Zusammenfassung
In 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-Technologie, App-Technologie, Big-Data-Analytics, Cloud und Mobile Computing hervorzuheben. Big Data hilft u.a. bei der Verarbeitungsgeschwindigkeit (In-Memory-Technologie) von großen heterogenen Datenmengen. Über die App-Technologie mit ihren Kacheltypen lassen sich moderne Navigationsoberflächen schaffen. Data-Discovery- bzw. Visual-Discovery-Werkzeuge unterstützen Big-Data-Analytics hinsichtlich ihrer Prognose- und Analysefähigkeit. 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.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Vgl. Mertens und Griese (1988, S. 5).
- 2.
Vgl. Reichmann (2011, S. 18).
- 3.
Vgl. Reichmann (2006, S. 662).
- 4.
Vgl. Scheer (1990, S. 139).
- 5.
Siehe Weber und Strüngmann (1997, S. 30–36).
- 6.
Vgl. Scheer (1990, S. 37, 142 u. 153).
- 7.
Vgl. Hesseler und Görtz (2007, S. 7 f. und 15 ff.).
- 8.
- 9.
- 10.
Vgl. zu weiteren Softwareauswahlkriterien z. B. Becker et al. 2011, S. 16.
- 11.
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.
- 12.
Vgl. Hesseler und Görtz (2007, S. 2 f.).
- 13.
Vgl. Hesseler und Görtz (2007, S. 17 f., 24).
- 14.
Vgl. hierzu Hesseler (2009, S. 52).
- 15.
Vgl. Buck‐Emden (1995, S. 29).
- 16.
Vgl. Bange (2013, S. 134–135).
- 17.
Vgl. Bange (2013, S. 98–126).
- 18.
Vgl. hierzu Pütter (2011). Die Studie wurde am Lehrstuhl Wirtschaftsinformatik II von Prof. Dr. Peter Gluchowski in Zusammenarbeit mit dem Beratungshaus Conunit (Frankfurt a.M.) durchgeführt.
- 19.
- 20.
- 21.
Vgl. Behme (1996, S. 31) und Inmon, B.: Definition of a data warehouse. URL: www.billinmon.com [Zugriff am 31.07.2002].
- 22.
- 23.
Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.
- 24.
- 25.
Vgl. Schinzer et al. (2000, S. 15).
- 26.
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.
- 27.
Vgl. Sinz und Ulbrich vom Ende (2010, S. 190 f.).
- 28.
Vgl. Hahne (2016, S. 150 ff.).
- 29.
Vgl. Heuer et. al. (2001, S. 469).
- 30.
Vgl. Jordan und Schnider (2011, S. 7).
- 31.
Vgl. Manhart (2011b).
- 32.
- 33.
Vgl. Martin und von Maur (1997, S. 105).
- 34.
Vgl. Vaduva und Vetterli (2001, S. 273).
- 35.
Vgl. Kemper et al. (2010, S. 43).
- 36.
Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.
- 37.
Vgl. Farkisch (2011, S. 27).
- 38.
Vgl. Navrade (2008, S. 20).
- 39.
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.
- 40.
Vgl. Kemper et al. (2010, S. 12, 141 ff.).
- 41.
Vgl. Goecken (2006, S. 26 ff.).
- 42.
- 43.
Vgl. Kemper et al. (2010, S. 92–96).
- 44.
Es gibt alternativ hierzu auch virtuelle Datenverbindungen ohne Zwischenspeicherungen, die direkt auf die Daten der Quellsysteme zugreifen. Diese Vorgehensweise ist in der Praxis seltener anzutreffen. Mit dem Einsatz der In‐Memory‐Technik (vgl. Abschn. 5.7.2.1) nutzten einige Softwareanbieter vermehrt den direkten virtuellen Datenzugriff auf Primärquellen ohne eine Zwischendatenhaltung aufzubauen.
- 45.
Vgl. Kemper et al. (2010, S. 26–38).
- 46.
Vgl. Oehler (2000, S. 21 f.).
- 47.
Neben der echten physischen Speicherung in Zieldatenbanken sind auch andere Formen der virtuellen Speicherung möglich, bei denen nur die Datenstrukturen nicht aber die Dateninhalte im Data‐Warehouse‐System gespeichert werden, sondern diese bei Anfrage direkt auf das Quellsystem zugreifen.
- 48.
Vgl. Müller und Keller (2015, S. 394–395).
- 49.
Vgl. Apel et al. (2009, S. 67).
- 50.
Vgl. IBM Consulting Services (2003, S. 32).
- 51.
Vgl. IBM Consulting Services (2003, S. 32).
- 52.
Vgl. IBM Consulting Services (2003, S. 154–155).
- 53.
Vgl. Ruprecht (2003, S. 126).
- 54.
Vgl. Bauer und Günzel (2013, S. 44).
- 55.
Vgl. Chamoni et al. (2010, S. 164).
- 56.
- 57.
- 58.
Vgl. Pends und Creeth (1995).
- 59.
Vgl. Humm und Wietek (2005, S. 5.).
- 60.
Vgl. Caesar und Friebel (2011, S. 548).
- 61.
Vgl. Mohr (2006, S. 93 ff.). Beispielsweise ergänzt die SAP AG ihr Star‐Schema für das SAP BW um die aufgeführten Punkte.
- 62.
Vgl. Bauer und Günzel (2013, S. 204 f.).
- 63.
Vgl. Azevedo et al. (2005, S. 46).
- 64.
Vgl. Azevedo et al. (2005, S. 52 f.).
- 65.
Vgl. Behme et al. (2000, S. 229).
- 66.
Vgl. Elmasri und Navathe (2007, S. 37 f.).
- 67.
Vgl. Kemper et al. (2010, S. 97).
- 68.
Vgl. Oehler (2006, S. 93).
- 69.
