Integration und Betrieb eines Business Intelligence Systems im Unternehmen


Research Paper (undergraduate), 2017

30 Pages, Grade: 1,0


Excerpt


Inhaltsverzeichnis

1. Vorwort

2. Begriffsherleitung und Definition

3. Bedarfstreiber und Ziele

4. Integration einer BI-Lösung
4.1. Data-Warehouse-Konzept
4.2. Datenanalyse
4.2.1. Online Analytical Processing
4.2.2. Data Mining
4.3. Einführung eins BI-Systems

5. Betrieb eines integrierten BI-Systems
5.1. Anwendungsfelder
5.2. Betriebswirtschaftliche Anwendungsmethoden

6. Fallstudien
6.1. Customer Relationship Analytics im Einzelhandel
6.2. BI-Analyse im RFID-gestützten Supply Chain Management
6.3. Integration einer Real-time-Data-Warehousing-Lösung

7. Schlusswort

Abbildungsverzeichnis:

Abbildung 1: Das DWH-Konzept (Eigene Darstellung in Anlehnung an Knöll, Heinz-Dieter et al Unternehmensführung, 2006, S.47) 6

Abbildung 2:Beispiel für einen multidimensionalen Datenwürfel (Quelle: Müller, R. / Lenz H., Intelligence, 2013, S.52) 7

Abbildung 3: Einsatzbereich von BI-Lösungen (Quelle: Kemper, Hans-Georg et al, Anwendungen, 2010, S.9.) 12

Abbildung 4: Anwendungen von BI (Eigene Darstellung in Anlehnung an Müller, Roland M. / Lenz, Hans-Joachim, Intelligence, 2013, S.121 14

Tabellenverzeichnis:

Tabelle 1: Beispiele für die Anwendung von Data-Mining (selbst erstellte Tabelle, in Anlehnung an Otte R. et al, Mining, 2004, S.34-47) 10

Abkürzungsverzeichnis:

Abbildung in dieser Leseprobe nicht enthalten

1. Vorwort

Der Einzug des Informationszeitalters lässt der Information, als begehrten Rohstoff, eine neue Bedeutung hinzukommen. Die Realisierung des eigentlichen Nutzens erfordert die Handhabung und Analyse von großen Datenmengen. In dieser Beziehung findet Business Intelligence (BI), als schnell gebrauchtes Trendwort Einzug. Bereits die Begrifflichkeit impliziert ein intelligentes Instrument zur Unternehmensführung. In Kapitel 2 soll zunächst die Begriffsherleitung und der begriffliche Rahmen definiert werden. Von der Kombination aus informationstechnischen und betriebswirtschaftlichen Prozessen zur Sammlung, Aufbereitung und Darstellung entscheidungsrelevanter Informationen, verspicht sich die Unternehmenswelt eine Antwort, auf ein komplexer und dynamischer werdendes Marktumfeld. Hierzu erfolgt in Kapitel 3 eine Übersicht der internen und externen Bedarfstreiber sowie der Unternehmensziele. Auch Softwarehersteller und -berater erkennen die Marktpotentiale für BI. Allein in Deutschland generierten im Jahr 2014 insgesamt 289 BI-Anbieter einen eine Gesamtumsatz von etwa 1,5 Milliarden Euro durch Lizenzverkäufe und Wartungsgebühren. Allein 317 Millionen Euro Umsatz generierte der Marktführer SAP.[1] Die Voraussetzung für die Verarbeitung und Distribution großer Datenmengen schafft das Data Warehouse. Als Disziplin der Informatik und insbesondere der Wirtschaftsinformatik, bildet es das Herz und die technische Komponente einer BI-Lösung. Die Konkretisierung der BI-Architektur erfolgt mit der Implementierung für einen spezifischen Anwendungsfall. Das Grundgerüst des Data Warehouse bleibt dabei konstant und wird in Kapitel 4.1. beleuchtet. Darauf Aufbauend erfolgt der Einsatz von Analyseverfahren. Als meist genutzte Analysewerkzeuge, werden in Kapitel 4.2. das Online Analytical Processing sowie das Data Mining vorgestellt. Die enge Verzahnung zur Unternehmensführung spiegelt sich im Einsatz von betriebswirtschaftlichen Methoden wider. Diese werden im Kapitel 5.2. aufgearbeitet. Zur organisatorischen Einordnung erfolgt im Vorgang in Kapitel 5.1. eine Beleuchtung der Anwendungsfelder von BI. Zum Zwecke einer Verdeutlichung des theoretischen Hintergrundes, aber auch als Impuls für den breit gefächerten Anwendungshorizont von BI-Lösungen, werden in Kapitel 6 drei Einsatzmöglichkeiten konkretisiert. Den roten Faden bildet dabei die Ausarbeitung einer Lösung, auf die spezifischen Anforderungen eines Unternehmens mit abschließendem Fazit.

