nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

3. Big Data und Advanced Analytics als aktuelle Digitalisierungstrends im Controlling

verfasst von : Andreas Vorndran

Erschienen in: Big Data und Advanced Analytics im Controlling

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die Welt befindet sich in einem ständigen Wandlungsprozess, der durch die Digitalisierung weiter vorangetrieben wird. Hinzu kommt, dass die Digitalisierung einen zentralen Bestandteil für aufkommende Technologien und Weiterentwicklungen im Bereich der künstlichen Intelligenz darstellt. Die mit der Digitalisierung und der künstlichen Intelligenz verbundenen Auswirkungen, wie die zunehmende Vernetzung, neue technologische Innovationen, disruptive Geschäftsmodelle oder Änderungen des Wettbewerber- und Konsumentenverhaltens, prägen die Entwicklung von Wirtschaft und Gesellschaft. Neben daraus resultierenden neuen Möglichkeiten sehen sich Unternehmen in diesem Kontext aufgrund einer steigenden Volatilität, Unsicherheit, Komplexität und Ambiguität vermehrt mit Herausforderungen konfrontiert.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Theoretische Grundlagen des Controllings

Nächstes Kapitel Kritische Analyse des Einflusses von Big Data und Advanced Analytics im Controlling

Vgl. Deckert / Meyer (2020), S. 12–16; BMBF (2019), S. 1.

Vgl. Bendel (2019), S. 266; Dufft / Remmel / Breden (2018), S. 35; Rascher (2019), S. 5–6.

Vgl. Botzkowski (2018), S. 22; Becker / Pflaum (2019), S. 7.

Vgl. Levi / Rembold (2003), S. 55; Kröhling (2021), S. 33.

Vgl. Deeken / Fuchs (2018), S. 9.

Vgl. Harwardt (2019), S. 13–14; Ebert / Duarte (2018), S. 16; Creusen / Gall / Hackl (2017), S. 3; Morar / Kemper (2018), S. 54. Stellenweise ist eine synonyme Verwendung der Termini Digitalisierung und digitale Transformation festzustellen, obwohl sie prinzipiell für unterschiedliche Sachverhalte stehen. Vgl. Schallmo / Rusnjak (2017), S. 3. Allerdings fehlt bisher auch für den Begriff der digitalen Transformation eine allgemeingültige Definition. Vgl. Harwardt (2019), S. 10.

Vgl. Kreienberg / Janni / Vetter (2021), S. 468; Deussen (1987), S. 229–230.

Vgl. Kreienberg / Janni / Vetter (2021), S. 468; Dangeti (2017), S. 8; Ghavami (2020), S. 123.

Vgl. Kirchgeorg / Beyer (2016), S. 400.

Kieninger / Schimank (2017), S. 4.

Vgl. Schäffer / Weber (2016), S. 8–17; Horváth / Gleich / Seiter (2020), S. 189; Keimer / Egle (2020), S. 2 und 4–6; Becker et al. (2016), S. 98–99; Behringer (2021), S. 128. Siehe zu relevanten Controlling-Trends und zur Bedeutung der Digitalisierung sowie deren Entwicklung auch die vier WHU-Zukunftsstudien Schäffer / Weber (2021), S. 51–52; Schäffer / Weber (2018), S. 43; Schäffer / Weber (2015), S. 186; Schäffer / Goretzki / Meyer (2012), S. 313.

Siehe hierzu u. a. Horváth / Gleich / Seiter (2020), S. 29 und 469–471; Weber / Schäffer (2020), S. 87, 90 und 102–103; Reichmann / Kißler / Baumöl (2017), S. 4 und 540; Gänßlen / Losbichler (2014) sowie das im Jahr 2016 erschienene Sonderheft 1 unter dem Titel „Big Data Zeitenwende für Controller“ des Magazins Controlling & Management Review.

Vgl. Weber / Eggert (2012), S. 36.

