IT-Unterstützung

Schön, Dietmar

doi:10.1007/978-3-658-19963-0_5

Dietmar Schön²

25k Accesses

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Chapter: USD 29.95; Price excludes VAT (USA)

eBook: USD 54.99; Price excludes VAT (USA)

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

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.
Vgl. zu historischen Entwicklung von Reporting‑ und Planungslösungen u. a. Laudon und Laudon (1988), Gluchowski et al. (2008, S. 55 ff.), Oppelt (1995), Schinzer (1996), Mertens und Griese (2002), Oehler (2006) und Chamoni und Gluchowski (2004, S. 5 ff.).
9.
Vgl. Wild (1981, S. 36 ff.) oder Dahnken et al. (2003, S. 52 ff.).
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.
Vgl. Schön und Pook (2015, S. 13), Weber (2013, S. 219) und Schön et al. (2013, S. 258).
20.
Vgl. Goecken (2006, S. 11, 15 f.), Gluchowski et al. (2008, S. 55–88), Chamoni et al. (2010, S. 6 ff.) und Bauer und Günzel (2013, S. 11).
21.
Vgl. Behme (1996, S. 31) und Inmon, B.: Definition of a data warehouse. URL: www.billinmon.com [Zugriff am 31.07.2002].
22.
Vgl. Mucksch und Behme (2000, S. 11 f.) und Hahne (2005, S. 8).
23.
Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.
24.
Vgl. Bauer und Günzel (2013, S. 6). Kapp und Kusterer beziehen die Datensammlung im Data Warehouse nur auf strategisch relevante Informationen (Knapp und Kusterer 1996, S. 219 ff.).
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.
Vgl. Kemper et al. (2010, S. 23) sowie Sinz und Ulbrich vom Ende (2010, S. 188).
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.
Erweiterte Data‐Warehouse‐Definition des Autors in Anlehnung an Mucksch und Behme (2000, S. 6) und Gabriel et al. (2000, S. 76).
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.
Vgl. Chamoni (1997, S. 294) und Codd et al. (1993).
57.
Vgl. z. B. Düsing und Heidsieck (2009, S. 108) und Oehler (2000).
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.
Vgl. Turban et al. (2004, S. 103). Vgl. hierzu auch die Ausführungen in Abschn. 5.2.
73.
Vgl. Gabriel (2010) http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/ [Zugriff am 15.01.2011].
74.
Vgl. Bissantz und Hagedorn (2001, S. 130–131) oder Determann und Rey (1999, S. 143).
75.
Vgl. Kononenko und Kukar (2007).
76.
Vgl. z. B. Siegel (2013).
77.
Vgl. Petersohn (2005, S. 10–11) und Cleve und Lämmel (2014, S. 38).
78.
Vgl. Feindt und Grüßling (2014, S. 181 f.).
79.
Vgl. Felden (2010, S. 307–328).
80.
Vgl. Burow et al. (2014, S. 13–20), Bitkom (2014, S. 21–24, S. 45–47) und Schubert (2013).
81.
Vgl. Gehra (2005, S. 22 f.), Krystek und Moldenhauer (2007, S. 124) und Hammer (1998, S. 252 ff.).
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.
Vgl. Ruf und Schwab (2016, S. 495–501) und BARC (2017).
88.
Entnommen aus: Freiknecht (2014, S. 345).
89.
Zum Beispiel QlikTech (2016) und Jedox (2016).
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.
Vgl. Behme und Mucksch (1997, S. 150) und Schinzer et al. (1999, S. 284, 314 f.).
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.
Vgl. Manhart (2011a), Krudewig (2012, S. 29) und Feindt (2014, S. 53 ff.).
117.
Zu den technischen Gestaltungs‑ und Anwendungsmöglichkeiten mobiler Endgeräte siehe auch Abschn. 5.9.3.
118.
Vgl. Winterstein und Leitner (1998, S. 34), Kemper et al. (2010, S. 10) und Chamoni und Gluchowski (2004, S. 119).
119.
Vgl. u. a. die Definitionen von Schrödel, King und die im weiteren Verlauf dieses Kapitels genannten Autoren: Schrödl (2009, S. 9) und King (2014, S. 37).
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.
Vgl. Horváth (2008, S. 125) und Reichmann (2006, S. 13).
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.
Ähnliche Beispiele findet man in unterschiedlichen Quellen, u. a. Dorschel (2015, S. 109) und Bitkom (2013).
