diff --git a/document/body_text/diskussion.tex b/document/body_text/Beispielinhalte/diskussion.tex
similarity index 82%
rename from document/body_text/diskussion.tex
rename to document/body_text/Beispielinhalte/diskussion.tex
index c46d45b9fc74833741bf565b0038290a759c1109..ee1940797704d700899c5bdf4140a8083c97fad4 100644
--- a/document/body_text/diskussion.tex
+++ b/document/body_text/Beispielinhalte/diskussion.tex
@@ -2,7 +2,7 @@
 In diesem Kapitel fassen Sie Ihre Arbeit zusammen, beantworten - soweit möglich - Ihre Forschungsfragen, weisen auf Grenzen und Einschränkungen Ihrer Erkenntnisse hin und geben einen Ausblick auf weitergehende Forschungsfragen, die sich aus Ihrer Arbeit ergeben.
 
 \color{gray}
-Durch die Bearbeitung der aus der Aufgabenstellung abgeleiteten Forschungsfragen konnten in Hinblick auf das Fallbeispiel einige Erkenntnisse gewonnen werden. So ist die Festlegung von Prognosehorizont und Prognoseintervall für die strategische Planung für das Unternehmen aus dem Fallbeispiel in \acs{kap} \ref{nutzung} beschrieben. In diesem Kapitel wird gleichermaßen begründet, weshalb die Absatzprognose, als ursprünglicher Gegenstand dieser Arbeit, hier durch eine Prognose der Marge zu ersetzen ist, um einen Mehrwert bezüglich der strategischen Planung zu erhalten. Weiterhin werden geeignete Prognoseverfahren in den Abschnitten \ref{sec:anpassung} und \ref{sec:struktur} vorgestellt, und die Erkennung und Bewertung signifikanter Einflussgrößen in \acs{abschn} \ref{sec:docs} diskutiert. Abschließend sollen nunmehr die Erkenntnisse bezüglich der Forschungsfragen diskutiert und ein Ausblick gegeben werden, um die Ergebnisse einzuordnen.
+Durch die Bearbeitung der aus der Aufgabenstellung abgeleiteten Forschungsfragen konnten in Hinblick auf das Fallbeispiel einige Erkenntnisse gewonnen werden. So ist die Festlegung von Prognosehorizont und Prognoseintervall für die strategische Planung für das Unternehmen aus dem Fallbeispiel in \acs{kap} \ref{nutzung} beschrieben. In diesem Kapitel wird gleichermaßen begründet, weshalb die Absatzprognose, als ursprünglicher Gegenstand dieser Arbeit, hier durch eine Prognose der Marge zu ersetzen ist, um einen Mehrwert bezüglich der strategischen Planung zu erhalten. Weiterhin werden geeignete Prognoseverfahren vorgestellt, und die Erkennung und Bewertung signifikanter Einflussgrößen in \acs{abschn} \ref{sec:docs} diskutiert. Abschließend sollen nunmehr die Erkenntnisse bezüglich der Forschungsfragen diskutiert und ein Ausblick gegeben werden, um die Ergebnisse einzuordnen.
 
 \subsubsection{Können \acs{ML}-Methoden in Hinblick auf das Fallbeispiel eine bessere Prognosegüte als konventionelle Prognosemethoden gewährleisten?}
 
@@ -12,7 +12,7 @@ Als Einschränkung ist zu nennen, dass einige der für den Vergleich herangezoge
 
 \subsubsection{Welche Einflussfaktoren lassen sich zu welchem Grad anhand einer \ac{ML}-Prognose im Fallbeispiel als relevant identifizieren?}
 