Siehe hierzu u. a. Reichmann / Kißler / Baumöl (2017), S. 540; Early (2014), S. 13–15; Möller / Pieper (2015), S. 40–45; Dillerup et al. (2019), S. 48–52; Binder / Dillerup (2021), S. 76–77; Iffert (2016), S. 16–23. Siehe ebenfalls die zuvor angegebenen WHU-Zukunftsstudien aus den Jahren 2015, 2018 und 2021.

Vgl. Seufert et al. (2021), S. 70–73; Bergmann et al. (2021), S. 51–58.

Vgl. Börner / Mischer / Günther (2023), S. 68–69; Derwisch / Rode (2020), S. 8; Kreher et al. (2020), S. 14–15; Keimer et al. (2018), S. 46–48; Prüße / Kreitz / Epstein (2018), S. 21; Bley / Giesel / Ruhwedel (2020), S. 47–51; Grönke et al. (2021), S. 11.

Vgl. Gandomi / Haider (2015), S. 137–138.

Vgl. o. V. (2014). Ein Zettabyte entspricht 10^21 Byte oder 10^12 Gigabyte.

Vgl. Rydning / Shirer (2021).

Vgl. Rydning (2022). Bzgl. der Datengenerierung kann zwischen kreierten und kopierten Daten differenziert werden. Die Rate von kreierten zu kopierten Daten lag laut IDC zum Erscheinungsdatum ihres Beitrags schätzungsweise bei 1:9. Vgl. Shirer / Rydning (2020).

Vgl. Cox / Ellsworth (1997), S. 21–38.

Siehe hierzu z. B. Klein / Tran-Gia / Hartmann (2013), S. 320; Hornung / Herfurth (2018), S. 151; Bachmann / Kemper / Gerzer (2014), S. 23–26; Kudyba / Kwatinetz (2014), S. 1–2.

Vgl. Laney (2001).

Vgl. De Mauro / Greco / Grimaldi (2015), S. 97; Favaretto et al. (2020), S. 2. Zu diesem Zeitpunkt verwies das Wissenschaftsmagazin Nature auf das Problem in vielen Forschungsbereichen, dass die bisher bekannten und beherrschbaren Größenordnungen durch die in den Experimenten und Simulationen erzeugten Datenmengen überstiegen wurden und platzierte das Schlagwort Big Data infolgedessen auf der Titelseite. Vgl. o. V. (2008).

Vgl. Beyer / Laney (2012), S. 1–9; Zaslavsky / Perera / Georgakopoulos (2013); Zikopoulos et al. (2012), S. 5.

Vgl. Favaretto et al. (2020), S. 14–16; De Mauro / Greco / Grimaldi (2015), S. 97.

De Mauro / Greco / Grimaldi (2015), S. 103. Nach Auffassung der Autoren ist der Bezug auf Information assets in der Definition von Big Data sinnvoll, da diese Entität (i. S. e. Einheit) eindeutig identifizierbar und nicht vom Anwendungsbereich abhängig ist. Hierunter werden Informationen als Teil des Unternehmenskapitals verstanden, womit ihnen ein (finanzieller) Wert zugeordnet wird. Siehe hierzu auch Gartner Inc. (o. J.b) und Bachmann / Kemper / Gerzer (2014), S. 26.

Vgl. Laney (2001).

Vgl. Seiter (2019), S. 71.

Vgl. Fasel / Meier (2016), S. 6; Baumöl / Berlitz (2014), S. 165. Ein Terabyte entspricht 1.000 Gigabyte.

Vgl. Seufert (2014), S. 27; BITKOM (2012), S. 21; Manyika et al. (2011), S. 1.

Vgl. Davenport (2014), S. 7; Seufert (2014), S. 27. Siehe hierzu auch Gantz / Reinsel (2011) und Manyika et al. (2011), S. 1.

Vgl. Laney (2001); Gandomi / Haider (2015), S. 138.

Vgl. Gandomi / Haider (2015), S. 138; Klein / Tran-Gia / Hartmann (2013), S. 320; Bauer / Breidenbach / Schaffner (2018), S. 131.

