Wirtschaftsinformatik, insb. Business Analytics
Prof. Dr. Konstantin Hopf
Wirtschaftsinformatik, insb. Business Analytics 

Prof. Dr. Konstantin Hopf

Kontakt

Konstantin Hopf
Prof. Dr. Konstantin Hopf

Zusammenfassung

Prof. Dr. Konstantin Hopf ist Professor (W3) für Wirtschaftsinformatik, insbesondere Business Analytics, an der TU Chemnitz. Zuvor baute er die Forschungsgruppe Machine Learning & Data Work in Organizations an der Universität Bamberg auf. Seine Forschungsschwerpunkte liegen auf erklärbarem maschinellem Lernen und der datengetriebenen Entscheidungsunterstützung, z. B. im Bereich Stromnetzbetrieb und digitaler Hochschullehre. Ergebnisse seiner Arbeit erscheinen regelmäßig in führenden Informationssystem-Zeitschriften (z. B. Journal of Information Technology, Journal of Strategic Information Systems) und internationalen Fachtagungen. Mehrere seiner Beiträge wurden mit Preisen aus Wissenschaft und Wirtschaft ausgezeichnet.

Preise und Auszeichnungen (Auswahl)

  • 06/2025: Auszeichnung als AIS Distinguished Member der Association for Information Systems
  • 03/2025: Nominierung für den Heinz-Maier-Leibnitz-Preis der DFG
  • 10/2024: Urwick Memorial Cup der Worshipful Company of Management Consultants für den Artikel "Organizational Implementation of AI: Craft and Mechanical Work" zusammen mit A. Shollo, T. Thiess und O. Müller
  • 10/2024: CMCE Research Award in der Kategorie "Technology and consulting" für den Artikel "Organizational Implementation of AI: Craft and Mechanical Work" zusammen mit A. Shollo, T. Thiess und O. Müller
  • 09/2024: Best Paper Award der 19. Internationalen Tagung Wirtschaftsinformatik für den Beitrag "Bridging Fields of Practice: How Boundary Objects Enable Collaboration in Data Science Initiatives" zusammen mit N. Rahlmeier
  • 12/2023: AIS Senior Scholars' Best Information Systems Publications Award für den Beitrag "Shifting ML Value Creation Mechanisms: A process model of ML value creation" zusammen mit A. Shollo, T. Thiess und O. Müller
  • 09/2023: Best Paper Award der 18. Internationalen Tagung Wirtschaftsinformatik für den Beitrag "Addressing Learners’ Heterogeneity in Higher Education: An Explainable AI-based Feedback Artifact for Digital Learning Environments" zusammen mit F. Haag, M. Klose, P. Handschuh, S. Günther und T. Staake
  • 06/2023: Best Associate Editor, 31. European Conference on Information Systems (ECIS), Kristiansand, 11.-16. Juni 2023
  • 03/2023: Journal of Strategic Information Systems 2022 Best Paper Award für den Beitrag "Shifting ML Value Creation Mechanisms: A process model of ML value creation" zusammen mit A. Shollo, T. Thiess und O. Müller
  • 12/2019: AIS 2018 SIGGREEN Best Journal Paper on Green IS für Beitrag "Enhancing Energy Efficiency in the Residential Sector with Smart Meter Data Analytics" in Electronic Markets 28(4) zusammen mit T. Staake und M. Sodenkamp

Projekte

Laufende Forschungskooperationen und Projekte

Der Lehrstuhl befindet sich aktuell im Aufbau. Die laufenden Forschungskooperationen und Projekte werden in Kürze ergänzt.

 

Abgeschlossene Projekte

Dieses Projekt hat Dr. Konstantin Hopf in seiner Arbeitsgruppe an der Universität Bamberg eingeworben und geleitet.

Die Integration erneuerbarer Energieträger im Privatbereich wird insbesondere durch die Kopplung der Verbrauchssektoren Strom, Wärme und Mobilität ermöglicht. Um die enormen Potenziale zu heben, müssen Energielösungen für den Privatbereich konsequent durchdacht werden, doch steigt mit der Kopplung von Verbrauchssektoren die dafür erforderliche Digitalisierung, aber auch der Anspruch an die Akteure bei Entwicklung, Parametrierung, Optimierung und Vermarktung der Technologien. Umfangreiche Energiedaten (aus Systemen, Verbrauch und Verhalten) und KI-Verfahren können helfen neue Energiedienstleistungen zu ermöglichen, den Netzbetrieb zu optimieren und eine stärkere Verbreitung von Technologien für nachhaltige Energieversorgung zu fördern. Im Rahmen des Projekts haben wir das Potenzial aus vorhandenen Energiedaten für solche Anwendungen nutzbar gemacht. Die im Einsatz getestete Big-Data-Analytics (BDA) Toolbox des Projekts unterstützt Haushalte und Energieversorger mit Machine-Learning-Technologie, um die Sektorkopplung voranzutreiben.

