Diese Arbeit ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfältigung dieser Arbeit oder von Teilen dieser Arbeit ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig. Zuwiderhand- lungen unterliegen den Strafbestimmungen des Urheberrechsgesetzes.

Inhaltsverzeichnis

Inhaltsverzeichnis   I

Abk  ürzungsverzeichnis  IV

Abbildungsverzeichnis   VI

Tabellenverzeichnis VII   

Symbolverzeichnis   VIII

1  Einleitung  1

2  Grundlegende Begriffe  3

2.1  Analytische Informationssysteme (AIS)  3

2.1.1  Historische Entwicklung  3

2.1.2  Aktuelles Begriffsverständnis  4

2.1.3  Wesentliche Komponenten moderner AIS  8

2.1.3.1  Data Warehouse  9

2.1.3.2  On-Line Analytical Processing  11

2.1.3.3  Data Mining  13

2.1.3.4  Text Mining  15

2.1.3.5  Weitere typische Komponenten  17

2.2  Wirtschaftlichkeit im Hinblick auf AIS  18

2.2.1  Traditioneller Wirtschaftlichkeitsbegriff  18

2.2.2  Erweiterter Wirtschaftlichkeitsbegriff  19

3  Kosten- und Nutzenbetrachtungen von AIS  21

3.1  Kosten von AIS  21

3.1.1  Abgrenzung des Kostenbegriffs  21

3.1.2  Kostenaspekte von AIS  24

3.1.2.1  Hardware  25

3.1.2.2  Software  25

3.1.2.3  Personal  26

3.1.2.4  Sonstige Kosten  27

3.2  Nutzen von AIS  27

3.2.1  Abgrenzung des Nutzenbegriffs  27

3.2.2  Nutzenaspekte von AIS  28

I

3.3 Probleme bei der Ermittlung und Bewertung der Kosten und Nutzen……………32 4 Theoretische Konzepte zur Wirtschaftlichkeitsanalyse von AIS ………………..…35 4.1 Systematisierung vorhandener Wirtschaftlichkeitsanalyseverfahren ………….…35 4.1.1 Beschreibungsverfahren ………………………………………………...…40

4.1.2 Berechnungsverfahren ……………………………………………………..47

4.1.3 Methoden und Techniken zur Berücksichtigung von Unsicherheit ….……57 4.1.4 Meta-Verfahren ...……………………………………………………….…60 4.2 Beurteilung der grundsätzlichen Eignung für AIS ………………………………..62 4.3 Analyse ausgewählter Methoden im Hinblick auf AIS ………………………...…68 4.3.1 Einzelverfahren ...……………………………………………….…………69

4.3.2 Ganzheitliche Verfahren ……………………………………………...……77

4.4 Zusammenfassende Beurteilung der theoretischen Ergebnisse …………………..86 5 Die Praxis der Wirtschaftlichkeitsanalyse von AIS …………………………………88 5.1 Aktueller Stand der empirischen Forschung …………………………………...…88 5.2 Empirische Untersuchung zum Einsatz von Wirtschaftlichkeitsanalyseverfahren in der Praxis ………………………………………………………………90 5.2.1 Methodik der Untersuchung …………………………………………….…90 5.2.2 Teilergebnisse der Untersuchung ……………………………………….…93

5.2.3 Fazit der Untersuchung .......................…………………………………...100 6 Abschließende Bewertung und Ausblick …………………………………………...101

Literaturverzeichnis …………………………………………………………………….103 Anhang …………………………………………………………………………………..121

III

Abkürzungsverzeichnis

ABC Activity-Based-Costing AIS Analytisches Informationssystem aCRM Analytisches Customer Relationship Management AS Anwendungssystem BCBID Business-Centric BI Development BI Business Intelligence BPR Business Process Reengineering BSC Balanced Scorecard CAPM Capital Asset Pricing Model CAS Controlling-Anwendungssystem CI Competitive Intelligence CIMM Competitive Intelligence Measuring Model CIS Chefinformationssystem CM Change Management CRLC Customer Resource Life Cycle DBMS Datenbankmanagementsystem DCF Discounted Cash Flow DSS Decision Support System DW Data Warehouse EBV Entscheidungsbaumverfahren EIS Executive Information System ETL Extraction, Transformation, Loading EWR Erweiterte Wirtschaftlichkeitsrechnungen FAOR Functional Analysis of Office Requirements FIS Führungsinformationssystem GE Geldeinheiten IA Investment Appraisal IE Information Economics IKS Informations- und Kommunikationssystem IS Informationssystem ITC Information Technology Center

IV

KDD Knowledge Discovery in Databases KM Knowledge Management KEF Kritische Erfolgsfaktoren KER Kosten- und Erlösrechnung KNA Kosten-Nutzen-Analyse krp Kostenrechnungspraxis MIS Management Information System MPA Multiperspektiven-Ansatz MSS Management Support System MUS Managementunterstützungssystem NNC Nolan, Norton & Company NWA Nutzwertanalyse ODS Operational Data Store OIS Operatives Informationssystem o. J. ohne Jahr o. Jg. ohne Jahrgang OLAP On-Line Analytical Processing OLTP On-Line Transaction Processing o. V. ohne Verfasser PKR Prozesskostenrechnung ROCII Return in Competitive Intelligence Investment ROI Return on Investment ROM Return on Management SHE Situated Hermeneutic Evaluation TCO Total Cost of Ownership WA Wirtschaftlichkeitsanalyse WACC Weighted Average Cost of Capital WAV Wirtschaftlichkeitsanalyseverfahren ZfB Zeitschrift für Betriebswirtschaft ZfbF Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung ZfCM Zeitschrift für Controlling & Management zfo Zeitschrift Führung + Organisation

V

Abbildungsverzeichnis   

Abb.  1: AIS in der Systempyramide  

Abb.  2: Vielfältiges Verständnis von Business Intelligence  

Abb.  3: Einordnung unterschiedlicher Facetten von Business Intelligence  

Abb.  4: Idealtypische Data Warehouse-Architektur  

Abb.  5: Würfelgrafik zur Darstellung der Mehrdimensionalität  

Abb.  6: Dokumentenvektoren und Informationsextraktion  

Abb.  7: Kosten- und Nutzenaspekte von AIS  

Abb.  8: Systematik der Wirtschaftlichkeitsanalyseverfahren für Informations-  

systeme   

Abb.  9: Klassische Investitionsrechnungsverfahren  

Abb.  10: Schematische Vorgehensweise des Farbey-Land-Targett-Ansatzes  

Abb.  11: Wirkungsketten einer Data Warehouse-Einführung  

Abb.  12: Vereinfachtes Beispiel des Modells des hierarchischen Beziehungs-  

netzwerks   

Abb.  13: Modellierung der Nutzung eines komponentenbasierten Anwendungs-  

systems   

Abb.  14: Beispielhafte Nutzenstruktur eines komponentenbasierten Anwen-  

dungssystems   

Abb.  15: Module des Multiperspektiven-Ansatzes.  

VI

Tabellenverzeichnis

Tab. 1: Idealtypische Charakterisierung von Ansätzen zur Wirtschaftlichkeitsanalyse von IS ...……..……………………………………………………..38 Tab. 2: Matrix der Nutzenpotenziale durch IS………………………..……………40 Tab. 3: Gegenüberstellung relevanter Ebenenansätze……………………...………42 Tab. 4: Ebenenspezifische Zuordnung von Wirtschaftlichkeitsanalyseverfahren ..……………………………………………………………………..….42 Tab. 5: Tätigkeitsprofilmatrix …………………………………..………………….69 Tab. 6: Gleichungssystem auf Basis der Tätigkeitsprofilmatrix...…………………70 Tab. 7: Beispiel für die Berechnung des Einsparungspotenzials eines Manager-postens……..……………………………………………………………….70 Tab. 8: Beispiel für eine Nutzwertanalyse ..………………………………………..72 Tab. 9: Beispiel für das Informationswertkonzept…………………………………78 Tab. 10: Umrechnung der bedingten Wahrscheinlichkeiten...………………………79 Tab. 11: Gewinnerwartungswerte in Abhängigkeit von den Informationsergeb-nissen.………………………………………………………………………79 Tab. 12: Beispielhafte Nutzwerte eines komponentenbasierten Anwendungs-Systems .........................................................................................................83 Tab. 13: Organisation und Position der Interviewpartner...…………………………91 Tab. 14: Überblick über eingesetzte Lösungen und die Größenordnung der

Symbolverzeichnis

Originärer Nutzen a Grundstück in der Region A

1

Anderes Grundstück A

2

apostGE A-posteriori Gewinnerwartungswert Netznutzenfaktor b b Direkter Netznutzenfaktor

direkt

b Indirekter Netznutzenfaktor

indirekt

Gewichtung der Anforderung G

1

Gewichtung der Erfüllungskriterien G

2

GE Gewinnerwartungswert ohne Information

oI

Gewinnerwartungswert GE GE Gewinnerwartungswert mit Information

mI

Gesamtgewichtung GG

Informationsergebnis „Abschreibung möglich“ I

1

Informationsergebnis „keine Abschreibung möglich“ I

2

Anzahl kompatibler Komponenten in einem Netz n Netzgröße N

Ereignis „Abschreibung möglich“ S

1

Ereignis „keine Abschreibung möglich“ S

2

Manager 1 S Fachkraft 2 S Sachbearbeiter 3 S Sekretariat 4 S Schreibkraft 5 S Teilnutzwert TNW 1 T Führungstätigkeit 2 T Spezialistentätigkeit Routinetätigkeit 3 T

VIII

T Verwaltungstätigkeit 4 Schreibtätigkeit 5 T Unproduktive Tätigkeit 6 T Nutzen u u Derivativer Nutzen

derivativ

Wahrscheinlichkeit w Informationswert WI

IX

1 Einleitung

"Everybody does cost/benefit analysis on projects. Most of them are fictional.” ¹ Was in der letzten Dekade schon als Problem gängiger Bewertungsrealität, nämlich der Aussagegehalt praktizierter Wirtschaftlichkeitsanalysen (WA), aufgezeigt wurde, hat im Zuge der schnell fortschreitenden Entwicklung auf dem Gebiet der Informationstechnologie keinesfalls an Aktualität eingebüßt. Heute sind es Themen wie Business Intelligence (BI) bzw. Data Warehousing aus dem Bereich der analytischen Informationssysteme (AIS), die verstärkt in den Vordergrund der Diskussion gerückt sind. ² Als umfassende, organisationsweit integrierte Systeme zur Unterstützung einer gezielten Unternehmenslenkung, können die Gesamtprojektkosten dieser mehrere Mio. Euro betragen und stellen somit ein wichtiges und sehr komplexes Bewertungsobjekt für eine WA dar. ³ Die Begründung der Investitionskosten umfassender AIS ist dabei ein bedeutendes Problem. Denn während die Kosten gut abgeschätzt werden können, gestaltet sich die Ermittlung des monetären Beitrags zum Unternehmensgewinn um ein Vielfaches schwieriger. Die Kosteneinsparungen bspw. durch Automatisierung des Berichtswesens sind verhältnismäßig greifbar, doch wie lässt sich der langfristige Wert der verbesserten Informationsbasis, welcher letztlich zu „besseren“ Entscheidungen führen soll, erfassen, monetär bewerten und den Kosten gegenüberstellen? 4

In der Praxis werden nicht selten „Bauchentscheidungen“ getroffen. ⁵ Einer Studie der Unternehmensberatung Mummert Consulting zufolge haben 24% der Unternehmen keine Transparenz hinsichtlich der Kosten und 29% keine hinsichtlich des Nutzens der eingesetzten Lösung. ⁶ Aus diesem Grund wird auf diesem Problemgebiet laut einer empirischen Erhebung des Instituts für Wirtschaftsinformatik aus St. Gallen Forschungsbedarf konstatiert. 7

¹ Diese Aussage ist ein Ergebnis des Forschungsprojekts „Management in the 90’s“ vom Massachusetts In-

stitute of Technology bezüglich der Bewertung von IT in der betrieblichen Praxis. Vgl. Farbey, B. et al.

