Decision Support Systems

Größe: px
Ab Seite anzeigen:

Download "Decision Support Systems"

Transkript

1 Exercise Paper Information Search and Retrieval Graz University of Technology WS 2007 Decision Support Systems Mario Kainz Michael Schweighofer Christoph Schinko Supervisor Dipl.-Ing. Dr.techn. Christian GÜTL Institute for Information Systems and Computer Media (IICM), Austria and Copyright (c) 2007 TU Graz. This work may be used by anyone in accordance with the terms of the Free Content License. The terms are made available under or may be retrieved upon written request at the headquarters of the Kompetenznetzwerk Universitätsverbund MultiMedia NRW, Universitätsstraße 11, Hagen, Germany.

2 Abstract Diese Arbeit beschäftigt sich mit Decision Support Systemen (DSS). Es wird versucht eine Definition von Decision Support Systemen zu finden und den geschichtlichen Hintergrund zu beleuchten. Dabei werden sowohl die Theorie wie auch verschiedene praktische Typen von DSS betrachtet. In weiterer Folge werden die Eigenschaften und Komponenten erläutert und auf aktuelle Forschungsergebnisse eingegangen. Auch Mögliche Aussichten hinsichtlich der Zukunft von DSS bringt werden behandelt. Page 2/26

3 1. Einleitung Entscheidungen im Bereich von komplexen Systemen zu treffen, wird heutzutage immer wichtiger. Um den Überblick über die Reaktionen eines Systems auf erwartete oder unerwartete Statusänderungen zu bewahren, muss der Mensch auf Unterstützung von Computersystemen zurückgreifen. Ein großer Teil der Entscheidungen die ein Mensch fällt, beruht auf empirischen Beobachtungen. Manchmal ist das durchaus von Vorteil, vor allem wenn die Menge der Informationen die als Basis für Entscheidungen dienen sehr gering ist. Wird die Informationsflut zu groß, braucht der Mensch Hilfe und gerade dafür sind DSS essentielle Werkzeuge. Mit der Entwicklung der Heimcomputer vor etwa 40 Jahren und dem Aufkommen von timeshare Betriebssystemen wurden DSS praktikabel. Heutzutage werden DSS nicht nur in Bereichen wie Wirtschaft, Militär und Medizin immer populärer. 2. Definition DSS sind eine spezielle Form von Informationssystemen, die Fähigkeiten zur Unterstützung beim Treffen von Entscheidung zur Verfügung stellen. Das Zusammentragen und Aufbereiten von nützlicher Information trägt auch zur Problemidentifikation und -lösung bei. Im Normalfall ist eine Entscheidung die Wahl zwischen mehreren Alternativen basierend auf Fakten, Schätzungen und Annahmen [DSS, 2007]. Das Themengebiet rund um DSS ist weit gestreut. Es gibt eine Vielzahl von verschiedenen Bereichen und Ansätzen mit denen man umzugehen hat. Auch wenn es keine allgemein akzeptierte Definition von DSS gibt, unterscheidet man trotzdem zwischen 5 verschiedenen Ansätzen [Power, 1997]: Model-driven DSS beschäftigen sich mit der Manipulation von wirtschaftlichen Modellen ausgehend von begrenzten Daten und Parametern, welche von den Entscheidungsträgern selbst zur Verfügung gestellt werden. Sie sind darauf ausgelegt den Entscheidungsträgern beim Analysieren einer Situation zu helfen. Data-driven DSS legen einen Schwerpunkt auf Zeitreihen von Daten, selten auf externe Echtzeit Daten. Abfragewerkzeuge die Daten auf einem sehr niedrigen Level bearbeiten (z.b. Dateisysteme) bieten nur rudimentäre Funktionalität. Ausgereifte Systeme Page 3/26

4 wie Datenbank Management Systeme (DBMS) unterstützen die Manipulation von Daten in einer technisch fortschrittlicheren Art und Weise und bieten dadurch zusätzliche Funktionalität. Communications-driven DSS verwenden Netzwerk- und Kommunikationstechnologien (z.b. Werkzeuge, die man über das Internet verwenden kann) um eine Basis für entscheidungsrelevante Zusammenarbeit zu bilden. Document-driven DSS vertrauen auf Datenspeicherungs- und Datenverarbeitungstechnologien um zusätzliche Schritte wie Dokumentbeschaffung und -analyse zu unterstützen. Eine moderne Suchmaschine verwendet z.b. web-crawler um Webseiten zu finden und zu speichern um sie für weitere Verarbeitungsschritte zur Verfügung zu stellen. Knowledge-driven DSS können als Empfehlungssysteme für Entscheidungsträger gesehen werden. Spezielles Wissen über ein spezifisches Themengebiet hilft diesen Systemen Schlüsse zu ziehen und Probleme zu lösen. Page 4/26

5 3. Geschichte In den frühen 1960er Jahren entstanden die ersten Studien für computergestützte Modelle um Entscheidungsträgern zu helfen. Die ersten greifbaren Konzepte wurden um 1965 veröffentlicht. Seit damals hat sich das DSS Themengebiet aufgeweitet und viele neue Subthemengebiete hervorgebracht. DSS sind in Unternehmen vorgedrungen und später sogar in den Heimbereich durch die Einführung des Personal Computers. In den folgenden Kapiteln wird die Geschichte von DSS in einen theoretischen und eine praktischen Teil aufgespalten, um so durch zwei Zugänge eine Reflektion zu ermöglichen Theoretischer Teil Zu Beginn der 1970er Jahre wurden die ersten Ideen im Zusammenhang mit DSS auf akademischen Kongressen wie der ACM SIGBDP Conference on Decision Support Systems besprochen. Solche Kongresse stellten eine Basis für alle weiteren Betrachtungen und den Austauschen von Ideen dar haben Keen und Scott Morton ein Buch [Keen, 1978] veröffentlicht, welches sich mit den Problemen von DSS beschäftigt. Probleme wie Definition, Perspektive, wie auch Design und Entwicklung wurden behandelt. Später hat man eben diese Probleme in Betriebswirtschaftskursen auf der ganzen Welt aufgegriffen und diskutiert. Donovan und Madnick haben 1977 eine neue Klasse von DSS vorgeschlagen. Ihre Idee war es zwischen institutionellen und Ad-Hoc Systemen zu unterscheiden. Wenig später fanden Hackathorn und Keen eine andere in gegenseitiger Beziehung stehende Klasse von Systemen. Zur selben Zeit, 1981, hat Steven Alters Buch [Alter, 1981] die ersten Ideen um betriebswirtschaftliche Bereiche erweitert und angehenden Managern die ersten Beispiele von DSS vorgestellt. Es wurde sogar noch eine weitere Klasse von Systemen vorgeschlagen. Noch im selben Jahr brachten Robert Bonczek, Clyde Holsapple und Andrew Whinston ein Buch [Bonczek, 1981] heraus, das sich mit den Grundlagen von DS beschäftigt. Es war entscheidend für das Verständnis der Probleme die es im Zusammenhang mit knowledge-driven DSS gab. Sie konnten 4 wichtige Aspekte alles DSS identifizieren: Language system (LS) Page 5/26

