Big Data in kleinen und mittleren Unternehmen eine empirische Bestandsaufnahme

Größe: px
Ab Seite anzeigen:

Download "Big Data in kleinen und mittleren Unternehmen eine empirische Bestandsaufnahme"

Transkript

1 Big Data in kleinen und mittleren Unternehmen eine empirische Bestandsaufnahme Abschlussbericht an den Förderverein des Instituts für Angewandte Infrmatik (IAI), Münster Prf. Dr. Gttfried Vssen, Dr. Jens Lechtenbörger, David Fekete, M.Sc. Institut für Wirtschaftsinfrmatik Westfälische Wilhelms-Universität Münster April 2015

2 Inhaltsverzeichnis Executive Summary 1 1. Einleitung 2 2. Hintergrund: Big Data Zentrale Charakteristika und Dimensinen vn Big Data Anwendungen vn Big Data Anwendbarkeit für kleine und mittlere Unternehmen Untersuchungsmethde der Studie Datenerhebung Umfrage Fkus-Interviews Datenanalyse Identifizierte Ptentiale und Herausfrderungen Technische Herausfrderungen Organisatrische Rahmenbedingungen Wirtschaftlichkeit Rechtliche Aspekte Diskussin Zusammenfassung und Ausblick 27 A. Fragebgen der elektrnischen Umfrage 29 B. Fkus-Interview-Fragebgen 39 C. Zur technlgischen Dimensin vn Big Data 40 C.1. Neue Entwicklungen im Datenbank-Bereich C.2. Partitinierung, Replikatin, CAP-Therem, Eventual Cnsistency C.3. NSQL C.4. NewSQL C.5. Map-Reduce C.6. Hadp C.7. Anwendungsbeispiel Facebk i

3 D. Zur rganisatrischen Dimensin vn Big Data 54 E. Blgs und News-Seiten zum Thema 57 Literatur 58 ii

4 Executive Summary Dieser Bericht untersucht das Ptential vn Big Data in und für kleine und mittlere Unternehmen (KMU). Dafür werden mittels einer Umfrage, Fkus-Interviews und zusätzlichen Recherchen die Ptentiale und Herausfrderungen bei Big Data untersucht, welche für KMU zu Tragen kmmen. Der Begriff Big Data selbst wird genauer betrachtet und es wird erklärt, welche Dimensinen abseits schierer Größe ebenfalls dazu zählen, wie etwa Vielfalt der Schnelligkeit der Daten. Weiter wird mit eingängigen Praxisbeispielen, etwa vn der US-Restaurant-Kette The Cheessecake Factry, die Nutzung vn Big Data illustriert und die Anwendbarkeit hiervn auf KMU besprchen. Die Ptentiale und Herausfrderungen für KMU werden in technische, rganisatrische swie wirtschaftliche und rechtliche Aspekte unterteilt und untersucht. Ein zusammenführendes Fazit für KMU wird im Anschluss gebildet und diskutiert. Insgesamt sll der Bericht helfen zu klären, b und wie KMU sich dem Thema Big Data stellen sllten und weshalb das Thema Big Data bei KMU bisher zögerlich angenmmen wird. Es stellt sich heraus, dass es für KMUs grundsätzlich sinnvll ist, den Blick in die Richtung vn Big Data zu lenken, denn die Entwicklungen in Bereichen wie Internet f Things, Industrie 4.0, Smart Car, Smart Hme der Smart City lassen heute bereits klar erkennen, dass die Digitalisierung unserer Welt weiter frtschreiten wird. Damit werden die anfallenden Datenbestände ständig und immer schneller wachsen und neue Frmen vn Interaktin, Kllabratin, Kperatin, Marketing, Vertrieb und Kundenrientierung ermöglichen. 1

5 1. Einleitung Dem Thema Big Data wird medial, in Frschung, Wissenschaft und in der Praxis spätestens seit 2013 grße Aufmerksamkeit zuteil; selbst nicht-technische Medien greifen das Schlagwrt laufend auf (z.b. Der Spiegel 20/2013 der die Berichterstattung über das das PRISM-Prjekt der amerikanischen NSA). Als zentrale Charakteristika werden verschiedene, im Englischen mit V beginnende Eigenschaften wie Vielfalt (Variety), Vlumen (Vlume) und Geschwindigkeit (Velcity) vn Big Data gesehen. Vn Big Data spricht man typischerweise dann, wenn die Kapazitäten nicht nur grßer Organisatinen bzgl. Datenhaltung der der anschließenden Analyse swhl auf technischer als auch rganisatinaler Ebene überschritten werden. Neben klassischen Datenbanksystemen, wie etwa MySQL, werden durch Big Data auch etablierte Data-Warehuse-Ansätze in Frage gestellt, da sie nicht die nötige Flexibilität und Geschwindigkeit bieten können, die man sich in diesem neuen Kntext wünscht. Für Big Data werden daher neue Paradigmen prpagiert. Das Ptential des grßen und hetergenen Datenberges sll explrativ vn Fachkräften mit vielfältigem Spezialwissen, den sg. Data Scientists, mit Hinblick auf die Unternehmensstrategie ergründet werden, um letztlich verwertbare Erkenntnisse zu erhalten. Technisch werden NSQL-Datenbanken, Sprachen wie R, Prgrammier-Paradigmen wie Map-Reduce und Tls wie Apache Hadp als Enabler gesehen. Insbesndere die Industrie prpagiert bereits vielfältige und teils kmplexe Big-Data- Lösungsgefüge, welche neue Technlgien, Prdukte und Paradigmen in die Organisatin bringen sllen. Diese interagieren teils auch mit bestehenden Systemen. Big-Data- Lösungen, die bei grßen Firmen wie Ggle und Facebk Wirkung zeigen, sllen schn bald für jedermann geeignet und relevant sein. Jüngste Umfragen suggerieren allerdings, dass einige Unternehmen, insbesndere kleine und mittlere Unternehmen (KMUs), deren Kernkmpetenz nicht im IT-Bereich liegt, sich reserviert in Bezug auf Big Data und dessen Nutzen zeigen 1. Mittels einer Umfrage wurde in dem Prjekt, über das hier berichtet wird, die Sichtweise speziell vn KMUs auf Big Data erfrscht. Dabei wurde speziell auf das Verständnis vn Big Data, dessen Nutzen für die KMUs und wahrgenmmene Herausfrderungen abgezielt. Zielgruppe der Umfrage waren primär kleine und mittlere Unternehmen, wbei hierfür die Größeneinrdnung der Eurpäischen Unin 2 (EU) herangezgen wird (Umsatz nicht größer als 50 Mi. C und weniger als 250 Mitarbeiter). Es ist jedch anzunehmen, dass sich Unternehmen beteiligt haben, die ein Interesse am 1 Data html 2 sme-definitin/index_de.htm 2

6 Thema Big Data für KMU haben, selbst wenn sie nicht in den Definitinsbereich vn KMU fallen. Ergänzt wurde die Umfrage mit Interviews mit Umfrageteilnehmern, um die Ergebnisse anzureichern. Im Flgenden wird in Abschnitt 2 zunächst das Thema Big Data knkretisiert und hinsichtlich einiger seiner relevanten Dimensinen erläutert, swie exemplarische Anwendungsfälle für Big Data vrgestellt und deren Umsetzung besprchen. Darauf flgend wird in Abschnitt 3 die hier verwendete Untersuchungsmethde näher erläutert, bevr in Abschnitt 4 Ptentiale und Herausfrderungen anhand der Ergebnisse zunächst herausgestellt und im Anschluss daran in Abschnitt 5 diskutiert werden. Im Abschnitt 6 wird die Studie als Ganzes zusammengefasst und ein Ausblick auf weitere Frschungsgebiete gebten. 3

7 2. Hintergrund: Big Data Neben der frtschreitenden Digitalisierung und der Tatsache, dass digitale Objekte (z. B. -Dateianhänge der Digitalbilder swie -vides) im Laufe der Zeit immer größer gewrden sind, hat die technlgische Entwicklung immer schnelleren Datentransprt swie umfassendere Datenspeicherung ermöglicht und die Erzeugung vn Daten swhl autmatisch, als durch Maschinen, als auch durch User dramatisch zunehmen lassen. In einer neueren Statistik 3 hat die Firma Intel festgestellt, dass in einer einzigen Internet- Minute rund 650 TB an IP-Daten über das Netz transprtiert werden Das Ergebnis dieser Entwicklung ist s überwältigend, dass die Bezeichnung Big Data angemessen erscheint; dieser Abschnitt beschreibt die Herausfrderungen, Techniken und Anwendungen vn Big Data und wirft dabei einen Blick auf mögliche zukünftige BI-Architekturen Zentrale Charakteristika und Dimensinen vn Big Data Das Vlumen (engl. Vlume) stellt ein erstes Charakteristikum vn Big Data dar. Daten werden laut [CP14] als big betrachtet, wenn sie grß genug sind, um signifikant vn paralleler Verarbeitung in einer Armada vn Rechnern zu prfitieren, wbei die Verwaltung der Berechnung selbst eine beachtliche Herausfrderung darstellt. Weitere Charakteristika vn Big Data, die zusammen mit dem Vlumen als die fünf Vs bezeichnet werden, sind die (hhe) Geschwindigkeit (engl. Velcity), mit der Daten prduziert werden und verarbeitet werden müssen, die (hhe) Vielfalt (engl. Variety), die Daten annehmen können, die (nicht immer gegebene) Präzisin, Genauigkeit der Vertrauenswürdigkeit (engl. Veracity), in der Daten vrliegen, und der Wert (engl. Value), den Daten (hffentlich) darstellen. (Die ersten drei dieser Charakteristika werden dem Analysten Dug Laney 4 vn Gartner zugeschrieben.) Geschwindigkeit bezieht sich auf die Tatsache, dass Daten heute ft in Frm vn Datenströmen auftreten, welche der die Daten analysierenden Einrichtung keine Chance lassen, die Daten zu Analysezwecken dauerhaft zu speichern; stattdessen muss die Verarbeitung unmittelbar erflgen. Vielfalt bedeutet, dass die Daten in unterschiedlichsten Frmen und Frmaten auftreten, darunter als unstrukturierter Text, als semi-strukturierte Daten (z.b. XML-Dkumente) der als strukturierte Daten (z.b. relatinale Tabellen). Diese Eigenschaften vn Big Data sind in Abbildung 1 zusammengefasst. Wert ist eine Eigenschaft, die Daten erst im Nachhinein, als durch angemessene Analyse, Verdichtung der snstige Verarbeitung erhalten

8 Abbildung 1: Definierende Fünf Vs vn Big Data.. Abbildung 2: Big-Data-Betrachtungsdimensinen. Der Begriff Big Data lässt sich aus verschiedenen Dimensinen betrachten und diskutieren 5. Grundsätzlich lassen sich wie in anderen Bereichen auch die in Abbildung 2 gezeigten vier Dimensinen zugrunde legen, vn denen zwei im Anhang diskutiert werden: Anhang C behandelt die technlgische Dimensin und mit NSQL, NewSQL und Map-Reduce diejenigen Technlgien, die vrnehmlich zur Verarbeitung vn Big Data eingesetzt werden. Anhang D widmet sich der rganisatrischen Dimensin und stellt eine Big-Data-Adptinsstrategie vr. Die Ausführungen dieser Anhänge sind angelehnt an [Vs13, Vs14, VL15]. Die wirtschaftliche Dimensin ist je nach Anwendungsfall individuell zu betrachten und interessiert sich primär für den (Mehr-) Wert, den man als Unternehmen durch eine Beschäftigung mit Big Data erzielen kann. Die rechtliche Dimensin schließlich befasst sich mit Fragen des Datenschutzes, der Datensicherheit, der Urheberschaft und verwandten Gebieten ähnlich denen, die man im Clud Cmputing betrachtet [VHH12]. 5 5

9 2.2. Anwendungen vn Big Data Als nächstes sllen verschiedene Aspekte vn Big Data im Einsatz in einer Organisatin beleuchtet werden. Dafür werden zunächst exemplarisch typische Anwendungsfälle vn Big-Data-Nutzung in Grßunternehmen vrgestellt, um zu illustrieren, wie Big Data in der Praxis eingesetzt wird. Zum Abschluss wird die Anwendbarkeit der typischen Anwendungsfälle vn Big Data bei KMU diskutiert. Dass Big Data nicht ein reiner Selbstzweck ist, veranschaulichen die Beispiele vn Grßunternehmen, die Big-Data-Technlgien einsetzen und damit Erflge erzielen, die sie mit knventinellen Technlgien nicht auf diese Art realisieren hätten können. Die Cheesecake Factry aus den Vereinigten Staaten, ein Vertreiber vn Käsekuchen und Betreiber der gleichnamigen Restaurant-Kette ebenda, verwendet Big-Data-Technlgien, um knventinelle, relatinale Daten mit unstrukturierten Infrmatinen zu verbinden. Knkret werden strukturierte Handelsdaten (d.h., z.b. Verkäufe) kmbiniert mit Feedback aus szialen Netzwerken swie digital erfassten, sften Qualitätskriterien vn Lieferungen, wie etwa Temperatur, Geruch und Geschmack. Falls es z.b. bei einer Lieferung eine Geschmacksabweichung beim Senf gibt, kann diese Infrmatin mit entsprechenden Lieferantendaten krreliert und s z.b. ein Qualitätsprblem bestimmter Chargen eines Lieferanten ausgemacht werden. Das Beispiel zeigt, wie durch Hinzunahme zusätzlicher Infrmatin zu den bekannten kaufmännischen KPIs auch die Prduktqualität besser verstanden und gegebenenfalls erhöht werden kann. Auch deutsche Grßunternehmen setzen bereits Big-Data-Technlgien ein, wie etwa die Drgeriemarktkette dm der der Versandhändler Ott. Eines der ältesten Beispiele für das, was man mit einer srgfältigen Analyse vn seinerzeit nicht einmal als Big bezeichneten Daten erreichen kann, stammt vm amerikanischen Baseball-Team der Oakland Athletics und ihrem Cach Billy Beane, der Statistiken und Spieler-Daten dazu nutzen knnte, durch Einkauf unbekannter Spieler innerhalb kurzer Zeit ein wenig erflgreiches Team zu einem erflgreichen zu machen. Dieses Beispiel ist gut dkumentiert [Lew04] und wurde sgar unter dem Titel Mneyball mit Brad Pitt in der Hauptrlle verfilmt. Ein weiteres Beispiel aus dem Sprt liefert das Indianaplis 500-Meilen-Rennen, das jährlich am Memrial Day Wchenende in den USA stattfindet. Ein mderner Indy 500-Rennwagen ist mit rund 200 Sensren ausgestattet, die permanent die Mtrleistung, Kupplung, Schaltung, Differential, Kraftstffversrgung, Öl, Lenkung, Reifen, DRS und zahlreiche andere Kmpnenten und sgar den Gesundheitszustand des Fahrers überwachen. Sie prduzieren rund 1 GB an Telemetrie-Daten pr Rennen, die vn Renningenieuren während und nach einem Rennen analysiert werden. Ähnlich bei McLaren, w Rechner rund eintausend Simulatinen während eines 6

