Managementinformationssystem in einem zentralgesteuerten Handelsunternehmen. Steigerung der Effizienz und Transparenz

Inhaltsverzeichnis

Abbildungsverzeichnis

1 EINLEITUNG
1.1 Problemstellung und Zielsetzung der Arbeit
1.2 Aufbau der Arbeit

2 GRUNDPROBLEME DER INFORMATIONSVERSORGUNG

3 EINORDNUNG DER ANALYTISCHEN INFORMATIONSSYSTEME

4 DATA MINING UND OLAP - ZWEI ANALYSE- INSTRUMENTE IM VERBUND MIT EINEM DATA-WAREHOUSE
4.1 On-Line Analytical Processing (OLAP)
4.1 Data Mining

5 DAS DATA WAREHOUSE
5.1 Konzeption des Data Warehouse
5.2 Komponenten des Data Warehouse
5.2.1 Transformationsprogramme
5.2.2 Metadatenbanksystem
5.2.3 Archivierungssystem

6 MANAGEMENTINFORMATIONSSYSTEME
6.1 Entwicklung der Informationssysteme
6.2 Übersicht über betriebliche Informationssysteme
6.3 Grenzen und Probleme der Entscheidungsunterstützung von Informationssystemen

7 ANFORDERUNGEN AN MODERNE MANAGEMENTINFORMATIONSSYSTEME

8 VORAUSSETZUNGEN UND ANFORDERUNGEN DER DEMEDIS DENTAL DEPOT GMBH
8.1 Technische Voraussetzungen für ein MIS
8.2 Anforderungen an ein MIS

9 AUFBAU UND ARCHITEKTUR DES MIS

10 UMSETZUNG DES MIS MIT MICROSOFT EXCEL UND VISUAL BASIC FOR APPLICATIONS
10.1 Erstellen der Grundstrukturen mit Microsoft Excel
10.1.1 Exportierte Tabellen einfügen
10.1.2 Abbilden der monatlich aufgelaufenen Werte und Budgets
10.1.3 Aufbau der GuV-Rechnung
10.2 Programmieren von Makros mit Microsoft Visual Basic for Applications
10.2.1 Zuordnung der exportierten Salden
10.2.2 Automatisches Ermitteln der GuV

11 FAZIT

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1: Die Zeitschere im Entscheidungsprozeß

Abbildung 2: Komponenten der betrieblichen Informationsverarbeitung

Abbildung 3: Navigation in einem dreidimensionalen Datenwürfel

Abbildung 4: Komponenten eines Data-Warehouse

Abbildung 5: Integrierte Informationssysteme

Abbildung 6: Komponenten des SAP R/3-Systems

Abbildung 7: Grundstruktur des MIS

1 Einleitung

1.1 Problemstellung und Zielsetzung der Arbeit

Wachsender Wettbewerb durch Globalisierung und sich ständig verkürzende Innovationszyklen zwingen die Unternehmen zur kontinuierlichen Effizienzsteigerung aller Tätigkeiten, da sie einer wachsenden Anforderungsvielfalt gegenüberstehen.¹

Die effiziente Gestaltung der Unternehmensabläufe führt zu Prozeßoptimierungen, die sich nicht nur auf die Fertigungsebenen usw. beziehen, sondern auch auf die Informationsversorgung. Eine schnelle Reaktion auf Wettbewerbs- und Umweltveränderungen setzt ein Informationssystem voraus, das schnell, relevante Daten verdichtet und aufbereitet.

Dort setzen moderne Managementinformationssysteme (MIS) an, dessen Software dem Anwender zum richtigen Zeitpunkt gewünschte Informationen und Auswertungen zur Verfügung stellt. Zu den Unternehmensbereichen, die solche Systeme für tägliche Entscheidungen nutzen, zählen vor allem das Controlling, die Geschäftsführung, das Marketing sowie der Vertrieb.

