Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte. Pallas Intelligence. Enterprise Knowledge-Portals

Transkript

1 Ein Unternehmen der ExperTeam-Gruppe Wege aus dem Daten-Chaos Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte DLR Workshop Hans-Gerd Schaal Geschäftsführer Pallas GmbH HermülheimerStraße Brühl Emil-Figge-Straße Dortmund Die Geschäftsbereiche der Pallas GmbH Pallas Performance Pallas Intelligence Pallas Security Performance Consulting Knowledge- Consulting Security Consulting High Performance Application Enterprise Knowledge-Portals Security Center App. Service Providing High Performance Tools E-Learning

2 Von der Datenspeicherung zum Wissensmanagement Aktuelle Herausforderungen Von Daten zum Wissen Historische Perspektive Konzeptionelle Perspektive Technologische Perspektive Überblick über wichtige Konzepte Datawarehouse Data-Mining Knowledge-Discovery Ausblick Daten-Chaos: Die Herausforderung Reich an Daten, arm an Information. Alle klagen über zu viel an Informationen, keiner fühlt sich gut informiert. Wenn Ihre Organisation wüsste, was sie alles wissen? Informationsflut ist ein Teil der Tragödie der Kultur des modernen Menschen Georg Simmel

3 Aus dem Datenchaos entwickelt sich zunächst ein Begriffschaos EIS Data Marts Data Warehouse PLM Wissens- Management Desicion Support DBMS Portal Knowledge Discovery Wissensnetze Business- Intelligence Web Mining Information Daten, Informationen, Wissen... bilden eine Wertschöpfungskette Wert/ Nutzen Technologie- Basiert Daten Informationen Wissen Unternehmens- Intelligenz Einsicht Entscheiden Handeln Zeichen - Werte - Fakten - Zusammenhänge - Muster Prinzipien - Erfahrung einfach komplex Strukturiert unstrukturiert Ohne Bedeutung Bedeutungsgehalt Kontextunabhängig Kontextbezogen Personenunabhängig (Personenabhängig)

4 Wertsteigerung durch Informationstechnologie heißt Semantik mit Computern beherrschen Wert/ Nutzen Wissen verstehen verteilen generieren Technologie- Basiert Informationen Daten extrahieren finden bereitstellen speichern Treiber für die Entwicklung von Konzepten und Technologien Auslöser Treiber Ziele Wettbewerbs- Druck Zunehmende Bedeutung von Information Exponentielles Datenwachstum Globalisierung Wissens- Gewinnung Qualität Standardisierung Prozess- Orientierung Integration Automatisierung Kosteneinsparung Strategieentwicklung Qualitäts- Steigerung Time to Market Ergebnis- Steigerung

5 Vom Daten zum Wissensmanagement aus historischer Perpektive... Funktions - orientierung Datenbankadministration Datenmodellierung Wissens - management Treiber Intelligence- Orientierung Information als Ressource Transparenz Flexibilität Qualität Prozess & Standardisierung Transaktion & Integration Informationsmanagement Datenmanagement Technologie- Entwicklung & Automation In Anlehnung an Dippolt et al. Unternehmensweites Datenmanagement 2001 Der Weg zum Wissensmanagement führt nur über das Daten und Informationsmanagement Erfolgreiches Wissensmanagement setzt ein effizientes Daten- und Informations-Management voraus Wissens-Management Informations-Management Daten-Management

6 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Entwickeln & Entdecken Speichern & Bereitstellen Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings 58% Web-Mining Verdopplung alle 18 Monate MIS, EIS, DSS Case Based Reasoning Kennzahlenanalyse 88% sind nicht per Search-Engine Data Warehouse E-Learning auffindbar Internet/Intranet Operative Systeme DMS-Systeme (OLTP) Archiv-Systeme Wissensredaktion Communities Konferenzen Kultur-Entwicklung Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Delphi-Studie Memory Abteilungen / Teams Mitarbeiter 42 % Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

7 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Entwickeln & Entdecken Speichern & Bereitstellen In Anlehnung an Grothe/Gentsch Business Intelligence 2000 Pull / Push Technologie Reporting MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Intelligente Agenten Foren, emeetings Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Wissensredaktion Communities Konferenzen Kultur-Entwicklung Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

8 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter / EDM Integration der Engineering-Daten während des Produktlebenszyklus S PLMS Erweiterte EDMS-Definition ( nachploenzke)

