ROLAND M. MÜLLER HANS-JOACHIM LENZ. Business Intelligence

Größe: px
Ab Seite anzeigen:

Download "ROLAND M. MÜLLER HANS-JOACHIM LENZ. Business Intelligence"

Transkript

1 ROLAND M. MÜLLER HANS-JOACHIM LENZ Business Intelligence

2 examen.press

3 examen.press ist eine Reihe, die Theorie und Praxis aus allen Bereichen der Informatik für die Hochschulausbildung vermittelt.

4 Roland M. Müller Hans-Joachim Lenz Business Intelligence

5 Roland M. Müller Hochschule für Wirtschaft und Recht Berlin Berlin, Deutschland Hans-Joachim Lenz Freie Universität Berlin Berlin, Deutschland ISSN ISBN DOI / ISBN (ebook) Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar. Springer Vieweg Springer-Verlag Berlin Heidelberg 2013 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichenund Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Springer Vieweg ist eine Marke von Springer DE. Springer DE ist Teil der Fachverlagsgruppe Springer Science+Business Media

6 Vorwort Business Intelligence (BI), ist nach wie vor ein Modewort, verkauft sich gut und ist zu Recht aus dem Unternehmensalltag kaum mehr wegzudenken. Dies gilt insbesondere dann, wenn man sich in die sechziger bis achtziger Jahre zurückversetzt, wo jede Datenauswertung vom jeweiligen Abteilungsleiter beantragt, vom Rechenzentrumsleiter eines Unternehmens genehmigt und dann dort einzeln programmiert werden musste. Schlimmer noch, der zweite Autor kann sich gut an den Sommer 1964 erinnern, wo er in einem namhaften deutschen Großunternehmen als Werkstudent beschäftigt war. Eine unzweckmäßige Programmierung von sog. Tabellierungen führte zu seitenlangen Papierausdrucken einen Papierstapel von gut 25 cm Höhe. Dieser Ausdruck enthielt die Kupferpreise auf den internationalen Weltmärkten gruppiert nach diversen Kriterien. Die Aufgabe bestand darin, die Daten manuell so zu komprimieren, dass der zuständige Abteilungsleiter imstande und bereit war, sie in Tabellenform zu analysieren. Medienbrüche wie diese waren übrigens bis weit in die neunziger Jahre hinein durchaus an der Tagesordnung in der deutschen Wirtschaft. Es stellt sich wie bei jedem Buch die Frage, wozu noch ein Buch über Business Intelligence geschrieben werden muss. Wir haben dazu, glauben wir, gute Gründe. Zuerst einmal wollen wir unseren ehemaligen Kollegen der Wirtschaftsinformatik an der Humboldt-Universität zu Berlin, den jetzigen Präsidenten der Universität Potsdam und in Personalunion der deutschen Gesellschaft für Informatik (GI), Oliver Günther, dafür verantwortlich machen; denn er war es, der den Anstoß zu diesem Projekt gab. Ohne seinen Motivationsschub am Anfang hätte unser Baby nie das Licht der Welt erblickt. Weiterhin trieb uns an, dass es zweifelsfrei ausgezeichnete englischsprachige Literatur zur BI gibt, diese aber oft von Informatikern geschrieben wurde und Business mehr Etikett oder Alibi ist als die betriebswirtschaftliche Anwendungsdomäne. Wie der Begriff Intelligence deutlich macht, spielt die Auswertung von Daten bei BI eine entscheidende Rolle und zwar im betrieblichen, nicht primär im technischen oder gar naturwissenschaftlichen Bereich. Wir bringen gern BI auf die Formel Business Intelligence = 50 % Betriebswirtschaft/Operations Research + 25 % Data Mining/Statistik + 25 % Data Warehousing. Dies bedeutet, dass die oben angesprochene Gruppe von Büchern unserer Einschätzung nach zu etwa 50 % Lücken an betriebswirtschaftlichen Anwendungen aufweisen. Diese zu V

