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

Masterarbeit , 2021 , 129 Seiten , Note: 1,0

BWL - Beschaffung, Produktion, Logistik

Wie kann maschinelles Lernen in Logistikunternehmen eingesetzt werden? Die Potenziale von maschinellem Lernen werden von einem Großteil der Logistikunternehmen noch nicht genutzt. Während Forschungsinstitute die Weiterentwicklung von Methoden des maschinellen Lernens vorantreiben, stehen viele Industrieunternehmen noch vor der Herausforderung, wenigstens die elementaren Kernfunktionen maschinellen Lernens erfolgreich einzusetzen. Der niedrige Implementierungsstand, die zögerliche Haltung, insbesondere das zähe Investitionsverhalten, begründen sich vor allem durch die Komplexität des Vorhabens, maschinelles Lernen unternehmensweit gewinnbringend einzusetzen, durch bestehende Unsicherheiten und durch fehlende Ressourcen.

In dieser Masterarbeit werden zunächst Erfolgsfaktoren und Barrieregründe von Machine-Learning Projekten, aktuelle Forschungstrends im Bereich des maschinellen Lernens, sowie eine Anzahl an KI- und ML-Reifegradmodellen auf der Grundlage aktueller, wissenschaftlicher Literatur identifiziert. Auf Basis der erarbeiteten Inhalte wird ein Gestaltungskonzept für den Einsatz von maschinellem Lernen in der Logistik konstruiert. Die wissenschaftliche Entwicklung eines solchen Gestaltungskonzepts kann dazu beitragen, Logistikunternehmen bei dem betrieblichen Einsatz von maschinellem Lernen zu unterstützen.

Inhaltsverzeichnis

Entwicklung eines reifegradmodellbasierten Gestaltungskonzepts für den Einsatz maschinellen Lernens in der Logistik

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1. Ausgangssituation und Relevanz
1.2. Zielsetzungen und Forschungsfragen
1.3. Forschungsdesign
1.4. Aufbau der Arbeit

2 Theoretische Grundlagen
2.1. Logistik
2.1.1. Begriffsverständnis und Logistiksysteme
2.1.2. Rahmenwerke
2.2. Maschinelles Lernen
2.2.1. Begriffs- und Prinzipverständnis
2.2.2. Lernformen und Aufgabentypen
2.2.3. Charakteristik eines ML-basierten Softwaresystems
2.3. Business Transformation
2.4. Reifegradmodelle

3 Stand der Forschung
3.1. Barrieren und Erfolgsfaktoren für Machine Learning-Projekte
3.1.1. Literaturbasierte Erhebung von Barrieren und Erfolgsfaktoren
3.1.2. Verwandte Arbeiten
3.2. Existierende Reifegradmodelle
3.2.1. Ergebnisse der Literaturrecherche
3.2.2. Analyse bestehender Reifegradmodelle
3.3. Aktuelle Forschungstrends des maschinellen Lernens
3.4. Zwischenfazit

4 Das reifegradmodellbasierte Gestaltungskonzept für den Einsatz von maschinellem Lernen in der Logistik
4.1. Konzeptionierung des Reifegradmodellwürfels
4.1.1. Konstruktion von Reifegradstufen
4.1.2. Konstruktion von Gestaltungsfeldern
4.1.3. Struktur des literaturbasierten Reifegradmodellwürfels
4.2. Gestaltungsfelder
4.2.1. IT-Infrastruktur
4.2.2. Daten
4.2.3. ML-basiertes Softwaresystem
4.2.4. Führung & Strategie
4.2.5. Machine Learning-Kompetenzen
4.2.6. Unternehmenskultur
4.2.7. Projektmanagement
4.2.8. Wertschöpfungsnetzwerk
4.3. Zwischenfazit

5 Fazit

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Aufbau der Arbeit

Abbildung 2: Gliederungssystematik der Logistik

Abbildung 3: Unterschiede im Input und Output von maschinellem Lernen und klassischer Software

Abbildung 4: Input der durchgeführten Datentriangulation

Abbildung 5: Referenzmodell für die Umsetzung von maschinellem Lernen in Logistikunternehmen

Abbildung 6: Architektur des reifegradmodellbasierten Gestaltungskonzepts

Tabellenverzeichnis

Tabelle 1: Charakteristika und Unterschiede von ML-basierten-, und klassischen Softwaresystemen

Tabelle 2: Zusammenfassung der geplanten Literaturauswertung

Tabelle 3: In der Literatur diskutierte Barrieren und Erfolgsfaktoren für Machine Learning-Projekte

Tabelle 4: Existierende Reifegradmodelle zu ML, Data Science, KI, Logistik 4.0

Tabelle 5: Inhaltliche Analyse der identifizierten Reifegradmodelle

Tabelle 6: Trends innerhalb des Forschungsgebiets des maschinellen Lernens

Tabelle 7: Reifegradmodellbasiertes Gestaltungskonzept für die Umsetzung von maschinellem Lernen in Logistikunternehmen

Tabelle 8: Reifegradmodell für das Gestaltungsfeld IT-Infrastruktur

Tabelle 9: Reifegradmodell für das Gestaltungsfeld Daten

Tabelle 10: Reifegradmodell für das Gestaltungsfeld ML-basiertes Softwaresystem

Tabelle 11: Reifegradmodell für das Gestaltungsfeld Führung & Strategie

Tabelle 12: Reifegradmodell für das Gestaltungsfeld Machine Learning-Kompetenzen

Tabelle 13: Reifegradmodell für das Gestaltungsfeld Unternehmenskultur

Tabelle 14: Reifegradmodell für das Gestaltungsfeld Projektmanagement

Tabelle 15: Vorgehen zur Definition der Problemstellung eines zu entwickelnden ML-basierten Softwaresystems

Tabelle 16: Reifegradmodell für das Gestaltungsfeld Wertschöpfungsnetzwerk

Abkürzungsverzeichnis

5G Fünfte Generation (des Mobilfunks)

AI Artificial Intelligence

bzw. beziehungsweise

CPU Central Processing Unit

CRISP-DM Cross Industry Standard Process for Data Mining

d.h. das heißt

DSGVO Datenschutz-Grundverordnung

e-Logistik elektronische Logistik

engl. englisch

et al. et alii (lateinisch für und andere)

ETA Estimated Time of Arrival (englisch für geplante Ankunftszeit)

etc. et cetera (lateinisch für und so weiter)

ETL Extract, Transform, Load (englisch für Extraktion, Transformation und Laden)

F&E Forschung & Entwicklung

FTS Fahrerlose Transportsysteme

GANs Generative Adversarial Networks

GDPR General Data Protection Regulation

GPU Graphics Processing Unit

IaaS Infrastructure-as-a-Service

i.i.d. independent and identically distributed (englisch für unabhängig und identisch verteilt)

IoT Internet of Things

IT Informationstechnologie

KI Künstliche Intelligenz

KMU Kleine(s) und mittlere(s) Unternehmen

KPI Key Performance Indicator (englisch für Leistungskennzahl)

LDL Logistikdienstleister

M&A Mergers & Aquisitions (englisch für Fusionen & Übernahmen)

ML Maschinelles Lernen bzw. (engl. Machine Learning)

ML-Ops Machine Learning Operations

MLaaS Machine Learning-as-a-Service

MRT Magnetresonanztomographie

MVP Minimum Viable Product

NLP Natural Language Processing (englisch für Verarbeitung natürlicher Sprache)

POC Proof of Concept

POV Proof of Value

QPU Quantum Processing Unit

RBV Ressource Based View

RNN Recurrent Neural Networks (engl. für rekurrente neuronale Netzwerke)

ROI Return of Investment (englisch für Kapitalrentabilität)

RWTH Rheinisch Westfälische Technische Hochschule

SaaS Software-as-a-Service

SCM Supply Chain Management

TOE Technology, Organization, Environment

TUL Transport, Umschlag, Lagerung

US United States

USA United States of America

vgl. vergleiche

XAI Explainable Artificial Intelligence (englisch für interpretierbare künstliche Intelligenz)

z.B. zum Beispiel

z.T. zum Teil

1 Einleitung

Die vorliegende Masterarbeit beschäftigt sich mit dem Einsatz von maschinellem Lernen in Logistikunternehmen. Dieses Kapitel soll Aufschluss darüber geben, wieso dieses Thema bedeutsam ist, wie die Zielsetzungen definiert sind, wie die Herangehensweise an den Forschungsgegenstand erfolgt und wie die Arbeit aufgebaut ist.

1.1. Ausgangssituation und Relevanz

Digitale persönliche Assistenten wie Alexa, Google Home oder Siri, die durch Spracheingabe das gewünschte Musikstück abspielen, Übersetzungshilfen im Internet wie Google Translate, oder DeepL, sowie Expertensysteme, die MRT-Bilder auswerten sind Beispiele dafür, wie künstliche Intelligenz (KI) heute (2021) fest in unserem Alltag verankert ist, diesen erleichtert und effizienter gestaltet.

In der Geschäftswelt, insbesondere in der Logistik, verspricht der Einsatz künstlicher Intelligenz ebenso Effizienzsteigerungen, sowie beträchtliche Kostensenkungen werden erwartet. Beispielsweise berichtet Zalando zur Berechnung der effizientesten Laufroute von Angestellten in den Lagerhallen durch den Einsatz von Convolutional Neural Networks eine Verkürzung der Laufzeiten zwischen zwei Produkten um 11% zu erzielen.¹ Das japanische Unternehmen Hitachi analysiert mit seiner Deep-Learning-Software H Arbeitsweisen der Angestellten im Detail, indem fortlaufend Daten über Arbeitsabläufe gesammelt und auf Zusammenhänge untersucht werden.² Das Unternehmen gibt an, dass mit H ausgestattete Lagerhäuser eine Produktivitätssteigerung von 8% vorweisen.³ Start-ups wie Loginext nutzen Methoden des maschinellen Lernens zur Optimierung der letzten Meile und versprechen eine Reduzierung der Versandkosten für Unternehmen um durchschnittlich 18%.⁴ Die Geschäftsführung von UPS berichtet, mit der auf maschinellem Lernen basierenden Software Orion zur optimalen Routenplanung 300 bis 400 Millionen US$ jährlich sparen zu können.⁵ Das Beratungsunternehmen McKinsey kommt zu dem Ergebnis, dass Nachfragevorhersagen auf Basis von maschinellem Lernen Vorhersagefehler um 30 bis 50 % reduzieren können, sodass zukünftig durchschnittlich 20 bis 50% weniger Inventar gelagert werden müssen.⁶ Weiter wird erwartet, dass Transportkosten und Kosten für den Betrieb von Lagerhäusern um 5 bis 10% respektive 25 bis 40% durch den Einsatz von künstlicher Intelligenz sinken werden.⁷ Welche weiteren Wertschöpfungspotenziale in der Logistik durch künstliche Intelligenz bzw. maschinelles Lernen in den nächsten Jahren erzielt werden können, hat McKinsey anhand von 400 Use Cases in unterschiedlichen Unternehmen ermittelt.⁸ Beispielhaft seien die errechneten Zahlen der zusätzlich erreichbaren Wertschöpfung (Umsatz) für das Beschaffungsmanagement genannt: 100 bis 200 Mrd. US$, sowie für die Nachfragevorhersage und Lagerhausoptimierung jeweils 100 Mrd. US$.⁹ Diese Zahlen geben einen ersten Eindruck davon, was durch künstliche Intelligenz erreicht werden kann und welche Bedeutung daraus für die Logistik entsteht.

Generell weist eine Maschine künstliche Intelligenz auf, wenn sie den Turing-Test besteht.¹⁰ Beim Turing-Test unterhält sich ein Mensch ohne Sichtkontakt und nur über Tastatur und Bildschirm mit zwei unbekannten Gesprächspartnern für eine bestimmte Zeit. Bei einem der Gesprächspartner handelt es sich um die zu testende Maschine. Der zweite Gesprächspartner ist ein weiterer Mensch. Wenn der Mensch nach der erfolgten Interaktion nicht sagen kann, bei welchem Gesprächspartner es sich um den echten Menschen und bei welchem es sich um die Maschine handelt, gilt diese als künstlich intelligent. Auf technischer Ebene lässt sich eine künstliche Intelligenz durch die Programmierung einer gewissen Lernfähigkeit realisieren. In diesem Zusammenhang bedeutet Lernfähigkeit das Erkennen von Mustern in einem Datensatz. Das automatisierte Erkennen von Mustern in Daten- sätzen wird maschinelles Lernen bezeichnet.

Die Potenziale von maschinellem Lernen werden von einem Großteil der Logistikunternehmen noch nicht genutzt. Während Forschungsinstitute die Weiterentwicklung von Methoden des maschinellen Lernens vorantreiben, stehen viele Industrieunternehmen noch vor der Herausforderung wenigstens die elementaren Kernfunktionen maschinellen Lernens erfolgreich einzusetzen. Trotz mehrheitlich steigendem Interesse von Seiten der Industrie in maschinelles Lernen zu investieren,¹¹ wird dieses in der Praxis immer noch in wenigen Prozessen, Produkten und Geschäftsmodellen eingesetzt. Bei den meisten Unternehmen lässt sich eine substanzielle Kluft zwischen Erwartungen an die Technologie und tatsächlichem Einsatz feststellen.¹² Eine branchenspezifische Erhebung des Implementierungsstandes von maschinellem Lernen in der Logistik erfolgte z.B. durch Junge et al., welche 120 internationale Logistikexperten aus Industrie, Logistikdienstleistern und Einzelhandel befragten.¹³ Der Studie nach kam in der Gruppe "Industrie" maschinelles Lernen bei 18% der Unternehmen bereits zum Einsatz, was vergleichbar mit den Ergebnissen der Studie des Beratungsunternehmens McKinsey ist, wobei nach deren Angabe maschinelles Lernen bei 19 % der 83 befragten Logistikunternehmen zum Einsatz kommt.¹⁴ In der Studie von Junge et al. kam maschinelles Lernen in den Gruppen "Logistikdienstleister" und "Einzelhandel" dagegen bei nur 7% respektive 6% der befragten Unternehmen bereits zum Einsatz.