2. Begriffsherleitung und Definition

Nicht zuletzt wegen der historischen Begriffsentstehung und der Definitionsvielfalt ist es notwendig, das Verständnis von BI aufzuarbeiten. Mit dem Einsatz von Kommunikations- und Transaktionssystem, entstand bereits in den 1960er Jahren das Erfordernis im Management, verdichtete Informationen aus der operativen Datenbasis zu gewinnen. Als Antwort hierauf etablierten sich Management-Informations-Systeme (MIS). Dem bisherigen Informationsdefizit stand nun eine Flut meist unstrukturierter Daten gegenüber. In den 1990er Jahren erfolgte eine Aufsplittung der Datenmengen in performante Module, exemplarisch eine bereichsbezogene Datenhaltung. Dies erlaubte eine verdichtete Datendarstellung bis hin zu einfachen algorithmischen Auswertungen. Im Gegenzug zu den MIS ermöglichen Decision-Support-Systeme (DSS) ein umfangreicheres Instrumentarium an Methoden und Modellen der Datenverarbeitung. Kern der DSS ist die Unterstützung der Entscheidungsträger beim Planungs- und Entscheidungsprozess. Die breitflächige Nutzung von DSS durch u.a. Tabellenkalkulationssysteme wie Microsoft Excel umfasste meist situationsbezogen und einmalige, nicht unternehmensübergreifen Auswertungen. Hierzu führte auch die voranschreitende Vernetzung der Systeme zur Entstehung von Executive-Information-Systems (EIS). Ausgerichtet an Fach- und Führungskräfte, verfügten die EIS neben Kommunikationsfunktionen auch über eine intuitive und individuell nutzbare Anwenderoberfläche auf Basis interner und externer Daten.[2] In den 1990 Jahren konstituierte sich das Data-Warehouse (DWH) -Konzept als Hauptkomponente der BI-Landschaft. Das DWH dient als unternehmensübergreifendes primäres Datenquellsystem seitens der Datenintegration und -haltung. Im Unterschied zum DWH-Konzept ist BI als analytischer Prozess auf Basis des DWH zu verstehen.[3] Aufgrund der breiten Masse an Werkzeugen zur Managementunterstützung und der anhaltenden Weiterentwicklung dieser Systeme, setzte 1996 Business Intelligence den begrifflichen Rahmen.[4] Geprägt wurde diese Bezeichnung durch die Gartner Group: “Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it – today these tools collectively fall into a category called Business Intelligence.” [5] Die Literatur differenziert ferner zwischen einem reporting- und analyseorientierten BI-Verständnis.

Im Kontext dieser Arbeit bezeichnet BI den “integrierten, unternehmensspezifischen, IT-basierten Gesamtansatz zur betrieblichen Entscheidungsunterstützung.” [6]

3. Bedarfstreiber und Ziele

Zur Darstellung der Notwendigkeit sind zunächst die Bedarfstreiber für den Einsatz von BI im Unternehmen, sowie die daraus angestrebten Ziele auszuarbeiten. Die Literatur differenziert weitgehend zwischen internen und externen Treibern für BI-Bedarf.