137.
Vgl. z. B. BARC (2014, S. 23–24) und Dorschel u. a. (2015, S. 2) sowie Institut für Business Intelligence (2013).
138.
Vgl. Finlay (2014, S. 13).
139.
Vgl. IBM Institute for Business Value und Säid Business School (2012).
140.
Vgl. Gartner (2015) und Brücher (2013, S. 41 ff.).
141.
Vgl. Schroeck et al. (2015, S. 3 f.).
142.
Vgl. Finlay (2014, S. 13) und Gesellschaft für Informatik et al. (2013).
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.
Vgl. Freiknecht (2014, S. 20) und Bitkom (2014, S. 39).
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.
Vgl. Müller (2014, S. 450) und Alexander und Grosser (2017).
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.
Frietsch (2016, S. 171) und Seiter (2017, S. 83).
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.
Vgl. Chamoni und Gluchowski (2017, S. 9) und Felden (2017, S. 1–8).
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.
Einige Autoren benutzen sogar beide Begriffe und die Kurzform BIA für Business Intelligence & Analytics. Diese Mischung zeigt m. E. wie unscharf die Begriffe verwendet werden. Vgl. Ereth und Kemper (2016, S. 458–464) und Chen, Chiang und Storey (2012, S. 1165–1188).
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.
Vgl. SAP SE (2013), Merkt et al. (2015) und Kessler et al. (2014, S. 31–37).
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.
Vgl. Mell und Grance (2011, S. 2–3) und Duisberg (2011, S. 49).
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.
Vgl. Keist et al. (2016, S. 109–113). Der Unterschied ist ähnlich wie im Abschn. 5.9.5.1 und 5.9.5.2 für mobile Business‐Anwendungen aufgeführt wurde.
213.
Vgl. Mathew (2015, S. 1 ff.) und Engelbrecht und Wegelin (2015, S. 25).
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.
Vgl. Beckert et al. (2012, S. 139 f.) und und Homann et al. (2013, S. 52 f.).
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.
Google Scholar
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.
Google Scholar
Alpar, P., und J. Niedereichholz (Hrsg.). 2000. Data Mining im praktischen Einsatz. Braunschweig: Springer Viewg.
Google Scholar
Apel, D., W. Behme, R. Eberlein, und C. Merighi. 2009. Datenqualität erfolgreich steuern. München, Wien: dpunkt Verlag.
Google Scholar
Azevedo, P., G. Brosius, S. Dehnert, et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server. Microsoft Press.
Google Scholar
Baars, H. 2016. Predictive Analytics in der IT-basierten Entscheidungsunterstützung – methodische, architektonische und organisatorische Konsequenzen. Controlling 28(3):174–180.
Google Scholar
Bange, C. 2011. BARC-Tagungsband: Planungs- und Controlling-Systeme für den Mittelstand, Teil: Keynote, Folie 11. Würzburg: Business Application Research Center – BARC GmbH.
Google Scholar
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.
Google Scholar
Bange, C., B. Marr, und A. Bange. 2009. Performance Management: eine weltweite Umfrage. BARC-Studie August.
Google Scholar
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.
Google Scholar
BARC. 2017. BI-Trend Monitor 2017. http://barc.de/trend-monitor?s=s_9_550. Zugegriffen: 12. Juni 2017.
Google Scholar
Bauer, A., und H. Günzel. 2013. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung, 4. Aufl. Heidelberg: dpunkt Verlag.
Google Scholar
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.
Google Scholar
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.
Google Scholar
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.
Chapter Google Scholar
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.
Google Scholar
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.
Chapter Google Scholar
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.
Google Scholar
Berg, B., und P. Silvia. 2013. Einführung in SAP HANA, 2. Aufl. Bonn: Galileo Press.
Google Scholar
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.
Google Scholar
Birk, W., und C. Wegener. 2010. In Über den Wolken: Cloud Computing im Überblick, 641–645.
Google Scholar
Bissantz, N., J. Hagedorn, et al. 2001. Data Mining. In Lexikon der Wirtschaftsinformatik, 4. Aufl., Hrsg. P. Mertens, 130–131. Wiesbaden: Springer.
Google Scholar
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.
Chapter Google Scholar
Bitkom. 2013. Management von Big Data-Projekten, BITKOM-Leitfaden 2013. http://www.bitkom.org/de/themen/79758_76511.aspx. Zugegriffen: 12. März 2015.
