Ein stark wachsender Bereich der Wirtschaftsinformatik beschäftigt sich mit der Anwendung von Algorithmen und mathematischen Verfahren auf vielfältige Datenmengen, um (Entscheidungs-)Probleme von Organisationen zu lösen. Dies ermöglicht die Adressierung einer Reihe von gesellschaftlichen und wirtschaftlichen Herausforderungen: Wie können Verkehrs-, Transport- und Energie-Infrastrukturen ökologisch nachhaltig geplant werden? Wie kann ein modernes Industrieunternehmen Geschäfts- und Produktionsprozesse (Supply Chain) optimieren? Wie kann die Kundeninteraktion (z.B. über Empfehlungssysteme) automatisiert werden? Wie kann eine Betrugserkennung bei Finanzströmen im Internet in Echtzeit realisiert werden? Solche Fragen werden beispielsweise auf der
INFORMS Jahrestagung, auf der
Wirtschaftsinformatik-Tagung, aber auch in den GOR Arbeitsgruppen
Analytics und
Wirtschaftsinformatik diskutiert.
Nie gab es eine bessere Zeit, um intelligente Anwendungen zu entwickeln und sie zu nutzen. Warum? Weil vier Dinge zusammenkommen: zunehmende Vernetzung von Menschen und Geräten, günstiger und schneller Speicher, Zugriff auf große Datenmengen und große Rechenleistung.
Wirtschaftsinformatiker*innen greifen diese Entwicklungen und Chancen auf und bringen die Gebiete der Künstlichen Intelligenz, des Maschinelles Lernens, der Optimierung, des High Performance Computing, und der Simulation ein, um daten-analytische Prozesse zur gewinnbringenden Kombination künstlich-maschineller und menschlicher Intelligenz zu gestalten und damit mit modernen Informationssystemen vielfältigen Nutzen für Organisationen, Gesellschaften und Menschen zu generieren. Mathematische und algorithmische Kenntnisse sind grundlegend für diese Forschung und entsprechende
Berufsbilder. Beispiele für aktuelle Forschungsarbeiten:
- Amberg, Bastian, Boris Amberg, and Natalia Kliewer, Robust efficiency in urban public transportation: Minimizing delay propagation in cost-efficient bus and driver schedules Transportation Science
- Wolfgang Kratsch, Jonas Manderscheid, Maximilian Röglinger, Johannes Seyfried, Machine Learning in Business Process Monitoring: A Comparison of Deep Learning and Classical Approaches Used for Outcome Prediction, Business & Information Systems Engineering
- Ana Maria Ferreiro-Ferreiro, José Antonio García-Rodríguez, Luis A. Souto & Carlos Vázquez, Efficient Model Points Selection in Insurance by Parallel Global Optimization Using Multi CPU and Multi GPU, Business & Information Systems Engineering
- Martina Fischetti & David Pisinger, Mathematical Optimization and Algorithms for Offshore Wind Farm Design: An Overview, Business & Information Systems Engineering
- Redmond, Michael, Ann M. Campbell, and Jan F. Ehmke, The most reliable flight itinerary problem, Networks