Der niedrige Implementierungsstand, die zögerliche Haltung, insbesondere das zähe Investitionsverhalten, begründen sich vor allem durch die Komplexität des Vorhabens maschinelles Lernen unternehmensweit gewinnbringend einzusetzen, durch bestehende Unsicherheiten und durch fehlende Ressourcen. Fehlende Strategien zur Umsetzung von maschinellem Lernen, hohe Entwicklungskosten¹⁵ bei unklarem bzw. langsamen Return on Investment, technische Herausforderungen¹⁶, gesetzliche Vorgaben zum Datenschutz (z.B. GDPR)¹⁷ und der Mangel an ML-Fachkräften¹⁸ sind die in der Praxis am häufigsten genannten Barrieren. Hinzu kommt, dass viele Unternehmen sich heute noch immer mit der Digitalisierung ihrer Geschäftsprozesse auseinandersetzen (müssen).¹⁹ Eine speziell für den Unternehmensbereich der Logistik zu beobachtende Barriere sind vor allem kleine Innovationsbudgets, wenn es um die Finanzierung von Digitalisierungsprojekten geht, denn Unternehmen investieren vorwiegend in andere Bereiche wie Produktion²⁰ und F&E.

Obwohl in den vergangenen fünf Jahren eine große Zahl von Arbeiten zur digitalen Transformation publiziert wurde²¹, fehlt ein ganzheitliches Gestaltungskonzept zum professionellen Management von maschinellem Lernen im Unternehmen. Bislang finden sich nur wenige Publikationen, die das Thema des betrieblichen Einsatzes von maschinellem Lernen, insbesondere für die Logistik, systematisch erschließen. Die Forschungslücke lässt sich durch drei unterschiedlich gelagerte Defizite beschreiben. Erstens erhebt ein Teil bestehender Publikationen zwar Erfolgsfaktoren und Barrieregründe für Machine Learning-Projekte, wobei der Fokus jedoch häufig ein rein Technischer ist bzw. auf der technischen Entwicklung liegt²², sodass der betriebswirtschaftliche oder organisationale Aspekt unberücksichtigt bleibt. Zweitens diskutiert ein weiterer Teil der Publikationen Erfolgsfaktoren und Barrieregründe für die organisationale Einsatzbereitschaft (engl. organizational readiness) der eher generisch formulierten künstlichen Intelligenz, Data Analytics und Big Data etc. wodurch die hervorgebrachten Barrieregründe und Erfolgsfaktoren zu abstrakt formuliert werden, die spezifischen Charakteristika maschinellen Lernens dadurch nicht zum Ausdruck kommen, und die wissenschaftlichen Ergebnisse für die Praxis, wo weniger abstrakte dafür aber sehr konkrete Handlungsanweisungen begrüßt werden, nur schwer greifbar und umsetzbar sind. Außerdem bleiben diese Publikationen mit ihren Forschungsergebnissen in einem bloß deskriptiven Stadium stehen, sodass keine konkreten Entwicklungspfade und Handlungsanweisungen zur Umsetzung von solchen ganzheitlichen Transformationsvorhaben aufgezeigt werden. Drittens adressieren die übrigen Publikationen, die sich mit der stufenweisen digitalen Transformation beschäftigen, nicht die Charakteristika des maschinellen Lernens. Die Publikationen, die die Reife eines Machine-Learning Projekts behandeln, berücksichtigen nicht ausreichend die betriebswirtschaftlichen Aspekte, oder die Logistikperspektive. Insgesamt bieten bestehende Publikationen Unternehmen nur unzureichende Lösungsansätze und damit keine ausreichende Hilfestellung. Damit besteht ein konkreter Bedarf nach einer systematischen Untersuchung, die (i) sowohl technische Erfolgsfaktoren und Barrieren als auch betriebswirtschaftliche Aspekte bei Machine Learning-Projekten berücksichtigt, (ii) diese stufenartig auslegt/beschreibt, damit konkrete Entwicklungspfade bzw. Reifegrade erkennbar werden (iii) Maßnahmen aufzeigt, wie höhere Entwicklungsstufen bzw. Reifegrade erreicht werden können. Die wissenschaftliche Entwicklung eines solchen Gestaltungskonzepts kann dazu beitragen, Logistikunternehmen bei dem betrieblichen Einsatz von maschinellem Lernen zu unterstützen.

1.2. Zielsetzungen und Forschungsfragen

Aus der im vorherigen Abschnitt geschilderten Problemstellung kann zusammengefasst werden, dass sich der Forschungsbedarf einerseits aus der fehlenden Einbettung in eine Gesamtstrategie und andererseits aus einer Unsicherheit über einzuleitende Maßnahmen ergibt. Damit maschinelles Lernen für Unternehmen, insbesondere für Logistikunternehmen, nicht länger eine ars gratia artis²³ bleibt, und um die oben angesprochene Forschungslücke zu schließen, leitet vorliegende Arbeit folgendes Forschungsziel ab: Die systematische Identifikation eines wirkungsvollen Gestaltungskonzepts für die Umsetzung von maschinellem Lernen in der Logistik.

Die Masterarbeit verfolgt das Ziel, einen Implementierungsansatz zur betrieblichen Umsetzung von maschinellem Lernen in der Logistik vorzuschlagen. Unter der Umsetzung von maschinellem Lernen in der Logistik versteht der Autor den weitreichenden, organisationalen Einsatz von ML-basierten Systemen zur Unterstützung der Planung, Steuerung und Überwachung logistischer Prozesse. Das Gestaltungskonzept soll das in der Praxis bestehende Problem, dass maschinelles Lernen nur selten erfolgreich zum Einsatz kommt, adressieren. Das Gestaltungskonzept richtet sich an Geschäftsleitungsmitglieder, IT- und Innovationsverantwortliche, sowie Projektleiter, welche die Wertversprechen maschinellen Lernens in der betrieblichen Praxis verwirklichen möchten.

Um die Forschungslücke möglichst nachhaltig zu schließen, soll das zu entwickelnde Gestaltungskonzept zwei unterschiedliche Modelle beinhalten. Erstens ein auf wissenschaftlicher und praxisorientierter Literatur gestütztes Referenzmodell, welches die für den betrieblichen Einsatz von maschinellem Lernen relevanten Dimensionen bzw. Gestaltungsfelder aufzeigt. Daran anknüpfend, soll zweitens ein mehrschichtiges Reifegradmodell, als strategischer Plan zur stufenweisen Umsetzung konstruiert werden. Der Reifegradmodellwürfel soll Geschäftsverantwortlichen als Gesprächsgrundlage und Anhaltspunkt dienen, den Stand bzw. die Reife des eigenen Unternehmens in Bezug auf den betrieblichen Einsatz von maschinellem Lernen reflektieren zu können (Standortbestimmung) und eine Bestimmung eines Zielzustandes ermöglichen. Eine Abfolge von Entwicklungspfaden soll für jedes konstruierte Gestaltungsfeld vorgegeben werden. Außerdem sollen Maßnahmen aufgezeigt werden, wie höhere Reifegrade erreicht werden können. Durch die zwei Modelle sollen Logistikunternehmen entsprechend ihrer Ausgangsvoraussetzungen eine Standortbestimmung vornehmen und mögliche zielführende Handlungsschritte ableiten können.

Das Forschungsvorhaben soll zudem den Ansprüchen an wissenschaftliche Forschung genügen. In Bezug auf den Inhalt soll demnach Ausgewogenheit, Allgemeingültigkeit, Aktualität, Sparsamkeit (nach dem lex parsimoniae), Nachvollziehbarkeit und z.T. Reproduzierbarkeit gewährleistet sein.²⁴

Für die Erarbeitung des Forschungsziels wird es notwendig sein, das Forschungsvorhaben einzugrenzen, um die Komplexität des Forschungsziels zu reduzieren, sodass das Forschungsvorhaben greifbar und in einem zeitlich begrenzten Rahmen durchführbar wird. Die Komplexität soll sowohl durch thematische als auch methodische Einschränkungen reduziert werden. In Bezug auf eine thematische Einschränkung sei auf die möglichen Anwendungen von maschinellem Lernen in der Logistik eingegangen. Diese können dabei grundsätzlich nach zwei Arten unterschieden werden. Die erste Art bezieht sich auf Anwendungen maschinellen Lernens, vor allem in Form von Maschinen, zur verbesserten Ausführung „physischer“ Tätigkeiten, wie sie durch lernfähige Roboter und autonome Fahrzeuge realisiert werden könnten. Die zweite Art bezieht sich auf Anwendungen maschinellen Lernens in Form von Softwaresystemen zur Unterstützung oder (teil-) autonomen Ausführung von logistischen Entscheidungsprozessen, d. h. der Planung, Steuerung und Überwachung. Der Betrachtungsbereich vorliegender Arbeit erstreckt sich lediglich auf ML-Anwendungen der zweiten Art, also hauptsächlich auf maschinellem Lernen basierende Softwaresysteme. Zudem soll der Fokus auf Industrie- und Logistikunternehmen gerichtet sein. Denn nicht in jeder Branche weisen Machine Learning-Projekte derart niedrige Erfolgsquoten auf. Gerade die großen amerikanischen und chinesischen Internetkonzerne wie Google, Facebook, Amazon, Tencent Baidu etc. nutzen maschinelles Lernen äußerst gewinnbringend, indem große von Nutzern täglich generierten Datenmengen analysiert werden.²⁵ Für den Großteil der Industrieunternehmen, insbesondere für kleine und mittlere Unternehmen (KMU), die ihr Geschäftsmodell nicht unmittelbar auf Daten legen, ist der Einsatz von maschinellem Lernen mit ungleich höheren Hindernissen verbunden. Viele Vorhaben können nicht durchgeführt werden, weil beispielsweise entweder keine Fachkräfte oder zu wenig Daten vorhanden sind.²⁶ Die pilothafte, geschweige denn weitreichende Umsetzung von ML-Anwendungen bleibt durch schlechtere Startvoraussetzungen für viele solcher Unternehmen nur Vision. Zur Unterstützung der Industrieunternehmen sollen die Inhalte vorliegender Arbeit erarbeitet werden. In Bezug auf eine methodische Einschränkung sollen nur die wesentlichsten Grundlagen zur Konstruktion von Reifegradmodellen Eingang in vorliegende Arbeit finden, da der Schwerpunkt auf der Praktikabilität des Gestaltungskonzepts und weniger auf der Wissenschaftlichkeit liegen soll.

Infolge der formulierten Ziele, der genannten Bausteine zur Erreichung der Ziele und den beschriebenen Einschränkungen lässt sich eine praxisrelevante, primäre Forschungsfrage ableiten.

“Wie kann maschinelles Lernen in Logistikunternehmen umgesetzt werden?”

Zur Beantwortung der primären Forschungsfrage wurden drei sekundäre Forschungsfragen formuliert. In einem ersten Schritt ist es notwendig, ausführlich zu klären, was unter maschinellem Lernen verstanden wird und welche Prinzipien und Konzepte damit einhergehen. Die erste sekundäre Forschungsfrage wurde deshalb wie folgt formuliert.

i. Was ist maschinelles Lernen? (Kapitel 2)

In einem zweiten Schritt sind die für den betrieblichen Einsatz von maschinellem Lernen in der Logistik relevanten, existierenden Forschungsansätze zu identifizieren. Außerdem ist die Untersuchung von aktuellen Trends innerhalb des Forschungsgebietes des maschinellen Lernens zentral. Denn neue Erkenntnisse und neu entwickelte Lernverfahren können die Umsetzung der Technologie in kommerzielle, ML-basierte Softwaresysteme vereinfachen. Dementsprechend thematisiert die zweite sekundäre Forschungsfrage bestehende Forschungsansätze für die betriebliche Umsetzung von maschinellem Lernen und aktuelle, technologische Trends innerhalb des Forschungsgebietes des maschinellen Lernens.

ii. Welche Forschungsansätze existieren für die betriebliche Umsetzung von maschinellem Lernen und welche Forschungstrends zeichnen sich innerhalb des Gebietes des maschinellen Lernens derzeit (2021) ab? (Kapitel 3)

Die dritte sekundäre Forschungsfrage thematisiert die tatsächliche Gestaltung des betrieblichen Einsatzes von maschinellem Lernen in der Logistik unter Berücksichtigung der zuvor gewonnenen Erkenntnisse.

iii. Wie kann der Einsatz von maschinellem Lernen in Logistikunternehmen gestaltet werden? (Kapitel 4)

Zur Beantwortung der dritten sekundären Forschungsfrage ist ein gestaltungsorientierter Ansatz erforderlich, weshalb im folgenden Abschnitt ein entsprechendes Forschungsdesign gewählt wird.

1.3. Forschungsdesign

In der Wissenschaftstheorie wird zwischen realen und formalen Wissenschaften unterschieden.²⁷ Die Wirtschaftswissenschaften sind im System der Wissenschaften dem Bereich der Sozialwissenschaften zuzuordnen²⁸ und somit auch den Realwissenschaften. Die Logistik ist eine interdisziplinäre, anwendungsorientierte Teildisziplin der Wirtschaftswissenschaften. Folglich untersucht sie ebenfalls real existierende Untersuchungsobjekte, die vornehmlich in der Praxis entstehen.