10 Rennens durchführen; nach nur wenigen Runden kann man dadurch die Leistung jedes Systems mit bis zu 90%-iger Genauigkeit vrhersagen. Da die meisten dieser Systeme sgar während eines Rennens verändert werden können, können Bxenmannschaft und Fahrer minutengenaue Anpassungen vrnehmen, wenn sich Veränderungen am Aut der an den Rennbedingungen ergeben. Details findet man z.b. im Blg vn Dug Laney 6, und die Situatin ist bei Frmel-1-Auts 7 der der NASCAR-Serie ähnlich. Ein Beispiel aus dem Rettungswesen lieferte im Herbst 2012 der Hurrikan Sandy 8 in der Karibik und an der amerikanischen Ostküste. Die Organisatin Direct Relief nutzte Big-Data-Technlgie zur Krdinatin vn Rettungsaktivitäten, was auf ihrer Webseite 9 nachzulesen ist. Mit Analyse- swie Kartensftware war man in der Lage, Bedarfe zu erfassen und geeignete Maßnahmen zu initiieren; u.a. knnte man Kliniken, die über wichtige medizinische Ressurcen verfügten, miteinander verbinden, um s z.b. Strmausfälle der Medikamentenmängel zu kmpensieren. Ein weiteres Feld, welches sich dank Big Data endlich bewegen wird, ist die Hausautmatisierung, mit der man sich frschungsseitig bereits seit mehr als 10 Jahren beschäftigt [Vs01]. Hier ist zu erwarten, dass man durch die Fähigkeit, Daten vn Klimaanlagen, Heizung, Licht der Haushaltsgeräten wie Waschmaschine, Trckner der Kühlschrank zusammen mit Infrmatinen über die in dem betreffenden Haus lebenden Persnen zu verarbeiten, Lebensbedingungen schaffen kann, die ptimal an die jeweilige Alters- der Gesundheitssituatin angepasst sind. Auch das Gesundheitswesen verändert sich durch Big Data, etwa dadurch, dass man durch Sammlung und Analyse vn Daten über einen Patienten, dessen tägliche Aktivität und dessen Ernährung swie Infrmatinen vn einem Medikamentenhersteller, ggfs. sgar unter Rückgriff auf das Genm, als die Erbinfrmatin des Patienten, ideal knfigurierte Behandlungen schaffen kann. Die zunehmende Verbreitung vn persönlichen Trackern wie Fitbit, das Nike+ Fuelband der das Jawbne Up wird weitere Datenquellen liefern, die für Gesundheitsexperten wie Nutzer gleichermaßen vn Interesse sind [Mac15]. Andere Gebiete, die sich bereits intensiv mit der Analyse vn Big Data befassen, sind Marktfrschung, Verkehrssteuerung (etwa in Ländern wie Singapur) der autnme swie vernetzte Fahrzeuge, die selbst fahren und mit anderen Fahrzeugen kmmunizieren. Als Beispiel aus der Unterhaltungsindustrie hat Disney Parks & Resrts das MyMagic+ System

11 entwickelt, das über die Webseite My Disney Experience und die zugehörige mbile App aktuellste Infrmatinen über Angebte an ptentielle Besucher eines Disney-Parks liefern kann. Disneys MagicBand 10 kann vn Gästen als Zimmerschlüssel in einem der Park- Htels, Eintrittskarte in den Park, Zutritt zu FastPass+ Eingängen der zum Einkaufen in Park-Shps verwendet werden. Besucher, die an diesem Prgramm teilnehmen, können damit Warteschlangen überspringen, Vrausreservierungen vrnehmen und später über ihr Smartphne ändern, und sie werden vn Disney-Figuren mit Namen begrüßt. Das MagicBand unterliegende System sammelt Daten über den Besucher, dessen aktuellen Ort, seine Kaufhistrie swie die Histrie der besuchten Attraktinen im Park. Auch für eine Vrhersage der Oscar-Preisträger der amerikanischen Filmindustrie verwendet man heute sgar recht erflgreich Big Data-Techniken 11. Sziale Medien swie Suchmaschinen sind ebenfalls intensiv mit einer Analyse der Daten, die in ihrem Kntext anfallen, befasst. Twitter analysiert beispielweise die Tweets seiner Nutzer, um Nutzergruppen zu identifizieren und zu vergleichen, um Nutzergewhnheiten zu erkennen der zur Durchführung vn Stimmungsanalysen bei Text-Tweets. Facebk interessiert sich für die Anzahl an Likes, die eine Seite im Laufe der Zeit bekmmt, und unterhält einen Zähler für empfhlene URLs; zwischen einem Click und einer Aktualisierung des Zählers dürfen nicht mehr als 30 Sek. vergehen. Ggle schließlich führt Clustering vn Texten in Ggle News durch und versucht, ähnliche Nachrichten nahe beieinander zu platzieren; Ggle klassifiziert ferner s in Gmail und wendet darauf verschiedene Analysen an, etwa im Zusammenhang mit AdWrds. Es stellt sich in allen diesen Anwendungsbereichen heraus, dass unterschiedliche Kenntnisse und Fertigkeiten gefrdert sind: Es reicht nicht, allein die ntwendige Rechentechnik zu kennen der die statistischen Methden zu beherrschen; entscheidend ist häufig der richtige Mix an Kenntnissen aus den Bereichen IT und Infrmatik, Statistik, Betriebswirtschaft, Anwendungsbereich, kmbiniert mit Prblemlösungskmpetenz und Kmmunikatinsfähigkeit. IBM beschreibt die neue Spezies des Data Scientist s 12 : A data scientist represents an evlutin frm the business r data analyst rle. The frmal training is similar, with a slid fundatin typically in cmputer science and applicatins, mdeling, statistics, analytics and math. What sets the data scientist apart is strng business acumen, cupled with the ability t cmmunicate findings t bth business and IT leaders in a way that can influence hw an rganizatin appraches a business challenge. Gd data scientists will nt just address business prblems, they will pick the right prblems that 10 https://disneywrld.disney.g.cm/faq/bands-cards/understandingmagic-band/

12 have the mst value t the rganizatin Anwendbarkeit für kleine und mittlere Unternehmen Während Grßunternehmen typischerweise über eigene IT-Abteilungen verfügen und auf eine umfassende Infrastruktur zurückgreifen können, sind kleine und mittlere Unternehmen ft in einer anderen Situatin: Man ist gezwungen, sich auf die Kernkmpetenzen und das Kerngeschäft zu knzentrieren und hat kaum Gelegenheit, die Möglichkeiten neuer Technlgien umfassend zu evaluieren. Der Bitkm hat in einer im Herbst 2014 veröffentlichten Studie 13 hierzu herausgefunden: Neun vn zehn Unternehmen werten IT-gestützt Daten für Entscheidungsprzesse aus. Dabei ist das Spektrum der analysierten Daten breit. Stammdaten (36 Przent), Transaktinsdaten (33 Przent) und Lgdaten (31 Przent) werden am häufigsten genannt. Auch Sensr- und CRM-Daten werden vergleichsweise häufig ausgewertet (25 bzw. 14 Przent). Texte/Publikatinen (9 Przent), Web Cntent (9 Przent) und Scial Media (8 Przent) flgen mit Abstand. Aber: Fast jedes zweite Unternehmen verzichtet bewusst auf bestimmte Datenanalysen. Neben der Srge vr Kritik durch Kunden (31 Przent) fürchten viele hhe Ksten (23 Przent) swie Imageschäden in der Öffentlichkeit (23 Przent). Ethisch-mralische Gründe spielen für jedes siebte Unternehmen eine Rlle (14 Przent). Eine weitere wichtige Erkenntnis dieser Studie war, dass Mittelständler typischerweise bereits verstärkt in Speicherplatz investiert haben, Grßunternehmen dagegen eher in Analyse-Tls. Bereits zwei Jahre zuvr hatte das Fraunhfer-Institut für Intelligente Analyse- und Infrmatinssysteme (IAIS) in einer ähnlichen Studie Nutzung und Ptenzial für Big Data in deutschen Unternehmen untersucht 14. Es zeigt sich dabei, dass einerseits Neugier gegenüber dem Thema besteht, andererseits aber auch Unsicherheit bzgl. vieler damit zusammenhängender Fragen. In der vrliegenden Ausarbeitung wird die These vertreten, dass eine Beschäftigung mit und Nutzung vn Big Data nicht vn der Unternehmensgröße abhängig sllte, sndern für alle Unternehmen interessant ist, die ihre Kunden besser kennenlernen wllen und ihre Prdukte nch gezielter als bisher entwickeln und vermarkten wllen. Eine Limitierung vn In-Huse-Ressurcen wird dabei zwar häufig als Hemmschuh gesehen, ist aber durch eine Clud-Orientierung leicht zu kmpensieren. Entscheidend wird für die nahe Zukunft sein, durch Aufbau vn entsprechendem Knw-Hw unter den Mitarbeitern für fachgebietsübergreifende Aktivitäten auf diesem Gebiet gerüstet zu sein. 13 deutschen_unternehmen.pdf 14 9

13 3. Untersuchungsmethde der Studie Im Flgenden wird erörtert, wie das Ptential vn Big Data in und für KMU empirisch mittels einer Umfrage und Fkus-Interviews untersucht wurde. Hintergrund ist die eingangs erwähnte Unsicherheit gerade bei KMUs, wie sie mit diesem Thema umgehen sllen und b es für sie überhaupt vn Bedeutung ist. Dafür wird zunächst die Datenerhebung erörtert. Anschließend wird dargelegt, wie die Datenanalyse der empirischen Daten zusammen mit den bisherigen Erkenntnissen zu Big Data (vgl. z.b. Abschnitt 2.3) erflgt Datenerhebung Die Datenerhebung für die Untersuchung fand mittels einer Umfrage swie darauf aufbauenden Fkus-Interviews statt, sdass quantitative und qualitative Daten erfasst werden knnten Umfrage Um das Ptential vn Big Data in und für KMU zu erheben, wurde eine elektrnische Umfrage aufgesetzt. Diese wurde in Zusammenarbeit mit der IHK Münster über flgende Quellen an ptentielle Interessenten verbreitet und war vn Anfang April bis zum 23. Mai 2014 verfügbar. Schriftlicher Verteiler der IHK Münster (1444 Unternehmen per Pst, ca. 44 per ) Schriftlicher Verteiler des IAI Münster (ca. 40 Mitglieder); ab 7. Mai Ankündigung auf Webseite des Instituts für Wirtschaftsinfrmatik der Universität Münster Die Umfrage wurde vn insgesamt 33 Interessenten explizit gestartet, wvn 24 mindestens eine Antwrt abgegeben haben. Letztere Zahl wird daher als Anzahl der Umfrageteilnehmer bestimmt. Insgesamt 13 Teilnehmer haben die Fragen vllständig beantwrtet (ausgenmmen Fragen zum Umsatz und zur eigenen Abteilung). 11 Teilnehmer haben den Fragenbgen nicht vllständig ausgefüllt. Nicht vllständig ausgefüllt bedeutet, dass diese nicht bis zur letzten Frage vrgedrungen sind, sndern z.b. die Webseite vrzeitig geschlssen haben. Die Fragen aus der Umfrage sind in Anhang A: Fragebgen der elektrnischen Umfrage zusammengestellt. 10

14 Die primäre Zielgruppe der Umfrage waren zwar KMU, andere (d.h. grße) Unternehmen wurden allerdings nicht daran gehindert abzustimmen. 14 Umfrageteilnehmer haben die entsprechenden Fragen beantwrtet, die zur Einrdnung des Unternehmens in die EU- Größenkategrien erfrderlich sind (Mitarbeiteranzahl und Umsatz). Es sind demnach 9 Umfrageteilnehmer als Grßunternehmen nach EU-Definitin einzurdnen und 5 als KMU. Zu den weiteren 10 Umfrageteilnehmern kann keine weitere Aussage getrffen werden. Anzumerken ist allerdings, dass unter den Grßunternehmen auch (Sftware-)Dienstleister sein könnten, die ihre Dienste KMUs anbieten. Vn den 9 Grßunternehmen sind 3 explizit als Dienstleistungsunternehmen einzurdnen. Die Antwrten der 9 Grßunternehmen werden ebenfalls in die Auswertung mit einbezgen. Kleinstunternehmen mit weniger als 10 Beschäftigten und einem Umsatz vn weniger als 2 Mi. C, die nicht zu KMU gezählt werden, waren anhand vrliegender Daten nicht unter den Teilnehmern zu identifizieren. Die Respnse-Rates der Umfrage (bzw. die Nicht-Teilnahme der angeschriebenen Parteien), die Vllständigkeit der Angaben swie die Verteilung der Teilnehmer innerhalb der Unternehmensgrößenklassen werden im Rahmen der abschließenden Analyse gesndert betrachtet Fkus-Interviews Nachdem die elektrnische Umfrage geschlssen war, wurden ausgewählte Umfrageteilnehmer persönlich, schriftlich der telefnisch tiefergehend zum Umfragethema interviewt. Dazu wurde ein semi-strukturierter Fkus-Fragebgen entwrfen, der aus 10 Fragen bestand und auch vrläufige Erkenntnisse aus der elektrnischen Umfrage berücksichtigte und die Teilnehmer dazu befragte (siehe Anhang B: Fkus-Interview-Fragebgen). Die Antwrten auf die Fragen knnten frei frmuliert werden. Ziel war es, durch freie Antwrten eine qualitativ tiefere Betrachtung vn Big Data in KMU zu ermöglichen, als dies allein durch strukturierte Einschätzungen (z.b. mittels einer Likert-Skala wie in der elektrnischen Umfrage) möglich ist. Weiterhin waren s Fragen möglich, die genauer auf die knkrete Situatin im Unternehmen eingehen. Vn allen Umfrageteilnehmern wurden diejenigen 11 gezielt per angefragt, die ihre -Adresse in der elektrnischen Umfrage hinterließen. Ein Teilnehmer beantwrte den Fkus-Fragebgen schriftlich per und zwei Teilnehmer beantwrteten die Fkus-Fragen telefnisch. Im letzteren Fall wurden die Antwrten vm Interviewer schriftlich zusammengefasst. Alle drei Interview- Teilnehmer sind als Grßunternehmen einzustufen, da alle drei mindestens 250 Mitarbeiter haben, wbei eines mehr als 50 Mi. C Umsatz erwirtschaftete, eines zwischen 10 und 50 Mi. C und zum dritten keine Angaben vrliegen. 11

