Machine Learning (ML) ist eine Schlüsseltechnologie des 21. Jahrhunderts und ein Teilbereich der Künstlichen Intelligenz. Durch mathematisch-statistische Verfahren können technische Systeme entwickelt werden, die selbstständig empirische Zusammenhänge aus Daten erkennen und ihr Verhalten anpassen, um betriebliche Probleme zu lösen. Aufgrund der Komplexität von Planungs-, Steuerungs- und Kontrollaufgaben in industriellen Wertschöpfungsketten wird ML eine bedeutende Rolle in logistischen Entscheidungsprozessen zugeschrieben. Die Dissertation untersucht zentrale Fragestellungen zum Einsatz von ML im Logistikmanagement und bezieht aktuelle Forschung sowie praktische Anwendungen ein. Es werden Möglichkeiten, Auswirkungen, Potenziale und Grenzen ermittelt, ebenso wie die notwendigen Voraussetzungen für eine erfolgreiche Implementierung. Das Ergebnis ist ein Gestaltungsansatz, der strukturierte Maßnahmen zur Realisierung domänen- und technologiespezifischer Voraussetzungen aufzeigt. Diese Maßnahmen umfassen infrastrukturelle Aktivitäten zur Datenintegration, organisatorische Schritte zur Umsetzung von ML-Projekten und den Umgang mit veränderten Mitarbeiterrollen. Der interdisziplinäre und praxisorientierte Ansatz bietet Unternehmen ein nützliches Instrument zur Bewältigung der Herausforderungen bei der Einführung von ML im Logistikmanagement. Führungskräfte können so systematisch das Wissen für den erfolgreichen Technologieeinsatz au