Vgl. hierzu die Ausführungen der historischen Entwicklung von Management Support Systemen (MSS) in Abschn. 5.2.
- 70.
Vergleiche zu den Ausgabeformaten Abschn. 5.5.5.7.
- 71.
Vgl. hierzu die Umfrageergebnisse der Untersuchung von Schön (2011, S. 31).
- 72.
- 73.
Vgl. Gabriel (2010) http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/ [Zugriff am 15.01.2011].
- 74.
- 75.
Vgl. Kononenko und Kukar (2007).
- 76.
Vgl. z. B. Siegel (2013).
- 77.
- 78.
Vgl. Feindt und Grüßling (2014, S. 181 f.).
- 79.
Vgl. Felden (2010, S. 307–328).
- 80.
- 81.
- 82.
Baars (2016, S. 175).
- 83.
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), Küsters (2001, S. 95–130), Gabriel et al. (2009, S. 144–276), Runkler (2010, S. 96) und Petersohn (2005, S. 73–255).
- 84.
Vgl. Hammann und Erichson, (2006, S. 322 ff.).
- 85.
Vgl. Schrödl (2009, S. 28 f.).
- 86.
Vgl. Weigend (2017, S. 16).
- 87.
- 88.
Entnommen aus: Freiknecht (2014, S. 345).
- 89.
- 90.
Vgl. R (2016).
- 91.
Vgl. Richter (2003, S. 407–430).
- 92.
Vgl. Mehler und Wolf (2005, S. 2).
- 93.
Vgl. Hotho et al. (2005, S. 19–62).
- 94.
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].
- 95.
- 96.
Siehe Leßweng (2004, S. 43).
- 97.
Vgl. Leßweng (2004, S. 41–49).
- 98.
Really Simple Syndications (RSS) ist eine Familie von Formaten für die einfache und strukturierte Veröffentlichung von Änderungen auf Internetseiten.
- 99.
Vgl. Dahnken et al. (2004, S. 55 ff.).
- 100.
Vgl. Meier et al. (2003, S. 90 ff.).
- 101.
Vgl. Hilfetexte des SAP‐Portals (2010).
- 102.
Vgl. Hilfetexte des SAP‐Portals (2009).
- 103.
Vgl. Hilfetexte des SAP‐Portals (2009), URL: http://help.sap.com/saphelp_sem60/helpdata/de/05/242537cedf2056e10000009b38f936/frameset.htm [Zugriff am 09.02.09].
- 104.
Vgl. Egger et al. (2005, S. 163 ff.).
- 105.
Prozessunterstützende Systeme sind auch unter dem Begriff Status‑ und Trackingsysteme bekannt.
- 106.
Vgl. Knöll et al. (2006, S. 212–215).
- 107.
Vgl. Egger et al. (2009, S. 101 f.).
- 108.
Vgl. Gluchowski (2010, S. 278).
- 109.
Vgl. Search Business Analytics (2016).
- 110.
Vgl. Lixenfeld (2015, S. 24).
- 111.
Vgl. Forrester Research (2016). Forrester Research ist ein US-amerikanisches Marktforschungsunternehmen für den Bereich Informationstechnologie.
- 112.
Vgl. Gluchowski (2010, S. 278.).
- 113.
Vgl. u. a. Kemper et al. (2010, S. 148–153).
- 114.
Vgl. zum MQE u. a. Manhart (2011a).
- 115.
Vgl. Pastwa (2010, S. 11 f.).
- 116.
- 117.
Zu den technischen Gestaltungs‑ und Anwendungsmöglichkeiten mobiler Endgeräte siehe auch Abschn. 5.9.3.
- 118.
- 119.
- 120.
Vgl. Hanning (2008, S. 77).
- 121.
Vgl. Taschner (2013, S. 9–11).
- 122.
Vgl. Mertens (2002, S. 4).
- 123.
Vgl. Behme und Mucksch (1997, S. 15).
- 124.
Vgl. hierzu Bange et al. (2009, S. 7).
- 125.
Vgl. Jetter (2004, S. 33).
- 126.
Vgl. Gleich (2001). Alternativ zum Begriff Business‐Performance‐Management wird auch der Begriff Corporate‐Performance‐Management (CPM) verwendet.
- 127.
Vgl. Engels (2015, S. 15).
- 128.
- 129.
Business‐Intelligence‐Definition von Prof. Dr. Dietmar Schön im Fachgebiet Controlling an der FH Dortmund, Juli 2017.
- 130.
Vgl. Schrödl (2009, S. 13 f.).
- 131.
Vgl. Bange u. a. (2013, S. 9 ff.).
- 132.
Vgl. Kemper et al. (2010, S. 9).
- 133.
Vgl. Seufert (2014, S. 25).
- 134.
Vgl. IDC (2011).
- 135.
Vgl. Gesellschaft für Informatik et al. (2013).
- 136.
- 137.
- 138.
Vgl. Finlay (2014, S. 13).
- 139.
Vgl. IBM Institute for Business Value und Säid Business School (2012).
- 140.
- 141.
Vgl. Schroeck et al. (2015, S. 3 f.).
- 142.
- 143.
Vgl. TECChannel (2014).
- 144.
Vgl. Finlay (2014, S. 13).
- 145.
Vgl. Sack (2013).
- 146.
Vgl. Finlay (2014, S. 13).
- 147.
Vgl. IBM Institute for Business Value und Säid Business School (2012, S. 4).
- 148.
Vgl. Freiknecht (2014, S. 13).
- 149.
Vgl. z. B. Gluchowski und Chamoni (2016, S. 189).
- 150.
Vgl. Brenckmann und Pöhling (2012).
- 151.
Vgl. Schmitz (2015, S. 236).
- 152.
Vgl. Bitkom (2014, S. 21–24, 45–47).
- 153.
Vgl. Walker‐Morgan (2010).
- 154.