7 VI Vorwort füllen bzw. eine Brücke zwischen Informatik, Statistik, Operations Research und Betriebswirtschaft (BWL) zu schlagen, sehen wir als eine wichtige Zielsetzung dieses Buches an. Zweifelsohne existieren gerade auch im deutschsprachigen Raum Bücher über BI. Diese sind aber aus unserer Sicht zu deskriptiv, d. h. sie gliedern, be- und umschreiben Phänomene anstatt die dahinter stehenden Probleme aufzugreifen, zu formalisieren und mit geeigneten Werkzeugen zu lösen. Auch mangelt es an illustrativen, methodisch nachvollziehbaren Beispielen und Fällen. Mit diesem Buch haben wir hartnäckig versucht, uns auf das Wie zu konzentrieren, und nicht nur auf das Was. Selbstverständlich haben wir die fachliche Einbettung der BI- Probleme in das betriebliche Umfeld nicht völlig außer Acht gelassen. Mit der Quantifizierung und Formalisierung der betrieblichen Fragestellungen und der Darstellung zugehöriger methodischer Lösungen von Business Intelligence, wie beispielsweise Data Mining, maschinelles Lernen, statistische Datenanalyse und Operations Research, haben wir uns ein vertracktes Darstellungsproblem eingehandelt: Die Vielfalt der Notationen in diesen Fachgebieten. So bezeichnet allein das Symbol π in der Mathematik eine Konstante, im Operations Research einen Schattenpreis beim linearen Optimieren, in der Datenbank- Theorie einen Projektionsoperator usw. In der Statistik werden Zufallsvariablen traditionell mit großen Buchstaben wie X, Y,... bezeichnet,imoperationsresearchüblicherweise nur in Ausnahmefällen, siehe Produktions- und Lagerhaltung bei stochastischer Nachfrage. Dafür werden wiederum (deterministische) Bestandsgrößen wie der Lagerbestand in Periode t, I t, mit großen Buchstaben bezeichnet. Nach reiflicher Überlegung haben wir uns entschlossen, in den einzelnen Kapiteln so weit wie möglich an den jeweiligen domänenspezifischen Bezeichnern festzuhalten. Die Idee einer einheitlichen, kapitelübergreifenden Notation haben wir bewusst verworfen. Unsere Herangehensweise an Business Intelligence ist natürlich durch etliche Forschungs- und Entwicklungsprojekte und die jahrzehntelange Lehrerfahrung im akademischen Bereich mitgeprägt. Dazu haben ganze Generationen von Studierenden beigetragen. Im Mittelpunkt stand dabei nie die reine Stoff- oder Faktenvermittlung, sondern eine spezifische Denkweise, wie BI in der Praxis erfolgversprechend einzusetzen ist: 1. Untersuchungsziele festlegen, 2. Datenbeschaffung durch Buchführung, Messen oder Schätzen, Herunterladen (engl. crawlen) von Inhalten aus dem Internet oder durch geplante Experimente, 3. Datenintegration in ein Data Warehouse in Verbindung mit effizienten Datenstrukturen für massive Datenmengen oder moderner ausgedrückt Big Data, 4. explorative Datenanalyse mittels statistischer, Data-Mining- oder maschineller Lernverfahren, sowie 5. Wissensgenerierung im Sinne von Knowledge Discovery in Databases (KDD) durch Interpretation, Visualisierung und Tabellierung der Ergebnisse. Wir wollen auch das an der Freien Universität Berlin in den Jahren durchgeführte kooperative Forschungsprojekt Global Business Intelligence Server (BussI) nicht

8 Vorwort VII unerwähnt lassen, das von der IBM Deutschland GmbH und der Forschungsgruppe der DaimlerChrysler, Berlin, finanziell, soft- und hardwaremäßig unterstützt wurde. Dessen Zielsetzung bestand darin, ausgewählte marktgängige BI-Methoden, insbesondere der Anbieter IBM, Microsoft, Oracle und SAP, zu testen bzw. anhand von Literatur zu sichten, wissenschaftlich einzuordnen und auf methodische Solidität zu untersuchen. Dies geschah getreu dem Motto: Rerum cognoscere causas (dt. Die Ursachen der Dinge erkennen ). Die vom BussI-Projektteam im Rahmen von Forschungsberichten, Diplomarbeiten und Dissertationen gesammelten Erkenntnisse haben Struktur und teilweise Inhalt dieses Buches mit geprägt. Der erste Autor hatte erste internationale Erfahrungen als BI-Berater im Silicon Valley zu den Hochzeiten des Dot-Com-Booms 1999 und 2000 sammeln dürfen. Ihm ist noch lebhaft ein ER-Diagramm mit hunderten Entitäten bei einem Kunden vor Augen, das eine ganze Wand füllte. Die Möglichkeit am Graduiertenkolleg Verteilte Informationssysteme (GKVI) zu promovieren mit so inspirierenden Professoren wie O. Günther sowie Kollegiaten wie M. Schaal und D. Asonov hat ihn nachhaltig wissenschaftlich geprägt. Die Arbeit am EU-Projekt PARMENIDES mit M. Spiliopoulou und an der Universität Twente mit J. van Hillegersberg sind weitere Erfahrungsgrundlagen für dieses Buch. Den zweiten Autor haben drei internationale Workshops nachhaltig beeinflusst, eine der Business Intelligence angemessene Denkweise zu erlernen. Einmal handelt es sich um den später berühmt gewordenen Edinburgh-Workshop über Statistik und Künstliche Intelligenz Ende der achtziger Jahre, veranstaltet von D. Hand und D. Spiegelhalter. Zum anderen sinddie imzwei-jahres-rhythmus stattfindenden WorkshopsAI and Statistics in Ft. Lauderdale zu nennen, die 1986 von den Bell Labs, USA, initiiert wurden. Last but not least gehört hierzu auch die Folge von Workshops in Udine, Italien, die die International School for the Synthesis of Expert Knowledge (ISSEK) alle zwei Jahre durchführte und die unsere Kollegen G. Della Riccia und R. Kruse ins Leben riefen. Abschließend sei uns noch eine Bemerkung zur Rolle von Wissen und Wissensgenerierung speziell im unternehmerischen Umfeld gestattet, die in diesem Buch im Vordergrund zu stehen scheint. Als in den sechziger Jahren am berühmten Institute for Advanced Studies, Princeton, A. Einstein von seinen naturwissenschaftlichen Kollegen zum Slogan Knowledge is Power befragt wurde, brachte er seine Sicht auf den Punkt mit der Antwort Phantasie ist wichtiger als Wissen. Dem haben wir nichts hinzuzufügen; denn Schumpeters Aussagen, ohne die Ideen von Unternehmern im Sinne von etwas unternehmen läuft die Wirtschaft nicht, gilt nach wie vor. Kurzum, Wissen wird nie allein Ersatz für unternehmerische, d. h. menschliche Kreativität sein [219, 294]. Soft- undhardware führen nicht zu intelligenten Maschinen, sondern waren, sind und bleiben für die Manager wertvolle, unverzichtbare Assistenten und Rechenknechte. Denn Wissen allein ist zwar notwendig, aber bekanntlich nicht hinreichend für erfolgreiches (wirtschaftliches) Handeln. Schließen wir mit G.C. Lichtenberg, der den Autoren dieses Buches Hoffnung gibt: Die Neigung des Menschen, kleine Dinge für nützlich zu halten, hat sehr viel Großes hervorgebracht.