Das Projekt wurde im Zeitraum 01.07.2021 – 28.02.2025 gefördert durch das Bayerische Verbundforschungsprogramm, Förderlinie Digitalisierung – Informations- und Kommunikationstechnologie

Projektpartner:

Das Metall-Ultraschallschweißen ist das bevorzugte Verfahren zum Fügen von Aluminiumlitzen mit Kupferterminals in Hochvolt-Bordnetzen. Die Qualitätssicherung erfolgt bislang überwiegend durch zerstörende Stichproben und Grenzwertüberwachung skalarer Größen, wie z.B. der Schweißknotenhöhe, wodurch fehlerhafte Verbindungen unentdeckt bleiben bzw. Pseudoausschuss entsteht.

Das Forschungsziel des Forschungsvorhabens setzt sich aus zwei Teilzielen zusammen. Zum einen soll eine geeignete Methode des maschinellen Lernens identifiziert werden, welche sich für den Einsatz als zuverlässige, kostengünstige und einfache Inline-Prozessüberwachungsmethode eignet, um realen sowie Pseudo-Ausschuss zu vermeiden und die Kosten für bislang stichprobenartig durchgeführte, zerstörende Prüfungen, die sich auch aus Kundenanforderungen ergeben, sukzessive und nachhaltig abzubauen. Dabei soll die zu entwickelnde Prozessüberwachung nicht nur eine Unterscheidung in Gut- und Schlechtschweißung ermöglichen, sondern ebenso für den Fall einer Schlechtschweißung den Fehlertyp erkennen, um dem Maschinenbediener Handlungsanweisungen geben zu können. Darüber hinaus wird eine Prognose der Ausreißkraft der geschweißten Verbindungen angestrebt. Zum anderen soll die Frage beantwortet werden „Resultiert eine maximale Scherzugfestigkeit in einer maximalen Strombelastbarkeit?“, um zukünftig den Anwender bei der Auswahl der anwendungsrelevantesten Zielgröße für die Bestimmung bestmöglicher Schweißparameter (Ausgangspunkt für das maschinelle Lernen) zu unterstützen.

Dieses Projekt hat Dr. Konstantin Hopf in seiner Arbeitsgruppe an der Universität Bamberg eingeworben und geleitet.

Durch die Anwendung maschineller Lernverfahren auf große Datenmengen des privaten Energiekonsums und den Einsatz moderner Feedback-Technologien haben wir in diesem Verbundprojekt eine Kundenbindungsplattform als ausgereiften Prototyp entwickelt. Diese digitale Plattform ermöglicht eine handlungsorientierte und auf den einzelnen Haushalt zugeschnittene Kommunikation, welche private Haushalte zu mehr Energieeffizienz anleitet. Aufbauend auf der entwickelten Energieeffizienz-Plattform haben wir zusammen mit einem Energieanbieter in Frankreich neuartige Dienstleistungen entwickelt, welche die Energieeffizienz und nachhaltige Energienutzung im Privatbereich förderten.

Das Teilprojekt der Universität Bamberg umfasste die (Weiter-)Entwicklung und Evaluation von maschinellen Lernverfahren, welche die Grundlage für die intelligente Energieeffizienzplattform bildeten. Wir haben Machine-Learning-Modelle vorangebracht, welche Haushaltseigenschaften (Wohnungsgröße, Anzahl der Bewohner oder Geräte, usw.) oder die Bereitschaft von Kunden zur Teilnahme an Energieeffizienz- oder Lastverschiebungskampagnen mit Hilfe von Lastkurven, Standortinformationen und anderen Datenquellen vorhersagen konnten.