Vgl. Sack (2013).
- 155.
Fasel und Meier (2016, S. 6 f.).
- 156.
NoSQL Databases (http://nosql-database.org/. Zugegriffen am: 15.12.2014).
- 157.
Vgl. Warner (2007, S. 480–485).
- 158.
Vgl. Edlich et al. (2010, S. 31–33).
- 159.
Fasel und Meier (2016, S. 12).
- 160.
Vgl. Freiknecht (2014, S. 20).
- 161.
- 162.
Vgl. Big Data Blog (2015).
- 163.
Vgl. Kaufmann (2014, S. 369).
- 164.
Vgl. Freiknecht (2014, S. 20).
- 165.
Data Academy und Davenport (2008).
- 166.
Vgl. Wartala (2012, S. 180–183).
- 167.
- 168.
Vgl. Berg und Silvia (2013, S. 41).
- 169.
Vgl. Berg und Silvia (2013, S. 41).
- 170.
Vgl. Alexander und Grosser (2017) und Intelligence.de (2017).
- 171.
Vgl. Intelligence.de (2017).
- 172.
Vgl. BARC (2014, S. 23–24).
- 173.
Vgl. Baumöl und Berlitz (2014, S. 169).
- 174.
Zum Beispiel SAP BW on Hana beim Schuhkonzern Reno, Schäfer (2014).
- 175.
Vgl. Welker (2015).
- 176.
Frietsch (2016, S. 169 f.).
- 177.
- 178.
Auf die differenzierte Darstellung der Ebenen Staging, Cleansing, Core DWH und Data Marts wurde hier verzichtet. Vgl. Abb. 5.13.
- 179.
Vgl. Gluchowski (2016, S. 277).
- 180.
- 181.
Vgl. Hortonworks (2013, S. 4).
- 182.
Vgl. März und Warren (2015, S. 18 ff.).
- 183.
Vgl. z. B. Inform (2017).
- 184.
Vgl. Gartner (2016).
- 185.
Vgl. Chamoni und Gluchowski (2017, S. 9).
- 186.
Vgl. Chamoni und Gluchowski (2017, S. 8 ff.).
- 187.
Vgl. z. B. Bissantz et al. (2000, S. 377–407).
- 188.
- 189.
Vgl. Lanquillon und Mallow (2015, S. 55).
- 190.
In Anlehnung an die Argumentation zu Felden (2017, S. 1–8).
- 191.
Vgl. Möller et al. (2016, S. 509–518.).
- 192.
Vgl. Kemper et al. (2010, S. 9).
- 193.
Vgl. Berg und Silvia (2013, S. 33–35).
- 194.
Koglin (2016, S. S. 61 ff.).
- 195.
Vgl. Merz et al. (2015, S. 153 ff. und 277).
- 196.
Vgl. Haupt (2011).
- 197.
Vgl. Merz et al. (2015, S. 259 ff.).
- 198.
Vgl. @tfxz‐Blog (2014).
- 199.
- 200.
Erweitert zu Iffert (2017).
- 201.
Vgl. BARC (2017).
- 202.
Vgl. Zarinac (2016, S. 140 f.).
- 203.
Vgl. Buschbacher et al. (2014, S. 90).
- 204.
Vgl. Giegerich (2014, S. 321 f.).
- 205.
Vgl. Bitkom (2013, S. 24 ff.).
- 206.
- 207.
Vgl. Birk und Wegener (2010, S. 642).
- 208.
Vgl. Bollmann und Zeppenfeld (2010, S. 4).
- 209.
Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).
- 210.
Ultrabook ist ein eingetragenes Warenzeichen von Intel.
- 211.
Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).
- 212.
- 213.
- 214.
Vgl. Krüger (2015, S. 204 ff.).
- 215.
Vgl. hierzu folgende Quelle: SAP Fiori (2017b).
- 216.
Vgl. Bensberg (2008, S. 72).
- 217.
Vgl. Bensberg (2008, S. 75–79).
- 218.
Vgl. Fuchß (2009, S. 137–151).
- 219.
Vgl. Schill und Springer (2007, S. 265–271).
- 220.
Vgl. SAP AG (2016, S. 5).
- 221.
Vgl. Bensberg (2008, S. 76).
- 222.
Vgl. Schill und Springer (2007, S. 274–280).
- 223.
Vgl. Donie und Raeburn (2015).
- 224.
Vgl. Kersten und Klett (2012, S. 103 ff.).
- 225.
Vgl. Hansel (2015).
- 226.
Vgl. Bensberg (2008, S. 77).
- 227.
Vgl. Louis und Müller (2013, S. 23).
- 228.
- 229.
Vgl. Homann et al. (2013, S. 53 f.).
- 230.
Vgl. Kemper et al. (2010, S. 251).
- 231.
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].
- 232.
Vgl. BARC (2017). Trend Monitor 2017 http://barc.de/trend-monitor. Zugegriffen am 29.07.2017.
- 233.
Vgl. Jung (2011, S. 207–209).
- 234.
Vgl. Bollmann und Zeppenfeld (2010, S. 42).
- 235.
Vgl. Bensberg (2008, S. 76).
- 236.
Vgl. Lopez (2009, S. 2).
- 237.
Vgl. Bollmann und Zeppenfeld (2010, S. 127–130).
- 238.
Vgl. Kersten und Klett (2012, S. 103 ff.).
- 239.
Vgl. Bensberg (2008, S. 77).
- 240.
Vgl. Dresner Advisory Services LLC (2011, S. 23).
- 241.
Vgl. Bensberg (2008, S. 72–79).
Literatur
@tfxz-Blog. 2014. Data Warehousing on HANA: Managed or Freestyle? BW or Native? https://tfxz.wordpress.com. Zugegriffen: 18. Juli 2014.
