Current mobility accounts for a large share of global CO $$_2$$ emissions and thus contributes massively to climate change. The mobility revolution is intended to provide a remedy: On the one hand, more sustainable means of transport can be used or, on the other hand, the need for mobility can be reduced. In this article, an approach to CO $$_2$$ budgeting for companies will be presented in order to be able to save business trips. To this end, the need for such a solution is first presented and related work is examined. The insights gained are then translated into a novel approach to budgeting and demonstrated in a proof of concept. Companies can adapt the resulting approach to perform CO $$_2$$ budgeting fair to all employees. All findings and results were finally evaluated in a study with a company from a business travel-intensive industry. The overview of the budget creates transparency and can motivate employees to design more sustainable mobility.

The economic success of companies depends to a large extent on an intact and reliable supply chain. At the same time, logistics has an enormous impact on the global economy and ecology in today’s world. In order to address this problem, this article is dedicated to optimize the evaluation and selection of suppliers. It provides an approach for selecting suppliers based on the status of sustainability and the legal basis (related to sustainability) in the country of origin. Therefore a strategy has been developed to calculate a risk score for each country individually. It focuses on eight Sustainable Development Goals that are most relevant in the context of supply chains. A readiness check was developed to check if a company complies with the legal basis of the selected country.

Inventory is a very important, but also a very time-consuming manual process in warehouse logistics. This paper presents an approach to automate manual inventory using a camera-drone and various AI procedures. Thereby, sensor technology, such as RFID, is avoided, and only the visual representation of the products and goods is used. We developed a custom dataset that was used for the training of an object detection model to extract and count all relevant objects based on an image of the warehouse. Furthermore, we can show that different pre-processing steps and especially image augmentation methods can significantly influence the performance of such models.

Search analytics and trends data is widely used by media, politicians, economists, and scientists in various decision-making processes. The data providers often use sampling when calculating the request results, due to the huge data volume that would need to be processed otherwise. The representativity of such samples is typically assured by the providers. Often, limited or no information about the reliability and validity of the service or the sampling confidence are provided by the services and, as a consequence, the data quality has to be assured by the users themselves, before using it for further analysis. In this paper, we develop an experimental setup to estimate and measure possible variation in service results for the example of Google Trends. Our work demonstrates that the inconsistencies in Google Trends Data and the resulting contradictions in analyses and predictions are systematic and particularly large when analyzing timespans of eights months or less. In our experiments, the representativity claimed by the service was disproved in many cases. We found that beyond search volume and timespan, there are additional factors for the deviations that can only be explained by Google itself. When working with Google Trends data, users must be aware of the marked risks associated with the inconsistencies in the samples.

Zusammenfassung Machine Learning ist ein Forschungsfeld mit großen Potenzialen und weitreichenden Anwendungspotenzialen. Big Data kann dabei als Enabler angesehen werden, da große und qualitativ hochwertige Daten stets die Grundlage für erfolgreiche Machine Learning-Algorithmen und -Modelle darstellen. Aktuell gibt es noch keinen voll etablierten Standardprozess für den Machine Learning-Life Cycle, wie es im Data Mining mit dem CRISP-DM beispielsweise der Fall ist, was zur Folge hat, dass gerade die Operationalisierung von Machine Learning-Modellen Unternehmen vor große Herausforderungen stellen kann. In diesem Beitrag werden anhand der Sicht auf die Beschaffenheit der Daten, die verschiedenen Rollen in Machine Learning-Teams und den Lebenszyklus von Machine Learning-Modellen Implikationen für das Datenmanagement in Unternehmen herausgearbeitet.