Vgl. Zaslavsky / Perera / Georgakopoulos (2013), S. 2.

Vgl. Finlay (2014), S. 13; Zaslavsky / Perera / Georgakopoulos (2013), S. 2.

Vgl. Laney (2001); Gandomi / Haider (2015), S. 138; Baumöl / Berlitz (2014), S. 165.

Vgl. Holland (2021), S. 200.

Vgl. Klein / Tran-Gia / Hartmann (2013), S. 320.

Vgl. Holland (2021), S. 200. Eine automatisierte Verarbeitung, bspw. bei einer Umwandlung in strukturierte Daten, kann mit einem Informationsverlust verbunden sein. Siehe ebenda.

Vgl. Fasel / Meier (2016), S. 6; Gandomi / Haider (2015), S. 138.

Vgl. Klein / Tran-Gia / Hartmann (2013), S. 320; Holland (2021), S. 200.

Vgl. Zaslavsky / Perera / Georgakopoulos (2013), S. 2.

Vgl. Davis (2019); BITKOM (2012), S. 12; Gantz / Reinsel (2011).

Vgl. Cukier (2010), S. 7.

Vgl. Taylor (2021); Müller (2016), S. 143. Aufgrund fehlender wissenschaftlicher, valider Auswertungen zur Datenbeschaffenheit wird in der Literatur auf Schätzungen von fachkompetenten Personen und Unternehmen zurückgegriffen. Bei einer näheren Betrachtung dieses Aspekts im Unternehmenskontext ist grundsätzlich eine unternehmensspezifische Differenzierung vorzunehmen, da die Datenstrukturen und -quellen in den jeweiligen Unternehmen mitunter stark voneinander abweichen können.

Vgl. Holland (2021), S. 199; Sun (2018), S. 3; Farooqi et al. (2019), S. 145.

Vgl. Holland (2021), S. 199; Sun (2018), S. 1–11; Farooqi et al. (2019), S. 145.

Vgl. Ylijoki / Porras (2016), S. 78–80 und 86–91. Siehe hierzu u. a. auch Hornung / Herfurth (2018), S. 151; Wang (2012), S. 2; Bachmann / Kemper / Gerzer (2014), S. 27–29.

Vgl. Ylijoki / Porras (2016), S. 69–91.

Vgl. Zikopoulos et al. (2013), S. 9.

Siehe hierzu auch Schön (2022), S. 550.

Vgl. Ylijoki / Porras (2019), S. 1090–1094; Bauer / Breidenbach / Schaffner (2018), S. 131.

Vgl. Piccoli / Pigni (2013), S. 55.

Vgl. Ylijoki / Porras (2019), S. 1091.

Siehe hierzu auch Schön (2022), S. 550.

Vgl. Dorschel / Dorschel (2015), S. 7; Hornung / Herfurth (2018), S. 151; McAfee / Brynjolfsson (2014), S. 12.

Vgl. McAfee / Brynjolfsson (2014), S. 12; Dorschel / Dorschel (2015), S. 10.

Vgl. Dittmar (2016), S. 61; Lanquillon / Mallow (2015), S. 75.

Vgl. Dittmar (2016), S. 61.

Vgl. McAfee / Brynjolfsson (2014), S. 12; Dorschel / Dorschel (2015), S. 10.

Vgl. Bicevska / Oditis (2017), S. 104.

Vgl. Fan / Han / Liu (2014), S. 17.

Vgl. Schicker (2017), S. 15 und 23.

Vgl. Elmasri / Navathe (2007), S. 37–38.

Vgl. Bauer / Günzel (2013), S. 5–8 und 12; Reddy et al. (2010), S. 2865.

Vgl. Bicevska / Oditis (2017), S. 104; Potineni (2021), S. 1.

Vgl. Holland (2021), S. 208. Siehe für weiterführende Informationen zum Konzept des DWH z. B. Bauer / Günzel (2013).