6 Presentation system (PS) Knowledge system (KS) Problem-processing system (PPS) Ein wichtiger Meilenstein war auch Ralph Spragues und Erich Carlsons Buch [Spraque, 1982] welches 1982 veröffentlicht wurde. Neben vielen Themen die nicht nur auf DSS beschränkten, beinhaltete es auch einen praktischen Teil der beschrieb wie man als Organisation DSS entwickeln kann Praktischer Teil In den 1980er Jahren beschäftigten sich viele Universitäten und Organisationen mit DSS und die ersten praktischen Beispiele wurden entwickelt. Diese Systeme wurden nicht nur dafür entwickelt um Entscheidungsträgern in der Wirtschaft und im Management zur Seite zu stehen, sondern auch um andere Probleme in Firmen und Organisationen zu lösen. Viel Aufwand wurde betrieben um Prozesse zu beschleunigen. Eine Menge verschiedener Systeme entstanden, wie auch Dan Bricklins und Bob Frankstons berühmtes Programm VisiCalc [VisiCalc, 1978]. Es war die erste Killer Applikation für den Personal Computer und fand sehr schnell Verbreitung weil es zum einen für damalige Verhältnisse sehr mächtig und zum anderen vor allem billig war. Computerunterstütze Analyse und Entscheidungshilfen wurden damals schon implementiert. In den darauf folgenden Jahren hielt der "Hype" an, bis 1990 die ersten Web Applikationen in der Form von Webzugängen für Data Warehouses entstanden. Mit der Einführung der HTML 2.0 Spezifikation wurde der Markt für webbasierende DSS begründet. Wissenschaftliche Portale wurden gegründet um eine Basis zur Suche von themenrelevantem Material zu bieten. In den späten 1990er Jahren fanden Suchwerkzeuge sowie Werkzeuge zum Datenschürfen und zur Datenaufbereitung ihren Weg in immer mehr Firmen. Gegen Ende der 1990er Jahre sind DSS endgültig in der Form von analytischen Applikationen und Business Intelligence Lösungen im Web angekommen. Heutzutage verwischt Web 2.0 [Web2.0, 2007] den Unterschied zwischen Desktop und Web Applikation immer mehr, sodass DSS als Service für Firmen und Privatpersonen über das Internet verkauft werden können. Die folgenden Kapitel decken die geschichtliche Entwicklung der verschiedenen Ansätze von DSS sowie deren Entstehung ab. Page 6/26

7 Model-driven DSS Eines der ersten model-driven DSS war das Production Management Decision System entwickelt und designed von Scott Morton Es war ausgelegt, Entscheidungsträgern Daten und Modell zur Lösung unstrukturierter Probleme zur Verfügung zu stellen. Ungefähr zur selben Zeit wurden viele andere Systeme wie die Production Scheduling Appliaktion von Ferguson und Jones fertiggestellt. In den späten 1970er Jahren wurde das Interactive Financial Planning System (IFPS) auf der Universität von Texas entwickelt. Es war das erste kommerzielle Werkzeug zur Erstellung von model-driven DSS für den Finanzmarkt. In den folgenden Jahren forderte der wachsende Finanzmarkt immer bessere und schnellere DSS weil es in betriebswirtschaftlichen Kreisen ein Standard-Werkzeug geworden war. Systeme wie Expert Choice entstanden. Ein Meilenstein in der Entwicklung von model-driven DSS war zweifelsohne VisiCalc (Abbildung 3-1). Wie schon erwähnt war es eine billige Applikation zur Analyse und Entscheidungshilfe und wurde schnell sehr populär. Nicht zuletzt weil es für den Personal Computer entwickelt wurde. Abbildung 3-1: Ein Screenshot von VisiCalc auf einem Apple II System (Wikipedia) In den frühen 1980er Jahren griffen zwei bekannt Firmen die Idee von VisiCalc auf und entwickelten ihre eigenen Applikationen. Eine der Firmen war die Lotus Development Corporation (heute IBM), welche Lotus veröffentlichte. Die andere Firma war Microsoft, die Multiplan (heute Excel) veröffentlichte. Heutzutage findet man model-driven DSS in jeder größeren Firma. Der Bankensektor verwendet model-driven DSS bei Entscheidungen zur Kreditvergabe. Paketdienst verwenden model-driven DSS zur Optimierung von Tank Stopps und zur strategischen Profitanalyse. Page 7/26

8 Data-driven DSS Die Entwicklung der data-driven DSS wurde durch John Rockarts Forschung im Themenbereich von Executive Information Systems (EIS) und Executive Support Systems (ESS) begründet. Diese Systeme entstanden zum Teil aus den zuvor erwähnten model-driven DSS und aus den ersten Implementierungen von relationalen Datenbanken. Ein paar Jahre vor Rockarts Arbeiten [Rockart, 1979] wurden die ersten kommerziellen EIS entwickelt und verkauft. Sie bereiteten den Weg für zukünftige Forschung und Entwicklung. Der nächste große Schritt hin zur Erweiterung von EIS war die Entwicklung von Online Analytical Processing Applications (OLAP) in den frühen 1990er Jahren. Der Begriff Business Intelligence (BI) wurde geprägt um den Fähigkeiten der Konzepte zur Verbesserung der Entscheidungstreffung Tribut zu zollen. Mitte der 1990er Jahre entstanden die ersten data-driven DSS die auf relationalen Datenbanken beruhten. Sie sind bis heute noch sehr populär. Firmen wie Oracle und IBM entwickelten die ersten DSS basierend auf den hauseigenen DBMS. Heutzutage werden Features basierend auf Web 2.0 Technologien den Produkten hinzugefügt um den Trend hin zu mehr Interaktivität zu befriedigen Communications-driven DSS Die erste Veröffentlichung im Zusammenhang mit communication-driven DSS war ein Artikel über den Test einer Conference Coordinator Software, der von Joyner und Tunstall 1970 erstellt wurde. Im gleichen Jahr entwickelte Murray Turoff das erste Computer Mediated Communications System (EMISARI). Es war darauf ausgelegt, die Kommunikation in kleinen Gruppen zu unterstützen. Zu Beginn der 1980er Jahre wurde eine neue Kategorie von DSS entwickelt, die Group Decision Support Systems (GDSS). Mehrere Systeme wurden in verschiedensten Universitäten entwickelt. Mitte der 1980er Jahre entstanden die ersten kommerziellen GDSS und ebneten den Weg für die ersten Groupware Produkte einer Firma namens Lotus. Das Programm hieß Notes und unterstützte den User bei der Zusammenarbeit in einer kleineren Gruppe. Mit dem Aufkommen von elektronischer Post entwickelte die Firma Microsoft eine weitere erfolgreiche Groupware Lösung mit dem Namen Exchange. Die Produkte beider Firmen werden bis heute vertrieben und weiterentwickelt. Page 8/26

