Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Marketing Analytics – Trend oder Zukunft? Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Datenvisualisierung und Business Intelligence – Methoden zur Unterstützung der Entscheidungsfindung

verfasst von : Alec N. Sproten

Erschienen in: Marketing Analytics

Verlag: Springer Fachmedien Wiesbaden

Einloggen

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

search-config
loading …

Zusammenfassung

Eine zentrale Aufgabe innerhalb von Marketing Analytics ist es, Erkenntnisse aus Daten zu gewinnen, um die Entscheidungsfindung zu unterstützen. Business Intelligence und Visualisierung sind hierbei zwei stark verwandte, unerlässliche Werkzeuge. Business Intelligence (BI) stellt einen Methodenbaukasten bereit, um Daten systemseitig so zu kombinieren, dass möglichst treffgenau jeweils diejenigen Daten vorliegen, die für eine Entscheidung benötigt werden. Um die Effizienz der Entscheidungsfindung zu steigern, helfen Visualisierungen oft beim schnellen Erfassen der Daten. Dabei ist es wichtig, eine nutzerzentrierte Sicht bei der Entwicklung von Visualisierungen einzunehmen. Durch die Nutzerzentrierung werden die kognitiven Hürden zur Erfassung der Daten sowie die Exploration und Interaktion mit den Daten zu zentralen Säulen der Entscheidungsfindung. Dieser Beitrag gibt einen Einblick in die Anforderungen und Aufgaben, die eine BI-Lösung erfüllen muss, sowie in theoretische und praktische Grundlagen effizienter Visualisierungen, um die Entscheidungsfindung im Kontext des Marketings zu unterstützen.