-Die \ac{FS} (\acs{vgl} \acs{abschn} \ref{sec:docs} und \ref{sec:graphics}) aus 276 Features (\acs{vgl} \acs{abschn} \ref{sec:graphics})  hat ergeben, dass der Output des \ac{rf}-Algorithmus (\acs{vgl} \acs{abschn} \ref{sec:anpassung}) und damit der des mulitvariaten \ac{ML}-Modells zu 80 \% durch die folgenden fünf Features \acs{bzw} Eingangsgrößen bestimmt wird:
+Die \ac{FS} (\acs{vgl} \acs{abschn} \ref{sec:docs} und \ref{sec:graphics}) aus 276 Features (\acs{vgl} \acs{abschn} \ref{sec:graphics})  hat ergeben, dass der Output des \ac{rf}-Algorithmus und damit der des mulitvariaten \ac{ML}-Modells zu 80 \% durch die folgenden fünf Features \acs{bzw} Eingangsgrößen bestimmt wird:
 
 \begin{itemize}
     \item dem Transportvolumen des Vormonats zu 20 \%,
@@ -33,9 +33,9 @@ Als Einschränkung ist zu erwähnen, dass die hier genannten Einflussfaktoren le
 
 Die Bearbeitung der Aufgabenstellung hat aufgezeigt, dass sich das Erarbeiten eines geeigneten \ac{ML}-Prognoseverfahrens im Unternehmensumfeld durchaus als Herausforderung erweisen kann.
 
-Dies liegt zum einen darin begründet, dass sich eine exakte Definition der Prognoseaufgabe als schwierig erweist, wenn bisher kein quantitatives Prognoseverfahren angewandt und dokumentiert wird, sodass ein initialer Prognoseprozess angestoßen werden muss (\acs{vgl} \acs{abschn} \ref{sec:daten}). Dieser erfordert Untersuchungen und Überlegungen in Hinblick auf alle Merkmale, die eine Prognose vollständig definieren (\acs{vgl} \acs{abschn} \ref{fallbeispiel}). Darüber hinaus sollten Zusammenhänge vollständig verstanden werden.
+Dies liegt zum einen darin begründet, dass sich eine exakte Definition der Prognoseaufgabe als schwierig erweist, wenn bisher kein quantitatives Prognoseverfahren angewandt und dokumentiert wird, sodass ein initialer Prognoseprozess angestoßen werden muss. Dieser erfordert Untersuchungen und Überlegungen in Hinblick auf alle Merkmale, die eine Prognose vollständig definieren (\acs{vgl} \acs{abschn} \ref{fallbeispiel}). Darüber hinaus sollten Zusammenhänge vollständig verstanden werden.
 
-Zum anderen erweist sich die interne sowie externe Datenerhebung, -bereinigung und -integration (\acs{vgl} \acs{kap} \ref{sec:daten}) als äußerst aufwändig, falls Daten nicht zentral und standardisiert gehalten werden. In diesem Zuge könnten geeignete Schnittstellen zu einem geringeren Aufwand beitragen, was mehr Kapazität für die Datenanalyse \acs{bzw} Implementierung von Modellen schaffen und daher vermutlich zu besseren Ergebnissen führen würde. Außerdem könnten Modelle stets anhand aktueller Daten gebildet, evaluiert und validiert werden.
+Zum anderen erweist sich die interne sowie externe Datenerhebung, -bereinigung und -integration als äußerst aufwändig, falls Daten nicht zentral und standardisiert gehalten werden. In diesem Zuge könnten geeignete Schnittstellen zu einem geringeren Aufwand beitragen, was mehr Kapazität für die Datenanalyse \acs{bzw} Implementierung von Modellen schaffen und daher vermutlich zu besseren Ergebnissen führen würde. Außerdem könnten Modelle stets anhand aktueller Daten gebildet, evaluiert und validiert werden.
 
 Davon abgesehen kann es in der betrieblichen Praxis grundsätzlich von Vorteil sein, Prognosemodelle nicht in sich geschlossen, sondern innerhalb eines sogenannten \textit{Expert:innensystem} zu implementieren, um die Zugänglichkeit für Anwendende zu vereinfachen, eine Zusammenführung von Expert:innenwissen sowie verschiedener Modelle zu ermöglichen und die innerbetriebliche Akzeptanz zu erhöhen, wie es \textcite{Janetzke2012} beschreiben.
 