(1999), S. 154.

² Vgl. Chamoni, P. et al. (2006), S. 3 ff. ; Seufert, A. et al. (2006), S. 22; Seufert, A. et al. (2003), S. 4 f.

sowie Hillringhaus, C. et al. (2004), S. 8 f. und 12.

³ Vgl. Hannig, U. et al. (2002), S. 226, die den Anteil der Projekte im Jahr 2001 mit Kosten über 2,5 Mio.

Euro auf 18,2% und mit Kosten zwischen 0,5 Mio Euro und 2,5 Mio Euro auf 22,7% schätzten.

⁴ Vgl. Totok, A. (2006), S. 60.

⁵ Vgl. Bannister, F. et al. (2000), S. 231.

⁶ Vgl. Mummert Consulting AG (2004), S. 92 f.

⁷ Vgl. Helfert, M. (2000), S. 9 f.

In der wissenschaftlichen Literatur wird eine große Zahl an Verfahren zur WA von Informationssystemen (IS) angeboten, wobei jedoch AIS als ein relativ moderner Teilbereich als Bewertungsobjekt kaum Berücksichtigung finden. ⁸ Damit stellt sich die Frage, inwieweit die in der Literatur bereits beschriebenen und in der Praxis zum Teil eingesetzten Methoden für AIS geeignet sind.

Das erste Ziel der Arbeit ist deshalb die Untersuchung der theoretischen Eignung der vor-handenen Verfahren zur Analyse von Investitionsentscheidungen in AIS. Dazu werden in Kapitel 2 zunächst das Bewertungsobjekt AIS sowie der dieser Arbeit zugrunde liegende Wirtschaftlichkeitsbegriff definiert. Darauf aufbauend werden in Kapitel 3 die für eine WA relevanten Kosten- und Nutzenaspekte von AIS herausgearbeitet, um daraus die Bewertungsproblematik bezüglich AIS abzuleiten. In Kapitel 4 werden schließlich die in der Literatur vorgeschlagenen Wirtschaftlichkeitsanalyseverfahren (WAV) vor dem Hintergrund der aufgezeigten Problemkreise analysiert und im Hinblick auf die Eignung für eine WA von AIS beurteilt.

Nach der Diskussion der theoretischen Möglichkeiten, wie eine Wirtschaftlichkeitsbeurteilung von AIS durchgeführt werden könnte, liegt das zweite Ziel der Arbeit darin, zu untersuchen, wie eine Wirtschaftlichkeitsbeurteilung von AIS in der Praxis tatsächlich durchgeführt wird. Dazu wird in Kapitel 5.1 zunächst der Mangel an empirischer Forschung hinsichtlich der Bewertung von AIS aufgezeigt. Aufgrund dieses Mangels wurde eine eigene empirische Erhebung als sinnvoll erachtet, welche Gegenstand von Kapitel 5.2 ist. Folgende Leitfragen lagen der Untersuchung dabei zugrunde: Welche WAV kommen in welchen Zeitpunkten der Bewertung von AIS in der Pra- ^• xis zum Einsatz?

Wo liegen die größten Defizite bei den aktuell durchgeführten WA von AIS? •

Welche Verfahren haben aus Sicht der Praxis in Zukunft ein hohes Potenzial für ei- •

ne ganzheitliche WA von AIS?

Um diesem Erkenntnisinteresse zu entsprechen wurden Tiefeninterviews mit Vertretern aus der Praxis mit einschlägiger Erfahrung auf dem Gebiet der Bewertung von AIS ausgewertet.

⁸ Vgl. bspw. Potthof, I. (1998), S. 17 ff. oder Pietsch, T. (2003), S. 58 ff.

2 Grundlegende Begriffe

2.1 Analytische Informationssysteme (AIS)

2.1.1 Historische Entwicklung

Die Entscheidungsunterstützung des Managements mit Hilfe elektronischer Datenverarbeitung lässt sich bis in die 60er Jahre zurückverfolgen. ⁹ Im Laufe der Zeit tauchte je nach Aufgabenschwerpunkt und Zielgruppe des Systems eine Vielzahl an neuen Begriffen auf, deren definitorische Abgrenzung in der Literatur keineswegs eindeutig gehandhabt wurde. ¹⁰ Angefangen mit Management Information Systems (MIS) kamen in den 70er Jahren Decision Support Systems (DSS) sowie Mitte der 80er Jahre Executive Information Systems (EIS) auf den Markt, die dann schließlich unter den Begriff der Management Support Systems (MSS) subsumiert wurden. ¹¹ Die entsprechenden Bezeichnungen im deutschen Sprachraum sind Managementinformationssystem (MIS), Entscheidungsunterstützungssystem (EUS), Führungsinformationssystem (FIS) bzw. Chefinformationssystem (CIS) sowie Managementunterstützungssystem (MUS). 12

Allen Systemen gemein war stets die Zielsetzung „entscheidungsrelevante Informationen zeitnah und problemadäquat in einer dem Management gerechten Weise aufzubereiten und gegebenenfalls angereichert durch Entscheidungsmodelle mit Lösungsvorschlägen zur Verfügung zu stellen.“ ¹³ Dieses Ziel blieb jedoch in den Anfängen der Entwicklung vor dem Hintergrund enthusiastischer Technikgläubigkeit, eines mechanistisch ausgelegten Organisationsverständnisses und nicht zuletzt aufgrund des Mangels an leistungsfähigen Informations- und Kommunikationssystemen (IKS) unerreicht und es kam bestenfalls zu einer Automatisierung des vorhandenen Standardberichtswesens. ¹⁴ Die Kritikpunkte reichten von fehlender Interaktivität und Starrheit über Informationsüberflutung bei gleichzeitig defizitärer Datenversorgung bis hin zur mangelhaften Integrierbarkeit in bestehende DVtechnische und organisatorische Infrastrukturen. ¹⁵ Diese Probleme wurden jedoch im Laufe der Zeit mit Hilfe moderner IKS zum Teil gelöst. 16

⁹ Vgl. Chamoni, P. et al. (2006), S. 6.

¹⁰ Vgl. Holthuis, J. (2001), S. 36 ff. sowie die dort zitierte Literatur.

¹¹ Eine ausführliche Abgrenzung und Diskussion der Begriffe findet bei Gluchowski, P. et al. (1997),

S. 147 ff. statt.

¹² Vgl. Chamoni, P. et al. (2006), S. 6 ff.

¹³ Chamoni, P. (2003), S. 4.

¹⁴ Vgl. Kemper, H.-G. et al. (2004), S. 1 sowie Chamoni, P. et al. (2006), S. 6.

¹⁵ Vgl. Chamoni, P. et al. (2006), S 10.

¹⁶ Vgl. Chamoni, P. et al. (2006), S. 8 f. sowie Bauer, A. et al. (2004), S. 11.

Sehr grob lassen sich die Begriffe in einer hierarchischen Sichtweise bezogen auf die Zielgruppe durch eine Systempyramide darstellen, wobei zwischen Administrations- und Dispositionssystemen bzw. operativen Informationssystemen (OIS) einerseits und den Planungs- und Kontrollsystemen bzw. AIS andererseits unterschieden wird (vgl. Abb. 1). 17

Abb. 1: AIS in der Systempyramide

^{In Anlehnung an: Gluchowski, P. et al. (1997), S. 238 und Chamoni, P. et al. (2006), S. 11.} Während die Bezeichnung MSS bzw. MUS als Sammelbegriff ¹⁸ IS zur Entscheidungsunterstützung des Managements bis heute häufig in der Wissenschaft Verwendung findet, bildete sich seit Mitte der 90er Jahre in der Praxis parallel dazu verstärkt der von der Gartner Group ¹⁹ geprägte und viel diskutierte Begriff BI heraus. ²⁰ Auf diesen wird im nächsten Abschnitt näher eingegangen.

2.1.2 Aktuelles Begriffsverständnis

Zurzeit wird man in Theorie und Praxis mit einer Fülle von Schlagworten wie Data Warehouse (DW), On-Line Analytical Processing (OLAP), Data Mining, Text Mining, Knowledge Management (KM), analytisches Customer Relationship Management (aCRM) oder Competitive Intelligence (CI) konfrontiert, die alle mehr oder weniger zueinander in Beziehung stehen und zumindest teilweise zum Bereich BI bzw. AIS gezählt werden. Es mangelt jedoch bei vielen Konzepten an einheitlichen Definitionen, was die Einordnung

¹⁷ Vgl. Holthuis, J. (2001), S. 8 ff.; Chamoni, P. et al. (2006), S. 11; Gluchowski, P. (1997), S. 151, S. 166,

S. 202 und S. 238; Scheer, A.-W. (1997), S. 5 sowie Mertens, P. et al (2005), S. 84.

¹⁸ Im angelsächsischen Bereich und bisweilen auch im deutschsprachigen Raum werden die Begriffe MIS,

DSS, EIS oder MSS mit ihren deutschen Entsprechungen jedoch synonym verwendet. Vgl. Emery, J.C.

(1987), S. 24 f. und Hichert, R. et al. (1995), S. XI.

¹⁹ Die Gartner Group ist ein US-amerikanisches Marktforschungsunternehmen.

²⁰ Vgl. Kemper, H.-G. et al. (2004), S. 2.

und Abgrenzung der einzelnen Begriffe sehr schwierig macht. ²¹ Besonders der Begriff BI wird derzeit im Rahmen der entscheidungsunterstützenden Systeme sehr häufig strapaziert, obwohl keine allgemein anerkannte Definition existiert. 22

Im angelsächsischen Sprachraum werden die Begriffe CI und BI z.B. teils synonym verwendet, obwohl der Begriff CI nach aktueller Auffassung nur einen Teilbereich von BI umfasst. ²³ Ferner werden in frühen marketingorientierten Abgrenzungen mit BI lediglich Front-End-Werkzeuge bezeichnet, während neuere Sichtweisen die Bedeutung datengetriebener Systeme wie das DW-Konzept oder OLAP für den Bereich BI unterstreichen. ²⁴ Ein Managementkonzept, das verstärkt seit Mitte der 90er Jahre in der Diskussion steht, ist das KM, welches mehr oder weniger zeitgleich mit dem Begriff BI auf dem Radar von Theorie und Praxis aufgetaucht ist. ²⁵ Heute wird diesen beiden Bereichen eine beträchtliche Schnittmenge attestiert, wobei sogar ein Zusammenwachsen der beiden Welten zur Decision Intelligence gefordert wird. 26

Diesen Begriffsreichtum im Zusammenhang mit BI macht Mertens auf Basis einer empirischen Untersuchung deutlich, wobei er die unterschiedlichen Auffassungen in sieben Varianten unterteilt (vgl. Abb. 2). Die Größe der Dreiecke in der Abbildung spiegelt die relative Bedeutung der Kategorie wider. 27

Abb. 2: Vielfältiges Verständnis von Business Intelligence

Quelle: Mertens, P. (2002), S. 67.

²¹ Vgl. Chamoni, P. et al. (2006), S. 3; Chamoni, P. (2003), S. 4; Gluchowski, P. (2001), S. 5; Gabriel, R. et

al. (2001), S. 17; Determann, L (2002), S. 8; Weber, J. et al. (1999), S. 16 ff.; Mucksch, H. et al. (2000),

S. 5 ff.; Kurz, A. (1998), S. 252; Kemper, H.-G. et al. (2004), S. 1 ff. sowie Negash, S. (2004), S. 177 f.

²² Vgl. Gluchowski, P. (2001), S. 1.