Anhaltspunkt für einen internen Bedarfstreiber kann eine kapitalmarktorientierte Unternehmensführung und die damit verbundene Ermittlung wertorientierter Kennzahlen sein. Aus Eigentümersicht entsprechen diese dem Shareholder Value (SHV) im Sinne einer Finanzgröße. Damit soll der Marktpreis des Eigenkapitals und ein Performance-Maß für Wertsteigerungspotentiale ermittelt werden. Hierzu soll die Aufsplittung des SHV in Kennzahlensysteme, die Ursachen und Auswirkungen von Wertetreibern nachvollziehbar machen. Weiter können Problemstellungen im Planungs-, Steuerungs-, und Kontrollprozess (PSuK) Anlass für eine BI-Lösung sein. So führt exemplarisch ein zu stark ausgeprägter Detailierungsgrad zu einer erheblichen Bindung von Personalkapazitäten. Parallel hierzu steigt der Konsolidierungs- und Koordinationsaufwand der einzelnen Prozessschritte. Auch eine effiziente Realisierung der Unternehmensstrategie in operative Ziele im Rahmen des PSuK-Prozesses, erfordert eine stetige Abstimmung, Analyse und Überwachung in Form eines Informationskreislaufes.[7] Ferner sind die Herausforderungen seitens der Informationstechnik hervorzuheben, welche sich auch in einer heterogenen und komplexer werdenden Systemlandschaft reflektieren. Gründe hierzu lassen sich in der schnell wandelnden Entwicklung der Informationstechnologie, als auch durch die gestiegenen Anforderungen an das Unternehmen bei Wachstum der Organisation finden. Hierbei ist auf die Folgen in Form von Mängeln an der Datenqualität, eine ungeklärte Datenherkunft, sowie undefinierte Prozesse zur Beantwortung analytischer Fragen als Kernprobleme hinzuweisen.[8]

Im Folgenden Absatz sollen die externen Bedarfstreiber aufgezeigt werden. Es ist zunächst ein Augenmerk auf die Globalisierung zu legen. Eine stark wachsende Dynamik der Wettbewerbsbedingungen führt mitunter zu verkürzten Produktlebenszyklen, ansteigenden Innovationsraten oder auch zum Zusammenwachen sowie Wegfallen bisher zentraler Technologien. Die weltweite Marktöffnung erfordert insbesondere verkürzte Reaktionszeiten der Unternehmen, um der gestiegenen Komplexität und Wettbewerbsdynamik entgegen zu wirken. Die Beschleunigung der Entscheidungs- und Analyseprozesse sowie das Herausarbeiten von Muster aus einer Informationsflut von Datenmengen, bedarf es durch geeignete Instrumente zu managen.[9] Auch aufgrund der Globalisierung reagierte der Staat als Stakeholder mit gesetzlichen Vorschriften. Daraus ergeben sich für das Management oder explizit für das externe Rechnungswesen meist konkrete und umfangreiche Anforderungen. So regeln die International Financial Reporting Standards oder das Handelsgesetzbuch die Vorschriften zur Rechnungslegung. In Folge bedarf es einer kontinuierlichen Aufzeichnung und anschließenden Konsolidierung der Geschäftsvorfälle.[10] Um Vergleichbarkeit und Repräsentation am internationalen Kapitalmarkt zu schaffen oder auch Zugang zu den globalen Finanzmärkten zu erhalten, ist außerdem ein verstärkter Schwerpunkt auf die Bereitstellung finanz- und marktorientierter Kennziffern zu legen. Ein hierzu geeignetes Informationssystem bietet der Unternehmensführung die Chance, das Wirken seiner Entscheidungen möglichst frühzeitig zu identifizieren. Ferner kann hier eine Planungsgrundlage für beispielweise Forecasts gelegt werden.[11]

Letztendlich setzten die, durch die enormen Fortschritte der Informationstechnologie immer leistungsfähigeren Systeme, sowie wachsende Speichervolumen und parallel die Abnahme der Kosten für die Bereitstellung, die Voraussetzung für die Bedarfsentstehung.