Vgl. Gluchowski / Gabriel / Dittmar (2008), S. 89; Bauer / Günzel (2013), S. 5 und 14; Koch (2015), S. 56. Ein DWH kann als Teil von Business Intelligence verstanden werden. Zudem basieren Business Intelligence-Systeme oftmals auf einem DWH-Ansatz. Vgl. Bauer / Günzel (2013), S. 14; Schön (2022), S. 567; Knabke / Olbrich (2016), S. 193.

Vgl. Koch (2015), S. 56; Gronwald (2020a), S. 83; Schön (2022), S. 467.

Vgl. Baier et al. (2018), S. 12; Schön (2022), S. 563; Baars / Kemper (2015), S. 227; Holland (2021), S. 208.

Siehe hierzu u. a. Schön (2022), S. 550–555; Fan / Han / Liu (2014), S. 17 und 19; Knabke / Olbrich (2016), S. 189–201; Schicker (2017), S. 12; Holland (2021), S. 208; Nobach (2019), S. 254–255; Gronwald (2020b), S. 89; Zikopoulos et al. (2013), S. 15–16; Freiknecht / Papp (2018), S. 16–20.

Vgl. Mathis (2017), S. 289–293. Siehe ebenda für weiterführende Informationen zu Data Lakes.

Vgl. Schicker (2017), S. 15.

Vgl. Schicker (2017), S. 15; Lechtenbörger / Vossen (2016), S. 207–208; Schön (2022), S. 551–552; Bicevska / Oditis (2017), S. 105.

Vgl. Fan / Han / Liu (2014), S. 19; Chang / Wills (2016), S. 56–57; Strohbach et al. (2016), S. 126–127.

Vgl. Knabke / Olbrich (2016), S. 189–191; Nobach (2019), S. 255; Schön (2022), S. 550–551; Baumöl / Berlitz (2014), S. 167–168.

Vgl. Schön (2022), S. 550; Baumöl / Berlitz (2014), S. 167.

Vgl. Freiknecht / Papp (2018), S. 199.

Vgl. Weber / Eggert (2012), S. 36.

Vgl. Dittmar (2016), S. 58; Amann / Petzold / Westerkamp (2020), S. 252; Hoening / Esch / Wald (2017), S. 31; Bischof / Wilfinger (2018), S. 162–164; Gluchowski (2016), S. 276.

Vgl. Schäffer / Weber (2021), S. 52–54; Binder / Dillerup (2021), S. 76–77; Derwisch / Rode (2020), S. 8; Chamoni / Gluchowski (2017), S. 9–13. Mikalef et al. (2019), S. 261–263; Derwisch / Iffert (2017). S. 5.

Vgl. Bischof / Wilfinger (2018), S. 162–164; Gluchowski (2016), S. 277–278; Mikalef et al. (2019), S. 261–263.

Vgl. Mehanna / Tatzel / Vogel (2018), S. 39; Power et al. (2018), S. 41; Lanquillon / Mallow (2015), S. 56; van Barneveld / Arnold / Campbell (2012), S. 6; Gluchowski (2016), S. 274.

Vgl. Lanquillon / Mallow (2015), S. 56.

Vgl. Amann / Petzold / Westerkamp (2020), S. 252; Bergmann et al. (2021), S. 52; Mehanna / Tatzel / Vogel (2018), S. 40; Feindt / Grüßing (2014), S. 181–182.

Vgl. Lanquillon / Mallow (2015), S. 56–57; Gluchowski (2016), S. 276; Gronwald (2020b), S. 94; Schön (2022), S. 565–566. Mittels Echtzeit-Auswertungen lässt sich Descriptive Analytics zur Beantwortung der Frage „Was geschieht gerade?“ erweitern. Vgl. Lanquillon / Mallow (2015), S. 56–57.

Vgl. Gronwald (2020b), S. 94.

Vgl. Amann / Petzold / Westerkamp (2020), S. 252.

Vgl. Burow / Leyk / Briem (2014), S. 17; Bergmann et al. (2021), S. 52; Gärtner (2020), S. 33; Schön (2022), S. 566–567.

