nach oben

Erschienen in:

2016 | OriginalPaper | Buchkapitel

5. IT-Unterstützung

verfasst von : Prof. Dr. Dietmar Schön

Erschienen in: Planung und Reporting

Verlag: Springer Fachmedien Wiesbaden

Einloggen

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

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Im Kapitel 5 (IT-Unterstützung) wird zunächst kurz auf die Historie und die grundlegenden Hardwarekomponenten von Planungs- und Reportinglösungen eingegangen. Bei den Softwarelösungen für die Planungs- und Reportingaufgaben werden spezielle ERP-Systeme, Tabellenkalkulationsprogramme, spezielle Softwareprogramme (basierend auf relationaler Datenbanktechnik) und Data-Warehouse- bzw. Business-Intelligence-gestützte Systeme unterschieden. Hierbei stehen u. a. die OLAP-Datenmodellierung, die OLAP-Speicherkonzepte, die ETL-Prozesse, die unterschiedlichen Analysewerkzeuge, wie z. B. Cockpit- und Dashboard-Lösungen, Data-Mining und Predictive Analytics sowie Portale im Vordergrund der Untersuchung. Bei den Neuerungen sind insbesondere die Entwicklungen in den Bereichen Big-Data-Analytics, Cloud und Mobile Computing hervorzuheben. Big Data hilft u.a. bei der Verarbeitungsgeschwindigkeit von großen heterogenen Datenmengen. Cloud Computing stellt eine interessante Outsourcing-Option für Unternehmen dar, bei der IT-Leistungen und -Services fremd vergeben werden können. Mobile Endgeräte werden in der Zukunft immer häufiger für Planungs- und Reportingaufgaben im Business eingesetzt. Redensarten, wie z. B. „etwas auf dem Schirm haben“, werden durch den Einsatz von Smartphones, Smartpads bzw. Tablet-PCs zur mobilen und virtuellen Wirklichkeit.

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 Organisation und Prozesse

Nächstes Kapitel Ausblick

Vgl. Mertens und Griese (1988, S. 5).

Vgl. Reichmann (2011, S. 18).

Vgl. Reichmann (2006, S. 662).

Vgl. Scheer (1990, S. 139).

Siehe Weber und Strüngmann (1997, S. 30–36).

Vgl. Scheer (1990, S. 37, 142 u. 153).

Vgl. Hesseler und Görtz (2007, S. 7 f. und 15 ff.).

Vgl. zu historischen Entwicklung von Reporting- und Planungslösungen u. a. Laudon und Laudon (1988), Gluchowski et al. (2008, S. 55 ff.), Oppelt (1995), Schinzer (1998), Mertens und Griese (2002), Oehler (2006) und Chamoni und Gluchowski (2004, S. 5 ff.).

Vgl. Wild (1981, S. 36 ff.) oder Dahnken et al. (2003, S. 52 ff.).

Vgl. zu weiteren Softwareauswahlkriterien z. B. Becker, J.; Richter, O.; Winkelmann, A.: Analyse von Plattformen und Marktübersichten für die Auswahl von ERP und Warenwirtschaftssystemen – Arbeitsbericht 121: Westfälische Wilhelms-Universität Münster: URL: http://www.wi.uni-muenster.de/institut/arbeitsberichte/ab121.pdf [Zugriff am 17.08.201], S. 16.

Die aufgeführten Anforderungskriterien ergänzen die Qualitätsmerkmale nach IS0 9126 (Fassung bis 2005) und der Nachfolge-Norm ISO/IEC 25000. Sie sind im Gegensatz zu den ISO-/IEC-Normen jedoch nicht aus technischer Sicht (z. B. Sicherheit und Übertragbarkeit) oder Herstellersicht (z. B. Wartung und Service) definiert worden. Sie dienen vielmehr der Analyse und Vergleichbarkeit von unterschiedlichen Softwarerichtungen für Planungs- und Reportinglösungen.

Vgl. Hesseler und Görtz (2007, S. 2 f.).

Vgl. Hesseler und Görtz (2007, S. 17 f. und 24).

Vgl. hierzu Hesseler (2009, S. 52).

Vgl. Buck-Emden (1995, S. 29).

Vgl. Bange (2010, S. 134–135).

Vgl. Bange (2010, S. 134–137).

Vgl. hierzu Pütter, C.: Keine Hilfe für BI-Projekte, URL: http://www.cio.de/2239428 [Zugriff am 12.03.2011]. Die Studie wurde am Lehrstuhl Wirtschaftsinformatik II von Prof. Dr. Peter Gluchowski in Zusammenarbeit mit dem Beratungshaus Conunit (Frankfurt a.M.) durchgeführt.

Vgl. Goecken (2006, S. 11 und 15 f.), Gluchowski et al. (2008, S. 55–88), Chamoni et al. (2010, S. 6ff.) und Bauer und Günzel (2001, S. 11).

Vgl. Behme (1996, S. 31) und Inmon, B.: Definition of a data warehouse. URL: www.billinmon.com [Zugriff am 31.07.2002].

Vgl. Mucksch und Behme (2000, S. 11f.) und Hahne (2005, S. 8).

Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.

Vgl. Bauer und Günzel (2001, S. 6). Kapp und Kusterer beziehen die Datensammlung im Data Warehouse nur auf strategisch relevante Informationen (Knapp und Kusterer 1996, S. 219 ff.).