9 VIII Vorwort Wir danken vielen unserer Kollegen für kritische Hinweise auf unklar formulierte Passagen im Manuskript, insbesondere K. Lenz, F. Klawonn und M. Soeffky. Besonders hervorheben wollen wir die Mitarbeiter und Mitarbeiterinnen vom Springer Verlag, Heidelberg, für ihr Engagement, uns jederzeit behilflich zu sein, und für ihre Geduld beim Warten darauf, dass wir das Manuskript abliefern. Wir widmen dieses Buch KT und MHS für deren Verständnis und Unterstützung. Berlin, Juni 2013 Roland M. Müller Hans-J. Lenz

10 Inhaltsverzeichnis Abkürzungs- und Symbolverzeichnis...XIII 1 Einführung Datenbereitstellung: Data Warehousing Einführung Data Warehouse Architektur Architekturkomponenten Architekturvarianten Datenintegration ETL-Prozess Schemakonflikte Datenkonflikte Datenqualität Kenngrößen der Qualitätsmessung Qualitätssicherungsprozess Datenqualitätsberichte Online Analytical Processing (OLAP) Anforderungen an OLAP Systeme Fakten und Dimensionen OLAP Grundoperationen Summierbarkeit Speicherarten Multidimensionale Datenmodellierung Multidimensionale Modellierungssprachen Star-Schema Snowflake-Schema Galaxie-Schema Fact-Constellation-Schema Historisierung Vorgehensweisen für die multidimensionale Modellierung IX

11 X Inhaltsverzeichnis 3 Data Mining Einführung Data Mining Prozess Datentypen von Inputdaten Data Mining Aufgaben Voraussetzung und Annahmen des Data Mining Data Mining Verfahren Clustering Assoziationsanalyse Klassifikation Allgemeine Struktur von Data Mining Algorithmen Text und Web Mining Text Mining Web Mining Methoden der Unternehmenssteuerung Prognose- und Szenariotechnik Prognoseverfahren Szenariotechnik Planung und Konsolidierung Planungsaktivitäten Planungswerkzeuge Konsolidierung Entscheidungsunterstützung Regelbasierte Expertensysteme Fallbasiertes Schließen Risikomanagement Risikomanagement Prozess Risikomaße Monitoring Controlling und Kennzahlensysteme Controlling Betriebliche Kennzahlensysteme Fehlerrückverfolgung Betrugsaufdeckung Datenbetrug Prävention Simulation Lineare Optimierung Informationsverteilung Berichtswesen

12 Inhaltsverzeichnis XI 5.2 Mobiles BI Visualisierung BI-Portale und Dashboards Integration von Wissensmanagement BI Tools und Anwendungsfelder BI Tools BI Anwendungsfelder Customer Relationship Analytics Web Analytics Competitive Intelligence Fallstudie Zusammenfassung und Ausblick Literatur Sachverzeichnis

13 Abkürzungs- und Symbolverzeichnis Abkürzungsverzeichnis 3D Drei Dimensionen ADAPT Application Design for Analytical Processing Technologies AktG Aktiengesetz ARC Administrative Record Census ARIMA Autoregressive Integrated Moving-Average Process ASA Aktivitäten-Scannen Ansatz avg arithmetisches Mittel B&B Branch and Bound BAM Business Activity Monitoring BASEL Regelungen der Basler Eigenkapitalvereinbarungen BDSG Bundesdatenschutzgesetz BI Business Intelligence BSC Balanced Scorecard BWL Betriebswirtschaftslehre CBR Case Based Reasoning CF Cash Flow CI Competitive Intelligence CLV Customer Lifetime Value count absolute Häufigkeit (Anzahl) CPM Corporate Performance Management CPT Conditional Probability Table CRISP-DM Cross-Industry Standard Process for Data Mining CRM Customer Relationship Management CSCW Computer Supported Cooperative Work DART Data Quality Reporting Tool DBMS Database Management System DBSCAN Dichtebasierte räumliche Clusteranalyse DIN Deutsche Industrienorm DM Data Mining XIII

14 XIV Abkürzungs- und Symbolverzeichnis DoE Design of Experiments DQ Data Quality DSS Decision Support System DW Data Warehousing EC Electronic Cash EIP Enterprise Information Portal EL Ereignisliste ERM Entity Relationship Model ERP Enterprise Ressource Planning ESA Ereignis Planungs Ansatz ETL Extraction Transformation Loading EUS Entscheidungsunterstützendes System F-Maß Harmonisches Mittel F&E Forschung und Entwicklung FASMI Fast Analysis of Shared Multidimensional Information FMEA Failure Mode and Effect Analysis FN False Negative Number FP False Positive Number GLS General Least Squares (Verallgemeinerte Kleinste-Quadrate) GmbHG GmbH Gesetz GPS Global Positioning System GuV Gewinn und Verlust HDFS Hadoop Distributed File System HGB Handelsgesetzbuch HOLAP Hybrid OLAP HR Human Ressources HTML Hypertext Mark-up Language i. i. d. Independent and identically distributed IAS International Accounting Standards IC Integrity Constraints IFRS International Financial Reporting Standards INZPLA Integrierte Zielverpflichtungsplanung IrDA Infrared Data Association IT Informationstechnik KDD Knowledge Discovery in Databases KFZ Kraftfahrzeug KI Künstliche Intelligenz knn k-nearest Neighbours KPI Key Performance Indicator LKW Lastkraftwagen LP Lineare Programmierung LTE Long Term Evolution