Die übergeordnete Forschungsmethodik vorliegender Arbeit orientiert sich an dem qualitativen Forschungsparadigma, welches in der interpretativ-konstruktivistischen Wissenschaftstheorie fundiert ist²⁹ und wissenschaftliches Wissen versucht zu erweitern. Qualitative Forschungsmethoden sind besonders geeignet für noch relativ wenig erforschte Bereiche, wie es das junge Thema der Umsetzung maschinellen Lernens in Logistikunternehmen darstellt, da Probleme aus verschiedenen Perspektiven gesehen und angegangen werden können.³⁰

Die Auswahl einer anzuwendenden, spezifischen Forschungsmethodik hängt von diversen Faktoren ab, wie beispielsweise dem aktuellen Wissensstand oder der zugrunde liegenden Problemstellung.³¹ Wie in Abschnitt 1.2. angegeben, ist das Ziel vorliegender Arbeit, ein Gestaltungskonzept für den Einsatz maschinellen Lernens in der Logistik zu entwickeln. Dabei handelt es sich um ein Untersuchungsobjekt, das erst auf präskriptive, normative Weise als praktisch verwendbare Ziel-Mittel Aussage konstruiert werden muss.³²

Die spezifische Forschungsmethodik der vorliegenden Arbeit greift daher auf einen der zwei wesentlichen Forschungsrichtungen der Wirtschaftsinformatik zurück: dem Design Science Research (der gestaltungsorientierten Forschung). Design Science Research ist im Design Science, der Wissenschaft der Gestaltung von Artefakten, verankert und fußt auf der Ingenieursdisziplin.³³ Artefakte können sowohl Konstrukte, Methoden, Prototypen, Implementierungen oder Modelle sein.³⁴ Design Science verfolgt das Ziel, präskriptives Wissen durch die Entwicklung nützlicher Artefakte in einem praxisbezogenen Umfeld zu generieren, um Probleme innerhalb von Organisationen zu lösen.³⁵ Dadurch bringt Design Science einerseits neue wissenschaftliche Erkenntnisse hervor und trägt andererseits zur Lösung von Problemen aus der Praxis bei.³⁶ Der von Hevner et al. (2004) vorgeschlagene, konstruktionsorientierte Ansatz bietet die Möglichkeit, praxisbezogenes Wissen zu generieren.³⁷ Jene Autoren weisen dabei auf sieben konkrete Richtlinien hin. Diese werden im Folgenden beschrieben. Ihre Umsetzung ist Thema der vorliegenden Arbeit.

1. Design eines Artefakts: Design-Science-Forschung erzeugt ein realisierbares Artefakt in Form eines Konstrukts, Modells, einer Methode oder Instantiierung.³⁸ Mit der Entwicklung des Gestaltungskonzepts zur Umsetzung von maschinellem Lernen in der Logistik wird ein Artefakt entworfen. Das entstehende Artefakt dient zunächst der Repräsentation des Problems, sowie als ideengebende Handlungsanleitung zur möglichen Lösung desselben.
2. Problemrelevanz: Ziel der Design-Science-Forschung ist es, technologiegestützte Lösungen zu bedeutenden Problemen aus der Wirtschaft zu entwickeln.³⁹
3. Design Evaluierung: Die Nützlichkeit, Qualität und Effizienz eines Design-Artefakts wird mittels geeigneter Evaluation fundiert nachgewiesen.⁴⁰ Aufgrund des innovativen Charakters des Artefakts liegt der Fokus auf der Entwicklung des Gestaltungskonzepts, sodass eine Evaluation im Rahmen vorliegender Arbeit nicht durchgeführt wird.
4. Forschungsbeitrag: Wirksame Design-Science-Forschung liefert klare und nachweisbare Beiträge auf den Gebieten Design-Artefakte, Design-Grundlagen und/oder Design-Methode.⁴¹ Aufgrund der bisher fehlenden Lösungsansätze in der Literatur, maschinelles Lernen in der Logistik weitläufig umzusetzen, stellt das zu entwickelnde Gestaltungskonzept als Design-Artefakt selbst den Forschungsbeitrag dar.⁴²
5. Forschungsstringenz: Design-Science-Forschung beruht auf der Anwendung formaler Methoden hinsichtlich der Konstruktion und Evaluation des Design-Artefakts.⁴³ Die verschiedenen Gestaltungsfelder des entstehenden Gestaltungskonzepts werden über eine systematische, literaturgetriebene Analyse bestehender Reifegradmodelle und Erfolgsfaktoren von ML-Projekten ermittelt.
6. Design als Suchprozess: Die Suche nach einem zielführenden Artefakt setzt voraus, dass die vorhandenen Mittel zur Erreichung des gewünschten Ergebnisses unter Einhaltung der gegebenen Rahmenbedingungen im Problemumfeld eingesetzt werden.⁴⁴
7. Kommunikation der Forschung: Design-Science-Forschung muss wirkungsvoll kommuniziert werden, und zwar sowohl gegenüber der technisch- wie der managementorientierten Interessensgruppe.⁴⁵ Im Zuge der Entwicklung des Gestaltungskonzepts werden Maßnahmen erarbeitet, die sich an Geschäftsverantwortliche und Innovationsbeauftragte richten sollen.

Die wesentliche Datenbasis für die vorliegende Arbeit liefert eine Sekundäranalyse existierender Publikationen zum Thema, um eine neue Problemstellung mithilfe bestehender Forschungsbeiträge zu lösen. Bei der Literaturrecherche wird explorativ vorgegangen, in dem Sinne, dass primär eine Breiten- statt eine Tiefensuche durchgeführt wird. Die Literatursuche mündet in eine strukturierte Literaturanalyse, welche eine valide Grundlage für die wissenschaftliche Forschung darstellt.

1.4. Aufbau der Arbeit

Zur Beantwortung der oben genannten Ziele und Forschungsfragen wird ein Phasenansatz verwendet.⁴⁶ Die sich daraus ergebende Struktur der Arbeit ist in Abbildung 1 dargestellt. Die Arbeit ist in fünf Kapitel unterteilt. Um den zuvor formulierten Zielsetzungen dieser Arbeit gerecht zu werden, wird ein bimodales Vorgehen angewendet.⁴⁷ In einem ersten Teil wird theoretisch-konzeptionell, in einem zweiten Teil wird gestaltungsorientiert vorgegangen.

Für einen Einstieg in die Thematik werden in Kapitel 2 anhand von relevanter Literatur zunächst für die in der Arbeit behandelten Themenfelder Logistik und maschinelles Lernen Begriffsabgrenzungen vorgenommen, sowie zentrale Theorien und Konzepte zu Business Transformations und Reifegradmodellen vorgestellt. In Unterabschnitt 2.2.1. wird die erste sekundäre Forschungsfrage beantwortet.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1 : Aufbau der Arbeit ⁴⁸

In Kapitel 3 soll mit einer systematischen Literaturauswertung der Stand der Forschung hinsichtlich in der Literatur diskutierten Erfolgsfaktoren und Barrieren für Machine Learning-Projekte ermittelt werden. Außerdem werden existierende Reifegradmodelle zum Thema maschinelles Lernen und Logistik 4.0 identifiziert. Die erarbeiteten Aspekte dienen als inhaltliche Grundlage für die im folgenden Kapitel zu konstruierenden Gestaltungsfeldern. Schließlich werden Forschungstrends auf dem Gebiet des maschinellen Lernens identifiziert, bevor die zweite sekundäre Forschungsfrage beantwortet wird.

Aufbauend auf diesen Grundlagen, erfolgt in einem zweiten Teil schließlich die eigentliche Konstruktion des reifegradmodellbasierten Gestaltungskonzepts für die Umsetzung maschinellen Lernens in der Logistik.

In Kapitel 4 erfolgt zunächst die Konzeptionierung des reifegradmodellbasierten Gestaltungskonzepts. In einem weiteren Schritt werden acht Reifegradmodelle ausgearbeitet, welche einen richtungsgebenden Zielzustand von maschinellem Lernen in der Logistik vorgeben. Außerdem beinhalten die Reifegradmodelle zwei niedrigere Reifegradstufen. Die Gestaltungsfelder beinhalten zudem Maßnahmen, wie höhere Reifegrade erreicht werden können, Herausforderungen und unterstützende Trends im Bereich des maschinellen Lernens.

In Kapitel 5 werden in einer Schlussbetrachtung zunächst die Ergebnisse dieser Arbeit zusammengefasst, bevor eine Gesamtbetrachtung erfolgt. Die Arbeit schließt mit einem Ausblick auf weiteren Forschungsbedarf.

2 Theoretische Grundlagen

Zur Einreihung vorliegender Arbeit in die bestehende Forschungslandschaft sollen nachfolgend die für diese Arbeit zentralen Begriffe Logistik, maschinelles Lernen, Business Transformation und Reifegradmodelle, sowie die damit naheliegenden, verbundenen Konzepte definiert werden, damit ein einheitliches Verständnis dazu existiert. Dieses Kapitel soll insbesondere zur Klärung der ersten sekundären Forschungsfrage dienen, welche wie folgt formuliert wurde.

i. Was ist maschinelles Lernen?

Kapitel 2 ist wie folgt gegliedert. In Abschnitt 2.1. wird der Begriff der Logistik definiert und Logistiksysteme erklärt, bevor in Abschnitt 2.2. in die Grundlagen des maschinellen Lernens eingeführt wird. Abschnitt 2.3. beschäftigt sich mit Business Transformation, der Theorie für unternehmensinterne Transformationsprojekte. In Abschnitt 2.4. werden Reifegradmodelle als das methodische Werkzeug des zu entwickelnden Gestaltungskonzepts thematisiert.

2.1. Logistik

Dieser Abschnitt führt in die der Arbeit übergeordneten Domäne der Logistik ein, indem der Begriff „Logistik“ definiert, Logistiksysteme abgegrenzt und die Prozesse/Aufgaben der Logistik dargestellt werden.

2.1.1. Begriffsverständnis und Logistiksysteme

Im wissenschaftlichen Bereich wird der Begriff "Logistik" seit den 50er Jahren des vergangenen Jahrhunderts mit der ersten fundierten Veröffentlichung von Morgenstern in den USA gebraucht.⁴⁹ Im wirtschaftlichen Bereich ist er seit etwa 1950 in den USA und seit etwa 1970 in Deutschland gebräuchlich.⁵⁰ Anfangs war damit nur die Verteilung von Waren auf dem Absatzmarkt gemeint. Über die folgenden Jahrzehnte wurde der Begriff immer umfassender aufgefasst, sodass er in Wissenschaft und Praxis bis heute keine allgemein anerkannte Definition und Interpretation erhalten hat.⁵¹ Die verschiedenen Auslegungen scheinen vor allem im Facettenreichtum der Logistik als wissenschaftliche Disziplin und in der Vielfalt logistischer Themenstellungen begründet zu sein.⁵² Je nach betrachtetem Anwendungsfeld werden unterschiedliche Auffassungen des Begriffs "Logistik" vertreten und differenzierte Abgrenzungen vorgenommen.⁵³ Die unterschiedlichen Erklärungen des Begriffs stützen sich weitestgehend auf folgende Elemente: logistische Prozesse, logistische Objekte und logistische Systeme.⁵⁴ Nachfolgend seien diese drei wesentlichen Elemente expliziert.

Logistische Prozesse umfassen die Raumüberbrückung (Transport), Zeitüberbrückung (Lagerung), Mengenanpassung (Umschlagen) und die Auftragszusammenstellung (Kommissionierung).⁵⁵ Diese Kernprozesse dienen der Durchführung der Grundaufgabe der Logistik, die mit der sogenannten Acht-R-Regel (Erweiterung der klassischen 6-R-Regel) beschrieben werden kann. Danach soll die Logistik "das richtige Produkt, zur richtigen Zeit, in der richtigen Menge, am richtigen Ort, in der richtigen Qualität, dem richtigen Kunden, zu den richtigen Kosten (...) versehen mit den richtigen Informationen zur Verfügung stellen“.⁵⁶ Diese Prozesse sind notwendig, da Produktion und Konsum der logistischen Objekte zeitlich auseinanderfallen.⁵⁷

Logistische Objekte können sowohl Personen, Sachgüter, Dienstleistungen als auch Informationen sein.⁵⁸

Logistische Systeme sind Netzwerke, die der Durchführung einer Vielzahl logistischer Prozesse dienen.⁵⁹ Die Knoten der Netzwerkstruktur sind z. B. Lagerorte oder Produktionsstätten und die Kanten zwischen den Knoten können z. B. Transportwege darstellen.⁶⁰

Zur Unterscheidung von Logistiksystemen schlägt Pfohl (2010) zwei Ansätze vor, die einerseits auf der Betrachtungsebene (Aggregationsebene) und andererseits auf der Phase basieren. Diese Unterscheidung ist notwendig, da bei der Planung und Gestaltung eines Logistiksystems sich unterschiedliche Probleme und Herausforderungen ergeben. Die Unterscheidung von Logistiksystemen in Bezug auf die Aggregationsebene nennt Pfohl institutionelle Abgrenzung. Danach wird die Logistik auf Makro, Mikro- oder Metaebene betrachtet. Auf Makroebene ist die Logistik ein gesamtwirtschaftliches System und stellt z.B. das gesamte Güterverkehrssystem (Straße, Schiene, See-, und Luftfracht) einer Volkswirtschaft dar. Auf Mikroebene ist die Logistik ein einzelwirtschaftliches System öffentlicher oder privater Organisationen, wie Krankenhäuser, Militär oder einzelnen Unternehmen. Die Metalogistik ist ein interorganisationales System, das zwischen der Makro- und Mikrologistik liegt. Im Rahmen dieser Arbeit wird primär die Perspektive der Unternehmenslogistik eingenommen, welche Teil der Mikrologistik ist.