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 "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 Künstliche Intelligenz im Marketing
Nächstes Kapitel Mikrogeografische Marktsegmentierung
Literatur
Abela, A. (2008). Advanced presentations by design: Creating communication that drives action. John Wiley & Sons.
Alhadad, S. S. (2018). Visualizing data to support judgement, inference, and decision making in learning analytics: Insights from cognitive psychology and visualization science. Journal of Learning Analytics, 5(2), 60–85.CrossRef
Anderson, B. A., & Yantis, S. (2013). Persistence of value-driven attentional capture. Journal of Experimental Psychology: Human Perception and Performance, 39(1), 6.
Ayres, P., & Sweller, J. (2005). The split-attention principle in multimedia learning. The Cambridge handbook of multimedia learning, 2, 135–146.
Bačić, D., & Fadlalla, A. (2016). Business information visualization intellectual contributions: An integrative framework of visualization capabilities and dimensions of visual intelligence. Decision Support Systems, 89, 77–86.CrossRef
Baker, J., Jones, D., & Burkman, J. (2009). Using visual representations of data to enhance sensemaking in data exploration tasks. Journal of the Association for Information Systems, 10(7), 2.CrossRef
Bertin, J. (2011). Semiology of graphics: Diagrams, networks, maps, Redlands. The University of Wisconsin Press.
Cleveland, W. S. (1985). The elements of graphing data. Wadsworth Publ.
Engle, R. W., Tuholski, S. W., Laughlin, J. E., & Conway, A. R. (1999). Working memory, short-term memory, and general fluid intelligence: A latent-variable approach. Journal of Experimental Psychology: General, 128(3), 309.CrossRef
Gobet, F. (2005). Chunking models of expertise: Implications for education. Applied Cognitive Psychology, 19(2), 183–204.CrossRef
Hamel, J. (2020). Worldwide business analytics services forecast, 2020–2024. IDC
Hannon, H. (2012). Kraft foods' recipe for successful business intelligence. SAPinsider.
Hegarty, M., Smallman, H. S., Stull, A. T., & Canham, M. S. (2009). Naïve cartography: How intuitions about display configuration can hurt performance. Cartographica: The International Journal for Geographic Information and Geovisualization, 44(3), 171–186.
Kosslyn, S. M. (1989). Understanding charts and graphs. Applied Cognitive Psychology, 3(3), 185–225.CrossRef
Kosslyn, S. M. (2006). Graph design for the eye and mind. OUP USA. Oxford University Press.CrossRef
Kursan, I., & Mihić, M. (2010). Business intelligence: The role of the internet in marketing research and business decision-making. Management: journal of contemporary management issues, 15(1), 69–86.
Liu, Z., & Stasko, J. (2010). Mental models, visual reasoning and interaction in information visualization: A top-down perspective. IEEE Transactions on Visualization and Computer Graphics, 16(6), 999–1008.CrossRef
MacKinlay, J., Hanrahan, P., & Stolte, C. (2007). Show me: Automatic presentation for visual analysis. IEEE Transactions on Visualization and Computer Graphics, 13(6), 1137–1144.CrossRef
Mansmann, S., & Scholl, M. H. (2008). Visual OLAP: A new paradigm for exploring multidimensional aggregates. In Proceedings of the IADIS International Conference on Computer Graphics and Visualization 2008 (CGV2 008) (S. 59–66). IADIS.
Matzen, L. E., Haass, M. J., Divis, K. M., & Stites, M. C. (July 2017). Patterns of attention: How data visualizations are read. In D. D. Schmorrow, & C. M. Fidopiastis (Hrsg.), Augmented Cognition. Neurocognition and Machine Learning (S. 176–191). Springer.
Mayer, R. E., & Fiorella, L. (2014). 12 principles for reducing extraneous processing in multimedia learning: Coherence, signaling, redundancy, spatial contiguity, and temporal contiguity principles. In The Cambridge handbook of multimedia learning (Vol. 279). Cambridge University Press.
McCarthy, E. J., & Perreault, W. D., Jr. (1964). Basic Marketing. Richard D. Irwin.
McGrew, K. S. (2009). CHC theory and the human cognitive abilities project: Standing on the shoulders of the giants of psychometric intelligence research. Intelligence, 37, 1–10.CrossRef
Michal, A. L., & Franconeri, S. L. (2017). Visual routines are associated with specific graph interpretations. Cognitive Research: Principles and Implications, 2(1), 1–10.
Miller, S. J., Hickson, D. J., & Wilson, D. C. (1996). Decision-making in organizations. Reprinted. In G. Salaman (Hrsg.). (2002), Decision making for business (S. 74–93). Sage.
Okan, Y., Galesic, M., & Garcia-Retamero, R. (2016). How people with low and high graph literacy process health graphs: Evidence from eye-tracking. Journal of Behavioral Decision Making, 29(2–3), 271–294.CrossRef
Ranjan, J. (2008). Business justification with business intelligence. Vine, 38(4), 461–475.CrossRef
Rosenholtz, R., Li, Y., & Nakano, L. (2007). Measuring visual clutter. Journal of Vision, 7(2), 17–17.CrossRef
Savoska, S., & Loshkovska, S. (2014). Taxonomy of user intention and benefits of visualization for financial and accounting data analysis. ICT Innovations 2013 (S. 197–207). Springer.CrossRef
Shah, P. (1997). A model of the cognitive and perceptual processes in graphical display comprehension. Reasoning with diagrammatic representations. Journal of Experimental Psychology: Applied, 4(2) 94–101.
Shah, P., & Freedman, E. G. (2011). Bar and line graph comprehension: An interaction of top-down and bottom-up processes. Topics in Cognitive Science, 3(3), 560–578.CrossRef
Shneiderman, B. (1996). The eyes have it: A task by data type taxonomy for information visualizations. In Proceedings 1996 IEEE symposium on visual languages (S. 336–343). IEEE.
Smallman, H. S., & St. John, M. . (2005). Naïve realism: Misplaced faith in realistic displays. Ergonomics in Design, 13(3), 6–13.CrossRef
Sun, Z., Sun, L., & Strang, K. (2018). Big data analytics services for enhancing business intelligence. Journal of Computer Information Systems, 58(2), 162–169.CrossRef
Sweller, J., Van Merrienboer, J. J., & Paas, F. G. (1998). Cognitive architecture and instructional design. Educational Psychology Review, 10(3), 251–296.CrossRef
Theeuwes, J. (2010). Top–down and bottom–up control of visual selection. Acta Psychologica, 135(2), 77–99.CrossRef
Tufte, E. R. (2006). Beautiful evidence. Graphis Press.
Tufte, E. R., & Graves-Morris, P. R. (1983). The visual display of quantitative information (Vol. 2, No. 9). Graphics press.
Tufte, E. R., Goeler, N. H., & Benson, R. (1990). Envisioning information (Bd. 126). Graphics press.
Tufte, E. R., McKay, S. R., Christian, W., & Matey, J. R. (1998). Visual explanations: Images and quantities, evidence and narrative. Graphics press.
Tukey, J. W. (1977). Exploratory data analysis (Bd. 2). Pearson.
Wang, H., & Wang, S. (2008). A knowledge management approach to data mining process for business intelligence. Industrial Management & Data Systems, 108(5), 622–634.CrossRef
Winter, T., & Zimmermann, U. T. (2000). Real-time dispatch of trams in storage yards. Annals of Operations Research, 96(1–4), 287–315.CrossRef
Wixom, B. H., Watson, H. J., Reynolds, A. M., & Hoffer, J. A. (2008). Continental airlines continues to soar with business intelligence. Information Systems Management, 25(2), 102–112.CrossRef
Yi, J. S., ah Kang, Y., Stasko, J., & Jacko, J. A. (2007). Toward a deeper understanding of the role of interaction in information visualization. IEEE transactions on visualization and computer graphics, 13(6), 1224–1231.
Zacks, J., Levy, E., Tversky, B., & Schiano, D. J. (1998). Reading bar graphs: Effects of extraneous depth cues and graphical context. Journal of Experimental Psychology: Applied, 4(2), 119.
Zheng, J. G. (2017). Data visualization for business intelligence. In M. Munoz (Hrsg.), Global Business Intelligence (S. 67–82). Taylor & Francis.CrossRef
Zheng, G., Zheng, C., & Li, L. (2019). Bringing business intelligence to health information technology curriculum. Journal of Information Systems Education, 25(4), 6.
Metadaten
Titel
Datenvisualisierung und Business Intelligence – Methoden zur Unterstützung der Entscheidungsfindung
verfasst von
Alec N. Sproten
Copyright-Jahr
2022
Buch
Marketing Analytics

Print ISBN: 978-3-658-33808-4

Electronic ISBN: 978-3-658-33809-1

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-658-33809-1_8