²³ Vgl. Negash, S. (2004), S. 187 sowie Vedder, R.D. et al. (1998), S. 1.

²⁴ Vgl. Kemper et al. (2004), S. 2 sowie Schildhauer, T. et al. (2004), S. 27.

²⁵ Vgl. Abschnitt 2.1.1.

²⁶ Vgl. Hannig, U. (2002), S. 6 sowie Gabriel, R. et al. (2001), S.25.

²⁷ Vgl. Mertens, P. (2002), S. 3.

Zusammenfassend lassen sich diese Kategorien in zwei Sichtweisen einteilen: Eine systembezogene, welche verschiedene Werkzeuge, Anwendungen und Systeme unter einer begrifflichen Klammer zusammenfasst (Position Nr. 1-6, Abb. 2) und eine prozessorientierte, bei welcher BI als analytischer Prozess verstanden wird, der aus fragmentierten, heterogenen Unternehmens-, Markt- und Wettbewerbsdaten Wissen über die eigenen und über fremde Positionen, Potenziale und Perspektiven generiert (Position Nr. 7, Abb. 2). ²⁸ Gluchowski strukturiert die systembezogenen Sichtweisen in einem zweidimensionalen Ordnungsrahmen und definiert BI als „…alle Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter…, die zur besseren Einsicht in das eigene Geschäft und damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten führen.“ (vgl. Abb. 3). ²⁹ Auf der vertikalen Achse trägt er die Phase des analytischen Datenverarbeitungsprozesses ab, wohingegen er auf der horizontalen Achse die Perspektive definiert, aus welcher heute die jeweilige Systemkategorie schwerpunktmäßig diskutiert wird. Je nach Positionierung der jeweiligen Technologie- oder Anwendungsklasse lassen sich dann drei Typen von Definitionsansätzen - Eng, Analyseorientiert, Weit - abgrenzen. 30

Abb. 3: Einordnung unterschiedlicher Facetten von Business Intelligence

Quelle: Gluchowski, P. (2001), S. 7.

Eine weite Auslegung der Definition schließt alle Systemkomponenten mit ein, die operatives Datenmaterial zur Informations- und Wissensgenerierung aufbereiten und speichern sowie Auswertungs- und Präsentationsfunktionalität anbieten, also auch DW und Extrakti-

²⁸ Vgl.Gluchowski, P. (2001), S. 7 sowie Grothe, M. et al. (2000), S. 19.

²⁹ Gluchowski, P. (2001), S. 6.

³⁰ Vgl. Gluchowski, P. (2001), S. 6 ff.

ons-, Transformations- und Ladewerkzeuge (ETL-Tools). ³¹ Diese bieten zwar keine Analysefunktion, dienen aber der Schaffung einer einheitlichen Datenbasis speziell für Analysezwecke, da operative Systeme weder für einen analyseorientierten Datenzugriff ausgelegt sind, noch homogene und konsistente Daten zur Verfügung stellen. ³² Bei der analyseorientierten Sichtweise wird eine harmonisierte, aufbereitete und abgestimmte Datenbasis vorausgesetzt und es werden somit nur Systemkomponenten auf der Auswertungsebene miteinbezogen. Hierzu zählen neben OLAP und MIS/EIS auch Data Mining, Text Mining, aCRM, Ad-hoc-Berichte und auch Systeme zur Planung, Budgetierung und Konsolidierung sowie Kennzahlen- und Balanced Scorecard-Systeme. ³³ Im Rahmen dieser Sichtweise kann auch CI, das als „…ethical gathering and use of publicly or semi-publicly available information about trends, events and players outside the firm’s official boundaries…” ³⁴ definiert wird, zumindest teilweise zum Bereich BI gezählt werden. 35

Aufgrund der unscharfen Definitionsgrenzen, und damit der Gefahr des inflationären Gebrauchs des Begriffs BI, werden in einer engen Sichtweise häufig nur wenige Kernapplikationen zur Aufbereitung und Präsentation von multidimensional organisiertem Datenmaterial verstanden. ³⁶ Darunter fallen dann insbesondere OLAP sowie die MIS und EIS. 37

Ein Begriff, für den bisher ebenfalls keine eindeutige Definition existiert und welcher häufig im Zusammenhang mit BI genannt wird, ist das KM ³⁸ , welches „…einen systematischen Ansatz [darstellt; Anm. d. Verf.], um das Wissen in einer Unternehmung durch zielgerichtete Handlungen für eine organisatorische Wissensbasis aufzubauen und auszunutzen.“ ³⁹ Dabei geht es beim KM vereinfacht gesagt um die Diffusion und Nutzung des durch die Analyseprozesse des BI generierten und ausgewerteten Wissens. ⁴⁰ Es handelt

³¹ Vgl. Gluchowski, P. (2001), S. 6.

³² Vgl. Inmon, W.H. (2005), S. 6 f. sowie S. 22 f.

³³ Vgl. Gluchowski, P. (2001), S. 6.

³⁴ Gilad, B. et al. (1988), S. 4.

³⁵ Vgl. Negash, S. (2004), S. 186 sowie Jaworski, B. et al. (1993), S. 11. Letztere bezeichnen CI als “exter-

nal business intelligence”. Zur Geschichte des Begriffs CI vgl. Michaeli, R. (2006), S. 32 ff.

³⁶ Vgl. Gluchowski, P. (2001), S. 6.

³⁷ Hier hätte Gluchowski konsequenterweise den Begriff MSS verwenden können, um die DSS nach der

Systematik aus Abschnitt 2.1.1 zu integrieren. Das lässt sich hier jedoch als ein typisches Beispiel für den

ungenauen Gebrauch der Begriffe MIS, EIS, DSS und MSS werten.

³⁸ Vgl. Dittmar, C. et al. (2002), S. 27.

³⁹ Gabriel, R. et al. (2001), S. 19.

⁴⁰ Vgl. Gabriel, R. et al. (2001), S. 24 sowie Dittmar, C. et al. (2002), S. 37 ff.

sich hierbei aber keineswegs um zwei klar voneinander abgrenzbare Bereiche, sondern vielmehr um Ansätze, die die Bewältigung der Informationsflut in einer Unternehmung aus zwei verschiedenen Blickwinkeln heraus verfolgen: Schwerpunktmäßig quantitative und strukturierte Daten im Rahmen des BI gegenüber überwiegend qualitativen und unstrukturierten Daten im Rahmen des KM. ⁴¹ Dabei gibt es jedoch, wie oben bereits erwähnt, einen großen Überlappungsbereich.

Im Folgenden werden die Begriffe BI in seiner weiten Auslegung und AIS synonym verwendet. ⁴² AIS bilden dabei inhaltlich das logische Komplement zu den OIS, welche lediglich operative Geschäftsprozesse unterstützen. ⁴³ Damit soll analog zu der Definition von BI zum Ausdruck kommen, „…daß die Informationsversorgung und funktionale Unterstützung betrieblicher Fach- und Führungskräfte zu Analysezwecken im Vordergrund steht.“ ⁴⁴ Ferner kann bei der WA von AIS im Rahmen dieser Arbeit keine erschöpfende Behandlung aller zum Spektrum der AIS gehörender Systeme erfolgen, weshalb hier nur eine Auswahl der aktuell am meisten diskutierten Anwendungen und Techniken wie DW, O-LAP, Data Mining und Text Mining aufgegriffen und näher betrachtet wird. Dabei werden die anderen Systeme bezüglich der WA von AIS keinesfalls explizit ausgegrenzt, sondern lediglich aus Gründen der Komplexitätsreduktion ausgeklammert.

2.1.3 Wesentliche Komponenten moderner AIS

Wie im vorherigen Abschnitt bereits dargestellt, ist der Begriff AIS keineswegs trennscharf und umfasst eine große Menge an Anwendungen, Systemen und Techniken. Zu den wesentlichen Konzepten werden im Rahmen dieser Arbeit aufgrund ihrer Aktualität das DW, OLAP, Data Mining und Text Mining gezählt und in den folgenden Abschnitten jeweils genauer erläutert. Diese Komponenten lassen sich in einer als idealtypisch zu verstehenden Referenzarchitektur darstellen (vgl. Abb. 4). 45

⁴¹ Vgl. Gregorzik, S. (2002), S. 43 f.

⁴² Vgl. Chamoni, P. (2003), S. 4, der die Begriffe ebenfalls gleichsetzt.

⁴³ Vgl. Chamoni, P. et al. (2006), S. 11. Einen systematischen Vergleich zwischen AIS und OIS findet man

bei Determann, L. (2002), S. 8 ff.

⁴⁴ Chamoni, P. et al. (2006), S. 11.

⁴⁵ Text Mining wird gegenwärtig nicht in gängige DW-Architekturen integriert, da der Fokus des DW-

Konzeptes zurzeit auf quantitativen und strukturierten Daten liegt. Es wird jedoch für die Zukunft eine

Unterstützung des Text Mining durch ein DW gefordert, weswegen im Rahmen dieser Arbeit das Text

Mining als integrativer Bestandteil einer DW-Architektur betrachtet wird. Vgl. dazu Sullivan, D. (2000),

42 ff.

Abb. 4: Idealtypische Data Warehouse-Architektur

In Anlehnung an: Mucksch, H. et al. (2000), S. 14.

2.1.3.1 Data Warehouse

Ein DW ist eine von den OIS isolierte physische Datenbank, die als integrierte und unternehmensweite Datenbasis für sämtliche entscheidungsunterstützenden IS dient. ⁴⁶ Nach Inmon, der den Begriff DW in den 90er Jahren propagiert und geprägt hat, wird ein DW definiert als „[…] subject-oriented, integrated, nonvolatile and time-variant collection of data in support of management’s decisions.“ 47

Themenorientiert (subject-oriented) bedeutet dabei, dass eine rein datenorientierte Vorgehensweise im Vordergrund steht, die nur Sachverhalte berücksichtigt, welche das Handeln und den Erfolg eines Unternehmens entscheidend beeinflussen. Damit soll zum Ausdruck kommen, dass innerbetriebliche Abläufe und Funktionen von nachrangiger Bedeutung sind. 48

⁴⁶ Vgl. Holthuis, J. (2001), S. 72 sowie Bauer, A. et al. (2004), S. 7. Poe, V. et al. (1997), S. 23 bezeichnen

ein DW prägnant auch als „analytische Datenbank“.

⁴⁷ Inmon, W.H. (2005), S.31. Zuerst erwähnt wurde laut Hummeltenberg, W. (1998), S. 48 das DW-

Konzept 1988.

⁴⁸ Vgl. Holthuis, J. (2001), S. 73.