9 Aktuelle Technologien beinhalten Sprach und Video Übertragung über das Internet (Abbildung 3-2), wie auch mobile Kommunikation. Abbildung 3-2: Ein Screenshot von Skype für Windows 2.0 während eines Video Anrufes (Skype) Document-driven DSS Der geistige Vater der document-driven DSS ist ohne Zweifel Vannevar Bush. Sein Artikel "As We May Think" [Bush, 1945], den er 1945 veröffentlichte, ist sogar heutzutage noch sehr fortschrittlich. Er führte ein Konzept mit dem Namen Memex (Abbildung 3-3) ein, welches ausführlich ein erweitertes document-driven DSS, wie wir es heute kennen, darstellt. Abbildung 3-3: Memex von Vannevar Bush. Das Konzept zeigt die Idee eines Informations Terminals Page 9/26

10 Die ersten praktischen Implementierungen entstanden in den 1970er Jahren und behandelten Text und Dokument Management. Bis in die 1900er Jahre wurde nur ein geringer Fortschritt auf diesem Gebiet erreicht. Entscheidungsträgern bei der Suche von Dokumenten zu helfen wurde erst mit der Einführung von Web Technologien und der Object Character Recognition (OCR) interessant. Der Personal Computer trug ebenfalls einiges zur Verbreitung der document-driven DSS bei. Heutzutage gibt es eine Vielzahl von verschiedenen Systemen im Internet aber auch lokale Lösungen Knowledge-driven DSS Knowledge-driven DSS wurden 1965 durch ein System mit dem Namen DENDRAL (Dendritic Algorithm) begründet. Es wurde von einem Froscherteam der Universität Stanford entwickelt. In den darauf folgenden Jahren entstanden viele Abwandlungen des Systems, z.b. MY- CIN, MOLGEN und XCON gründete Dustin Huntington eine Firma mit dem Namen EXSYS und brachte ein Werkzeug zum Erstellen von Experten Systemen auf den Markt. Das Produkt hieß wie die Firma EXSYS. Binnen weniger Jahre fanden knowledge-driven DSS Verwendung in Betriebssystemen für Personal Computer. Die künstliche Intelligenz wurde erfunden als Fähigkeit von Experten Systemen Entscheidungen zu treffen. Aktuelle Entwicklungen beinhalten die Verbindung von Experten Systemen mit relationalen Datenbanken mit Web Oberfläche. Page 10/26

11 4. Allgemeine Eigenschaften von DSS Gleich um welche Art von Problem es sich handelt, jeder Entscheidungswegprozess durchläuft die 5 Phasen der Entscheidungsfindung. [Mora, 2002] Select Phase: Auswahl abhängig von der jeweiligen Strategie auf die der Entscheidungsträger abzielt. Faktoren wie Risiko oder Ungewissheit einer Situation oder eines Erwartungswertes spielen schon in dieser Phase eine große Rolle. Plan Phase: In der Plan Phase werden folgende Einteilungen getroffen: wer ist der Entscheidungsträger was ist der Zweck der Entscheidung warum ist der Entscheidungfindungsprozess so wichtig In dieser Phase werden auch alternative Wege zum Entscheidungsziel analysiert und dann der Master-Plan entworfen. Do Phase: Behandelt die eigentliche Durchführung. Check Phase: Die Alternativen werden nochmals mit den tatsächlichen Ergebnissen in Bezug auf Qualität, Wirtschaftliche Faktoren und Performance aus der Do Phase verglichen. Action Phase: Endgültige Festlegung und Implementation der Prozesse. Feedback und Planergebnisse können nun in den Prozess einfließen. Werden hier neue Zielvorgaben gefunden oder die aus der ersten Phase verändert, kommt der Entscheidungsprozess wieder zurück in die Planing Phase Allgemeines Jedes Problem kann laut [Dyson, 1990] in eines der folgenden drei Kategorien klassifiziert werden: strukturiert Probleme Page 11/26

12 semi-strukturiert Probleme nicht strukturiert Probleme Ein Problem gilt als strukturiert, wenn die zu erwartenden Ergebnisse klar definiert sind und eine Wiederholung immer dasselbe Ergebnis liefern würde. Semi-strukturierte Probleme sind jene, die zwar klar definiert sind, jedoch einige unbekannte variable Kriterien enthalten, welche das Ergebnis erheblich beeinflussen. Von unstrukturierten Problemen spricht man dann, wenn viele Kriterien unbekannt sind und auch das Szenario zur Entscheidungsfindung und deren gewünschte Ergebnisse unbekannt sind. [Turban et al, 2001] 4.2. Arten von Entscheidungen Im Gegensatz zu einer Problemstellung lässt sich eine Entscheidung in folgende Klassen einordnen: Strategische Entscheidungen Taktische Entscheidungen Operative Entscheidungen Spontane Entscheidungen Strategische Entscheidungen betreffen für gewöhnlich eine Zeitspanne von zwei bis fünf Jahren und stehen im Zusammenhang mit semi- oder unstrukturierten Problemen, die von vielen Faktoren von Außen abhängig sind. Taktische Entscheidungen laufen im Zeitraum von einigen Monaten bis zu zwei Jahren ab, im Gegensatz zu Operativen Entscheidungen, die einige Tagen bis weniger als ein Jahr betreffen. Abbildung 4 stellt dies graphisch dar. Strategische Entscheidungen werden meist von Gruppen getroffen, operative Entscheidungen eher von Einzelentscheidungsträgern. Page 12/26

13 Abbildung 4: Problem- und Entscheidungsklassifikation [Turban et al, 2001] 4.3. Methoden des Data Mining [Hardin, 1999] Data Mining ist eine Art der Pattern- (Mustererkennung) und Relationship-Recognition die auf einer Vielzahl von Daten und Fakten aufbaut. Unterstützt wird Data Mining vor allem durch Mustererkennung, Datenbanken und Anwendungen aus der Statistik. Vor allem das Gebiet der statistischen Mustererkennung (Statistical Pattern Recognition) spielt eine wichtige Rolle. Hierbei ist das Ziel, jedem Featurevektor eine Klasse zuzuordnen bzw. in verschiedene Gruppen einzuteilen. Page 13/26