15 Abkürzungs- und Symbolverzeichnis XV MAD Median/Mean Absolute Deviation max Maximum MCMC Markov-Chain-Monte-Carlo MDX Multidimensional Expressions ME/RM Multidimensionales Entity Relationship Modell MED Median (50 %-Punkt) min Minimum Mio Million (10 6 ) MIP Mixed Integer Program ML Machine Learning MOLAP multi-dimensional OLAP NER Named-Entity Recognition NFC Near Field Communication NLP Natural Language Processing OC Operationscharakteristik ODS Operational Data Store OLAP Online Analytical Processing OLTP Online Transaction Processing OOMD Objektorientiertes multidimensionales Modell OOP Objekt-orientierte Programmierung ÖPNV Öffentlicher Personen-Nahverkehr OR Operations Research OWB Oracle Warehouse Builder PB Petabytes (10 15 Bytes) PDA Personal Digital Assistant PDF Portable Document Format PIA Prozess-Interaktionen Ansatz PKW Personenkraftwagen PLZ Postleitzahl POS Part of Speech PPC Pay Per Click QoS Quality of Service RFID Radio-Frequency Identification RHS Right Hand Side ROLAP Relational OLAP RP Right Positive Number SaaS Software as a Service SAETL Semi-automatic ETL SCM Supply Chain Management SEM Search Engine Marketing SMS Short Message System SOA Software Oriented Architecture

16 XVI Abkürzungs- und Symbolverzeichnis SOE Statistische Organisationseinheit SPC Statistische Prozesskontrolle SQL Structured Query Language SSD Solid State Drive sum Summe SVM Support Vector Machine TB Tera Bytes (10 12 Bytes) TF-IDF Term Frequency-Inverse Document Frequency UB Universal Baier Bäume UML Universal Modeling Language UMTS Universal Telecommunications System US-GAAP U.S. Generally Accepted Accounting Principles VaR Value at Risk VDA Verband der Automobilindustrie WLAN Wireless Local Area Network WPAN Wireless Personal Area Network WWW World Wide Web XML Extended Mark-up Language Liste der mathematischen Symbole t Zeitindex, Abschn d t Absatz in t,abschn p t Produktionsrate in t,abschn I t Lagerbestand am Ende von t,abschn range() Wertebereich eines Attributs, Abschn M Kardinalität der Menge M,Abschn cond() Boolesche Variable, Abschn χ Indikatorvariable, Abschn. 2.1 q() Prozentualer Anteil von Attributwerten, Abschn n Daten- oder Stichprobenumfang, Abschn I Einheitsmatrix, Abschn V Leontievsche Verflechtungsmatrix, Abschn d t Endnachfragevektor in t,abschn σ 2 Varianz, Abschn O() Komplexität (Rechenaufwand), Abschn N Anzahl, Abschn T Tabelle (flache Relation, Datenmatrix ), Abschn Id Kandidatenschlüssel, Primärschlüssel, Abschn p Kandidatenschlüsselwert, Abschn f Fremdschlüsselwert, Abschn

17 Abkürzungs- und Symbolverzeichnis XVII id Primärschlüsselwert, Abschn null Nullwert (missing value), Abschn F Fremdschlüssel, Abschn F Faktenmenge, Abschn A Attributmenge, Abschn D Dimensionenmenge, Abschn H Menge hierarchischer Attribute, Abschn F Faktum (Attribut), Abschn Agg SQL SQL-Aggregatfunktionen, Abschn H Hierarchie (Wurzelbaum), Abschn Kreuzprodukt (crossing), Abschn / Schachtelung (nesting), Abschn Ops Menge von Cube-Operationen, Abschn σ T Selektion (slice), Abschn π T Projektion (dice), Abschn ρ T Aggregation (roll-up), Abschn δ T Disaggregation (drill-down), Abschn h Knoten in H,Abschn f () Dichtefunktion, Abschn w κ Mischungsgewicht, Abschn C Cluster, Abschn N(μ, Σ) Mehrdimensionale Normalverteilung, Abschn μ Mittelwertsvektor, Abschn Kovarianzmatrix, Abschn R d d-dimensionaler Raum reeller Zahlen, Abschn dist Distanzmaß, Abschn x, y Beobachtungsvektoren im R d,abschn sim Ähnlichkeitsfunktion, Abschn δ(, ) Indikatorfunktion, Abschn C i Centroid im Cluster C, Abschn k Anzahl Cluster, Abschn X Y Assoziationsregel, Abschn k Anzahl Elemente in k-item-menge, Abschn D Datenbank von Transaktionen, Abschn n(d) Häufigkeit der Menge in D,Abschn Leere Menge, Abschn F Harmonisches Mittel, Abschn P(c x) Bedingte Wahrscheinlichkeit von c,abschn P(c) Marginale Wahrscheinlichkeit von c,abschn P Partition, Abschn P i i-te Teilmenge von P,Abschn E Entscheidungsmenge, Abschn