Das wichtigste Kriterium ist die Datenintegration (integrated), mit der eine unternehmensweit homogene und konsistente Datenbasis mit „… a single physical corporate image …“ ⁴⁹ geschaffen werden soll, um das Problem der redundanten und oft widersprüchlichen Daten innerhalb derselben Unternehmung zu beheben. 50

Das Kriterium der Nicht-Volatilität (nonvolatile) bezieht sich auf die Häufigkeit der Datenmanipulationen innerhalb eines bestimmten Zeitraumes. Im Unterschied zu OIS, in denen gewöhnlich jede Datenmanipulation sofort gespeichert wird, werden die Daten in einem DW in vorbestimmten Intervallen „an einem Stück“ aus den operativen Datenbanken übernommen und bis zur nächsten Datenübernahme in der Regel nicht mehr aktualisiert. ⁵¹ Auf diese Weise können nahezu alle Datenzugriffe lesend erfolgen und sämtliche Auswertungen und Analysen jederzeit nachvollzogen werden. 52

Als letztes Merkmal nennt Inmon den Zeitraumbezug (time-variant) des gesamten Daten-bestandes eines DW. Der Unterschied zu einer operationalen Datenbank liegt hierbei darin, dass in dieser relativ kurze Zeiträume (60 - 90 Tage) oder zeitpunktgenaue Daten ohne Zeitraumbezug vorliegen, wohingegen sich die Daten in einem DW in der Regel auf große Zeiträume (5 - 10 Jahre) beziehen und sämtliche Dateneinträge mit einem Zeitbezug versehen sind. ⁵³ Damit sollen beispielsweise Trendanalysen auf Basis von historischen Daten ermöglicht werden. 54

Wichtig in diesem Zusammenhang ist die Einordnung der Begriffe DW, DW-Konzept, DW-System, DW-Prozess und Data Warehousing, welche häufig synonym verwendet werden, jedoch zum Teil unterschiedliche Bedeutungen haben. Unter einem DW versteht man, wie bereits beschrieben, die von den OIS getrennte Basisdatenbank, wohingegen mit dem DW-Konzept bzw. DW-System die in Abb. 4 dargestellte Systematik gemeint ist, welche alle für die Integration und Analyse notwendigen Komponenten umfasst. Schließlich wird mit Data Warehousing bzw. DW-Prozess der dynamische Vorgang der Verarbeitung der Daten aus den Datenquellen bis zum Analyseergebnis beim Anwender bezeichnet. 55

⁴⁹ Inmon, W.H. (2005), S. 32.

⁵⁰ Vgl. Inmon, W.H. (2005), S. 31ff.

⁵¹ Vgl. Inmon, W.H. (2005), S. 33 f.

⁵² Vgl. Mucksch, H. et al. (2000), S. 13.

⁵³ Vgl. Inmon, W.H. (2005), S. 34 f.

⁵⁴ Vgl. Mucksch, H. et al. (2000), S. 10.

⁵⁵ Vgl. Bauer, A. et al. (2004), S. 8.

2.1.3.2 On-Line Analytical Processing

Mit OLAP wird eine Software-Technologie bezeichnet, die Fach- und Führungskräften schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglicht, wobei dynamische, multidimensionale Analysen von konsolidierten Unternehmensdatenbeständen im Vordergrund stehen. ⁵⁶ Diese Definition macht den Zusammenhang zwischen OLAP und DW deutlich, denn bei beiden Konzepten spielt die Entscheidungsunterstützung auf Basis von konsistenten und unternehmensweit integrierten Datenbeständen eine wichtige Rolle. Der Unterschied besteht darin, dass das DW den Fokus auf die technischen und organisatorischen Aspekte legt, wohingegen OLAP die Benut-zeranforderungen zur Datenanalyse beschreibt und das Front-End und dessen Funktionalität somit in den Vordergrund stellt. 57

Als zentrales Charakteristikum wird die Multidimensionalität gewertet, durch die betriebswirtschaftliche Kennzahlen (Umsatz, Kosten etc.) entlang unterschiedlicher Dimensionen (Produkt, Region, Zeitraum etc.) in einer dem Anwender gerechten Weise dargestellt werden können. Dies geschieht häufig in Form eines Würfels (OLAP-Cubes), dessen Kanten die einzelnen Dimensionen repräsentieren und welcher sich als Symbol für die OLAP-Technologie etabliert hat (vgl. Abb. 5). ⁵⁸ OLAP stellt dabei eine begriffliche Abgrenzung zum On-Line Transaction Processing (OLTP) dar, welches zur transaktionalen Abwicklung von operativen Geschäftsprozessen dient und für komplexe Datenbankabfragen zu Analysezwecken nicht geeignet ist. 59

⁵⁶ Vgl. Gluchowski, P. et al. (1997), S. 282.

⁵⁷ Vgl. Chamoni, P. et al. (2000), S.335.

⁵⁸ Vgl. Chamoni, P. et al. (2000), S. 334.

⁵⁹ Vgl. Gluchowski, P. et al. (1997), S. 283.

Historisch geht der Begriff OLAP auf Codd zurück, welcher zwölf Regeln formulierte, mit denen OLAP-Produkte charakterisiert werden konnten. ⁶⁰ Diese Regeln wurden jedoch kritisch betrachtet, mit der Zeit modifiziert und von Codd selbst und anderen erweitert. ⁶¹ Dabei muss aber in Betracht gezogen werden, dass die Autoren zum Teil als Mitarbeiter von Softwarefirmen und Beratungshäusern die Regeln auf die Eigenschaften ihrer Produkte ausgerichtet haben, sodass die Unabhängigkeit dieser angezweifelt werden kann. ⁶² Diesem Umstand Rechnung tragend, stellten Pendse und Creeth 1995 mit dem Akronym FASMI (Fast Analysis of Shared Multidimensional Information) eine lediglich auf fünf Kriterien basierende und produktunabhängige Definition auf, welche auch heute noch vielfach Verwendung findet: 63

Mit Fast wird eine durchschnittliche Antwortzeit von fünf Sekunden gefordert, wobei •

einfache Abfragen nicht mehr als eine Sekunde und komplexe Analysen nicht mehr als 20 Sekunden dauern sollen. Diese Forderung basiert auf der Erkenntnis, dass zu lange Antwortzeiten die Konzentration des Anwenders unterbrechen und somit die Qualität der Analyse negativ beeinflussen.

Analysis steht für vielseitige und für den Anwender ohne Programmierkenntnisse ein- •

fach zu handhabende Funktionalitäten, mit denen jegliche relevante wirtschaftswissenschaftliche Anforderungen oder statistische Analysen bewältigt werden können. Shared fordert die Gewährleistung eines flexiblen und sicheren Betriebs bei einer grö- •

ßeren Anzahl gleichzeitig arbeitender Benutzer mit verschiedenen Zugriffsrechten (nur Lese- bzw. Lese- und Schreibzugriff). Wichtig hierbei ist neben der technischen Realisierung des Mehrbenutzerbetriebs die Sicherung von sensiblen Informationen vor unbefugtem Zugriff. 64

Multidimensional ist das wichtigste Kriterium und fordert eine konzeptionell mehrdi- •

mensionale Sicht auf den Datenbestand mit voller Unterstützung aller möglichen Hierarchiestufen.

⁶⁰ Vgl. Codd, E.F. et al. (1993), S. 18 ff.

⁶¹ Vgl. Jahnke, B. et al. (1996), S. 2 sowie Rieger, B. (1996), S. 6, der dabei von einer Inflation von OLAP-

Kriterien spricht.

⁶² Vgl. Gluchowski, P. et al. (1997), S. 276 ff.

⁶³ Vgl. Pendse, N. et al. (2006).

⁶⁴ Vgl. Determann, L. (2002), S. 76.

Unter Information wird schließlich die Problematik der Diskrepanz zwischen speicher- •

barer und handhabbarer Datenmenge eines OLAP-Servers ⁶⁵ behandelt. Der Unterschied entsteht durch die Art der Datenspeicherung, bei welcher die Speicherkapazität nicht äquivalent mit der tatsächlichen Größe des Dateninputs ist, weshalb als Maßgröße die handhabbare Datenmenge (Dateninput) herangezogen werden soll. Aus Sicht des Controllings wird mit OLAP und DW die Idee der zweckneutralen Grundrechnung mit zweckorientierten Auswertungsrechnungen, die auf Goetz ⁶⁶ und Schmalenbach ⁶⁷ zurückgeht und von Riebel ⁶⁸ im Rahmen der relativen Einzelkosten- und Deckungsbeitragsrechnung aufgegriffen wurde, weiterentwickelt. ⁶⁹ Der Bereich Controlling zählt auch heute noch zu dem wichtigsten Einsatzgebiet der OLAP-Technologie in Verbindung mit einem DW. 70

2.1.3.3 Data Mining

Der Begriff Data Mining oder Datenmustererkennung bezeichnet einen Arbeitsschritt im ganzheitlichen Prozess des Knowledge Discovery in Databases (KDD), der zum Ziel hat, gültige, bisher unbekannte, verständliche und nützliche Informationen aus großen Datenbeständen zu gewinnen. ⁷¹ Data Mining gehört zu der Gruppe der Mining-Methoden ⁷² und ist die Stufe, bei der mittels spezieller Algorithmen automatisch Zusammenhänge in Datenbeständen entdeckt werden und somit neues Wissen generiert wird. ⁷³ Obwohl Data Mining nur ca. 15 bis 20% des Gesamtaufwandes im Informationsgewinnungsprozess des KDD ausmacht, konzentrieren sich die Bemühungen in dessen Kontext jedoch auf den Teilbereich Data Mining. ⁷⁴ Aus diesem Grund werden diese beiden Begriffe häufig syn-

⁶⁵ EinOLAP-Server ist eine eigens für OLAP-Auswertungen geschaffene multidimensionale Datenbank.

Vgl. dazu Mucksch, H. et al. (2000), S. 21.

⁶⁶ Vgl. Goetz, B.E. (1949), S. 137 f.

⁶⁷ Vgl. Schmalenbach, E. (1956), S. 267 ff.

⁶⁸ Vgl. Riebel, P. (1979), S. 863 ff.

⁶⁹ Vgl. Totok, A. (1998), S. 161.

⁷⁰ Vgl. Hillringhaus, C. et al. (2004), S. 30.

⁷¹ Vgl. Fayyad, U.M. et al. (1996), S. 6.

⁷² Zu den Mining-Methoden zählen neben Data Mining unter anderem Text Mining, Web Mining, Audio

Mining oder Multimedia Mining. Vgl. dazu Mertens, P. (2002), S. 67 ff.

⁷³ Vgl. Kurz, A. (1998), S. 252.

⁷⁴ Vgl. Brachmann, R.J. et al (1996), S. 44 sowie Holthuis, J. (2001), S. 60.

onym verwendet. ⁷⁵ Kurz und prägnant lässt sich Data Mining als die „Suche nach den ver-borgenen Schätzen“ ⁷⁶ beschreiben.

Grob lässt sich der KDD-Prozess, der iterativ und interaktiv abläuft, in drei Schritte unterteilen: Datenpräparation, ungerichtete Analyse ⁷⁷ sowie Ergebnisinterpretation und Präsentation. ⁷⁸ Iterativ bedeutet dabei, dass einzelne Stufen auch mehrmals durchlaufen werden können und interaktiv impliziert, dass der Anwender zwischen den einzelnen Stufen Entscheidungen über das weitere Vorgehen fällen muss. 79

Grundsätzlich werden zwei Arten von Data Mining-Methoden unterschieden. Einerseits die Validierung von aufgestellten Hypothesen (validation driven) und andererseits die automatische Entwicklung von Hypothesen (Muster/Regeln) aus den Daten (discovery driven). ⁸⁰ Als deutsche Übersetzung werden die Begriffe überprüfungsgesteuert und erschließungsgesteuert verwendet, wobei die erschließungsgesteuerte Methode eine Erweiterung der überprüfungsgesteuerten darstellt, da hier wirklich „neues“ Wissen entsteht und nicht „nur“ bestätigt wird. 81

Zu den am häufigsten verwendeten Techniken beim Data Mining gehören die Warenkorbanalyse, fallbasiertes Schließen, Entscheidungsbäume und Induktion von Regeln, neuronale Netze, genetische Algorithmen, automatische Clusteranalyse sowie die Analyse von Beziehungen zwischen Datensätzen. ⁸² Eine ausführliche Erläuterung der einzelnen Techniken würde den Rahmen dieser Arbeit sprengen, da diese Ansätze unterschiedlichster Forschungsgebiete, wie z.B. Künstliche Intelligenz, Statistik, Datenbanksysteme oder Hochleistungsrechentechnik, enthalten. ⁸³ Allen Techniken gemein ist jedoch, dass stets versucht wird aus signifikanten Datenzusammenhängen „Wenn-Dann-Regeln“ abzuleiten, wie z.B. „WENN das Produkt zur Produktgruppe Süßwaren gehört UND der Verkaufsort ein Schwimmbad ist, DANN ist der Verkaufpreis durchschnittlich 34% höher.“ 84

⁷⁵ Vgl. Kurz, A. (1998), S. 252.

