Mein Bezug zu Operations Research begann in der Schule, in einem Mathe-Camp mit der grafischen Lösung eines kleinen linearen Optimierungsproblems. Im Mathematikstudium an der Universität Rostock wurde daraus eine echte Leidenschaft: diskrete Mathematik und Optimierung, Graphentheorie, ganzzahlige Optimierung — Themen, die ich in Bachelor-, Master- und schließlich meiner Promotion (magna cum laude) immer weiter vertieft habe, jeweils mit Fokus auf Modellierung und algorithmischer Implementierung.
Nach der Promotion habe ich über acht Jahre lang bei einem großen internationalen Logistikunternehmen als Senior Operations Research Engineer gearbeitet. Dort war ich für die mathematische Modellierung und softwareseitige Umsetzung anspruchsvoller Optimierungsprobleme verantwortlich — von der LKW-Tourenplanung über die Container- und Palettenstauung bis zum Yard-Management. Ich kenne daher nicht nur die Theorie, sondern auch die Realität: fehlende oder unsaubere Daten, viele parallele Nebenbedingungen, Akzeptanz bei den Mitarbeitenden, die ein System am Ende auch nutzen sollen.
Seit 2026 biete ich diese Kombination aus akademischer Tiefe und praktischer Umsetzungserfahrung als Freelancer an — für Unternehmen, die ihre Prozesse mit den Methoden des Operations Research und, wo sinnvoll, mit Machine Learning verbessern wollen.
| Promotion | Mathematik, Universität Rostock (magna cum laude) — Modellierung und Graphentheorie |
| Masterstudium | Mathematik, Note 1,5 — Masterarbeit zur mathematischen Modellierung und Algorithmik, Grundlage der anschließenden Promotion |
| Bachelorstudium | Mathematik, Note 1,2 — Abschlussarbeit zur Schichtenplanung (Optimierung) |
| Berufserfahrung | 8 Jahre und 8 Monate als Senior Operations Research Engineer / Data Scientist / Softwareentwickler in der Logistikbranche |
| Softwareentwicklung | Scala und Python (je 8+ Jahre), C++, Erfahrung mit MATLAB/Maple; agile Entwicklung inkl. Jira und Confluence; KI-gestütztes Prototyping, u. a. für die Demos auf dieser Website |
| Methoden | Lineare, ganzzahlige und nichtlineare Optimierung, Graphen- und Netzwerkoptimierung, Metaheuristiken (Local Search, Beam Search, genetische Algorithmen), Spieltheorie |
| Angrenzend | Machine Learning, Deep Reinforcement Learning, Causal Machine Learning |
Wenn ich nicht gerade Optimierungsprobleme löse, sitze ich seit über 30 Jahren am Schachbrett oder bin in den Bergen rund um Kempten unterwegs — beides schult übrigens dieselbe Fähigkeit wie mein Beruf: viele Möglichkeiten durchdenken und die beste auswählen.