Gefördert durch das Eurostars Programm der Europäischen Union

Projektlaufzeit: 01.12.2020 – 31.05.2022

Projektpartner:

ESF-Logo

Die Energiewende verändert durch die vorwiegende Einspeisung erneuerbarer Energien das Verfügbarkeitsprofil von Elektroenergie grundlegend. Die ESF-geförderte Nachwuchsforschergruppe verfolgt das Ziel, regionale Energieangebots- und -nachfrageunterschiede durch die zeitliche und räumliche Beeinflussung des Energieverbrauchs von Datenzentren auszugleichen. Die Nachwuchsforschergruppe besteht aus einem interdisziplinären Team aus den Bereichen der Mathematik (ADM), Elektrotechnik (EHT, KN, ACSD) und Wirtschaftswissenschaften (SEAS).

Weitere Informationen

 

Alle Projekte der Professur anzeigen

Ausgewählte wissenschaftliche Beiträge

KI-Wertschöpfung und Datenarbeit in Organisationen

Hopf, K. (2026). Betriebliche Wertschöpfung durch KI: Prozessmodell für eine langfristige Perspektive. In U. Haneke, M. Zimmer & S. Trahasch (Hrsg.), Künstliche Intelligenz für Business Analytics: Grundlagen, Architekturen und Anwendungen (S. 157–168). dpunkt Verlag.

Hopf, K., Joshi, M., Shollo, A., & Stelmaszak, M. (2025). Data-based craft: How data scientists craft their data, models, and products. Research in the Sociology of Organizations, 95, 19–43. DOI: 10.1108/S0733-558X20250000095002

Rahlmeier, N., & Hopf, K. (2024). Bridging fields of practice: How boundary objects enable collaboration in data science initiatives. Wirtschaftsinformatik 2024 Proceedings, Würzburg. [Volltext] — WI'24 Best Paper Award

Hopf, K., Joshi, M., Stelmaszak, M., & Shollo, A. (2024). Crafting ever-changing data products: Towards a human-centered process model of data work. ECIS 2024 Proceedings (S. 1–17), Paphos, Zypern.

Hopf, K., Müller, O., Shollo, A., & Thiess, T. (2023). Organizational implementation of AI: Craft and mechanical work. California Management Review, 66(1), 23–47. DOI: 10.1177/00081256231197445 [Volltext] — CMCE Research Award 2024; Urwick Memorial Prize 2024

Hopf, K., Weigert, A., & Staake, T. (2023). Value creation from analytics with limited data: A case study on the retailing of durable consumer goods. Journal of Decision Systems, 32(2), 289–325. DOI: 10.1080/12460125.2022.2059172

Shollo, A., Hopf, K., Thiess, T., & Müller, O. (2022). Shifting ML value creation mechanisms: A process model of ML value creation. The Journal of Strategic Information Systems, 31(3), 101734. DOI: 10.1016/j.jsis.2022.101734 [Volltext] — JSIS Best Paper Award 2022; AIS Senior Scholars' Best Information Systems Publications Award 2023

Fteimi, N., & Hopf, K. (2021). Knowledge management in the era of artificial intelligence: Developing an integrative framework. ECIS 2021 Proceedings, Marrakesch, Marokko / virtuell.

 

Energie und Verteilnetzbetrieb

Ghimire, S., Deo, R. C., Liu, H., Hopf, K., Nguyen-Huy, T., Casillas-Pérez, D., Pérez-Aracil, J., & Salcedo-Sanz, S. (2026). Explainable Singular Spectrum Analysis deep learning model for half-hourly electricity price prediction. Applied Energy, 410, 127556. DOI: 10.1016/j.apenergy.2026.127556

Lorenz, C., Bayer, D. R., Pruckner, M., Staake, T., & Hopf, K. (2026). Do dynamic electricity tariffs change the gains of residential PV-battery systems? A simulation-based evaluation using data from 448 households. Energy Policy, 209(Part A), 114952. DOI: 10.1016/j.enpol.2025.114952 [Volltext]

Potthoff, U., Brudermüller, T., Hopf, K., & Wortmann, F. (2025). Optimization of heating curves for heat pumps in operation: Outdoor temperature ranges for energy-efficient heating curve shifts. Applied Energy, 389, 125725. DOI: 10.1016/j.apenergy.2025.125725

Ghimire, S., Deo, R. C., Hopf, K., Liu, H., Casillas-Pérez, D., Helwig, A., Prasad, S. S., Pérez-Aracil, J., Barua, P. D., & Salcedo-Sanz, S. (2025). Half-hourly electricity price prediction model with explainable-decomposition hybrid deep learning approach. Energy and AI, 20, 100492. DOI: 10.1016/j.egyai.2025.100492

