piwik-script

Intern
    Lehrstuhl für BWL und Wirtschaftsinformatik - Prof. Dr. A. Winkelmann

    Forschung

    Forschungsschwerpunkte

    Der Lehrstuhl für Betriebswirtschaftslehre und Wirtschaftsinformatik unter der Leitung von Prof. Dr. Axel Winkelmann hat sich dem Forschen und Lehren von Inhalten zum Kernthema Informationssysteme verschrieben. Durch die Größe des Lehrstuhls, liegen die Forschungsschwerpunkte  auf unterschiedlichen Facetten welche inhaltlich aber immer dem Kontext der "Enterprise Applications" zugeordnet werden. Diese reichen von neuen Methoden des Informationsmanagements, insbesondere in der Prozess- und Datenmodellierung, über Augmented BPM und Hyperautomation und der Anwendung von AI bis hin zu Distributed Ledger Technologies und digitalen Plattformen. Dabei legt der Lehrstuhl seinen Schwerpunkt auf gestaltungsorientierte Methoden wie „Design Science Research“ sowie die Modellierung und das Prototyping, außerdem arbeiten wir mit empirischen und mathematisch-formalen Forschungsmethoden. Die Entwicklung und Evaluation neuer Methoden und Prototypen wird ergänzt durch den Ergebnistransfer in die Praxis, insbesondere in den Domänen Dienstleistung, Handel und Industrie.

    Data Semantics and Data Engineering

    Die Grundlage fast aller Informationssysteme bilden die Daten selbst. Für betriebliche Informationssysteme werden Daten mittels Strukturformalismen in semantischen Datenmodellen in einer Datenhaltungsschicht (engl. data layer) auch bezeichnet als Datenbankschicht, Datenzugriffsschicht, Datenschicht gespeichert und für die Verarbeitung vorgehalten. In der Vergangenheit spielten Datenbanksystem oder Datenbank Management Systeme sowie deren Struktur zur Datenhaltung deswegen stets eine wesentliche Rolle im Information Systems Bereich. Zusammen mit der Weiterentwicklung der Architektur betrieblicher Informationssysteme kommen aber zunehmen mehr Systeme sowie neue Architekturmodelle auf, die eine Weiterentwicklung von Datenbanksystemen und damit der klassischen Datensemantik erfordern. Von der Entwicklung von SQL zu noSQL bis hin zu verteilten Systemen und verteilten Datenbanken erfordert die Voranschreitende Entwicklung stets neue Konzepte, um Probleme der Skalierung und neuen Nutzungsszenarien zu lösen. Der Lehrstuhl beschäftigt sich deswegen mit unterschiedlichsten Themen des Bereichs, diese reichen vom Design und der Architektur Daten-intensiver Systeme und Datenmodellen, dem Data Engineering für Data Pipelines bis hin zum Datenaustausch auf technischer (Schnittstellen) und semantischer (Standards zum Datenaustausch, eStandards) Ebene. Insbesonders für unsere Projekte aus dem Anwendungsfeld der KI beschäftigt sich der Lehrstuhl auch mit Data Pipelines und Data Engineering zum effizienten deployment von Machine Learning und Deep Learning Algorithmen auf entsprechender Infrastruktur.

    Digital Platforms and Value Networks

    Kollaboration in Wertschöpfungsnetzwerken bzw. Supply Networks dient der Vernetzung von Unternehmen, welche eine zunehmend wichtigere Rolle spielt. Dabei verändern Trends wie die Sharing Economy derzeit etablierte Industrien wie Gastgewerbe oder Transport. Digitale Plattformen stellen zudem eine wesentliche Infrastruktur dar und legen die Rahmenbedingungen für die Interaktion und Beziehung der Akteure fest. Im B2B-Bereich entstehen hierdurch zunehmend neue plattformbasierte Geschäftsmodelle, die für den Erfolg interorganisatorischer Zusammenarbeit von hoher Relevanz sind. Durch digitale Plattformen entstehen aber nicht nur Vorteile, vielmehr rücken bekannte Problem wie Information Asymetry und andere komplexe Entscheidungsprozessen des Behaviourismus ebenfalls zurück in den Fokus.

    Artificial Intelligence

    Auf künstlicher Intelligenz (KI) basierende Entscheidungsunterstützungssysteme (DSS) werden zunehmend eingesetzt, um Menschen in verschiedensten Bereichen des täglichen Lebens und der Wirtschaft bei komplexen entscheidungen zu unterstützen. KI beschreibt dabei ein Konzept der datenbasierten Problemlösung unter Verwendung mathematischer Algorithmen, die häufig mit dem Bereich des maschinellen Lernens (ML) oder des Deep Learnings (DL) verbunden sind. Insbesondere Verfahren aus dem Bereich des DL stützen sich auf imer komplexer werdender Berechnungslogiken, um bessere Ergebnisse zu erzielen.Gleichzeitig zeigt sich, dass in der Praxis Algorithmen mit geringerer Komplexität und damit erhöhtfer Nachvollziehbarkeit bevorzugt werden. Der Forschungsbereich explainable AI (XAI) konzentriert sich darauf komplexe AI-Algorithmen transparent zu machen, indem Erklärungen über die innherente Entscheidungslogik der verwendeten Modelle bereitgestellt werden.Gleichzeitig werden aufgrund der zunehmenden Komplexität oft mehr Trainingsdaten benötigt, um diese Modelle entsprechend zu trainieren. Da in vielen kleineren Unternehmen die nötige Datenmenge nicht zur Verfügung steht, werden oft vortrainierte Modelle (Transfer Learning) verwendet, die dann feinjustiert werden. Unser Lehrstuhl beschäftigt sich hierbei insbesondere auf die Anwendung von KI im Kontext betrieblicher Informationssysteme und in der Hyperautomatisation sowie den Teilgebieten XAI und Transfer Learning.

    Augmented BPM and Hyperautomation

    Unternehmen arbeiten in einem sich ständig verändernden Geschäftsumfeld. Ihre Resilienz hängt von der Fähigkeit ab, Geschäftsprozesse dynamisch zu verändern. Daher ist die effektive Gestaltung und Verwaltung dieser Prozesse von strategischer Bedeutung. Im Zuge der Digitalisierung verlassen sich Unternehmen zunehmend auf prozessorientierte Informationssysteme, die die Ausführung von Geschäftsprozessaktivitäten aufzeichnen. Um das Potential der erhobenen Daten zu erschließen, ist die automatisierte Prozessanalyse (Process Mining) ein effizientes Werkzeug. Dabei umfasst die Prozessanalyse nicht nur die Untersuchung der in der Vergangenheit aufgenommenen Prozesse, sondern auch die Analyse der Zukunft (Predictive Business Process Monitoring).

    Ein neuer Trend sind Augmented Business Process Management Systems (ABPMs), die eine Anreicherung prozessorientierter Systeme mit vertrauenswürdiger künstliche Intelligenz darstellen. Die Vision von ABPMs ist es den Lebenszyklus von Prozessen anpassungsfähiger, proaktiver, erklärbar und kontextsensitiv zu machen. Die Integration von Automatisierung in die Geschäftsprozesswelt schafft neue Perspektiven, um Verbesserungspotential in Prozessen zu identifizieren. Das Zusammenspiel zwischen produktiver Prozessgestaltung durch künstliche Intelligenz und der Automatisierung von Prozessen mit Hilfe von Software-Robotern (RPA) sowie deren Koordination lässt sich mit dem Oberbegriff der Hyperautomatisierung beschreiben.