diff --git a/document/body_text/Beispielinhalte/einleitung.tex b/document/body_text/Beispielinhalte/einleitung.tex
new file mode 100644
index 0000000000000000000000000000000000000000..6cd8f748db8193c0b12b0f65b805dbcbfdb575da
--- /dev/null
+++ b/document/body_text/Beispielinhalte/einleitung.tex
@@ -0,0 +1,19 @@
+Vermeiden Sie hier Formulierungen wie \textit{Auf Grund des immer weiter wachsenden Paketvolumens im Onlinehandel und der begrenzt zur Verfügung stehenden Grundstücksflächen müssen Hochregallager immer höher ausgeführt werden}. Diese Formulierung ist nicht nur falsch, sondern auch nichtssagend. Stellen Sie die Motivation Ihrer Arbeit nachvollziehbar dar, ohne sich zu Übertreibungen hinreißen zu lassen.
+
+\color{gray}
+Die zu erwartende Nachfrage nach bestimmten Produkten oder Dienstleistungen zu prognostizieren, ist eine der wichtigsten Zielstellungen eines Unternehmens \parencite[\acs{vgl}][6697]{Efendigil2009}, essenziell für die Unternehmensplanung \parencite[\acs{vgl}][6]{Ord2012} und Teil einer modernen \ac{bi} \parencite[\aca{vgl}][1]{Pavlyshenko2019}. Daher existiert eine Vielzahl unterschiedlicher Verfahren, deren Auswahl und Anwendung zumeist spezielle Ressourcen wie mathematische Expert:innen erfordert \parencite[\acs{vgl}][341]{Janetzke2012}, da es sich nicht selten um komplexe Problemstellungen handelt \parencite[\acs{vgl}][1]{Pavlyshenko2019}. Insbesondere \ac{sme} können jedoch die notwendigen Ressourcen oft nicht bereitstellen, weshalb eine Automatisierung dazu beitragen kann, das Nutzer:innenspektrum zu vergrößern \parencite[\acs{vgl}][341]{Janetzke2012}. Diese Automatisierung wird heutzutage durch eine Fülle an frei zugänglichen Open-Source-Softwarebibliotheken erleichtert \parencite[\acs{vgl}][1]{Loening2019}. Während die Implementierung konventioneller statistischer Prognoseverfahren wie der exponentiellen Glättung, \acs{arima} und naiver Methoden, die heutzutage mittels dieser Bibliotheken vergleichsweise einfach umzusetzen ist, jedoch erhebliche Nachteile mit sich bringt, hat sich in einigen Fällen gezeigt, dass Methoden des \acf{ML} bessere Ergebnisse erzielen sowie sich als einfacher in der Anwendung und damit als insgesamt geeigneter erweisen \parencites[\acs{vgl}][3-4]{Brownlee2018}[1-2]{Pavlyshenko2019}. Eine Verallgemeinerung kann diesbezüglich jedoch nicht vorgenommen werden, da es häufig an Signifikanz oder Übertragbarkeit mangelt sowie kein Vergleich zwischen verschiedenen Verfahren gezogen wird und damit die aktuelle Studienlage zu wenig objektive Evidenz liefert \parencite[\acs{vgl}][1-2]{Makridakis2018}. So kommen beispielsweise \textcite{Makridakis2018} in einer umfassenden Studie zu dem Schluss, dass konventionelle statistische Verfahren bessere Ergebnisse als vergleichbare \acs{ML}-Methoden liefern. Dabei wird jedoch nicht der Einfluss berücksichtigt, den externe Größen auf die zu prognostizierende Größe haben könnten. Weiterhin zeigt \textcite{Pavlyshenko2019}, dass \ac{ML}-Methoden zwar unter Berücksichtigung externer Größen annehmbare Ergebnisse erzielen, jedoch beschränkt sich seine Studie auf die Branche des Einzelhandels und es wird kein Vergleich mit konventionellen Prognoseverfahren angestellt. Ähnlich verhält es sich in der Studie von \textcite{Sohrabpour2021}. Im Rahmen dieser Arbeit soll daher in Hinblick auf einen spezifischen Anwendungsfall untersucht werden, inwiefern sich \acs{ML} für die Transportmengenprognose eines mitteleuropäischen Speditionsdienstleisters eignet. Da eine derartige Automatisierung mit zu geringer Transparenz in der Praxis allerdings zu einem Akzeptanz-Problem führen kann \parencite[\acs{vgl}][341]{Janetzke2012}, soll zusätzlich aufgezeigt werden, wie die erhaltene Prognose zustande kommt, respektive welche Größen herangezogen werden und wie groß der jeweilige Einfluss ist.
+
+Es ergeben sich die folgenden Forschungsfragen:
+
+\begin{enumerate}
+    \item Können Machine-Learning-Methoden in Hinblick auf das Fallbeispiel eine bessere Prognosegüte als konventionelle Prognosemethoden gewährleisten?
+    \item Welche Einflussfaktoren lassen sich zu welchem Grad anhand einer Machine-Learning-Prognose im Fallbeispiel als relevant identifizieren?
+\end{enumerate}
+
+    
+\subsection{Fallbeispiel}
+\label{fallbeispiel}
+
+    Das Fallbeispiel wird im Rahmen dieser Arbeit durch die \textit{Elbe-Spedition Else Spahn GmbH} in Dresden dargestellt, welche das größte Unternehmen der \textit{Deutsche Tansport}-Gruppe verkörpert. \textit{Deutsche Transport} ist einer der führenden Logistikunternehmen Europas, beschäftigt über 5200 Mitarbeitende in sechs Ländern Europas und bewegt jährlich über 2.5 Mio. Tonnen per Straße, Schiene, zur Wasser und in der Luft. Die \textit{Elbe-Spedition Else Spahn GmbH} ist auf die Transport per Bahn und Lkw spezialisiert und erzielte damit im Geschäftsjahr 2020 einen Umsatz von 471.2 Mio. Euro \parencite[][]{bundesanzeiger}. Das Produktportfolio umfasst sowohl ad-hoc-Sendungen wieals auch wiederkehrende Transport wie Werksverkehre.
+
+\color{black}
\ No newline at end of file
diff --git a/document/body_text/ergebnisse.tex b/document/body_text/Beispielinhalte/ergebnisse.tex
similarity index 100%
rename from document/body_text/ergebnisse.tex
rename to document/body_text/Beispielinhalte/ergebnisse.tex
diff --git a/document/body_text/validierung.tex b/document/body_text/Beispielinhalte/validierung.tex
similarity index 90%
rename from document/body_text/validierung.tex
rename to document/body_text/Beispielinhalte/validierung.tex
index eb8408e2ccac3b18fff1644edba37415c7130339..b21acafc27a07bfa6514f986af8a043ce6d9fcfd 100644
--- a/document/body_text/validierung.tex
+++ b/document/body_text/Beispielinhalte/validierung.tex
@@ -18,13 +18,7 @@ Ist das Modell valide, weisen dessen Abweichungen die Charakteristik eines weiß
 