15 3.2. Datenanalyse Der Hauptfkus der Datenanalyse betrifft die strukturierten Ergebnisse der elektrnischen Umfrage. Diese werden ergänzt der abgewgen mit den Antwrten in den drei Fkus- Interviews. Die Respnse-Rate, bei angenmmenen 1528 einmalig angeschriebenen Parteien, beträgt bei 24 Umfrageteilnehmern 1,6% der niedriger. Dies ist zwar ein vergleichsweise niedriger Wert [CHT00], aber nicht grundsätzlich überraschend, betrachtet man beispielsweise auch die in letzten Jahrzehnten systematisch fallenden Respnse-Rates bei anderen Umfragearten (z.b. vgl. [Dey97, S. 216]). Die abslute Anzahl der Teilnehmer swhl bei der Umfrage (N=24) als auch bei den Fkus-Interviews (N=3) ist ebenfalls relativ gering. Aus diesem Grund sind definitive Schlüsse der Kausalzusammenhänge, insbesndere in Bezug auf KMU, im Allgemeinen aus dem vrliegenden Material nur bedingt ableitbar. Stattdessen sll die Auswertung Tendenzen zu den jeweiligen Fragen aufzeigen, um s weitere Untersuchungen zu ermöglichen. Weiterhin ist die Auswahl der angeschriebenen Parteien fkussiert auf den Bereich der IHK Nrd-Westfalen swie des IAI aus Münster und ist deren Größenzusammensetzung nicht bekannt und kann daher nicht repräsentativ die Grundgesamtheit der KMU in Nrdrhein-Westfalen der Deutschland abdecken. Zur Analyse der Umfrage werden die jeweils gegebenen Antwrten nach Häufigkeit strukturiert, sdass ersichtlich wird, welche Antwrten wie häufig gegeben wurden und inwiefern (eindeutige) Tendenzen zu einer der mehreren Antwrtmöglichkeiten innerhalb der Umfrageteilnehmer auszumachen sind. Sfern möglich werden diese Ergebnisse mit weiteren Angaben, wie etwa Unternehmensgröße krreliert. Zum Abschluss der Analyse werden die empirischen Ergebnisse mit den bisherigen Erkenntnissen über Big Data in Deutschland, insbesndere zu Big Data bei KMU, in Zusammenhang gebracht und zu einem Gesamtbild verdichtet, um ein abschließendes Fazit für die Studie zu bilden. 12

16 4. Identifizierte Ptentiale und Herausfrderungen In diesem Abschnitt werden die empirischen Umfrage- und Fkus-Interview-Ergebnisse strukturiert nach den zuvr vrgestellten Dimensinen (technisch, rganisatrisch, wirtschaftlich, rechtlich) vn Big Data präsentiert und analysiert. Aufbauend darauf werden mögliche Ptentiale und Herausfrderungen vn Big Data auf diesen Ebenen herausgestellt und diskutiert Technische Herausfrderungen Die Umfrageteilnehmer wurden gebeten, auf einer Skala vn 0 (nicht relevant) bis 5 (sehr relevant) einzurdnen, welche technischen Rahmenbedingungen für der gegen die Nutzung vn Big Data sprechen. Für Big Data sind insbesndere die Rahmenbedingungen Integratin in eigene Infrastruktur und Integratin in bestehende Sftware zu nennen, w mehr als 50% der abgegebenen Stimmen diese mit 4 der 5 einrdneten (vgl. Abbildung 3). Diese Tendenz ist auch bei der Rahmenbedingung Perfrmance bebachtbar, wenn auch weniger stark ausgeprägt. Für die Integratin in andere Angebte ist keine ausschlaggebende Tendenz ablesbar. Die beiden Interview-Partner, die am Telefn befragt wurden, betnten die Wichtigkeit der Integratin auf technischer Ebene vn Big-Data-Sftware im Speziellen und neuen Lösungen im Allgemeinen in die eigene Infrastruktur. Abbildung 3: Relevanz technischer Rahmenbedingungen für eine Nutzung vn Big Data. Technische Rahmenbedingungen sind hier 4 vn 9 Rahmenbedingungen für die Nutzung vn Big Data insgesamt. 13

17 Abbildung 4: Relevanz ausgewählter technischer Rahmenbedingungen gegen eine Nutzung vn Big Data. Technische Rahmenbedingungen sind hier 2 vn 12 Rahmenbedingungen gegen die Nutzung vn Big Data insgesamt. Für technische Rahmenbedingungen gegen Big Data knnte für beide Kriterien, die Big-Data-Technlgie betreffen, keine Tendenz ausgemacht werden (vgl. Abbildung 4). Bei beiden Rahmenbedingungen waren sich ca. 50% der Umfrageteilnehmer auch nicht sicher, wie relevant diese Rahmenbedingungen als Argument gegen Big Data sind. Unter den Umfrageteilnehmern lässt sich für technische Rahmenbedingungen festhalten, dass die Umfrageteilnehmer eine höhere Knfidenz bei der Einschätzung psitiver Rahmenbedingung für Big Data besitzen als slcher dagegen. Während nur ein geringer Teil der Teilnehmer (20%) bereits regelmäßig Big-Data- Sftware einsetzt (vgl. Abbildung 5), ist für den Rest ein Einsatz slcher gerade einmal mittel- bis langfristig (1 bis über 2 Jahre in der Zukunft) der überhaupt nicht absehbar. Die Umfrageteilnehmer setzen beinahe durchweg am Markt übliche, traditinelle Technlgien für ihre BI- und Analyse-Aktivitäten ein: Tabellenkalkulatinen (wie etwa Micrsft Excel; 92%) und klassische SQL-Datenbanken (77%). Messbar vertreten sind auch Data-Warehuse-Lösungen (54%), während andere spezialisierte und neuartige Lösungen, wie etwa Clumn Stres der Prdukte mit In-Memry-Technlgie, nur vereinzelt (einfache bis zweifache Nennungen) der gar nicht vn den Teilnehmern genutzt werden (vgl. Abbildung 6). Beim hauptsächlich genutzten Sftware-Typ, welcher für Datenbanken, Reprting und BI im Unternehmen eingesetzt wird, lässt sich keine prägende Tendenz unter den 14

18 Abbildung 5: Einsatz vn Big-Data-Sftware. Antwrten der Umfrageteilnehmer ausmachen (vgl. Abbildung 7). Swhl Individualals auch angepasste swie Standard-Sftware und eine Mischung dieser Typen wird mit jeweils ähnlicher Häufigkeit eingesetzt. Generell findet sich unter den Umfrageteilnehmern Client/Server-basierte Sftware, die in Rechenzentren gehstet wird (vgl. Abbildung 8) Sftwarezugriff erflgt hauptsächlich swhl über Desktp- als auch mbile Rechner (vgl. Abbildung 9), wbei der Zugriff auf zumindest einige Sftware auch über Web- Brwser erflgt (vgl. Abbildung 10). Die Umfrageteilnehmer sind als schn mit verteilter Sftwarebereitstellung über Web an ihre üblichen festen der mbilen Arbeitsrechner vertraut. Die Ergebnisse aus der Umfrage und den Fkus-Interviews stützen die vermutete zögerliche Haltung der Unternehmen zu Big Data. Klassische Tls herrschen unter den Umfrageteilnehmern bisher vr, Big Data befindet sich nch im Experimentierstadium. Auf technischer Ebene ist für die Teilnehmer insbesndere die Integratin in die eigene Infrastruktur und damit Sftware-Landschaft ein Kernthema. Dass Perfrmanz auf technischer Ebene erwartet wird, deckt sich mit den üblichen Perfrmanz-Versprechen der kmmerziellen Big-Data-Prdukte. Auf technischer Seite wurden auch vereinzelt Unterhaltungsksten und fehlende Features als Hinderungsgrund genannt. Auch wenn bei den Teilnehmern keine eindeutige Tendenz zu Ksten und fehlenden Features erkennbar ist, würden diese Aspekte dennch zu einem recht jungen Sftwareumfeld passen, wie Big Data es ist, w neuartige Sftware nch nicht die Reife und Integratinsptenziale der länger am Markt befindlichen Prdukte aufweist. Auch wären Unsicherheiten bei der Kstensituatin bei 15

19 Abbildung 6: Eingesetzte Technlgien bei den Umfrageteilnehmern. neuartigen und unbekannten Prdukten nicht grundlegend überraschend, da unter anderem auch Erfahrungswerte nicht vllständig vrliegen. Technisch bietet sich jedch bereits die Erfahrung der Umfrageteilnehmer mit verteilter Sftware als Grundlage für den Einsatz vn Big Data an, da verteilte Architekturen die Grundprämisse vieler slcher Prdukte wie etwa Apache Hadp bilden. Die Bedenken hinsichtlich einer Integratin in bestehende Infrastrukturen und Prduktlandschaften sind hingegen nch näher zu untersuchen. In zwei Telefninterviews mit Grßunternehmen betnten diese jedch die Herausfrderungen, alle bisherigen, strukturierten Datenquellen im Unternehmen überhaupt zusammenzuführen dies sei eine zentrale, nch ungelöste Aufgabe, bevr man weiterreichende Big-Data-Infrastrukturen aufsetzen könne. Hier kann zusätzlich die stetig frtschreitende Prduktentwicklung in diesem dynamischen Prduktumfeld behilflich sein, die bestehende Nachteile durch rasche Prduktzyklen angeht. Einen weiteren Beitrag können wissenschaftlich fundierte Use Cases und Katalge bilden, die die zusammenhängende Nutzung vieler hetergener Analyseprdukte im Rahmen einer BI-Initiative untersuchen und näher betrachten, sdass diese auch als Leitfaden dienen können Organisatrische Rahmenbedingungen Die Umfrageteilnehmer schätzten ihre Kenntnisse in Bezug auf Big Data (auf einer Skala vn 0 (keine Kenntnisse) bis 5 (sehr gute Kenntnisse)) jeweils unterschiedlich ein, sdass sich ein hetergenes Erkenntnisfeld ergibt (vgl. Abbildung 11). Allerdings schätzte die- 16

20 Abbildung 7: Primär eingesetzter Sftware-Typ für Datenbanken, Reprting und BI bei den Umfrageteilnehmern. Abbildung 8: Client-/Server-basierte Sftware bei den Umfrageteilnehmern. Abbildung 9: Endgeräte im Einsatz bei den Umfrageteilnehmern. 17

21 Abbildung 10: Zugriff auf Sftware über Web-Brwser bei den Umfrageteilnehmern. ses Feld tendenziell Big Data als wenig einfach, aber dennch als tendenziell attraktiv ein. Bei den anderen Eigenschaften gab es kein einstimmiges Meinungsbild (vgl. Abbildung 12). Allerdings passt die Einschätzung nicht einfach, aber attraktiv zur vermuteten zögerlichen Haltung bei gleichzeitigem Interesse am Thema Big Data in KMU bzw. den Umfrageteilnehmern. Auch wenn die Vertraulichkeit der bisherigen Big-Data-Prdukte nicht eindeutig geschätzt wurde (vgl. Abbildung 12), wurde dies beinahe einstimmig als sehr wichtige Rahmenbedingung für den Einsatz vn Big Data genannt (vgl. Abbildung 13). An dieser Stelle sind die Hersteller vn Big Data gefragt, das nötige Maß an Vertraulichkeit zu schaffen, damit diese Rahmenbedingung erfüllt werden kann. Bei der Einschätzung rganisatrischer Rahmenbedingungen, die gegen eine Nutzung vn Big Data sprechen, herrschte, wie bei den technischen Rahmenbedingungen, Unsicherheit bei der Fragenbeantwrtung. Teilweise bis zu 50% der Beantwrter waren sich bei ihrer Einschätzung nicht sicher (vgl. Abbildung 14). Cntra-Tendenzen bei den Faktren lassen sich weiterhin bei keine Zeit und fehlende Kmpetenzen im Unternehmen ausmachen, die überwiegend mit 3 der höher eingeschätzt wurden. Dass Kmpetenzen in Unternehmen fehlen würden, wäre angesichts der vielen neuen Prdukte und neuartiger Abbildung 11: Selbsteinschätzung der Umfrageteilnehmer in Bezug auf Big Data. 18

22 Abbildung 12: Einschätzung verschiedener Eigenschaften vn Big Data durch die Umfrageteilnehmer. Paradigmen mit Big Data verständlich. Andererseits muss dann allerdings, bei Entscheidung für Big Data, die ntwendige Kmpetenz geschaffen der beschafft werden. Obwhl der Faktr Zeit bei den Umfrageteilnehmern relevant ist, ist keine entscheidende Aussage zu fehlenden Kmpetenzen am Markt getrffen wrden. Hier wurden aber auch negative Stimmen abgegeben. Zu betrachten wäre nch die Begründung, warum die Teilnehmer und Unternehmen keine Zeit für das Thema aufwenden wllen. Eine Vermutung ist, dass der Aufwand als nicht lhnenswert betrachtet wird. Dieser Aspekt wird ihm Rahmen der wirtschaftlichen Betrachtung erneut aufgegriffen. Was laut den Teilnehmern tendenziell nicht gegen Big Data spricht, ist dessen Fkus auf Statistik. Innerhalb der Unternehmungen der Teilnehmer sind überwiegend einzelne Fachabteilungen für die Analyse vn Daten zuständig (vgl. Abbildung 15). Wenige Nennungen (jeweils 2) erhielten die IT- bzw. Datenbank- swie eigene Analytik-Abteilungen. Die in einem der Telefn-Interviews getätigte Aussage zum allgemeinen Prblem der Datenintegratin der verschiedenen Quellen im Unternehmen unterstreicht das Bild, dass unter den Umfrageteilnehmern dezentral analysiert wird. Sllte dies überwiegend und auch bei KMU der Fall sein, wäre die zögerliche Herangehensweise an Big Data besser erklärbar, denn insbesndere die explrative Analyse vn Big Data beruht auf dem Zusammenbringen vn vielen, abteilungsübergreifenden Daten. Es wäre zu prüfen, in wie fern abteilungsübergreifende, unternehmensweite Analyse-Use-Cases für Big Data für slche Unternehmen geeignet sind der b stärker auf einzelne Unternehmensteile fkussierte Use Cases (beispielsweise für die Vertriebs- der Prduktinsabteilung) die Realität in deutschen Unternehmen besser abbilden würden. 19

23 Abbildung 13: Relevanz rganisatrischer Rahmenbedingungen für eine Nutzung vn Big Data. Organisatrische Rahmenbedingungen sind hier 3 vn 9 Rahmenbedingungen für die Nutzung vn Big Data insgesamt. Abbildung 14: Relevanz rganisatrischer Rahmenbedingungen gegen eine Nutzung vn Big Data. Organisatrische Rahmenbedingungen sind hier 7 vn 12 Rahmenbedingungen gegen die Nutzung vn Big Data insgesamt. 20