Bayer, D. R., Haag, F., Pruckner, M., & Hopf, K. (2024). Electricity demand forecasting in future grid states: A digital twin-based simulation study. Proceedings of the 9th International Conference on Smart and Sustainable Technologies (SpliTech) (S. 1–6), Split, Kroatien. DOI: 10.23919/SpliTech61897.2024.10612563 [Preprint]

Giacomazzi, E., Haag, F., & Hopf, K. (2023). Short-term electricity load forecasting using the Temporal Fusion Transformer: Effect of grid hierarchies and data sources. Proceedings of the 14th ACM International Conference on Future Energy Systems (e-Energy '23) (S. 353–360), Orlando, FL, USA. DOI: 10.1145/3575813.3597345 [Preprint]

Hopf, K., Hartstang, H., & Staake, T. (2023). Meta-regression analysis of errors in short-term electricity load forecasting. Companion Proceedings of the 14th ACM International Conference on Future Energy Systems (e-Energy '23) (S. 32–39), Orlando, FL, USA. DOI: 10.1145/3599733.3600248 [Preprint]

Weigert, A., Hopf, K., Günther, S. A., & Staake, T. (2022). Heat pump inspections result in large energy savings when a pre-selection of households is performed: A promising use case of smart meter data. Energy Policy, 169, 113156. DOI: 10.1016/j.enpol.2022.113156

Weigert, A., Hopf, K., Weinig, N., & Staake, T. (2020). Detection of heat pumps from smart meter and open data. Energy Informatics, 3(Suppl. 1), 21. DOI: 10.1186/s42162-020-00124-6 — Best Paper Nominee, 9. D-A-CH+ Conference on Energy Informatics

Hopf, K., Sodenkamp, M., & Staake, T. (2018). Enhancing energy efficiency in the residential sector with smart meter data analytics. Electronic Markets, 28(4), 453–473. DOI: 10.1007/s12525-018-0290-9 — AIS SIGGREEN Best Journal Paper on Green IS 2018

Hopf, K. (2018). Mining volunteered geographic information for predictive energy data analytics. Energy Informatics, 1, 4. DOI: 10.1186/s42162-018-0009-3

 

Erklärbarkeit, Mensch-KI-Entscheidung und Lernunterstützung

Haag, F., Hopf, K., & Staake, T. (2025). Validating explainer methods: A functionally grounded approach for numerical forecasting. Journal of Forecasting, 45(2), 819–836. DOI: 10.1002/for.70060 [Volltext]

Hopf, K., Merz, S., & Shollo, A. (2026). Procedural justice and the limits of explanations in human-AI decision-making. ECIS 2026 Proceedings, Mailand, Italien. (angenommen)

Hopf, K., Nahr, N., Staake, T., & Lehner, F. (2025). The group mind of hybrid teams with humans and intelligent agents in knowledge-intense work. Journal of Information Technology, 40(1), 9–34. DOI: 10.1177/02683962241296883

May, M., Hopf, K., Haag, F., Staake, T., & Wortmann, F. (2025). Fostering active student engagement in flipped classroom teaching with social normative feedback. Wirtschaftsinformatik 2025 Proceedings, Münster.

Haag, F., Günther, S. A., Hopf, K., Handschuh, P., Klose, M., & Staake, T. (2025). Addressing learners' heterogeneity in higher education: An explainable AI-based feedback artifact for digital learning environments. In Transforming the Digitally Sustainable Enterprise: Proceedings of the 18th International Conference on Wirtschaftsinformatik (Bd. 3, S. 511–527), Paderborn. Springer Nature Switzerland. DOI: 10.1007/978-3-031-80125-9_30 — WI'23 Best Paper Award

Haag, F., Stingl, C., Zerfass, K., Hopf, K., & Staake, T. (2023). Overcoming anchoring bias: The potential of AI and XAI-based decision support. ICIS 2023 Proceedings (S. 1–17), Hyderabad, Indien.