Vgl. Schinzer et al. (2000, S. 15).

Alternativ findet man auch 5-Stufige Darstellungen der Architektur von Data-Warehouse-Systemen, welche die Datenquellen, den ETL-Prozess, die Datenverwaltung, die Datenbereitstellung für die Auswertungen über den OLAP-Server bzw. die OLAP-Engine und die Präsentationsebene separat darstellen. Vgl. Goecken (2006, S. 27). Da jedoch die Datenquellen an sich nicht zum Data Warehouse gehören, sondern nur die Datenanbindung, und die OLAP-Engine ein technischer Systembaustein der Datendistribution darstellt, wird hier die Darstellung mit 3 Ebenen bevorzugt.

Vgl. Sinz und Ulbrich vom Ende (2010, S. 190 f.).

Vgl. Manhart, K.: Business Intelligence, URL: http://www.tecchannel.de/server/sql/1739205/business_intelligence_teil_2_datensammlung_und_data_warehouses/index8.html Zugriff am 19.02.2011].

Vgl. Martin und von Maur (1997, S. 105).

Vgl. Vaduva und Vetterli (2001, S. 273).

Vgl. Kemper et al. (2010, S. 43).

Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.

Vgl. Navrade (2008, S. 20).

Für die Abbildung der Anforderungen eines Real-time Data Warehouse und eines Active-Data Warehouse (siehe weiter unten) werden gerne Operational Data Stores (ODS) eingesetzt, da hier operative und ständig zu aktualisierende Daten für die Geschäftsprozesssteuerung genutzt werden.

Vgl. Kemper et al. (2010, S. 12 und 141 ff.).

Vgl. Goecken (2006, S. 26 ff.).

Erweiterte Data-Warehouse-Definition des Autors in Anlehnung an Mucksch und Behme (2000, S. 6) und Gabriel et al. (2000, S. 76).

Vgl. Kemper et al. (2010, S. 92–96).

Es gibt alternativ hierzu auch virtuelle Datenverbindungen ohne Zwischenspeicherungen, die direkt auf die Daten der Quellsysteme zugreifen. Diese Vorgehensweise ist jedoch in der Praxis selten und dann nur für einfache Datenabfragen anzutreffen.

Vgl. Kemper et al. (2010, S. 26–38).

Vgl. Oehler (2000, S. 21 f.).

Neben der echten physischen Speicherung in Zieldatenbanken sind auch andere Formen der virtuellen Speicherung möglich, bei dem nur die Datenstrukturen nicht aber die Dateninhalte im Data-Warehouse-System gespeichert werden, sondern diese bei Anfrage direkt auf das Quellsystem zugreifen. Auch eine zusätzliche Vorabspeicherung der Quelldaten im Data-Warehouse-System in einer Staging Area (Datenbank-Abschnitt) wird häufig ermöglicht, um die noch nicht integrierten aber bereits vorbereiteten transformierten Daten der Vorsysteme separat als Datenpakete verwalten und paketweise in die Zieldatenbanken laden zu können.

Vgl. Apel et al. (2009, S. 67).

Vgl. IBM Consulting Services (2003, S. 32).

Vgl. IBM Consulting Services (2003, S. 154–155).

Vgl. Ruprecht (2003, S. 126).

Vgl. Bauer und Günzel (2001, S. 44).

Vgl. Chamoni et al. (2010, S. 164).

Vgl. Chamoni (1997, S. 294) und Codd et al. (1993).

Vgl. z. B. Düsing und Heidsieck (2009, S. 108) und Oehler (2000).

Vgl. Pends und Creeth (1995).

Vgl. Mohr (2006, S. 93 ff.).

Vgl. Bauer und Günzel (2001, S. 204 f.).

Vgl. Azevedo et al. (2005, S. 46).

Vgl. Azevedo et al. (2009, S. 52 f.).

Vgl. Behme et al. (2000, S. 229).

Vgl. Elmasri und Navathe (2007, S. 37 f.).

Vgl. Kemper et al. (2010, S. 97).

Vgl. Oehler (2006, S. 93).

Vgl. hierzu die Ausführungen der historischen Entwicklung von Management Support Systemen (MSS) in Abschn. 5.2.

Vergleiche zu den Ausgabeformaten Abschn. 5.5.5.7.

Vgl. hierzu die Umfrageergebnisse der Untersuchung von Schön (2011, S. 31).

Vgl. Turban et al. (2004, S. 103). Vgl. hierzu auch die Ausführungen in Abschn. 5.2.

Vgl. Gabriel (2010) http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/ [Zugriff am 15.01.2011].

Vgl. Bissantz und Hagedorn (2001, S. 130–131) oder Determann und Rey (1999, S. 143).

Vgl. Kononenko und Kukar (2007).

Vgl. z. B. Siegel (2013).

Vgl. Petersohn (2005, S. 10–11) und Cleve und Lämmel (2014, S. 38).

Vgl. Feindt und Grüßling (2014, S. 181 f).

Vgl. Felden (2010, S. 307–328).

Vgl. Burow et al. (2014, S. 13–20), Bitkom (2014, S. 21–24 und S. 45–47) und Schubert (2013).

