Information Systems and Business Analytics
Prof. Dr. Konstantin Hopf
Information Systems and Business Analytics 

Prof. Dr. Konstantin Hopf

Contact

Konstantin Hopf
Prof. Dr. Konstantin Hopf

Summary

Prof. Dr. Konstantin Hopf holds the Chair of Information Systems and Business Analytics at Chemnitz University of Technology. Prior to this appointment, he established the research group Machine Learning & Data Work in Organizations at the University of Bamberg. His research focuses on explainable machine learning and data-driven decision support, for example in the areas of power grid operations and higher education. The results of his work are regularly published in leading information systems journals (e.g., Journal of Information Technology, Journal of Strategic Information Systems) and presented at international academic conferences. His research has received several awards from both academia and industry.

Konstantin Hopf is an active member of the Information Systems community. He serves as a Track Chair and Associate Editor for leading conferences in the field (WI, ECIS, ICIS), is member of the editorial board of The Journal of Strategic Information Systems. In addition, he holds service roles in the academic community, including serving as auditor of Die WI e.V. and designated treasurer of the newly established AIS SIG Data.

Awards and Honors (Selection)

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

Projects

Ongoing research collaborations and projects

The chair is currently being established. The ongoing research collaborations and projects will be added shortly.


Completed projects

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

 

View all projects from the chair

Selected scientific contributions

AI Value Creation and Data Work in Organizations

Hopf, K. (2026). Betriebliche Wertschöpfung durch KI: Prozessmodell für eine langfristige Perspektive. In U. Haneke, M. Zimmer & S. Trahasch (Eds.), Künstliche Intelligenz für Business Analytics: Grundlagen, Architekturen und Anwendungen (pp. 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. [Full text] — 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 (pp. 1–17), Paphos, Cyprus.

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 [Full text] — 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 [Full text] — 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, Marrakech, Morocco / virtual.

 

Energy and Distribution Grid Operations

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 [Full text]

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) (pp. 1–6), Split, Croatia. 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) (pp. 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) (pp. 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

 

Explainability, Human-AI Decision-Making and Learning Support

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 [Full text]

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

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 (Vol. 3, pp. 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 (pp. 1–17), Hyderabad, India.

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 (Eds.), Digitale Kulturen der Lehre entwickeln: Rahmenbedingungen, Konzepte und Werkzeuge (pp. 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 (pp. 1–19), Timișoara, Romania. [Full text] [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 (pp. 1–19), Marrakech, Morocco / virtual. [Full text] [Preprint]

 

Software Libraries

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

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

Talks and Workshops

  • Explanations and Decision Behavior in Algorithmic Decision Support, MOREKIBA seminar, Chemnitz University of Technology, June 4, 2026
  • From Data to Sustainability: How Machine Learning Can Optimize the Residential Energy Sector, Sino-German Frontiers of Science Symposium (SINOGFOS) of the Alexander von Humboldt Foundation, Mannheim, April 10–13, 2025
  • Panellist on the topic "Transformation Skills: Arbeit im 21. Jahrhundert" at the Bildungskonferenz 2025 of Bitkom e.V., online, April 3, 2025
  • Crafting AI: Spannung zwischen dem Handwerk von Data Scientists und Management, talk at the KI Navigator Conference 2024, Nuremberg, November 20, 2024
  • Panellist on the topic "Zukunft im Dialog: Nimmt Künstliche Intelligenz uns die Jobs weg?" at the Nürnberg Digital Festival, July 2, 2024
  • KI-Evolution statt Revolution – Ein Prozessmodell für die betriebliche Wertschöpfung durch Machine-Learning-Anwendungen, talk at Deutsche Telekom AG, online, May 8 and 15, 2024
  • Value Creation with Machine Learning, talk at QualityMinds GmbH, online, April 10, 2024
  • Wegweiser für eine nachhaltige KI-Strategie: Ein Prozessmodell für Wertschöpfung durch KI in Unternehmen, talk at the KI Navigator Conference 2023, Nuremberg, November 22, 2023
  • Artificial intelligence (AI) strategy in practice: A process model for machine learning value creation in organizations, SAP Inspiration Sessions, online, November 15, 2023
  • Electricity load forecasting using the Temporal Fusion Transformer, research presentation as part of the AI Keynote session organized by the Chair of Artificial Intelligence in Management at LMU Munich (Prof. Dr. Stefan Feueriegel), online, January 27, 2023
  • Shifting ML value creation mechanisms: A process model of ML value creation, practical presentation as part of the Nürnberg Data Science & AI Meetup in Nuremberg, January 17, 2023
  • Data Science and Craft Work, research presentation as part of the AIS SIG DITE Research Seminar at the University of Hamburg (Prof. Dr. Jan Recker), online, December 8, 2022
  • Smart Meter Analytics: Machine Learning mit Stromverbrauchsdaten für eine bessere Energienutzung im Privatsektor, Smart City Talk of the City of Osnabrück, online, December 1, 2022

Service roles

  • Member of the Editorial Board of the Journal of Strategic Information Systems
  • Cash auditor of Die Wirtschaftsinformatik e.V.
  • Treasurer for the newly founded AIS SIG DATA
  • Track Chair „Data Science & Business Analytics", International Conference on Wirtschaftsinformatik (WI 2024, WI 2025, WI 2026); previously Associate Editor for tracks at 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 to ECIS 2025)