18 XVIII Abkürzungs- und Symbolverzeichnis D Trainingsdaten(bank), Abschn k Anzahl nächster Nachbarn, Abschn y i Boolesche Variable, Abschn θ Parametervektor der SVM, Abschn c Strafkostensatz bei SVM, Abschn ξ Variablenvektor von SVM, Abschn g Dimension-reduzierende Abbildung, Abschn n Anzahl Dokumente, Abschn w l Term im Dokumentenbestand D,Abschn x jl Termgewicht von Term l in Dokument j,abschn s j Länge von Dokument j,abschn tf jl Häufigkeit von Term l in Dokument j,abschn idf l inverse Dokumenthäufigkeit, Abschn n l Anzahl Dokumente, die Term l enthalten, Abschn c Normalisierungskonstante, Abschn cos Kosinus-Funktion, Abschn φ Winkel zwischen zwei Vektoren, Abschn N Menge der natürlichen Zahlen, Abschn H Entropie, Abschn log 2 Logarithmusfunktion (Basis 2), Abschn m upper Mindestwert der Term-Entropie, Abschn (x t, x t 1,...,x t n ) Zeitreihe der Länge n + 1, Abschn. 4.1 τ Prognosedistanz, Abschn. 4.1 (X t ) + t= Stochastischer Prozess, Abschn e t Fehlerterm im Zeitreihenmodell, Abschn ˆX t+τ Prognose in t von X t+τ,abschn E t (X t+τ ) Bedingter Erwartungswert von X t+τ in t,abschn α 0, α 1 Parameter im linearen Trendmodell, Abschn T Aktueller Zeitpunkt, Abschn M T Hilfsgröße für Achsenabschnitt bei Gleitendem Mittel, Abschn N T Steigungsparameter bei Gleitenden Mittel, Abschn ˆα 0 (T) Schätzwert des Achsenabschnitts, Abschn ˆα 1 (T) Schätzwert des Steigungsparameters, Abschn m Länge des Gleitenden Mittels, Abschn g τ Gewicht beim Geometrischen Glätten 1. Ordnung, Abschn λ Glättungsparameter, Abschn S t Glättungsoperator Geom. Glättung 1. Ordn., Abschn S t, Ŝt Wahre/geschätzte Saisonkomponente, Abschn λ G, λ T, λ S Glättungsparameter im Holt-Winter Modell, Abschn R 2 Bestimmheitsmaß, Abschn ˆα 1,0 Geschätzter Trendwert, Abschn ˆα 0,0 Geschätzter Grundwert, Abschn

19 Abkürzungs- und Symbolverzeichnis XIX S t Roher Saisonkoeffizient, Abschn S j Gemittelter Saisonkoeffizient, Abschn Ŝ j,0 Normierter Saisonkoeffizient, Abschn Differenzenoperator 1. Ordnung, Abschn us Unsicherheitsscore (siehe k ij ), Abschn dep Abhängigkeitsmaß für Knotenpaare, Abschn G =(V, E) Graph mit Knotenmenge V und Kantenmenge E, Abschn k ij Abhängigkeitsmaß zwischen Wertepaaren bei der Cross-Impact-Analyse, Abschn parent(x j ) Vorgängerknotenmenge des Knotens x j,abschn B, B 1, B 2 Unternehmen, Abschn F 1, F 2 Forderungen, Abschn V 1, V 2 Verbindlichkeiten, Abschn F Faktenbasis, Abschn R Regelbasis, Abschn r Regel, Abschn p Eintrittswahrscheinlichkeit, Abschn E(X) Erwartungswert von X,Abschn E(u(X)) Erwarteter Nutzen von X,Abschn σ Standardabweichung/(annualisierte) Volatilität, Abschn VaR Value at Risk, Abschn A Aktionenmenge, Abschn u Nutzenfunktion, Abschn x i Logarithmische Tagesrendite, Abschn ˆμ Mittelwert-Schätzer, Abschn ˆσ Standardabweichung-Schätzer, Abschn z 1 α (1 α)-quantil der Normalverteilung, Abschn α Sicherheitswahrscheinlichkeit/Konfidenz(niveau), Abschn ρ Pearsonsche Korrelationskoeffizient, Abschn cov(x, Y) Kovarianz zwischen den Zufallsvariablen X, Y, Abschn Δ t Abtastintervall, Abschn. 4.5 n Anzahl Stichproben der jeweiligen Länge m,abschn.4.5 m Stichprobenumfang, Abschn. 4.5 x-karte x-mittelwertskarte, Abschn. 4.5 R-Karte Spannweitenkarte, Abschn. 4.5 R = x max x min Spannweite, Abschn. 4.5 min Minimum, Abschn. 4.5 max Maximum, Abschn. 4.5 UEG x Untere Eingriffsgrenze einer x-karte, Abschn. 4.5 OEG x Obere Eingriffsgrenze einer x-karte, Abschn. 4.5 UEG R Untere Eingriffsgrenze einer R-Karte, Abschn. 4.5