Google Scholar
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.
Google Scholar
Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten: W3L GmbH.
Google Scholar
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.
Google Scholar
Brücher, C. 2013. Rethink big data. Heidelberg: mitp.
Google Scholar
Buck-Emden, R. 1995. Die Client/Server-Technologie des SAP R/3: Basis für betriebswirtschaftliche Standardanwendungen, 2. Aufl. Bonn, Paris: Addison Wesley Verlag.
Google Scholar
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
Google Scholar
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.
Google Scholar
Caesar, D., und M. Friebel. 2011. Microsoft SQL Server 2008 R2: Schnelleinstieg für Administratoren und Entwickler. Bonn: Galileo Computing.
Google Scholar
Chamoni, P., et al. 1997. Online Analytical Processing (OLAP). In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens. Berlin: Springer.
Google Scholar
Chamoni, P., und P. Gluchowski. 2004. Integrationstrends bei Business-Intelligence-Systemen. Wirtschaftsinformatik 46(2):119–128.
Article Google Scholar
Chamoni, P., und P. Gluchowski. 2017. Business analytics – state of the art. Zeitschrift für Controlling Management Review 61(4):8–17, 9.
Article Google Scholar
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.
Chapter Google Scholar
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.
Google Scholar
Cleve, J., und U. Lämmel. 2014. Data mining., 57–192. München: De Gruyter Oldenbourg.
Book Google Scholar
Codd, E.F., S.B. Codd, und C.T. Salley. 1993. Providing OLAP to user-analysts: an IT mandate. Ann Arbor: Codd & Associates.
Google Scholar
Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. München: Oxygon.
Google Scholar
Dahnken, O., P. Keller, J. Narr, und C. Bange. 2004. Planung und Budgetierung, 21 Software-Plattform zum Aufbau unternehmensweiter Planungsapplikationen. München: Oxygon.
Google Scholar
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.
Google Scholar
Determann, L., und M. Rey. 1999. Chancen und Grenzen des Data Mining im Controlling. Controlling 11(2):43–147.
Google Scholar
Donie, P., und B. Raeburn. 2015. Mobiles Arbeiten – Verbindungsmacher. Business Intelligence Magazin 1:48–49.
Google Scholar
Dorschel, J. 2015. Praxisbuch Big Data. Karlsruhe: Springer Gabler.
Google Scholar
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.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Eckerson, W. 2007. Predictive analytics: extending the value of your data warehousing investment. TDWI Best Practices Report, TDWI Research.
Google Scholar
Edlich, S., et al. 2010. NOSQL: Einstieg in die Welt nichtrationaler Web 2.0 Datenbanken. München: Hanser.
Google Scholar
Egger, N., J.M. Fiechter, C. Rohlf, J. Rose, und S. Weber. 2005. SAP BW Planung und Simulation. Bonn: Galileo Press.
Google Scholar
Egger, N., Hastenrath, Kästner, Kramer, et al. 2009. Reporting und Analyse mit SAP Business Objects. Bonn: Galileo Press.
Google Scholar
Elmasri, R., und S.B. Navathe. 2007. Fundamentals of database systems, 5. Aufl. Bosten: Addison Wesley.
Google Scholar
Engelbrecht, M., und M. Wegelin. 2015. SAP Fiori: Implementierung und Entwicklung. Bonn: SAP Press.
Google Scholar
Engels, C. 2015. Basiswissen business intelligence, 2. Aufl. Dortmund: W3I.
Google Scholar
Ereth, J., und H.-G. Kemper. 2016. Business analytics und business intelligence. Zeitschrift für Controlling 28:458–464.
Article Google Scholar
Farkisch, K. 2011. Data-Warehouse-Systeme kompakt. Heidelberg: Springer.
Google Scholar
Fasel, D., und A. Meier (Hrsg.). 2016. Big Data Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Vieweg.
Google Scholar
Feindt, B.J. 2014. Die E-Bilanz in kleinen und mittleren Unternehmen (KMU). Wiesbaden: Springer Gabler.
Book Google Scholar
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.
Google Scholar
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.
Google Scholar
Felden, C. 2010. Predictive Analytics. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 307–328. Berlin, Heidelberg: Springer.
Chapter Google Scholar
Finlay, S. 2014. Predicitve analytics, data mining and big data: myths, misconceptions and methods. New York: Palgrave Macmillan.