Im Jahr 2000 stellte bereits bei 52,6 Prozent von 323 befragten Firmen ein zentrales unternehmensweites Data Warehouse die Datenbasis für Managementinformationssysteme.² Derartige Software stammt in Deutschland zum größten Teil von Herstellern wie Oracle, Hyperion, SAS Institute oder SAP. R/3 von SAP ist eines der weltweit am häufigsten eingesetzten Produkte. Es besteht aus einer Datenbank, dem Data Warehouse, und einzelnen Modulen für jeden Geschäftsbereich. Die Vorteile dieser Standardsoftware sind die individuell programmier- und erweiterbaren Module, die Integration aller betriebswirtschaftlichen Funktionen und die Möglichkeit Auswertungen in Tabellenkalkulationsprogramme wie Microsoft Excel zu exportieren. Die demedis dental depot GmbH, ein nationales Dental-Handelsunternehmen bestehend aus der Zentrale und den regionalen Vertriebsfilialen, wurde im Jahr 2001 komplett auf Produkt SAP R/3 umgestellt. Vor dieser Umstellung wurde lediglich in der Finanzbuchhaltung und dem Controlling mit SAP gearbeitet, während die operative Vertriebsabwicklung, Einkauf und Lagerhaltung über eigenständige Systeme abgewickelt und über Schnittstellen an SAP angebunden wurde. Seitdem wird die Datenverarbeitung sämtlicher betrieblichen Prozesse über SAP R/3 abgewickelt. Durch die Integration aller Funktionen entsteht ein „geschlossener Kreislauf“, so daß in dieser Software keine Eintragungen, ob Beleg oder Buchung, durch Inkompatibilitäten mit separaten, eigenständigen Systemen verloren gehen.

Die Informationsversorgung findet hauptsächlich über das zentrale Controlling statt, wo unter anderem auch die monatliche GuV erstellt wird. Die GuV stellt hierbei ein zentrales Element der Management-Information dar. Hierzu werden die aus dem SAP Finanzmodul stammenden Kontensalden in Microsoft Excel Dateien übertragen. Die Vorteile dieser Vorgehensweise sind die einfache und übersichtliche Darstellungsform (Istmonat, Planmonat; Budget, Forecast) und eine einfache Weitergabe an interne und externe Stellen (Management, Banken, Investoren und Filialleiter), da die Dateien mobil sind, so daß sie auch von Systemen ohne SAP R/3 genutzt werden können. Ausschlaggebende Gründe für den Einsatz von Microsoft Excel sind aber vor allem die große Auswahl an Darstellungsformen und die momentan besseren Aufbereitungsmöglichkeiten bei Präsentationen. Aufgrund dieser Möglichkeiten, beispielsweise für übersichtliche Auswertungen einzelner Monate oder Errechnen von Prognosen, sowie die einfachere Handhabung bei Modifikationen, ist Microsoft Excel speziell für Reports im Rahmen des Controllings momentan besser geeignet als SAP R/3.

Mit SAP-Einführung soll nun auch die Ergebnisrechnung der Gesellschaft und ihrer Filialen weitestgehend automatisiert, vereinfacht und an die neue SAPStruktur angepaßt werden. Zudem soll hierdurch eine schnellere Erstellung der Ergebnisse gewährleistet werden.

Dadurch, daß diese Dateien schon vor der Umstellung auf SAP R/3 existierten, sind sie nicht mit SAP R/3 kompatibel. Die Salden der einzelnen Konten müssen manuell eingetragen werden, damit dann ein Programm (Makro), die Vorgänge, die manuell gesteuert werden müßten, automatisiert und die benötigten Auswertungen erstellt. Nachteil dieser Methode sind mögliche Eingabefehler bei der manuellen Übertragung der Kontensalden.

Ziel dieser Diplomarbeit ist die Entwicklung und der Aufbau einer aktuellen GuV-Rechnung in Microsoft Excel, die sowohl die betriebswirtschaftliche Situation jeder einzelnen Filiale als auch aggregiert die des Gesamtunternehmens darstellt. Um die Effizienz für Anwender zu erhöhen, sollen dabei die Salden einzelner Konten, die in die GuV-Rechnung einfließen, durch Exportieren von vorher definierten Tabellen aus SAP R/3 automatisiert übertragen und zugeordnet werden.

