Einsatzmöglichkeiten und Potentiale Künstlicher Intelligenz zur Verbesserung der Stammdatenqualität in der Industrielogistik

Die zunehmende Digitalisierung und die steigende Komplexität in der Industrielogistik stellen Unternehmen vor große Herausforderungen im Stammdatenmanagement. Fehlerhafte oder unvollständige Stammdaten führen zu erheblichen betriebswirtschaftlichen Konsequenzen wie ineffizienten Lieferketten, erhöhten Betriebskosten und Fehlentscheidungen. Vor diesem Hintergrund untersucht diese Masterarbeit das Potenzial von Künstlicher Intelligenz (KI) zur Verbesserung der Stammdatenqualität in der Industrielogistik. Im Rahmen der Arbeit wurden zentrale KI-Technologien wie maschinelles Lernen, Natural Language Processing und Anomalieerkennung analysiert und deren Einsatzmöglichkeiten im Stammdatenmanagement systematisch untersucht. Die Methodik basiert auf einer systematischen Literaturrecherche nach PRISMA-Richtlinien, ergänzt durch eine Best-Practice-Analyse aus der Industrie. Die Ergebnisse zeigen, dass KI-basierte Ansätze dazu beitragen können, Stammdaten automatisiert zu bereinigen, Dubletten zu eliminieren und Inkonsistenzen zu reduzieren. Herausforderungen bestehen jedoch in der Interoperabilität zwischen verschiedenen ERP-, SCM- und PDM-Systemen, in hohen Implementierungskosten sowie in regulatorischen und ethischen Fragen. Eine weiterführende empirische Validierung durch Fallstudien oder Experteninterviews wäre erforderlich, um die theoretischen Erkenntnisse dieser Arbeit praktisch zu untermauern. Die Forschungsergebnisse legen nahe, dass KI-gestützte Stammdatenoptimierung insbesondere in Kombination mit menschlicher Expertise erfolgversprechend ist. Während KI repetitive und fehleranfällige Aufgaben effizienter gestalten kann, bleibt die menschliche Kontrolle essenziell, um Fehlentscheidungen aufgrund fehlerhafter Trainingsdaten zu vermeiden. Aufgrund der heterogenen Systemlandschaften in Unternehmen und der begrenzten Dokumentation praktischer Implementierungen besteht weiterhin Forschungsbedarf zur empirischen Validierung der entwickelten Ansätze. Abschließend wird deutlich, dass KI ein großes Potenzial zur Optimierung der Stammdatenqualität bietet, die erfolgreiche Implementierung jedoch stark von unternehmensspezifischen Faktoren abhängt. Unternehmen sollten daher ein strategisches Stammdatenmanagement verfolgen, das technologische Innovationen mit strukturierten Datenqualitätsprozessen kombiniert, um sich langfristig Wettbewerbsvorteile zu sichern.