Vgl. u. a. Schrödl (2009, S. 26 f.), Gluchowski et al. (2008, S. 196 ff.), Chamoni et al. (2010, S. 329–356), Cleve und Lämmel (2014, S. 57–192), Alpar und Niedereichholz (2000, S. 11), Runkler (2010, S. 96) und Petersohn (2005, S.73–255).

Vgl. Schrödl (2009, S. 28 f.)

entnommen aus: Freiknecht (2014, S. 345).

Vgl. Richter (2003, S. 407–430).

Vgl. Mehler und Wolf (2005, S. 2).

Vgl. Hotho et al. (2005, S. 19–62).

Vgl. Mertens (2002, S. 17–19), URL: http://www.wi1-mertens.wiso.uni-erlangen.de/veroeffentlichungen/download/Business_Intelligence-ein_Ueberblick_Arbeitspapier_der_Universitaet_Erlangen-Nuernberg.zip, [Zugriff am 23.07.2011].

Vgl. Behme und Mucksch (1997, S. 150) und Schinzer et al. (1999, S. 284 u. 314 f.).

Siehe Leßweng (2004, S. 43).

Vgl. Leßweng (2004, S. 41–49).

Really Simple Syndications (RSS) ist eine Familie von Formaten für die einfache und strukturierte Veröffentlichung von Änderungen auf Internetseiten.

Vgl. Dahnken et al. (2004, S. 55 ff.).

Vgl. Meier et al. (2003, S. 90 ff.).

Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm [Zugriff am 20.07.201].

Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/5d/7c4b52691011d4b2f00050dadfb23f/frameset.htm [Zugriff am 26.01.2009].

Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/05/242537cedf2056e10000009b38f936/frameset.htm [Zugriff am 09.02.09].

Vgl. Egger et al. (2005, S. 163 ff.).

Prozessunterstützende Systeme sind auch unter dem Begriff Status- und Trackingsysteme bekannt.

Vgl. Knöll et al. (2006, S. 212–215).

Vgl. Egger et al. (2009, S. 101 f.).

Vgl. Gluchowski (2010, S. 278).

Vgl. Gluchowski (2010, S. 278.)

Vgl. u. a. Kemper et al. (2010, S. 148–153).

Vgl. zum MQE u. a. Manhart, K.: Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken, URL: http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html [Zugriff am 28.06.2011].

Vgl. Manhart, K.: Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken, URL: http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html [Zugriff am 28.06.2011].

Vgl. Winterstein und Leitner (1998, S. 34) und Kemper et al. (2010, S. 10) und Chamoni und Gluchowski (2004, S. 119).

Vgl. u. a. die Definitionen von Schrödel und die im weiteren Verlauf dieses Kapitels genannten Autoren (Schrödl 2009, S. 9).

Vgl. Hanning (2008, S. 77).

100

Vgl. Mertens (2002, S. 4).

101

Vgl. Behme und Mucksch (1997, S. 15).

102

Vgl. hierzu Bange et al. (2009, S. 7).

103

Vgl. Jetter (2004, S. 33).

104

Vgl. Gleich (2001). Alternativ zum Begriff Business-Performance-Management wird auch der Begriff Corporate-Performance-Management (CPM) verwendet.

105

Vgl. Horváth (2008, S. 125) und Reichmann (2006, S. 13).

106

Business-Intelligence-Definition von Prof. Dr. Dietmar Schön im Fachgebiet Controlling an der FH Dortmund, Juli 2011.

107

Vgl. Kemper et al. (2010, S. 9).

108

Vgl. Seufert (2014, S. 25).

109

Vgl. IDC (2011).

110

Vgl. Gesellschaft für Informatik et al. (2013).

111

Vgl. z. B. BARC (2014, S. 23–24) sowie Institut für Business Intelligence (2013).

112

Vgl. Finlay (2014, S. 13).

113

Vgl. IBM Institute for Business Value und Säid Business School (2012).

114

Vgl. Brücher 2013, S. 41 ff.

115

Vgl. Finlay (2014, S. 13) und Gesellschaft für Informatik et al. (2013).

116

Vgl. TECChannel (2014).

117

Vgl. Finlay (2014, S. 13).

118

Vgl. Sack (2013).

119

Vgl. Finlay (2014, S. 13).

120

Vgl. IBM Institute for Business Value und Säid Business School (2012, S. 4).

121

Vgl. Freiknecht (2014, S. 13).

122

Vgl. Brenckmann und Pöhling (2012).

123

Vgl. Bitkom (2014, S. 21–24 und S. 45–47).

124

Vgl. Walker-Morgan (2010).

125

Vgl. Sack (2013).

126

NoSQL Databases (http://nosql-database.org/. Zugegriffen am: 15.12.2014).

127

Vgl. Warner (2007, S. 480–485).

128

Vgl. Edlich et al. (2010, S. 31–33).

129

Vgl. Freiknecht (2014, S. 20).

130

Vgl. Freiknecht (2014, S. 20).

131

Vgl. Kaufmann (2014, S. 369).

132

Vgl. Freiknecht (2014, S. 20).

133

Data Academy und Davenport (2008).

134

Vgl. Wartala (2012, S. 180–183).

135

Vgl. Müller (2014, S. 450) und Alexander und Grosser (2014).

136

Vgl. Berg und Silvia (2013, S. 41).

137

Vgl. Berg und Silvia (2013, S. 41).

138

Vgl. BARC (2014, S. 23–24).