Neben der dargestellten institutionellen Klassifizierung der Logistik ist es in der Literatur üblich, Logistiksysteme auch in Bezug auf die Phase zu unterscheiden. Pfohl nennt diese Unterscheidung die funktionelle Abgrenzung, für welche angeführt werden könnte, dass sie das oben genannte Grundprinzip der Flussorientierung aufgreift. Der logistische Fluss beginnt mit der Beschaffung von physischen Gütern (z.B. Roh-, Hilfs-, Betriebsstoffen), Dienstleistungen oder Informationen vom Warenausgang des Lieferanten am Beschaffungsmarkt bis zum Eingangslager eines Industrieunternehmens. Das Logistiksystem, das sich mit der ersten Phase des Flusses logistischer Objekte befasst, nennt man Beschaffungslogistik.⁶¹ Diese sorgt damit für eine bedarfsgerechte Zulieferung derjenigen Produktionsmittel, die vom Unternehmen nicht selbst produziert werden. Die zweite Phase, in der die gelieferten Roh-, Hilfs- und Betriebsstoffe, Ersatzteile und Kaufteile vom Eingangslager in die Produktion, und von dort aus in ein internes Zwischenlager fließen, heißt Produktionslogistik. Die entstandenen Halbfertig-, oder Fertigfabrikate fließen entweder zu Auslieferungslagern oder direkt zu Kunden. Diese dritte Phase bildet also das Bindeglied zwischen Produktion und Absatzmarkt und wird als Distributionslogistik bezeichnet. In der vierten Phase fließen Abfälle und Sekundärrohstoffe reziprok zur ursprünglichen Materialflussrichtung und werden im Rahmen der Abfallwirtschaft entweder entsorgt oder in den Wertstoffkreislauf rückgeführt.⁶² In der Fachliteratur wird diese letzte Phase als Entsorgungs- oder Redistributionslogistik bezeichnet.⁶³ Diese vier Phasen können unter einem räumlichen Aspekt, auf die raum -zeitliche Gütertransformation rekurrierend, weiter strukturiert werden.⁶⁴ Während die Produktionslogistik der Intralogistik zugeordnet werden kann, handelt es sich bei den drei anderen Phasen um überbetriebliche oder internationale Logistik.⁶⁵

Bringt man obige drei Elemente der logistischen Prozesse, Objekte und Systeme erneut in Verbindung, lässt sich die Essenz der Logistik dadurch allgemein charakterisieren, dass logistische Objekte mittels logistischer Prozesse einen Fluss bildend durch das Logistiksystem geleitet werden.⁶⁶ Im Sinne dieser prozessorientierten Sichtweise, die in Wissenschaft und Praxis am weitesten verbreitet ist⁶⁷ soll für diese Arbeit Logistik in Anlehnung an Straube definiert werden als die Planung, Steuerung, Durchführung und Kontrolle aller Informations- und Materialflüsse innerhalb und zwischen Unternehmen von den Kunden bis zu allen Lieferanten und Vorlieferanten und anderen Wertschöpfungspartnern ⁶⁸ . Damit liegt eine bündige Definition vor, die gleichermaßen zu erkennen gibt, dass die Logistik von drei Grundprinzipien der Ganzheitlichkeit, der Flussorientierung und dem Systemdenken getragen wird.

Abschließend bleibt anzumerken, dass zwei weitere Begriffe, das Logistikmanagement und Supply Chain Management (SCM), existieren. Diese Termini betonen das unternehmensübergreifende Management des gesamten Logistiknetzwerks bzw. der gesamten Wertschöpfungskette und den darin ablaufenden logistischen Prozessen, sowie den Kooperations- und Koordinationsaspekt.⁶⁹ Logistikmanagement bezieht sich demnach auf die Gesamtheit der Managementaktivitäten, die zur Realisierung unternehmensübergreifender Logistikprozesse erforderlich sind.⁷⁰ Analog dem Logistikparadigma existieren für das englische Supply Chain Management eine Vielzahl an Definitionen.⁷¹ Exemplarisch sei an dieser Stelle die Begriffsspezifikation nach Straube aufgeführt. Als Supply Chain Management kann die Planung, Steuerung und Kontrolle des gesamten Material- und Dienstleistungsflusses, einschließlich der damit verbundenen Informations- und Geldflüsse, innerhalb eines Netzwerkes von Unternehmen und deren Bereichen verstanden werden, die im Rahmen von aufeinander folgenden Stufen der Wertschöpfungskette an der Entwicklung, Erstellung und Verwertung von Sachgütern und/oder Dienstleistungen partnerschaftlich zusammenarbeiten, um Effektivitäts- und Effizienzsteigerungen zu erreichen. ⁷²

2.1.2. Rahmenwerke

Rahmenwerke stellen eine Möglichkeit dar, komplexe Zusammenhänge einfach aufbereitet darzustellen.⁷³ Mit der zunehmenden Etablierung des LSCM als eigenständige Disziplin wurden die unterschiedlichsten Rahmenwerke entwickelt, die sich hinsichtlich Fokus, Umfang und Verwendungszweck unterscheiden.⁷⁴ Ein verbreitetes Rahmenwerk ist das Aufgabenmodell des strategischen, taktischen und operativen Logistikmanagements nach Straube (2004). Dabei werden logistische Aufgabenfelder und deren jeweiliger Funktionsumfang nach den vier⁷⁵ Hauptprozessen systematisiert und durch die drei Ebenen der Strategie, Taktik und Ausführung strukturiert. Nachfolgende Abbildung 2 veranschaulicht die Gliederungssystematik der Logistik⁷⁶.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 : Gliederungssystematik der Logistik ⁷⁷

Auf der strategischen Ebene wird mit einem langfristigen Gestaltungshorizont festgelegt, welche Instrumentarien eingesetzt werden, um die von Kunden und Märkten geforderten Produkte und Leistungen und die in der Unternehmensstrategie festgelegten Ziele wirtschaftlich und flexibel zu realisieren.⁷⁸ Auf der taktischen Ebene werden planerische Entscheidungen mit mittelfristigem Horizont über die Systemausgestaltung, insbesondere zur Bedarfsplanung und Disposition von Ressourcen getroffen.⁷⁹ "Auf der operativen Ebene erfolgt die Realisierung der logistischen Leistungen"⁸⁰, insbesondere die Kundenauftragsabwicklung, der Transport, die Produktion und Lagerung sind zentrale Funktionsumfänge.

An dieser Stelle lässt sich auch präzisieren, was genau mit der Umsetzung von maschinellem Lernen in Logistikunternehmen in vorliegender Arbeit gemeint ist. Gemeint ist der unternehmensweite Einsatz von ML-basierten Softwarelösungen zur Unterstützung einer Vielzahl der in Abbildung 2 aufgeführten taktischen und operativen Logistikaufgaben.

Die besondere Rolle der IT für die Logistik betrachtet ebenfalls Straube mit dem entwickelten Ordnungsraster der elektronisch gestützten Logistik (e-Logistik)⁸¹. In diesem Ordnungsraster spielt die IT in den vier Grundfunktionen der ganzheitlichen Logistik, dem Logistik-Design, der Logistik-Planung, dem Logistik-Monitoring und schließlich dem Logistik-Fullfilment eine zentrale Rolle.

Da es sich bei der Umsetzung von maschinellem Lernen in Logistikunternehmen um ein strategisches Thema handelt, sollen im Rahmen der in Kapitel 4 erfolgenden Entwicklung des Gestaltungskonzepts vor allem die Aufgaben aus der strategischen Ebene der oben vorgestellten Gliederungssystematik der Logistik und die Funktionsumfänge des Logistik-Designs aus dem Ordnungsraster der e-Logistik als richtungsgebende Anhaltspunkte für die Entwicklung des logistikspezifischen Gestaltungskonzepts dienen.

2.2. Maschinelles Lernen

In diesem Abschnitt werden die Grundzüge des maschinellen Lernens überblicksartig dargestellt, indem das Prinzip maschinellen Lernens, die Lernformen und die Aufgabentypen berücksichtigt werden. Die Inhalte dieses Abschnitts dienen kumulativ der Beantwortung der ersten sekundären Forschungsfrage. Da maschinelles Lernen ein breites und komplexes Feld ist, fällt es oft schwer, Ansatzpunkte für einen Einstieg in die Thematik zu finden. Ohne zu sehr ins Detail (weder konzeptionell noch mathematisch) zu gehen, versucht dieser Abschnitt in verständlicher Form in die Grundlagen maschinellen Lernens einzuführen, sodass Geschäftsverantwortliche und Praktiker zügig einen Überblick gewinnen können und anhand der aufgeführten Punkte eigene, weiterführende Recherchen tätigen können. Für eine umfassende und tiefgehende Auseinandersetzung mit den Konzepten des maschinellen Lernens seien Leser an Mitchell (1997), Bishop (2006) oder Hastie et al. (2009) verwiesen.

2.2.1. Begriffs- und Prinzipverständnis

Das Erkennen von Mustern und Regelmäßigkeiten in Daten ist ein Problem, mit dem sich Wissenschaftler und Wissenschaftlerinnen schon seit Jahrzehnten auseinandersetzen.⁸² So spielte die Aufdeckung von Regelmäßigkeiten in den Daten von Atomspektren eine fundamentale Rolle in der Entwicklung der Quantenphysik in den 1920er Jahren.⁸³

Manche Probleme aus Wissenschaft oder Praxis sind so komplex, dass die händische Programmierung eines Algorithmus, der eine Eingabe in eine Ausgabe transformieren soll, nur schwer zu realisieren ist.⁸⁴ Bilderkennung (z.B. beim autonomen Fahren), die Vorhersage von Kundenverhalten und Spracherkennung sind prominente Beispiele der heutigen Zeit, bei denen die manuelle Programmierung eines Algorithmus zur Aufdeckung von Zusammenhängen in den Daten sehr komplex wäre.⁸⁵ Im Fall der Spracherkennung beispielsweise bestehen zu analysierende Audiodateien in der Regel aus großen Mengen hochdimensionaler Daten. Das Verstehen dieser Daten durch manuelle Durchsicht ist nahezu unmöglich und liegt jenseits menschlicher kognitiver Fähigkeiten. Im Jahr 1950 schrieb Alan Turing, dass es nicht von praktischem Wert ist, für die Aufdeckung von Zusammenhängen in Daten, Computer händisch bis ins letzte Detail zu programmieren, sondern es eine effizientere/schnellere Methode geben müsste.⁸⁶ Computer müssten auch mithilfe von Beobachtungen oder Beispielen aus existierenden Daten automatisiert lernen können.⁸⁷

Maschinelles Lernen ist für komplexe Probleme prädestiniert und stellt eine Alternative für die Lösung solcher Probleme dar. Das Prinzip des maschinellen Lernens ist Folgendes: Aus einer Eingabe X und der gewünschten Ausgabe Y als gemeinsame Eingabe eines maschinellen Lernverfahrens erstellt dieses automatisiert eine Abbildung f, das die Eingabe in die gewünschte Ausgabe überführen kann.⁸⁸ Maschinelles Lernen automatisiert die Erstellung der Abbildung, die auch als Modell bezeichnet wird. Das gelernte Modell kann dann als Vorhersagemodell für neue, ungesehene Eingaben sinnvolle Ausgabewerte bestimmen. Dabei kann maschinelles Lernen verstanden werden als ein Suchprozess, bei dem Lernverfahren in einem großen Suchraum nach möglichen Modellen passend zu den vorliegenden Trainingsdaten suchen, sodass eine Leistungsmetrik optimiert wird.⁸⁹ Im Beispiel der Spracherkennung würden eine große Menge an Audiodateien (Eingabe) und deren Transkriptionen (Ausgabe) gesammelt werden. Algorithmen des maschinellen Lernens können dann automatisiert Muster finden, wie die Audiodateien mit deren Transkriptionen zusammenhängen. Die gefundenen Muster werden in einem Modell gespeichert. Anschließend kann für eine neue Audiodatei, die in das Modell eingespeist wird, eine wahrscheinliche Transkription ausgegeben werden.

Zur Beantwortung der ersten sekundären Forschungsfrage, was maschinelles Lernen allgemein ist, dient vorheriger Abschnitt, indem das Prinzip maschinellen Lernens aufgezeigt wurde, und der folgende Abschnitt, indem eine bündige Definition von maschinellem Lernen gegeben wird.