Alexander, S., und T. Grosser. 2017. Analytische Datenbanken – Merkmale, Funktionen und Einsatzszenarien. http://www.searchenterprisesoftware.de/tipp/Analytische-Datenbanken-Merkmale-Funktionen-und-Einsatzszenarien. Zugegriffen: 19. Juli 2017.
Alpar, P., und J. Niedereichholz (Hrsg.). 2000. Data Mining im praktischen Einsatz. Braunschweig: Springer Viewg.
Apel, D., W. Behme, R. Eberlein, und C. Merighi. 2009. Datenqualität erfolgreich steuern. München, Wien: dpunkt Verlag.
Azevedo, P., G. Brosius, S. Dehnert, et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server. Microsoft Press.
Baars, H. 2016. Predictive Analytics in der IT-basierten Entscheidungsunterstützung – methodische, architektonische und organisatorische Konsequenzen. Controlling 28(3):174–180.
Bange, C. 2011. BARC-Tagungsband: Planungs- und Controlling-Systeme für den Mittelstand, Teil: Keynote, Folie 11. Würzburg: Business Application Research Center – BARC GmbH.
Bange, C., et al. 2013. Architektur. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 4. Aufl., Hrsg. A. Bauer, H. Günzel, 5–180. Heidelberg: dpunkt Verlag.
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: 17. Dez. 2014.
BARC. 2017. BI-Trend Monitor 2017. http://barc.de/trend-monitor?s=s_9_550. Zugegriffen: 12. Juni 2017.
Bauer, A., und H. Günzel. 2013. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung, 4. Aufl. Heidelberg: dpunkt Verlag.
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: Haufe.
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: 17. Aug. 2011.
Beckert, A., S. Beckert, und B. Escherisch. 2012. Mobile Lösungen mit SAP. Bonn: Galileo Press.
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: Springer Gabler.
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: Springer Gabler.
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: Springer Gabler.
Bensberg, F. 2008. Mobile Business Intelligence – Besonderheiten, Potenziale und prozessorientierte Gestaltung. In Erfolgsfaktoren des Mobilen Marketing, Hrsg. H.H. Bauer, T. Dirks, und M.D. Bryant. Berlin: Springer.
Berg, B., und P. Silvia. 2013. Einführung in SAP HANA, 2. Aufl. Bonn: Galileo Press.
Big Data Blog. 2015. Hadoop bekommt Konkurrenz: Apache Spark ist 100 mal schneller. https://bigdatablog.de/2015/05/07/hadoop-bekommt-konkurrenz-apache-spark-ist-100-mal-schneller/. Zugegriffen: 4. Juli 2016.
Birk, W., und C. Wegener. 2010. In Über den Wolken: Cloud Computing im Überblick, 641–645.
Bissantz, N., J. Hagedorn, et al. 2001. Data Mining. In Lexikon der Wirtschaftsinformatik, 4. Aufl., Hrsg. P. Mertens, 130–131. Wiesbaden: Springer.
Bissantz, N., J. Hagedorn, und P. Mertens. 2000. Data mining. In Das Data Warehouse-Konzept, 4. Aufl., Hrsg. H. Muksch, W. Behme, 377–407. Wiesbaden: Springer Gabler.
Bitkom. 2013. Management von Big Data-Projekten, BITKOM-Leitfaden 2013. http://www.bitkom.org/de/themen/79758_76511.aspx. Zugegriffen: 12. März 2015.
Bitkom. 2014. Big Data-Technologien – Wissen für Entscheider, S. 21–24 und S. 45–47. http://www.bitkom.org/de/publikationen/38337_78776.aspx. Zugegriffen: 8. Jan. 2015.
Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten: W3L GmbH.
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: 15. Juli 2014.
Brücher, C. 2013. Rethink big data. Heidelberg: mitp.
Buck-Emden, R. 1995. Die Client/Server-Technologie des SAP R/3: Basis für betriebswirtschaftliche Standardanwendungen, 2. Aufl. Bonn, Paris: Addison Wesley Verlag.
Burow, L., J. Leyk, C. Briem. 2014. 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: Haufe
Buschbacher, F., R. Konrad, B. Mußmann, und M. Weber. 2014. 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. Freiburg: Haufe.
Caesar, D., und M. Friebel. 2011. Microsoft SQL Server 2008 R2: Schnelleinstieg für Administratoren und Entwickler. Bonn: Galileo Computing.
Chamoni, P., et al. 1997. Online Analytical Processing (OLAP). In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens. Berlin: Springer.
Chamoni, P., und P. Gluchowski. 2004. Integrationstrends bei Business-Intelligence-Systemen. Wirtschaftsinformatik 46(2):119–128.
Chamoni, P., und P. Gluchowski. 2017. Business analytics – state of the art. Zeitschrift für Controlling Management Review 61(4):8–17, 9.
Chamoni, P., F. Beekmann, und Bley. 2010. Ausgewählte Verfahren des Data Mining. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski. Berlin, Heidelberg: Springer.
Chen, H., R.H. Chiang, und V.C. Storey. 2012. Business Intelligence und Analytics – From Big Data to Big Impact. MIS quarterly 36(4):1165–1188.
Cleve, J., und U. Lämmel. 2014. Data mining., 57–192. München: De Gruyter Oldenbourg.
Codd, E.F., S.B. Codd, und C.T. Salley. 1993. Providing OLAP to user-analysts: an IT mandate. Ann Arbor: Codd & Associates.
Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. München: Oxygon.
Dahnken, O., P. Keller, J. Narr, und C. Bange. 2004. Planung und Budgetierung, 21 Software-Plattform zum Aufbau unternehmensweiter Planungsapplikationen. München: Oxygon.
Data Academy, und R. Davenport, und R. Davenport. 2008. White-Paper: ETl vs ELT. http://www.dataacademy.com/files/ETL-vs-ELT-White-Paper.pdf. Zugegriffen: 9. Mai 2015.