Die folgenden Formulierungen der Ziele für den Einsatz von BI lehnen sich an Totok und Gansor an. Diese unterteilen die Ziele im Rahmen einer BI-Strategie in 4 Komponenten. So basieren die fachlichen Ziele auf den Inhalten, konkret auf die Strukturierung entscheidungsrelevanter Daten. Explizite fachliche Ziele begründen sich hierbei durch den Gebrauch von BI durch die Anwender. Exemplarisch können diese eine Vereinheitlichung der Stammdaten oder die Reduzierung des manuellen Aufwands durch Automatisierung sein. Weiter bilden die architektonischen Ziele das Gerüst zur Konstruktion der BI-Landschaft. Kernthema ist hierbei die Vereinheitlichung von Hardware, Software sowie der Informationen. Eine Verkleinerung des Softwareportfolios durch Reduzierung der Softwareanbieter kann hier angeführt werden. Die technologischen Ziele bauen auf die Nutzung der entstandenen Potentiale durch den technologischen Fortschritt auf. Ankerpunkt ist hierzu der IT-Bereich des Unternehmens, welcher als Enabler der Potentiale agiert. Die Implementierung eines DWH kann so den Grundstein zum Haushalten großer Datenbestände legen. Weiter sind organisatorische Ziele nach Aufbau- und Ablauforganisation zu differenzieren. Die Verbesserung der Zusammenarbeit von IT und Fachbereichen kann hier als organisatorisches Ziel aufgeführt werden. Ferner ist eine rein wirtschaftliche Zweiteilung der Gesamtziele möglich. Zeitziele, wie die Verkürzung der Prozessdauer und monetäre Ziele, beispielsweise die Senkung der monatlichen Betriebskosten, formen das Kernstück der ökonomischen Zieleinteilung.[12]

4. Integration einer BI-Lösung

Im Folgenden soll ein Überblick zur Integration von BI im Unternehmen geschaffen werden. Hierzu wird seitens der technischen Betrachtung das Data-Warehouse-Konzept als Basis aufgearbeitet. Es folgt ein exemplarisches Vorgehensmodell der Einführung von SAP BI.

4.1. Data-Warehouse-Konzept

Voraussetzung für den zielführenden Einsatz von BI bildet die Bereitstellung einer strukturierten und konsistenten Datenbasis, entsprechend der Anforderungen der Endanwender.[13] Zurückführend auf die Verwendung unterschiedlicher operativer Systeme in den jeweiligen Fachabteilungen, waren eine unterschiedliche Datenstruktur und -qualität die Folge. Zudem können heterogene Systemlandschaften Inkompatibilität und hohe Datenredundanz mit sich bringen. Mit Einführung der ERP-Systeme soll dem, mittels einer zentral verwalteten Datenbank entgegengewirkt werden. Auch die Nutzung externer Datenpools, exemplarisch Datenbanken von Zulieferern oder abstrakt im Internet, gewinnt in Unternehmen vermehrt an Bedeutung. Durch den Einsatz der 3 Ausprägungen operativer Systeme werden umfangreiche Datenmengen gesammelt, jedoch lediglich ein Bruchteil analysiert. Auch das Fehlen effizienter analytischer Systeme sind in dieser Beziehung grundgebend.[14] Das durch William H. Inmon geprägte DWH-Konzept brachte hierzu einen fundamentalen Fortschritt. Der Kern ist hierbei die Bereitstellung einer dispositiven Datengrundlage für alle Bereiche der Managementunterstützung eines Unternehmens. Realisiert durch das DWH, definiert es Inmon mit 4 Charakteristika, welche in den folgenden Unterpunkten kurz erläutert werden.

- Themenorientiert: Die gespeicherten Daten orientieren sich nach den Informationsbedürfnissen entscheidungsrelevanter und nicht operativer Prozesse.
- Integriert: Der Bestand an meist in meist heterogene Strukturen befindlichen Daten werden in einheitliche und bereinigte Form überführt.
- Zeitraumorientiert: Insbesondere für spätere Zeitreihenanalysen erhalten alle Daten einen Zeitraumbezug.
- Unveränderlich: Inhalte des DWH sind unveränderlich. Eine konsistente Datenbasis und Wiederholbarkeit von Analyseergebnissen wird hierdurch sichergestellt.[15]

Der Aufbau des DWH-Konzeptes kann je nach Architektur unterschiedliche Komponenten oder Schritte beinhalten. Das Grundgerüst ist dabei konstant. Die folgende simplifizierte Abbildung lehnt sich an die Darstellung des Aufbaus eines DWH-Systems von Knöll an.[16]

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Das DWH-Konzept (Eigene Darstellung in Anlehnung an Knöll, Heinz-Dieter et al Unternehmensführung, 2006, S.47)