14 Durch den immer stetig wachsenden Anteil an EDV Systemen in den letzten Jahrzehnten und der Vielzahl an Methoden der Klassifikation hat sich das Data Mining stets weiterentwickelt und verbessert Überwachtes und unüberwachtes Lernen [Hardin, 1999] Unter Data Mining wird das Lernen von Daten verstanden, hierbei werden zwei Arten des Lernens unterschieden: überwachtes (supervised) Lernen und unüberwachtes (unsupervised) Lernen. Abbildung 5: Überwachtes Lernen (A), Unüberwachtes Lernen (B) [Hardin, 1999] Überwachtes Lernen Überwachtes Lernen wird auch oft als direktes Data Mining bezeichnet. Dem User sind die Klassen bekannt und es existiert eine Vielzahl an Beispielen jeder Klasse. Durch Trainieren wird dieses Wissen in das System gespeist. Durch Minimierung des wahren Fehlers der Testmenge an die Trainingshypothese wird das System optimiert. Page 14/26

15 Unüberwachtes Lernen Wie beim Überwachten Lernen liegt hier eine Vielzahl an Daten vor, jedoch ohne eine Kenntnis über die mögliche Klassifikationseinteilung. Das System muss selbstständig die Gruppierung übernehmen Entscheidungsbäume [Gerald, 2002] Der Aufbau eines Entscheidungsbaumes ist die verbreitetste und verständlichste Methode für ein überwachtes Lernsystem. Der Algorithmus arbeitet top-down und trennt an jedem Knoten nach Attributen. Je weiter oben an der Wurzel sich ein Entscheidungskriterium befindet desto wichtiger ist es für die Klassifikation. Abbildung 6: Entscheidungsbäume Weitere Hilfsmittel und Methoden Es gibt noch eine Vielzahl an Methoden die zur Unterstützung des Data Minings und eines Decision Support Systemes angewandt werden. Einige sollen hier noch kurz erwähnt werden: Logistic Regression Logistic Regression wird auf Datenmodelle angewandt die binäre Werte beinhalten. Nearest Neighbor Classifer Arbeitet ein Decision Support System mit einem Nearest Neighbor Algorithmus, wird zunächst jedem Beispiel ein Punkt im mehrdimensionalen Raum zugewiesen. Die Anzahl der Attribute bestimmt dabei die Dimension des Raumes. Anhand einiger Trainingsobjekte werden die Beispiele dann anhand ihres minimalen Abstandes zugeordnet. Page 15/26

16 Clustering (unüberwachtes Lernen) Eine unüberwachte Klassifikation ist mit Hilfe eines Clustering Algorithmus möglich. Unsortierte Daten werden in Clusterzentren zu Gruppen eingeteilt und identifiziert Architektur von Decision Support Systemen [Kock, 2003] Ein Decision Support System besteht aus dem menschlichen Entscheidungsträger und dem Decision Support System. Besonders für unstrukturierte oder semi-strukturierte Entscheidungsprozesse ist es vor allem aus Komplexitätsgründen, schwer bis unmöglich eine rein maschinelle Entscheidung zu treffen. Die humane Komponente wird unterstützend als Entscheidungstrainer oder Intuitionshilfe während des maschinellen Entscheidungsprozesses benötigt. Steht ein Entscheidungsträger vor einem Entscheidungsprozess, beginnt dieser mit der Erstellung eines Entscheidungshilfen Modells mithilfe eines Decision Support System. Das User Interface Sub-System bietet die Schnittstelle einerseits zum Database Management System (DBMS) sowie zum Model Based Management System (MBMS). Das DBMS kreiert, verwaltet und managet die Datenbank mit Datenzugriffsrechten und Regeln. Mit Hilfe des MBMS ist es dem User möglich ein neues Datenbank-File innerhalb des Decision Support Systems anzulegen, zu editieren, zu aktualisieren oder auch zu löschen. Aus Usersicht ist das User- Interface Subsystem der einzige Part des Decision Support Systems. Daher kommt diesem auch eine große Rolle zu, vor allem bei Eingabe und Ausgabe Geräten, Bildschirm- und Oberflächendesign, Umgänglichkeit, Daten und Informationsformate und Wünschen zur individuelle Interfaceanpassung. Wie schon oben erwähnt ist dies besonders wichtig, da über das Interface System auf das Data-Sub-System, die Datenbank, die Datenbank Management Software und das Model-Sub-System (Model Base und Model Base Management Software) zugegriffen wird. Page 16/26

17 Abbildung 7: Komponenten des DSS [Sprag, 1982] Data management subsystem [Kock, 2003] Ein Decision Support System benutzt ein oder mehrere Datenspeicher, Datenbanken oder eine Anzahl von Files oder auch Data Warehouse Systeme um relevante Informationen für das Decision Support System bereitzustellen Model management subsystem Dieses Software Subsystem managet quantitative und qualitative Modele. Ein Model stellt eine vereinfachte Repräsentation oder Abstraktion der Realität dar Dialogue subsystem or user interface Die wichtigste Schnittstelle zwischen den anderen Subsystemen und dem Benutzer. Page 17/26

18 Knowledge management subsystem Dieses optionale System kann die anderen Systeme unterstützen oder als eigenständige Komponente auftreten. Es beinhaltet vor allem auch die Lösungen für das Problem. Es wird oft auch dazu verwendet andere Experten Systeme in das DSS einzubinden Übersicht Page 18/26