Vgl. Keimer et al. (2017), S. 830; Amann / Petzold / Westerkamp (2020), S. 254. Der Terminus Diagnostic Analytics als eigenständige Analysekategorie ist im Vergleich zu den drei anderen Business-Analytics-Ausprägungen weniger gebräuchlich, da diese Analyseform z. T. im Bereich Descriptive Analytics angesiedelt wird. Vgl. Lanquillon / Mallow (2015), S. 57.

Vgl. Keimer et al. (2017), S. 830.

Vgl. Iffert (2016), S. 17; Gentsch / Kulpa (2016), S. 36; Amann / Petzold / Westerkamp (2020), S. 254.

Vgl. Stephan / Grether (2020), S. 43; Raschig / Schulze (2020), S. 33; Bergmann et al. (2021), S. 52; Iffert (2016), S. 17; Halper (2014), S. 3; Abbott (2014), S. 3. Siehe hierzu außerdem Abschnitt 3.3.3.

Vgl. Wittköpper (2021), S. 66; Nann / Eichenberger (2018), S. 9; Feindt / Grüßing (2014), S. 186.

Vgl. o. V. (2015b), S. 3 und 10. Siehe hierzu auch Amann / Petzold / Westerkamp (2020), S. 254.

Vgl. Dey / Meisheri / Verma (2017), S. 27–34.

Vgl. Keimer et al. (2017), S. 830; Buschbacher (2016), S. 42–43.

100

Vgl. Lepenioti et al. (2020), S. 57; Lanquillon / Mallow (2015), S. 57; Appelbaum et al. (2017), S. 32; Gentsch / Kulpa (2016), S. 38; Mehanna / Tatzel / Vogel (2018), S. 41.

101

Vgl. Lepenioti et al. (2020), S. 58.

102

Vgl. Mehanna / Tatzel / Vogel (2018), S. 41.

103

Vgl. Lanquillon / Mallow (2015), S. 57; Lepenioti et al. (2020), S. 58.

104

Vgl. Keimer et al. (2017), S. 830.

105

Vgl. Rose et al. (2017), S. 340; Buschbacher (2016), S. 45; Gartner Inc. (o. J.a).

106

Vgl. Trieu (2017), S. 112; Ratia / Myllärniemi / Helander (2019), S. 398; Rose et al. (2017), S. 344–345; Schön (2022), S. 563.

107

Eigene Darstellung in Anlehnung an Gluchowski (2016), S. 277.

108

Vgl. Stephan / Grether (2020), S. 43; Rosenblatt (1957). Siehe für weiterführende Informationen hierzu Abschnitt 3.3.3.4.

109

Vgl. Power et al. (2018), S. 47; Early (2014), S. 13.

110

Vgl. Seufert et al. (2021), S. 68.

111

Vgl. Appelbaum et al. (2017), S. 32–42.

112

Vgl. Stephan / Grether (2020), S. 43. Open Source-Software bedeutet, dass der Quellcode frei zugänglich ist und von unabhängigen Dritten eingesehen werden kann. Je nach Open Source-Lizenzvereinbarung lässt sich der Quellcode frei verwenden, modifizieren und weitergeben. Vgl. Reddy / Wladawsky-Berger (2000), S. 2.

113

Siehe hierzu neben der zuvor bereits angeführten Literatur auch die seit 2016 meist jährlich erscheinenden Anwenderstudien des Business Application Research Centers (BARC) zu Data Analytics-Themen.

114

Siehe hierzu u. a. Grönke et al. (2019), S. 5; Prüße / Kreitz / Epstein (2018), S. 21; Dillerup et al. (2019), S. 48–50; Seufert et al. (2021), S. 70–73; Reimer / Schäffer / Weber (2021), S. 12 und 22.

115

Siehe hierzu z. B. Bley / Giesel / Ruhwedel (2020), S. 45–52; Fuchs / Tischler (2020), S. 20; Iffert et al. (2016), S. 10; Möller / Pieper (2015), S. 40–45; Reichmann / Kißler / Baumöl (2017), S. 540.