9 Durchgängige Nutzung und Verteilung von Engineering- Daten bietet hohe Rationalisierungspotentiale Simultaneous-Engineering-Prinzip führt zu verbessertem Informationsfluss in der gesamten Vorgangsbearbeitung Integration bereichsübergreifender Abläufe und Zusammenarbeit Standardisierung und erhöhte Wiederverwendung von Produkten Steigerung der Entwicklungsqualität: Wiederverwendungsgrad ca. 70% 20% der Arbeitszeit für die Konstruktion von Produkten 35% für die Suche nach Daten Ideale Einsparungsmöglichkeiten: Dokumentenmanagement (ablegen, anfordern, verteilen) Freigabe, Prüfung, Änderungsmanagement, Klassifikation, Daten und Dokumente suchen Projektplanung, -verfolgung, -controlling Quelle: S/EDMS Systemintegration PPS Auftrags- Daten - Technische Daten Produktbezogen CAD Entwicklung Konstruktion CAP Arbeits- Planung NC NC-Programm Erstellung Kundenbezogen Produktionsprogramm Planung Ablauf- Planung Menge Termine CAM Fertigung Auftragssteuerung Auftragsüberwachung Termine Kapazitäten CAQ Qualitäts überwachung Quelle:

10 Grundprinzip von Informationssystemen Operative Systeme OLTP Externe Daten Interne Daten Informations- Systeme Ziel Priorität DBMS Datenoperationen Abwicklung, Transaktion Verfügbarkeit, Performance Hierarchisch relational Schreiben, ändern, löschen Beobachtung, Analyse, Entscheidung Einfache Benutzung flexibler Datenzugriff Relational multidimensional Lesen, ergänzen Art der Daten Nutzer dynamisch Operativer Bereich Anwender, Kunde, Lieferant Zeitpunktbezogen, Historie, periodisch geladen Entscheider Wissensarbeiter, Zusammenspiel von OLTP und Data-Warehouse OLTP ETL Staging Area Data-Warehouse Präsentation SCM ERP CRM WWW Daten-Reengineering Extraktion,Transformation,Laden Replikation Data- Warehouse Operational Data-Store Data- Data- Marts Marts Reports Data-Mining Ad hoc Analyse DB-Katalog Tool- Dircetory DB Katalog Meta-Daten Scheduler Report Mgt.

11 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter MIS mit zentraler Datenkomponente erfordern ein einheitliches Datenmodell MIS: Management Information System EIS: Executiv Information System Top-Management DSS: Decision Support System Taktischer Bereich Klassische MIS-Systeme Moderne MIS-Systeme A B C D Daten- Akquisition 1 Daten- Akquisition 2 Daten- Akquisition 3 EIS 1 DSS 1 EIS 2 A B C D Daten-Akquisition 1 DW Daten-Akquisition 1 EIS 1 DSS 1 EIS 2

12 DW-Analysen mit -Technologien sind Stand der Technik Würfel (Cube) Element Auswertung nach Dimensionen Produkt Ergebnisse Deckungsbeitrag Wahrscheinlichkeit Preis-Sensitivität Dimension Zeit Kunde Performance Risikoklassen Kundensegmentierung 1. Welchen Deckungsbeitrag hat ein bestimmtes Produkt im letzten Quartal in einer bestimmten Region für Kundensegment A erzielt? 2. Wie verändert sich der Umsatz in Region A bei bestimmten Preisänderungen? Trends in der Weiterentwicklung von DW Schreibender Zugriff: zurückschreiben von gewonnen Information in das Data Warehouse Manuelle Datenerweiterung: manuelle Anreicherung von Daten, z.b. zusätzliche Kategorisierungen Realtime Analysen: Informationen müssen sofort aus den OLTP- Systemen in das Data Warehouse gebracht werden (ODS) Informationserweiterung auf unstrukturierte Informationen (Web) Portalintegration, Einbindung in personalisierte Web- Portale My place-idee

13 Effiziente Suche nach verborgenen, wertvollen Informationen in großen Datenmengen und deren Interpretation (Schommer C. et al) Erkennen von Mustern / Strukturen / Gesetzmäßigkeiten in strukturierten Datenbeständen, um Entscheidungen und Vorhersagen zu treffen Hypothesenfreie Wissensgenerierung Endeckungsmodell bzw. explorative Datenanalyse Maschinelles Lernen (Aneignen von Hypothesen über Gesetzmäßigkeiten der realen Welt) Mit können unübersichtliche Daten auf wenige, interpretierbare Muster reduziert werden viele Einzelfälle wenige typische Kombinationen Lesbar und analysierbar undurchschaubar