⁷⁶ Below, C.v. (1998), S. 53.

⁷⁷ Dazu gehören Data Mining oder Text Mining. Vgl. hierzu Abschnitt 2.1.3.3 und Abschnitt 2.1.3.4.

⁷⁸ Vgl. Schinzer, H.D. et al. (1999), S. 65.

⁷⁹ Vgl. Fayyad, U.M. et al. (1996), S. 9 ff.

⁸⁰ Vgl. Kurz, A. (1998), S. 255.

⁸¹ Vgl. Holthuis, J. (2001), S. 63.

⁸² Für eine Beschreibung der einzelnen Techniken sei der interessierte Leser an Kurz, A. (1998), S. 257 ff.

verwiesen.

⁸³ Vgl. Holthuis, J. (2001), S. 58. Ferner behandeln Dhar, V. et al. (1997) in ihrem Buch ausführlich die ein-

zelnen Forschungsgebiete, auf denen diese Techniken aufsetzen.

⁸⁴ Determann, L. et al. (1999), S. 144.

Eine Standardtechnik des Data Mining im Einzelhandel ist die Warenkorbanalyse. Hierbei werden mit Hilfe von Kassenbons Einkäufe analysiert, um Korrelationen zwischen einzelnen Produkten oder Produktgruppen aufzudecken und Assoziativ-Regeln aufzustellen. ⁸⁵ Ein Beispiel für eine einfache Assoziativ-Regel ist, dass 90% der Einkäufe von Brot und Butter auch Milch enthalten. ⁸⁶ Aus der Controlling-Perspektive interessant ist die von Bissantz geprägte Übersetzung von Data Mining als „Verdachtsmoment-Generator“, die prägnant eine wichtige Funktion des Data Mining beschreibt, nämlich das automatische Aufspüren von Auffälligkeiten in Betriebsergebnisdaten. 87

2.1.3.4 Text Mining

Text Mining ist ein Teilgebiet der linguistischen Informationsverarbeitung, dessen zwei Hauptanliegen, neben der Aufdeckung interessanter Beziehungen zwischen Dokumenten, die Strukturierung von Textdokumenten sowie die Informationsextraktion aus diesen sind. ⁸⁸ Es kann als spezielle Richtung des Data Mining angesehen werden, welche sich ebenfalls vieler Methoden unterschiedlichster Forschungsrichtungen bedient. Im Gegensatz zu Data Mining, das primär die Analyse strukturierter und quantitativer Daten zum Ziel hat, widmet sich Text Mining jedoch der Analyse von nicht strukturierten, qualitativen Daten, also Texten und Textsammlungen. ⁸⁹ Folglich kann Text Mining ebenso wie Data Mining in den KDD-Prozess als Stufe der ungerichteten Datenanalyse eingeordnet werden. ⁹⁰ Aus betriebswirtschaftlicher Sicht interessant geworden ist das Text Mining durch die Erkenntnis, dass 80% der über Unternehmen verfügbaren Informationen in Textform vorliegen, weshalb die Bedeutung des Text Mining für die Zukunft zum Teil größer eingeschätzt wird als die des Data Mining. 91

Die Strukturierung von Textdokumenten kann man einerseits in die Klassifikation von Dokumenten in vorbestimmte Informationskategorien (z.B. E-Mails nach vordefinierten Themen) ⁹² und andererseits in die automatische Gruppierung (Clusterung) dieser auf Basis von Ähnlichkeiten (z.B. die automatische Gruppierung von Kundenanfragen mit dem Ziel,

⁸⁵ Vgl. Michels, E. (1995), S. 37 ff.

⁸⁶ Vgl. Bissantz, N. et al. (2000), S. 396.

⁸⁷ Vgl. Bissantz, N. et al. (2000), S. 399.

⁸⁸ Vgl. Grothe, M. et al. (2000), S. 212 f.

⁸⁹ Vgl. Renz, I. et al. (2003), S. 1.

⁹⁰ Vgl. Multhaupt, M. (2000), S. 55.

⁹¹ Vgl. Tkach, D.S. (1998), S. 7 sowie Mertens, P. (2002), S. 67.

⁹² Vgl. Renz, I. et al. (2003), S. 9.

wichtige Themen herauszufiltern) einteilen. ⁹³ Das Hauptziel ist hierbei einen Überblick über große Dokumentensammlungen zu erlangen.

Im Gegensatz dazu geht es bei der Informationsextraktion unter anderem darum, einen einzelnen unstrukturierten Text in auswertbare Datenbankfelder zu transformieren und somit einen Überblick über den Inhalt dieses Textes zu bekommen. Als Beispiele hierfür seien die Analyse von Geschäftsbriefen ⁹⁴ , Patentschriften, Reklamationen, Projektdokumentationen, Geschäftsberichten oder Internet-Nachrichten genannt. Hierbei werden mit Hilfe von statistischen Verfahren über die Bildung von Dokumentenvektoren strukturierte Extrakte abgeleitet (vgl. Abb. 6). 95

Abb. 6: Dokumentenvektoren und Informationsextraktion

Quelle: Mertens, P. (2002), S. 70.

Zusammenfassend kann gesagt werden, dass Text Mining nicht das Lesen von Schriften überflüssig machen, sondern Führungskräften Methoden und Techniken an die Hand geben soll, um das Verarbeiten von einer Flut von Informationen zu interessanten Aussagen zu ermöglichen. ⁹⁶ Aus betriebswirtschaftlicher Sicht handelt es sich um eine relativ aktuelle Richtung, die im Zusammenhang mit dem DW-Konzept noch nicht als essentielle Komponente betrachtet wird, da sich das DW-Konzept zurzeit primär auf die quantitativen und strukturierten Daten fokussiert. Text Mining gehört zum Überlappungsbereich zwischen BI und KM und basierend auf der Idee der unternehmensweit integrierten Datenhaltung ist dem Konzept des Text Mining im Zusammenhang mit einem DW eine wichtige Rolle zuzuschreiben. 97

⁹³ Vgl. Tkach, D.S. (1998), S. 23.

⁹⁴ Vgl. dazu das Anwendungsbeispiel bei Renz, I. et al. (2003), S. 7 ff. im Unternehmen Daimler-Chrysler.

⁹⁵ Vgl. Mertens, P. (2002), S. 69.

⁹⁶ Vgl. Mertens, P. (2002), S. 69.

⁹⁷ Vgl. Sullivan, D. (2000), S. 42 ff. sowie Dittmar, C. (2004), S. 309 ff., der ausführlich die Integration von

unstrukturierten Daten in das DW-Konzept in Form eines Knowledge Warehouse als Erweiterung behan-

delt.

2.1.3.5 Weitere typische Komponenten

ETL-Tools sind eine Gruppe von Softwareprodukten, denen die Aufgabe zukommt, die an speziellen operativen Anwendungsfeldern orientierten Daten aus den verschiedenen OIS in subjekt- bzw. themenorientierte, einheitliche und harmonisierte Daten zu überführen. Die Abkürzung ETL steht zusammenfassend für die wesentlichen Schritte im Prozess der Extraktion, Transformation und des Ladens der Daten, welchem eine wesentliche Bedeutung im DW-Prozess zukommt. 98

Data Marts sind personengruppen- oder funktionsbereichsspezifische Datenbasen, die in der Regel eine Kopie eines kleinen Teils der Daten eines DW darstellen, um einen schnelleren Datenzugriff zu ermöglichen. ⁹⁹ Dabei ist jedoch zu beachten, dass eine klare Abgrenzung zwischen einem DW und einem Data Mart nur schwer möglich ist, da selbst ein DW aus technischen Gründen nicht in der Lage ist eine vollständige Integration aller relevanten Datenbestände zu leisten und es andererseits auch sehr komplexe abteilungsbezogene Systeme gibt, bei denen nicht mehr von einem Data Mart gesprochen werden kann. ¹⁰⁰ Ein Operational Data Store (ODS) ist eine physische Datenbank, die dazu dient, die Zeitspanne zwischen zwei Datenübernahmen in ein DW zu überbrücken und direkt einen kleinen Teil der Daten aus den OIS zur zeitpunktaktuellen Entscheidungsunterstützung bereitzustellen. 101

Eine Meta-Datenbank ist eine Datenbasis für Metadaten, welche in einem Informationskatalog die Datenstruktur sämtlicher gespeicherter Daten in einem DW beschreibt. ¹⁰² Es ist somit eine Datenbank für „Daten über Daten“ und erlaubt eine gezielte Auswertung von Informationen über Zusammenhänge innerhalb eines komplexen Systems. ¹⁰³ Schließlich beinhaltet das DW-Konzept ein Archivierungssystem, welches einerseits dazu dient, das DW im Falle eines Programm- oder Systemfehlers wiederherzustellen und andererseits durch Auslagerung bestimmter Datenbestandteile das Datenvolumen des DW zu reduzieren und somit die Performance zu erhöhen. 104

⁹⁸ Vgl. Kemper, H.-G. et al. (2004), S. 22.

⁹⁹ Vgl. Mucksch, H. et al. (2000), S. 19 f.

¹⁰⁰ Vgl. Bauer, A. et al. (2004), S. 59 f.

¹⁰¹ Vgl. Inmon, W.H. (1999), S. 12 ff. sowie Mucksch, H. et al. (2000), S. 21 f.

¹⁰² Vgl. Mucksch, H. et al. (2000), S. 22 ff.

¹⁰³ Vgl. Wieken, J.-H. (1999), S. 205.

¹⁰⁴ Vgl. Mucksch, H. et al. (2000), S. 27 ff.

2.2 Wirtschaftlichkeit im Hinblick auf AIS

2.2.1 Traditioneller Wirtschaftlichkeitsbegriff

Es existiert eine Vielzahl von Definitionen für den Begriff der Wirtschaftlichkeit, wobei in seiner ursprünglichen Interpretation ausschließlich sicher quantifizierbare Größen betrachtet werden. ¹⁰⁵ Die Bandbreite der Definitionen im traditionellen Sinne hängt dabei von dem jeweiligen Zweck ab. ¹⁰⁶ Allen Definitionen gemein ist jedoch, dass der Output im Verhältnis zum Input mit Mengen- bzw. Wertgrößen als Basis gesetzt wird und sich sämtliche Definitionen in eine der folgenden drei Klassen einordnen lassen: 1. Input- und Outputgrößen sind Mengengrößen, 2. Input- und Outputgrößen sind Wertgrößen,

3. Inputgröße ist eine Wertgröße und Outputgröße ist eine Mengengröße oder Inputgröße ist eine Mengengröße und Outputgröße ist eine Wertgröße. 107

Beispiele für Wirtschaftlichkeitskennzahlen sind Produktivität, Rentabilität oder Return on Investment (ROI). 108

Das Wirtschaftlichkeitsprinzip, welches auch als Rationalprinzip oder ökonomisches Prinzip bezeichnet wird, gibt dabei theoretisch zwei grundsätzliche Handlungsalternativen vor: Das Maximal- und das Minimalprinzip. ¹⁰⁹ Nach dem Maximalprinzip soll mit vorgegebenem Inputeinsatz der Output maximiert und nach dem Minimalprinzip im Gegensatz dazu ein vorgegebenes Outputniveau mit minimalem Input erzielt werden. ¹¹⁰ In der Praxis besteht jedoch aufgrund der Tatsache, dass sowohl Input als auch Output häufig variabel sind, eine dritte Handlungsalternative, welche als Optimalprinzip bezeichnet wird. Hierbei sind Input und Output so aufeinander abzustimmen, dass das günstigste Wirkungsverhältnis erzielt wird. 111

¹⁰⁵ Vgl. Antweiler, J. (1995), S. 56 sowie Koch, H. (1975), S. 58 f.