Aus einer disziplinarischen Perspektive ist mit dem Begriff des maschinellen Lernens (engl. machine learning) dasjenige Forschungsgebiet von künstlicher Intelligenz bzw. allgemeiner der Informatik gemeint, das Methoden entwickelt, mit denen automatisiert Zusammenhänge in vorgegebenen Datensätzen erkannt werden können, um darauf aufbauend Vorhersagen zu treffen. Es existieren viele verschiedene Varianten des Begriffs. Häufig wird die Variante von Tom Mitchell verwendet, welche die Essenz des maschinellen Lernens als „a computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E“ beschreibt.⁹⁰

2.2.2. Lernformen und Aufgabentypen

Beim maschinellen Lernen werden verschiedene Arten zu lernen unterschieden. Im Wesentlichen lassen sich überwachtes (engl. supervised learning), unüberwachtes (engl. unsupervised learning) und bestärkendes Lernen (engl. reinforcement learning) differenzieren. Beim überwachten Lernen wird anhand von Beispielen, das sind Eingabe-, Ausgabe-Paare, eine Funktion bestimmt, die die gegebenen Eingabevektoren X auf Ausgabewerte y (engl. Labels) abbildet.⁹¹ Bestehen die Labels aus einer endlichen Anzahl an kategorialen (nominalen) Größen, dann handelt es sich um eine Klassifikation.⁹² Bei einem oder mehreren kontinuierlichen (metrischen) Labels liegt eine Regression vor.⁹³ Ziel ist es, über die gegebenen Trainingsdaten hinaus zu generalisieren. Die gelernte Funktion soll als Vorhersagemodell für neue, ungesehene Eingaben sinnvolle Ausgabewerte bestimmen. Im Gegensatz dazu versuchen Verfahren des unüberwachten Lernens, Muster in den gesamten Trainingsdaten X, ohne Beschränkung auf eine Zielgröße y bzw. Label, zu entdecken. Die entdeckten Muster dienen typischerweise der Gruppierung ähnlicher Datenpunkte zu sogenannten Clustern oder der Kompression der Daten (z.B. durch t-SNE). Unüberwachte Lernverfahren sind weniger zahlreich vorhanden, da die Entwicklung von Algorithmen, die Muster in hochdimensionalen Daten identifizieren, komplexer ist. Dennoch wird aktiv dazu geforscht, da der Großteil der heute verfügbaren Daten nicht gelabelt ist. Das bestärkende Lernen unterscheidet sich von den anderen Lernformen, bei denen bereits zu Beginn des Lernvorgangs die Trainingsdaten mit oder ohne Label zur Verfügung stehen.⁹⁴ “Beim bestärkenden Lernen steht ein Agent oder ein System im Mittelpunkt, der/das durch Interaktion mit seiner Umwelt erst Daten generiert”.⁹⁵ Bei den Daten handelt es sich zum Zeitpunkt t um ein Tupel bestehend aus Zustand, Aktion, und Feedback. Im Laufe des Lernprozesses entstehen viele solcher Tupel direkt durch Aktionen des Agenten, oder indirekt durch Veränderung des Zustands der Umwelt, welche zu zeitversetztem Feedback führen. Das Feedback-Signal drückt bezüglich der Erreichung eines Ziels entweder eine Belohnung oder eine Bestrafung aus. Übergeordnetes Ziel ist das Erlernen einer Strategie, also einer abgeschlossenen Folge von Aktionen, die die Belohnung insgesamt maximiert.⁹⁶ Eine einfache, pragmatische aber sehr treffende Beschreibung des bestärkenden Lernens könnte daher "learning by doing" sein.

Abstrahiert man von den zahlreichen Anwendungen des maschinellen Lernens, so stellen sich einige wenige allgemeine Aufgabentypen heraus.⁹⁷ Im Folgenden sollen die gängigsten Aufgabentypen kurz beschrieben werden. Bei der Klassifikation sollen Datenpunkte auf entweder keine Klasse, genau eine Klasse oder mehrere Klassen aus einer vorgegebenen Klassenstruktur abgebildet werden.⁹⁸ “Die Klassenzugehörigkeit stellt dabei die nominale Zielgröße dar”.⁹⁹ Die Klassifikation gehört zur Lernform des überwachten Lernens, bei dem die Zielgröße zusammen mit der Datenmatrix geliefert wird. Wenn die vorgegebene Zielgröße quantitativ (kontinuierlich) ist, dann handelt es sich um eine Regression. Dabei wird eine Regressionsfunktion bestimmt, mit der der Zusammenhang zwischen einer oder mehrerer unabhängiger Größen und der abhängigen Zielgröße beschrieben wird. Primär wird die Regressionsfunktion zur Vorhersage der Zielgröße für neue Datenpunkte genutzt. Die Clusteranalyse fasst ähnliche Datenpunkte zu Gruppen zusammen. Die entstehenden Gruppen werden auch als Cluster bezeichnet. Ziel ist es, die Abstände zwischen den Datenpunkten innerhalb eines Clusters klein zu halten (hohe intra-Cluster Ähnlichkeit), während die Abstände zwischen den Clustern selbst groß ausfallen sollen (hoher inter-Cluster Unterschied).¹⁰⁰ Bei der Dimensionsreduktion wird die vorliegende Datenmatrix auf eine Matrix mit weniger Spalten (d.h. weniger Merkmalen oder Variablen) abgebildet, während die Anzahl der Zeilen (Datenpunkte) unverändert bleibt.¹⁰¹ Die Dimensionsreduktion kommt insbesondere als Vorstufe bei der explorativen Datenanalyse zum Einsatz, wenn Datensätze zu viele Variablen haben. Durch die Reduktion der Variablenzahl fällt die Lernphase weniger zeit- und ressourcenintensiv aus. Bei der Anomalie- oder auch Ausreißererkennung werden Datenpunkte eines Datensatzes gesucht, die von den meisten anderen Datenpunkten abweichen.¹⁰² Die Ausreißererkennung findet zweifache Anwendung. Einerseits dient diese dazu, offensichtliche Fehler in den Daten während des Prozesses der Datenbereinigung zu identifizieren. Andererseits dient diese zur expliziten Erkennung von Ausreißern (engl. outlier). Die Erkennung von Ausreißern ist in einigen Anwendungsfeldern von hoher Bedeutung.

2.2.3. Charakteristik eines ML-basierten Softwaresystems

Im Gegensatz zu anderen Technologien ist maschinelles Lernen ein Verbund aus mathematischen Konzepten, die wie alle mathematischen Konzepte a priori wahr und immateriell sind. Diese weisen keinen Wert an sich auf, sondern dieser entsteht erst, wenn die Konzepte genutzt werden, um reale Praxisprobleme zu lösen. Damit ist maschinelles Lernen keine Plug & Play Technologie, sodass erst durch exogene Einwirkung bzw. äußeres Zutun des Menschen der Wert von maschinellem Lernen entsteht. Insbesondere fällt der Wert von keinem Nutzen oder wächst an zu einem hohen Nutzen, je nachdem wie das Wissen und die Fähigkeiten der Entwickler ausfallen. Da in den folgenden Kapiteln stets von einem ML-basierten Softwaresystem gesprochen wird, soll dieser Unterabschnitt zur Klärung beitragen, was ein solches ML-basiertes System kennzeichnet. Im Folgenden sollen Charakteristika und Unterschiede zwischen klassischen Softwaresystemen und ML-basierten Softwaresystemen identifiziert werden, um zu verstehen, warum nur ein Bruchteil aller ML-basierter Softwaresysteme, die im Grunde lediglich eine spezielle Art von klassischen Softwaresystemen mit allen auch dort zu findenden Charakteristika darstellen¹⁰³, erfolgreich abgeschlossen werden. Unter Anwendung von Unterscheidungskriterien ist eine detaillierte Differenzierung möglich (vgl. Tabelle 1). Eine einheitliche Taxonomie besteht hierfür allerdings nicht.

Tabelle 1 : Charakteristika und Unterschiede von ML-basierten-, und klassischen Softwaresystemen ¹⁰⁴ (größer auf S. 115)

Abbildung in dieser Leseprobe nicht enthalten

Nachfolgend soll exemplarisch auf einige der in Tabelle 1 aufgeführten Kriterien eingegangen werden. Wie der tabellarische Vergleich zeigt, kommen ML-basierte Softwaresysteme bei sehr enggefassten, aber hochkomplexen Problemstellungen, wie bei der Bild- oder Spracherkennung, deren Lösung jenseits der kognitiven Fähigkeiten des Menschen liegt, zum Einsatz. Im Gegensatz dazu kommen klassische Softwaresysteme meist zur Lösung weitgefasster, gut verstandener, gut definierbarer Anwendungsprobleme, die eine vom Menschen beherrschbare Komplexität aufweisen, zum Einsatz. Als stellvertretendes Beispiel für ein solches Anwendungsproblem könnte die Digitalisierung des Touchpoints zum Kunden durch die Entwicklung einer E-Commerce App mit Produktkatalog, Warenkorb und Bezahlfunktion sein.¹⁰⁵

Zur Entwicklung von ML-basierten Softwaresystemen sind spezielle Kompetenzen erforderlich. Bei großen Projekten besteht ein Entwicklungsteam häufig aus einem oder mehrerer Data Engineers, sowie Data Scientists, Softwareingenieuren und Domänenexperten. Bei klassischen Softwareprojekten hingegen besteht ein Team typischerweise aus Softwareingenieuren, einem erfahrenen Softwareingenieur als Projektmanager und Domänenexperten.

Aus informatorischer Perspektive unterscheiden sich ML-basierte Softwaresysteme und klassische Softwaresysteme grundlegend¹⁰⁶ in ihrem Input und Output. Nachfolgende Abbildung 3 verdeutlicht den Paradigmenunterschied¹⁰⁷.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 : Unterschiede im Input und Output von maschinellem Lernen und klassischer Software ¹⁰⁸

Während bei ML-basierten Softwaresystemen Trainingsdaten und Labels als Input an einen Computer übergeben werden, werden bei klassischen Softwareanwendungen hingegen ein Programm und Daten als Input übergeben. Bei ML-basierten Softwaresystemen lernt ein Algorithmus Zusammenhänge in den Daten und speichert das Ergebnis in einem Modell, welches als Output ausgegeben wird. Bei klassischen Softwaresystemen wird aus dem eingegebenen Programm und den Daten über einen Übersetzungsmechanismus, einer fest einprogrammierten Regel folgend, entsprechende Daten ausgegeben.

ML-Modelle sind probabilistischer, oder stochastischer Natur, das heißt auf eine bestimmte Eingabe folgt nicht jedes Mal eine bestimmte Ausgabe, stattdessen variiert die Ausgabe bei erneutem Aufruf. Während der Erstellung des ML-Modells aufgrund von Trainingsdaten spielen stochastische Effekte eine Rolle, sodass jedes Mal ein anderes Modell gelernt wird, obwohl der gleiche Algorithmus auf die gleichen Trainingsdaten angewendet wird.¹⁰⁹ Dass stochastische Effekte während der Modellerstellung wirken, kann an den unterschiedlichen Modellgenauigkeiten festgestellt werden, wenn die Güte der Modelle auf einem Testdatensatz verglichen wird.¹¹⁰ Die stochastischen Effekte können an mehreren Stellen entstehen. Zum Beispiel im Rahmen der Optimierung der Zielfunktion, wobei die Zielfunktion der meisten Lernverfahren einen Term mit einem zufälligen Fehler oder statistischen Rauschen aufweist. Im Suchraum werden die als nächstes zu untersuchenden Stellen der Optima der Zielfunktion auf zufällige Weise gewählt. Außerdem findet im Rahmen der Parameteroptimierung z.B. durch Stochastic Gradient Descent eine zufällige Durchmischung des Trainingsdatensatzes vor jeder Iteration statt.¹¹¹ Außerdem werden z.B. bei neuronalen Netzen die Gewichte mit zufälligen Werten initialisiert.¹¹² Klassische Softwaresysteme sind deterministischer Art. Das heißt, dass sich diese nach den programmierten Anforderungen und Spezifikationen verhalten¹¹³ und bei einer bestimmten Eingabe jedes Mal das programmierte Ergebnis ausgegeben wird.

Das Testen eines ML-basierten Softwaresystems ist aufwendiger als das Testen klassischer Softwaresysteme.¹¹⁴ "Zusätzlich zu den typischen Einheiten- und Integrationstests ist die Datenvalidierung, Qualitätsbewertung trainierter Modelle und Modellvalidierung erforderlich".¹¹⁵ Bei klassischen Softwaresystemen kann nicht nachvollziehbares, von der einprogrammierten Regel abweichendes Verhalten (ausgelöst durch z.B. ein nicht vorhergesehener Input des Users) des Programms durch gut erprobte Methoden wie Spezifizierung, Testen, Debuggen begegnet werden.¹¹⁶

Die einzelnen Komponenten eines ML-basierten Softwaresystems können auf komplexe Weise verwoben (engl. entangled) und voneinander abhängig sein.¹¹⁷ Klassische Softwaresysteme dagegen sind meist modular aufgebaut, wobei einzelne Programmkomponenten gut voneinander getrennt werden können.

Anhand der identifizierten Unterschiede lässt sich zusammenfassend sagen, dass ML-basierte Softwaresysteme im Vergleich zu klassischen Softwaresystemen spezielle Charakteristika aufweisen, die bei der Entwicklung zu berücksichtigen sind – dementsprechend sind auch spezielle Entwicklerkenntnisse gefordert. Da die Hervorbringung von ML-Modellen eher experimentell erfolgt und doch systematisch angegangen werden muss, könnte maschinelles Lernen aus Entwicklungssicht sowohl als Kunst als auch Wissenschaft bezeichnet werden.

2.3. Business Transformation

Eine Vielzahl von Umweltveränderungen, wie etwa voranschreitende Entwicklungen (z.B. Globalisierung, Digitalisierung, Ressourcenknappheit), Verhaltensänderungen in der Gesellschaft (z.B. steigende Mobilität, steigende Erwartung an Produkte und Services¹¹⁸ ), oder neue rechtliche Rahmenbedingungen (z.B. Deregulierung, oder die GDPR) verlangen von Unternehmen und ganzen Branchen stetige Anpassungsprozesse. Eine sich kontinuierlich verändernde Umwelt kann bewährte Geschäftsmodelle obsolet machen, oder die Konkurrenz bereits dazu angeregt haben, noch wettbewerbsfähiger aufzutreten. Unternehmen, die ihr Geschäftsmodell und ihre organisationalen Strukturen nicht stetig anpassen, können in der Regel am Markt langfristig nicht bestehen.