139

Vgl. Baumöl und Berlitz (2014, S. 169).

140

Z. B. SAP BW on Hana beim Schuhkonzern Reno, Schäfer (2014)

141

Vgl. Welker (2015).

142

Vgl. Berg und Silvia (2013, S. 33–35).

143

Vgl. Haupt (2014).

144

Vgl. @tfxz-Blog (2014).

145

Vgl. SAP SE (2013) und Kessler et al. (2014, S. 31–37).

146

Vgl. Buschbacher et al. (2014, S. 90).

147

Vgl. Giegerich (2014, S. 321 f.)

148

Vgl. BITKOM (2013, S. 24 ff.).

149

Vgl. Mell und Grance (2011, S. 2–3) und Duisberg (2011, S. 49).

150

Vgl. Birk und Wegener (2010, S. 642).

151

Vgl. Bollmann und Zeppenfeld (2010, S. 4).

152

Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).

153

Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).

154

Vgl. Bensberg (2008, S. 72).

155

Vgl. Bensberg (2008, S. 75–79).

156

Vgl. Fuchß (2009, S. 137–151).

157

Vgl. Schill und Springer (2007, S. 265–271).

158

Vgl. Bensberg (2008, S. 76).

159

Vgl. Schill und Springer (2007, S. 274–280).

160

Vgl. Donie und Raeburn (2015).

161

Vgl. Kersten und Klett (2012, S. 103 ff.).

162

Vgl. Hansel (2015).

163

Vgl. Bensberg (2008, S. 77).

164

Vgl. Louis und Müller (2013, S. 23).

165

Vgl. Beckert et al. (2012, S. 139 f.) und und Homann et al. (2013, S. 52 f.).

166

Vgl. Homann et al. (2013, S. 53 f.).

167

Vgl. Kemper et al. (2010, S. 251).

168

Vgl. Dresner Advisory Services LLC: Mobile Business Intelligence Market Study, 2010 und 2011. URL: http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf (gesichtet am 25.07.2011). und URL: http://www.informationbuilders.com/pdf/press/dresner_mobile_bi_2011.pdf [Zugriff am am 25.07.2011].

169

Vgl. Jung (2011, S. 207–209).

170

Vgl. Bollmann und Zeppenfeld (2010, S. 42).

171

Vgl. Bensberg (2008, S. 76).

172

Vgl. Lopez (2009, S. 2).

173

Vgl. Bollmann und Zeppenfeld (2010, S. 127–130).

174

Vgl. Kersten und Klett (2012, S. 103 ff.)

175

Vgl. Bensberg (2008, S. 77).

176

Vgl. Dresner Advisory Services LLC (2010, S. 23).

177

Vgl. Bensberg (2008, S. 72–79).

Alexander S., und T. Grosser. 2014. Analytische Datenbanken – Merkmale, Funktionen und Einsatzszenarien, http://www.searchenterprisesoftware.de/tipp/Analytische-Datenbanken-Merkmale-Funktionen-und-Einsatzszenarien. Zugegriffen am: 14.01.2015.

Alpar, P., und J. Niedereichholz (Hrsg.). 2000. Data Mining im praktischen Einsatz, S. 11. Braunschweig.

Apel, D., W. Behme, R. Eberlein, und C. Merighi. 2009. Datenqualität erfolgreich steuern. München, Wien.

Azevedo, P., G. Brosius, und S. Dehnert et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server.

Bange, C. 2010. Werkzeuge für analytische Informationssysteme. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 131–156. Heidelberg.

Bange, C., B. Marr, und A. Bange. 2009. Performance Management: eine weltweite Umfrage, BARC-Studie August.

BARC. 2014. Big Data Analytics 2014 – Auf dem Weg zur datengetriebenen Wirtschaft, http://www.exasol.com/fileadmin/content-de/pdf/Studien/BARC_Big_Data_Analytics_2014.pdf, Zugegriffen am: 17.12.2014.

Bauer, A., und H. Günzel. 2001. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung. Heidelberg.

Baumöl, U., und P.-D. Berlitz. 2014. Big Data als Entscheidungsunterstützung – Herausforderungen und Potenziale. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 159–176, Freiburg

Beckert, A., Beckert, S., und B. Escherisch. 2012. Mobile Lösungen mit SAP. Bonn

Behme, W. 1996. Business Intelligence als Baustein des Geschäftserfolgs. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, Hrsg. H. Mucksch, W. Behme, 27–46. Wiesbaden.CrossRef

Behme, W., und H. Mucksch. 1997. Die Notwendigkeit einer entscheidungsorientierten Informationsversorgung. In Das Data Warehouse-Konzept: Architektur – Datenmodelle – Anwendungen, 2. Aufl., Hrsg. W. Behme, H. Mucksch. Wiesbaden.

Behme, W., J. Holthuis, und H. Mucksch. 2000. Umsetzung multidimensionaler Strukturen. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 215–242. Wiesbaden.CrossRef

Bensberg, F. 2008. Mobile Business Intelligence – Besonderheiten, Potenziale und prozessorientierte Gestaltung. In Erfolgsfaktoren des Mobilen Marketing, Hrsg. H.H. Bauer, T. Dirks, M.D. Bryant. Berlin.

Berg, B., und P. Silvia. 2013. Einführung in SAP HANA. 2. Aufl., Bonn

Birk, W., und C. Wegener. 2010. Über den Wolken: Cloud Computing im Überblick. Datenschutz und Datensicherheit (DuD)641–645.