¹⁰⁶ Vgl. Holthoff, A. (1988), S. 49 ff.

¹⁰⁷ Vgl. Antweiler, J. (1995), S. 57.

¹⁰⁸ Vgl. Nagel, K. (1990), S. 19 ff.

¹⁰⁹ Vgl. Koch, H. (1975), S. 58.

¹¹⁰ Vgl. Bohr, K. (1981), Sp. 1796 ff.

¹¹¹ Vgl. Nagel, K. (1990), S. 19.

2.2.2 Erweiterter Wirtschaftlichkeitsbegriff

AIS weisen im Hinblick auf die WA einige wichtige Besonderheiten auf, welche durch den traditionellen Wirtschaftlichkeitsbegriff nur unzureichend erfasst werden können. ¹¹² Aspekte, wie z.B. strategische Vorteile durch eine verbesserte Informationssituation im Unternehmen, lassen sich meist nur sehr schwer exakt quantifizieren, können jedoch einen großen Teil des Nutzens ausmachen. ¹¹³ Aus diesem Grund werden die drei Merkmalsklassen des traditionellen Wirtschaftlichkeitsbegriffs um eine vierte Klasse erweitert, die auch qualitative Aspekte von Investitionsentscheidungen mit einbezieht: 4. Input- und/oder Outputgrößen sind nicht vollständig quantifizierbar. ¹¹⁴ Weitere für die WA wichtige Aspekte von AIS sind der integrative und bereichsübergreifende Charakter sowie die schnelle Weiterentwicklung der Systeme und die damit verbundene Flexibilität bezüglich der Einsatzmöglichkeiten. ¹¹⁵ Ersteres erfordert eine ganzheitliche Analyse unter Berücksichtigung sämtlicher Interdependenzen bezogen auf einen Gesamtprozess und letzteres eine explizite Berücksichtigung der Zeit als wichtige Dimension der WA. 116

Für die WA von AIS wird im Folgenden in Anlehnung an Antweiler das Verhältnis zwischen Nutzen und Kosten betrachtet. Um allen Anforderungen von AIS bei der Bewertung gerecht zu werden, wird der Nutzen dabei als eine zusammengesetzte Größe aus quantitativen und qualitativen Bestandteilen verstanden. 117

Der Begriff WA bedeutet in diesem Zusammenhang, dass erstens die absolute Wirtschaftlichkeit gemessen wird, zweitens mehrere Alternativen nach der Höhe der Wirtschaftlichkeit geordnet werden können und drittens Plan/Soll-Größen mit Ist-Größen verglichen werden. ¹¹⁸ Um die Wirtschaftlichkeit messen und mehrere Handlungsalternativen vergleichen zu können bedarf es jedoch zunächst eines geeigneten Maßstabes mit festgelegten Soll-Größen, welche sowohl quantitative als auch qualitative Größen beinhalten und sich aus den Projektzielen ableiten. ¹¹⁹ Aus oben bereits genannten Gründen muss ferner die Dyna-

¹¹² Vgl.Grochla, E. (1970), S.19 ff., der auf die Schwierigkeit der Erfassung des Informationswertes hin-

weist.

¹¹³ Vgl. Grochla, E. (1970), S. 30 sowie Hillringhaus, C. et al. (2004), S. 57.

¹¹⁴ Vgl. Antweiler, J. (1995), S. 59.

¹¹⁵ Vgl. Antweiler, J. (1995), S. 61.

¹¹⁶ Vgl. Horváth, P. (1988), S. 3 sowie Antweiler, J. (1995), S. 61.

¹¹⁷ Vgl. Antweiler, J. (1995), S. 60.

¹¹⁸ Vgl. Horváth, P. (1988), S. 3.

¹¹⁹ Vgl. Kargl, H. (1993), S. 70 f.

mik von Investitionen in AIS berücksichtigt werden. Wirtschaftlich ist dann diejenige Alternative, deren Werte für einen betrachteten Zeitraum stets über den Sollvorgaben (absolute Wirtschaftlichkeit) und über den Werten einer Vergleichsalternative (relative Wirtschaftlichkeit) liegen. ¹²⁰ Ein so verstandener Wirtschaftlichkeitsbegriff kann also als „Ausmaß der Zielerreichung“ ¹²¹ interpretiert werden.

Wichtig für das Verständnis der erweiterten Sichtweise ist, dass hierbei ein holistischer Ansatz verfolgt wird, bei dem möglichst alle wichtigen Kosten- und Nutzenaspekte von AIS berücksichtigt werden können. Es handelt sich also nicht um eine einzige statische Kennzahl, wie es beim traditionellen Wirtschaftlichkeitsbegriff der Fall ist, sondern um ein mehrdimensionales dynamisches Bewertungsgerüst. 122

¹²⁰ Vgl. Antweiler, J. (1995), S. 61 f.

¹²¹ Kargl, H. (1993), S. 70.

¹²² Vgl. Antweiler, J. (1995), S. 62 sowie Groh, T. (2004), S. 44 ff.

3 Kosten- und Nutzenbetrachtungen von AIS

Nachdem im letzten Kapitel die Begriffe AIS und Wirtschaftlichkeit definiert wurden, wird im Folgenden der den Wirtschaftlichkeitsbegriff determinierende Quotient aus Nutzen und Kosten näher betrachtet. Im Zuge dieser Betrachtung wird zunächst jeweils der verwendete Nutzen- und Kostenbegriff definiert, um danach die Nutzen- und die Kostenaspekte von AIS systematisch darzustellen. Hierbei werden die Kosten nach Kostenarten in Software-, Hardware-, Personal- und sonstige Kosten kategorisiert und der Nutzen in die Kategorien „Nutzen durch Kostensenkungen“, „Nutzen durch Produktivitätserhöhungen“ und „Nutzen durch Wettbewerbsvorteile“ eingeteilt (vgl. Abb. 7). ¹²³ Anschließend werden die Probleme bei der Ermittlung des Nutzens und der Kosten herausgearbeitet.

Abb. 7: Kosten- und Nutzenaspekte von AIS

3.1 Kosten von AIS

3.1.1 Abgrenzung des Kostenbegriffs

Der Kostenbegriff wird im Bereich der Wirtschaftsinformatik unpräzise verwendet und drückt meist unterschiedliche Sachverhalte aus. ¹²⁴ Begriffe wie Auszahlung, Ausgabe und Aufwand werden häufig synonym mit Kosten verwendet. Das ist einerseits zurückzuführen auf das Problem, dass es sich bei einer Investition in AIS um ein komplexes Projekt handelt, dessen monetäre Bewertung verschiedene Bereiche der Unternehmensrechnung betrifft. Andererseits sind AIS der Informatik zuzuordnen, weswegen durchaus angenommen

¹²³ Vgl. Potthof, I. (1998), S. 93 bezüglich der Kostenaspekte und Nagel, K. (1990), S. 27 bezüglich der Nut-

zenkategorien. In der Literatur werden jedoch unterschiedliche Systematisierungen der Nutzenaspekte

vorgenommen, wie z.B. die Einteilung in leicht, schwer und nicht quantifizierbare Nutzenaspekte bei

Antweiler, J. (1995), S. 63 f. und der dort zitierten Literatur sowie die Einteilung in die Kategorien „Kos-

tenersparnisse“ und „zusätzliche Erträge“ bei Pietsch, T. (2003), S. 44 f.; Groh, T. (2004), S. 49 oder Her-

ring, J.P. (1996), S. 5. Eine ähnliche Kategorisierung verfolgt Buxmann, P. (2001), S. 30, jedoch verwen-

det er die Kategorien „Kostensenkungen“, „Zeiteinsparungen“ und „Informationswerterhöhung“. Wichtig

in diesem Zusammenhang ist weniger die Klassifikation selbst, sondern die möglichst vollständige Erfas-sung aller Nutzenaspekte, weswegen diese Kategorien lediglich als Anhaltspunkte verstanden werden sol-

len.

¹²⁴ Vgl. Brugger, R. (2005), S. 381.

werden kann, dass Fachleute aus diesem Bereich nicht mit der Terminologie der Unternehmensrechung in Bezug auf die WA von AIS vertraut sind.

In der Investitionsrechnung werden beispielsweise lediglich Ein- und Auszahlungen berücksichtigt, welche Investitionsgütern, bezogen auf eine bestimmte Nutzungsdauer, zugerechnet werden können. ¹²⁵ Die Kostenrechung des internen Rechnungswesens widmet sich jedoch dem leistungsbezogenen Güterverzehr im Produktionsprozess und verwendet den Begriff Kosten, um diesen wertmäßig auszudrücken. Das externe Rechnungswesen wiederum hat die Zielsetzung, externe Adressaten periodisch über die Vermögens- und Ertragslage zu informieren und modifiziert nach bestimmten Regeln und Kriterien Ein- und Auszahlungen zu Aufwendungen und Erträgen. 126

Eine große Zahl der Publikationen über AIS wird der Natur der Sache nach von Fachleuten aus der Informatik verfasst und es kann demnach nicht verwundern, dass die begriffliche Genauigkeit der internen Unternehmensrechnung dort nicht immer Verwendung findet. Das Definitionsproblem ergibt sich aus dem altbekannten Problem der Integration der Investitionsrechnung mit der Kostenrechnung, ¹²⁷ welche im Rahmen der WA von AIS bemüht werden müssen, da sowohl eindeutige Auszahlungen bestehen, die der Investitionsentscheidung ohne Probleme zugerechnet werden können, ¹²⁸ als auch Leistungen von unternehmensinternen Ressourcen - z.B. IT-Personal - für die Implementierung und den Betrieb in Anspruch genommen werden. Letztere müssen durch geeignete Kostenrechnungsverfahren ebenfalls erfasst werden, um überhaupt in der Wirtschaftlichkeitsbetrachtung berücksichtigt werden zu können. 129

Dieses Abgrenzungsproblem wird durch die verschiedenen Definitionen von Kosten widergespiegelt: Es existieren unter anderem ein pagatorischer, ein wertmäßiger und ein ent-scheidungsorientierter Kostenbegriff, welche zum Teil unterschiedlich ausgelegt werden. ¹³⁰ Der pagatorische Kostenbegriff beinhaltet lediglich die Entgelte, die von einem Unternehmen entrichtet werden und berücksichtigt somit beispielsweise keine Wiederbeschaffungs- oder Opportunitätskosten, welche bei einer Investitionsentscheidung wichtig sein können. Dieses Problem wird durch den weiter gefassten wertmäßigen Kostenbegriff, der

¹²⁵ Vgl. Kruschwitz, L. (2005), S. 4.

¹²⁶ Vgl. Ewert, R. et al. (2005), S. 4 ff.

¹²⁷ Vgl. Lücke, W. (1955), S. 310 ff. sowie Ewert, R. et al. (2005), S. 45 ff. welche zur Lösung dieses Prob-

lems einen investitionstheoretischen Ansatz der Kostenrechnung präsentieren.

¹²⁸ Beispielhaft seien hier Hardwarekosten, Kosten von externen Beratern oder Softwarelizenzen erwähnt.

¹²⁹ Hier bietet sich die Prozesskostenrechnung (PKR) an. Vgl. Hoitsch, H.-J. et al. (2004), S. 197 ff.