24 Abbildung 15: Relevanz rganisatrischer Rahmenbedingungen gegen eine Nutzung vn Big Data. Organisatrische Rahmenbedingungen sind hier 7 vn 12 Rahmenbedingungen gegen die Nutzung vn Big Data insgesamt. Abbildung 16: Einschätzung zur Ntwendigkeit vn Business Cases beim Einsatz vn Big Data Wirtschaftlichkeit Selbst wenn die technischen und rganisatrischen Vraussetzungen vrliegen, ist für den Einsatz neuer Prdukte eine Analyse der Wirtschaftlichkeit bzw. des Nutzens entscheidend. Die meisten Umfrageteilnehmer setzen hierbei die im Wirtschaftsbereich üblichen Anwendungsfälle ( Business Cases ) vraus, die das Einsatzszenari im Unternehmen beschreiben und den Nutzen, sfern vrhanden, herausarbeiten (vgl. Abbildung 16). Auf dieser Basis können Prjekte der Prgramme angestßen werden. Auch wenn sich ein Drittel der Teilnehmer in Bezug auf die Relevanz vn Business Cases nicht sicher war, war unter denen, die eine Einschätzung abgegeben haben, die Tendenz dahingehend, dass es für Big Data für diese Unternehmen keine relevanten Business Cases gibt. Dieser Eindruck erhärtet sich in Bezug auf die Aussage kein erkennbarer Nutzen, w fast die Hälfte der Teilnehmer diese als relevant der sehr relevant bewertete. Ebens relevant gegen Big Data ist laut den Teilnehmern die Amrtisatinszeit vn Investitinen in 21

25 Abbildung 17: Relevanz wirtschaftlicher Rahmenbedingungen gegen eine Nutzung vn Big Data. Wirtschaftliche Rahmenbedingungen sind hier 3 vn 12 Rahmenbedingungen gegen die Nutzung vn Big Data insgesamt. Big Data, wbei ein geringer Preis an sich wiederum nicht eindeutig als Rahmenbedingung für einen Einsatz bewertet wurde (vgl. Abbildung 17, Abbildung 18). Das wirtschaftliche Urteil im Teilnehmerfeld fällt recht eindeutig zu Ungunsten vn Big Data aus: Der Nutzen wird vn den Unternehmen trtz psitiv eingeschätzter Attraktivität nicht gesehen, auch wenn allgemein nicht unbedingt ein niedriger Preis ausschlaggebend wäre (vgl. Abbildung 18). Dieses Bild bestätigte sich auch in den Fkus-Interviews, w der geringe Nutzen ebenfalls herausgestellt wurde bzw. die dringende Ntwendigkeit vn Business Cases und das Fehlen dieser hervrgehben wurde. Im Telefn-Interview betnte ein Interviewpartner, dass die internen Ksten aufgrund Abbildung 18: Relevanz wirtschaftlicher Rahmenbedingungen für die Nutzung vn Big Data. Wirtschaftliche Rahmenbedingungen ist hier 1 vn 9 Rahmenbedingungen für die Nutzung vn Big Data insgesamt. 22

26 Abbildung 19: Präferenz vn Sftware-Anbietern bei den Umfrageteilnehmern. des unklaren Nutzens ebenfalls unklar seien und man sich daher auf andere Aspekte knzentriere. Dieser Eindruck geht einher mit der Eingangsvermutung, dass KMU und deutsche Unternehmen nch sehr zögerlich beim Thema Big Data sind. Die Gründe, warum dies trtz mehrerer vrhandener Use-Case-Beispiele vn Herstellerseite s ist, sind nch weiter zu untersuchen. Dch es kristallisiert sich der Eindruck heraus, dass zwischen den existierenden Use Cases und den Erwartungen der Unternehmen an die Use Cases nch eine Lücke klafft. Big Data könnte einerseits ungeeignet für ein Unternehmen sein, aber es ist genaus möglich, dass sich ein Unternehmen nicht in den Use Cases wiederfindet. Letzteres wird durch einen Telefn-Interviewpartner gestützt, der herausstellte, dass bisherige Big-Data-Leitfäden Praxisfragen ft unbeantwrtet ließen. Wäre erst einmal eine Entscheidung für Big Data getrffen, hätten zumindest die Umfrageteilnehmer entweder keine Anbieterpräferenz der würden nach üblichen IT-Regeln entscheiden (vgl. Abbildung 19) Rechtliche Aspekte Auch wenn die rechtliche Dimensin nicht im Fkus dieser Umfrage stand, lässt sich festhalten, dass für die Teilnehmer ein Anbieter nicht unbedingt seinen Sitz in Deutschland haben muss (vgl. Abbildung 20). Unabhängig davn muss ein slcher aber die Vertraulichkeit sicherstellen können. Ein Telefn-Interviewpartner betnte weiterhin, dass geltende Datenschutzregeln eine wirklich durchreichende Big-Data-Analyse verhindern würden. Persnenbezgene Daten seien besnders geschützt und es läge am Gesetzgeber, eine Situatin zu schaffen, w es nicht nur kmplette Nutzungsverbte gäbe. Hier ist nch ergänzen, dass es auch durchaus 23

27 Abbildung 20: Relevanz rganisatrischer Rahmenbedingungen für die Nutzung vn Big Data im Zusammenhang mit der rechtlichen Einschätzung vn Big Data. Organisatrische Rahmenbedingung mit Bezug auf die rechtliche Einschätzung ist hier 1 vn 9 Rahmenbedingungen für die Nutzung vn Big Data insgesamt. legale Möglichkeiten gibt, mit persnenbezgenen Daten zu arbeiten (wie z.b. bei der Schufa der anderen Auskunfteien). 24

28 5. Diskussin Die Umfrageergebnisse bestätigen das Bild, dass das Thema Big Data gerade vn KMU bisher nur zögerlich angenmmen wird. Der durchgehende Eindruck ist, dass der Nutzen vn Big Data für die eigene Unternehmung nicht der nicht hinreichend gesehen wird und die passenden Business Cases fehlen. Die Vermutung liegt nahe, dass dies auch das vergleichsweise geringe Interesse, sich an der Umfrage zu beteiligen, erklärt. Denn wenn der Nutzen für eine Unternehmung vn vrne herein unklar ist, hat dies möglicherweise einen Einfluss darauf, an einer Umfrage wie der vrliegenden mitzuwirken. Es darf unterstellt werden, dass, wenn dies bei Grßunternehmen mit der entsprechenden Ressurcensituatin der Fall ist, dies erst recht bei KMU der Fall ist. Wenn sich die Unternehmen nicht in den passenden Leitfäden der Use Cases zu Big Data wiederfinden der überhaupt nicht die geeigneten Infrmatinen auffinden können, kann keine psitive Entscheidung für bzw. eine infrmierte Entscheidung gegen Big Data erflgen. Insbesndere die beiden Telefninterview-Partner äußerten den Wunsch nach einem wissenschaftlich fundierten Leitfaden, der Big-Data-Prduktkmbinatinen mit passenden Anwendungsfällen verbindet. Slange ein Gap zwischen den Big-Data-Use-Cases, die den Unternehmen bekannt sind, und deren Anfrderungen an Use-Cases existiert, können diese nur schwer eigene Business-Cases für Big Data aufbauen, und die Einstiegshürde bleibt hch. Beachtenswert ist hier insbesndere die Verrtung vn Analysetätigkeiten im Unternehmen. Wenn diese, wie bei den Umfrageteilnehmern, bei den jeweiligen Fachabteilungen durchgeführt werden, sllten sich auch anwendungsfallgetriebene Leitfäden zunächst an dieser Situatin rientieren und eine entsprechende Verrtung im jeweiligen Unternehmen beachten und nicht unbedingt ein Szenari mit vll-integriertem Datenbestand anstreben der gar vraussetzen. Beispielsweise könnten Leitfäden bestimmte Prbleme isliert im Vertrieb der Marketing betrachten und auf deren lkaler Datenbasis aufbauen und damit spezifische Ptentiale aufzeigen. Allerdings ist hierzu anzumerken, dass der erflgreiche und nutzbringende Umgang mit Big Data in zunehmendem Maße Querschnittswissen erfrdert, welchen neben IT-Kenntnissen auch Statistik, Prblemlösungskmpetenz, Kmmunikatinsfähigkeit, Marketing-Verständnis und ggfs. weiteres umfasst. Weitere Parameter könnten hierbei rechtliche Erwägungen, insbesndere aus dem Datenschutzrecht, sein, die bei Use Cases aus dem anglamerikanischen Raum nicht im Fkus liegen. Insgesamt wird das psitive Ptential vn Big Data schn teilweise erkannt, was dies eben s attraktiv wirken lässt. Abgesehen vn den wirtschaftlichen Vraussetzungen sind auch rganisatrische Herausfrderungen erkennbar, denn ein erflgsversprechender Umgang mit Big Data erfrdert 25

29 ähnlich wie ein Data Warehuse eine ganzheitliche Betrachtung der Aufgabenstellung und des für sie relevanten Datenbestandes. Aus diesem Grund wird in vielen Veröffentlichungen der Ruf nach dem Data Scientist 15 immer lauter, vn dem man sich Kernkmpetenzen in unterschiedlichen Gebieten erhfft, deren Zusammenwirken erst einen fruchtbaren Zugang zu Big Data ermöglicht. Welche Kmpetenzen das im Einzelnen genau sind, wird derzeit insbesndere vn Aus- und Weiterbildern, aber auch vn Unternehmen selbst und den Umfrageteilnehmern intensiv diskutiert. Wenn derartige Kmpetenzen nicht vrliegen, erhöht dies die Einstiegshürde in Big-Data-Initiativen und steigert die Ksten, weil Training der Recruiting nötig sind. Ptentiale bestehen hier insbesndere auch für die Hersteller vn entsprechenden Prdukten, die den Wünschen der Unternehmen nachkmmen und Prdukte entwerfen, die ein gutes Bedienknzept haben. Dies wirkt sich psitiv auf die nötige Einarbeitungszeit aus, denn insbesndere die Umfrageteilnehmer haben keine generellen Akzeptanzprbleme mit Big-Data-Lösungen. Auf der technischen Seite besteht die Herausfrderung, eine Gesamtlösung zur Datenanalyse zu erhalten, sdass die neuen Big-Data-Prdukte in bestehende Analysesysteme integriert werden können swhl seitens der Hard- als auch der Sftware. Letztlich bestätigt das Bild aus der Umfrage die Verhältnisse am Markt, w viele neuen Prdukte und Prduktkategrien zu finden sind. Neuartige Prdukte können prinzipiell nicht die Reife der traditinellen Prdukte erreichen, und auch entsprechende Erfahrungen im Zusammenspiel der verschiedenen Prdukte können nicht vllumfänglich vrliegen. Auch in dieser Hinsicht sind swhl Praxis als auch Wissenschaft gefragt, das Zusammenspiel mehrerer Prdukte in einer gemeinsamen Architektur (vgl. z.b. Abbildung 24 im Anhang) näher zu eruieren und praxisnah aufzubereiten. Nur dann können die Perfrmanz-Ptentiale und die weiteren Versprechen vn Big-Data-Prdukten eingelöst werden. Bis dahin liegt die Herausfrderung auf technischer Ebene darin, die höhere Einstiegshürde zu überwinden, um das Ptential vn Big Data zu erschließen und Vrteile zu realisieren, die vn anderen Unternehmen möglicherweise nch nicht auf breiter Frnt umgesetzt werden

30 6. Zusammenfassung und Ausblick Wenn man dem Gartner Hype Cycle (Ausgabe ) glauben darf, befindet sich Big Data mittlerweile auf dem Weg vn Peak f Inflated Expectatins in den Trugh f Disillusinment, als vn einem Höhepunkt der überhöhten Erwartungen in die Senke der Desillusinierung, und erleidet damit das typische Schicksal, das bereits viele IT- Entwicklungen ereilt hat (u. a. Service-Orientierung der Clud Cmputing, um nur einige zu nennen). Nach anfänglicher Euphrie stellt sich allmählich heraus, was sinnvll machbar ist, was lediglich eine frühere Entwicklung frtsetzt und was einen völlig neuen Ansatz erfrdert. Vr diesem Hintergrund sind die Ergebnisse unserer Umfrage wenig überraschend. Gerade KMUs und unter diesen wieder vr allem jene, deren Kernkmpetenz nicht im IT-Bereich liegt, stehen dem Thema reserviert gegenüber. Man nimmt zwar die diversen Erflgsgeschichten zur Kenntnis, sieht aber gleichzeitig Herausfrderungen, denen man sich nicht unmittelbar, sndern am ehesten mittelfristig stellen muss: Neue technlgische Knzepte wie Map-Reduce und Hadp Weiterentwicklung vn bestehenden Data Warehuse-Lösungen Mitarbeiter-Schulung gleichzeitig in unterschiedlichen Gebieten Prjektziele, die abteilungsübergreifende Kperatin erfrdern Ungeklärte rechtliche, möglicherweise sgar ethische Fragestellungen Sbald die Herausfrderungen identifiziert sind, kann man sich ihnen stellen, und dies ist auch für KMUs machbar. Es ist für KMUs sgar sinnvll, den Blick allmählich in die Richtung vn Big Data zu lenken, denn die Entwicklungen in Bereichen wie Internet f Things, Industrie 4.0, Smart Car, Smart Hme der Smart City lassen heute bereits klar erkennen, dass die Digitalisierung unserer Welt weiter frtschreiten wird. Damit werden die anfallenden Datenbestände ständig und immer schneller wachsen und neue Frmen vn Interaktin, Kllabratin, Kperatin, Marketing, Vertrieb und Kundenrientierung ermöglichen. Allerdings wird nicht nur der Kunde immer gläserner, weil man mehr und mehr über ihn in digitaler Frm weiß, auch die Persn an sich wird immer durchsichtiger; es gibt bereits warnende Stimmen, die vraussagen, dass in Zukunft ein Fehlen vn Daten über eine Persn diese verdächtig macht, nicht das Vrhandensein der Daten. Insfern wird

31 sich nicht nur der Umgang mit Objektdaten, sndern auch der mit Persnendaten ändern (müssen), und es ist nicht falsch, sich rechtzeitig auf diese Entwicklungen einzustellen. 28

32 A. Fragebgen der elektrnischen Umfrage Im Flgenden werden die Fragen aus dem elektrnischen Fragebgen wiedergegeben. Dieser wurde mit dem Tl Limesurvey, gehstet bei der WWU Münster, nline erfasst. Die visuelle Darstellung der einzelnen Fragen bzw. der Frageptinen unterscheidet sich daher vn der nun flgenden textuellen Darstellung. Die der Umfrage vrgelagerte Willkmmensnachricht wurde an dieser Stelle weggelassen. Die Reihenflge der Fragen entspricht der der elektrnischen Fassung. 29

33 I. Kenntnisstand im Hinblick auf Big Data Um ein einheitliches, gemeinsames Verständnis des Begriffs "Big Data" sicherzustellen, geben wir hier in einer Übersicht an, was im Rahmen dieser Umfrage darunter zu verstehen ist: Big Data ist gekennzeichnet durch die nachflgend gezeigten Eigenschaften, vn denen vr allem Vielfalt und Schärfe in vielfacher Hinsicht neue Herausfrderungen bedeuten (mehr als Masse und Geschwindigkeit). Man erhfft sich neue Frmen vn Wertschöpfung und Erkenntnisgewinn vn einer Verknüpfung und Analyse grßer Datenbestände. Zahlreiche Fallstudien deuten darauf hin, dass diese Hffnung berechtigt ist. Verweis: 30