 Eine Beurteilung des Modells \acs{bzw} der Abweichungen, in Hinblick auf diese Prämissen soll hier als \textit{Validierung} bezeichnet werden. Diese wird üblicherweise durchgeführt, indem die Abweichungen durch verschiedene Plots visualisiert werden \parencites[\acs{vgl}][99]{Kuhn2013}[107]{Chatfield2019}. Ist eine der genannten Voraussetzungen nicht gegeben, enthalten die beobachteten Abweichungen Restinformationen, die zur weiteren Verbesserung des Modells dienlich sein können \parencite[\acs{vgl}][]{Hyndman2018}. Die Validierung wird hier anhand des Test-Sets (\acs{vgl} \acs{abschn} \ref{sec:docs}) nachfolgend vorgenommen. Dafür werden 16 \ac{ms}-Prognosen nach der \acs{wfv} (\acs{vgl} \acs{abschn} \ref{sec:docs}) generiert und mit der Saison- sowie Trendkomponente (\acs{vgl} \acs{abschn} \ref{sec:docs}) beaufschlagt, wie es auch \textcite[10]{Makridakis2018} beschreiben. Diese Prognosen sind in \acs{Abb} \ref{sec:docs} dargestellt. Unter Berücksichtigung der Prognosewerte aller Teil-Modelle ergeben sich anhand der Beobachtungswerte im Test-Set 48 Abweichungen, die repräsentativ für das übergeordnete \acs{ms}-Modell betrachtet werden. Weiterhin ist zu beachten, dass im Rahmen dieser Validierung nur festgestellt, jedoch nicht nachgebessert werden kann, da in diesem Zuge neue Daten gesammelt werden müssten (\acs{vgl} \acs{abschn} \ref{sec:docs}), was jedoch den Rahmen dieser Arbeit überstiege.
 