Die Energiebranche befindet sich in einem signifikanten Veränderungsprozess. Angesichts des starken Wachstums verteilter, dezentraler Energieressourcen experimentieren Regierungen, Versorger und weitere Stakeholder mit neuen Lösungen, um das Elektrizitätsnetz effizienter zu gestalten. Nach Jahren, in denen die Energiewende vorrangig mit dem Ausbau erneuerbarer Energie assoziiert wurde, rücken zunehmend systemische Fragen in den Vordergrund, insbesondere zur Integration neuer Akteure in den Markt. Dezentrale Erzeugerstrukturen führen im Rahmen der Energiewende zu neuen Anforderungen und erfordern Anpassungen des markt- und netzseitigen Energiesystems. Fehlende Informationen über exakt prognostizierte Lasten und Energieerzeugung erschweren die Einhaltung der Netzstabilität. Sogenannte Microgrids gelten als eine Möglichkeit zur Lösung der Energieprobleme der Zukunft. Dezentralen Peer-to-Peer-Ansätzen wird Lösungspotenzial hinsichtlich der neuen Anforderungen im EnergiemarktEnergiemarkt prophezeit. Die vorliegende Arbeit untersucht, ob dezentraler Energiehandel mithilfe eines alternativen Peer-to-Peer-Ansatzes realisiert werden kann. Dabei steht die Frage im Mittelpunkt, ob die markt- und netzseitigen Komponenten des Energiemarktes innerhalb einer dezentralen Anwendung abgebildet werden können.

Themen der Nachhaltigkeit nehmen in der heutigen Gesellschaft eine elementare Rolle ein. Auch Unternehmen sind von diesen Entwicklungen betroffen und müssen sich zwangsläufig mit nachhaltiger Entwicklung auseinandersetzen. In diesem Beitrag wird ein Prototyp beschrieben, der Hilfestellung leisten kann, das Nachhaltigkeitsbewusstsein von Mitarbeitern innerhalb eines Unternehmens zu steigern. Hierzu wurden Sensor- und Verbrauchsdaten in Echtzeit und unter Verwendung der SAP HANA-Datenbank erfasst, bereitgestellt, verarbeitet und für den Nutzer visualisiert.

Zusammenfassung Der wirtschaftliche Erfolg von Unternehmen hängt maßgeblich von einer intakten und zuverlässigen Supply Chain ab. Es hat sich in der nahen Vergangenheit gezeigt, dass der Logistikmarkt heutzutage nach einem höheren Kundenfokus, mehr Individualisierung und Transparenz strebt. Gleichzeitig sind Unternehmen in der Logistikbranche mit einem Kosten- und Margendruck konfrontiert, wie es in kaum einer anderen Branche üblich ist. Track & Trace-Verfahren sind schon seit langer Zeit ein relevantes Thema im Supply Chain Management. Die Vorteile durch Lokalisation und Verfolgbarkeit liegen auf der Hand: Transparenz, Kontrolle und verbesserte Prognosen. Bisherige Ansätze fokussieren vor allem die eventbasierte, ortsgebundene Erfassung von Ressourcen via Sensorik, wie z. B. RFID. In diesem Beitrag wird ein neuer Ansatz dargelegt, mit dem über RFID vollautomatisiert Ladungsträger lokalisiert werden können, ohne dass diese Ladungsträger bestimmte Erfassungsbereiche passieren müssen.

Dieser Beitrag befasst sich mit dem Thema Digitalisierung von nicht-digitalen Geschäftsprozessen. Der Digitalisierungsgrad eines Unternehmens stellt mittlerweile einen erfolgsentscheidenden Wettbewerbsfaktor dar, um in modernen Märkten nachhaltig existieren und sich weiterentwickeln zu können. Die digitale Transformation von Geschäftsprozessen eines Unternehmens ist nicht trivial und stellt Unternehmen und deren Mitarbeiter vor große Herausforderungen. Es wurden verschiedene Geschäftsprozesscharakteristika identifiziert, die maßgeblichen Einfluss auf die Digitalisierung eines Geschäftsprozesses nehmen. Diese Charakteristika wurden unter Nutzung von Methoden aus dem Bereich der multikriteriellen Entscheidungsunterstützung in ein Konzept überführt, um die Digitalisierungspotenziale eines Geschäftsprozesses ermitteln zu können. Die Anwendung dieses Konzeptes erfolgt in drei separaten Schritten: Gewichtung der Kriterien, Bewertung der Kriterien und Ergebnisauswertung. Die Ergebnisse der Erprobung ließen sich durch eine prototypische Digitalisierung eines zuvor nicht-digitalen Geschäftsprozesses erfolgreich validieren. Es hat sich dabei gezeigt, dass Entscheidungen innerhalb von Geschäftsprozessen eine wichtige Rolle im Hinblick auf deren Digitalisierung inne haben. Diese Rolle muss weiterhin hinsichtlich der Digitalisierungspotenziale, aber auch Hemmnisse verstärkt untersucht werden muss. Das erstellte Bewertungskonzept erweitert die bisherige Literatur und bietet eine breite Grundlage für weiterführende Forschungs- und Entwicklungsarbeiten.