Um eine schnelle Auswertung ohne zeitaufwendige, sich wiederholende Befehlsfolgen zu gewährleisten, werden mit Hilfe von Visual Basic for Applications (VBA) Programme, sogenannte Makros, erstellt, die diese automatisieren. So können in wenigen Schritten vorher definierte Auswertungen schnell und einfach erstellt werden.

Zudem sollen durch die einmalige Eingabe von Budgets und Vorjahreswerten aussagekräftige Reports über die wirtschaftlichen Kennzahlen der Filialen sichergestellt werden.

1.2 Aufbau der Arbeit

Um die Notwendigkeit für die Nutzung analytischer Informationssysteme zu verstehen, geht das zweite Kapitel auf die wachsende Bedeutung des Faktors „Information“ im Unternehmen ein. Das Dilemma der Unternehmensführung - immer komplexere Zusammenhänge in immer kürzeren Zeiten zu begreifen und danach zu entscheiden - läßt sich nur durch eine optimierte Informationsversorgung vermindern.

Um sowohl eine schnellere als auch effektivere Informationsversorgung herbeizuführen sind betriebliche Informationssysteme heute unerläßlich. Sie durchsuchen riesige Datenmengen nach betriebswirtschaftlich relevanten Zusammenhängen und sind in der Lage, die gewünschten Informationen sinnvoll zu verdichten und nach Belieben aufzubereiten. Eine Übersicht über die technischen Zusammenhänge und Komponenten betrieblicher Informationssysteme gibt Kapitel 3. Als zwei Komponenten werden beispielhaft die Analyse-Instrumente On-Line Analytical Processing (OLAP) bzw. Data Mining und deren Eigenschaften sowie Vorteile im vierten Kapitel dargestellt.

Ein Vorteil moderner betrieblicher Informationssysteme ist die gemeinsame Datenbasis, das Data Warehouse. Es bildet die Grundlage aller Informationssysteme, denn darin sind alle Datensätze gespeichert und können bei Bedarf abgerufen und durchsucht werden. Im fünften Kapitel wird das Konzept des Data Warehouse und die Komponenten, wie Transformationsprogramme, Metadatenbank- und Archivierungssysteme, vorgestellt.

Nachdem die technischen Voraussetzungen betrieblicher Informationssysteme aufgezeigt sind, widmet sich das sechste Kapitel den Management-informationssystemen (MIS). Im ersten Teil wird die Entstehung der Informationssysteme seit Beginn der fünfziger Jahre bis heute dokumentiert. Dann folgen die Begriffsdefinition und eine kurze Übersicht über die verschiedenen Informationssysteme. Zum Abschluß werden Grenzen und Probleme von MIS bei der Entscheidungsunterstützung aufgezeigt. Welche Anforderungen dabei an moderne Managementinformationssysteme gestellt werden und nach welchen allgemeinen Kriterien entsprechende Softwarelösungen ausgewählt werden, umreißt das siebte Kapitel.

Nach dem theoretischen Teil folgt im achten Kapitel die Beschreibung der Anforderungen an ein Informationssystem der demedis dental depot GmbH. Dabei werden sowohl die vorhandenen technischen Ressourcen mit einer kurzen Darstellung des SAP R/3-Systems als auch die Eigenschaften, die eine zukünftige - weitestgehend automatisierte - GuV-Rechnung auszeichnen soll, beschrieben.

Im neunten Kapitel werden die Architektur und der systematische Aufbau des Managementinformationssystems unter Berücksichtigung der spezifischen Anforderungen festgelegt. Die Umsetzung mittels Microsofts Excel und Visual Basic for Applications wird sowie die Handhabung wird im zehnten Kapitel erläutert. Eine kurze Zusammenfassung und ein Ausblick sind im elften Kapitel zu finden.