19 Abbildung 8: Übersicht [Kock, 2003] Page 19/26

20 5. Zukunft von Decision Support Systemen Die fortschreitende technologische Entwicklung in der Informationstechnologie erlaubt die Entstehung von immer effektiveren DSS. Netzwerke und die Telekommunikation ermöglichen die Nutzung von verteilten Kapazitäten, die neue technische, organisatorische, personelle und ethnische Perspektiven hinsichtlich der Entscheidungsunterstützung offenbaren. [Courtney, 2001] Zusätzlich kann mit sogenannten intelligenten Agenten, die eine Reihe von Operationen im Auftrag einer Instanz mit einem gewissen Grad an Unabhängigkeit durchführen, die Funktionalität eines DSS erheblich gesteigert werden. [Turban et al, 2001] Für [Shim et al, 2002] zählen Datenbanken, Modellierungsfunktionalitäten und Interface- Design- Komponenten zu den klassischen Werkzeugen von DSS. Als entscheidende Werkzeuge der Zukunft fügt er Data Warehousing, On-Line-Analytical-Processing, Data Mining und die webbasierenden DSS hinzu. Diese Tools zusammen mit einem vernetzten System mit virtuellen Teams und wissenmanagement-basierende DSS sind die wichtigen Themen in der Entwicklung von DSS in der Zukunft. [Eom, 2001] 5.1. Aktuelle Forschungsansätze Im Folgenden werden die Ergebnisse einiger Forschungsarbeiten präsentiert um einen kleinen Einblick in die aktuelle Forschung zu ermöglichen. Robbins und Wallace behandelten das komplexe Problem ethnische Aspekte in Entscheidungsfindungssituationen zu modellieren. Dazu integrierten sie normative und deskriptive Theorien der ethnischen Problemlösung aus der Psychologie und Techniken der Computerintelligenz und schlugen ein System der bereits erwähnten intelligenten Agenten vor, die fähig sind, ethnischen Belange in 4 Arten zu berücksichtigen: als Ratgeber, Vermittler, Trainer und Prognostiker. Robbins und Wallace weisen darauf hin, dass diese intelligenten Agenten als Hilfestellung für die Berücksichtigung ethnischer Aspekte in einer Aufgabenbewältigung helfen können. [Robbins et al, 2007] Hall und Davis untersuchten den Einfluss von bestimmten DSS Designs auf Verhaltensänderungen. Sie fügten einen Fragesteller in das DSS ein, um ein Interface zu erzeugen, das den Page 20/26

21 Benutzer auffordert weitere Perspektiven neben den eigenen zu bedenken. Mit fortschreitender Benutzung des Systems modifizierten die Benutzer eigene Perspektiven, die auf schwach ausgeprägten Ansichten basierten, jedoch blieben die Perspektiven von stark ausgeprägten Ansichten unverändert. [Paradice, 2006] Sueyoshi und Tadiparthi entwickelten ein System um die dynamische Preisentwicklung im amerikanischen Energiegroßhandel zu analysieren und zu verstehen. Händler können diese Software als effektives DSS nutzen, um den Energiemarkt zu modellieren und simulieren. Die Anwendung der Software bestätigte die Existenzberechtigung der Software vor allem im Vergleich mit ähnlichen Systemen, wie zum Beispiel Neuronalen Netzwerken. [Sueyoshi et al, 07] Durch die neuen technologischen Möglichkeiten sind vor allem webbasierte DSS in das Blickfeld der Forscher gerückt und daher werden diese auch näher im Zuge dieser Übersicht beleuchtet. [Bharati et al, 2003] 5.2. Web-based DSS Das Web wurde die dominierende Plattform für die Entwicklung neuer DSS. Webbasierte Decision Support Systeme erweitern das Anwenderfeld von DSS-Nutzern. Waren es früher hauptsächlich Manager und Experten, so können nun auch normale Anwender von DSS profitieren. Sie werden von Organisationen vor allem als Entscheidungsunterstützung für Angestellte und Kunden eingesetzt. Bei Kunden primär um den Kaufprozess, in Form von Unterstützung bei der individuellen Konfiguration des Produktes oder Services, zu unterstützen. Als Beispiele wären hier wo man aus einer Basiskonfiguration spezifische Erweiterungen erstellen kann oder wo Teddybären nach individuellen Wünschen zusammengestellt werden können, zu nennen. [Bharati et al, 2003] Im Gegensatz zu der bisherigen DSS Umgebung unterscheiden sich webbasierende DSS nach [Bharati et al, 2003] durch Wechsel der Community. Wechsel der Problemdomänen. Wechsel der zugrundeliegenden Technologie. Page 21/26

22 Die gegenwärtige Forschung untersucht diese webbasierten DSS mit einem Fokus auf Faktoren, die befriedigende Beschlussfassung mit webbasiertem DSS betreffen. [Bharati et al, 2003] Die Vorstellung aktueller Forschungsergebnisse auf dem Gebiet der webbasierenden DSS erfolgt im Zuge dieser Arbeit nach [Bhargava et al, 2007] aufgeteilt auf zwei Gebiete: Architektur und Technologie Anwendung und Implementierung Architektur und Technologie Bharati und Chaudhury führten eine empirische Studie durch um Kundenzufriedenheit anhand eines webbasierenden DSS zu ermitteln. In ihrem Modell schlagen sie drei unabhängige Variablen vor: Systemqualität, Informationsqualität, Informationspräsentation. Sie fanden heraus, dass Systemqualität und Informationsqualität einen positiven Einfluss auf die Kundenzufriedenheit hatten. Die Informationspräsentation jedoch hatte keinen signifikanten Einfluss auf die Kundenzufriedenheit. Daher argumentierten die Forscher, dass Entwickler von webbasierenden DSS mehr Aufmerksamkeit auf die Systemqualität und Informationsqualität legen sollten. [Bharati, 2004] Zhang und Goddard haben Software Architekturen angewandt um webbasierende DSS zu designen. Eine mehrschichtige Softwarearchitektur wurde vorgeschlagen um Entwickler beim Design und der Implementation von DSS in einer verteilten Umgebung zu helfen. Zusätzlich haben die Forscher ein komponentenbasiertes Framework vorgestellt, das bei der Implementation von DSS unterstützt. [Zang et al, 2007] Die Forschung zeigt, dass Webuser detaillierte Informationen über DSS brauchen, um den verfügbaren Inhalt zu organisieren und zu verstehen. Das Design der Systeme sollte Konstrukte und Artefakte, die die Anbindung von qualitativ hochwertigen Informationen unterstützen, inkludieren. Neue Ansätze sind zu finden, die das Modellmanagement erleichtern. Dies inkludiert das Speichern, Suchen, Auffinden und Abgleichen aus einer Bibliothek von Entscheidungsmodellen. [Bhargava et al, 2007] Page 22/26