The global volume of data is increasing. As a result, companies are increasingly concerned with using the available data and generating added value from it. The development of data products is necessary to obtain information from data and to integrate it into decision making processes. One possibility is the application of artificial intelligence. However, large companies such as Google or Facebook benefit most from this technology. SMEs in particular are falling by the wayside and are confronted with many challenges. The cross-company platform presented in this article represents an approach to enable even smaller companies to access artificial intelligence and to support data management in machine learning projects.

Dieser Beitrag befasst sich mit dem Thema Digitalisierung von nicht-digitalen Geschäftsprozessen. Der Digitalisierungsgrad eines Unternehmens stellt mittlerweile einen erfolgsentscheidenden Wettbewerbsfaktor dar, um in modernen Märkten nachhaltig existieren und sich weiterentwickeln zu können. Die digitale Transformation von Geschäftsprozessen eines Unternehmens ist nicht trivial und stellt Unternehmen und deren Mitarbeiter vor großen Herausforderungen. Ziel dieses Beitrags ist die Identifikation von Geschäftsprozesscharakteristika, die maßgeblichen Einfluss auf die Digitalisierung eines Geschäftsprozesses haben. Die identifizierten Charakteristika werden unter Nutzung von Methoden aus dem Bereich der multikriteriellen Entscheidungsunterstützung in ein geeignetes Konzept überführt, um die Digitalisierungspotenziale eines Geschäftsprozesses ermitteln zu können. Das Konzept umfasst insgesamt fünf verschiedene Kriterienkataloge und 15 unterschiedliche Bewertungskriterien. Die Anwendung dieses Konzeptes erfolgt in drei separaten Schritten: Gewichtung der Kriterien, Bewertung der Kriterien und Ergebnisauswertung. Die Ergebnisse der Erprobung ließen sich durch eine prototypische Digitalisierung eines zuvor nicht-digitalen Geschäftsprozesses erfolgreich validieren. Das erstellte Bewertungskonzept erweitert die bisherige Literatur und bietet eine breite Grundlage für weiterführende Forschungs- und Entwicklungsarbeiten.

In der Energiebranche sind in jüngster Zeit marktseitige und netzseitige Veränderungsprozesse angestoßen worden. Verteilte, dezentrale Energieressourcen nehmen eine immer größer werdende Rolle im Energiesektor ein. Im Zuge dessen wird auch der Blockchain-Technologie großes Potential zur Disruption des Energiemarktes zugeschrieben. Moderne Blockchain-Technologien besitzen allerdings zahlreiche technische und konzeptionelle Limitierungen, wodurch die Einsatzfähigkeit für viele Anwendungsfälle nicht zwangsläufig gegeben ist. Häufig zeigt sich, dass Blockchain-Implementierungen durch Performance-Nachteile und geringen Funktionsumfang begrenzt sind. Die vorliegende Arbeit untersucht, ob dezentraler Energiehandel mithilfe eines alternativen Peer-to-Peer-Ansatzes (Chord) realisiert werden kann. Dabei steht die Frage im Mittelpunkt, ob die markt- und netzseitigen Komponenten des Energiemarktes innerhalb einer dezentralen Anwendung abgebildet werden können und welche Mehrwerte gegenüber einer Blockchain-Implementierung erzielt werden.