116

Vgl. Keimer et al. (2018), S. 5 und 46; Reimer / Schäffer (2022), S. 3 und 191. Bereits an dieser Stelle wird darauf hingewiesen, dass sich eine geringere Verbreitung präskriptiver Analyseformen ebenso in den für diese Arbeit befragten Unternehmen zeigt. Vgl. E1 (2020), Z. 40–44 und 163–164; E2 (2020), Z. 73–77 und 179–188; E3 (2020), Z. 83–88; E7 (2020), Z. 64–73; E8 (2020), Z. 37–40; E9 (2020), Z. 59–71; E10 (2021), Z. 48–53; E12 (2021), Z. 43–44 und 145–152.

117

Vgl. Reimer / Schäffer (2022), S. 191; Börner / Mischer / Günther (2023), S. 68–69; Derwisch / Rode (2020), S. 8 und 21; Keimer et al. (2018), S. 46–48; Prüße / Kreitz / Epstein (2018), S. 21; Bley / Giesel / Ruhwedel (2020), S. 47–51 sowie die zuvor angegebenen Stellen der Experteninterviews.

118

Vgl. Brühl (2019), S. 4; Amann / Petzold / Westerkamp (2020), S. 254; Schön (2022), S. 480–483; Langmann (2019), S. 39.

119

Vgl. Brühl (2019), S. 4.

120

Vgl. Finlay (2014), S. 2; Han / Kamber / Pei (2012), S. 5–8 und 33; Hand / Mannila / Smyth (2001), S. 1; Witten / Frank / Hall (2011), S. xxi und 5–8; Zhou (2003), S. 139.

121

Vgl. Müller / Lenz (2013), S. 75.

122

Vgl. Han / Kamber / Pei (2012), S. 5–8 und 33; Hand / Mannila / Smyth (2001), S. 1; Witten / Frank / Hall (2011), S. xxi und 5–8; Zhou (2003), S. 139.

123

Vgl. Müller / Lenz (2013), S. 75.

124

Vgl. Han / Kamber / Pei (2012), S. 23; Hand / Mannila / Smyth (2001), S. 4; Zhou (2003), S. 140.

125

Vgl. Hand / Mannila / Smyth (2001), S. 4.

126

Vgl. Han / Kamber / Pei (2012), S. 15.

127

Vgl. Finlay (2014), S. 2.

128

Vgl. Felden / Koschtial / Buder (2012), S. 522; Schön (2022), S. 482.

129

Vgl. Schön (2022), S. 482.

130

Vgl. Felden / Koschtial / Buder (2012), S. 522; Brühl (2019), S. 5; Amann / Petzold / Westerkamp (2020), S. 254.

131

Vgl. Schön (2022), S. 482.

132

Vgl. Gandomi / Haider (2015), S. 143.

133

Vgl. Gries (2012), S. 40–41.

134

Vgl. Dangeti (2017), S. 8; Handl / Kuhlenkasper (2018), S. 3–4 und 43; Gandomi / Haider (2015), S. 100.

135

Vgl. Ghavami (2020), S. 123; Kreienberg / Janni / Vetter (2021), S. 468; Dangeti (2017), S. 8.

136

Vgl. Johnson (2020); Schön (2022), S. 623; Ghavami (2020), S. 123.

137

Vgl. Dangeti (2017), S. 8; Ghavami (2020), S. 123.

138

Vgl. Nuhn / Schulze / Wallraff (2018), S. 95.

139

Vgl. Folkers (2019), S. 3; Dangeti (2017), S. 9; Sutton / Barto (2018), S. 2.

140

Vgl. Dangeti (2017), S. 9.

141

Vgl. Ayodele (2010), S. 14; Dangeti (2017), S. 9; Weber (2020), S. 40–41; Chamoni / Gluchowski (2017), S. 10–12.

142

Eigene Darstellung.

143

Vgl. Dangeti (2017), S. 9; Ayodele (2010), S. 15.

144

Vgl. Weber (2020), S. 42.