2 Grundprobleme der Informationsversorgung

Ökonomisches Handeln und Unternehmensführung vollziehen sich seit den achtziger Jahren in einem Umfeld verschärften Wettbewerbs bei ständig zunehmender Komplexität und Dynamik. Schlagworte, wie zum Beispiel „Globalisierung der Märkte“, „Time to Market“ oder „Management der Diskontinuitäten“ unterstreichen dabei die wachsende Bedeutung des Erfolgsfaktors Zeit bei der Initiierung und Durchführung betrieblicher Prozesse, die durch Vernetzung, Interdependenz und Variablenvielfalt immer komplexer werden.

Dies gilt nicht nur für betriebliche Produktions-, sondern analog auch für die Entscheidungsprozesse des Managements. Einerseits benötigen Führungskräfte in Entscheidungssituationen aufgrund der Komplexität von Informationen eine immer längere Reaktionszeit,³ andererseits macht der zunehmende Veränderungsdruck der Märkte immer kürzere Anpassungszeiten erforderlich. Die verfügbaren Zeiten zur Bewältigung komplexer Fragestellungen werden für Führungskräfte immer knapper.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Die Zeitschere im Entscheidungsprozeß⁴

Das Dilemma der Unternehmensführung - in der Grafik deutlich erkennbar - läßt Schlußfolgerungen für Verbesserungspotenziale erkennen. Da die Dynamik der Umwelt vorgegeben ist, kann die verfügbare Reaktionszeit nur durch frühzeitiges Erkennen und Prognostizieren der Entwicklungen verlängert werden. Hinsichtlich der erforderlichen Reaktionszeit gibt es zwei Ansatzmöglichkeiten. Eine Reduzierung der Komplexität kann durch Konzepte wie „Fokussierung auf Kernkompetenzen“ erreicht werden. Eine andere Möglichkeit ist die Komplexitätshandhabung und -beherrschung zu verbessern, was durch erhöhte Transparenz und Verbesserung der Informationsversorgung erreicht werden kann.⁵

Zusätzlich zu dem Interesse der Unternehmensführung an aufbereiteten und schnell verfügbaren Informationen, nimmt auch das Informationsbedürfnis externer Investoren und Banken zu. Dazu kommen immer kürzere Einarbeitungszeiten neuer Mitarbeiter aufgrund einer gestiegenen Häufigkeit von „Jobwechsel“, die auch eine schnelle Informationsversorgung erfordern. Hieraus wird die wachsende Bedeutung des Faktors Information als Schlüssel zur Überlebensfähigkeit der Unternehmen deutlich und wird von einigen Autoren deshalb als vierter Produktionsfaktor bezeichnet.⁶

Management von Informationen in einem Unternehmen gehört zu den grundlegenden Aufgaben des Controllings, da es für die Sicherstellung der Rationalität der Unternehmensführung - der heutigen Kernaufgabe des Controllings - unerläßlich ist.⁷ Im Vordergrund steht aber nicht nur eine zeitliche Verbesserung der Informationsversorgung sondern auch eine effektivere. Denn einer Flut von irrelevanten Daten steht häufig eine gleichzeitige Unterversorgung mit entscheidungsrelevanten Daten gegenüber.

Wie ineffizient mit dem Produktionsfaktor Information umgegangen wird, zeigen diverse Studien über die Durchlaufzeiten in informationsverarbeitenden Abteilungen. Die Durchlaufzeiten bestehen dort - ähnlich wie in der Fertigung -zu 90-95 Prozent aus Liege- und Wartezeiten und nur zu 5 Prozent aus realen Verarbeitungszeiten.⁸ Zur Verbesserung dieser Situation müssen in der Informationslogistik prinzipiell die gleichen Überlegungen angestellt werden wie in der Fertigung.

Dies führt zu einem Just-in-Time-Prinzip in der Informationslogistik. Dieses Prinzip strebt die Herstellung eines Produkts zum spätmöglichsten Zeitpunkt an, um alle Vorgänge, die kosten- aber nicht wertsteigernd wirken, zu vermeiden. Dabei sind vor allem drei sich ergänzenden Komponenten notwendig:⁹

- Minimierung der Informationsdurchlaufzeiten,
- Optimierung der Informationsbestände und
- Informationsverfügbarkeit „Just-in-Time“.