23 Applikationen und Implementationen Ngai und Wat entwickelten und implementierten ein webbasierendes DSS, das ein Modell nutzte, welches auf die Fuzzy Theorie aufbaute. Ziel war eine Risikoabschätzung bei e- commerce Entwicklungen zu erreichen. Der webbasierende Prototyp unterstützte Projektmanager potentielle Risikofaktoren und die draus abgeleiteten Projektrisiken zu erkennen. Die Ergebnisse zeigten, dass der Prototyp die gestellten Erwartungen erfüllte und effektiv für die Risikoabschätzung bei e-commerce Projekten angewandt werden kann. [Ngai et al, 2005] Ray diskutiere im Zuge einer Fallstudie eine spezifische Applikationsentwicklung für das Delware Department of Transportation. Das DSS war zuständig um übergroße und übergewichtige Fahrzeuge über die Autobahnen des Staates zu führen. Das System ersetzte einige manuelle Prozesse und produzierte einige unmittelbare Vorteile. Das Ergebnis der Evaluierung zeigte, das die Implementierung sofort einen Nutzen generierte, verbunden mit weiteren Effektivitätssteigerungen. [Ray, 2005] 5.3. Herausforderungen [Bhargava et al, 2007] unterteilt in technologische, wirtschaftliche und soziale Herausforderungen Technologische Herausforderungen Die Technologien und Protokolle, die dem Web zugrunde liegen sind die Hauptherausforderungen. Die Web Architektur ist ausgelegt auf willkürliche Sprünge im Hyperspace, daher bietet das Web nicht die persistenten Verbindungen. Dies steht im Gegensatz zu der typischen Interaktion die traditionelle DSS Applikationen fordern. DSS benötigt wiederkehrende Interaktion mit einem Modell und den Austausch von großen Datenmengen über eine breite Ausdehnung von Interaktionen. Daher müssen DSS Entwickler Wege finden, wie sie diese technischen Limitationen umgehen können, z.b. durch das Setzten von Cookies oder das Nutzen von Java-Applets. Desweitern benützten fast alle Web-Applikationen einen Web-Browser um ein Userinterface zur Verfügung zu stellen, die Anfragen an einen oder mehrere Server schicken, der diese dann verarbeitet. Daraus resultieren Netzwerkverzögerungen und Limitationen für das User Interface. Page 23/26

Institut für angewandte Informationstechnologie (InIT)

Institut für angewandte Informationstechnologie (InIT) School of Engineering Institut für angewandte Informationstechnologie (InIT) We ride the information wave Zürcher Fachhochschule www.init.zhaw.ch Forschung & Entwicklung Institut für angewandte Informationstechnologie

Mehr

ShopBot, ein Software-Agent für das Internet

ShopBot, ein Software-Agent für das Internet Software-Agenten p.1/20 ShopBot, ein Software-Agent für das Internet Eine Einführung in (Software-)Agenten Madeleine Theile Software-Agenten p.2/20 Aufbau des Vortrags grundlegende Theorie Definition Autonomy,

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

CREATIVE PROGRAMMING TOOLKITS

CREATIVE PROGRAMMING TOOLKITS CREATIVE PROGRAMMING TOOLKITS Unter Creative Programming Toolkits verstehen wir Software-Teile welche uns helfen vielfältige Medien-kunst zu erstellen. Viele dieser Werkzeuge wurden durch Künstler für

Mehr

Kleine Torte statt vieler Worte

Kleine Torte statt vieler Worte Kleine Torte statt vieler Worte Effektives Reporting & Dashboarding mit IBM Cognos 8 BI Jens Gebhardt Presales Manager Core Technologies BI Forum Hamburg 2008 IBM Corporation Performance Optimierung 2

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

Liste der Handbücher. Liste der Benutzerhandbücher von MEGA

Liste der Handbücher. Liste der Benutzerhandbücher von MEGA Liste der Handbücher Liste der Benutzerhandbücher von MEGA MEGA 2009 SP4 1. Ausgabe (Juni 2010) Die in diesem Dokument enthaltenen Informationen können jederzeit ohne vorherige Ankündigung geändert werden

Mehr

Ein Auszug aus... Studie. Content Management Systeme im Vergleich. Empfehlungen und Entscheidungshilfen für Unternehmensbereiche

Ein Auszug aus... Studie. Content Management Systeme im Vergleich. Empfehlungen und Entscheidungshilfen für Unternehmensbereiche Ein Auszug aus... Studie Content Management Systeme im Vergleich Empfehlungen und Entscheidungshilfen für Unternehmensbereiche Die komplette Studie ist bei amazon.de käuflich zu erwerben. Inhaltsverzeichnis

Mehr

Facetten von Designforschung Einblicke in den Stand der Dinge

Facetten von Designforschung Einblicke in den Stand der Dinge Hans Kaspar Hugentobler Designforschung: Vielfalt, Relevanz, Ideologie Facetten von Designforschung Einblicke in den Stand der Dinge Hans Kaspar Hugentobler Master of Design Diplom-Kommunikationswirt Bremen

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed Industrialisierung, Agilität und Compliance die Rolle von Performance Management

Mehr

Progress of Enterprise Architecture Management 2008. Eine Studie über den Fortschritt im integrierten Management von Geschäfts- und IT-Architektur

Progress of Enterprise Architecture Management 2008. Eine Studie über den Fortschritt im integrierten Management von Geschäfts- und IT-Architektur Progress of Enterprise Architecture Management 2008 Eine Studie über den Fortschritt im integrierten Management von Geschäfts- und IT-Architektur Der EAM Think Tank ist eine gemeinsame Initiative der Ardour

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

Strategisches Management im öffentlichen Sektor: Eine Übersicht über den aktuellen Stand der Forschung

Strategisches Management im öffentlichen Sektor: Eine Übersicht über den aktuellen Stand der Forschung Strategisches Management im öffentlichen Sektor: Eine Übersicht über den aktuellen Stand der Forschung Prof. Dr. Isabella Proeller Universität Potsdam Workshop der WK ÖBWL Uni Mannheim, 9.10.2009 1 Strategisches

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Kapitel 1 Überblick Content Management und Digitale Bibliotheken

Kapitel 1 Überblick Content Management und Digitale Bibliotheken Kapitel 1 Überblick Content Management und Digitale Bibliotheken Prof. Dr.-Ing. Stefan Deßloch Geb. 36, Raum 329 Tel. 0631/205 3275 dessloch@informatik.uni-kl.de 1 Überblick Was ist Content? Daten, Dokumente,

Mehr

Social Media als Bestandteil der Customer Journey

Social Media als Bestandteil der Customer Journey Social Media als Bestandteil der Customer Journey Gregor Wolf Geschäftsführer Experian Marketing Services Frankfurt, 19.6.2015 Experian and the marks used herein are service marks or registered trademarks

Mehr

TOGAF The Open Group Architecture Framework

TOGAF The Open Group Architecture Framework TOGAF The Open Group Architecture Ein Überblick Gesellschaft für Informatik, Regionalgruppe München Dr. Michael Bulenda München, 7.12.2009 Vorstellung Dr. M. Bulenda Seit 2001 bei Cirquent IT Management

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Introduction to the diploma and master seminar in FSS 2010. Prof. Dr. Armin Heinzl. Sven Scheibmayr

Introduction to the diploma and master seminar in FSS 2010. Prof. Dr. Armin Heinzl. Sven Scheibmayr Contemporary Aspects in Information Systems Introduction to the diploma and master seminar in FSS 2010 Chair of Business Administration and Information Systems Prof. Dr. Armin Heinzl Sven Scheibmayr Objective