20 XX Abkürzungs- und Symbolverzeichnis OEG R Obere Eingriffsgrenze einer R-Karte, Abschn. 4.5 R Mittelwert von Spannweiten R i, i = 1,2,...,m,Abschn.4.5 X t F 0 Wahrscheinlichkeitsverteilung von X t,abschn.4.5 F 0, F 1 Verteilungen für Prozess in (F 0 ) und außer (F 1 ) Kontrolle, Abschn. 4.5 σ 2 Fertigungsstreuung (Varianz), Abschn. 4.5 Δ μ Sprunghöhe der Fertigungslage μ,abschn.4.5 Bi(n, p t ) Binomialverteilung mit den Parametern (n, p t ),Abschn.4.5 Δ p Sprunghöhe im Ausschussanteil p,abschn.4.5 p Ausschussanteil/Ausschusswahrscheinlichkeit, Abschn. 4.5 S t Prüfgröße beim Monitoring, Abschn. 4.5 r Glättungsparameter der WESUM Karte, Abschn. 4.5 κ Glättungsparameter der CuSum-Karte, Abschn. 4.5 k Glättungsparameter der Gleitende Mittelwerte -Karte, Abschn. 4.5 δ Entscheidungsfunktion beim Monitoring, Abschn. 4.5 h 1, h + 1 Untere/obere Kontrollgrenze der x-karte, Abschn. 4.5 β(θ) Wahrscheinlichkeit für Kein Prozesseingriff, falls θ der aktuelle Prozessparameterwert ist, Abschn. 4.5 eet t,eaz t Erfolgswirksame Ein- und Auszahlungen in (t 1, t],abschn CF (1) Cash Flow berechnet nach Methode 1, Abschn CF (2) Cash Flow berechnet nach Methode 2, Abschn JE t Jahresergebnis in Periode (t 1, t],abschn naa t Nicht auszahlungswirksame Aufwendungen in (t 1, t],abschn nee t Nicht einzahlungswirksame Erträge in (t 1, t],abschn z Zielgröße abhängig von Einflussgrößen x 1, x 2,...,x p,abschn λ Steigerungs-/Mehrverbrauchsfaktor, Abschn λ Soll Sollwert-Steigerungsfaktor, Abschn λ Ist Istwert-Steigerungsfaktor, Abschn ε Vergleichs-/Schwellenwert, Abschn Δ Soll-Ist-Abweichung, Abschn Ω Urbildraum von Zufallsvariablen, Abschn φ Dichtefunktion der Standard-Normalverteilung, Abschn Φ Verteilungsfunktion der Standard-Normalverteilung, Abschn Φ 1 Inverse Normalverteilungsfunktion, Abschn v Spritverbrauch gemessen in l/100 km, Abschn KI u,ki o Konfidenzintervallgrenzen, Abschn ζ, ξ Unbekannte, messfehlerfreie ( wahre ) Parametervektoren, Abschn x, z Messfehlerbehaftete Variablenvektoren, Abschn u, v Messfehlervektoren im Fehler-in-den-Variablen-Modell, Abschn ˆζ, ˆξ GLS Schätzer von ζ, ξ,abschn ˆΣ Schätzer der Kovarianzmatrix Σ,Abschn.4.6.1

21 Abkürzungs- und Symbolverzeichnis XXI ˆβ T =(ˆξ, ˆζ) T GLS Schätzer von β,abschn μ x Zugehörigkeitsfunktion der Fuzzy Set von x,abschn α-schnitt α-höhenschnitt durch Zugehörigkeitsfunktion μ x,abschn a, b, c, d Intervallgrenzen, Abschn ỹ, z Schätzer von y, z mittels FuzzyCalc, Abschn p AB /p CD AB Marginale/bedingte Wahrscheinlichkeitsverteilungen, Abschn. 4.7 p A, p B Korrosionsrisiken, Abschn. 4.7 D i Zufallsvariable der i-ten Stelle von Zahlen gem. Benford s Law, Abschn. 4.8 log 10 Logarithmusfunktion zur Basis 10, Abschn. 4.8 P(D i = d) Wahrscheinlichkeit von D i = d gem. Beford s Law, Abschn. 4.8 λ A, λ H Kalibrierungsparamter zum Ausgleich des Maskierungseffekts, Abschn x Median, Abschn MAD() Median absoluter Abweichungen, Abschn OUT((x ν ) ν=1 n, α n) α n -Ausreißerbereich, Abschn c n,αn Schwellenwert für α n -Ausreißerbereich, Abschn α n Kalibriertes α für Ausreißertest, Abschn χ 2 p;1 α n Mittels MCMC-Simulation berechneter Schwellenwert, Abschn z =(x μ)/σ Standardisierter Messwert x,abschn z 2 Quadrierter z-wert, Abschn sz 2 Summe der quadrierten z-werte, Abschn ln sz 2 Logarithmische Transformation der sz 2,Abschn ln sz 2 Mittelwert der ln sz 2 -Werte, Abschn A(t) Anzahl Ankünfte im Intervall (0, t],abschn.4.9 N(t) Anzahl Wartender in t,abschn.4.9 W(t) Wartezeit der Kunden in (0, t],abschn.4.9 k Kapazität (Anzahl Frisöre), Abschn. 4.9 Kost(k) Kostenfunktion bezogen auf [T Start, T Ende ],Abschn.4.9 Wart(k) Wartezeitfunktion bezogen auf [T Start, T Ende ],Abschn.4.9 T Start Zeitpunkt Simulationsbeginn, Abschn. 4.9 T Ende Zeitpunkt Simulationsende, Abschn. 4.9 ρ Verkehrsintensität im Warteschlangenmodell, Abschn. 4.9 f Zielfunktion im LP, Abschn x Vektor der Entscheidungsvariablen, Abschn c Vektor der Zielfunktionskoeffizienten (Deckungsbeiträge), Abschn A =(a ij ) Koeffizientenmatrix, Abschn b Vektor der Beschränkungsparameter, Abschn x Optimale Lösung, Abschn I, J Indexmengen, Abschn. 4.10