14 Aufgaben und Methoden des Fragestellung Beispiel Data-MiningAufgabe Data-MiningMethode WarenkorbAnalyse AssoziationsAnalyse Assoziationsverfahren Erkennen von Marktsegmenten Segmentierung Clustering Prognose Bonität Klassifikation EntscheidungsBäume Prognose Umsatz Prognose Neuronale Netze Quelle: Grothe/Gentsch Business Intelligence Pallas GmbH Im werden Methoden des induktiven Lernens angewendet MaschiMaschinelles nelles Lernen Lernen Deduktives Deduktives Lernen Lernen Induktives Induktives Lernen Lernen Data Data Mining Mining Überwachtes Überwachtes Lernen Lernen Klassifikation (Klassifikation) Prognose Unüberwachtes Unüberwachtes Lernen Lernen Assoziationen, (Assoziationen, Segmentierung Segmentierung) Neuronale Neuronale Netze Netze Entscheidungsbäume Entscheidungsbäume Regelinduktion Regelinduktion k-nächste k-nächste-nachbarn -Nachbarn Diskriminanzanalyse Diskriminanzanalyse Assoziationen Assoziationen Neuronale Neuronale Netze Netze Demographisches Clustern Clustern Demographisches k-means Clustering hierarchisches Clustern hierarchisches Clustern Deskriptive Statistik, Lineare Methoden, Fuzzy Logic, Statistik, Lineare Methoden,Fuzzy Logic, Genetische Algorithmen Quelle: Krahl / Windheuser / Zick: : Einsatz in der Praxis Pallas GmbH 14

15 Herausforderung Herausforderung besteht in der Wahl der optimalen Methode, häufig heuristisches Verfahren Data-Mininig liefert Informationen in Form von Mustern und Gesetzmäßigkeiten, keine Entscheidungen garbage in < > garbage out 80 % des Aufwandes entsteht für Datenreinigung Wichtiges Anwendungsgebiet Data Quality Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

16 Just in time -Bereitstellung von relevanten Informationen Boole sche Logik Kontextoperatoren Komposita- Zerlegung Exact match Phonetische Suche Isolierte Dokumente partial match (Ranking) Vernetzte Dokumente Merkmalsbasiert Strukturbasierte Cluster- Ansätze Assoziations - analyse Fuzzy-Set Probalistische Ansätze Vektor modelle Linguistische Netze Semantische Netze Ontologien Quelle: Text- / Web Mining basiert auf den Methoden des und zielt auf unstrukturierte Daten Fragestellungen Ähnlichkeiten in Kundenkorrespondenz Zuordnung von Zeitungsartikeln Auswertung von Reklamationsberichten Abstrakterstellung Methoden Assoziationsverfahren Clustering Entscheidungs- Bäume Neuronale Netze Aufbau von Knowledge-Maps Web Mining ist die Übertragung von Data-und Text Mining-Techniken auf unstrukturiertes Datenmaterial, das im Zusammenhang mit Prozessen im Internet /Intranet gesammelt wird.

17 Integriertes Knowledge-Mining im E-Business E-Business Web Usage Web Content Log Files Online - Shop WWW Data-Mining Data-Mining E-Business-Intelligence Quelle: Grothe/Gentsch Business Intelligence 2000 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

18 Die Balance Scorecard ist ein strategisches Management- und Kommunikations-Instrument Ausgewogener Berichtsbogen für Performance Management Umsetzung von Zielen in Kennzahlen Gleichgewicht zwischen Perspektiven Strategische Entscheidungen werden transparent Zukunftsorientierung statt Vergangenheit Herausforderungen: Geeignete Kennzahlen für die Perspektiven Informationsquellen für Kennzahlen Kunden Perspektive Finanzielle Perspektive Vision & Strategie Lern und Wachstum- Perspektive Prozess- Perspektive Ziele Aktionen Maßstab Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

19 Das Grundproblem des Knowledge-Discovery beschreibt das Bedeutungs-Dreieck Aktiviert eine Vorstellung Symbol / Wort Begriff Konzept steht für bezieht sich auf Reale Welt Beispiel: Data-Mining - Data-Warehouse? - Statistisches Verfahren? - Cognos? - Daten-Mine? Computer verarbeiten nur Symbole Interpretation von Symbolen ist kontext- und personenabhängig Kommunikation mit Computer oder zwischen Personen setzt gleiche Interpretation voraus. Gemeinsames Verständnis der Realen Welt Idee des auf Basis von Wissensnetzen und Ontologien Wissensnetze mit Topic Map Standard Multidimensionaler Begriffs- Beziehungs- Komplex Assoc Informationsressource (occurrence, Belegstelle) Topic Topic Occurrence Assoc Assoc Topic Assoc O-Assoc O-Assoc T-A-O ist relevant, weil...

