ResearchGate: https://www.researchgate.net/profile/Fabian-Behrendt

ORCiD: https://www.orcid.org/0000-0001-6521-3179

Scopus: https://www.scopus.com/authid/detail.uri?authorId=57197824476

Google Scholar: https://scholar.google.de/citations?user=ynav6ngAAAAJ&hl=de&oi=ao

Bereich Operations

Prof. Dr. Fabian Behrendt
fabian.behrendt@h2.de

Eric Peuschel
eric.peuschel@h2.de

Daniel Menschulin
daniel.menschulin@h2.de

• Die Bedeutung von KI für Unternehmen in der ... (Branche)
  Die Arbeit könnte analysieren, wie KI spezifische Herausforderungen in einer gewählten Branche, wie z.B. der Automobil- oder Gesundheitsbranche, lösen kann und welche Wettbewerbsvorteile durch ihre Implementierung entstehen. Zudem könnten Risiken und ethische Aspekte des KI-Einsatzes thematisiert werden.
  
  
• Die Bedeutung von KI zur Schaffung resilienter Organisationsstrukturen
  Dieses Thema untersucht, wie KI-gestützte Systeme zur Vorhersage und Anpassung an interne und externe Störungen beitragen und somit die Resilienz von Unternehmen stärken. Ein Fokus könnte auf der Integration von KI in Entscheidungsprozesse zur Reaktionsschnelligkeit und Risikominderung liegen.
  
  
• Untersuchung innovativer KI-Lösungen für die Supply Chain
  Die Arbeit analysiert verschiedene KI-basierte Technologien zur Verbesserung von Effizienz und Agilität in der Lieferkette, z.B. durch Nachfrageprognosen oder Lageroptimierung. Es könnte auch evaluiert werden, wie solche Lösungen die Reaktionsfähigkeit und Kosteneffizienz fördern.
  
  
• Generative KI zur Optimierung von Unternehmensstrukturen
  Diese Untersuchung könnte sich auf die Anwendung generativer KI-Modelle zur Umgestaltung und Effizienzsteigerung von Unternehmensprozessen konzentrieren. Potenzielle Schwerpunkte könnten auf der Unterstützung in der Planung, Automatisierung und in der Entscheidungsfindung liegen.
  
  
• Computer Vision zur Schaffung einer transparenten Produktions- und Lieferkette
  Im Fokus könnte die Nutzung von Computer Vision für Echtzeit-Tracking und Qualitätskontrolle entlang der gesamten Wertschöpfungskette stehen. Die Arbeit könnte aufzeigen, wie Transparenz und Effizienz durch automatisierte Erfassung und Analyse visueller Daten gesteigert werden.
  
  
• Blockchain Technologie zur Schaffung einer digitalen Supply Chain für die Steigerung der Resilienz
  Hier könnten Anwendungen von Blockchain zur Verbesserung der Nachverfolgbarkeit, Datensicherheit und Zuverlässigkeit in der Lieferkette analysiert werden. Zudem könnte die Bedeutung dieser Technologie für die Reduzierung von Störungen und die Stärkung der Widerstandsfähigkeit von Liefernetzwerken untersucht werden.
  
  
• Risiko- und Potentialanalyse des KI-Einsatzes in der Lieferkette
  Diese Analyse könnte die möglichen Risiken wie Datenschutz oder Abhängigkeiten durch KI-Lösungen in der Supply Chain erörtern. Parallel könnten Chancen betrachtet werden, die sich aus der Optimierung und Effizienzsteigerung durch KI ergeben.
  
  
• Die Rolle von KI in der Kreislaufwirtschaft - Eine Fallstudie
  Eine Fallstudie könnte untersuchen, wie KI-basierte Technologien in der Kreislaufwirtschaft zur Optimierung von Recyclingprozessen oder zur Ressourcenschonung eingesetzt werden. Konkrete Anwendungsbeispiele könnten veranschaulichen, wie KI die Nachhaltigkeit in Unternehmen unterstützt.
  
  
• Nachhaltiges Ressourcenmanagement - Der Einsatz von KI zur Minimierung des Materialverbrauchs in der Produktion mittelständischer Unternehmen
  Die Arbeit könnte sich mit KI-Methoden zur Effizienzsteigerung in der Materialnutzung befassen und zeigen, wie Produktionsabfälle in KMUs reduziert werden können. Sie könnte zusätzlich untersuchen, wie KI-Systeme gezielte Vorhersagen und Anpassungen im Produktionsprozess ermöglichen.
  
  
• Risikobewertung in nachhaltigen Geschäftsmodellen - Wie KI mittelständischen Unternehmen helfen kann, nachhaltige, risikobasierte Entscheidungen zu treffen
  Diese Untersuchung könnte aufzeigen, wie KI für die Identifikation und Quantifizierung von Risiken in nachhaltigen Geschäftsmodellen genutzt werden kann. Ein Fokus könnte darauf liegen, wie KI datengetriebene Entscheidungen zur Balance zwischen Nachhaltigkeit und Rentabilität unterstützt.
  
  
• Einsatz von Machine Learning zur Optimierung von Lagerbeständen
  Hier könnte die Effizienzsteigerung durch Machine Learning-Modelle in der Lagerbestandsverwaltung, z.B. durch genauere Prognosen und Bestandsoptimierung, analysiert werden. Die Arbeit könnte auch aufzeigen, wie solche Systeme zu einer Reduzierung von Lagerkosten und Überbeständen beitragen.