Bissantz, N., und J. Hagedorn et al. 2001. Data Mining. In Lexikon der Wirtschaftsinformatik, 4. Aufl., Hrsg. P. Mertens, 130–131.

Bitkom. 2014. Big Data-Technologien – Wissen für Entscheider, http://www.bitkom.org/de/publikationen/38337_78776.aspx, S. 21–24 und S. 45–47, Zugegriffen am: 08.01.2015.

BITKOM. 2013. Management von Big Data-Projekten, BITKOM-Leitfaden 2013. http://www.bitkom.org/de/themen/79758_76511.aspx. Zugegriffen am: 12.03.2015.

Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten.

Brenckmann, I., und M. Pöhling. 2012. In-Memory Computing als Treiber neuartiger Geschäftsanwendungen, http://www.heise.de/developer/artikel/In-Memory-Computing-als-Treiber-neuartiger-Geschaeftsanwendungen-1620949.html. Zugegriffen am: 15.07.2014.

Brücher, C. 2013. Rethink Big Data, Heidelberg.

Buck-Emden, R. 1995. Die Client/Server-Technologie des SAP R/3: Basis für betriebswirtschaftliche Standardanwendungen, 2. Aufl. Bonn, Paris.

Buschbacher, F., R. Konrad, B. Mußmann, und M. Weber, M. Big Data-Projekte: Vorgehen, Erfolgsfaktoren und Risiken. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 83–106.

Burow, L., J. Leyk, C. Briem. Das Experten-Interview zum Thema „Controlling und Big Data“ In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 13–20, Freiburg

Chamoni, P et al. 1997. Online Analytical Processing (OLAP). In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens. Berlin.

Chamoni, P., and P. Gluchowski. 2004. Integrationstrends bei Business-Intelligence-Systemen. Wirtschaftsinformatik 46(2): 119–128.CrossRef

Chamoni, P., F. Beekmann, und T. Bley. 2010. Ausgewählte Verfahren des Data Mining. In Analytische Informationssysteme, Hrsg. P. Chamoni, P. Gluchowski, 4. Aufl., Heidelberg.

Cleve, J., und U. Lämmel. 2014. Data Mining, S. 57–192. München

Codd, E.F., S.B. Codd, und C.T. Salley. 1993. Providing OLAP to User-analysts: An IT Mandate. Ann Arbor/Michigan: Codd & Associates.

Dahnken, O., P. Keller, J. Narr, und C. Bange. 2004. Planung und Budgetierung, 21 Software-Plattform zum Aufbau unternehmensweiter Planungsapplikationen. München.

Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. Feldkirchen.

Data Academy, und R. Davenport. 2008. White-Paper: ETl vs ELT, http://www.dataacademy.com/files/ETL-vs-ELT-White-Paper.pdf. Zugegriffen am: 09.05.2015.

Determann, L., und M. Rey. 1999. Chancen und Grenzen des Data Mining im Controlling. ZfC 11(2): 43–147.

Donie, P., und B. Raeburn. 2015. Mobiles Arbeiten – Verbindungsmacher. Business Intelligence Magazin 1:48–49.

Dresner Advisory Services LLC: Mobile Business Intelligence Market Study, 2010 und 2011. http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf. Zugegriffen am: 25.07.2011. http://www.informationbuilders.com/pdf/press/dresner_mobile_bi_2011.pdf. Zugegriffen am: 25.07.2011.

Duisberg, A. 2011. Gelöste und ungelöste Rechtsfragen im IT-Outsourcing und Cloud Computing. In Trust in IT – Wann vertrauen Sie ihr Geschäft der Internet-Cloud an? Hrsg. A. Picot, U. Hertz, and T. Götz, 9–70. Berlin

Düsing, R., und C. Heidsieck. 2009. Analysephase. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 3. Aufl., Hrsg. A. Bauer, H. Günzel, 104–127. Heidelberg.

Edlich, S. et al. 2010. NOSQL: Einstieg in die Welt nichtrationaler Web 2.0 Datenbanken, München.

Egger, N., J.M. Fiechter, C. Rohlf, J. Rose, und S. Weber. 2005. SAP BW Planung und Simulation. Bonn.

Egger, N., Hastenrath, Kästner, und Kramer et al. 2009. Reporting und Analyse mit SAP Business Objects. Bonn.

Elmasri, R., und S.B. Navathe. 2007. Fundamentals of Database Systems, 5. Aufl. Bosten.

Feindt, M, und D. Grüßling. 2014. Strategische Entscheidungen mit automatisierten Prognosen operativ umsetzen. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 177–188, Freiburg

Felden, C., Predictive Analytics, In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 307–328, Heidelberg.CrossRef

Finlay, S. 2014. Predicitve Analytics, Data Mining and Big Data: Myths, Misconceptions and Methods, New York.

Freiknecht, J. 2014. Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren. München.

Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München.CrossRef

Gabriel, R., P. Chamoni, und P. Gluchowski. 2000. Data Warehouse und OLAP – analyseorientierte Informationssysteme für das Management. Zeitschrift für betriebswirtschaftliche Forschung 52(2): 74–93.

Gesellschaft für Informatik, Dominik Klein, Phuoc Tran-Gia, Matthias Hartmann. 2013. Big Data, http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html. Zugegriffen am: 09.02.2015.

