Ich bin Professor für Data Science an der Münster School of Business (MSB) der FH Münster und Vorstand des Instituts für Prozessmanagement und Digitale Transformation (IPD). Meine Forschungsschwerpunkte liegen in den Bereichen Machine Learning, Explainable AI, Agentic AI und Predictive Maintenance.
Kurzlebenslauf
| Zeitraum | Position |
|---|---|
| Seit 03/2018 | Professor für Data Science, FH Münster |
| Seit 12/2020 | Vorstand, Institut für Prozessmanagement und Digitale Transformation (IPD) |
| Seit 03/2022 | Studiengangsleiter Master Digital Business and Innovation Management, FH Münster |
| Seit 02/2026 | Assoziiertes Mitglied, Abteilung Informatik und Data Science des PK NRW |
| Seit 11/2024 | Co-Founder, regulaid |
| Seit 01/2020 | Co-Founder, TradeLink |
| Seit 01/2019 | Co-Founder, ScaleWork |
| 05/2011–02/2018 | Expert und Engagement Manager, McKinsey & Company |
| 04/2011 | Dr. rer. nat. (Statistik), TU Dortmund |
| 06/2008 | Diplom (Statistik), TU Dortmund |
Betreuung von Abschlussarbeiten
Eine Übersicht der betreuten Bachelor- und Masterarbeiten ist auf der Seite Abschlussarbeiten verfügbar.
Veröffentlichungen
Begutachtete Zeitschriftenartikel
Rose, O., S. Clemens, A. Leiherer, M. Bücker, F. Petersson, G. Lirk, C. Mosch, J. Pachmayr, und K. Hoti (2026): Development of a hybrid artificial intelligence framework for pharmacotherapy optimization. International Journal of Clinical Pharmacy. https://doi.org/10.1007/s11096-026-02205-0.
Klemmer, M., K. Arnsmeyer, P. Bauer, und M. Bücker (2026): Automating assist identification in football (soccer): a machine learning approach using event and tracking data. Sports Engineering 29 (1) 4. https://doi.org/10.1007/s12283-025-00533-4.
Bücker, M., K. Hoti, und O. Rose (2024): Artificial intelligence to assist decision-making on pharmacotherapy: A feasibility study. Exploratory Research in Clinical and Social Pharmacy 15 100491. https://doi.org/10.1016/j.rcsop.2024.100491.
Bücker, M., G. Szepannek, A. Gosiewska, und P. Biecek (2022): Transparency, Auditability and eXplainability of Machine Learning Models in Credit Scoring. Journal of the Operational Research Society 73 (1) 70–90. https://doi.org/10.1080/01605682.2021.1922098.
Hoops, C., und M. Bücker (2014): Determinants, Moderators and Consequences of Organizational Interaction Orientation. Journal of Entrepreneurship Management and Innovation 9 (4) 73–100. https://doi.org/10.7341/2013944.
Bücker, M., M. van Kampen, und W. Krämer (2013): Reject inference in consumer credit scoring with nonignorable missing data. Journal of Banking & Finance 37 (3) 1040–1045. https://doi.org/10.1016/j.jbankfin.2012.11.002.
Bücker, M., W. Krämer, und M. Arnold (2012): A Hausman test for non-ignorability. Economics Letters 114 (1) 23–25. https://doi.org/10.1016/j.econlet.2011.08.025.
Krämer, W., und M. Bücker (2011): Probleme des Qualitätsvergleichs von Kreditausfallprognosen. AStA Wirtschafts- und Sozialstatistisches Archiv 5 (1) 39–58. https://doi.org/10.1007/s11943-011-0096-0.
Begutachtete Konferenzbeiträge
Wiethölter, J., R. Plattfaut, M. Bücker, und L. Kühl (2027): From Signals to Meaning: Understanding Contemporary Trend Research Through Practitioner Perspectives. Proceedings of the 60th Hawaii International Conference on System Sciences (HICSS). Zur Veröffentlichung angenommen.
Wiethölter, J., R. Plattfaut, M. Bücker, und L. Kühl (2027): Trend Identification for Corporate Foresight: A Review and Research Agenda. Proceedings of the 60th Hawaii International Conference on System Sciences (HICSS). Zur Veröffentlichung angenommen.
Feldmann, C., M. Bücker, und M. Hewing (2026): Bridging the Gap: Real-World Use Cases of AI in Business Process Management. Proceedings of CENTERIS 2026 – International Conference on ENTERprise Information Systems. Zur Veröffentlichung angenommen.
Heuser, D.N., M. Bücker, J. Niessing, und C. Feldmann (2026): Agentic AI in Marketing: From Generative Automation to Strategic, Brand-Aligned Customer Engagement. Proceedings of the 17th International Conference on E-business, Management and Economics (ICEME 2026), ACM, 1–14. Im Druck; ISBN 979-8-4007-2688-0; DOI 10.1145/3847040.3847086 (noch nicht online).
Meyer, J., M. Bücker, M. Hewing, und J. Wiethölter (2026): RAG Security by Design: Development of Security Design Principles for Secure RAG Applications. Proceedings of CENTERIS 2026 – International Conference on ENTERprise Information Systems. Zur Veröffentlichung angenommen.
Kayser, F., T. Mayer, und M. Bücker (2025): Addressing Challenges in a Dangerous World: Developing a Design Science Artifact for Advancing Open Source Intelligence (OSINT) Research. Proceedings of the 58th Hawaii International Conference on System Sciences (HICSS), 5370–5379. https://doi.org/10.25974/fhms-18651.
Bücker, M., G. Szepannek, und C. Weihs (2010): Local Classification of Discrete Variables by Latent Class Models. Classification as a Tool for Research, Studies in Classification, Data Analysis, and Knowledge Organization, Springer, 127–135. https://doi.org/10.1007/978-3-642-10745-0_13.