22 XXII Abkürzungs- und Symbolverzeichnis Z Zulässiger Bereich, Abschn λ Parameter einer Linearkombination, Abschn O(m, n) Obere Schranke für Anzahl Eckpunkte im LP, Abschn n Anzahl Variablen im LP, Abschn m Anzahl Nebenbedingungen (Restriktionen) im LP, Abschn c, x, Ã c, x, A in LP-Normalform, Abschn E m (m, m)-einheitsmatrix, Abschn π i Opportunitätskosten (Schattenpreis) im LP, Abschn Z n n-dimensionaler Raum der ganzen Zahlen, Abschn č Koeffizientenvektor für ganzzahliges x in IP, MIP, Abschn x, y Obergrenzen für x, y in LP, MIP, Abschn x, y Untergrenzen für x, y in LP, MIP, Abschn n Anzahl reellwertiger Variablen in MIP, Abschn m Anzahl ganzzahliger VariableninMIP,Abschn.4.10 F 1 (3) Floskel Nr. 1 für Report bezogen auf 3 Quartale, Abschn. 5.1 Q t Quartalsumsatz in t = 1, 2, 3, 4, Abschn. 5.1 CR Erfolgsrate (engl. conversion rate), Abschn CAC Kundenakquisekosten, Abschn r Abzinsungsfaktor, Abschn NPV Abgezinster Wert des Zahlungsstroms über n Perioden, Abschn ˆπ (A), ˆπ (B) Geschätzte Konversionsraten von A, B, Abschn

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

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

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

Erfolgreich als Medical Advisor und Medical Science Liaison Manager

Erfolgreich als Medical Advisor und Medical Science Liaison Manager Erfolgreich als Medical Advisor und Medical Science Liaison Manager Günter Umbach Erfolgreich als Medical Advisor und Medical Science Liaison Manager Wie Sie effektiv wissenschaftliche Daten kommunizieren

Mehr

Springer Spektrum, Springer Vieweg und Springer Psychologie.

Springer Spektrum, Springer Vieweg und Springer Psychologie. essentials Essentials liefern aktuelles Wissen in konzentrierter Form. Die Essenz dessen, worauf es als State-of-the-Art in der gegenwärtigen Fachdiskussion oder in der Praxis ankommt. Essentials informieren

Mehr

Human Capital Management

Human Capital Management Human Capital Management Raimund Birri Human Capital Management Ein praxiserprobter Ansatz für ein strategisches Talent Management 2., überarbeitete Auflage Raimund Birri Zürich, Schweiz ISBN 978-3-8349-4574-7

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

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

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

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

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

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

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

Diplomarbeit. Planung eines Webauftritts. Ein Leitfaden für kleine und mittelständische Unternehmen. Daniel Jurischka. Bachelor + Master Publishing

Diplomarbeit. Planung eines Webauftritts. Ein Leitfaden für kleine und mittelständische Unternehmen. Daniel Jurischka. Bachelor + Master Publishing Diplomarbeit Daniel Jurischka Planung eines Webauftritts Ein Leitfaden für kleine und mittelständische Unternehmen Bachelor + Master Publishing Daniel Jurischka Planung eines Webauftritts: Ein Leitfaden

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

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

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

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

IT-basierte Kennzahlenanalyse im Versicherungswesen

IT-basierte Kennzahlenanalyse im Versicherungswesen Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

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

Supply Chain Management

Supply Chain Management Guntram Wette Supply Chain Management in kleinen und mittleren Unternehmen Können KMU erfolgreich ein SCM aufbauen? Diplomica Verlag Guntram Wette Supply Chain Management in kleinen und mittleren Unternehmen

Mehr

Erfolgsfaktoren von Customer Relationship Management Strategien

Erfolgsfaktoren von Customer Relationship Management Strategien Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

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

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

Talentmanagement mit System

Talentmanagement mit System Talentmanagement mit System Peter Wollsching-Strobel Birgit Prinz Herausgeber Talentmanagement mit System Von Top-Performern lernen Leistungsträger im Unternehmen wirksam unterstützen Der PWS-Ansatz Herausgeber

Mehr

Netzwerkorientiertes Supply Chain Controlling und Risikomanagement

Netzwerkorientiertes Supply Chain Controlling und Risikomanagement Kiril Kiryazov Netzwerkorientiertes Supply Chain Controlling und Risikomanagement Diplomica Verlag Kiril Kiryazov Netzwerkorientiertes Supply Chain Controlling und Risikomanagement ISBN: 978-3-8428-0997-0

Mehr

BWL im Bachelor-Studiengang

BWL im Bachelor-Studiengang BWL im Bachelor-Studiengang Reihenherausgeber: Hermann Jahnke, Universität Bielefeld Fred G. Becker, Universität Bielefeld Fred G. Becker Herausgeber Einführung in die Betriebswirtschaftslehre Mit 48 Abbildungen

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

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

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

Handbuch Kundenmanagement

Handbuch Kundenmanagement Handbuch Kundenmanagement Armin Töpfer (Herausgeber) Handbuch Kundenmanagement Anforderungen, Prozesse, Zufriedenheit, Bindung und Wert von Kunden Dritte, vollständig überarbeitete und erweiterte Auflage

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

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

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

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

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

Einfluss von Social Media auf die Suchmaschinenoptimierung mit spezieller Betrachtung von Google+

Einfluss von Social Media auf die Suchmaschinenoptimierung mit spezieller Betrachtung von Google+ Wirtschaft Lukas Peherstorfer Einfluss von Social Media auf die Suchmaschinenoptimierung mit spezieller Betrachtung von Google+ Bachelorarbeit Peherstorfer, Lukas: Einfluss von Social Media auf die Suchmaschinenoptimierung

Mehr

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben Transbase Hypercube ist eine Transbase -Option, die die innovative Hypercube-Technologie für komplexe analytische Anwendungen (OLAP)