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

Softwareentwicklung mit Enterprise JAVA Beans

Softwareentwicklung mit Enterprise JAVA Beans Softwareentwicklung mit Enterprise JAVA Beans Java Enterprise Edition - Überblick Was ist J2EE Java EE? Zunächst mal: Eine Menge von Spezifikationen und Regeln. April 1997: SUN initiiert die Entwicklung

Mehr

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014 Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

Weiterentwicklung digitaler Bibliothekssysteme zu OpenArchives-Systemen

Weiterentwicklung digitaler Bibliothekssysteme zu OpenArchives-Systemen Weiterentwicklung digitaler Bibliothekssysteme zu OpenArchives-Systemen Osnabrück, 2003-03-13 Prof. Dr. G. Specht, U Ulm Dipl.-Inform. Michael G. Bauer, TU München 1. OMNIS/2 Motivation 2. Übersicht über

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Group and Session Management for Collaborative Applications

Group and Session Management for Collaborative Applications Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. DB Einleitung / Entity-Relationship

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Remote Communications

Remote Communications HELP.BCFESDEI Release 4.6C SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind, zu welchem Zweck und in welcher

Mehr

Phasen. Gliederung. Rational Unified Process

Phasen. Gliederung. Rational Unified Process Rational Unified Process Version 4.0 Version 4.1 Version 5.1 Version 5.5 Version 2000 Version 2001 1996 1997 1998 1999 2000 2001 Rational Approach Objectory Process OMT Booch SQA Test Process Requirements

Mehr

Entwicklung von Web-Anwendungen auf JAVA EE Basis

Entwicklung von Web-Anwendungen auf JAVA EE Basis Entwicklung von Web-Anwendungen auf JAVA EE Basis Java Enterprise Edition - Überblick Prof. Dr. Bernhard Schiefer Inhalt der Veranstaltung Überblick Java EE JDBC, JPA, JNDI Servlets, Java Server Pages

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Redwood Cronacle und REALTECH theguard! Integration

Redwood Cronacle und REALTECH theguard! Integration Redwood Cronacle und REALTECH theguard! Integration Einleitung Redwood Software und REALTECH haben gemeinsam eine Lösung entwickelt, die die Systemverfügbarkeit von SAP und mysap Systemen signifikant erhöht.

Mehr

Wiki-basierte Dokumentation von Software-Entwicklungsprozessen

Wiki-basierte Dokumentation von Software-Entwicklungsprozessen Wiki-basierte Dokumentation von Software-Entwicklungsprozessen Erfahrungen aus der industriellen Praxis Fraunhofer IESE Kaiserslautern Inhalt Wiki-basierte Dokumentation von Software-Entwicklungsprozessen

Mehr

Gliederung. Einführung Phasen Ten Essentials Werkzeugunterstützung Aktivitäten, Rollen, Artefakte Werkzeug zur patternorientierten Softwareentwicklung

Gliederung. Einführung Phasen Ten Essentials Werkzeugunterstützung Aktivitäten, Rollen, Artefakte Werkzeug zur patternorientierten Softwareentwicklung Peter Forbrig RUP 1 Gliederung Einführung Phasen Ten Essentials Werkzeugunterstützung Aktivitäten, Rollen, Artefakte Werkzeug zur patternorientierten Softwareentwicklung Peter Forbrig RUP 2 Rational Unified

Mehr

Business Process Management. Cloud und Mobile Computing. BPMday 2013 Köln, 13. November 2013. Enzo Favuzzi - Sales Manager WebCenter & BPM

Business Process Management. Cloud und Mobile Computing. BPMday 2013 Köln, 13. November 2013. Enzo Favuzzi - Sales Manager WebCenter & BPM Business Process Management von Cloud und Mobile Computing BPMday 2013 Köln, 13. November 2013 Enzo Favuzzi - Sales Manager WebCenter & BPM Safe Harbor Statement The

Mehr

Project Management Office (PMO)

Project Management Office (PMO) Project Management Office (PMO) Modeerscheinung oder organisatorische Chance? Stefan Hagen startup euregio Management GmbH, Januar 2007 Einleitung Dem professionellen Management von Projekten und Programmen

Mehr

Risikomanagement und minderung durch strategisches Facility Management

Risikomanagement und minderung durch strategisches Facility Management Risikomanagement und minderung durch strategisches Facility Management Based on the White Paper Risk Management and Mitigation through Strategic Facility Management This paper deals with risk management

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Employment and Salary Verification in the Internet (PA-PA-US)

Employment and Salary Verification in the Internet (PA-PA-US) Employment and Salary Verification in the Internet (PA-PA-US) HELP.PYUS Release 4.6C Employment and Salary Verification in the Internet (PA-PA-US SAP AG Copyright Copyright 2001 SAP AG. Alle Rechte vorbehalten.

Mehr

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131

Architekturen. Von der DB basierten zur Multi-Tier Anwendung. DB/CRM (C) J.M.Joller 2002 131 Architekturen Von der DB basierten zur Multi-Tier Anwendung DB/CRM (C) J.M.Joller 2002 131 Lernziele Sie kennen Design und Architektur Patterns, welche beim Datenbankzugriff in verteilten Systemen verwendet

Mehr

Progress of Enterprise Architecture Management 2008. Eine Studie über das integrierte Management von Business- und IT-Architektur

Progress of Enterprise Architecture Management 2008. Eine Studie über das integrierte Management von Business- und IT-Architektur Progress of Enterprise Architecture Management 2008 Eine Studie über das integrierte Management von Business- und IT-Architektur Warum eine Studie zum Thema EAM? Die Bedeutung für ein integriertes Management

Mehr

Multi-Vendor-Outsourcing und Produktisierung von IT-Services. Dr. Serguei Dobrinevski serguei.dobrinevski@hypersoft.com

Multi-Vendor-Outsourcing und Produktisierung von IT-Services. Dr. Serguei Dobrinevski serguei.dobrinevski@hypersoft.com Multi-Vendor-Outsourcing und Produktisierung von IT-Services Dr. Serguei Dobrinevski serguei.dobrinevski@hypersoft.com Einführung Hypersoft Information Systems Mehr als 200 Großkunden für die Service-Metrics-Software

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin HP Autonomy Information Governance Strategie: Die Kontrolle über die Informationsflut Petra Berneaud - Account Manager Autonomy Status in vielen

Mehr

Chair of Information Management Wissenschaftsdisskussion

Chair of Information Management Wissenschaftsdisskussion Chair of Information Management Wissenschaftsdisskussion 3. Wirtschaftsinformatik Doktorandenkolloquium Südost-Niedersachsen 2008 10. - 11. März 2008, St.Andreasberg Institute of Information Systems Chair