-    \begin{figure}[ht]
-        \centering
-        \includegraphics[width=\textwidth]{graphics/fig_result_pred.pdf}
-        \caption[Prognose des zu validierenden Modells.]{Prognosewerte des zu validierenden Machine-Learning-Modells im Test-Set. Jede Prognose besteht aus drei Schritten und ist in einer anderen Farbe dargestellt. Die gestrichelte vertikale Linie markiert den Beginn des Test-Sets und die gepunktete graue Zeitreihe die Beobachtungswerte.}
-        \label{fig_result_pred}
-    \end{figure}
-	
+
 \subsection{Normalverteilung}
 
     Um die Abweichungen auf Ähnlichkeit zu einer Normalverteilung zu überprüfen, wird sowohl ein qualitativer als auch ein quantitativer Test durchgeführt.
diff --git a/document/body_text/body_text.tex b/document/body_text/body_text.tex
index 0bee11e6038701ce9919d694ba701cce50238205..058a850dd4dd5721c13a5ee79a5e4f8cc77eacd8 100644
--- a/document/body_text/body_text.tex
+++ b/document/body_text/body_text.tex
@@ -9,24 +9,26 @@
 
 \chapter{Beispielinhalte}
 
-Diese Kapitel zeigt beispielhaft den Aufbau einer wissenschaftlichen Arbeit und mögliche Inhalte der einzelnen Abschnitte. Zudem demonstriert das Kapitel die Einbindung von Zitaten, Abbildungen, Tabellen und Abkürzungen.
+Dieses Kapitel zeigt beispielhaft den Aufbau des Hauptteils einer wissenschaftlichen Arbeit und mögliche Inhalte der einzelnen Abschnitte. Zudem demonstriert das Kapitel die Einbindung von Zitaten, Abbildungen, Tabellen und Abkürzungen.
 
 \section{Einleitung}
 \label{einleitung}
-\input{einleitung}
+\input{Beispielinhalte/einleitung}
 
 \section{Stand der Wissenschaft}
 
-\section{Modellerstellung}
+\section{Problemstellung und Lösungsansatz}
+
+\section{Implementierung des Lösungsansatzes}
 
 \section{Validierung}
 \label{validierung}
-\input{validierung}
+\input{Beispielinhalte/validierung}
 
 \section{Untersuchungen und Ergebnisse}
 \label{ergebnisse}
-\input{ergebnisse}
+\input{Beispielinhalte/ergebnisse}
 