145

Vgl. Hastie / Tibshirani / Friedman (2009), S. 487; Weber (2020), S. 42.

146

Vgl. Chamoni / Gluchowski (2017), S. 10–12; Hastie / Tibshirani / Friedman (2009), S. 485–487; Weber (2020), S. 42; o. V. (2020b); Dike et al. (2018), S. 322–326. Siehe zu Clustering und Assoziationsanalyse Abschnitt 3.3.3.4 und zur Dimensionsreduktion u. a. o. V. (2020b).

147

Eigene Darstellung. Künstliche neuronale Netze werden meist dem Supervised Learning zugeordnet, obwohl sie auch im Bereich des Unsupervised Learning Anwendung finden können. Siehe hierzu z. B. Dike et al. (2018), S. 322–326.

148

Vgl. Weber (2020), S. 43. Die manuelle Kennzeichnung von Beobachtungen ist in der Praxis oftmals mit hohen Kosten durch den Einsatz von Fachkräften verbunden. Siehe ebenda.

149

Vgl. Pereira (2020), S. 65; Retkowitz (2021), S. 211; Bishop (2006), S. 3.

150

Vgl. Sutton / Barto (2018), S. 1–3; Dangeti (2017), S. 9.

151

Vgl. Retkowitz (2021), S. 212.

152

Siehe hierzu u. a. Hand / Mannila / Smyth (2001), S. 11–15; Larose / Larose (2015), S. 131; Ghavami (2020), S. 97–98; Han / Kamber / Pei (2012), S. 15–21.

153

Vgl. Halper (2014), S. 18.

154

Siehe z. B. Lepenioti et al. (2020), S. 60; Kumar / Garg (2018), S. 31–37; Han / Kamber / Pei (2012), S. 15–21; Hand / Mannila / Smyth (2001), S. 11–15; Larose / Larose (2015), S. 131; Ghavami (2020), S. 97–98.

155

Vgl. Witten / Frank / Hall (2011), S. 124–125.

156

Vgl. Handl / Kuhlenkasper (2018), S. 7; Halper (2014), S. 18.

157

Vgl. Chatfield (2000), S. 1.

158

Vgl. Pavlyshenko (2019), S. 15.

159

Vgl. Chatfield (2000), S. 35.

160

Vgl. Harvey (1995), S. 6, 19–30, 131 und 139–140; Chatfield (2000), S. 35–38 und 42. Unter Differenzbildung wird die Ermittlung der Differenz zwischen einer und deren vorangegangener Beobachtung für jede Beobachtung verstanden. Vgl. Chatfield (2000), S. 42.

161

Vgl. Han / Kamber / Pei (2012), S. 18; Hand / Mannila / Smyth (2001), S. 13; Kumar / Garg (2018), S. 34.

162

Vgl. Halper (2014), S. 18; Ghavami (2020), S. 97–98.

163

Vgl. Ghavami (2020), S. 97–98. Es existieren ebenfalls nichtlineare logistische Regressionsmodelle, um den Limitationen linearer Annahmen zu begegnen. Siehe hierzu z. B. Ghavami (2020), S. 98.

164

Vgl. Ghavami (2020), S. 97–98. Die klassische lineare Regression könnte hierbei zu unzulässigen Vorhersagen führen. Siehe ebenda.

165

Vgl. Myles et al. (2004), S. 276.

166

Vgl. Kamiński / Jakubczyk / Szufel (2018), S. 138–141.

167

Eigene Darstellung in Anlehnung an Kaufmann (2021b), S. 188.

168

Vgl. Ghavami (2020), S. 98 und 138–139; Kumar / Garg (2018), S. 34.

169

Vgl. Kaufmann (2021a), S. 200; Larose / Larose (2015), S. 131.

170

Vgl. Kaufmann (2021a), S. 200.

171

Vgl. Breiman (2001), S. 26.

172

Vgl. James et al. (2021), S. 343–345; Chen / He (2019), S. 15; Breiman (2001), S. 6.

173

Vgl. Pham / Dimov / Nguyen (2005), S. 103.