Gleich, R. 2001. Das System des Performance Measurement. Theoretisches Grundkonzept, Entwicklungs- und Anwendungsstand. München.

Gluchowski, P. 2001. Business Intelligence, in HDM – Praxis der Wirtschaftsinformatik, Bd. 38, Nr. 222.

Gluchowski, P. 2010. Techniken und Werkzeuge zur Unterstützung des betrieblichen Berichtswesens. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 259–280. Heidelberg.

Gluchowski, G., R. Gabriel, und C. Dittmar. 2008. Management Support Systeme und Business Intelligence, 2. Aufl. Berlin Heidelberg.

Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. ZfC6:320–324

Gluchowski, P., R. Gabriel, und C. Dittmar von. 2008. Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. Berlin, Heidelberg.

Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden.

Hahne, M. 2005. SAP Business Information Warehouse. Berlin, Heidelberg.

Hanning, U. (Hrsg.) 2008. Vom Data Warehouse zum Corporate Performance Management. Ludwigshafen.

Hansel, S. 2015. Langsamer Abschied vom Laisser-faire. Wirtschaftswoche 12:58–62.

Haupt, J. SAP NetWeaver BW 7.30: LSA Data Flow Templates Series. http://scn.sap.com/people/juergen.haupt/blog. Zugegriffen am: 15.03.2015.

Hesseler, M. 2009. Costumizing von ERP-Systemen. Zeitschrift für Controlling & Management, Sonderheft 3.

Hesseler, M., und M. Görtz. 2007. Basiswissen ERP-Systeme. Herdecke Witten.

Homann, M., H. Wittges, H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn

Horváth, P. 2008. Controlling, 11. Aufl. München.

Hotho, A., A. Nürnberger, und G. Paaß. 2005. A Brief Survey of Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1): 19–62.

IBM Consulting Services 2003. SAP Berechtigungswesen. Bonn.

IBM Institute for Business Value und Säid Business School (Hrsg.). 2012. Analytics: Big Data in der Praxis – Wie innovative Unternehmen ihre Datenbestände effektiv nutzen, http://www935.ibm.com/services/de/gbs/thoughtleadership/download-bigdata.html. Zugegriffen am: 12.12.2014.

IDC. IVIEW, Extracting Value from Chaos. June 2011. http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf. Zugegriffem am: 09.02.2015.

Institut für Business Intelligence (Hrsg.). 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big Data.

Jetter, W. 2004. Performance Management, 2. Aufl. Stuttgart.

Jung, H. 2011. Controlling, 9. Aufl. München.CrossRef

Kaufmann, M. 2014. Die Geister die wir riefen. In Big Data, Hrsg. D. Fasel, und A. Meier, 383–400. Wiesbaden

Kemper, H.G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden.CrossRef

Kersten, H., und G. Klett. 2012 Mobile Device Management. Heidelberg

Kessler, T., T. Hügens, F. Delgehausen, M. Abdel Hadi, und V. G. Saiz Castillo. 2014. Reporting mit SAP BW ® und SAP BusinessObjects™. 2. Aufl., Bonn.

Klein, D., P. Tran-Gia, und M. Hartmann. 2013. Big Data, Würzburg, http://www.gi.de/nc/service/informatiklexikon/%20detailansicht/article/big-data.html. Zugegriffen am: 06.03.2015.

Knapp, P., und F. Kusterer. 1996. Weltweit einsatzfähige Führungsinformationssysteme, Umsetzungen und Anforderungen. In Tagungsband zum 11. Deutschen Controlling Congress, Hrsg. T. Reichmann, 219–244. Düsseldorf.

Knöll, H.D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden.

Kononenko, I., und M. Kukar. 2007. Machine Learning and Data Mining: Introduction to Principles and Algorithms. Boca Raton USA.

Laudon, K., und J. Laudon. 1988. Management Information Systems, 2. Aufl. New York.

Leßweng, H.-P. 2004. Einsatz von Business Intelligence Tools (BIT) im betrieblichen Berichtswesen. ZfC, 1: 41–49.

Lopez, M.D. 2009. Successful Mobile Deployments Require Robust Security.

Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München

Martin, W., und E. von Maur. 1997. Data Warehouse. In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens, 105–106. Berlin.

Mehler, A., und C. Wolf. 2005. Einleitung: Perspektiven und Positionen des Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1): 1–18.

Meier, M., W. Sinzig, und P. Mertens. 2003. SAP Strategic Enterprise Management ^TM /Business Analytics – Integration von strategischer und operativer Unternehmensführung, 2. Aufl. Berlin, Heidelberg.

Mell, P, und T. Grance. 2011. The NIST definition of cloud computing. National Institute of Standards and Technology

Mertens, P. 2002. Business Intelligence – ein Überblick, Arbeitspapier Nr. 2/2002, Universität Erlangen-Nürnberg. http://www.wi1-mertens.wiso.uni-erlangen.de/veroeffentlichungen/download/Business_Intelligence-ein_Ueberblick_Arbeitspapier_der_Universitaet_Erlangen-Nuernberg.zip. Zugegriffen am: 23.07.2011.

Mertens, P., und J. Griese. 1988. Informations- und Kontrollsysteme. In Industrielle Datenverarbeitung, Bd. 2. Wiesbaden.