Determann, L., und M. Rey. 1999. Chancen und Grenzen des Data Mining im Controlling. Controlling 11(2):43–147.
Donie, P., und B. Raeburn. 2015. Mobiles Arbeiten – Verbindungsmacher. Business Intelligence Magazin 1:48–49.
Dorschel, J. 2015. Praxisbuch Big Data. Karlsruhe: Springer Gabler.
Dresner Advisory Services LLC. 2011. Mobile business intelligence market study, 2010 und 2011. http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf. Zugegriffen: 25. Juli 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, und T. Götz, 9–70. Berlin: Springer.
Düsing, R., und C. Heidsieck. 2009. Analysephase. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 3. Aufl., Hrsg. A. Bauer, H. Günzel, 104–127. Heidelberg: dpunkt Verlag.
Eckerson, W. 2007. Predictive analytics: extending the value of your data warehousing investment. TDWI Best Practices Report, TDWI Research.
Edlich, S., et al. 2010. NOSQL: Einstieg in die Welt nichtrationaler Web 2.0 Datenbanken. München: Hanser.
Egger, N., J.M. Fiechter, C. Rohlf, J. Rose, und S. Weber. 2005. SAP BW Planung und Simulation. Bonn: Galileo Press.
Egger, N., Hastenrath, Kästner, Kramer, et al. 2009. Reporting und Analyse mit SAP Business Objects. Bonn: Galileo Press.
Elmasri, R., und S.B. Navathe. 2007. Fundamentals of database systems, 5. Aufl. Bosten: Addison Wesley.
Engelbrecht, M., und M. Wegelin. 2015. SAP Fiori: Implementierung und Entwicklung. Bonn: SAP Press.
Engels, C. 2015. Basiswissen business intelligence, 2. Aufl. Dortmund: W3I.
Ereth, J., und H.-G. Kemper. 2016. Business analytics und business intelligence. Zeitschrift für Controlling 28:458–464.
Farkisch, K. 2011. Data-Warehouse-Systeme kompakt. Heidelberg: Springer.
Fasel, D., und A. Meier (Hrsg.). 2016. Big Data Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Vieweg.
Feindt, B.J. 2014. Die E-Bilanz in kleinen und mittleren Unternehmen (KMU). Wiesbaden: Springer Gabler.
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: Haufe.
Felden, C. 2017. Business Analytics, In Enzyklopädie der Wirtschaftsinformatik, S. 1–8. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Business-Intelligence/Analytische-Informationssysteme--Methoden-der-/Business-Analytics. Zugegriffen: 26. Mai 2017.
Felden, C. 2010. Predictive Analytics. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 307–328. Berlin, Heidelberg: Springer.
Finlay, S. 2014. Predicitve analytics, data mining and big data: myths, misconceptions and methods. New York: Palgrave Macmillan.
Forrester. 2016. About Us. Forrester Research ist ein US-amerikanisches Marktforschungsunternehmen für den Bereich Informationstechnologie. https://www.forrester.com/marketing/about/about-us.html. Zugegriffen: 18. Juli 2016.
Freiknecht, J. 2014. Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren. München: Hanser.
Frietsch, H. 2016. BI und Big Data in einer ausbalancierten Architektur. In Business Intelligence erfolgreich umsetzen, Hrsg. M. Lang, 163–177. Düsseldorf: Symposion.
Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München: Hanser.
Gabriel, R. 2010. Expertensystem. In Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon, 4. Aufl., Hrsg. K. Kurbel, J. Becker, N. Gronau, E. Sinz, und L. Suhl http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/. Zugegriffen am: 15.01.2011.
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.
Gabriel, R., P. Gluchowski, und A. Pastwa. 2009. Data warehouse & data mining. Herdecke, Witten: W3I.
Gartner. 2015. Gartner says solving ‚big data‘ challenge involves more than just managing volumes of data. http://www.gartner.com/newsroom/id/1731916. Zugegriffen: 20. Sept. 2015.
Gartner. 2016. Business analytics. http://www.gartner.com/it-glossary/business-analytics. Zugegriffen: 22. Okt. 2016.
Gehra, B. 2005. Früherkennung mit Business-Intelligence-Technologien. Anwendung und Wirtschaftlichkeit der Nutzung operativer Datenbestände. Diss. Wiesbaden.
Gesellschaft für Informatik, Dominik Klein, Phuoc Tran-Gia, und Matthias Hartmann. 2013. Big Data. http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html. Zugegriffen: 9. Febr. 2015.
Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. Controlling 6:320–324.
Gleich, R. 2001. Das System des Performance Measurement. Theoretisches Grundkonzept, Entwicklungs- und Anwendungsstand. München: Vahlen.
Gluchowski, P. 2001. Business Intelligence. HDM – Praxis der Wirtschaftsinformatik 38(222):5–15.
Gluchowski, P. 2010. Techniken und Werkzeuge zur Unterstützung des betrieblichen Berichtswesens. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 259–280. Berlin, Heidelberg: Springer.
Gluchowski, P. 2016. Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. HMD Praxis der Wirtschaftsinformatik 53(3):273–286.
Gluchowski, P., und P. Chamoni. 2016. Analytische Informationssysteme: Business-Intelligence-Technologien und -Anwendungen. Wiesbaden: Springer.
Gluchowski, G., R. Gabriel, und C. Dittmar. 2008. Management support systeme und business intelligence, 2. Aufl. Berlin, Heidelberg: Springer.
Gluchowski, P., R. Gabriel, und C. von Dittmar. 2008. Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. Berlin, Heidelberg: Springer.
Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden: Vieweg+Teubner Verlag.
Hahne, M. 2005. SAP Business Information Warehouse. Berlin, Heidelberg: Springer.