34 1) Wie beurteilen Sie Ihre Kenntnisse im Hinblick auf Big Data-Anwendungen? 5 bedeutet Sie haben sehr umfängliches Wissen über Big Data-Anwendungen und 0 bedeutet Sie haben kein Wissen bzgl. Big Data-Anwendungen. Kenntnisse über Big Data-Anwendungen ) Betreiben Sie bereits eine Big Data-Anwendung bzw. haben Sie vr, dies zu tun? Ja, regelmäßig Ja, ausprbiert Nein 3) Glauben Sie, dass in Ihrem Unternehmen zunächst ein angemessener Business Case erarbeitet werden muss, bevr eine Big Data-Anwendung aufgesetzt wird? Ja Nein Weiß nicht 4) Wie stehen Sie Big Data bzw. Big Data-Anwendungen gegenüber? Die Nutzung vn Big Data finde ich attraktiv. Die Nutzung vn Big Data-Anwendungen ist wirtschaftlich. Die Nutzung vn Big Data-Anwendungen ist einfach. Sicherheit vn Daten-Backups ist ein Schlüsselfaktr bei der Nutzung vn Big Data- Anwendungen. Applikatinskmpatibilität ist ein Schlüsselfaktr bei der Nutzung vn Big Data-Anwendungen. Big Data-Anwendungen sind vertrauenswürdig. Big Data-Sftware ermöglicht es mir, Dinge schneller zu erledigen. 0 Stimme nicht zu bis 5 stimme zu "N.S." Nicht sicher N. S

35 Big Data-Anwendungen verbessern unsere Unternehmensleistung. Big Data-Anwendungen verbessern unsere Wettbewerbsfähigkeit. Big Data ist mehr als ein Hype, ist nützlich. Bitte begründen Sie Ihre negative Erwartungshaltung kurz (nur wenn sie negativ sind): 5) Wird bereits spezifische Big-Data-Sftware in Ihrer Firma genutzt? Big-Data-Sftware ist z.b. eine Hadp-Distributin vn MapR, Apache, Hrtnwrks der Cludera, IBM InfSphere BigInsights, Amazn Elastic MapReduce der auch eine Anwendung vn Wibidata, Splunk der Palantir etc. Ja, regelmäßig Ja, gelegentlich Nein, aber über den Einsatz wird nachgedacht Nein, der Einsatz ist nicht absehbar Falls nein, zu welchem ungefähren Zeitpunkt werden die Big Data-Anwendungen Ihrer Erwartung nach eingeführt werden? in den nächsten 6 Mnaten in 6 bis 12 Mnaten in 1 bis 2 Jahren später als in 2 Jahren 6) Gibt es grundsätzliche Vrbehalte gegenüber Big Data in Ihrem Unternehmen, die den Einsatz bzw. einen intensiveren Einsatz vn Big Data-Anwendungen verhindern? nein ja Wenn ja, welche Vrbehalte sind dies Ihrer Meinung nach? 32

36 7) Gibt (bzw. gäbe) es bei Einsatz vn Big Data-Sftware grundsätzlich eine Präferenz hinsichtlich des Sftwareanbieters? Der aktuelle Sftwareanbieter Bekannte und grße Sftwareanbieter Die Auswahl eines Anbieters wird durch allg. Regeln der IT-Abteilung bestimmt Der günstigste Anbieter Ein Anbieter, der vn Nutzern empfhlen wird (bspw. in Diskussinsfren) Keine besndere Präferenz Andere Präferenz: II. Gründe für und wider Big Data-Anwendungen Als nächstes fragen wir Sie zuerst nach den Rahmenbedingungen, als nach den Vraussetzungen, die eine Big Data-Applikatin erfüllen muss, bevr ein Einsatz in Ihrem Unternehmen überhaupt in Frage kmmt. Im Anschluss fragen wir Sie dann nach Gründen, die aus Ihrer Sicht für der gegen einen Einsatz vn Big Data-Prdukten in Ihrem Unternehmen sprechen. 8) Bitte beurteilen Sie die Relevanz der nachflgenden Rahmenbedingungen für die Nutzung vn Big Data. 0 nicht relevant bis 5 sehr relevant "N.S." Nicht sicher Vertraulichkeit der Daten gegenüber Dritten Bedienknzept der Big-Data-Sftware angelehnt an klassische Desktp-Anwendungen (Drag & Drp, Fenster u. ä.) Perfrmance der Anwendung (Darstellung, Interaktin und Verarbeitung hne Zeitverzögerung) Einarbeitungszeit für die IT-Mitarbeiter Kstenlse bzw. preisgünstige Sftwarenutzung Möglichkeit einer Installatin der Big Data-Sftware auf der eigenen Infrastruktur Möglichkeit der Integratin in andere Big Data- Angebte (auch anderer Anbieter) Möglichkeit der Integratin in bestehende Sftware Anbieter hat Sitz in Deutschland N.S

37 9) Falls es weitere Gründe gibt, die aus Ihrer Sicht für eine Nutzung vn Big Data-Prdukten im Unternehmen sprechen, s können Sie diese hier eintragen und bewerten: 10) Was sind aus Ihrer Sicht die Gründe, die gegen eine Nutzung vn Big Data-Anwendungen sprechen, und welche Relevanz haben diese Gründe? Bedienung umständlich Hhe Einarbeitungszeit Fehlende Mitarbeiterakzeptanz (etablierte Arbeitsabläufe, Einarbeitung in neue Sftware) Nutzen nicht erkennbar Einschlägige Kmpetenzen im Unternehmen nicht vrhanden Big Data-Anwendungen sind primär etwas für Statistiker Anschaffungsksten für neuartige Sftware und leistungsfähige Hardware müssen erst amrtisiert werden Big Data-Anwendungen enthalten bisher nicht alle Features, die das Unternehmen sich wünscht Einschlägige Kmpetenzen am Markt nicht verfügbar Keine Zeit sich neben Tagesgeschäft damit zu beschäftigen Prminente Business-Cases für Big-Data passen nicht zu uns Hhe Betriebs- und Instandhaltungsksten über die Zeit (Persnal, Hard-/Sftware) 0 nicht relevant bis 5 sehr relevant "N.S." Nicht sicher N.S

38 11) Falls es weitere Gründe gibt, die aus Ihrer Sicht gegen eine Nutzung vn Big Data-Prdukten im Unternehmen sprechen, s können Sie diese hier eintragen und bewerten: Welches ist die größte Herausfrderung für die Datenanalyse- und Reprting-Fähigkeiten im Unternehmen in den nächsten 12 bis 24 Mnaten? III. Sftwareunterstützung im Unternehmen 12) Welchen Typ vn Sftware verwenden Sie in Ihrem Unternehmen hauptsächlich? Individual-Sftware (speziell für das Unternehmen prgrammiert) Custmized Sftware (auf das Unternehmen angepasste Standard-Sftware) Standard-Sftware eines grßen Herstellers (hne Anpassungen) Standard-Sftware eines unbekannteren Herstellers Mischung aus bigen Kategrien hne klaren Schwerpunkt Weiß nicht 13) Wie viele Mitarbeiter nutzen die Sftware in Ihrem Unternehmen? bis 10 Nutzer Nutzer Nutzer 150 der mehr Nutzer Weiß nicht 14) Über welche Endgeräte haben die Nutzer hauptsächlich regelmäßig Zugriff auf die Sftware? Ortsgebundene Arbeitsplatzrechner 35

39 Nicht rtsgebundene Laptps/Tablet-PCs Standardisierte mbile Endgeräte (Smartphnes, PDAs) Spezielle Endgeräte (z. B. mbile RFID-Lesegeräte, spezialisierte Bedienterminals, besnders widerstandsfähige PDAs) Weiß nicht 15) Basieren zumindest einige der Anwendungen auf einer Client-Server-Architektur? Nein, es wird kein zentraler Server verwendet Ja, der der die Server werden im eigenen Rechenzentrum bzw. Serverraum durch Ihre Firma bereitgestellt und verwaltet Ja, der der die Server werden in einem externen Rechenzentrum bereitgestellt und durch Ihre Firma verwaltet Ja, der der die Server werden kmplett durch einen externen Anbieter bereitgestellt und verwaltet Weiß nicht 16) Erflgt der Zugriff auf die Sftware ganz der zu einem guten Teil über einen Web-Brwser? ja nein 17) Haben Sie spezielle Wünsche an die Hersteller vn Big Data-Sftware bzw. Applikatinen, die bisher nicht berücksichtigt sind? 18) Welche der flgenden Technlgien setzen setzt Ihr Unternehmen bereits ein? (Mehrfachnennungen sind möglich) Klassische SQL-Datenbanken (z.b. MySQL, IBM DB2, Oracle Database) Data-Warehuse-Lösungen (DWH) (z.b. SAP BW) Tabellenkalkulatinen (z.b. Excel) Statistik-Tls (z.b. SPSS) NSQL-Datenbanken (z.b. MngDB, CuchDB, Apache Cassandra) Einfache In-Memry-Datenbanken (z.b. memcached) In-Memry-Datenbank-Appliances (z.b. SAP HANA, Oracle Exalytics) 36

40 Clumn Stres (z.b. Sybase IQ) Spezielle Big-Data-Sftware (z.b. Wibidata, Splunk, Palantir) Keine davn Weiß nicht 19) Welche Abteilung im Unternehmen ist hauptsächlich für die Durchführung vn Datenanalysen (inklusive Reprting) zuständig? Einzelne Fachabteilungen jeweils für ihren Bereich IT- der Datenbank-Abteilung Eigene Abteilung für Datenanalyse ( Business Analytics ) Andere: IV. Zum Unternehmen und zu Ihrer Persn Die Beantwrtung der flgenden Fragen ist ptinal. 20) Aus welcher Branche stammt Ihr Unternehmen? Einzel- und Grßhandel - Dienstleistungen: Freiberufliche, wissenschaftliche und technische Dienstleistungen Grundstücks- und Whnungswesen Infrmatin und Kmmunikatin Andere Dienstleistungen Baugewerbe Industrie, Verarbeitendes Gewerbe Gastgewerbe, Turismus Gesundheits- und Szialwesen Transprt & Verkehr Energie Land- & Frstwirtschaft, Fischerei Andere Branche: 21) Wie hch war der Jahresumsatz Ihres Unternehmens im vergangenen Jahr? bis Mi. 2 Mi - 10 Mi. 10 Mi - 50 Mi. mehr als 50 Mi. 37

41 22) Wie viele Mitarbeiter werden in Ihrem Unternehmen beschäftigt? 1 bis 9 Mitarbeiter 10 bis 24 Mitarbeiter 25 bis 49 Mitarbeiter 50 bis 149 Mitarbeiter 150 bis 249 Mitarbeiter 250 der mehr Mitarbeiter 23) Wie viele Mitarbeiter beschäftigen Sie, die sich um Aufbau, Betrieb und Wartung der IT- Infrastruktur kümmern? 1 bis 5 Mitarbeiter 6 bis 10 Mitarbeiter 11 bis 20 Mitarbeiter mehr als 20 Mitarbeiter Ausschließlich externes Persnal 24) Betreiben Sie ein eigenes Rechenzentrum für Ihr Unternehmen? Nein Ja, eins Ja, mehrere. Anzahl: Weiß nicht 25) Zu Ihrer Persn: In welcher Abteilung des Unternehmens sind Sie tätig? IT-Abteilung Fachabteilung Geschäftsführung Andere: Zustellung der Auswertung Wir lassen Ihnen die Ergebnisse unserer Studie gerne zukmmen, sbald sie vrliegen, falls Sie Ihre E- Mail-Adresse angeben. Wir versichern, diese lediglich für das Versenden der Ergebnisse zu verwenden. An welche -Adresse sllen wir Ihnen später die Ergebnisse zukmmen lassen? -Adresse: Falls Sie keine Zustellung der Ergebnisse wünschen, lassen Sie dieses Feld leer und klicken Sie auf "Weiter". 38

42 B. Fkus-Interview-Fragebgen Big Data in KMU: Fkus-Fragen Ergänzende Fkus-Fragen zur Big Data in KMU -Umfrage vn der WWU Münster. Allgemeine Fragen: Nachfragen zu bisherigen Ergebnissen 1. Viele Umfrageteilnehmer hielten Big Data für grundsätzlich attraktiv, aber es gab Vrbehalte wie etwa fehlende Business Cases der geringe Einfachheit. Welches Versprechen vn Big Data macht dies Ihrer Meinung nach für Unternehmen s attraktiv? Trifft dies für Sie ebenfalls zu? 2. Die Vielfalt der Big-Data-Sftware ist grß. In wie fern und unter welchen Vraussetzungen würden Use-Case-getriebene Leitfäden zur Big-Data-Sftwareauswahl helfen, den Zugang zum Thema Big Data zu erleichtern? 3. Denken Sie, dass sich das Ksten-Nutzen-Verhältnis vn Big-Data-Lösungen schwieriger bewerten lässt als das vn anderer Sftware? 4. Die Integratin in die eigene Infrastruktur wurde häufiger als nötige Rahmenbedingung für Big Data genannt. Welche Herausfrderungen mit aktueller Big-Data-Sftware sehen Sie an dieser Stelle? An welcher Stelle hapert es hier nch? W wäre Hilfe wünschenswert, z.b. mit Hilfe vn Wrkshps? 5. In wie fern würde weiter verbreitetes Wissen bei den (Fach)mitarbeitern um Big-Data-Sftware dessen Einsatz fördern? Spezielle Fragen: Weitergehende und firmenspezifische Fragen 6. Unter welchen Vraussetzungen könnten Sie sich eine Data-Warehuse-Frtentwicklung durch einen (ausgiebigeren) Big-Data-Einsatz (z.b. Apache Hadp, MapReduce) in Ihrem Unternehmen vrstellen? 7. Welche zentralen Herausfrderungen sehen Sie für die Datenanalyse / das Reprting in Ihrem Unternehmen in Zukunft swhl technisch als auch rganisatrisch? 8. Gibt es nicht-erschlssene Datenquellen, die Sie hne neuartige Technik der rganisatrische Maßnahmen nicht erschließen können? 9. Welche Infrmatinen würden für Sie einen Wettbewerbsvrteil gerne nutzen, welche Sie derzeit nicht auswerten können? 10. Bei Big Data geht es auch um sg. explrative Analyse, w viele Daten erst gesammelt werden und dann erst nach passenden Erkenntnissen (auch im Nachhinein) gesucht wird. Was halten Sie vn diesem Ansatz? Wäre dieser (ggf. als Ergänzung) geeignet für Ihr Unternehmen? DATABASES & INFORMATION SYSTEMS GROUP - PROF. DR. GOTTFRIED VOSSEN - LEONARDO-CAMPUS MÜNSTER, GERMANY UMFRAGE-FEEDBACK: TEL.:

Vossen, Gottfried; Lechtenbörger, Jens; Fekete, David. Working Paper Big Data in kleinen und mittleren Unternehmen: Eine empirische Bestandsaufnahme

Vossen, Gottfried; Lechtenbörger, Jens; Fekete, David. Working Paper Big Data in kleinen und mittleren Unternehmen: Eine empirische Bestandsaufnahme ecnstr www.ecnstr.eu Der Open-Access-Publikatinsserver der ZBW Leibniz-Infrmatinszentrum Wirtschaft The Open Access Publicatin Server f the ZBW Leibniz Infrmatin Centre fr Ecnmics Vssen, Gttfried; Lechtenbörger,