 \section{Diskussion und Ausblick}
 \label{diskussion}
-\input{diskussion}
\ No newline at end of file
+\input{Beispielinhalte/diskussion}
\ No newline at end of file
diff --git a/document/body_text/einleitung.tex b/document/body_text/einleitung.tex
deleted file mode 100644
index 1c9faca58febe91be533827ea580be0542006a0c..0000000000000000000000000000000000000000
--- a/document/body_text/einleitung.tex
+++ /dev/null
@@ -1,19 +0,0 @@
-Vermeiden Sie hier Formulierungen wie \textit{Auf Grund des immer weiter wachsenden Paketvolumens im Onlinehandel und der begrenzt zur Verfügung stehenden Grundstücksflächen müssen Hochregallager immer höher ausgeführt werden}. Diese Formulierung ist nicht nur falsch, sondern auch nichtssagend. Stellen Sie die Motivation Ihrer Arbeit nachvollziehbar dar, ohne sich zu Übertreibungen hinreißen zu lassen.
-
-\color{gray}
-Die zu erwartende Nachfrage bestimmter Produkte zu prognostizieren, ist eine der wichtigsten Zielstellungen eines Unternehmens \parencite[\acs{vgl}][6697]{Efendigil2009}, essenziell für die Unternehmensplanung \parencite[\acs{vgl}][6]{Ord2012} und Teil einer modernen \ac{bi} \parencite[\aca{vgl}][1]{Pavlyshenko2019}. Daher existiert eine Vielzahl unterschiedlicher Verfahren, deren Auswahl und Anwendung zumeist spezielle Ressourcen wie mathematische Expert:innen erfordert \parencite[\acs{vgl}][341]{Janetzke2012}, da es sich nicht selten um komplexe Problemstellungen handelt \parencite[\acs{vgl}][1]{Pavlyshenko2019}. Insbesondere \ac{sme} können jedoch die notwendigen Ressourcen oft nicht bereitstellen, weshalb eine Automatisierung dazu beitragen kann, das Nutzer:innenspektrum zu vergrößern \parencite[\acs{vgl}][341]{Janetzke2012}. Diese Automatisierung wird heutzutage durch eine Fülle an frei zugänglichen Open-Source-Softwarebibliotheken erleichtert \parencite[\acs{vgl}][1]{Loening2019}. Während die Implementierung konventioneller statistischer Prognoseverfahren wie der exponentiellen Glättung, \acs{arima} und naiver Methoden, die heutzutage mittels dieser Bibliotheken vergleichsweise einfach umzusetzen ist, jedoch erhebliche Nachteile mit sich bringt, hat sich in einigen Fällen gezeigt, dass Methoden des \acf{ML} bessere Ergebnisse erzielen sowie sich als einfacher in der Anwendung und damit als insgesamt geeigneter erweisen \parencites[\acs{vgl}][3-4]{Brownlee2018}[1-2]{Pavlyshenko2019}. Eine Verallgemeinerung kann diesbezüglich jedoch nicht vorgenommen werden, da es häufig an Signifikanz oder Übertragbarkeit mangelt sowie kein Vergleich zwischen verschiedenen Verfahren gezogen wird und damit die aktuelle Studienlage zu wenig objektive Evidenz liefert \parencite[\acs{vgl}][1-2]{Makridakis2018}. So kommen beispielsweise \textcite{Makridakis2018} in einer umfassenden Studie zu dem Schluss, dass konventionelle statistische Verfahren bessere Ergebnisse als vergleichbare \acs{ML}-Methoden liefern. Dabei wird jedoch nicht der Einfluss berücksichtigt, den externe Größen auf die zu prognostizierende Größe haben könnten. Weiterhin zeigt \textcite{Pavlyshenko2019}, dass \ac{ML}-Methoden zwar unter Berücksichtigung externer Größen annehmbare Ergebnisse erzielen, jedoch beschränkt sich seine Studie auf die Branche des Einzelhandels und es wird kein Vergleich mit konventionellen Prognoseverfahren angestellt. Ähnlich verhält es sich in der Studie von \textcite{Sohrabpour2021}. Im Rahmen dieser Arbeit soll daher in Hinblick auf einen spezifischen Anwendungsfall untersucht werden, inwiefern sich \acs{ML} für die Transportmengenprognose eines mitteleuropäischen Speditionsdienstleisters eignet. Da eine derartige Automatisierung mit zu geringer Transparenz in der Praxis allerdings zu einem Akzeptanz-Problem führen kann \parencite[\acs{vgl}][341]{Janetzke2012}, soll zusätzlich aufgezeigt werden, wie die erhaltene Prognose zustande kommt, respektive welche Größen herangezogen werden und wie groß der jeweilige Einfluss ist.