Hahne, M. 2016. Architekturkonzepte und Modellierungsverfahren für BI-Systeme. In Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen, Bd. 5, Hrsg. P. Gluchowski, P. Chamoni, 147–184. Berlin: Springer.
Hammann, P., und B. Erichson. 2006. Marktforschung, 4. Aufl. Stuttgart: UTB.
Hammer, R.M. 1998. Strategische Planung und Frühaufklärung, 3. Aufl. München: De Gruyter Oldenbourg.
Hanning, U. (Hrsg.). 2008. Vom data warehouse zum corporate performance management. Ludwigshafen: Institut für managementinformationssysteme e.V.
Hansel, S. 2015. Langsamer Abschied vom Laisser-faire. Wirtschaftswoche 12:58–62.
Haupt, J. 2011. SAP netweaver BW 7.30: LSA data flow templates series. http://scn.sap.com/people/juergen.haupt/blog. Zugegriffen: 15. März 2015.
Hesseler, M. 2009. Costumizing von ERP-Systemen. Zeitschrift für Controlling & Management 53(Sonderheft 3):48–55.
Hesseler, M., und M. Görtz. 2007. Basiswissen ERP-Systeme. Witten: Herdecke.
Heuer, A., et al. 2001. Datenbanksysteme in Büro, Technik und Wissenschaft. 9. GI-Fachtagung Oldenburg, Berlin, Heidelberg, 7.–9. März 2001.
Homann, M., H. Wittges, und H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn: Galileo Press.
Hortonworks. 2013. Apache Hadoop Anwendungsmuster. http://bigdatacongress.com/files/2013/09/Hortonworks-ApacheHadoopPatternsOfUse-v1-0_German.pdf. Zugegriffen: 5. Jan. 2017.
Horváth, P. 2008. Controlling, 11. Aufl. München: Vahlen.
Hotho, A., A. Nürnberger, und G. Paaß. 2005. A brief survey of text mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1):19–62.
Humm, B., und F. Wietek. 2005. Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum 23(2):3–14.
IBM Consulting Services. 2003. SAP Berechtigungswesen. Bonn: SAP Press.
IBM Institute for Business Value und Säid Business School. 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: 12. Dez. 2014.
IDC. 2011. IVIEW, Extracting Value from Chaos. http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf. Zugegriffen: 9. Febr. 2015.
Iffert, L. 2017. Data Discovery – Definition und Marktüberblick. 24.03.2017. Hannover. http://barc.de/events/downloadfile/id/XrVBGmwzckM54OF54Ff4. Zugegriffen: 3. Juli 2017.
Inform. 2017. Qlik business intelligence. https://www.inform-software.de/produkte/qlik-business-intelligence. Zugegriffen: 26. Mai 2017.
Institut für Business Intelligence. 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big Data
de Intelligence. 2017. Analytische Datenbanken. https://www.intelligence.de/news/analytische-datenbanken-uberblick-zur-datenbanktechnologie.html. Zugegriffen: 19. Juli 2017.
Jedox. 2016. Jedox social analytics showcase. http://jedox-social-analytics.com/. Zugegriffen: 7. Juli 2016.
Jetter, W. 2004. Performance management, 2. Aufl. Stuttgart: Schäffer-Poeschel.
Jordan, C., und D. Schnider. 2011. Data warehousing mit oracle: business intelligence in der praxis. München: Hanser.
Jung, H. 2011. Controlling, 9. Aufl. München: De gruyter Oldenbourg.
Kaufmann, M. 2014. Die Geister die wir riefen. In Big Data, Hrsg. D. Fasel, A. Meier, 383–400. Wiesbaden: Springer Vieweg.
Keist, N.-K., S. Benisch, und C. Müller. 2016. Möglichkeiten und Grenzen der plattformübergreifenden App-Entwicklung. In Mobile Anwendungen in Unternehmen, Hrsg. T. Barton, C. Müller, und C. Seel, 109–119. Wiesbaden: Springer Vieweg.
Kemper, H.G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden: Springer Vieweg.
Kersten, H., und G. Klett. 2012. Mobile device management. Heidelberg: mitp.
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: Galileo Press.
King, S. 2014. Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext. Wiesbaden.
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: 6. März 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: Gesellschaft für Controlling e.V.
Knöll, H.D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden: Vieweg+Teubner.
Koglin, U. 2016. SAP S/4 Hana. Voraussetzung – Nutzen – Erfolgsfaktoren. Bonn.
Kononenko, I., und M. Kukar. 2007. Machine learning and data mining: introduction to principles and algorithms. Boca Raton: Horwood Publishing.
Krudewig, W. 2012. E-Bilanz-gerecht kontieren und buchen. Freiburg: Haufe.
Krüger, J. 2015. SAP simple finance an introduction. Bonn.
Krystek, U., und R. Moldenhauer. 2007. Handbuch Krisen- und Restrukturierungsmanagement. Generelle Konzepte, Spezialprobleme, Praxisberichte. Stuttgart.
Küsters, U. 2001. Data Mining Methoden: Einordnung und Überblick. In Handbuch Data Mining im Marketing – Knowledge Discovery in Marketing Databases, Hrsg. H. Hippner, U. Küsters, M. Meyer, und K.D. Wilde, 95–130. Braunschweig: Vieweg Gabler.
Lanquillon, C., und H. Mallow. 2015. Advanced Analytics mit Big Data. In Praxishandbuch Big Data, Hrsg. J. Dorchel, 55–89. Wiesbaden: Springer Gabler.
Laudon, K., und J. Laudon. 1988. Management Information Systems, 2. Aufl. New York: Pearson.
Leßweng, H.-P. 2004. Einsatz von Business Intelligence Tools (BIT) im betrieblichen Berichtswesen. Controlling 1:41–49.
Lixenfeld, C. 2015. Tools für den Leistungscheck von BI-Systemen können nützlich sein. Computerwoche H. 11: 24.