Business Transformation bezeichnet komplexe, tiefgreifende Anpassungs- und Veränderungsprozesse in Unternehmen und entlang der ganzen Wertschöpfungskette, welche auf einen tiefgreifenden Wandel aller Beziehungen des Unternehmens zu Einzelpersonen und zum wirtschaftlichen und gesellschaftlichen Umfeld zurückzuführen sind.¹¹⁹ „Beispiele von Business Transformationen sind etwa die Auslagerung von Geschäftsprozessen, Veränderungen des Geschäftsmodells, M&A-Transaktionen oder organisationale Restrukturierungsmaßnahmen“.¹²⁰ Im Zentrum von Business Transformation steht also die Frage, wie Unternehmen auf externe oder interne Veränderungen der Umwelt mit Anpassungen reagieren und diese professionell managen, um mittelfristig wirtschaftlich leistungsfähig zu bleiben. In vorliegender Arbeit soll der Begriff Business Transformation in Anlehnung an Klasen (2019) definiert werden: Business Transformation ist die strategische Neuausrichtung und organisatorische Umwandlung eines Unternehmens entlang relevanter Handlungsfelder zur nachhaltigen Sicherung der Leistungsfähigkeit am Markt. ¹²¹ In der vorliegenden Arbeit sollen insbesondere jene Business Transformationen in den Vordergrund rücken, welche auf Innovationen in den Informations- und Kommunikationstechnologien und deren disruptive Wirkung zurückzuführen sind. Bezogen auf den Forschungsgegenstand, wird dann auch von der digitalen Transformation der Logistik gesprochen.

Der Wettbewerbsvorteil komplexer Unternehmensnetzwerke unterschiedlicher Akteure der Logistik wird sich in Zukunft über die Beherrschung von Komplexität, neuen Technologien und Wandlungsfähigkeit entscheiden.¹²² Wandlungsfähigkeit erfordert aber insbesondere auch das rechtzeitige Erkennen eines Wandlungsbedarfs und die schnelle Planung und Umsetzung des erforderlichen Wandels im Logistikmanagement.¹²³

Maschinelles Lernen kann nicht nur zur rechtzeitigen Erkennung von Veränderungen und Ereignissen (z.B. durch Anomaliedetektion, Cluster- und Trenderkennung) eingesetzt werden, sondern auch zur Reduzierung von Latenzzeiten zwischen dem Erkennen einer sich abzeichnenden Veränderung und der Vorbereitung erforderlicher Gegenmaßnahmen. Wird ein Ereignis wahrgenommen, müssen zur Entscheidungsvorbereitung entsprechend Daten verfügbar gemacht und Datenanalysen als Entscheidungsgrundlage vorgenommen werden. Maschinelles Lernen verkürzt dabei die Analyselatenz entscheidend, weil Zusammenhänge in den Daten automatisiert identifiziert werden können. Maschinelles Lernen kann in Logistikunternehmen zum Einsatz kommen, um die Analyse von Ereignisdaten erheblich zu verkürzen und weitestgehend zu automatisieren.

2.4. Reifegradmodelle

Eine unbeständige Umwelt verlangt von Unternehmen Agilität, Antizipativität und Adaptivität¹²⁴ im Umgang mit Veränderungen. Veränderungen müssen von Unternehmen frühzeitig erkannt werden (Antizipativität), sodass die Wettbewerbsfähigkeit durch relevante Anpassungsreaktionen (Adaptivität), etwa des Geschäftsmodells, einzelner Geschäftsprozesse, der Organisationsstruktur, oder der Informationssysteme, erhalten bleibt. Da es sich bei Unternehmen um komplexe sozio-technische Systeme handelt, sind Projekte im Rahmen einer Business Transformation mit geeigneten Vorgehensweisen und Techniken zu begleiten. Folgerichtig scheint zu sein, dass intuitiv, unkoordiniert durchgeführte Transformationen oftmals zum Scheitern derselben führen.

Anhaltspunkte zur Begleitung von organisationalen Transformationsprozessen bietet die Forschung über Reifegradmodelle, welche eine Positionierung der eigenen Organisation ermöglichen und Entwicklungsperspektiven aufzeigen¹²⁵. Reifegradmodelle finden im industriellen Kontext eine breite Anwendung,¹²⁶ da sie als Werkzeug dienen können, IT im Rahmen von Transformationsprojekten effektiv zu designen und einzusetzen¹²⁷. Außerdem bieten sie einen Bezugsrahmen für die Begleitung von Transformationsvorhaben¹²⁸ und können ein Bewusstsein für ein ganzheitliches Vorgehen schaffen¹²⁹. Durch die Bildung von relevanten Gestaltungsfeldern geben sie Hinweise auf zu berücksichtigende Elemente,¹³⁰ mithilfe derer die Komplexität von Transformationsprojekten reduziert werden kann. Reifegradmodelle haben ihren Ursprung in der Softwareentwicklung¹³¹, wo sie zur Beurteilung der Reife des Entwicklungsprozesses eingesetzt werden.

Im Folgenden sollen die Elemente zur Konstruktion von Reifegradmodellen erläutert werden. Typischerweise setzen sich Reifegradmodelle aus zwei Bestandteilen zusammen: aus mehreren voneinander abgrenzbaren Reifegraden und strukturierenden Dimensionen bzw. Gestaltungsfeldern. Jeder Reifegrad beinhaltet eine Beschreibung der Ausprägungen der Dimensionen bzw. Gestaltungsfelder, welche zur Erreichung der Reifegradstufe erforderlich sind.¹³² Bei den Dimensionen handelt es sich um für das Transformationsvorhaben spezifische Fähigkeitsgebiete, welche das Themenfeld abbilden und ordnen.¹³³ Zusätzlich zu den herkömmlichen Bestandteilen wird für das vorliegende Forschungsinteresse eine weitere strukturelle Komponente, nämlich spezifische Kriterien zur Beurteilung der Reife, welche die Gestaltungsfelder weiter unterteilen , verwendet. Das Reifegradmodell beschreibt durch seine beiden Hauptbestandteile (Reifegrade und Gestaltungsfelder) einen antizipierten oder gewünschten Entwicklungspfad "in aufeinander folgenden, diskreten Stufen, beginnend in einem Anfangsstadium hin zur vollkommenen Reife".¹³⁴

Für die Entwicklung von Reifegradmodellen haben sich mehrere allgemeine Vorgehensweisen etabliert.¹³⁵ Dabei weisen etablierte Vorgehensmodelle¹³⁶ ein sehr ähnliches Schema auf, welches sich zu vier abgrenzungswürdigen Phasen bündeln lässt.¹³⁷

1. Problemdefinition und Eingrenzung: Zunächst wird der inhaltliche Fokus, das heißt der Gestaltungsbereich des Reifegradmodells definiert. In diesem Schritt sollte zudem der konkrete Bedarf für das Reifegradmodell nachgewiesen werden.¹³⁸ Der Bedarf nach einem besseren oder neuen Reifegradmodell sollte durch den Vergleich mit bestehenden Reifegradmodellen begründet werden.¹³⁹
2. Modellgestaltung: Im Zuge der Reifegradmodellentwicklung werden zunächst voneinander abgrenzbare, logisch aufeinander aufbauende Reifegrade festgelegt. Im Anschluss werden die Gestaltungsbereiche konstruiert, die im Rahmen des Reifegradmodells untersucht werden sollen. Schließlich werden die Reifegrade mit den Gestaltungsbereichen in Beziehung gesetzt, indem die Ausprägung jedes Gestaltungsbereichs für jede einzelne Reifegradstufe detailliert konstruiert wird. Der Gestaltungsprozess erfolgt in mehreren iterativen Schritten.¹⁴⁰
3. Evaluation: Zur Evaluation des Reifegradmodells müssen sowohl die Modellstruktur als auch die angewandten Methoden auf Nützlichkeit, Qualität und Effektivität geprüft werden,¹⁴¹ um dessen Akzeptanz zu erhöhen. Festzustellen ist, inwieweit das Reifegradmodell seinen ursprünglich angestrebten Nutzen bewirkt.¹⁴²
4. Einsatz und Verbreitung: In der letzten Phase geht es um die Nutzung des Reifegradmodells, insbesondere um die Ergebnisbereitstellung mit geeigneten Transfermitteln.¹⁴³ "Das Reifegradmodell ist in einer geeigneten Form zur Verfügung zu stellen, die sich an den Anwendungsvoraussetzungen und -interessen des Adressaten orientiert".¹⁴⁴

3 Stand der Forschung

Dieses Kapitel soll zur inhaltlichen Fundierung des im nachfolgenden Kapitel zu entwickelnden reifegradbasierten Gestaltungskonzepts dienen. Die in den Zielsetzungen der Arbeit¹⁴⁵ definierte zweite sekundäre Forschungsfrage ist:

ii. Welche Forschungsansätze existieren für die betriebliche Umsetzung von maschinellem Lernen und welche Forschungstrends zeichnen sich innerhalb des Gebietes des maschinellen Lernens derzeit (2021) ab?

Für die Erarbeitung der Inhalte dieser Forschungsfrage wird eine Literaturanalyse durchgeführt. Der fünften Richtlinie nach Forschungsstringenz bei der Gestaltung von Artefakten im Design Science Research folgend, soll das Vorgehen der Literaturanalyse dokumentiert werden. Diese folgt den Empfehlungen für systematische Literaturauswertungen von vom Brocke et al.¹⁴⁶. Nachfolgende Tabelle 2 gibt eine Übersicht über die geplante Literaturauswertung.

Tabelle 2 : Zusammenfassung der geplanten Literaturauswertung ¹⁴⁷

Abbildung in dieser Leseprobe nicht enthalten

Das Ziel ist es, die in der zweiten sekundären Forschungsfrage enthaltenen unterschiedlichen Forschungsrichtungen differenziert, das heißt in angemessener Tiefe und Breite, zu betrachten.

Die Gliederung von Kapitel drei orientiert sich an dem in Tabelle 2 spezifizierten Umfang, insbesondere an den drei genannten unterschiedlichen Forschungsrichtungen. Zunächst werden in Abschnitt 3.1. Barrieren und Erfolgsfaktoren für Machine Learning-Projekte identifiziert. Anschließend werden in Abschnitt 3.2. verschiedene existierende Reifegradmodelle analysiert. Schließlich werden in Abschnitt 3.3. aktuelle Forschungstrends von maschinellem Lernen ausgemacht. In Abschnitt 3.4. wird die zweite sekundäre Forschungsfrage beantwortet.

3.1. Barrieren und Erfolgsfaktoren für Machine Learning-Projekte

Basierend auf der Erkenntnis, dass die erfolgreiche Durchführung von Machine Learning-Projekten von zwei entgegengesetzten oder inversen Mechanismen abhängig sein kann, nämlich von der Verstärkung treibender bzw. von der Minderung hemmender Einflussfaktoren, soll das methodische Fundament dieses Abschnitts die auf Lewin (1951) zurückgehende Kraftfeldanalyse (engl. force-field-analysis) bilden. Die Methode der Kraftfeldanalyse beschreibt (ursprünglich) einen Rahmen zur Analyse von unterstützenden bzw. zielführenden und hindernden bzw. zielhemmenden Einflussfaktoren, welche einen (sozialen oder psychologischen) Sachverhalt als den Gleichgewichtszustand erzeugen.

Dieses Vorgehen ist dem bestehender, eher technischer Literatur¹⁴⁸ ähnlich, welche häufig zugleich Design Patterns und Anti-Patterns zusammenstellen und diskutieren. Den Begriff der Barriere bildhaft verstanden, sollen in vorliegender Arbeit unter Barrieregründe solche Gründe verstanden werden, die Unternehmen bei den Bestrebungen maschinelles Lernen einzusetzen vor nicht überschreitbare Hürden stellt. Wie Hausladen und Schosser, die ein ähnliches Forschungsvorhaben verfolgen, ihre Forschung u.a. in der Theorie zum Resource-Based View (RBV) verankern¹⁴⁹, sollen Erfolgsfaktoren vor allem Ressourcen und aktive Bestrebungen von Unternehmen umfassen, die schlussendlich zu Wettbewerbsvorteilen führen. In Anlehnung an die bestehende Literatur zur Organizational Readiness¹⁵⁰ sollen Erfolgsfaktoren den organisationalen Einsatz maschinellen Lernens erst ermöglichen oder darauf eine begünstigende Wirkung haben.

Bevor Gründe für das Scheitern und Erfolgsfaktoren für die Durchführung von Machine Learning-Projekten angegeben werden können, ist es zunächst zentral, zu resümieren, welche Indikatoren generell auf ein erfolgreiches Machine Learning-Projekt hinweisen. Da es sich bei solchen Projekten um eine Unterkategorie eines klassischen IT-Projekts handelt, und keine einheitliche Definition für Projekterfolg bei Machine Learning-Projekten existiert, soll auf die Definition eines erfolgreichen IT-Projekts im weitesten Sinne zurückgegriffen werden. Die am weitesten verbreitete Definition von Projekterfolg ist diejenige der Standish Group, nach der Projekterfolg gegeben ist, wenn das Projekt im Rahmen des geplanten Budgets und Zeitplans liegt und das richtige Problem gelöst wird, sodass der Kunde das Ergebnis für seinen Geschäftszweck gewinnbringend nutzen kann.¹⁵¹

Obwohl sich Best Practices, im Sinne von bereits erprobten und bewährten Erfolgsmethoden, für das Projektmanagement etabliert haben und die Entwicklung konkreter Frameworks wie Scrum Einzug in die Softwareentwicklung erhalten hat, ausgebildete Projektmanager mehr denn je zur Verfügung stehen, hat sich die Quote des Scheiterns von klassischen IT-Projekten, seit dem die Standish Group 1994 mit ihrem jährlich aktualisierten Chaos-Bericht zu erheben begann, wie viele Projekte im Schnitt erfolgreich durchgeführt werden, bis heute (2020) nicht wesentlich geändert.¹⁵² Damals wie heute ist nur rund jedes dritte durchgeführte IT-Projekt ist erfolgreich. Rund 70% aller IT und Softwareprojekte sind demnach nicht erfolgreich.¹⁵³ Bei groß angelegten Digitalisierungsprojekten (z.B. im Rahmen einer digitalen Transformation) dürften die Risiken des Abbruchs noch höher liegen.¹⁵⁴

Von den durchgeführten IT-Projekten sind etwa 50 % nur teilweise erfolgreich, gehen daher als nicht erfolgreich in die Statistik (z.B. der Standish Group) ein. Bei teilweise erfolgreichen Projekten kam es immerhin zu einem Projektabschluss, aber zumeist wurden erheblich mehr (oft zwischen 40 bis 50% und in manchen Fällen bis zu 200%) an Kosten produziert¹⁵⁵ als angesetzt waren, deutlich länger gebraucht¹⁵⁶, oder der geplante Funktionsumfang wurde nicht vollständig erreicht, das heißt, die Wünsche und Anforderungen der Auftraggebenden wurden nicht erfüllt. Circa jedes fünfte Softwareprojekt, das heißt im Schnitt 20% aller Softwareprojekte scheitern gänzlich.¹⁵⁷ Solche Projekte werden im Laufe abgebrochen, weil die Fortführung sich auf unvorhergesehene Weise als unwirtschaftlich herausstellt. Die bis zum Abbruch erreichten Ergebnisse können aufgrund der chaotischen Projektdynamik, die zum Abbruch führte, meist nicht einmal für andere Zwecke eingesetzt werden.