Book Google Scholar
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.
Google Scholar
Freiknecht, J. 2014. Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren. München: Hanser.
Google Scholar
Frietsch, H. 2016. BI und Big Data in einer ausbalancierten Architektur. In Business Intelligence erfolgreich umsetzen, Hrsg. M. Lang, 163–177. Düsseldorf: Symposion.
Google Scholar
Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München: Hanser.
Book Google Scholar
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.
Google Scholar
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.
Article Google Scholar
Gabriel, R., P. Gluchowski, und A. Pastwa. 2009. Data warehouse & data mining. Herdecke, Witten: W3I.
Google Scholar
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.
Google Scholar
Gartner. 2016. Business analytics. http://www.gartner.com/it-glossary/business-analytics. Zugegriffen: 22. Okt. 2016.
Google Scholar
Gehra, B. 2005. Früherkennung mit Business-Intelligence-Technologien. Anwendung und Wirtschaftlichkeit der Nutzung operativer Datenbestände. Diss. Wiesbaden.
Chapter Google Scholar
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.
Google Scholar
Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. Controlling 6:320–324.
Article Google Scholar
Gleich, R. 2001. Das System des Performance Measurement. Theoretisches Grundkonzept, Entwicklungs- und Anwendungsstand. München: Vahlen.
Google Scholar
Gluchowski, P. 2001. Business Intelligence. HDM – Praxis der Wirtschaftsinformatik 38(222):5–15.
Google Scholar
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.
Chapter Google Scholar
Gluchowski, P. 2016. Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. HMD Praxis der Wirtschaftsinformatik 53(3):273–286.
Article Google Scholar
Gluchowski, P., und P. Chamoni. 2016. Analytische Informationssysteme: Business-Intelligence-Technologien und -Anwendungen. Wiesbaden: Springer.
Book Google Scholar
Gluchowski, G., R. Gabriel, und C. Dittmar. 2008. Management support systeme und business intelligence, 2. Aufl. Berlin, Heidelberg: Springer.
Google Scholar
Gluchowski, P., R. Gabriel, und C. von Dittmar. 2008. Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. Berlin, Heidelberg: Springer.
Google Scholar
Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden: Vieweg+Teubner Verlag.
Google Scholar
Hahne, M. 2005. SAP Business Information Warehouse. Berlin, Heidelberg: Springer.
Google Scholar
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.
Chapter Google Scholar
Hammann, P., und B. Erichson. 2006. Marktforschung, 4. Aufl. Stuttgart: UTB.
Google Scholar
Hammer, R.M. 1998. Strategische Planung und Frühaufklärung, 3. Aufl. München: De Gruyter Oldenbourg.
Google Scholar
Hanning, U. (Hrsg.). 2008. Vom data warehouse zum corporate performance management. Ludwigshafen: Institut für managementinformationssysteme e.V.
Google Scholar
Hansel, S. 2015. Langsamer Abschied vom Laisser-faire. Wirtschaftswoche 12:58–62.
Google Scholar
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.
Google Scholar
Hesseler, M. 2009. Costumizing von ERP-Systemen. Zeitschrift für Controlling & Management 53(Sonderheft 3):48–55.
Article Google Scholar
Hesseler, M., und M. Görtz. 2007. Basiswissen ERP-Systeme. Witten: Herdecke.
Google Scholar
Heuer, A., et al. 2001. Datenbanksysteme in Büro, Technik und Wissenschaft. 9. GI-Fachtagung Oldenburg, Berlin, Heidelberg, 7.–9. März 2001.
Book Google Scholar
Homann, M., H. Wittges, und H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn: Galileo Press.
Google Scholar
Hortonworks. 2013. Apache Hadoop Anwendungsmuster. http://bigdatacongress.com/files/2013/09/Hortonworks-ApacheHadoopPatternsOfUse-v1-0_German.pdf. Zugegriffen: 5. Jan. 2017.
Google Scholar
Horváth, P. 2008. Controlling, 11. Aufl. München: Vahlen.
Google Scholar
Hotho, A., A. Nürnberger, und G. Paaß. 2005. A brief survey of text mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1):19–62.
Google Scholar
Humm, B., und F. Wietek. 2005. Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum 23(2):3–14.