174

Vgl. Han / Kamber / Pei (2012), S. 19–20 und 451.

175

Vgl. Witten / Frank / Hall (2011), S. 81.

176

Vgl. Han / Kamber / Pei (2012), S. 452; Ghavami (2020), S. 120; Pham / Dimov / Nguyen (2005), S. 103.

177

Vgl. Ghavami (2020), S. 120. Die Zeitkomplexität von Algorithmen befasst sich mit der Anzahl der Rechenoperationen zur Problemlösung und beschreibt die Änderung der Ausführungszeit eines Algorithmus in Abhängigkeit von der Änderung der Größe der Eingabedaten. Vgl. Woltmann (2020).

178

Vgl. Ghavami (2020), S. 120. Ein Beispiel ist die Kombination mit dem Mean Shift-Algorithmus. Siehe ebenda.

179

Vgl. Hand / Mannila / Smyth (2001), S. 14.

180

Eine aufgedeckte Beziehung kann zwischen zwei oder mehr Items bestehen.

181

Vgl. Huang / Wu / Relue (2002), S. 1.

182

Vgl. Huang / Wu / Relue (2002), S. 1; Bankhofer / Vogel (2008), S. 261.

183

Vgl. Huang / Wu / Relue (2002), S. 1; Witten / Frank / Hall (2011), S. 122–123.

184

Vgl. Han et al. (2004), S. 84; Huang / Wu / Relue (2002), S. 1.

185

Vgl. Han et al. (2004), S. 54–55.

186

Vgl. Silver et al. (2016).

187

Vgl. Folkers (2019), S. 3; Wick (2017), S. 103.

188

Vgl. Rosenblatt (1957).

189

Vgl. Folkers (2019), S. 4; Kumar / Garg (2018), S. 34–35.

190

Es handelt sich faktisch um zwei Schichten, eine Eingabe- und eine Ausgabeschicht. Ist von einem mehrschichtigen KNN die Rede, ist grundsätzlich noch mindestens eine zusätzliche Schicht gemeint.

191

Vgl. Wick (2017), S. 103; LeCun / Bengio / Hinton (2015, S. 436. Der Schwellenwert eines Neurons gibt den benötigten minimalen Input für die Ausgabe eines bestimmten Wertes an. Vgl. LeCun / Bengio / Hinton (2015), S. 437.

192

Vgl. Folkers (2019), S. 4; Wick (2017), S. 103–105.

193

Vgl. Folkers (2019), S. 3–4; LeCun / Bengio / Hinton (2015), S. 438; Wick (2017), S. 103.

194

Vgl. Ras / van Gerven / Haselager (2018), S. 21; Schäffer / Plank (2021), S. 21–22.

195

Eigene Darstellung in Anlehnung an Folkers (2019), S. 4.

196

Siehe hierzu u. a. Hastie / Tibshirani / Friedman (2009), S. 487–578; Ghavami (2020), S. 97–148; Kumar / Garg (2018), S. 31–37.

197

Vgl. Lepenioti et al. (2020), S. 61.

198

Vgl. Berk et al. (2019), S. 636–641; Jank / Dölle / Schuh (2019), S. 584–593; Srinivas / Ravindran (2018), S. 245–261; Lepenioti et al. (2020), S. 61–65.

199

Vgl. Achenbach / Spinler (2018), S. 265.

200

Vgl. Lepenioti et al. (2020), S. 62.

201

Vgl. Banks (2005), S. 3.

202

Vgl. Lepenioti et al. (2020), S. 61.

203

Siehe für weiterführende Informationen zu Prescriptive Analytics z. B. Lepenioti et al. (2020).

Titel: Big Data und Advanced Analytics als aktuelle Digitalisierungstrends im Controlling
verfasst von: Andreas Vorndran
Verlag: Springer Fachmedien Wiesbaden
Buch: Big Data und Advanced Analytics im Controlling
Print ISBN: 978-3-658-44767-0

Electronic ISBN: 978-3-658-44768-7

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-3-658-44768-7_3

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"