Die Erfolgsquote von Data Science bzw. Machine Learning-Projekten liegt mit 13 bis 20% noch einmal deutlich unter der von klassischen Softwareprojekten.¹⁵⁸ Der Beratungsfirma Gartner zufolge werden bis zum Jahr 2022 circa 85% aller KI-Projekte fehlerhafte Ergebnisse liefern, die auf systematische Fehler in den Daten, den Algorithmen, oder im Projektmanagement zurückzuführen sind.¹⁵⁹ Die meisten gescheiterten Machine Learning-Projekte sind dabei nicht auf die Technologie selbst, sondern auf verschiedene den Entwicklungsprozess beeinflussende Umweltfaktoren und nicht zuletzt auf verschiedene die Entwickler betreffende Aspekte zurückzuführen.¹⁶⁰

Die in der wissenschaftlichen Literatur diskutierten Gründe für das Scheitern von IT-Projekten erstrecken sich typischerweise auf organisationale, soziale, psychologische und projektbezogene Gründe.¹⁶¹ Da Gründe für das Scheitern und Erfolgsfaktoren für die Durchführung von IT-Projekten im Allgemeinen in der übrigen wissenschaftlichen Literatur ausführlich diskutiert wurden, sei an dieser Stelle nicht weiter darauf eingegangen. Für eine tiefergehende und weiterführende Auseinandersetzung mit Gründen u.a. für das Scheitern von IT-Projekten seien Leser an eine andere Arbeit des Autors vorliegender Arbeit ¹⁶² und z.B. an diese Publikation¹⁶³ verwiesen. Für eine tiefergehende Diskussion von Erfolgsfaktoren seien Leser z.B. an diese Publikation¹⁶⁴ verwiesen.

3.1.1. Literaturbasierte Erhebung von Barrieren und Erfolgsfaktoren

Die Forschung in Bezug auf Herausforderungen und Erfolgsfaktoren von Machine Learning-Projekten steht im Gegensatz zu IT-Projekten vergleichsweise noch am Anfang. In nachstehender Tabelle 3 ist eine Anzahl an Barrieren zusammengetragen, welche die Durchführung von Machine Learning-Projekten erschweren oder verhindern könnten. Die in der Literatur diskutierten Erfolgsfaktoren werden in derselben Tabelle in einer Nebeneinanderstellung aufgeführt. Die tabellarische Übersicht zeigt, dass in den meisten Fällen zu den von der Forschungsgemeinschaft genannten Barrieregründen auch entsprechende Erfolgsfaktoren existierten. In wenigen Fällen wurden Barrieregründe und Erfolgsfaktoren gewissermaßen durch inhaltliche Invertierung des jeweils anderen erhalten.

Im Folgenden soll zusammenfassend auf die identifizierten Barrieregründe und Erfolgsfaktoren eingegangen werden. Eine detailliertere Beschreibung der einzelnen Barrieren und Erfolgsfaktoren erfolgt in Kapitel 4. Die Barrieren und Erfolgsfaktoren dienen dort als Anhaltspunkte, Herausforderungen respektive Maßnahmen für die zu bildenden Gestaltungsfelder zu identifizieren.

Für die Entwicklung von ML-gestützten Softwarelösungen sind gut ausgebildete Fachkräfte, Data Scientists, nötig, welche, wie in obiger Tabelle aufgeführt, nur unzureichend auf dem Personalmarkt vorhanden sind. Der Mangel an qualifizierten Data Scientists stellt ein schwerwiegender Barrieregrund für die erfolgreiche Durchführung von Machine Learning-Projekten dar. Da maschinelles Lernen im Wesentlichen auf Daten basiert, gehen mit diesen eine Menge an Herausforderungen und Erfolgsfaktoren einher. Eine geeignete IT-Infrastruktur ist Voraussetzung dafür, das Daten überhaupt erfasst, aus verschiedenen Quellsystemen extrahiert und in einem Data-Lake verfügbar gemacht werden können. Außerdem sind bei Machine Learning-Projekten typischerweise eine Vielzahl an Stakeholdern eines Unternehmens beteiligt, sodass weniger technische Barrieren als viel mehr organisationale, unternehmenskulturelle und managementbezogene Herausforderungen einen mehrwertschaffenden Einsatz von maschinellem Lernen erschweren oder fördern können. Zusammenfassend lässt sich sagen, dass eine Vielzahl sowohl technischer als auch nicht-technischer bzw. organisationaler Faktoren für die Umsetzung von Machine Learning-Projekten zu berücksichtigen sind. Vor allem sind geeignete personelle, datenseitige, infrastrukturelle und organisationale Voraussetzungen zu schaffen.

Tabelle 3 : In der Literatur diskutierte Barrieren und Erfolgsfaktoren für Machine Learning-Projekte ¹⁶⁵ (größer auf S. 116)

Abbildung in dieser Leseprobe nicht enthalten

Die Zusammenstellung von technischen und organisationalen Herausforderungen macht deutlich, dass mit dem Einsatz von maschinellem Lernen einige Unsicherheiten einhergehen, und komplexe Rahmenbedingungen geschaffen werden müssen, sodass die praktische Umsetzung maschinellen Lernens in realen Industrieprojekten ein nicht triviales Vorhaben darstellt¹⁶⁶, bei dem eine beträchtliche Ingenieurskunst im Vorgehen von Beteiligten verlangt wird. Obwohl maschinelles Lernen in vielen Fällen gewinnbringend eingesetzt werden kann und eindrucksvolle Ergebnisse bei anspruchsvollen Problemstellungen liefert¹⁶⁷, stellt es kein Panacea¹⁶⁸, im Sinne eines Universal-, oder Allerweltsmittel dar. Es sind dafür eine Vielzahl an Voraussetzungen von Beteiligten für die praktische Umsetzung zu schaffen.¹⁶⁹

Die auf Grundlage von wissenschaftlicher und praxisorientierter Literatur identifizierten Barrieregründe und Erfolgsfaktoren dienen, wie in der Zielsetzung¹⁷⁰ erwähnt, als erste Quelle an Erfolgsfaktoren für die im folgenden Kapitel 4 erfolgende Konstruktion von Gestaltungsfeldern für den Einsatz von maschinellem Lernen in der Logistik.

3.1.2. Verwandte Arbeiten

Im Folgenden sollen verwandte Arbeiten und bestehende Unzulänglichkeiten existierender Forschungsergebnisse diskutiert werden.

Im Rahmen der Literaturrecherche wurde deutlich, dass die überwiegende Mehrheit bestehender Publikationen zu Projekterfolg bei Machine Learning-Projekten lediglich die technische bzw. theoretische Seite, sprich datenseitige oder algorithmische Aspekte beleuchten.

Zum derzeitigen Stand (2021) sind nur sieben Publikationen der wissenschaftlichen Forschung entsprungen, die sich nicht nur mit den rein technischen Bedingungen und Voraussetzungen für erfolgreiche Machine Learning-Projekte beschäftigen, sondern auch weichere Faktoren des betrieblichen Projektmanagements miteinbeziehen. Es fehlen wissenschaftliche Beiträge, die eine organisationale bzw. betriebswirtschaftliche Perspektive diskutieren.¹⁷¹ Deren Einbezug ist für die Überführung von maschinellem Lernen in erfolgreiche Geschäftsanwendungen essenziell.

Schon Brodley und Smyth (1997) stellten fest, dass Erfolg bei Projekten des maschinellen Lernens weniger mit der Modellerstellung als vielmehr mit den Daten sowie mit dem Einbezug der Entwicklerseite steht und fällt.¹⁷² Jene Autoren diskutieren Faktoren, unter anderem des Faktors Mensch, die für den Erfolg von Machine Learning-Projekten maßgeblich sind und validieren ihre Aussagen anhand einer praktischen Case Study. Rana et al. (2014) nutzen das Technology Acceptance Model (TAM), um den Einsatz von maschinellem Lernen in Industrieprojekten im Kontext der Vorhersage von Softwareausfällen zu erklären.¹⁷³ Sothilingam et al. (2019) nutzen Business Process Modelling, um die "characteristics and challenges of ML" zu identifizieren und "to demonstrate how conceptual modelling can be applied to enhance ML integration processes and assist them in meeting these challenges"¹⁷⁴. Jin et al. (2019) präsentieren das CODE-Framework, mit dem „general guidelines for translating ML research results to successful industry projects“ gegeben werden sollen¹⁷⁵. Yoon (2019) reiht sich in die Organizational Readiness Literatur ein, wobei Erfolgsfaktoren für den organisationalen Einsatz maschinellen Lernens empirisch gestützt erhoben werden. Sothilingam (2020) nutzt ebenfalls Business Process Modelling um "complex organizational relationships in ML project organizations" zu analysieren¹⁷⁶. Nalchigar (2020) nutzt die Modelliersprache UML, um "the requirements elicitation, specification, design, development, and usage of business analytics systems in organizations" zu unterstützen¹⁷⁷

Übrige Publikationen diskutieren Barrieregründe und Erfolgsfaktoren für den betrieblichen Einsatz der eher generisch formulierten künstlichen Intelligenz, Data Analytics und Big Data etc. wodurch die hervorgebrachten Barrieregründe und Erfolgsfaktoren zu abstrakt formuliert werden, die spezifischen Charakteristika maschinellen Lernens dadurch nicht zum Ausdruck kommen, und die wissenschaftlichen Ergebnisse für die Praxis, wo weniger abstrakte dafür aber sehr konkrete Handlungsanweisungen begrüßt werden, nur schwer greifbar und umsetzbar sind.

Die sieben bestehenden Publikationen, die zudem organisationale Erfolgsfaktoren für die Umsetzung von Machine Learning-Projekten diskutieren erheben zwar Erfolgsfaktoren, bleiben aber mit ihren Forschungsergebnissen in einem bloß deskriptiven Stadium stehen, sodass keine konkreten Entwicklungspfade und Handlungsanweisungen zur Bewertung der Reife, und zur Umsetzung von Machine Learning-Projekten aufgezeigt werden.

In der Forschungsgemeinschaft um das Logistik- und Supply Chain Management sind Erfolgsfaktoren für die organisationale Umsetzung datengetriebener Technologien nur in drei Publikationen diskutiert. Schoenherr & Speier-Pero (2015), welche Ansätze für die erfolgreiche Implementierung von Analytics im Logistik- und Supply Chain Management diskutieren, Herden et al. (2020), welche sowohl Barrieren und Erfolgsfaktoren für den Einsatz von Analytics Lösungen identifizieren und Engelking et al. (2020), welche Gestaltungsprinzipien für den Einsatz von maschinellem Lernen im SCRM erheben, können an dieser Stelle genannt werden. Die beiden erst genannten Publikationen haben allerdings nur das allgemeine Analytics zum Thema. Engelking et al. stellen zwar einen wegweisenden Ansatz vor, behandeln jedoch keine konkreten Ausprägungen der einzelnen Gestaltungsprinzipien und schlagen keine konkreten Entwicklungspfade für die Umsetzung von maschinellem Lernen vor. Die Analyse bestehender Literatur macht deutlich, dass keine wissenschaftlichen Beiträge existieren, die zum einen sowohl technische als auch organisationale Erfolgsfaktoren und andererseits Entwicklungsstufen für die Umsetzung von Machine Learning-Projekten in der Logistik diskutieren.

3.2. Existierende Reifegradmodelle

Wie in den Zielsetzungen erwähnt, werden für die inhaltliche Fundierung zu den im vorherigen Abschnitt bereits identifizierten Barrieren und Erfolgsfaktoren von Machine Learning-Projekten zusätzlich für den Forschungsgegenstand relevante, bestehende Reifegradmodelle evaluiert. Für die Entwicklung eines eigenen Reifegradmodells ist der Vergleich existierender Reifegradmodelle eine zentrale Voraussetzung.¹⁷⁸ Deren Dimensionen sollen als weitere Quelle zu den bereits identifizierten Erfolgsfaktoren dienen, und für die Bildung von Gestaltungsfeldern genutzt werden. Dafür wird eine Analyse von existierenden Reifegradmodellen zu maschinellem Lernen, künstlicher Intelligenz, Data Science und Logistik 4.0 vorgenommen. Nachfolgend wird zunächst ein Überblick über die Ergebnisse der Literaturanalyse gegeben, die sich im Vorgehen her an der Studie von Egeli orientiert¹⁷⁹. Anschließend werden die Reifegradmodelle hinsichtlich ihrer Methodik und ihres Inhalts ausgewertet.

3.2.1. Ergebnisse der Literaturrecherche

Anhand den in Tabelle 2 definierten Suchkriterien, den berücksichtigten Quellen und des Zeitraums wurden insgesamt 15 Reifegradmodelle identifiziert. Nachfolgende Tabelle 4 enthält eine Übersicht der identifizierten Modelle, wobei diese nach ihrer Domäne organisiert sind.

