@phdthesis{Stein2019,
  author    = {Stein, Nikolai Werner},
  title     = {Advanced Analytics in Operations Management and Information Systems: Methods and Applications},
  doi       = {10.25972/OPUS-19266},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-192668},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2019},
  abstract  = {Die digitale Transformation der Gesellschaft birgt enorme Potenziale f{\"u}r Unternehmen aus allen Sektoren. Diese verf{\"u}gen aufgrund neuer Datenquellen, wachsender Rechenleistung und verbesserter Konnektivit{\"a}t {\"u}ber rasant steigende Datenmengen. Um im digitalen Wandel zu bestehen und Wettbewerbsvorteile in Bezug auf Effizienz und Effektivit{\"a}t heben zu k{\"o}nnen m{\"u}ssen Unternehmen die verf{\"u}gbaren Daten nutzen und datengetriebene Entscheidungsprozesse etablieren. Dennoch verwendet die Mehrheit der Firmen lediglich Tools aus dem Bereich „descriptive analytics" und nur ein kleiner Teil der Unternehmen macht bereits heute von den M{\"o}glichkeiten der „predictive analytics" und „prescriptive analytics" Gebrauch. Ziel dieser Dissertation, die aus vier inhaltlich abgeschlossenen Teilen besteht, ist es, Einsatzm{\"o}glichkeiten von „prescriptive analytics" zu identifizieren. Da pr{\"a}diktive Modelle eine wesentliche Voraussetzung f{\"u}r „prescriptive analytics" sind, thematisieren die ersten beiden Teile dieser Arbeit Verfahren aus dem Bereich „predictive analytics." Ausgehend von Verfahren des maschinellen Lernens wird zun{\"a}chst die Entwicklung eines pr{\"a}diktiven Modells am Beispiel der Kapazit{\"a}ts- und Personalplanung bei einem IT-Beratungsunternehmen veranschaulicht. Im Anschluss wird eine Toolbox f{\"u}r Data Science Anwendungen entwickelt. Diese stellt Entscheidungstr{\"a}gern Richtlinien und bew{\"a}hrte Verfahren f{\"u}r die Modellierung, das Feature Engineering und die Modellinterpretation zur Verf{\"u}gung. Der Einsatz der Toolbox wird am Beispiel von Daten eines großen deutschen Industrieunternehmens veranschaulicht. Verbesserten Prognosen, die von leistungsf{\"a}higen Vorhersagemodellen bereitgestellt werden, erlauben es Entscheidungstr{\"a}gern in einigen Situationen bessere Entscheidungen zu treffen und auf diese Weise einen Mehrwert zu generieren. In vielen komplexen Entscheidungssituationen ist die Ableitungen von besseren Politiken aus zur Verf{\"u}gung stehenden Prognosen jedoch oft nicht trivial und erfordert die Entwicklung neuer Planungsalgorithmen. Aus diesem Grund fokussieren sich die letzten beiden Teile dieser Arbeit auf Verfahren aus dem Bereich „prescriptive analytics". Hierzu wird zun{\"a}chst analysiert, wie die Vorhersagen pr{\"a}diktiver Modelle in pr{\"a}skriptive Politiken zur L{\"o}sung eines „Optimal Searcher Path Problem" {\"u}bersetzt werden k{\"o}nnen. Trotz beeindruckender Fortschritte in der Forschung im Bereich k{\"u}nstlicher Intelligenz sind die Vorhersagen pr{\"a}diktiver Modelle auch heute noch mit einer gewissen Unsicherheit behaftet. Der letzte Teil dieser Arbeit schl{\"a}gt einen pr{\"a}skriptiven Ansatz vor, der diese Unsicherheit ber{\"u}cksichtigt. Insbesondere wird ein datengetriebenes Verfahren f{\"u}r die Einsatzplanung im Außendienst entwickelt. Dieser Ansatz integriert Vorhersagen bez{\"u}glich der Erfolgswahrscheinlichkeiten und die Modellqualit{\"a}t des entsprechenden Vorhersagemodells in ein „Team Orienteering Problem."},
  subject      = {Operations Management},
  language  = {en}
}
@article{OberdorfSchaschekWeinzierletal.2023,
  author    = {Oberdorf, Felix and Schaschek, Myriam and Weinzierl, Sven and Stein, Nikolai and Matzner, Martin and Flath, Christoph M.},
  title     = {Predictive end-to-end enterprise process network monitoring},
  series = {Business \& Information Systems Engineering},
  volume    = {65},
  journal   = {Business \& Information Systems Engineering},
  number    = {1},
  issn      = {2363-7005},
  doi       = {10.1007/s12599-022-00778-4},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-323814},
  pages     = {49-64},
  year      = {2023},
  abstract  = {Ever-growing data availability combined with rapid progress in analytics has laid the foundation for the emergence of business process analytics. Organizations strive to leverage predictive process analytics to obtain insights. However, current implementations are designed to deal with homogeneous data. Consequently, there is limited practical use in an organization with heterogeneous data sources. The paper proposes a method for predictive end-to-end enterprise process network monitoring leveraging multi-headed deep neural networks to overcome this limitation. A case study performed with a medium-sized German manufacturing company highlights the method's utility for organizations.},
  language  = {en}
}
@article{GriebelSegebarthSteinetal.2023,
  author    = {Griebel, Matthias and Segebarth, Dennis and Stein, Nikolai and Schukraft, Nina and Tovote, Philip and Blum, Robert and Flath, Christoph M.},
  title     = {Deep learning-enabled segmentation of ambiguous bioimages with deepflash2},
  series = {Nature Communications},
  volume    = {14},
  journal   = {Nature Communications},
  doi       = {10.1038/s41467-023-36960-9},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-357286},
  year      = {2023},
  abstract  = {Bioimages frequently exhibit low signal-to-noise ratios due to experimental conditions, specimen characteristics, and imaging trade-offs. Reliable segmentation of such ambiguous images is difficult and laborious. Here we introduce deepflash2, a deep learning-enabled segmentation tool for bioimage analysis. The tool addresses typical challenges that may arise during the training, evaluation, and application of deep learning models on ambiguous data. The tool's training and evaluation pipeline uses multiple expert annotations and deep model ensembles to achieve accurate results. The application pipeline supports various use-cases for expert annotations and includes a quality assurance mechanism in the form of uncertainty measures. Benchmarked against other tools, deepflash2 offers both high predictive accuracy and efficient computational resource usage. The tool is built upon established deep learning libraries and enables sharing of trained model ensembles with the research community. deepflash2 aims to simplify the integration of deep learning into bioimage analysis projects while improving accuracy and reliability.},
  language  = {en}
}