¹³⁰ Vgl. Ewert, R. et al. (2005), S. 37 ff.; Schmalenbach, E. (1956), S. 5 ff. sowie Riebel, P. (1978), S. 127 ff.

in der Kostentheorie am weitesten verbreitet ist, umgangen und als Kosten wird der bewertete, leistungsbezogene Güterverbrauch bezeichnet, wobei unter Gütern im weitesten Sinne Sachgüter, Dienstleistungen, Rechte und Nominalgüter verstanden werden. ¹³¹ Kritisch wird von Riebel beim wertmäßigen Kostenbegriff jedoch unter anderem die „Narrenfreiheit der Bewertung“ ¹³² - also die Subjektivität - gesehen und ein entscheidungsorientierter Kostenbegriff gefordert, unter dem Kosten die durch eine bestimmte Entscheidung ausgelösten zusätzlichen - nicht kompensierten - Ausgaben bzw. Auszahlungen verstanden werden. 133

Eine ausführliche Diskussion über die Eignung eines bestimmten Kostenbegriffes kann wegen der Komplexität des Problems und der Uneinigkeit bezüglich dieser Problematik im Rahmen dieser Arbeit nicht stattfinden. Antweiler argumentiert beispielsweise, dass der wertmäßige Kostenbegriff im Sinne des erweiterten Wirtschaftlichkeitsbegriffs den größten Spielraum lasse und zweckorientiert eingeengt werden könne. Seiner Meinung nach ist das Hauptproblem des entscheidungsorientierten Kostenbegriffs, dass lediglich beeinflussbare Ausgaben zu den Kosten zählten, jedoch Opportunitätskosten keine Berücksichtigung fänden. ¹³⁴ Demgegenüber plädiert Jaster für den entscheidungsorientierten Kostenbegriff und argumentiert, dass dieser keine Sachzielorientierung aufweise, welche beim pagatorischen und wertmäßigen Kostenbegriff streng genommen dazu führe, dass der Betrieb eines IS keinerlei Kosten verursache. 135

Obwohl der entscheidungsorientierte Kostenbegriff die Diskrepanz zwischen der Investitions- und Kostenrechung laut Riebel ¹³⁶ behebt und es sich bei der WA von AIS um Wirtschaftlichkeitsentscheidungen handelt, soll aus Gründen der Praktikabilität und der Ansicht, dass Jasters Hauptargument gegen den wertmäßigen Kostenbegriff - die Sachzielorientierung - im Einklang mit Antweiler ¹³⁷ nicht schwer wiegt, der wertmäßige Kostenbegriff als Ausgangspunkt für die weiteren Kostenbetrachtungen verwendet werden. ¹³⁸ Wichtig dabei ist, dass lediglich die entscheidungsrelevanten Kosten verursachungsgerecht zu- ¹³¹ Vgl.Hoitsch, H.-J. et al. (2004), S. 16. sowie Antweiler, J. (1995), S. 64 f.

¹³² Riebel, P. (1978), S. 128.

¹³³ Vgl. Riebel, P. (1978), S. 143.

¹³⁴ Vgl. Antweiler, J. (1995), S. 66.

¹³⁵ Vgl. Jaster, T. (1997), S. 115 ff.

¹³⁶ Vgl. Riebel, P. (1978), S. 144.

¹³⁷ „Die Ausrichtung am Sachziel wird durch die Zielvorgaben der IKS und deren Bezug auf die Unterneh-

mensziele erfüllt“. Antweiler, J. (1995), S. 65.

¹³⁸ Ein wichtiger Kritikpunkt an Riebels entscheidungsorientiertem Kostenbegriff ist die mangelnde Prakti-

kabilität, da im Endeffekt alle Entscheidungen in einem Unternehmen miteinander verwoben sind. Vgl.

dazu Weber, J. (1994), S. 100.

gerechnet werden, also nur die Kosten, die durch die Investitionsentscheidung beeinflusst werden können. 139

3.1.2 Kostenaspekte von AIS

Bei Investitionen in AIS handelt es sich wie bei vielen IT-Projekten ¹⁴⁰ um komplexe und unternehmensweite Unterfangen, welche mehrere Jahre dauern können und eine große Zahl von Einflussfaktoren auf die Kosten aufweisen. ¹⁴¹ Ein AIS „von der Stange“ gibt es nicht und jede Investition in AIS stellt ein unternehmensindividuelles, von der Problemstellung und den zugrunde liegenden Unternehmenszielen abhängiges Projekt dar. ¹⁴² Aus diesem Grund lassen sich die Kostenkomponenten von AIS nicht verallgemeinert und umfassend darstellen, weswegen in diesem Abschnitt lediglich die wesentlichen Kostenblöcke einer typischen AIS-Initiative aufgezeigt werden, um Anhaltspunkte für eine WA zu geben. Hierbei wird, wie eingangs dieses Kapitels bereits erwähnt, eine Einteilung in Software-, Hardware-, Personal- und sonstige Kosten vorgenommen. Die Gesamtkosten, die laut empirischen Studien durchschnittlich 2 bis 4 Mio. Dollar umfassen, verteilen sich etwa zu 30% auf Software-, zu 30% auf Hardware- und zu 40% auf Personalkosten. ¹⁴³ Um dem dynamischen Aspekt bei der WA von AIS gerecht zu werden, ist weiterhin eine Einteilung nach der Häufigkeit des Anfalls in einmalige und laufende Kosten üblich. ¹⁴⁴ Diese Einteilung ist wichtig, weil die laufenden Kosten einen beträchtlichen Teil der Gesamtkosten von AIS im Lebenszyklus ausmachen und jährlich ca. 40% bis 60% der anfänglichen Implementierungsskosten betragen können. 145

¹³⁹ Vgl. Potthof, I. (1998), S. 7.

¹⁴⁰ Eine sehr detaillierte und umfassende Darstellung der Kosten von IT-Projekten findet sich bei Brugger, R.

(2005), S. 63 ff.

¹⁴¹ Vgl. Adelmann, S. et al. (2000); Bauer, A. et al. (2004); Inmon, W.H. (2005); Kimball, R. et al. (1998)

sowie Poe, V. et al. (1997), die sich ausführlich mit dem Thema der DW-Projekte auseinandersetzen. Ein

Extrembeispiel ist die Einführung eines DW bei der Bank of America, welche neun Jahre gedauert hat

und für die 100 Mio. Dollar budgetiert wurden. Vgl. dazu Wick, H. (1995), S. 24.

¹⁴² Vgl. Bauer, A. et al. (2004), S. 353 ff.

¹⁴³ Vgl. Potthof, I. (1998), S. 94 sowie Vaske, H. (1996), S. 52, wobei jedoch keine Angaben zu sonstigen

Kosten gemacht werden.

¹⁴⁴ Vgl. Antweiler, J. (1995), S. 64; Brugger, R. (2005), S. 63; Pietsch, T. (2003), S. 44; Kargl, H. (1993),

S. 74 f. sowie Groh, T. (2004), S. 50, welche diese Einteilung ebenfalls als typisch bei einer WA erach-

ten. Einmalig bedeutet dabei bezogen auf die Projektphase und laufend auf die Betriebsphase.

¹⁴⁵ Vgl. Adelman, S. (2003), S. 9.

3.1.2.1 Hardware

Zu den einmalig anfallenden Hardwarekosten zählen Aufwendungen für Prozessoren, Datenbank-, Applikations- und Archivierungsserver, Arbeitsplatzrechner und die einmaligen Ausgaben für die Erweiterung der Netzwerkinfrastruktur bei einem nicht-zentralen DW mit mehreren Data Marts. ¹⁴⁶ Zu den wesentlichen laufenden Hardwarekosten zählen Kosten für Reparatur und Wartung, die mit den Herstellern oder speziellen Dienstleistern vertraglich vereinbart wurden sowie Kosten für Erweiterungen und Anpassungen durch erhöhte oder veränderte Anforderungen im Zeitablauf. ¹⁴⁷ Wichtigste Kostentreiber hierbei sind die Anzahl der Anwender, die die Zahl der Arbeitsplatzrechner bestimmen und das Datenvolumen, von welchem die Serverkapazität abhängt. 148

3.1.2.2 Software

Zu den einmalig anfallenden Softwarekosten gehören hauptsächlich die Kosten für ein Datenbankmanagementsystem (DBMS) zur Verwaltung der Datenbank ¹⁴⁹ , Kosten für Betriebssysteme, ETL-Tools, Administrations- und Archivierungssoftware sowie für Reporting- und Analysetools wie OLAP, Data Mining oder Text Mining. Die Kosten hängen hierbei von der Anzahl der Anwender, der Art des Betriebssystems oder den verwendeten Servern ab. ¹⁵⁰ Im Wesentlichen fallen laufende Kosten für vertraglich vereinbarte Softwareupdates oder Upgrades an, welche in regelmäßigen Abständen stattfinden und etwa 15% - 20% der Anschaffungskosten betragen können. ¹⁵¹ Ferner können periodische Lizenzgebühren einen wichtigen Kostenblock ausmachen sowie Kosten für die Entwicklung von Softwarekomponenten durch eigenes IT-Personal, welche aber hier zu den Personalkosten gezählt werden. 152

¹⁴⁶ Vgl. Potthof, I. (1998), S. 93 sowie Adelman, S. (2003), S. 7.

¹⁴⁷ Vgl. Antweiler, J. (1995), S. 71 sowie Adelman, S. et al. (2000), S. 125.

¹⁴⁸ Vgl. Adelman, S. et al. (2000), S. 123.

¹⁴⁹ Diese kann schon vorhanden sein und muss dann für die Zwecke eines DW erweitert werden. Vgl. dazu

Adelman, S. et al. (2000), S. 121.

¹⁵⁰ Vgl. Kimball, R. et al. (1998), S. 58; Adelman, S. et al. (2000), S. 121; Potthof, I. (1998), S. 93 sowie

OLAP Report (2005), S. 10 ff., in dem ein detailliertes Preisbeispiel für das OLAP-Tool MicroStrategy 7i

vorgerechnet wird.

¹⁵¹ Adelman, S. (2003), S. 9 sowie Brugger, R. (2005), S. 73.

¹⁵² Vgl. Antweiler, J. (1995), S. 71 sowie Potthof, I. (1998), S. 94.

3.1.2.3 Personal

Unter Personalkosten werden sämtliche Kosten für externes sowie internes Personal ver-standen, welche durch eine Investitionsentscheidung in ein AIS ausgelöst werden bzw. durch zusätzliche Betriebskosten laufend entstehen. Diese Kosten können, wie bereits erwähnt, sehr hoch sein und allein der Personalaufwand für das DW-Projekt - also ohne laufende Personalkosten nach Fertigstellung - beträgt laut einer TDWI-Umfrage von 1996 durchschnittlich 4,45 Mannjahre. 153

Einmalige Personalkosten umfassen die Aufwendungen für das gesamte Projektteam für die Dauer des Projekts und fallen für Planung, Konzeption, Entwicklung, Implementierung und Schulung an. ¹⁵⁴ Das Projektteam besteht dabei in der Regel aus internen IT-Fachkräften und Mitarbeitern aus betroffenen funktionalen Bereichen des Unternehmens sowie aus externen Beratern und externen, produktspezifischen Fachkräften. ¹⁵⁵ Geschult werden außer den Projektmitarbeitern sowohl IT-Fachkräfte, die sich mit der Betreuung des AIS nach der Implementierung befassen, als auch die Anwender, wobei sowohl internes als auch externes Lehrpersonal eingesetzt wird. Wichtig ist hierbei die Erfassung der Opportunitätskosten im Zusammenhang mit dem Einsatz und der Schulung von internem Personal. ¹⁵⁶ Ein wesentlicher Kostentreiber für diesen Kostenblock ist die Datenbereinigung und Modellierung, da unternehmensweite Standards für Daten und Kennzahlen festgelegt werden müssen und dies bei einem großen Konzern mit vielen Insellösungen ein schweres Unterfangen sein kann. 157

Zu den laufenden Personalkosten zählen alle Personalkosten, die nach der Einführung für Benutzerbetreuung, Administration, Wartung und Pflege anfallen. ¹⁵⁸ Einen wesentlichen Kosteneinflussfaktor kann die Wartung und Pflege der Daten ausmachen. Nach Einführung eines DW bei Capital One Financial Corp. bspw. stieg der Personalbedarf für Wartung und Pflege der Data Marts mit einem Volumen von zwei Terabyte von 6 auf 40 Mitarbeiter. 159

¹⁵³ Watson, H.J. et al. (1997) zitiert nach Watson, H.J. et al. (1999), S. 28.