Von den 15 gefundenen Modellen wurden lediglich zwei über die verwendeten wissenschaftlichen Datenbanken entdeckt. Wiederum zwei Modelle wurden mit Hilfe von Google Scholar identifiziert. Die restlichen 11 Reifegradmodelle wurden über eine normale Google-Suche identifiziert.

[...]

---

¹ Vgl. Wennker (2020), S. 122 f.

² Vgl. Gentsch (2019), S. 61

³ Vgl. Yoshida (2017)

⁴ Vgl. Wennker (2019), S. 125 f.

⁵ Vgl. Holland et al. (2017)

⁶ Vgl. McKinsey (2017), S. 32 f.

⁷ Vgl. McKinsey (2017), S. 33

⁸ Vgl. Kreutzer & Sirrenberg (2019), S. 123; McKinsey (2018), S. 21

⁹ Vgl. McKinsey (2018), S. 21

¹⁰ Vgl. Herbrich (2019), S. 64

¹¹ Vgl. Ransbotham et al. (2018), S. 2

¹² Vgl. Ransbotham (2017), S. 1

¹³ Vgl. Junge et al (2019), S. 3

¹⁴ Vgl. Cam et al. (2019)

¹⁵ Vgl. Kaufmann & Servatius (2020), S. 93

¹⁶ Vgl. Chui & Malhotra (2018)

¹⁷ Vgl. Kaufmann & Servatius (2020), S.93; Cam et al. (2019)

¹⁸ Vgl. Chui & Malhotra (2019)

¹⁹ Vgl. Crisp Research (2017), S. 28

²⁰ Vgl. Helmke (2019), S. 183

²¹ Vgl. von See (2019), S. 5

²² Vgl. Jin et al. (2019), S. 278

²³ Vgl. Kaufmann (2016), S. 2

²⁴ Vgl. Appelfeller & Feldmann (2018), S. 201 f.

²⁵ Vgl. Schacht & Lanquillon (2019), S. 170; McKinsey (2017), S. 41

²⁶ Vgl. Schacht & Lanquillon (2019), S. 175

²⁷ Vgl. Eisend & Kuß (2017), S. 11

²⁸ Vgl. Winter (2014), S. 65

²⁹ Vgl. Von See (2019), S. 43

³⁰ Vgl. Bartodziej (2017), S. 4

³¹ Vgl. Frauchiger (2017), S. 108

³² Vgl. Eisend & Kuß (2017), S. 21; Frauchiger (2017), S. 108; Robra-Bissantz & Strahringer (2020), S. 176

³³ Vgl. Robra-Bissantz & Strahringer (2020), S. 107, S. 171

³⁴ Vgl. Hevner et al. (2004), S. 77; Iivari & Venable (2009), S. 3; Robra-Bissantz & Strahringer (2020), S. 172

³⁵ Vgl. Hermann (2019), S. 4 f.

³⁶ Vgl. Hermann (2019), S. 4; Sein et al. (2011), S. 38; Iivari & Venable (2009), S. 4

³⁷ Vgl. Hermann (2019), S. 5

³⁸ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

³⁹ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

⁴⁰ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

⁴¹ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

⁴² Vgl. Hevner et al. (2004), S. 87

⁴³ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83.

⁴⁴ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

⁴⁵ Vgl. Frauchiger (2017), S. 110; Hevner et al. (2004), S. 83

⁴⁶ Vgl. von See (2019), S. 6

⁴⁷ Vgl. Egeli (2016), S. 3

⁴⁸ Eigene Abbildung, Struktur in Anlehnung an Bartodziej (2017), S. 6

⁴⁹ Vgl. Straube (2004), S.28; Göpfert (2019), S. 41; Hausladen (2020), S. 2

⁵⁰ Vgl. Arnold et al. (2008), S. 3

⁵¹ Vgl. Göpfert (2019), S. 41; Pfohl (2010), S. 12

⁵² Vgl. Delfmann et al. (2011), S. 1

⁵³ Vgl. Hausladen (2020), S. 2

⁵⁴ Vgl. Arnold et al. (2014), S. 3; Schuh & Stich (2013), S. 7

⁵⁵ Vgl. Arnold et al. (2014), S. 3

⁵⁶ Vgl. Hausladen (2020), S. 3

⁵⁷ Vgl. Hausladen (2020), S. 2

⁵⁸ Vgl. Gudehus (2010), S. 7

⁵⁹ Vgl. Schuh & Stich (2013), S. 7

⁶⁰ Vgl. Arnold et al. (2014), S. 3

⁶¹ Vgl. Pfohl (2010), S. 17

⁶² Vgl. Hausladen (2020), S. 185

⁶³ Vgl. Hausladen (2020), S. 184

⁶⁴ Vgl. Hausladen (2020), S. 9

⁶⁵ Vgl. Hausladen (2020), S. 10

⁶⁶ Vgl. Schuh & Stich (2013), S. 8

⁶⁷ Vgl. Pfohl (2010), S. 14

⁶⁸ Straube (2004), S. 31

⁶⁹ Vgl. Wegener & Wegener (2017), S.6; Schuh & Stich (2013), S. 14

⁷⁰ Vgl. Schuh & Stich (2013), S. 2

⁷¹ Vgl. Wegener & Wegener (2017), S. 6

⁷² Straube (2004), S. 42

⁷³ Vgl. Von See (2019), S. 15

⁷⁴ Vgl. Von See (2019), S. 15

⁷⁵ Ursprünglich umfasst die Gliederung der Logistik zwei weitere Prozesse, die Entsorgung und Entwicklung. Die Inhalte vorliegender Arbeit sollen sich jedoch nur auf die vier Hauptprozesse beziehen, da diese die wesentlichen Wertschöpfungsprozesse sind.

⁷⁶ Vgl. Straube (2004), S. 61

⁷⁷ Eigene Abbildung, in Anlehnung an Straube (2004), S. 61

⁷⁸ Vgl. Straube (2004), S. 60

⁷⁹ Vgl. Straube (2004), S. 62

⁸⁰ Straube (2004), S. 64

⁸¹ Vgl. Straube (2004), S. 321

⁸² Vgl. Schönbrodt (2019), S. 1

⁸³ Vgl. Bishop (2006), S. 1

⁸⁴ Vgl. Jordan & Mitchell (2015), S. 255

⁸⁵ Vgl. Verbraeken et al. (2020), S. 31

⁸⁶ Vgl. Fraunhofer (2018), S. 8; McFarland (2020)

⁸⁷ Vgl. Fraunhofer (2018), S. 8

⁸⁸ Vgl. Bishop (2006), S. 28; Witten et al. (2013), S. 15 f.

⁸⁹ Vgl. Jordan & Mittchel (2015), S. 255

⁹⁰ Mitchell (1997), S. 2

⁹¹ Vgl. Schacht & Lanquillon (2019), S. 96

⁹² Vgl. Bishop (2006), S. 3

⁹³ Vgl. Bishop (2006), S. 3

⁹⁴ Vgl. Schacht & Lanquillon (2019), S. 98

⁹⁵ Vgl. Schacht & Lanquillon (2019), S. 98

⁹⁶ Vgl. Bishop (2006), S. 3

⁹⁷ Vgl. Schacht & Lanquillon (2019), S. 102

⁹⁸ Vgl. Schacht & Lanquillon (2019), S. 103

⁹⁹ Schacht & Lanquillon (2019), S. 103

¹⁰⁰ Vgl. Bishop (2006), S. 424

¹⁰¹ Vgl. Schacht & Lanquillon (2019), S. 110

¹⁰² Vgl. Schacht & Lanquillon (2019), S. 109

¹⁰³ Google Cloud (2021)

¹⁰⁴ Eigene Darstellung

¹⁰⁵ Vgl. Ajanki (2020)

¹⁰⁶ Van Giffen et al. (2020), S. 4

¹⁰⁷ „Trainieren stattt Programmieren“, vgl. van Giffen et al. (2020), S. 4

¹⁰⁸ Eigene Abbildung, in Anlehnung an Allen (2020)

¹⁰⁹ Vgl. Brownlee (2019)

¹¹⁰ Vgl. Brownlee (2019)

¹¹¹ Vgl. Brownlee (2019)

¹¹² Vgl. Brownlee (2019)

¹¹³ Vgl. Akkiraju et al. (2020), S. 18

¹¹⁴ Vgl. Google Cloud (2021)

¹¹⁵ Google Cloud (2021)

¹¹⁶ Vgl. Amershi et al. (2019), S. 295; Santhanam et al. (2019), S. 2.

¹¹⁷ Vgl. Amershi et al. (2019). S. 291; Sculley et al. (2014), S. 2

¹¹⁸ Vgl. Wolan (2020), S. 97

¹¹⁹ Vgl. Gabler Wirtschaftslexikon; Egeli (2016), S. 11

¹²⁰ Vgl. Egeli (2016), S. 11

¹²¹ Klasen (2019), S. 2

¹²² Vgl. ten Hompel & Henke (2014), S. 622

¹²³ Vgl. ten Hompel & Henke (2014), S. 622

¹²⁴ Vgl. Jung (2019), S. 467

¹²⁵ Vgl. Becker (2009), S. 259

¹²⁶ Vgl. Hermann (2019), S.4; Appelfeller & Feldmann (2018), S. 204

¹²⁷ Vgl. Egeli (2016), S.13; Hausladen (2020b), S. 2

¹²⁸ Vgl. Berghaus & Back (2016), S. 99

¹²⁹ Vgl. Berghaus & Back (2016), S. 100

¹³⁰ Vgl. von See (2019), S. 28

¹³¹ Zuerst vorgeschlagen von Paulk et al. (1993)

¹³² Vgl. Becker et al. (2009), S. 249

¹³³ Vgl. Egeli (2016), S. 13

¹³⁴ Becker et al. (2009), S. 249

¹³⁵ Vgl. Egeli (2019), S. 13

¹³⁶ Z.B. Becker et al. (2009), S. 254; de Bruin et al. (2005), S. 2 f.

¹³⁷ In Anlehnung an Egeli (2019), S. 13

¹³⁸ Vgl. Becker et al. (2009), S. 255

¹³⁹ Vgl. Becker et al (2009), S. 255

¹⁴⁰ Vgl. Becker et al. (2009), S. 255

¹⁴¹ Vgl. Becker et al. (2009), S. 250

¹⁴² Vgl. Becker et al. (2009), S. 255

¹⁴³ Vgl. Becker et al (2009), S. 255

¹⁴⁴ Vgl. Hermann (2019), S. 66

¹⁴⁵ Vgl. Abschnitt 1.2.

¹⁴⁶ Vgl. vom Brocke et al. (2009), S. 5-10

¹⁴⁷ Eigene Darstellung, Struktur in Anlehnung an Lahrmann et al. (2010), S. 2 und Egeli (2016), S. 27

¹⁴⁸ Z.B. Sculley et al. (2014); Washizaki et al. (2020)

¹⁴⁹ Vgl. Hausladen & Schosser (2020), S. 2

¹⁵⁰ Z.B. Pumplun et al. (2019); Jöhnk et al. (2020); Uren (2020); Alsheibani et al. (2019)

¹⁵¹ Vgl. Morisio et al. (2007), S. 301

¹⁵² Vgl. Vasa Digital Architects (2020)

¹⁵³ Vgl. Keil et al. (2000), S. 631; Vasa Digital Architects (2020), Helmke (2019), S. 196

¹⁵⁴ Vgl. Helmke (2019), S. 196

¹⁵⁵ Vgl. Keil et al. (2000), S. 632

¹⁵⁶ Vgl. Keil et al. (2000), S. 648

¹⁵⁷ Vgl. Keil et al. (2000), S. 632

¹⁵⁸ Vgl. Pundhir (2020)

¹⁵⁹ Vgl. Doucette (2019)

¹⁶⁰ Vgl. Pumplun et al. (2019), S. 2

¹⁶¹ Vgl. Keil (1995), S. 436

¹⁶² Vgl. Frank & Jung (2018)

¹⁶³ Vgl. Keil et al. (2000)

¹⁶⁴ Vgl. Montealegre & Keil (2000)

¹⁶⁵ Eigene Darstellung

¹⁶⁶ Vgl. Lwakatare et al. (2019), S. 240

¹⁶⁷ Vgl. Jin et al. (2019), S. 277

¹⁶⁸ Vgl. Pumplun et al. (2019), S. 7

¹⁶⁹ Vgl. Tabelle 3

¹⁷⁰ Vgl. Abschnitt 1.2.

¹⁷¹ Vgl. Jin et al. (2019), S. 279 f.

¹⁷² Vgl. Brodley & Smyth (1997), S. 54

¹⁷³ Vgl. Pumplun et al. (2019), S. 3

¹⁷⁴ Sothilingam et al. (2019), S. 1

¹⁷⁵ Jin et al. (2019), S. 277

¹⁷⁶ Sothilingam (2020), S. 3

¹⁷⁷ Nalchigar (2020), S. 4

¹⁷⁸ Vgl. Abschnitt 2.4.

¹⁷⁹ Vgl. Egeli (2016), S. 27-41

• Hochschule: Technische Universität Berlin
• Note: 1,0
• Autor: Janic Frank (Autor:in)
• Erscheinungsjahr: 2021
• Seiten: 129
• Katalognummer: V1148146
• ISBN (eBook): 9783346550675
• ISBN (Buch): 9783346550682
• Sprache: Deutsch
• Schlagworte: Maschinelles Lernen, Machine Learning, Logistik, SCM, Supply Chain Management, Design Science Research, Forschungstrends, Reifegradmodell, Gestaltungskonzept, Forschungsstand, Erfolgsfaktoren, Maturity Model