Die Überführung von Informationen aus ihren Ursprungsquellen in eine einheitliche Datenbasis unterteilt sich in 3 wesentliche Schritte. Diese sind als Extraktion, Transformation und Laden (ETL) definiert. Ausgangspunkt des Datenflusses ist die Schicht der Datenbeschaffung. Hierbei werden kontrolliert relevante Daten sowie deren Metadaten aus externen oder internen Datenquellen in den Arbeitsbereich, die sog. Staging Area kopiert. Dieser Vorgang beschreibt die Extraktion und wird später in regelmäßigen Abständen, möglichst automatisiert durchgeführt.[17] Im zweiten Schritt erfolgt die Transformation innerhalb der Staging Area. Ziel ist die Umwandlung der Daten in eine einheitliche Form. Der Vorgang beinhaltet einerseits den Aspekt der Umwandlung der Datenstruktur. Andererseits betrifft es inhaltliche Aspekte, wie die Datenintegration und -bereinigung. Anlässlich der Datenintegration kann beispielsweise eine Umrechnung von Maßeinheiten erfolgen. Die Datenbereinigung legt ihren Schwerpunkt auf das Aufspüren und Korrigieren von fehlerhaften, redundanten, veralteten oder fehlenden Werten innerhalb der Basisdatenbank.[18] Im letzten Schritt erfolgt die Übertragung der Daten der Basisdatenbank in das DWH. Im Zuge des Ladens erfolgt häufig eine Aggregation nummerischer Kennzahlen. Je nach Analyseanforderung werden Informationen in gröbere Rasterungen konzentriert abgelegt. Folglich ist die Datenintegration abgeschlossen. Die Schicht der Datenhaltung kann mittels Abspeicherung in multidimensionaler Form, sog. multidimensionale Datenwürfel erfolgen. Auch durch Historisierung der modifizierten Quellsystemdaten, ermöglichen nun mehrperiodische, flexible und mehrdimensionale Analysen und Darstellungsmöglichkeiten.[19]

4.2. Datenanalyse

Zur Realisierung der Auswertungs- und Darstellungsmöglichkeiten bedarf es Analysewerkzeugen. Unter der Kategorie Analysewerkzeuge sind Informations- und Kommunikationssysteme zu verstehen, welche Daten auswerten können. Hierzu zählt das Online Analytical Processing (OLAP) sowie das Data Mining.[20]

4.2.1. Online Analytical Processing

Bei dem Online Analytical Processing (OLAP) handelt es sich um ein Konzept zur Datenanalyse und -verarbeitung. Müller und Lenz beschreiben es als „ eine Vorgehensweise, die schnelle und flexible Ad-Hoc- Analysen von multidimensionalen Daten für einen breiten Nutzerkreis ermöglicht “.[21] Hierbei nimmt die Definition Bezug auf den Grundstein von OLAP, das multidimensionale Datenmodell.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2:Beispiel für einen multidimensionalen Datenwürfel (Quelle: Müller, R. / Lenz H., Intelligence, 2013, S.52)

Anlässlich von Fragestellungen in operativen Systemen sind Punktabfragen vordergründig, wie exemplarisch die Abfrage der Anzahl eines bestimmten Materials im Lager oder die Abfrage der zu einer Kundennummer zugehörigen Adresse. Hier erfolgt die Ausgabe eines einzelnen Datensatzes oder Wertes. Im Gegenzug hierzu, konzentriert sich OLAP auf Punkt- oder Bereichsabfragen von analytischen Fragestellungen. Zum Beispiel die Abfrage der Umsatzmenge des Produktes A am Standort Hamburg im Zeitraum von Januar bis März. Hierzu bildet die X-Achse eine Produktdimension, die Y-Achse eine Zeitdimension und die Z-Achse eine geographische Dimension (siehe Abbildung 2). Als Ergebnis repräsentieren sich multidimensionale Datenräume, sog. Datenwürfel. Ferner ist eine Aufteilung der einzelnen Dimensionen in Hierarchiestufen möglich. Die Dimension Ort kann sich so den Stufen Land und Kontinent unterordnen. Die Schnittpunkte im Koordinatensystem werden als Fakten beschrieben. Das Datenmodell ermöglichst so die Darstellung von aggregierten, gruppierten oder sortierten Daten.[22] Diese Darstellungsmöglichkeiten können durch die nachfolgenden OLAP-Operationen verwirklicht werden.