¹⁵⁴ Vgl. Antweiler, J. (1995), S. 69 f.; Potthof, I. (1998), S. 93 f.; Kimball, R. et al. (1998), S. 59; Adelman,

S. et al. (2000), S. 119 ff.; Adelman, S. (2003), S. 7 ff.; Brugger, R. (2005), S. 72 sowie Holzapfel, M.

(1992), S. 116 ff.

¹⁵⁵ Vgl. Adelman, S. et al. (2000), S. 119 ff.

¹⁵⁶ Vgl. Antweiler, J. (1995), S. 69 sowie Adelman, S. et al. (2000), S. 124.

¹⁵⁷ Vgl. Potthof, I. (1998), S. 94 sowie Inmon, W.H. (2005), S. 82 ff.

¹⁵⁸ Vgl. Antweiler, J. (1995), S. 71 f.; Kimball, R. et al. (1998), S. 59; Adelman, S. et al. (2000), S. 125 so-

wie Brugger, R. (2005), S. 72 ff.

¹⁵⁹ Vgl. Stedman, G. (1996), S. 53 f.

3.1.2.4 Sonstige Kosten

Kosten, die sich nicht eindeutig in eine der drei vorherigen Kategorien einteilen lassen, werden hier als sonstige Kosten behandelt.

Einmalig anfallende Kosten könnten z.B. Reise- und Materialkosten im Rahmen der Schulungen, Kosten für Umbauten und Mobiliar oder Anlaufkosten in Form von anfänglichen Fehlbedienungen und Leistungsverlusten sein. ¹⁶⁰ Ebenso in diese Kategorie einzuordnen sind evtl. Kosten, die durch den Parallelbetrieb während der Migrationsphase entstehen, falls das Ziel des Investitionsvorhabens der Ersatz einer oder mehrerer vorhandener Lösungen ist sowie Kosten für die Beschaffung externer Daten und Spezialeinrichtungen für Datenschutz und Datensicherheit. ¹⁶¹ Einen relativen hohen Anteil an dieser Kostengruppe können die Kosten der Reorganisation durch Änderung der Aufbau- und Ablauforganisation einnehmen. 162

Laufend anfallende Kosten, welche dieser Kategorie zugeordnet werden müssen, sind die Kosten für Datenschutz und Datensicherheit, die kontinuierlich anfallen sowie Versicherungs-, Kapital-, Material- und Energiekosten. 163

3.2 Nutzen von AIS

3.2.1 Abgrenzung des Nutzenbegriffs

Ebenso wie für den Begriff Kosten gibt es für die positive Erfolgskomponente Nutzen keine einheitliche Definition. ¹⁶⁴ Für den Nutzen existieren sogar noch vielfältigere Begriffsbestimmungen als für Kosten. Häufig wird der Nutzenbegriff gar nicht erst explizit definiert, sondern stattdessen sofort in seine Komponenten zerlegt und somit implizit bestimmt. ¹⁶⁵ Die vorhandenen Definitionen reichen von rein monetären, quantitativen Interpretationen ¹⁶⁶ über qualitativ orientierte Begriffe ¹⁶⁷ bis zu sehr allgemein gehaltenen Be-

¹⁶⁰ Vgl.Antweiler, J. (1995), S. 69.

¹⁶¹ Vgl. Brugger, R. (2005), S. 82 f. sowie Potthof, I. (1998), S. 93.

¹⁶² Vgl. Antweiler, J. (1995), S. 70 sowie Holzapfel, M. (1992), S. 119.

¹⁶³ Vgl. Brugger, R. (2005), S. 99 f.; Antweiler, J. (1995), S. 71 f. sowie Potthof, I. (1998), S. 93.

¹⁶⁴ Vgl. Nagel, K. (1990), S. 24; Kassowitz, G. (1988), S. 6 oder Jaster, T. (1997), S. 36.

¹⁶⁵ Vgl. Jaster, T. (1997), S. 36.

¹⁶⁶ „…in Geldwert ausgedrückte Erwartung eines Vorteils…“. Hartmann, R. (1992), S. 22.

¹⁶⁷ „…wertmäßige Erfassung eines qualitativen Vorteils…“. Koreimann, D.S. (1987), S. 12.

griffsbestimmungen ¹⁶⁸ , decken jedoch nicht alle Aspekte der Nutzenschätzung ab, welche in Theorie und Praxis angesprochen werden. 169

Um sämtliche Nutzenaspekte im Sinne einer ganzheitlichen WA zu erfassen, bedarf es eines entsprechend weit ausgelegten und doch aussagekräftigen Nutzenbegriffes. Diese Forderung wird von der Definition eines am wertorientierten Kostenbegriff anlehnenden Nutzenbegriffs erfüllt, nach welcher Nutzen ein sachzielbezogener, bewerteter Güterzuwachs ist. ¹⁷⁰ Bei entsprechend weiter Auslegung des Güterbegriffs, die immaterielle Güter wie Wissen oder Flexibilität mit einbezieht, sowie des Kriteriums der Sachzielbezogenheit, bei der die Zielvorgaben eines AIS in Bezug auf die Unternehmensziele als ausreichend für die Erfüllung dieses Kriteriums betrachtet werden, ist diese Definition für die Zwecke einer ganzheitlichen WA am besten geeignet. 171

3.2.2 Nutzenaspekte von AIS

„Es sind die richtigen Informationen zur richtigen Zeit am richtigen Ort, die zu spe-

zifischem unternehmerischen Know-how, d.h. zu ‚Business Intelligence’, im jewei-ligen Geschäftskontext werden und den Erfolg bestimmen.“ ¹⁷² Durch die vielfältigen Konzepte, welche unter dem Begriff AIS zusammengefasst werden, und verschiedene Zielsetzungen, die mit jedem einzelnen Ansatz verfolgt werden, ¹⁷³ ist auch eine Vielzahl unterschiedlichster Nutzenaspekte im Zusammenhang mit diesen Systemen verbunden. ¹⁷⁴ Allen gemeinsam ist eine Verbesserung der Bereitstellung, Gewinnung und Verwertung des Produktionsfaktors Information, welcher als vierter Produktions-faktor neben den klassischen Ressourcen Boden, Kapital und Arbeit eine immer wichtigere Rolle in einer dynamischer und komplexer werdenden Umwelt spielt. ¹⁷⁵ Abstrakt ausge-

¹⁶⁸ „…dersubjektiv beeinflusste Wert einer Handlungsalternative zur Befriedigung eines definierten Be-

darfs.“. Heinrich, L.J. et al. (1991), S. 121.

¹⁶⁹ Vgl. Jaster, T. (1997), S. 37.

¹⁷⁰ Vgl. Kassowitz, G. (1988), S. 6.

¹⁷¹ Vgl. Jaster, T. (1997), S. 38, welcher jedoch eine allgemeine Zielbezogenheit als Voraussetzung für die

Eignung dieses Nutzenbegriffes voraussetzt und den Sachzielbezug modifiziert. Wie jedoch in

Abschnitt 3.1.1 zum Sachzielbezug des Kostenbegriffs angemerkt wurde, ist dieser beim Einsatz von AIS

laut Antweiler bereits durch die Ausrichtung an den Unternehmenszielen gegeben. Dieser Argumentation

wird hier auch in Bezug auf den Nutzenbegriff gefolgt.

¹⁷² Schildhauer, T. et al. (2004), S. I.

¹⁷³ Vgl. Abschnitt 2.1.3.

¹⁷⁴ Vgl. Adelman, S. et al. (2000), S. 346 ff. für eine umfassende Auflistung von Nutzenaspekten klassifiziert

nach Branchen sowie Potthoff, I. (1998), S. 210 ff., der tabellarisch eine Vielzahl von Unternehmen mit

DW-Anwendungen und den jeweiligen Nutzeffekten (teilweise quantifiziert) darstellt.

¹⁷⁵ Vgl. Potthof, I. (1998), S. 94; Emery, J.C. (1987), S. 208; Weber, J. et al. (1999), S. 11 f. sowie Gabriel,

R. (1999), S. 418.

drückt ist der Nutzen von AIS darin zu sehen, erfolgreich dem Problem zu begegnen, dass das Management in Informationen ertrinkt, aber nach Wissen hungert. ¹⁷⁶ Wie bereits angesprochen werden die Nutzenaspekte von AIS gewöhnlich in drei Komponenten zerlegt: Nutzen durch Kostensenkungen, durch Produktivitätserhöhungen und durch Wettbewerbsvorteile. ¹⁷⁷ Diese Nutzenkategorien lassen sich in der Praxis jedoch nicht immer eindeutig abgrenzen, weswegen sie eher als Anhaltspunkte und nicht als definitorische Klassifikation verstanden werden sollen. ¹⁷⁸ Weiterhin wird der Nutzen häufig in quantitativen und qualitativen Nutzen unterteilt, um dem Umstand Rechnung zu tragen, dass ein Teil des Nutzens von AIS nur schwer oder gar nicht in monetären Einheiten ausgedrückt werden kann. 179

Die Besonderheit von AIS ist, dass weniger die Kosten- oder Produktivitätsaspekte, sondern Wettbewerbsvorteile im Vordergrund stehen, welche durch eine bessere Informationsbasis eher indirekten Nutzen durch „bessere“ Entscheidungen stiften und damit zu einer Erhöhung des Umsatzes bzw. Gewinns eines Unternehmens führen. ¹⁸⁰ Im Folgenden werden beispielhaft einige typische Nutzenaspekte aus den drei Nutzenkategorien aufgezeigt.

3.2.2.1 Nutzen durch Kostensenkungen

„Data Warehousing lowers the cost of information by approximately two orders of

magnitude. This means that with a data warehouse an organization can access a

piece of information for $100; an organization that does not have a data warehouse

can access the same unit of information for $10,000“ 181

Auch wenn Kostensenkungen bei einer Entscheidung in AIS meist nicht im Vordergrund stehen und diese Aussage nicht durch empirische Daten belegt wird und eher auf Erfahrung basiert, macht diese Behauptung jedoch deutlich, dass durch den Einsatz von AIS nicht unerhebliche Kostensenkungspotentiale bestehen. Aufwendige Berichte und Analysen, die

¹⁷⁶ Ein berühmtes Zitat von John Naisbitt lautet: „Wir ertrinken in Informationen, aber wir hungern nach

Wissen“. Vgl. o. V. (2006a).

¹⁷⁷ Vgl. Abschnitt 3.

¹⁷⁸ Vgl. Nagel, K. (1990), S. 25. Ferner muss bedacht werden, dass eine Produktivitätserhöhung zu Kosten-

senkungen führen kann und im Zuge einer Kostenführerschaftsstrategie somit auch zu einem Wettbe-

werbsvorteil.

¹⁷⁹ Vgl. Adelman, S. (2003), S. 11 ff.

¹⁸⁰ Vgl. Rogalski, S. et al. (2004), S. 55; Kimball, R. et al. (1998), S. 59; Gluchowski, P. et al. (1997), S.

336; Schildhauer, T. et al. (2004), S. I; Parzinger, M.J. et al. (2001), S. 1; Martin, W. (1996), S. 42 sowie

Pendse, N. (2004), S. 12. Jedoch zeigt ein Beispiel aus dem nächsten Abschnitt, dass auch Kostensenkun-

gen eine immense Höhe erreichen können und eine DW-Initiative allein durch diese gerechtfertigt werden

kann.

¹⁸¹ Inmon, W.H. (2005), S. 67.