Die Produktion ist heutzutage von einer starken Dynamik geprägt, die sich durch hohe Schwankungen in der Nachfrage und enorme Produktvielfalt bemerkbar macht. Dabei gewinnen Daten im Zusammenhang mit Industrie 4.0 zunehmend an Bedeutung, da deren effektiver Einsatz es erlaubt, mit der Dynamik in der Produktion umzugehen. Beispiele hierfür sind die vorausschauende Wartung von Maschinen, die automatisierte Erkennung von Produktfehlern und weitere datengetriebene Anwendungsfälle. Unternehmen müssen aufgrund dieser Entwicklung ihre IT-Architekturen an die Charakteristiken der Daten anpassen und auf die Unterstützung von Datenanalysen ausrichten. In dieser Dissertation werden ausgehend von einer Untersuchung von speziell für Industrie 4.0 geschaffenen Referenzarchitekturen zwei Forschungslücken identifiziert. Die erste Forschungslücke bezieht sich auf die mangelnde Verzahnung der Referenzarchitekturen mit Reifegradmodellen. Diese erschwert die Auswahl passender Konzepte aus den Referenzarchitekturen zur Weiterentwicklung von IT-Architekturen. Die zweite Forschungslücke bezieht sich auf die Verwaltung von Modellen des maschinellen Lernens (ML-Modellen) mithilfe von Modellverwaltungssystemen im Kontext von Industrie 4.0. Aktuelle Modellverwaltungssysteme sind nicht am Lebenszyklus der Modelle ausgerichtet und fokussieren zudem isoliert auf Datenwissenschaftler*innen (engl.: Data Scientists). Dies resultiert in einer ineffizienten Verwaltung der ML-Modelle und der Vernachlässigung weiterer Nutzungsgruppen wie etwa Personen mit Domänenwissen und Personen, die Business-Analysen durchführen. Der Autor stellt in der Dissertation das Konzept eines Reifegradmodells und verschiedene Konzepte für eine Modellverwaltungsplattform vor, um die identifizierten Forschungslücken zu schließen. Die Konzepte für die Modellverwaltungsplattform wurden in einem Prototyp - der Model Management Platform (MMP) - implementiert, die ebenfalls vorgestellt wird.