Um diese Ziele zu erreichen, ist ein „Informationspool“ als logisches Datenzentrum im Unternehmen notwendig, der als Basis für die einzelnen spezifischen Anwendungen der einzelnen Unternehmensbereiche fungiert.

3 Einordnung der analytischen Informationssysteme

Eine übersichtliche Darstellung der grundlegenden Komponenten und Datenflüsse in der softwaregestützten betrieblichen Informationsverarbeitung ist in Abbildung

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Komponenten der betrieblichen Informationsverarbeitung¹⁰

Ausgangspunkt sind die operativen Datenbestände wie Kundendaten aus den Abwicklungssystemen. Dazu kommen noch externe Daten, beispielsweise von Marktforschungsinstituten, deren meist heterogene Inhalte zusammen im Data-Warehouse in einheitliche Formate aufbereitet werden. Diese Daten können nun durch den Data Mining-Prozeß nach relevanten Zusammenhängen analysiert oder bekannte Zusammenhänge mit OLAP-Werkzeugen anschaulich dargestellt werden. Bei der Einführung eines Data Warehouse-Konzepts stellt sich die Frage, ob ein großer Informationspool vorhanden sein soll, der dann kleinere Datenmengen als Informationseinheiten ausgibt oder sofort kleine Datenmengen erzeugt werden sollen. Solche „Data-Marts“ sind aufgrund ihrer „Handlichkeit“ und den kürzeren Antwortzeiten für dezentrale und abteilungsspezifische Lösungen ideal. Die Auswertung und Verwendung der Data-Marts, der OLAP-und Data Mining-Analysen sowie der anderen Daten erfolgt durch die Front-End-Werkzeuge. Sie bilden die Oberfläche des Systems und sind somit die Schnittstelle zwischen dem Benutzer und den Datenbeständen. Front-End-Systeme stellen Lösungen für den komplementären Prozeß der Datennutzung und Berichtserstellung dar. Sie ermöglichen, wie beispielsweise Microsoft Excel, über Kreuz- oder Pivot-Tabellen Informationen aus mehreren Tabellen in einer Tabelle nach verschiedenen Dimensionen anzuzeigen, durch OLAP-Analyse-Werkzeuge Auswertungsmethoden zur Aufbereitung und Verknüpfung von Daten auszuwählen oder den Einsatz von Data Mining-Werkzeugen u. v. m.

4 Data Mining und OLAP - Zwei Analyse-Instrumente im Verbund mit einem Data-Warehouse

4.1 On-Line Analytical Processing (OLAP)

Ein weiteres Analyseinstrument ist OLAP. Das Konzept des „On-Line Analytical Processing“ wurde von Codd¹¹ zur Analyse sehr umfangreicher, multidimensionaler Datenbestände entwickelt.

OLAP-Anwendungen bilden betriebswirtschaftlich relevante Maßzahlen (z.B. Absatz, Umsatz, Kosten, Deckungsbeiträge, Marktanteile) in einem multidimensionalen Datenwürfel ab, dessen Dimensionen betriebswirtschaftlich relevanten Gliederungskriterien (Produktgruppe, Kundengruppe, Verkaufsgebiet) entsprechen.¹² Entlang dieser Dimensionen können die Maßzahlen je nach Fragestellung aufgebrochen oder zusammengefaßt werden, so daß mit Hilfe bestimmter Navigationsfunktionen die jeweils für die Fragestellung bedeutsamen „Scheiben“, „Ebenen“ oder „Teilwürfel“ extrahiert und angezeigt werden. (Siehe Abbildung 4)

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Navigation in einem dreidimensionalen Datenwürfel¹³

Doch durch die Verwendung eines OLAP-Systems gibt es auch Einschränkungen. Da OLAP nur rein deskriptive Darstellungen der Daten liefert, müssen die relevanten Merkmale und die Art der Zusammenhänge durch exakte a-priori-Hypothesen definiert werden. Und selbst im Fall genau formulierter a-priori-Hypothesen kann die deskriptive Darstellung der multidimensionalen Zusammenhänge die darstellungstechnischen Grenzen überschreiten.