Rotation: Die Rotation ist eine Dehnung des Datenwürfels um eine seiner Achsen. Es erfolgt eine Gegenüberstellung zweier ausgewählter Dimensionen und die aus der Analyse resultierenden Fakten.

Roll-up & Drill-down: Beide Operationsausprägungen erlauben die Navigation innerhalb der Hierarchiestufen einer Dimension. Exemplarisch kann die Produktdimension per Roll-up auf Produktgruppen aggregiert werden. Gegenteilig erlaubt die Drill-down-Funktion eine Untergliederung der örtlichen Dimension nach Stadtgebieten.

Drill-through & Drill-across: Bei einer Drill-through-Operation erfolgt ein Zugriff auf die ursprüngliche Datenquelle. Das Erfordernis nach dieser Funktion kann entstehen, wenn der maximale Detailierungsgrad einer Analyse erreicht, aber noch präzisere Informationen benötigt werden. Drill-across beschreibt den Wechsel in einen anderen Datenwürfel. Sind in Abbildung 2 die Umsatzmengen für die Auswertung nicht ausreichend, so kann in einen Datenwürfel mit den zugehörigen Umsatzwerten übergegangen werden.

Slice & Dice: Die Slice-Operation fixiert den Einzelwert einer Dimension. Ein Vertriebsmitarbeiter kann sich so nur die seiner Region zugeordneten Umsatzwerte anzeigen lassen. Vergleichsweise wird bei Dice ein Wert oder Wertebereich mehrerer Dimensionen eingeschränkt.[23]

Eine Kombination von OLAP-Operationen ist möglich. Die Umsetzung erfolgt in der Praxis meist mittels der Datenbanksprache Structured Query Language.[24]

4.2.2. Data Mining

Bei OLAP werden die zu berechnenden Daten manuell von dem Anwender vorgegeben. Im Gegenzug hierzu beschäftigt sich das Data-Mining mit der Suche nach Mustern in Rohdatenbeständen, wobei dies meist voll- oder halbautomatisch, primär von Computern und nicht dem Anwender durchgeführt wird. Quaing definiert es als „ das Aufdecken von bisher unbekannten Zusammenhängen und Beziehungsmustern in zur Verfügung stehenden Datenbeständen durch Anwendung von Analysemethoden“.[25]

Zu den Analysemethoden gehört die Regression. Sie behandelt die Ableitung von bisher unbekannten nummerischen Werten auf Basis bereits zur Verfügung stehender Werte. Beispielsweise die Ableitung des Umsatzes im Folgemonat für Kunde A und Produkt Z, aufbauend auf die aller bereits getätigten Umsätze, sowie seinen Stammdaten. Abzugrenzen hiervon ist die Klassifikation. Hierbei gilt es keine nummerischen Werte zu prognostizieren, sondern die Zuordnung zu einer Klasse abzuschätzen. Eine Schätzung über den verfolgten Zweck des Besuchs des Online-Shops durch einen Kunden, anhand seines Klickverhaltens auf der Website, ist somit möglich. Eine weitere Analysemethode beschreibt die automatische Segmentierung oder auch Clustering genannt. Datensätze werden anhand von Ähnlichkeitsmerkmalen in Gruppen zugeteilt. Die Segmentierungskriterien sowie die eigentlichen Cluster sind vor dem Suchdurchlauf nicht gegeben. Sie werden von einem von einem Algorithmus entdeckt.[26] Es gilt möglichst homogene Daten in möglichst heterogene Segmente herauszukristallisieren. Weiter zählt die Assoziationsanalyse zu den Data-Mining-Methoden. Sie behandelt das Explorieren von Zusammenhängen zwischen Merkmalen oder Merkmalswerten. Als konkretes statistisches Instrument kann hier die Korrelationsanalyse zur Ermittlung von Zusammenhangsmaßen dienen.[27] Auch die Sensitivitätsanalyse im Rahmen des vorangegangenen Regressionsmodells kann hier Anwendung finden. Die Analyse nimmt Bezug auf die Frage nach der Stärke der Auswirkung von Eingangsvariablen auf Zielvariablen.[28]

Um eine Einblick in die Anwendungsbereiche der meist komplexen statistischen Methoden des Data-Mining in der Praxis zu erhalten, werden in der folgenden Tabelle mögliche Einsatzbereiche sowie je ein zugehöriges Beispiel wiedergegeben.

