diesem Teil werden die Einsatzbereiche und Erfolgsfaktoren für ML kritisch reflektiert und in den unternehmerischen Kontext eingeordnet.

6 Fazit und Ausblick: Das Fazit fasst die zentralen Untersuchungsergebnisse zusammen und gibt einen Ausblick auf zukünftige Forschungsbedarfe im Kontext von KMU und KI-Technologien.

Schlüsselwörter

Machine Learning, Künstliche Intelligenz, Mittelstand, Industrieunternehmen, Wertschöpfungskette, Erfolgsfaktoren, Prozessautomatisierung, Datenqualität, IT-Infrastruktur, Experteninterviews, Predictive Analytics, Digitalisierung, Implementierung, Datensätze, Prozessstandardisierung.

Häufig gestellte Fragen

Worum geht es in dieser Bachelor-Thesis grundsätzlich?

Die Arbeit analysiert, wie mittelständische Industrieunternehmen Machine Learning (ML) effizient einsetzen können, um Wettbewerbsvorteile zu generieren.

Was sind die zentralen Themenfelder der Arbeit?

Die Schwerpunkte liegen auf der Identifikation geeigneter Einsatzbereiche in der Wertschöpfungskette und der Definition kritischer Erfolgsfaktoren für eine erfolgreiche Einführung.

Welche Forschungsfragen verfolgt der Autor?

Der Fokus liegt auf der Ermittlung der vorrangig zu priorisierenden Einsatzbereiche für ML sowie der Identifizierung der Faktoren, die für die Einführung und Nutzung maßgeblich sind.

Welche wissenschaftlichen Methoden kommen zum Einsatz?

Die Arbeit nutzt einen qualitativen Ansatz, bestehend aus einer systematischen Literaturanalyse (Sekundärforschung) und leitfadengestützten Experteninterviews mit fünf Fachvertretern (Primärforschung).

Was wird im Hauptteil der Untersuchung behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen, die Darlegung des Forschungsdesigns sowie die detaillierte Auswertung der gewonnenen Daten zu Einsatzbereichen und Erfolgsfaktoren.

Welche Schlüsselbegriffe charakterisieren diese Arbeit?

Die Arbeit ist geprägt durch Begriffe wie "Automatisierung", "Digitale Reife", "Datenqualität", "Mittelstand" und "Prozessstandardisierung".

Warum wird der Fokus bei der Einführung auf die Logistik gelegt?

Experten identifizieren die Logistik als besonders geeignet, da dort häufig eine hohe Prozessstandardisierung und eine gute Datenverfügbarkeit vorliegen, was schnelle Projekterfolge ermöglicht.

Wie bewerten die Experten das Risiko einer ML-Einführung im Mittelstand?

Die Experten betonen, dass kleine, schnell umsetzbare Anwendungsfälle ("Quick Wins") das Investitionsrisiko minimieren und die Akzeptanz bei der Belegschaft fördern.