Mertens, P., und J. Griese. 2002. Integrierte Informationsverarbeitung 2. Planungs- und Kontrollsysteme in der Industrie, 9. Aufl. Wiesbaden.

Mohr, M. 2006. HCC-Einführungsschulung zum SAP Business Information Warehouse – Grundlagen, Reporting und Analyse, Modellierung und Staging, Hrsg. SAP Hochschulkompetenzzentrum an der Technischen Universität München am Lehrstuhl für Wirtschaftsinformatik – Prof. Dr. H. Krcmar.

Mucksch, H., und W. Behme. 2000. Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In Das Data Warehouse-Konzept, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 3–80. Wiesbaden.CrossRef

Müller, S. 2014. Die neue Realität – Erweiterung des Data Warehouse um Hadoop, NoSql & Co. In Big Data, Hrsg. D. Fasel und A. Meier,447–457. Wiesbaden

Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden.

NN/w3resource. 2015. NoSQL, http://www.w3resource.com/mongodb/nosql.php. Zugegriffen am: 28.01.2015.

Oehler, K. 2006. Corporate Performance Management. München, Wien.

Oehler, K. 2000. OLAP, Grundlagen, Modellierung und betriebswirtschaftliche Lösung. München.

Oppelt, R.U.G. 1995. Computerunterstützung für das Management. München, Wien.

Pends, N., und R. Creeth. 1995. The OLAP Report. o. O.

Petersohn, H. 2005. Data Mining – Verfahren, Prozesse, Anwendungsarchitektur, S.73–255. Oldenburg. München

Plattner, H. 2011. In-memory data management: an inflection point for enterprise applications. Heidelberg.

QlikView-Demo Market Share. http://eu-b.demo.qlik.com/QvAJAXZfc/opendoc.htm?document=qvdocs%2FMarketPS.qvw&host=demo11&anonymous=true. Zugegriffen am: 18.02.2015.

QlikView-Demo Sales Analysis. http://demo.qlikview.com/QvAJAXZfc/opendoc.htm?document=Executive%20Dashboard.qvw&host=Demo10&anonymous=true. Zugegriffen am: 20.07.2011.

Reichmann, T. 2006. Controlling mit Kennzahlen und Managementberichten, 7. Aufl. München.

Reichmann, T. 2011. Controlling mit Kennzahlen, Die systemgestützte Controlling-Konzeption mit Analyse- und Reportinginstrumenten, 8. Aufl. München.

Richter, M. 2003. Fallbasiertes Schließen. In Handbuch der Künstlichen Intelligenz, 4. Aufl., Hrsg. G. Görz, C.R. Rollinger, J. Schneeberger, 407–430. München/Wien.CrossRef

Runkler, T.A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, S. 96. Wiesbaden.

Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data Warehouse Management, Hrsg. E. von Maur, R. Winter, 113–147. Berlin, Heidelberg.CrossRef

Sack, R. 2013. Big Data – Strategischer Vorteil im internationalen Wettbewerb, http://www.wi.hswismar.de/~laemmel/Lehre/WA/Artikel1306/Sack_BigData.pdf. Zugegriffen am: 16.12.2014.

SAP AG: SAP BEx Analyser.

SAP AG, SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse.

SAP AG: SAP ERP CC System – Standardbericht, Selektionsmaske und Planungsformular aus einem IDES-System.

SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm. Zugegriffen am: 20.07.2010.

SAP SE. 2013. SAP Fiori UX. http://help.sap.com/fiori_bs2013/helpdata/de/d7/8c41524b66b470e10000000a423f68/content.htm?current_toc=/de/84/154353a7ace547e10000000a441470/plain.htm%26show_children=true. Zugegriffen am: 16.12.2014.

Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report8:22–23

Scheer, A.W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin.CrossRef

Schill, A., und T. Springer. 2007. Verteilte Systeme – Grundlagen und Basistechnologien. Berlin.

Schinzer, H.D. 1998. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. München.

Schinzer, H.D., C. Bange, und H. Mertens. 1999. Data Warehouse und Data Mining, Marktführende Produkte im Vergleich, 2. Aufl. München.

Schinzer, H., C. Bange, und H. Mertens. 2000. Wachstum, Trends und gute Produkte – Neue BARC-Studie zum OLAP- und Business Intelligence-Markt. is report 1(4): 10–17.

Schön, D. 2011. Ergebnisse zur empirischen Untersuchung: Business Intelligence für Reporting und Planung im Mittelstand. Die kompletten Ergebnisse der Studie stehen über folgenden Link zum Download bereit. http://www.fh-dortmund.de/de/studi/fb/9/personen/lehr/schdie/103020100000206873.php. Zugegriffen am: 01.06.2011.

Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund.

Schön, D., und R. Müller. 2010. Mittelstandscontrolling für Inhaber und Manager. In 25. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 123–165. Dortmund.

Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München.CrossRef

Schubert, S. 2013. Why people and process matter, in addition to great technology, in predictive analytics, http://blogs.sas.com/content/subconsciousmusings/2013/01/11/why-people-and-process-matter-in-addition-to-great-technology-in-predictive-analytics/. Zugegriffen am: 09.05.2015.

Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business Intelligence & Controlling Competence, Bd. 1. Stuttgart, Berlin.