Mehr

> Arbeitsberichte des Instituts für Wirtschaftsinformatik

> Arbeitsberichte des Instituts für Wirtschaftsinformatik > Arbeitsberichte des Instituts für Wirtschaftsinfrmatik Big Data in kleinen und mittleren Unternehmen eine empirische Bestandsaufnahme Arbeitsbericht Nr. 135 Westfälische Wilhelms-Universität Münster

Mehr

TactonWorks EPDM Integration. Lino EPDM pro. Whitepaper. unter Nutzung des TactonWorks Add-in EPDM von Tacton Systems AB

TactonWorks EPDM Integration. Lino EPDM pro. Whitepaper. unter Nutzung des TactonWorks Add-in EPDM von Tacton Systems AB Lin EPDM pr Whitepaper unter Nutzung des TactnWrks Add-in EPDM vn Tactn Systems AB Ausgabedatum: 04.09.2013 - Dkumentversin: 1.1 Autr: Clemens Ambrsius / Rüdiger Dehn Cpyright Lin GmbH 2013 Alle Rechte

Mehr

meinungsraum.at April 2012 Radio Wien Abschied vom Auto als heilige Kuh

meinungsraum.at April 2012 Radio Wien Abschied vom Auto als heilige Kuh meinungsraum.at April 2012 Radi Wien Abschied vm Aut als heilige Kuh Seite 1 Inhalt 1. Studienbeschreibung 2. Ergebnisse 3. Summary 4. Stichprbenbeschreibung 5. Rückfragen/Kntakt Seite 2 Studienbeschreibung

Mehr

LOPS Monitor 2012. Zusammenfassende Ergebnisse einer Befragung bei Leitungen im OP im April 2012. 6. September 2012

LOPS Monitor 2012. Zusammenfassende Ergebnisse einer Befragung bei Leitungen im OP im April 2012. 6. September 2012 LOPS Mnitr 2012 Zusammenfassende Ergebnisse einer Befragung bei Leitungen im OP im April 2012 6. September 2012 Belares AG Flrastrasse 34a 8610 Uster Telefn +41 (0) 44 363 35 36 cntact@belares.ch www.belares.ch

Mehr

Arbeitspapier Marktmacht von Plattformen und Netzwerken. Ergebnisse und Handlungsempfehlungen, Juni 2016

Arbeitspapier Marktmacht von Plattformen und Netzwerken. Ergebnisse und Handlungsempfehlungen, Juni 2016 1 Arbeitspapier Marktmacht vn Plattfrmen und Netzwerken Ergebnisse und Handlungsempfehlungen, Juni 2016 Hintergrund Das Internet und die Digitalisierung verändern wirtschaftliches Handeln auf vielfältige

Mehr

Mitarbeiterbefragung - Konzeptbeschreibung. Ziehen Ihre Mitarbeiter alle an einem Strang?

Mitarbeiterbefragung - Konzeptbeschreibung. Ziehen Ihre Mitarbeiter alle an einem Strang? Mitarbeiterbefragung - Knzeptbeschreibung Ziehen Ihre Mitarbeiter alle an einem Strang? Im Grßen und Ganzen sind unsere Mitarbeiter recht zufrieden Beginnen wir mit einer Binsenweisheit: Eine der wichtigsten

Mehr

Richtlinie für Fördermaßnahmen zur Steigerung der Energieeffizienz bei KMU der gewerblichen Wirtschaft

Richtlinie für Fördermaßnahmen zur Steigerung der Energieeffizienz bei KMU der gewerblichen Wirtschaft Stellungnahme der Deutschen Unternehmensinitiative Energieeffizienz e.v. (DENEFF) zum Entwurf Richtlinie für Fördermaßnahmen zur Steigerung der Energieeffizienz bei KMU der gewerblichen Wirtschaft vm 20.03.2011

Mehr

Zusammen machen die Betriebssysteme von Apple und Google fast 1/3 des Website-Traffic aus

Zusammen machen die Betriebssysteme von Apple und Google fast 1/3 des Website-Traffic aus Betriebssystem-Barmeter Zusammen machen die Betriebssysteme vn Apple und Ggle fast 1/3 des Website-Traffic aus Im Mai 2014 kamen 21,1 % des Website-Traffic in Eurpa über ein Betriebssystem vn Apple und

Mehr

UC4 AUTOMATED VIRTUALIZATION

UC4 AUTOMATED VIRTUALIZATION UC4 AUTOMATED VIRTUALIZATION Intelligent Service Autmatin für physische und virtuelle Umgebungen Weitere Infrmatinen über unsere UC4-Prdukte finden Sie unter www.uc4.cm. Einleitung In diesem White Paper

Mehr

Computational Science. Sommersemester 2015 Bachelor MI, Modul No 6.0 Barbara Grüter in Zusammenarbeit mit Andreas Lochwitz

Computational Science. Sommersemester 2015 Bachelor MI, Modul No 6.0 Barbara Grüter in Zusammenarbeit mit Andreas Lochwitz Cmputatinal Science Smmersemester 2015 Bachelr MI, Mdul N 6.0 Barbara Grüter in Zusammenarbeit mit Andreas Lchwitz In der Lehrveranstaltung werden Themen und Verfahren der Mdellbildung an empirischen Beispielen

Mehr

III.2.3) Technische und berufliche Leistungsfähigkeit

III.2.3) Technische und berufliche Leistungsfähigkeit 1. Anfrderungen an das Unternehmen 1.1 Sicherheitsanfrderungen Gegenstand des vrliegenden Auftrags sind Lieferungen und Leistungen, die entweder ganz der teilweise der Geheimhaltung nach dem Sicherheitsüberprüfungsgesetz

Mehr

Systemvoraussetzungen zur Teilnahme an HeiTel Webinaren. HeiTel Webinaren. Datum Januar 2012 Thema

Systemvoraussetzungen zur Teilnahme an HeiTel Webinaren. HeiTel Webinaren. Datum Januar 2012 Thema HeiTel Webinare Datum Januar 2012 Thema Systemvraussetzungen zur Teilnahme an Kurzfassung Systemvraussetzungen und Systemvrbereitungen zur Teilnahme an Inhalt: 1. Einführung... 2 2. Vraussetzungen... 2

Mehr

Richtlinie zur Durchführung von Projekten am ihomelab

Richtlinie zur Durchführung von Projekten am ihomelab Richtlinie zur Durchführung vn Prjekten am ihmelab Hrw, 7. Mai 2015 Seite 1/5 Autr: Prf. Alexander Klapprth Versin: 2.0 Datum: 06.07.2015 16:35 Versinen Ver Datum Autr Beschreibung 1.0 2003-10-19 Kla Erstfassung

Mehr

Bitrix24 Self-hosted Version Technische Anforderungen

Bitrix24 Self-hosted Version Technische Anforderungen Bitrix24 Self-hsted Versin Technische Anfrderungen Bitrix24 Self-hsted Versin: Technische Anfrderungen Bitrix24 ist eine sichere, schlüsselfertige Intranet-Lösung für kleine und mittlere Unternehmen, die

Mehr

Management Summary. Publisher iimt University Press: www.iimt.ch

Management Summary. Publisher iimt University Press: www.iimt.ch Management Summary Knvergenz Der Telekmmunikatins- und IT-Markt wächst zum ICT-Markt zusammen, die Umsätze und Margen der Telk-Unternehmen, s auch der Swisscm, erdieren, dch alle sprechen vm grssen Ptenzial,

Mehr

meinungsraum.at Onlinebefragung April 2012 PR-Ethik-Rat Branchen-Stimmungsbild und ethische Dilemmata vor dem Hintergrund aktueller Skandale

meinungsraum.at Onlinebefragung April 2012 PR-Ethik-Rat Branchen-Stimmungsbild und ethische Dilemmata vor dem Hintergrund aktueller Skandale meinungsraum.at Onlinebefragung April 2012 PR-Ethik-Rat Branchen-Stimmungsbild und ethische Dilemmata vr dem Hintergrund aktueller Skandale Seite 1 Inhalt 1. Studienbeschreibung 2. Ergebnisse 3. Summary

Mehr

Klausur Advanced Programming Techniques

Klausur Advanced Programming Techniques Advanced Prgramming Techniques Autr: Prf. Dr. Bernhard Humm, FB Infrmatik, Hchschule Darmstadt Datum: 8. Juli 2008 Klausur Advanced Prgramming Techniques 1 Spielregeln zur Klausur Allgemeines Die Bearbeitungszeit

Mehr

Sage Office Line und cobra: die ideale Kombination. Sage und cobra

Sage Office Line und cobra: die ideale Kombination. Sage und cobra Sage Office Line und cbra: die ideale Kmbinatin Sage und cbra 1 Die Kmbinatin und ihre Synergieeffekte Unternehmen brauchen eine ERP-Lösung zur Verwaltung und Abwicklung ihrer Geschäftsprzesse. cbra hingegen

Mehr

STUDIE ERFOLGSFAKTOR STRATEGIE

STUDIE ERFOLGSFAKTOR STRATEGIE (Hrsg.) Ergebnisse empirischer Studien Nummer 4 2006 STUDIE ERFOLGSFAKTOR STRATEGIE STRATEGIEVERANKERUNG IN ÖSTERREICHISCHEN UNTERNEHMUNGEN O.UNIV.-PROF. DIPL.-ING. DR. ULRICH BAUER DIPL.-ING. DR.TECHN.

Mehr

1. Was sind Ihre Zielgruppen?

1. Was sind Ihre Zielgruppen? Sie planen Ihre Firmenwebsite zum ersten Mal der wieder neu? Diese Checkliste hilft Ihnen dabei, wichtige Fragen schn vr der ersten Besprechung mit Ihrem Webdesigner zu klären. Das spart Ihre Zeit: Infrmieren

Mehr

DAS DBM FÜHRUNGSKRÄFTE COACHING

DAS DBM FÜHRUNGSKRÄFTE COACHING DAS DBM FÜHRUNGSKRÄFTE COACHING MARKTPOSITIONIERUNG Das Führungskräfte-Caching vn DBM ist ein Individual-Caching, das in einem systematischen Przess besseres Führungsverhalten hinsichtlich Selbstbild,

Mehr

Fragebogen zu Nachhaltigkeit und Ökoeffizienz im Lebensmittelsektor

Fragebogen zu Nachhaltigkeit und Ökoeffizienz im Lebensmittelsektor Fragebgen zu öklgischer Nachhaltigkeit und Ökeffizienz Paul Brehvsky paul.brehvsky@gmail.cm Fragebgen zu Nachhaltigkeit und Ökeffizienz im Lebensmittelsektr Vielen Dank, dass Sie sich zur Unterstützung

Mehr

Big Data How and How Big? Wie Hersteller und Marken lernen sinnvoll mit Daten umzugehen und Customer Insights generieren

Big Data How and How Big? Wie Hersteller und Marken lernen sinnvoll mit Daten umzugehen und Customer Insights generieren Mai 2015 Bild: Rawpixel - Ftlia.cm Big Data Hw and Hw Big? Wie Hersteller und Marken lernen sinnvll mit Daten umzugehen und Custmer Insights generieren Der Management-Alltag ist geprägt durch den Umgang

Mehr

Wagner M. Dienstag, 22. April 2014. Leitfaden für Semistrukturierte Interviews

Wagner M. Dienstag, 22. April 2014. Leitfaden für Semistrukturierte Interviews Leitfaden für Semistrukturierte Interviews 1 Inhaltsverzeichnis Überblick... 3 Die wichtigsten Eckpunkte des Visualisierungssystems:... 3 Zusatzmaterial für die Interviews:... 3 Wichtig für die/den Interviewleitende(n):...

Mehr

WINDOWS AZURE UND ISVS

WINDOWS AZURE UND ISVS WINDOWS AZURE UND ISVS EIN HANDBUCH FÜR ENTSCHEIDUNGSTRÄGER DAVID CHAPPELL JULI 2009 GESPONSERT VON DER MICROSOFT CORPORATION INHALT ISVs und Clud Cmputing... 2 Eine kurze Übersicht über Windws Azure...

Mehr

Freiburger Bildungspaket Förderkriterien

Freiburger Bildungspaket Förderkriterien Förderkriterien Seite 1 1. Antragsberechtigte: Freiburger Bildungspaket Förderkriterien Antragsberechtigte sind alle Grund- und Snderschulen swie alle allgemeinbildenden weiterführenden Schulen. Bei den

Mehr

DYNAMISCHE IT-INFRASTRUKTUREN IM UTILITYUMFELD EFFEKTIV PLANEN UND UMSETZTEN

DYNAMISCHE IT-INFRASTRUKTUREN IM UTILITYUMFELD EFFEKTIV PLANEN UND UMSETZTEN Elektrnische Persnalakte aus der Clud DYNAMISCHE IT-INFRASTRUKTUREN IM UTILITYUMFELD EFFEKTIV PLANEN UND UMSETZTEN Wlfgang Will Leiter Shared Service Stadtwerke Cttbus GmbH Clud Cmputing Praktische Anwendungen

Mehr

Themen-Dossiers bei IUWIS

Themen-Dossiers bei IUWIS Themen-Dssiers bei IUWIS Valie Djrdjevic Grundlagen Unter Dssier verstehen wir eine themenspezifische und redaktinell aufgearbeitete Präsentatin vn Material zu einem bestimmten Themengebiet. Innerhalb

Mehr

IT-Strategie - Wie Sie die Zukunft Ihrer Organisation sichern

IT-Strategie - Wie Sie die Zukunft Ihrer Organisation sichern IT-Strategie - Wie Sie die Zukunft Ihrer Organisatin sichern Seminare 2011 (Neu)Ausrichtung am Markt, erflgreiche Umsetzung vn Innvatin und Verankerung im Business Mdel Zielgruppe Das zweitägige Seminar

Mehr

IFAK CP Erfolgsindikator Das Tool zur Erfolgsmessung von Corporate Publishing. Kommunikationsleistung messen - Erfolg quantifizieren

IFAK CP Erfolgsindikator Das Tool zur Erfolgsmessung von Corporate Publishing. Kommunikationsleistung messen - Erfolg quantifizieren IFAK CP Erflgsindikatr Das Tl zur Erflgsmessung vn Crprate Publishing Kmmunikatinsleistung messen - Erflg quantifizieren IFAK Institut GmbH & C. KG Markt- und Szialfrschung IFAK CP Erflgsindikatr 1. Hintergrund

Mehr

Paketlösungen. TripleS Consulting GmbH. - Strategies - Solutions - Services -

Paketlösungen. TripleS Consulting GmbH. - Strategies - Solutions - Services - Paketlösungen TripleS Cnsulting GmbH - Strategies - Slutins - Services - Einleitung Beratung ist teuer und die Kalkulierbarkeit fehlt? Nicht bei uns! Wir bieten Ihnen eine Reihe vn Paketlösungen zu attraktiven