Aus diesem Grund ist es sinnvoll, OLAP als maschinelles Instrument der manuellen Suche nach interessanten Zusammenhängen, mit einer Suche im Rahmen des Data Mining zu ergänzen.

Voraussetzung für eine funktionierende Datenaufbereitung ist aber immer eine vorhandene Datenstruktur. Den Datensätzen müssen bei der Übertragung in ein Data Warehouse schon genau definierte Merkmalswerte zugeordnet werden, damit OLAP in der Lage ist diese anhand von Suchkriterien ausnahmslos zu selektieren. Ansonsten besteht die Möglichkeit, daß relevante, aber falsch zugeordnete Daten bei Auswertungen nicht berücksichtigt werden und das Ergebnis verfälschen.

Deshalb wird OLAP oft als ein Data Mining-Instrument verwendet, um die Ergebnisse des Data Mining anschaulich zu interpretieren und zu präsentieren.¹⁴

4.1 Data Mining

Der Begriff „Data Mining“ bezieht sich auf ein anschauliches Bild aus dem Bergbau (Mining), wo mit hohem technologischem Aufwand große Gesteinsmengen aufbereitet werden, um Edelmetalle und Edelsteine zu fördern.¹⁵ Ähnlich werden beim Data Mining riesige Datenvolumina mit anspruchsvollen, automatisierten Methoden nach neuen, gesicherten und handlungsrelevanten Auffälligkeiten durchsucht.¹⁶

Unter Verwendung von Methoden aus der Statistik, künstlicher Intelligenz, maschinellem Lernen und Mustererkennung sollen beim Data Mining „...allgemein verwendbare, effiziente Methoden [gefunden werden], die autonom aus großen Datenmengen die bedeutsamsten und aussagekräftigsten Muster identifizieren und sie dem Anwender als interessantes Wissen präsentieren“¹⁷, ohne vom Anwender a-priori-Hypothesen - also Aussagen über den gesuchten Inhalt - zu fordern. „Data Mining … lotst uns zu nützlichen Antworten, bevor uns die passenden Fragen einfallen und fördert aus den Tiefen des Datenmeeres Überraschendes zutage“¹⁸

Die Praxis zeigt aber, daß der Wunsch, vollständig autonome Systeme zu entwickeln, die selbstständig in einer beliebigen Datenmenge Auffälligkeiten finden, zur Zeit nicht realisierbar ist¹⁹, da auch im Verlauf von Data Mining-Projekten häufig Erkenntnisse gewonnen werden, die eine völlig neue Zielrichtung vorgeben. Dies erfordert eine Einbindung des Metawissens des Anwenders, die vollautomatisierten Methoden der Datenanalyse nicht leisten können.²⁰

Aufgrund dieser Problematik entstand der Prozeß des „Knowledge Discovery in Databases“ (KDD), der die Interaktion zwischen automatisierten Data Mining-Methoden und dem Anwender bei der Aufgabendefinition, Datenaufbereitung, Datenanalyse, Ergebnisevaluation und Anwendung als Aufgabe hat.²¹ Heute verbinden sich der KDD-Prozeß und der Begriff „Data Mining“ zum „Data Mining-Prozeß“.²²

[...]

---

¹ Vgl. Winzer, P.: Chancen zur umfassenden Unternehmensgestaltung, Frankfurt, 1997, S. 13.

² Vgl. Data Warehouse und MIS 2000, in: Computerwoche, o. Jg. (2000), Nr. 37.

³ Vgl. in diesem Zusammenhang zur Komplexität in Entscheidungsprozessen Kirsch, W.: Die Handhabung von Entscheidungsproblemen: Einführung in die Theorie der Entscheidungsprozesse, München, 1988, S. 204-219.

⁴ Greschner, J./Zahn, E.: Strategischer Erfolgsfaktor Information, in: Krallmann et al. (Hrsg.): Rechnergestützte Werkzeuge für das Management: Grundlagen, Methoden und Anwendungen, Berlin, 1992, S. 11.