Monografien und Buchkapitel
Bücker, M. (2027): Statistische Methoden zur Plausibilisierung und Absicherung von Ursache-Wirkungs-Zusammenhängen in Werttreiberbäumen. Agile Unternehmenssteuerung mit Werttreiberbäumen, Springer Gabler. Im Erscheinen; ISBN 978-3-658-53489-9.
Bücker, M., und C. Feldmann (2027): Generative KI in der Marketingpraxis: Datenbasierte Zielgruppenansprache und KI-gestützte Content-Erstellung. Wie mittelständische Unternehmen Generative KI nutzen: Lessons Learned aus dem Münsterland, Springer. Im Erscheinen.
Bücker, M., und M. Hewing (2026): AI Agents: Designing, Orchestrating, and Governing LLM-Based Systems. Springer. https://aiagentsbook.org/. Monografie unter Vertrag; Manuskript eingereicht; voraussichtliche Veröffentlichung Dezember 2026.
Manuskripte und Preprints
Bücker, M. (2026): Diagnosing Reject Inference: Relevance, Exclusion, and Selective Labeling. Manuskript beim Journal of the American Statistical Association (Applications and Case Studies) eingereicht.
Bücker, M. (2026): The Price of a Weak Shadow Variable: Inference under Nonignorable Missingness as Relevance Vanishes. https://arxiv.org/abs/2610.14695. Im Begutachtungsverfahren beim Journal of Econometrics; Preprint auf arXiv.
Bücker, M. (2026): Three Conditions for Reading Rule Necessity in Rashomon Sets. Manuskript bei Transactions on Machine Learning Research eingereicht.
Bücker, M. (2026): What Do Stability Measures for Rule Ensembles Measure? A Comparison, and a Transport-Based Alternative. Manuskript beim Journal of Computational and Graphical Statistics eingereicht.
Bücker, M., F. Petersson, S. Clemens, und O. Rose (2026): Applying Machine Learning in Clinical Pharmacy: Predicting Drug-Related Problems for Medication Review Prioritization. Manuskript bei Informatics for Health and Social Care eingereicht.
Schlüsener, N., und M. Bücker (2022): Fast Learning of Dynamic Hand Gesture Recognition with Few-Shot Learning Models. arXiv 2212.08363. https://arxiv.org/abs/2212.08363.
Bücker, M., M. van Kampen, und W. Krämer (2011): Reject inference in consumer credit scoring with nonignorable missing data. Discussion Paper SFB 823 2011 (1).
Bücker, M., und W. Krämer (2009): Statistischer Qualitätsvergleich von Kreditausfallprognosen. Discussion Paper SFB 823 2009 (30).
Weitere Publikationen und Transferbeiträge
Niessing, J., C. Feldmann, und M. Bücker (2026): From Pilots to Pipelines: Unlocking Agentic AI’s True Potential. The European Business Review (May–June) 32–40. https://www.europeanbusinessreview.com/from-pilots-to-pipelines-unlocking-agentic-ais-true-potential/. Online article.
Konferenzvorträge
Bücker, M., C. Buchmüller, J. Wobker, und L. Rink (2026): Inferring AI-Act-Relevant Application Contexts from Prompts for Enterprise Chatbot Governance. https://buecker.ms/ecda-2026-slides. Vortrag auf der European Conference on Data Analysis (ECDA 2026), Hochschule Stralsund.
Kayser, F., T. Mayer, und M. Bücker (2025): Addressing Challenges in a Dangerous World: Developing a Design Science Artifact for Advancing Open Source Intelligence (OSINT) Research. Vortrag auf der 58th Hawaii International Conference on System Sciences (HICSS), Hilton Waikoloa Village, Big Island, Hawaii.
Gronhorst, M., F. Köhne, und M. Bücker (2022): Machine Learning Decision Records – A Novel Approach for Decision Records in Machine Learning Operationalization. Vortrag auf der European Conference on Data Analysis (ECDA 2022), Università Federico II, Neapel, Italien.
Bücker, M., G. Szepannek, A. Gosiewska, und P. Biecek (2019): Transparency of Machine Learning Models in Credit Scoring. Vortrag auf der Credit Scoring and Credit Control Conference XVI, University of Edinburgh, Vereinigtes Königreich.
Bücker, M. (2009): lcda: An R Package for Local Classification of Discrete Variables by Latent Class Models. Vortrag auf der useR! – The R User Conference 2009, Agrocampus-Ouest, Rennes, Frankreich.
Bücker, M., G. Szepannek, und C. Weihs (2009): Local Classification of Discrete Variables by Latent Class Models. Vortrag auf der 11th Conference of the International Federation of Classification Societies (IFCS), TU Dresden.
Software
Bücker, M. (2026): bunddev: Discover and Call ’Bund.dev’ APIs. https://buecker.ms/bunddev/. R package.
Bücker, M. (2026): exams2ilias: ILIAS Export Interface for R/Exams. https://CRAN.R-project.org/package=exams2ilias. R-Paket, Version 0.0.1.
Bücker, M., und N. Schlüsener (2024): MSBStatsData: Data Sets for Courses at the Münster School of Business. https://buecker.ms/MSBStatsData/. R package.
Bücker, M. (2022): lcda: Latent Class Discriminant Analysis. https://buecker.ms/lcda/. R package version 0.3.1.
Dissertation und Abschlussarbeit
Bücker, M. (2011): Statistische Modelle mit nicht-ignorierbar fehlender Zielgröße und Anwendung in der Reject Inference. TU Dortmund University, Dortmund. https://doi.org/10.17877/DE290R-555.
Bücker, M. (2008): Lokale Diskrimination diskreter Daten. TU Dortmund University, Dortmund.