Mehr

UMSETZUNGSHILFE Exta Einladung zur Durchführung eines betrieblichen Eingliederungsmanagement nach 84 Abs. 2 SGB IX

UMSETZUNGSHILFE Exta Einladung zur Durchführung eines betrieblichen Eingliederungsmanagement nach 84 Abs. 2 SGB IX UMSETZUNGSHILFE Exta Einladung zur Durchführung eines betrieblichen Eingliederungsmanagement nach 84 Abs. 2 SGB IX Mai 2015 & Thmas Hchgeschurtz 1. Anschreiben an Mitarbeiter zur Verfahrenseinleitung Einladung

Mehr

Eine Information des Ingenieurbüro Körner zur Baustellenverordnung

Eine Information des Ingenieurbüro Körner zur Baustellenverordnung Eine Infrmatin des Ingenieurbür Körner zur Baustellenverrdnung Ihr Ansprechpartner: Dipl.-Ing. Frank Körner Wasserbank 6 58456 Witten Ruf- Nr. (02302) 42 98 235 Fax- Nr. (02302) 42 98 24 e-mail: kerner@ibkerner.de

Mehr

Installation der Webakte Rechtsschutz

Installation der Webakte Rechtsschutz Installatin der Webakte Rechtsschutz Kstenfreie zusätzliche Funktin für WinMACS Sankt-Salvatr-Weg 7 91207 Lauf Tel. 09123/18 30-0 Fax 09123/18 30-183 inf@rummel-ag.de www.rummel-ag.de Inhaltsverzeichnis

Mehr

Virtuelle Teams: So gelingt die Zusammenarbeit

Virtuelle Teams: So gelingt die Zusammenarbeit Virtuelle Teams: S gelingt die Zusammenarbeit Julia Brn Fünf Jahre nline unterstütztes Lernen im Rahmen vn rpi-virtuell - das heißt auch fünf Jahre virtuelle Zusammenarbeit. Denn die Knzeptin und Begleitung

Mehr

1. Das Modulhandbuch in der Qualitätssicherung von Studiengängen

1. Das Modulhandbuch in der Qualitätssicherung von Studiengängen Maika Büschenfeldt, Birgit Achterberg, Armin Fricke Qualitätssicherung im Mdulhandbuch Zusammenfassung: Als zentrales Dkument der Knzeptin eines Studiengangs und seiner Mdule ist ein in sich stimmiges

Mehr

Nutzen für die Betroffenen:

Nutzen für die Betroffenen: Prjektmanagement Prjektmanagement Das Bedürfnis nach einem effizienten und in die Unternehmensabläufe integrierten Prjektmanagements ist in vielen Betrieben fester Bestandteil vn internen Organisatinsanweisungen

Mehr

Fragen rund um das Coaching

Fragen rund um das Coaching Fragen rund um das Caching Wer braucht Managementunterstützung? Unternehmensgründer stehen im Spannungsfeld zwischen Technlgieentwicklung, Einwerben vn Kapital, Aufbau einer Organisatin und frühzeitiger

Mehr

Befristung von Arbeitsverhältnissen

Befristung von Arbeitsverhältnissen Befristung vn Arbeitsverhältnissen 1. Allgemeines Arbeitsverträge können swhl unbefristet als auch befristet abgeschlssen werden. Während für die Beendigung eines unbefristeten Arbeitsvertrages eine Kündigung

Mehr

Prozessmanager/in Erfolgreich Prozesse in Produktion und Logistik optimieren Fünftägiges Intensivtraining mit Workshop

Prozessmanager/in Erfolgreich Prozesse in Produktion und Logistik optimieren Fünftägiges Intensivtraining mit Workshop Przessmanager/in Erflgreich Przesse in Prduktin und Lgistik ptimieren Fünftägiges Intensivtraining mit Wrkshp Tag 1 und 2: Przessrientierung als Grundlage ganzheitlicher Effizienzverbesserung Tag 1: Einführung

Mehr

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren

Mehr

Medien- und Krisen PR -TRAININGS

Medien- und Krisen PR -TRAININGS Medien- und Krisen PR -TRAININGS MEDIENTRAINING Glaubwürdigkeit ist das berste Ziel in der Unternehmenskmmunikatin. Öffentlichkeitsarbeit wird für Unternehmen immer wichtiger. Public Relatins sind heute

Mehr

Serviceorientierte Architektur für WebSphere und WebSphere Portal

Serviceorientierte Architektur für WebSphere und WebSphere Portal Servicerientierte Architektur für WebSphere und WebSphere Prtal Ein Vrtrag im Rahmen der WebSphere Cmmunity Cnference 2004 für die Firma TIMETOACT Sftware & Cnsulting GmbH Dipl.-Ing. Frank W. Rahn Freiberuflicher

Mehr

Schritt 1 der gender-sensitiven Personalauswahl und -beurteilung: Anleitung Anforderungsanalyse

Schritt 1 der gender-sensitiven Personalauswahl und -beurteilung: Anleitung Anforderungsanalyse Schritt 1 der gender-sensitiven Persnalauswahl und -beurteilung: Anleitung Anfrderungsanalyse Erstellt im Vrhaben Auswahl und Beurteilung vn Führungskräften in Wissenschaft und Wirtschaft - wie unterscheiden

Mehr

Was kann ich für Sie tun? Ich biete Ihnen hier einige Leistungen rund ums Office an. Erstellung und Einrichtung von Internetseiten / Homepage

Was kann ich für Sie tun? Ich biete Ihnen hier einige Leistungen rund ums Office an. Erstellung und Einrichtung von Internetseiten / Homepage Herzlich willkmmen! Was kann ich für Sie tun? Ich biete Ihnen hier einige Leistungen rund ums Office an. Inhaltsverzeichnis Web-Design Erstellung und Einrichtung vn Internetseiten / Hmepage Seite 2 Vermietungsservice

Mehr

19th Annual Global CEO Survey Wie lassen sich höhere Erwartungen erfüllen?

19th Annual Global CEO Survey Wie lassen sich höhere Erwartungen erfüllen? 19th Annual Glbal CEO Survey Wie lassen sich höhere Erwartungen erfüllen? TEIL 1: Wachstum in schwierigen Zeiten Das Geschäftsumfeld vn CEOs ist heute zunehmend schwer zu verstehen und erfrdert kmplexe

Mehr

C ISPA. Sicherheitstechnik im IT-Bereich. Kompetenzzentren für IT-Sicherheit. Positionspapier aus Forschungssicht

C ISPA. Sicherheitstechnik im IT-Bereich. Kompetenzzentren für IT-Sicherheit. Positionspapier aus Forschungssicht C ISPA Center fr IT-Security, Privacy and Accuntability Kmpetenzzentren für IT-Sicherheit Psitinspapier aus Frschungssicht Sicherheitstechnik im IT-Bereich Michael Waidner, Michael Backes, Jörn Müller-Quade

Mehr

MACHMIT BRUCHSAL. Organisation Einführung. Grundlagen für Organisationen

MACHMIT BRUCHSAL. Organisation Einführung. Grundlagen für Organisationen MACHMIT BRUCHSAL Organisatin Einführung Grundlagen für Organisatinen 2011 egghead Medien GmbH INHALT EINLEITUNG... 4 Lernziele... 4 Oberfläche... 4 Vraussetzungen... 5 Weitere Infrmatinen... 5 BÖRSE KENNENLERNEN...

Mehr

Bericht Technikwoche 2013 Projekt 13

Bericht Technikwoche 2013 Projekt 13 Bericht Technikwche 2013 Prjekt 13 1 Inhalt 1 Einleitung:... 3 2 Prjekt 1: Wahrnehmung... 3 2.1 Auftrag... 3 2.2 Fragenbgen & Auswertung... 4 3 Prjekt 2: SlwUp... 8 3.1 Auftrag... 8 3.2 Knzept Slw up-stand...

Mehr

Leitfaden und spezielle Hinweise zur Anfertigung einer Abschlussarbeit im Bereich Wirtschaftsinformatik

Leitfaden und spezielle Hinweise zur Anfertigung einer Abschlussarbeit im Bereich Wirtschaftsinformatik Leitfaden und spezielle Hinweise zur Anfertigung einer Abschlussarbeit im Bereich Wirtschaftsinfrmatik Wissenschaft besteht aus Fakten wie ein Haus aus Backsteinen, aber eine Anhäufung vn Fakten ist genaus

Mehr

Checklisten zum Download für den Band in der Reihe Perspektive Praxis. Weiterbildungsberatung. Frank Schröder I Peter Schlögl

Checklisten zum Download für den Band in der Reihe Perspektive Praxis. Weiterbildungsberatung. Frank Schröder I Peter Schlögl Checklisten zum Dwnlad für den Band in der Reihe Perspektive Praxis Frank Schröder I Peter Schlögl Weiterbildungsberatung Qualität definieren, gestalten, reflektieren W. Bertelsmann Verlag 2014 Inhaltsverzeichnis

Mehr

Hallo und willkommen! Weiterbildung und Social Media - Kompetenzbedarf der Bildungsbranche

Hallo und willkommen! Weiterbildung und Social Media - Kompetenzbedarf der Bildungsbranche 1 Feedback geben Hall und willkmmen! Weiterbildung und Scial Media - Kmpetenzbedarf der Bildungsbranche Chatten Referentin Dr. Katja Bett 2 Miteinander kmmunizieren Sie können sich jederzeit im Chat zu

Mehr

COI-Software-as-a-Service COI-PharmaSuite SaaS. Business W hite Paper

COI-Software-as-a-Service COI-PharmaSuite SaaS. Business W hite Paper COI-Sftware-as-a-Service COI-PharmaSuite SaaS Business W hite Paper 1 Zusammenfassung 3 2 Sftware-as-a-Service 4 2.1 SaaS Lösung COI-PharmaSuite 4 2.2 Vrteile der COI-PharmaSuite 2.5 SaaS-Lösung 4 2.3

Mehr

Duisburger Netzwerk W

Duisburger Netzwerk W In Kperatin mit Duisburger Netzwerk W Fragebgen Betriebsrat Vielen Dank, dass Sie sich an der Befragung zum betrieblichen Familienmanagement beteiligen. Das Ausfüllen des Fragebgens dauert ca. 15 Minuten.

Mehr

Ibisco Finplan 2004. Schweizer Ausgabe. Empowering Financial Professionals

Ibisco Finplan 2004. Schweizer Ausgabe. Empowering Financial Professionals Ibisc Finplan Schweizer Ausgabe IBISCO Empwering Financial Prfessinals Cpyright Ibisc d... Alle Rechte vrbehalten. IBISCO Finplan 6PFlder, Schweizer Ausgabe. Ibisc, Ibisc Lg, Finplan, Finplan Lg sind entweder

Mehr

Microsoft Visual Studio 2005 Team System

Microsoft Visual Studio 2005 Team System Micrsft Visual Studi 2005 Team System Eine Einschätzung der Einsatzmöglichkeiten im Gebiet des Sftware Offshring. Sebastian Geiger [geiger@fzi.de] Inhaltsverzeichnis Beschreibung des Szenaris... 2 Eingesetzte

Mehr

Franchising - die Gründungsalternative

Franchising - die Gründungsalternative Franchising - die Gründungsalternative Ihr Referent Jan Schmelzle Leiter Plitik und Recht Geschäftsstelle: Deutscher Franchise-Verband e.v. Luisenstraße 41, 10117 Berlin Tel: 030/ 27 89 02-0 www.franchiseverband.cm

Mehr

Bitte beachten Sie, dass dieses Formular nur zur Ansicht dient! Ihre Registrierung sollte Online über die Seite www.100-kantinen.nrw.de erfolgen.

Bitte beachten Sie, dass dieses Formular nur zur Ansicht dient! Ihre Registrierung sollte Online über die Seite www.100-kantinen.nrw.de erfolgen. Bitte beachten Sie, dass dieses Frmular nur zur Ansicht dient! Ihre Registrierung sllte Online über die Seite www.100-kantinen.nrw.de erflgen. FRAGEBOGEN FÜR PIONIERKANTINEN Mehr NRW im Tpf Schritt 1 Angaben

Mehr

Zentren für Kommunikation und I nfo rmati onsvera rbeitu n g

Zentren für Kommunikation und I nfo rmati onsvera rbeitu n g ZKI e.v. 130799/3/3 Zentren für Kmmunikatin und I nf rmati nsvera rbeitu n g - r,ar Rlle der Hchschulrechenzentren im Zeitalter der Infrmatinsgesellschaft - Gllederung: Vrbemerkung I Zur Bedeutung der

Mehr

Bewertungskriterien für das Softwareprojekt zum IT-Projektmanagement

Bewertungskriterien für das Softwareprojekt zum IT-Projektmanagement OTTO-VON-GUERICKE-UNIVERSITÄT MAGDEBURG Fakultät für Infrmatik Lehrstuhl für Simulatin Bewertungskriterien für das Sftwareprjekt zum IT-Prjektmanagement 1. Zielvereinbarung Die Zielvereinbarung ist eines

Mehr

Sabine Bends, geprüfte Astrologin DAV Vorurteile gegen die Astrologie

Sabine Bends, geprüfte Astrologin DAV Vorurteile gegen die Astrologie Sabine Bends, geprüfte Astrlgin DAV Vrurteile gegen die Astrlgie "Astrlgie ist eine amüsante Freizeitbeschäftigung, aber keine ernstzunehmende Lebenshilfe." Dieses Argument wird häufig vn Menschen hervrgebracht,

Mehr

Grundqualifikation oder Weiterbildung?