Lopez, M.D. 2009. Successful mobile deployments require robust security. Whitepaper. https://www.bitpipe.com/detail/RES/1242855514_161.html. Zugegriffen: 20. Juni 2017.
Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München: Markt + Technik.
Manhart, K. 2011a. 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: 28. Juni 2011.
Manhart, K. 2011b. Business Intelligence. http://www.tecchannel.de/server/sql/1739205/business_intelligence_teil_2_datensammlung_und_data_warehouses/index8.html. Zugegriffen: 19. Febr. 2011.
Martin, W., und E. von Maur. 1997. Data Warehouse. In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens, 105–106. Berlin: Springer.
März, N., und J. Warren. 2015. Big Data – Principles and best practices of scalable realtime data systems. Shelter Island: Manning.
Mathew, B. 2015. Beginning SAP Fiori. Bangalore: Apress.
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™/Business Analytics – Integration von strategischer und operativer Unternehmensführung, 2. Aufl. Berlin, Heidelberg: Springer.
Mell, P., und T. Grance. 2011. The NIST definition of cloud computing. Gaithersburg: National Institute of Standards and Technology.
Merkt, S., H.A. Müller, und J. Tscherkaschina. 2015. SAP BusinessObjects Design Studio – Das Praxishandbuch. Bonn: SAP Press.
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: 23. Juli 2011.
Mertens, P., und J. Griese. 1988. Informations- und Kontrollsysteme. In Industrielle Datenverarbeitung, Hrsg. P. Mertens und J. Griese, Bd. 2. Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler.
Mertens, P., und J. Griese. 2002. Integrierte Informationsverarbeitung 2. Planungs- und Kontrollsysteme in der Industrie, 9. Aufl. Wiesbaden: Springer.
Merz, M., T. Hügens, und S. Blum. 2015. SAP BW auf SAP – HANA: Implementierung und Migration. Bonn: Galileo Press.
Mohr, M. 2006. HCC-Einführungsschulung zum SAP Business Information Warehouse – Grundlagen, Reporting und Analyse, Modellierung und Staging. München: SAP Hochschulkompetenzzentrum an der Technischen Universität München am Lehrstuhl für Wirtschaftsinformatik – Prof. Dr. H. Krcmar.
Möller, K., F. Federmann, S. Pieper, und M. Knezevic. 2016. Predictive Analytics zur kurzfristigen Umsatzprognose. Zeitschrift für Controlling 28(8–9):509–518.
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: Gabler.
Müller, S. 2014. Die neue Realität – Erweiterung des Data Warehouse um Hadoop, NoSql & Co. In Big Data, Hrsg. D. Fasel, A. Meier, 447–457. Wiesbaden.
Müller, S., und C. Keller. 2015. Pentaho und Jedox. München: Hanser.
Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden: Springer Gabler.
NN/w3resource. 2015. NoSQL. http://www.w3resource.com/mongodb/nosql.php. Zugegriffen: 28. Jan. 2015.
Oehler, K. 2000. OLAP, Grundlagen, Modellierung und betriebswirtschaftliche Lösung. München: Hanser.
Oehler, K. 2006. Corporate performance management. München, Wien: Hanser.
Oppelt, R.U.G. 1995. Computerunterstützung für das Management. München, Wien: Oldenbourg.
Pastwa, A. 2010. Serviceorientierung im betrieblichen Berichtswesen. Entwicklung eines Architektur- und Vorgehensmodells zur konzeptionellen Gestaltung von Berichtsprozessen auf Basis einer SOA und XBRL. Frankfurt am Main: Peter Lang.
Pends, N., und R. Creeth. 1995. The OLAP report. Market Share Analysis. http://www.olapreport.com/market.htm. Zugegriffen: 28. Jan. 1999.
Petersohn, H. 2005. Data Mining – Verfahren, Prozesse, Anwendungsarchitektur. München: Oldenburg.
Plattner, H. 2011. In-memory data management: an inflection point for enterprise applications. Heidelberg: Springer.
Pütter, C. 2011. Keine Hilfe für BI-Projekte. http://www.cio.de/2239428. Zugegriffen: 12. März 2011.
QlikTech. 2016. Predictive analytics with qlikview and qlik sense. http://go.qlik.com/PredictiveanalyticsQ2_Registration_LP.html. Zugegriffen: 25. Juli 2016.
QlikTech. 2017. Qlikview governance dashboard. http://global.qlik.com/at//~/media/Files/resource-library/global-us/direct/da-tasheets/DS-Practical-Data-Governance-As-You-Deploy-EN.ashx. Zugegriffen: 7. Juni 2017.
QlikView. 2011. Qlikview-demo sales analysis. http://demo.qlikview.com/QvAJAXZfc/opendoc.htm?document=Executive%20Dashboard.qvw&host=Demo10&anonymous=true. Zugegriffen: 20. Juli 2011.
R. 2016. Statistische Datenanalyse mit R. http://www.r-statistik.de/. Zugegriffen: 7. Juli 2016.
Reichmann, T. 2006. Controlling mit Kennzahlen und Managementberichten, 7. Aufl. München: Vahlen.
Reichmann, T. 2011. Controlling mit Kennzahlen, Die systemgestützte Controlling-Konzeption mit Analyse- und Reportinginstrumenten, 8. Aufl. München: Vahlen.
Richter, M. 2003. Fallbasiertes Schließen. In Handbuch der Künstlichen Intelligenz, 4. Aufl., Hrsg. G. Görz, C.R. Rollinger, und J. Schneeberger, 407–430. München, Wien: Oldenbourg.
Ruf, R., und W. Schwab. 2016. Visual analytics. Controlling 28(8/9):495–501.
Runkler, T.A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse., 96. Wiesbaden: Springer Vieweg.
Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data Warehouse Management, Hrsg. E. von Maur, R. Winter, 113–147. Berlin, Heidelberg: Springer.