20 Topic Map am Beispiel Business Intelligence EIS Data Marts Portal T-A-O basiert auf ist ein ist ein Data Warehouse basiert auf basiert auf Business- Intelligence ist ein Balanced Scorecard DBMS Data Management Veranstaltungen Web Mining Text Mining Information Semantic Web Wissensnetze DLR Knowledge Discovery Ontologie DBMS Intranet DMS Ontologie ist eine von mehreren Anwendern geteilte begriffliche Spezifikation eines Anwendungsbereiches Darstellung in Form von semantischen Netzen mit Begriffen, Beziehungen, Typenhierarchien Begriffe bilden eine Metastruktur über den Inhalten Funktion/Nutzen Visualisierung von intellektuelle Wissensstrukturen Navigation in Wissensstrukturen Intelligentes, Suche in Netzen (Query Answering) Inferenzmechanismen (Schlussfolgerungen) Mitarbeiter arbeitet in KM-Projekt > Mitarbeiter hat KM Knowhow Standardisierter Austausch (XML-Basis) Beispiel: Topic Map Standard

21 Kommunikation mit Intelligenten Agenten Ein Agent ist ein Softwareprogramm, das für seinen Nutzer bestimmte Aufgaben erledigt und dabei ein ausreichendes Maß an Intelligenz besitzt, um seine Aufgaben in Teilen autonom durchzuführen, seine Nutzer gegenüber Dritten zu repräsentieren und mit seiner Umwelt auf sinnvolle Art und Weise zu interagieren. [Zarnekow & Brenner 1999] Beispiele für Agenten Anwendungsbereiche Gezielte Informationsversorgung Überwachung dynamischer Datenquellen Preisvergleich im E-Commerce Vermittler in elektronischen Marktplätzen Telematiksysteme Workflow Management Produktionsteuerung Informationsversorgung Such-Agenten für wiederverwendbare Recherchen Profil-Agenten für individuelle Interessen Kategorie-Agenten für Taxonomien News-Agenten für Themenkanäle

22 Intelligence-Portfolio Business- Intelligence Business Intelligence i.e.s Verteilen & Kommunizieren Quantitativ Pull / Push Technologie Reporting Explizit Intelligente Agenten Foren, emeetings ...Qualitativ Strukturiert......Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Intelligence-Portfolio Wissens- Management Wissens- Management i.e.s Verteilen & Kommunizieren Quantitativ Pull / Push Technologie Reporting Explizit Intelligente Agenten Foren, emeetings ...Qualitativ Strukturiert......Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

23 Intelligence-Portfolio Enterprise Information- Portale Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Enterprise-Information-Portale Höchste Stufe der Evolution und Integration Intelligentes Wissensportal Menü, Knowledge-Map, Agenten,, Pull/Push Daten, Informationen und Wissen über Kunden, Produkte, Prozesse, Projekte, etc. Visualisierung Navigation Usability Zugriffsteuerung Personalisierung Prozessorientierung Data Mining Knowledge Discovery Search & Business-Intelligence OLTP- Systeme Data- Warehouse DMS/ Archiv ERP- CRM- Mail- Server Externe Datenquellen Enterprise Integration Pallas GmbH

24 Ausblick: Daten-Chaos ist beherrschbar Daten- und Informations-Management sind technisch lösbar Wissensmanagement ist eine kulturelle Herausforderung Die Lösungen: Datenqualität / Data-Reenginiering Metadatenkonzepte Semantik Bei aller Euphorie: Entscheidungen werden häufig nicht mit dem Kopf sondern mit dem Bauch getroffen. Ein Unternehmen der ExperTeam-Gruppe Wege aus dem Daten-Chaos Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte DLR Workshop Hans-Gerd Schaal Geschäftsführer Pallas GmbH HermülheimerStraße Brühl Emil-Figge-Straße Dortmund Hans-Gerd.Schaal@pallas.com