Grundqualifikation oder Weiterbildung? Grundqualifikatin der Weiterbildung? Sie sind Kraftfahrer und bewegen täglich Ihr Fahrzeug, als Bus der LKW durch den dicksten Verkehr. Nun haben Sie gehört, dass es etwas Neues gibt die Grundqualifikatin

Mehr

Anhang B: Halbstandardisierte Nutzerinterviews (Leitfaden)

Anhang B: Halbstandardisierte Nutzerinterviews (Leitfaden) Anhang B: Halbstandardisierte Nutzerinterviews (Leitfaden) Ablauf des leitfadengestützten Einzelinterviews 1. Allgemeines Screening 2. Leitfaden (Richtzeit: 30 Min.; Maximalzeit: 40 Min.) i. Abfrage vn

Mehr

Medienpass. Kirsten Böttcher-Speckels. Ziele. Klasse Fach/Zuständigkeiten Material 5 Klassenlehrer Medienscouts. Baustein

Medienpass. Kirsten Böttcher-Speckels. Ziele. Klasse Fach/Zuständigkeiten Material 5 Klassenlehrer Medienscouts. Baustein Klasse Fach/Zuständigkeiten Material 5 Klassenlehrer Medienscuts Baustein Ziele Einführung in die PC-Nutzung Cmputer sachgemäß ein- und ausschalten und bedienen sich im Intranet, dem Netzwerk der Schule,

Mehr

Tacton keytech Integration

Tacton keytech Integration Tactn keytech Integratin Herausfrderungen und Lösungen Ausgabedatum: 27.09.2013 - Dkumentversin: 1.0 Autr: Clemens Ambrsius Cpyright Lin GmbH 2013 Alle Rechte vrbehalten Seite 1 1 Einführung Bei vielen

Mehr

Ausbildung Systemische Businessaufstellungen

Ausbildung Systemische Businessaufstellungen Ausbildung Systemische Businessaufstellungen Infpaket Start März 2015 Mitgliedsinstitut im dvct Deutscher Verband für Caching und Training e.v. Ziele der Ausbildung Im Fkus steht die Anwendung der Methde

Mehr

SEO Services. Mehr Erfolg durch Suchmaschinenoptimierung (SEO) von dmc Steigerung von Umsatz und Conversion-Rate Erhöhung der Markenbekanntheit

SEO Services. Mehr Erfolg durch Suchmaschinenoptimierung (SEO) von dmc Steigerung von Umsatz und Conversion-Rate Erhöhung der Markenbekanntheit SEO Services Mehr Erflg durch Suchmaschinenptimierung (SEO) vn dmc Steigerung vn Umsatz und Cnversin-Rate Erhöhung der Markenbekanntheit Einführung Suchmaschinen sind zu einem unverzichtbaren Instrument

Mehr

Prozessmanagement im HR-Bereich. Insight 2012 Seite 1

Prozessmanagement im HR-Bereich. Insight 2012 Seite 1 Przessmanagement im HR-Bereich Insight 2012 Seite 1 Vrtrag Bis 2004: Leitung Prduktservice und Kundenbetreuung bei namhaftem österreichischen Sftwareunternehmen Seit 2005: selbständig - Ammnit Beate Cerny,

Mehr

Infomappe zur Zertifizierung als Junior ProjektmanagerIn (IPMA Level D )

Infomappe zur Zertifizierung als Junior ProjektmanagerIn (IPMA Level D ) Infmappe zur Zertifizierung als Junir PrjektmanagerIn (IPMA Level D ) 1 Allgemeines zur Zertifizierung... 2 1.1 Zertfizierungsprzess im Überblick... 2 1.2 Vrraussetzungen für die Zertifizierung... 2 1.3

Mehr

Studiengang Journalistik

Studiengang Journalistik STUDIENGANG JOURNALISTIK KATHOLISCHE UNIVERSITÄT EICHSTÄTT-INGOLSTADT Masterstudiengang Management und Innvatin in Jurnalismus und Medien MODULBESCHREIBUNGEN Mdulbezeichnung Grundlagenmdul 1 Kmmunikatins-

Mehr

Prinzipieller Ablauf eines Projektes zum Thema "IT-Konsolidierung"... Ausgangssituation / Motivation / typische Gründe für eine IT-Konsolidierung

Prinzipieller Ablauf eines Projektes zum Thema IT-Konsolidierung... Ausgangssituation / Motivation / typische Gründe für eine IT-Konsolidierung IT-Knslidierung Prinzipieller Ablauf eines Prjektes zum Thema "IT-Knslidierung"... Ausgangssituatin / Mtivatin / typische Gründe für eine IT-Knslidierung Prinzipiell können unterschiedliche Gründe für

Mehr

Werkzeugspezifische Anpassung und Einführung von Vorgehensmodellen in integrierten Projektinfrastrukturen

Werkzeugspezifische Anpassung und Einführung von Vorgehensmodellen in integrierten Projektinfrastrukturen Werkzeugspezifische Anpassung und Einführung vn Vrgehensmdellen in integrierten Prjektinfrastrukturen Marc Kuhrmann Technische Universität München Institut für Infrmatik Lehrstuhl Sftware & Systems Engineering

Mehr

Schlechtwetterkündigung ( 46 RTV) im Maler- und Lackiererhandwerk

Schlechtwetterkündigung ( 46 RTV) im Maler- und Lackiererhandwerk Oktber 2009 Schlechtwetterkündigung ( 46 RTV) im Maler- und Lackiererhandwerk Die Möglichkeit, in der Winterperide (15. Nvember bis 15. März), gewerbliche Arbeitnehmer bei schlechter Witterung mit eintägiger

Mehr

Stelle Vorgelegt am Angenommen am Abgelehnt am Bund 04.12.2006 02.01.2007 Land Salzburg 04.12.2006 19.12.2006 Alle übrigen Länder

Stelle Vorgelegt am Angenommen am Abgelehnt am Bund 04.12.2006 02.01.2007 Land Salzburg 04.12.2006 19.12.2006 Alle übrigen Länder Betrieb vn E-Gvernment- Kmpnenten Knventin egv-betr 1.0.0 Empfehlung mehrheitlich Kurzbeschreibung Eine wesentliche Vraussetzung für die Akzeptanz vn E- Gvernment-unterstützten Dienstleistungen ist die

Mehr

SSI White Paper: smart solution + engineering

SSI White Paper: smart solution + engineering Anlagenprduktivität und Prduktinslgistik ptimieren: SSE Smart Slutin + Engineering KG nutzt Sftware-, IT-Kmpetenz und Infrastruktur vn SSI Kunde: SSE Smart Slutin + Engineering KG Branche: Ziel: Lösung:

Mehr

Ausbildung zur/zum Großgruppen-ModeratorIn

Ausbildung zur/zum Großgruppen-ModeratorIn Ausbildung zur/zum Grßgruppen-MderatrIn Lernen und Erleben Sie die hhe Kunst der Mderatin grßer Gruppen! Ihre Herausfrderung / Ihr Nutzen Sie wllen weg vn unprduktiven Wrkshps hin zu Events, die das kreative

Mehr

Mehrsprachigkeit fördern. Vielfalt und Reichtum Europas für die Schule nutzen (MES).

Mehrsprachigkeit fördern. Vielfalt und Reichtum Europas für die Schule nutzen (MES). INSTITUT FÜR ROMANISTIK Prf. Dr. Franz-Jseph Meißner Didaktik der rmanischen Sprachen Karl-Glöckner-Str. 21 G D-35394 Gießen Tel. +49(0)641.9931190 Sekr. +49(0)641.9931311 Fax +49(0)641.9931319 franz-jseph.meissner@sprachen.uni-giessen.de

Mehr

CuraSoft. Sie werden es lieben.

CuraSoft. Sie werden es lieben. CuraSft. Sie werden es lieben. Ob Einsatz-, Dienst- der Pflegeplanung: Mit CuraSft sind Sie und Ihre Patienten immer auf der sicheren Seite. Seit über 24 Jahren arbeiten ambulante Dienste und statinäre

Mehr

Herausgeber: Hans-Peter Obladen Michael Meetz. Betriebswirtschaftliche Strategien für die Abfallwirtschaft und Stadtreinigung

Herausgeber: Hans-Peter Obladen Michael Meetz. Betriebswirtschaftliche Strategien für die Abfallwirtschaft und Stadtreinigung Herausgeber: Hans-Peter Obladen Michael Meetz Betriebswirtschaftliche Strategien für die Abfallwirtschaft und Stadtreinigung 2010 Die Verknüpfung und praktische Nutzung vn Strategy Maps und Balanced Scre

Mehr

Leitfaden Kommunikationsplan INTERREG-Projekt

Leitfaden Kommunikationsplan INTERREG-Projekt Leitfaden Kmmunikatinsplan INTERREG-Prjekt Alle INTERREG-Prjekte sind verpflichtet in der vn der EU finanzierten Prjektlaufzeit angemessene Kmmunikatins- und Öffentlichkeitsarbeit durchzuführen. Die Kmmunikatins-

Mehr

Zusammenfassung des Projektes Training der Sozialen Kompetenz

Zusammenfassung des Projektes Training der Sozialen Kompetenz Zusammenfassung des Prjektes Training der Szialen Kmpetenz 1. Prjektvrstellung Das Prjekt Training der Szialen Kmpetenz war eine Kperatinsarbeit zwischen der Fachhchschule Kblenz unter der Leitung vn Frau

Mehr

Unternehmenspräsentation

Unternehmenspräsentation Unternehmenspräsentatin Wer wir sind Wir verstehen uns als Internetberatung und Dienstleister als Experten für eine ganzheitliche Psitinierung im digitalen Raum. Sei es bezgen auf Ihre eigene Internetseite

Mehr

Die Bedeutung von People Skills in kleinen und mittelständischen Unternehmen

Die Bedeutung von People Skills in kleinen und mittelständischen Unternehmen Die Bedeutung von People Skills in kleinen und mittelständischen Unternehmen Unternehmerbefragung 2011 Messbare Steigerung des Unternehmenserfolgs durch Verbesserung der persönlichen Leistung Über diese

Mehr

o o o o o o o o o o o o o o

o o o o o o o o o o o o o o Name der/des Studierenden: Studienrichtung: O- Titel der Arbeit: Gutachter/ Gutachterin Bitte Zutreffendes ankreuzen: Präsentatin der Diplmarbeit: (gilt nur für das Studium Humanmedizin) Ich bestätige,

Mehr

Unsere Kompetenz sorgt für stabile Werte. Service und Wartung für Ihre Solarinvestition.

Unsere Kompetenz sorgt für stabile Werte. Service und Wartung für Ihre Solarinvestition. Unsere Kmpetenz srgt für stabile Werte. Service und Wartung für Ihre Slarinvestitin. TÜV-geprüfte Service-Qualität Geben Sie der Slartechnlgie nch mehr Zukunft. Slarkraftwerke sind für Jahrzehnte gebaut.

Mehr

Fragebogen zur Integration in Deutschland

Fragebogen zur Integration in Deutschland Orientatin c/ Daniel König Kölnstr. 6 53111 Bnn Fragebgen zur Integratin in Deutschland Dieser annyme Fragebgen richtet sich an Studierende ausländischer Herkunft, die entweder die deutsche Staatsbürgerschaft

Mehr

Das WERT Programm der SMS Siemag AG

Das WERT Programm der SMS Siemag AG Das WERT Prgramm der SMS Siemag AG Wissens- und ERfahrungs-Transfer Ein Praxisbericht Anke Rsenthal Weiterbildung/Wissensmanagement 27. Mai 2013 WERT-Prgramm der SMS Siemag AG Inhaltsverzeichnis 1. Das

Mehr

Software-Innovationen für das digitale Unternehmen

Software-Innovationen für das digitale Unternehmen Sftware-Innvatinen für das digitale Unternehmen Brückenschlag zwischen der Wissenschaft und Anwendung Living Labs Ines Dahmann Technlgie-Initiative SmartFactry KL e.v. Kaiserslautern, 26. September 2012

Mehr

Modul : Interkulturelle Kompetenz Aufeinandertreffen der Kulturen. Umfang Gesamt-Stunden 2 Gesamt-Minuten 90

Modul : Interkulturelle Kompetenz Aufeinandertreffen der Kulturen. Umfang Gesamt-Stunden 2 Gesamt-Minuten 90 Mdul : Interkulturelle Kmpetenz Aufeinandertreffen der Kulturen Umfang Gesamt-Stunden 2 Gesamt-Minuten 90 Definitin und Beschreibung des Mduls Die Fähigkeit die kulturelle Vielfalt zu akzeptieren und mit

Mehr

Diese Dokument soll Ihnen helfen, Ihre Software für die Verwendung unserer Webdienste zu konfigurieren.

Diese Dokument soll Ihnen helfen, Ihre Software für die Verwendung unserer Webdienste zu konfigurieren. Knfiguratinshilfe Diese Dkument sll Ihnen helfen, Ihre Sftware für die Verwendung unserer Webdienste zu knfigurieren. MailAdmin Mit dem Webtl Mailadmin können Sie Ihre Emailknten verwalten. Hier können

Mehr

männliche Zusam, um letztlich

männliche Zusam, um letztlich 1 Kurzfassung des Berichts zur Erhebung Karrierevrstellungen vn Studierenden der Gleichstellungskmmissin Hintergrund und Fragestellung Der Frauenanteil vn fast 80% im Bachelr und Gesundheit überwiegend

Mehr

Einführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung

Einführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung Einführung in den Frschungsprzess und die Methden der empirischen Kmmunikatins- und Medienfrschung Vrlesung 9: Methden II: Befragung 14.12.2015 Frschungsprzess und Methden 9 1 Gliederung Vrlesung 9 1.

Mehr

Infoniqa GDPdU - Center

Infoniqa GDPdU - Center Infniqa GDPdU - Center GDPdU-Center? Was ist das eigentlich? Das GDPdU-Center bietet die Möglichkeit, die Vrgaben der Grundsätze zum Datenzugriff und zur Prüfung digitaler Unterlagen zu erfüllen und gleichzeitig

Mehr

Marktgängige Energie(effizienz) dienstleistungen in der Praxis. Workshop zum Erfahrungsaustausch zwischen Anbietern von Energiedienstleistungen

Marktgängige Energie(effizienz) dienstleistungen in der Praxis. Workshop zum Erfahrungsaustausch zwischen Anbietern von Energiedienstleistungen Marktgängige Energie(effizienz) dienstleistungen in der Praxis Wrkshp zum Erfahrungsaustausch zwischen Anbietern vn Energiedienstleistungen Wien, 10. Mai 2012 PROGRAMM Ziele des Wrkshps Wie können neue

Mehr

IHK-Merkblatt Stand: 02.06.2016

IHK-Merkblatt Stand: 02.06.2016 IHK-Merkblatt Stand: 02.06.2016 HINWEIS: Dieses Merkblatt sll als Service Ihrer IHK nur erste Hinweise geben und erhebt daher keinen Anspruch auf Vllständigkeit. Obwhl es mit größter Srgfalt erstellt wurde,

Mehr

Die Bachelorarbeit am Lehrstuhl für Volkswirtschaftslehre, inbs. Wirtschaftstheorie (Makroökonomik)

Die Bachelorarbeit am Lehrstuhl für Volkswirtschaftslehre, inbs. Wirtschaftstheorie (Makroökonomik) Die Bachelrarbeit am Lehrstuhl für Vlkswirtschaftslehre, inbs. Wirtschaftstherie (Makröknmik) I. Zulassungsvraussetzungen Zur Anmeldung ist ein Lebenslauf mit Bewerbungsft (kein Passft), eine aktuelle

Mehr

Service Level Agreement (SLA) für OS4X Suite der c-works GmbH

Service Level Agreement (SLA) für OS4X Suite der c-works GmbH Seite 1 vn 6 Service Level Agreement (SLA) für OS4X Suite der Datum des Inkrafttretens: 19-10-2011 Dkument-Eigentümer: Versin Versin Datum Beschreibung Autr 1.0 10.10.2011 Service Level Agreement H. Latzk

Mehr

Änderungen der Prüfungsordnungen in den Bachelor-Studiengängen BBA, BIS und IBS ab WS 2011/12. Information für Studierende

Änderungen der Prüfungsordnungen in den Bachelor-Studiengängen BBA, BIS und IBS ab WS 2011/12. Information für Studierende Fakultät IV, Abteilung Betriebswirtschaft Fakultät IV, Abteilung Wirtschaftsinfrmatik Änderungen der Prüfungsrdnungen in den Bachelr-Studiengängen BBA, BIS und IBS ab WS 2011/12 Infrmatin für Studierende

Mehr