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

Christian Kremer. Kennzahlensysteme für Social Media Marketing. Ein strategischer Ansatz zur Erfolgsmessung. Diplomica Verlag

Christian Kremer. Kennzahlensysteme für Social Media Marketing. Ein strategischer Ansatz zur Erfolgsmessung. Diplomica Verlag Christian Kremer Kennzahlensysteme für Social Media Marketing Ein strategischer Ansatz zur Erfolgsmessung Diplomica Verlag Christian Kremer Kennzahlensysteme für Social Media Marketing: Ein strategischer

Mehr

Rolf F. Toffel Friedrich Wilhelm Toffel. Claim-Management

Rolf F. Toffel Friedrich Wilhelm Toffel. Claim-Management Rolf F. Toffel Friedrich Wilhelm Toffel Claim-Management Dipl.-Ing. Dr. rer. pol. habil. Rolf F. Toffel Universitätsprofessor der Baubetriebswirtschaftslehre an der Technischen Universität Braunschweig

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

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

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

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

Master Data Management - Wege aus der Datenkrise

Master Data Management - Wege aus der Datenkrise Master Data Management - Wege aus der Datenkrise Conect 2008-04-03 Dr. Siegmund Priglinger Business Application Research Center (BARC) Steinbachtal 2b D-97082 Würzburg +49-931-8806510 www.barc.de Agenda

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

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

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

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

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

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

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

SQL Server 2005. Eine umfassende Einführung

SQL Server 2005. Eine umfassende Einführung SQL Server 2005 Eine umfassende Einführung E-Mail: petkovic@fh-rosenheim.de Lektorat: Barbara Lauer, Bonn Copy-Editing: Sandra Gottmann, Münster Satz: Just in Print, Bonn Herstellung: Birgit Bäuerlein

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

Einsatz von Anwendungssystemen

Einsatz von Anwendungssystemen Einsatz von Anwendungssystemen WS 2013/14 7 Führungssysteme 7.1 Data Warehouse 7.2 Planungssysteme 7.3 Balanced Scorecard (BSC) 7.4 Business Intelligence 7 Führungssysteme 7.1 Data Warehouse Ein Data Warehouse

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Springer Spektrum, Springer Vieweg und Springer Psychologie.

Springer Spektrum, Springer Vieweg und Springer Psychologie. essentials Essentials liefern aktuelles Wissen in konzentrierter Form. Die Essenz dessen, worauf es als State-of-the-Art in der gegenwärtigen Fachdiskussion oder in der Praxis ankommt. Essentials informieren

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

MedR Schriftenreihe Medizinrecht Herausgegeben von Professor Dr. Andreas Spickhoff, Göttingen Weitere Bände siehe http://www.springer.

MedR Schriftenreihe Medizinrecht Herausgegeben von Professor Dr. Andreas Spickhoff, Göttingen Weitere Bände siehe http://www.springer. MedR Schriftenreihe Medizinrecht Herausgegeben von Professor Dr. Andreas Spickhoff, Göttingen Weitere Bände siehe http://www.springer.com/series/852 Arbeitsgemeinschaft Rechtsanwälte im Medizinrecht e.v.

Mehr

Controller Band 4: Berichtswesen und Informationsmanagement

Controller Band 4: Berichtswesen und Informationsmanagement Controller Band 4 Controller Band 4: Berichtswesen und Informationsmanagement von Rüdiger R. Eichholz 3., völlig neu bearbeitete Auflage Controller Band 4: Berichtswesen und Informationsmanagement Eichholz

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

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

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

Human Capital Management: Anwendbarkeit und Nutzen einer monetären Human Capital Bewertung mit der Saarbrücker Formel nach Scholz, Stein & Bechtel

Human Capital Management: Anwendbarkeit und Nutzen einer monetären Human Capital Bewertung mit der Saarbrücker Formel nach Scholz, Stein & Bechtel Michael Kock. Human Capital Management: Anwendbarkeit und Nutzen einer monetären Human Capital Bewertung mit der Saarbrücker Formel nach Scholz, Stein & Bechtel Praxisorientierte Personal- und Organisationsforschung;

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Business Intelligence für alle ein integrierter und ganzheitlicher Ansatz

Business Intelligence für alle ein integrierter und ganzheitlicher Ansatz Business Intelligence für alle ein integrierter und ganzheitlicher Ansatz Martina Schnelle, PreSales Senior Specialist BI 21. Mai 2015 Public Haftungsausschluss In dieser Präsentation wird nur eine allgemeine

Mehr

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Unternehmen Beratung Strategie

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Lehrgebiet Informationssysteme

Lehrgebiet Informationssysteme Lehrgebiet AG Datenbanken und (Prof. Michel, Prof. Härder) AG Heterogene (Prof. Deßloch) http://wwwlgis.informatik.uni-kl.de/ Was sind? Computergestützte Programmsysteme, die Informationen erfassen, dauerhaft

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Datenintegration mit Informatica PowerCenter

Datenintegration mit Informatica PowerCenter Datenintegration mit Informatica PowerCenter Mein Weg vom Studenten zum Consultant Christoph Arnold 03.07.2013 1 Agenda Von der THM zu Infomotion Datenschieberei oder doch mehr? Die weite Welt von Informatica

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

Produkte kommen und gehen, Kunden bleiben

Produkte kommen und gehen, Kunden bleiben Oliver Holtmann Produkte kommen und gehen, Kunden bleiben Customer-Value-Controlling als Herausforderung zur Steuerung des Kundenwerts Diplomica Verlag Oliver Holtmann Produkte kommen und gehen, Kunden

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

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr