Hannes Temmel

• Diese Masterarbeit untersucht methodische Ansätze zur Einführung von Machine-Learning-Modellen in Klein- und Mittelbetrieben, mit dem Ziel, deren Geschäftsprozesse effizient zu optimieren und gleichzeitig die Anforderungen der Datenschutz-Grundverordnung (DSGVO) zu erfüllen. Angesichts der fortschreitenden Digitalisierung und der wachsenden Bedeutung datenbasierter Technologien stehen Klein- und Mittelbetriebe vor der Herausforderung, das Potential von Machine-Learning-Modellen zu nutzen, ohne dabei rechtliche, organisatorische und technische Hürden außer Acht zu lassen. Die Arbeit gliedert sich in einen theoretischen und einen empirischen Teil. Der theoretische Teil umfasst eine umfangreiche Literaturrecherche, die den aktuellen Stand der Forschung sowie die Anwendungsmöglichkeiten von Machine-Learning in unterschiedlichen Unternehmensbereichen analysiert. Dabei werden relevante Einsatzgebiete wie Marketing, Kundenkommunikation und Prozessautomatisierung identifiziert. Der empirische Teil basiert auf einem Design-Science-Research-Ansatz, der durch leitfadenbasierte Expert:inneninterviews ergänzt wird. Ziel ist es, praxisnahe Erkenntnisse zu den Herausforderungen, Vorteilen und Erfolgsfaktoren bei der Implementierung von Machine-Learning in Klein- und Mittelbetrieben zu gewinnen. Das zentrale Ergebnis der Arbeit ist die Entwicklung eines Leitfadens, der Klein- und Mittelbe-triebe dabei unterstützt, Machine-Learning ressourcenschonend und datenschutzkonform einzusetzen. Der Leitfaden beinhaltet Handlungsempfehlungen zur Datenaufbereitung, zur Auswahl geeigneter Machine-Learning-Modelle und zur Berücksichtigung regulatorischer Anforderungen. Die durchgeführten Interviews zeigen, dass Machine-Learning insbesondere in Bereichen wie der Automatisierung von Geschäftsprozessen und der datenbasierten Entscheidungsfindung zu signifikanten Effizienzsteigerungen beitragen kann. Gleichzeitig wird auf Herausforderungen wie die Sicherstellung der Datenqualität und die Einhaltung der DSG-VO eingegangen.
• This master’s thesis explores methodological approaches for implementing machine learning algorithms in small and medium-sized enterprises with the objective of efficiently optimising their business processes while adhering to the requirements of the General Data Protection Regulation. Amid advancing digitalisation and the growing significance of data-driven technologies, small and medium-sized enterprises face the challenge of harnessing the potential of machine learning without disregarding legal, organisational, and technical obstacles.The thesis is structured into theoretical and empirical sections. The theoretical part comprises an extensive literature review that examines the current state of research and the potential applications of machine learning across various business domains. Key application areas, including marketing, customer communication, and process automation, are identified. The empirical section adopts a design science research approach, complemented by guideline-based expert interviews. The objective is to obtain practical insights into the challenges, benefits, and success factors associated with implementing machine learning in small and medium-sized enterprises. The primary outcome of this study is the development of a guideline designed to assist small and medium-sized enterprises in leveraging machine learning in a resource-efficient and General Data Protection Regulation-compliant manner. The guideline provides recommendations on data preparation, selecting appropriate machine learning mod-els, and addressing regulatory considerations.The findings from the expert interviews indicate that machine learning can significantly enhance efficiency, particularly in areas such as business process automation and data-driven decision-making. At the same time, challenges such as ensuring data quality and achieving compliance with the General Data Protection Regulation are addressed.