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

SQL SERVER 2005 IM VERGLEICH ZU ORACLE 10G. Alexander Bittner, 07MIM Datenbanken II HTWK Leipzig, FbIMN

SQL SERVER 2005 IM VERGLEICH ZU ORACLE 10G. Alexander Bittner, 07MIM Datenbanken II HTWK Leipzig, FbIMN SQL SERVER 2005 IM VERGLEICH ZU ORACLE 10G Alexander Bittner, 07MIM Datenbanken II HTWK Leipzig, FbIMN Gliederung Rechnerarchitekturen Datenspeicherung Verbindungen / Instanzen SQL Standards Nebenläufigkeit

Mehr

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung

Mehr

Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH

Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH - Henry Ford, 1863-1947 Individuelle erreichbarkeit Sicherheit und Regulatorien Verteilte Teams Partner und Kunden Hohe Kosten

Mehr

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

Mehr

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015 Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken

Mehr

Check_MK. 11. Juni 2013

Check_MK. 11. Juni 2013 Check_MK 11. Juni 2013 Unsere Vision IT-Monitoring muss werden: 1. einfach 2. performant 2 / 25 Was macht IT-Monitoring? IT-Monitoring: Aktives Überwachen von Zuständen Verarbeiten von Fehlermeldungen

Mehr

ITSM (BOX & CONSULTING) Christian Hager, MSc

ITSM (BOX & CONSULTING) Christian Hager, MSc ITSM (BOX & CONSULTING) Christian Hager, MSc INHALT Ausgangssituation ITSM Consulting ITSM Box Zentrales Anforderungsmanagement Beispielhafter Zeitplan Nutzen von ITSM Projekten mit R-IT Zusammenfassung

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

SemTalk Services. SemTalk UserMeeting 29.10.2010

SemTalk Services. SemTalk UserMeeting 29.10.2010 SemTalk Services SemTalk UserMeeting 29.10.2010 Problemstellung Immer mehr Anwender nutzen SemTalk in Verbindung mit SharePoint Mehr Visio Dokumente Viele Dokumente mit jeweils wenigen Seiten, aber starker

Mehr

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Die PAC IT-Services-Preisdatenbank im Überblick 15.000 Referenzpreise ausgewertet über 6 Dimensionen

Mehr

Granite Gerhard Pirkl

Granite Gerhard Pirkl Granite Gerhard Pirkl 2013 Riverbed Technology. All rights reserved. Riverbed and any Riverbed product or service name or logo used herein are trademarks of Riverbed Technology. All other trademarks used

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Big Data Hype oder Realität?

Big Data Hype oder Realität? Big Data Hype oder Realität? Andreas Berth, CEO B2 Performance Group Inhalt B2 Performance das Unternehmen Big Data die Herausforderungen Beispiele für Datenquellen Big Data die Umsetzung Marketing KPI

Mehr

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 0 Es TOP 10 DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 wird ein wichtiges Jahr für BIG (Business Intelligence Growth) 2012 war ein fantastisches Jahr für Business Intelligence! Die biedere alte

Mehr

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse

Mehr

Wie Social Media die Geschäftswelt verändert. Axel Schultze President

Wie Social Media die Geschäftswelt verändert. Axel Schultze President Wie Social Media die Geschäftswelt verändert Axel Schultze President Copyright Xeequa Corp. 2008 Social Media aus der Vogelperspektive Copyright Xeequa Corp. 2008 Fast 10 Jahre Social Media - im Zeitraffer

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Spezialisierungskatalog

Spezialisierungskatalog Spezialisierungskatalog Inhaltsverzeichnis: 1. Friedrich Schiller Universität 2. TU Ilmenau 3. FH Erfurt 4. FH Jena 5. FH Nordhausen 6. FH Schmalkalden 7. BA Gera 8. BA Eisenach 1. Friedrich-Schiller-Universität

Mehr

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

Mehr

Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005

Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005 Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005 Birgit Küfner, 21. Oktober 2005 1 The Power of Learning Wissensmanagement für E-Learning-Anwender Überblick 1. Porträt time4you GmbH

Mehr

ALM mit Visual Studio Online. Philip Gossweiler Noser Engineering AG

ALM mit Visual Studio Online. Philip Gossweiler Noser Engineering AG ALM mit Visual Studio Online Philip Gossweiler Noser Engineering AG Was ist Visual Studio Online? Visual Studio Online hiess bis November 2013 Team Foundation Service Kernstück von Visual Studio Online

Mehr

Sie setzen SharePoint ein?.hier sind Ihre Anwendungen dafür!

Sie setzen SharePoint ein?.hier sind Ihre Anwendungen dafür! Sie setzen SharePoint ein?.hier sind Ihre Anwendungen dafür! SharePoint_EDGE Performance & Compliance Workbench.ist ein modular aufgebautes Anwendungspaket für Microsoft Office SharePoint Server 2007.

Mehr

Open Archives Initiative - Protocol for Metadata Harvesting (OAI-PMH)

Open Archives Initiative - Protocol for Metadata Harvesting (OAI-PMH) , XML LV BF23 (0F32) Open Archives Initiative - Protocol for Metadata Harvesting (OAI-PMH) Achim Oßwald FH Köln Institut für Informationswissenschaft Wintersemester 2010 (Stand: 3.12.10) 1/ 18 OAI-PMH

Mehr

e-business - Patterns Stefan Brauch (sb058) -- Julian Stoltmann (js057)

e-business - Patterns Stefan Brauch (sb058) -- Julian Stoltmann (js057) e-business - Patterns Stefan Brauch (sb058) -- Julian Stoltmann (js057) 1 e-business Patterns??? e-business Patterns Architekturen, die sich über die Zeit bewährt haben. Pattern-Fundgrube web-basierte

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

Vorwort. Zu dieser Reihe. Autoren. Vorwort

Vorwort. Zu dieser Reihe. Autoren. Vorwort Vorwort 9 10 Vorwort Vorwort Herzlich Willkommen zu einem Fachbuch von Comelio Medien, ein Bereich der Comelio GmbH. Dieses Buch aus unserer Reihe zur.net-entwicklung ist das Ergebnis einer Forschungsarbeit,

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Sichere Digitale Soziale Netzwerke

Sichere Digitale Soziale Netzwerke Sichere Digitale Soziale Netzwerke Eine Chance für E-Learning? LifeSocial - www.lifesocial.org E-Learning QuaP2P Improving the Quality of P2P Systems DFG research group 733 Dr.Ing. Kalman Graffi Kalman.Graffi@KOM.tu-darmstadt.de

Mehr