Seufert, A. 2014. Das Controlling als Business Partner: Business Intelligence & Big Data als zentrales Aufgabenfeld. In Der Controlling-Berater: Controlling und Big Data, Band 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, S. 23–45, Freiburg

Siegel, E. 2013. Predictive Analytics, The Power To Predict Who Will Click, Buy, Lie, Or Die, New Jersey

Sinz, J.E., und A. Ulbrich vom Ende. 2010. Architektur von Data-Warehouse-Systemen. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 175–196. Heidelberg.

TECChannel – IT im Mittelstand. 2014. Datenmengen explodieren durch Sensordaten, http://www.tecchannel.de/storage/news/2056615/datenmengen_explodieren_durch_sensordaten/. Zugegriffen am: 16.12.2014.

Techopedia. Intelligent Device, http://www.techopedia.com/definition/14428/intelligent-device. Zugegriffen am: 16.12.2014.

@tfxz-Blog. 2015. Data Warehousing on HANA: Managed or Freestyle? BW or Native? https://tfxz.wordpress.com. Zugegriffen am: 18.07.2014

Turban, E., J.E. Aronson, und T.P. Liang. 2004. Decission Support and Intelligent Systems, 7. Aufl.

Vaduva, A., und T. Vetterli. 2001. Metadata Management for Data Warehousing: an Overview. International Journal of Cooperative Information Systems 10(3): 273–298.CrossRef

Walker-Morgan, D. 2010. NoSQL im Überblick, http://www.heise.de/open/artikel/NoSQL-im-Ueberblick-1012483.html. Zugegriffen am: 14.12.2014.

Warner, D. 2007. SQL für Praxis und Studium, Poing

Wartala, R. 2012. Hadoop: zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. München:Open Source Press

Weber, H.W., und U. Strüngmann. 1997. Data Warehouse und Controlling – Eine vielversprechende Partnerschaft. ZfC 1: 30–36.

Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1:42–44

Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen.

Winterstein, A., und E. Leitner. 1998. An Informationen nicht ersticken. Client Server Computing o. Jg. (3): 34–39.

Atacama. http://www.ataccama.de/produkte/dq-analyzer/dqa-uberblick.html. Zugegriffen am: 22.07.2011.

Bange, C. 2011. BARC-Tagungsband: Planungs- und Controlling-Systeme für den Mittelstand, Teil: Keynote, Folie 11, Würzburg.

Becker, J., O. Richter, und A. Winkelmann. Analyse von Plattformen und Marktübersichten für die Auswahl von ERP und Warenwirtschaftssystemen – Arbeitsbericht 121: Westfälische Wilhelms-Universität Münster. http://www.wi.uni-muenster.de/institut/arbeitsberichte/ab121.pdf. Zugegriffen am: 17.08.2011.

Beekmann, F, und P. Chamoni. 2006. Verfahren des Data Mining. In Analytische Informationssysteme, 3. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 264–282, Heidelberg.

Chamoni, P., und P. Gluchowski (Hrsg.). 2010. Analytische Informationssysteme, 4. Aufl. Berlin Heidelberg.

Finucane, B., und M. Mack. 2010/2011. Business-Intelligence-Software boomt in Deutschland. In is report, Informationsplattform für Business Applications, BARC-Guide Business Intelligence, 8–11.

Freiknecht, J. 2014. Big Data in der Praxis. München.

Friedrich, D. 2007/2008. Business Intelligence etabliert sich im Mittelstand, BARC-Guide Business Intelligence, 10–11. http://www.barc.de/fileadmin/Fachartikel/10-11_FB_BI-Guide.pdf. Zugegriffen am: 19.02.2011.

Gabriel, R. Expertensystem, In Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon, Hrsg. K. Kurbel, J. Becker, N. Gronau, E. Sinz, und L. Suhl, 4. Aufl. http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/. Zugegriffen am: 15.01.2011, publiziert am 06.10.2010.

Hansel, S. 2011. Puristische Strategie – Internetbasierte Programme – neudeutsch Cloud Computing – werden zur ernsthaften Alternative für die Unternehmens-IT. Wirtschaftswoche, 8: 62–67.

Hein, A. 2011. prevero Unternehmen und Lösungen – Unternehmenssteuerung mit prevero, prevero Österreich GmbH Wien. Vortragsunterlagen. Wien.

Inmon, B. Definition of a data warehouse. www.billinmon.com. Zugegriffem am: 31.07.2002.

Manhart, K.: Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken. http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html. Zugegriffen am: 28.06.2011.

Manhart, K. Business Intelligence. http://www.tecchannel.de/server/sql/1739205/business_intelligence_teil_2_datensammlung_und_data_warehouses/index8.html. Zugegriffen am: 19.02.2011.

Pütter, C. Keine Hilfe für BI-Projekte. http://www.cio.de/2239428. Zugegriffen am: 12.03.2011.

Schön, D. 2004. Moderne DV-gestützte Planungstools. Controlling 16(10): 567–577.CrossRef

Titel: IT-Unterstützung
verfasst von: Prof. Dr. Dietmar Schön
Verlag: Springer Fachmedien Wiesbaden
Buch: Planung und Reporting
Print ISBN: 978-3-658-08008-2

Electronic ISBN: 978-3-658-08009-9

Copyright-Jahr: 2016
DOI: https://doi.org/10.1007/978-3-658-08009-9_5

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 "Wirtschaft"