-
-Es ergeben sich die folgenden Forschungsfragen:
-
-\begin{enumerate}
-    \item Können Machine-Learning-Methoden in Hinblick auf das Fallbeispiel eine bessere Prognosegüte als konventionelle Prognosemethoden gewährleisten?
-    \item Welche Einflussfaktoren lassen sich zu welchem Grad anhand einer Machine-Learning-Prognose im Fallbeispiel als relevant identifizieren?
-\end{enumerate}
-
-    
-\subsection{Fallbeispiel}
-\label{fallbeispiel}
-
-    Das Fallbeispiel wird im Rahmen dieser Arbeit durch die \textit{Elbe-Spedition Else Spahn GmbH} in Dresden dargestellt, welche das größte Unternehmen der \textit{Deutsche Tansport}-Gruppe verkörpert. \textit{Deutsche Transport} ist einer der führenden Logistikunternehmen Europas, beschäftigt über 5200 Mitarbeitende in sechs Ländern Europas und bewegt jährlich über 2.5 Mio. Tonnen per Straße, Schiene, zur Wasser und in der Luft. Die \textit{Elbe-Spedition Else Spahn GmbH} ist auf die Transport per Bahn und Lkw spezialisiert und erzielte damit im Geschäftsjahr 2020 einen Umsatz von 471.2 Mio. Euro \parencite[][]{bundesanzeiger}. Das Produktportfolio umfasst sowohl ad-hoc-Sendungen wieals auch wiederkehrende Transport wie Werksverkehre.
-
-\color{black}
\ No newline at end of file
diff --git a/document/body_text/prozess.tex b/document/body_text/prozess.tex
index 3f58b6d59ff07cc0ddb7e5eb45df143656b5d659..60d86ca87befeaa32871a65dca29aa13931d3855 100644
--- a/document/body_text/prozess.tex
+++ b/document/body_text/prozess.tex
@@ -48,7 +48,7 @@ sind beim zuständigen Hochschullehrer zu beantragen. Eine Verlängerung für Di
 \item Die Arbeit muss fristgemäß abgegeben werden. Fällt die Abgabefrist auf einen Samstag, Sonntag oder Feiertag, verschiebt sich die Frist auf den nächsten Werktag. Der Abgabetag wird bei Empfang aktenkundig gemacht.
 	\begin{itemize}
 	\item Alle Arbeiten geben Sie als PDF per Mail bei Ihrem Betreuer ab. Digitale Anhänge fügen Sie ebenfalls bei. Sollte die Größe der E-Mail zu groß werden, nutzen Sie den ZIH-Dienst \emph{Cloudstore} und verschicken einen Link zu den Dateien.
-	\item Abschlussarbeiten geben sie zusätzlich in zweifach gedruckter Form (bei Verwendung eines digitalen Anhanges inkl  CD/DVD) ab. Die gedruckten Exemplare Ihrer Arbeit können Sie wie folgt abgeben:
+	\item Abschlussarbeiten geben sie zusätzlich in zweifach gedruckter Form (bei Verwendung eines digitalen Anhanges inkl. CD/DVD) ab. Die gedruckten Exemplare Ihrer Arbeit können Sie wie folgt abgeben:
 	\begin{itemize}
 	\item Im Sekretariat der Professur (SCH A 312) 
 	\item Über den Fristenbriefkasten an der Helmholtzstraße (zwischen Tillich-Bau und Hülße-Bau). Der Briefkasten wird Montag bis Freitag jeweils um 7.00 Uhr für den Vortag geleert. Der Abgabetag wird von der Poststelle auf dem Umschlag vermerkt. Adressieren Sie Ihre Sendung an: Fakultät Maschinenwesen, Professur für Technische Logistik, \emph{Name Ihrer Ansprechperson}
diff --git a/graphics/fig_result_pred.pdf b/graphics/fig_result_pred.pdf
deleted file mode 100644
index 5aee943ce6e4d11e24affb5aae6ab68e42aa8555..0000000000000000000000000000000000000000
Binary files a/graphics/fig_result_pred.pdf and /dev/null differ
diff --git a/main.pdf b/main.pdf
index 91a1dfbcb0159b0b05ccdb0be81a1c4bb248e989..001f41ad30544a22a1e7a26d8c565078bf0c41aa 100644
Binary files a/main.pdf and b/main.pdf differ