Sack, R. 2013. Big Data – Strategischer Vorteil im internationalen Wettbewerb. http://www.wi.hswismar.de/~laemmel/Lehre/WA/Artikel1306/Sack_BigData.pdf. Zugegriffen: 16. Dez. 2014.
SAP AG. 2003. SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse. Screenshot aus dem System SAP SEM.
SAP AG. 2008. SAP BEx Analyser. Screenshot aus dem System SAP BEx Analyser.
SAP AG. 2011. SAP ERP CC System – Standardbericht. Selektionsmaske und Planungsformular aus einem IDES-System.
SAP-Portal. 2009. SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/5d/7c4b52691011d4b2f00050dadfb23f/frameset.htm. Zugegriffen: 26. Jan. 2009.
SAP-Portal. 2010. SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm. Zugegriffen: 20. Juli 2010.
SAP AG. 2016. SAP businessobjects mobile for iOS – document version: 6.3.10 – 2016-02-09
SAP Fiori. 2017a. Design guideline. https://experience.sap.com/fiori-design-web/home-page/. Zugegriffen: 28. Mai 2017.
SAP Fiori. 2017b. Integration von businessObjects-tools. https://blogs.sap.com/2016/04/13/integrating-sap-fiori-and-sap-businessobjects-bi/. Zugegriffen: 22. Mai 2017.
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: 16. Dez. 2014.
Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report 8:22–23.
Scheer, A.W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin: Springer.
Schill, A., und T. Springer. 2007. Verteilte Systeme – Grundlagen und Basistechnologien. Berlin: Springer.
Schinzer, H.D. 1996. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. Wiesbaden: Springer.
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.
Schinzer, H.D., C. Bange, und H. Mertens. 1999. Data Warehouse und Data Mining, Marktführende Produkte im Vergleich, 2. Aufl. München: Vahlen.
Schmitz, U. 2015. Nutzung von In-Memory-Technologie in der BI. In Handbuch Business Intelligence – Potenziale, Strategien, Best Practices, Hrsg. M. Lang, 233–247. Düsseldorf: Symposion Publishing.
Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund: Gesellschaft für Controlling e.V.
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: 1. Juni 2011.
Schön, D., und R. Müller. 2010. Mittelstandscontrolling für Inhaber und Manager. In 25. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 123–165. Dortmund: Gesellschaft für Controlling e.V.
Schön, D., und M. Pook. 2015. Bedarfsgerechte Steuerung durch IT-gestütztes Berichtswesen. innovative Verwaltung 37(10):10–13.
Schön, D., M. Ständer, und M. Liebe. 2013. Unternehmens- und Projektsteuerung mit Hilfe eines BI-gestützten Controlling-Cockpits am Beispiel der Securiton GmbH. Zeitschrift für Controlling 25(4/5):252–260.
Schroeck, M. R., R. Shockley, J. Smart, D. Romero-Morales, und P. Tufano. 2015. Analytics: Big Data in der Praxis, Hrsg. IBM Institute for Business Value in Zusammenarbeit mit der Saïd Business School an der Universität Oxford, 1–20. Ehningen: IBM.
Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München: Hanser.
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: 9. Mai 2015.
Search Business Analytics. 2016. embedded BI. http://searchbusinessanalytics.techtarget.com/definition/em-bedded-BI-embedded-business-intelligence. Zugegriffen: 15. Juni 2016.
Seiter, M. 2017. Business Analytics: Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung. München: Vahlen.
Seufert, A. 2014. Das Controlling als Business Partner: Business Intelligence & Big Data als zentrales Aufgabenfeld. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 23–45. Freiburg: Haufe.
Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business Intelligence & Controlling Competence, Bd. 1 Stuttgart, Berlin: Steinbeis-Edition.
Siegel, E. 2013. Predictive Analytics, The Power To Predict Who Will Click, Buy, Lie, Or Die. New Jersey: Wiley.
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: Springer.
Taschner, A. 2013. Management Reporting. Erfolgsfaktor internes Berichtswesen. Wiesbaden: Springer Gabler.
TECChannel – IT im Mittelstand. 2014. Datenmengen explodieren durch Sensordaten. http://www.tecchannel.de/storage/news/2056615/datenmengen_explodieren_durch_sensordaten/. Zugegriffen: 16. Dez. 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.
Walker-Morgan, D. 2010. NoSQL im Überblick. http://www.heise.de/open/artikel/NoSQL-im-Ueberblick-1012483.html. Zugegriffen: 14. Dez. 2014.
Warner, D. 2007. SQL für Praxis und Studium. Poing, München: Neubert.
Wartala, R. 2012. Hadoop: zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. München: Open Source Press.
Weber, J. 2013. Verhaltensorientiertes Controlling. Plädoyer für eine (nicht) ganz neue Sicht auf das Controlling. Zeitschrift für Controlling 25(4/5):217–222.
Weber, H.W., und U. Strüngmann. 1997. Data Warehouse und Controlling – Eine vielversprechende Partnerschaft. Controlling 1:30–36.
Weigend, A. 2017. Data for the people: Das implizite explizit machen! mobile Business 4(5–6):16–19.
Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1 1:42–44.
Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen: Westdeutscher Verlag.
Winterstein, A., und E. Leitner. 1998. An Informationen nicht ersticken. In Client Server Computing, Bd. 3, 34–39.
Zarinac, T. 2016. Technologien, Architekturen und Prozesse. In Agile Business Intelligence, Hrsg. S. Trahasch, M. Zimmer, 131–142. Heidelberg: dpunkt Verlag.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2018 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Schön, D. (2018). IT-Unterstützung. In: Planung und Reporting im BI-gestützten Controlling. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-19963-0_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-19963-0_5
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-19962-3
Online ISBN: 978-3-658-19963-0
eBook Packages: Business and Economics (German Language)