⁵ Vgl. Kirsch, W.: a. a. O., S. 219-223.

⁶ Vgl. Picot, A.: Produktionsfaktor Nr. 1: Information, in: Siemens-Zeitschrift, o. Jg. (1988), Nr.4, S. 4-7.

⁷ Vgl. Weber, J./Schäffer, U: Sicherstellung der Rationalität von Führung als Aufgabe des Controlling?, in: Die Betriebswirtschaft, 59. Jg. (1999), Nr. 6, S. 731-747.

⁸ Vgl. Augustin, S.: Informationslogistik - worum es wirklich geht!, in: io Management Zeitschrift, o. Jg. (1990), Nr. 9, S. 31-34.

⁹ Vgl. Webersinke. K./Lindenlaub, F.: Strukturwandel der Unternehmen und Folgen für die DVDatenstruktur, in: Dorn, B. (Hrsg.): Das informierte Management, Berlin, 1994, S. 68.

¹⁰ Vgl. Gluchowski, P.: Data Warehouse, in: Informatik-Spektrum, 20 Jg. (1997), Nr. 1, S. 48-49.

¹¹ Vgl. Codd, E. F./Codd, S. B./Sally, C. T.: Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT Mandate, E.F. Codd & Associates, 1993.

¹² Vgl. Chamoni, P.: Entwicklungslinien und Architekturkonzepte des On-Line Analytical Processing, in: Chamoni, P./Gluchowski, P. (Hrsg.): Analytische Informationssysteme -Data warehouse, on-line analytical processing, data mining, Berlin, 1998, S. 233.

¹³ Bager, J./Becker, J./Munz, R.: Data Warehouse - zentrale Sammelstelle für Information, in: c’t, o. Jg. (1997), Nr. 3, S. 284.

¹⁴ Vgl. dazu Chamoni, P.: On-Line Analytical Processing (OLAP), in: Hippner, H./Küsters, U./Meyer, M./Wilde, K. D. (Hrsg.): Handbuch Data Mining im Marketing, Braunschweig, 2000.

¹⁵ Vgl. Adriaans, P./Zantinge, D.: Data mining, Harlow, 1997, S. 5.

¹⁶ Vgl. Berry, M. J. A./Linoff, G.: Data mining techniques for marketing, sales and customer support, New York, 1997, S.5.

¹⁷ Hagedorn, J./Bissantz, N./Mertens, P.: Data Mining (Datenmustererkennung):

Stand der Forschung und Entwicklung, in: Wirtschaftsinformatik, o. Jg. (1997), Nr. 6, S. 601.

¹⁸ Janetzko, D./Steinhöfel, K.: Lotsen los! Data Mining: Verborgene Zusammenhänge in Datenbanken aufspüren, in: c’t, o. Jg. (1997), Nr. 3, S. 294.

¹⁹ Vgl. Küppers, B.: Data Mining in der Praxis - ein Ansatz zur Nutzung der Potentiale von Data Mining im betrieblichen Umfeld, Frankfurt/Main, 1999, S. 5-6.

²⁰ Vgl. Elder, J. F./Pregibon, D.: A statistical perspective on knowledge discovery in databases, in: Fayyad, U. M./Piatetsky-Shapiro, G./Smyth, P./Uthurusamy, R. (Hrsg.): Advances in knowledge discovery and data mining, Menlo Park, 1996, S. 99.

²¹ Vgl. Fayyad, U. M./Piatetsky-Shapiro, G./Smyth, P.: From data mining to knowledge discovery: an overview, in: Fayyad, U. M./Piatetsky-Shapiro, G./Smyth, P./Uthurusamy, R. (Hrsg.): Advances in knowledge discovery and data mining, Menlo Park, 1996, S. 2.

²² Vgl. Cabena, P./Hadjinian, P./Stadler, R./Verhees, J./Zanasi, A.: Discovering data mining - from concept to implementation, Upper Saddle River, 1998, S. 12.