Günther, S. A., Haag, F., Hopf, K., Handschuh, P., Klose, M., & Staake, T. (2023). A feedback component that leverages counterfactual explanations for smart learning support. In L. Mrohs, J. Franz, D. Herrmann, K. Lindner & T. Staake (Hrsg.), Digitale Kulturen der Lehre entwickeln: Rahmenbedingungen, Konzepte und Werkzeuge (S. 285–291). Springer VS. DOI: 10.1007/978-3-658-43379-6_19

Haag, F., Hopf, K., Menelau Vasconcelos, P., & Staake, T. (2022). Augmented cross-selling through explainable AI: A case from energy retailing. ECIS 2022 Proceedings (S. 1–19), Timișoara, Rumänien. [Volltext] [Preprint]

Wastensteiner, J., Weiss, T. M., Haag, F., & Hopf, K. (2021). Explainable AI for tailored electricity consumption feedback: An experimental evaluation of visualizations. ECIS 2021 Proceedings (S. 1–19), Marrakesch, Marokko / virtuell. [Volltext] [Preprint]

 

Software-Bibliotheken

Hopf, K., Weigert, A., Kozlovskiy, I., & Staake, T. (2020). SmartMeterAnalytics: Methods for smart meter data analysis [R-Paket]. CRAN. https://cran.r-project.org/package=SmartMeterAnalytics

Hopf, K., Weigert, A., Weinig, N., & Staake, T. (2020). ResidentialEnergyConsumption: Residential energy consumption data [R-Paket]. CRAN. https://cran.r-project.org/package=ResidentialEnergyConsumption

Vorträge und Workshops

  • Explanations and Decision Behavior in Algorithmic Decision Support, MOREKIBA seminar, TU Chemnitz, 04.06.2026
  • From Data to Sustainability: How Machine Learning Can Optimize the Residential Energy Sector, Sino-German Frontiers of Science Symposium (SINOGFOS) Symposium der Alexander von Humboldt Stiftung, Mannheim, 10-13.04.2025
  • Panelist zum Thema "Transformation Skills: Arbeit im 21. Jahrhundert“ im Rahmen der Bildungskonferenz 2025 des Bitkom e.V., Online, 03.04.2025
  • Crafting AI: Spannung zwischen dem Handwerk von Data Scientists und Management, Vortrag im Rahmen der KI Navigator Konferenz 2024, Nürnberg, 20.11.2024
  • Panelist zum Thema “Zukunft im Dialog: Nimmt Künstliche Intelligenz uns die Jobs weg?” im Rahmen des Nürnberg Digital Festivals, 02.07.2024
  • KI-Evolution statt Revolution – Ein Prozessmodell für die betriebliche Wertschöpfung durch Machine-Learning-Anwendungen, Vortrag bei der Deutschen Telekom AG, Online am 08. und 15.05.2024
  • Value Creation with Machine Learning, Vortrag bei der QualityMinds GmbH, Online am 10.04.2024
  • Wegweiser für eine nachhaltige KI-Strategie: Ein Prozessmodell für Wertschöpfung durch KI in Unternehmen, Vortrag im Rahmen der KI Navigator Konferenz 2023, Nürnberg, 22.11.2023
  • Artificial intelligence (AI) strategy in practice: A process model for machine learning value creation in organizations, SAP Inspiration Sessions, Online am 15.11.2023
  • Electricity load forecasting using the Temporal Fusion Transformer, Forschungsvortrag im Rahmen der AI Keynote des Session des Lehrstuhls Artificial Intelligence in Management der LMU München (Prof. Dr. Stefan Feueriegel), Online am 27.01.2023
  • Shifting ML value creation mechanisms: A process model of ML value creation, Praxisvortrag im Rahmen des Nürnberg Data Science & AI Meetup in Nürnberg, 17.01.2023
  • Data Science and Craft Work, Forschungsvortrag im Rahmen des AIS SIG DITE Research Seminar der University of Hamburg (Prof. Dr. Jan Recker), Online am 08.12.2022
  • Smart Meter Analytics: Machine Learning mit Stromverbrauchsdaten für eine bessere Energienutzung im Privatsektor, Smart City Talk Stadt Osnabrück, Online am 01.12.2022

Engagement in der Fachcommunity

  • Editorial Board Member: The Journal of Strategic Information Systems
  • Kassenprüfer bei Die WI e.V.
  • Kassenwart bei AIS SIG Data
  • Track Chair „Data Science & Business Analytics", International Conference on Business Informatics (WI 2024, WI 2025, WI 2026); zuvor Associate Editor für Tracks der WI (2020, 2021, 2022, 2023)
    • Associate Editor, International Conference on Information Systems: „Data Management and Analytics" (ICIS 2026), „Generative AI: Deployment & Impact" (ICIS 2025), „Governance, Digital Strategy and Value" (ICIS 2024)
    • Associate Editor, Track „Business Analytics and Big Data", European Conference on Information Systems (ECIS 2020 bis ECIS 2025)