[...]


[1] Vgl. https://barc.de/article/der-markt-fur-business-intelligence-in-deutschland , aufgerufen am 04.12.2017

[2] Vgl. Gluchowski, Peter et al, Informationssysteme, 2008, S.55-75.

[3] Eine detaillierte Ausarbeitung des DWH-Konzepts erfolgt im Kapitel 4.1.

[4] Vgl. Gansor, Tom / Totok, Andreas, BICC, 2015, S.18-19.

[5] Anandarajan, Murugan et al, Techniques, 2004, S.19.

[6] Kemper, Hans-Georg, Anwendungen, 2010, S.9.

[7] Vgl. Knöll, Heinz-Dieter et al, Unternehmensführung, 2006, S. 63-67.

[8] Vgl. Gansor, Tom / Totok, Andreas, BICC, 2015, S.1-5.

[9] Vgl. Weber, Jürgen et al, Business Intelligence, 1999, S.10-11.

[10] Vgl. Kemper, Hans-Georg, Anwendungen, 2010, S.5-6.

[11] Vgl. Knöll, Heinz-Dieter et al, Unternehmensführung, 2006, S. 71-74.

[12] Vgl. Gansor, Tom / Totok, Andreas, BICC, 2015, S.42-45.

[13] Vgl. Quaing, Boris, Nutzen, 2010, S.279.

[14] Vgl. Samtleben, Michael, Allokation, 2007, S.26.

[15] Vgl. Inmon, William, Warehouse, 2005, S.31.

[16] Vgl. Knöll, Heinz-Dieter et al, Unternehmensführung, 2006, S.47.

[17] Vgl. Quaing, Boris, Nutzen, 2010, S.283.

[18] Vgl. Knöll, Heinz-Dieter et al, Unternehmensführung, 2006, S.50.

[19] Vgl. Knöll, Heinz-Dieter et al, Unternehmensführung, 2006, S.51.

[20] Vgl. Samtleben, Allokation, 2007, S.28.

[21] Müller, Roland M. / Lenz, Hans-Joachim, Intelligence, 2013, S.50.

[22] Vgl. Müller, Roland M. / Lenz, Hans-Joachim, Intelligence, 2013, S.52.

[23] Vgl. Quaing, Boris, Nutzen, 2010, S.283.

[24] Vgl. Saake, Gunter / Heuer, Andreas, Datenbanken, 2010, S.640.

[25] Vgl. Quaing, Boris, Nutzen, 2010, S.297.

[26] Vgl. Haneke, Uwe et al, Open Source, 2010, S.216-217

[27] Vgl. Kemper, Hans-Georg, Anwendungen, 2010, S.116

[28] Vgl. Haneke, Uwe et al, Open Source, 2010, S.217

Excerpt out of 30 pages

Details

Title
Integration und Betrieb eines Business Intelligence Systems im Unternehmen
College
University of Applied Sciences Regensburg
Course
Controllinginstrumente in der Praxis
Grade
1,0
Author
Year
2017
Pages
30
Catalog Number
V440919
ISBN (eBook)
9783668803510
ISBN (Book)
9783668803527
Language
German
Keywords
Business Intelligence, Data Warehouse, OLAP, Data Mining, Controlling, Unternehmensführung, Management Information System, RFID, ETL, Datenanalyse, Digitalisierung
Quote paper
Benedikt Bogner (Author), 2017, Integration und Betrieb eines Business Intelligence Systems im Unternehmen, Munich, GRIN Verlag, https://www.grin.com/document/440919

Comments

  • No comments yet.
Look inside the ebook
Title: Integration und Betrieb eines Business Intelligence Systems im Unternehmen



Upload papers

Your term paper / thesis:

- Publication as eBook and book
- High royalties for the sales
- Completely free - with ISBN
- It only takes five minutes
- Every paper finds readers

Publish now - it's free