Maximilian Harms kam im Januar 2025 als Studierende:r im Bereich Data Science und Business Intelligence unter der Betreuung von Prof. Dr. Henrik Leopold an die Kühne Logistics University. Der Forschungsschwerpunkt von Maximilian Harms liegt auf der Anwendung von Process-Mining- und Digital-Twin-Technologien im Lagerkontext. In Zusammenarbeit mit dem Arvato-Team werden Lagerprozesse mithilfe von Process Mining analysiert und durch die Entwicklung KI-basierter Lösungen automatisiert. Er wird Digital Twins nutzen, um virtuelle Nachbildungen physischer Lager zu erstellen, was die Echtzeit-Simulation und -Optimierung von Lagerlayouts und -prozessen ermöglicht.
Maximilian schloss 2023 seinen Master of Science und Bachelor of Science in Wirtschaftsinformatik mit dem Schwerpunkt Process Mining an der Christian-Albrechts-Universität zu Kiel ab. In seiner Masterarbeit entwickelte er einen Ansatz zur Extraktion von Ereignisprotokollen für das Process Mining aus IoT-Sensordaten. Außerdem sammelte Maximilian während seiner Tätigkeit als wissenschaftliche:r Mitarbeiter:in und Doktorand:in an der Christian-Albrechts-Universität zu Kiel, am Universitätsklinikum Schleswig-Holstein und an der Universität Bayreuth zahlreiche praktische Erfahrungen im Bereich Process Mining und Datenmanagement.
Contact
Education
| Since 2025 | PhD candidate at Kühne Logistics University, Hamburg, Germany |
| 2024-2024 | Doctoral candidate, Faculty of Law and Economics, University of Bayreuth |
| 2021-2023 | Master of Science Business Informatics, Christian-Albrechts-Universität zu Kiel |
| 2018-2021 | Bachelor of Science Business Informatics, Christian-Albrechts-Universität zu Kiel |
Professional Experience
| 2023- 2024 | Research assistant, Faculty of Law and Economics, University of Bayreuth |
| 2022- 2022 | Research assistant, University Medical Centre Schleswig-Holstein |
| 2022- 2022 | Research assistant, Institute of Computer Science, Christian-Albrechts-Universität zu Kiel |
| 2019- 2021 | Student assistant, Institute of Computer Science, Christian-Albrechts-Universität zu Kiel |
Publikationen
The application of process mining for unstructured data might significantly elevate novel insights into disciplines where unstructured data is a common data format. To efficiently analyze unstructured data by process mining and to convey confidence into the analysis result, requires bridging multiple challenges. The purpose of this paper is to discuss these challenges, present initial solutions and describe future research directions. We hope that this article lays the foundations for future collaboration on this topic.