Google Scholar
IBM Consulting Services. 2003. SAP Berechtigungswesen. Bonn: SAP Press.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Iffert, L. 2017. Data Discovery – Definition und Marktüberblick. 24.03.2017. Hannover. http://barc.de/events/downloadfile/id/XrVBGmwzckM54OF54Ff4. Zugegriffen: 3. Juli 2017.
Google Scholar
Inform. 2017. Qlik business intelligence. https://www.inform-software.de/produkte/qlik-business-intelligence. Zugegriffen: 26. Mai 2017.
Google Scholar
Institut für Business Intelligence. 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big Data
Google Scholar
de Intelligence. 2017. Analytische Datenbanken. https://www.intelligence.de/news/analytische-datenbanken-uberblick-zur-datenbanktechnologie.html. Zugegriffen: 19. Juli 2017.
Google Scholar
Jedox. 2016. Jedox social analytics showcase. http://jedox-social-analytics.com/. Zugegriffen: 7. Juli 2016.
Google Scholar
Jetter, W. 2004. Performance management, 2. Aufl. Stuttgart: Schäffer-Poeschel.
Google Scholar
Jordan, C., und D. Schnider. 2011. Data warehousing mit oracle: business intelligence in der praxis. München: Hanser.
Google Scholar
Jung, H. 2011. Controlling, 9. Aufl. München: De gruyter Oldenbourg.
Book Google Scholar
Kaufmann, M. 2014. Die Geister die wir riefen. In Big Data, Hrsg. D. Fasel, A. Meier, 383–400. Wiesbaden: Springer Vieweg.
Google Scholar
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.
Google Scholar
Kemper, H.G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden: Springer Vieweg.
Book Google Scholar
Kersten, H., und G. Klett. 2012. Mobile device management. Heidelberg: mitp.
Google Scholar
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.
Google Scholar
King, S. 2014. Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext. Wiesbaden.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Knöll, H.D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden: Vieweg+Teubner.
Google Scholar
Koglin, U. 2016. SAP S/4 Hana. Voraussetzung – Nutzen – Erfolgsfaktoren. Bonn.
Google Scholar
Kononenko, I., und M. Kukar. 2007. Machine learning and data mining: introduction to principles and algorithms. Boca Raton: Horwood Publishing.
Book Google Scholar
Krudewig, W. 2012. E-Bilanz-gerecht kontieren und buchen. Freiburg: Haufe.
Google Scholar
Krüger, J. 2015. SAP simple finance an introduction. Bonn.
Google Scholar
Krystek, U., und R. Moldenhauer. 2007. Handbuch Krisen- und Restrukturierungsmanagement. Generelle Konzepte, Spezialprobleme, Praxisberichte. Stuttgart.
Google Scholar
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.
Google Scholar
Lanquillon, C., und H. Mallow. 2015. Advanced Analytics mit Big Data. In Praxishandbuch Big Data, Hrsg. J. Dorchel, 55–89. Wiesbaden: Springer Gabler.
Google Scholar
Laudon, K., und J. Laudon. 1988. Management Information Systems, 2. Aufl. New York: Pearson.
Google Scholar
Leßweng, H.-P. 2004. Einsatz von Business Intelligence Tools (BIT) im betrieblichen Berichtswesen. Controlling 1:41–49.
Article Google Scholar
Lixenfeld, C. 2015. Tools für den Leistungscheck von BI-Systemen können nützlich sein. Computerwoche H. 11: 24.
Google Scholar
Lopez, M.D. 2009. Successful mobile deployments require robust security. Whitepaper. https://www.bitpipe.com/detail/RES/1242855514_161.html. Zugegriffen: 20. Juni 2017.
Google Scholar
Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München: Markt + Technik.
Google Scholar
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.
Google Scholar
März, N., und J. Warren. 2015. Big Data – Principles and best practices of scalable realtime data systems. Shelter Island: Manning.
Google Scholar
Mathew, B. 2015. Beginning SAP Fiori. Bangalore: Apress.
Book Google Scholar
Mehler, A., und C. Wolf. 2005. Einleitung: Perspektiven und Positionen des Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1):1–18.
Google Scholar
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.
Google Scholar
Mell, P., und T. Grance. 2011. The NIST definition of cloud computing. Gaithersburg: National Institute of Standards and Technology.
Book Google Scholar
Merkt, S., H.A. Müller, und J. Tscherkaschina. 2015. SAP BusinessObjects Design Studio – Das Praxishandbuch. Bonn: SAP Press.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Mertens, P., und J. Griese. 2002. Integrierte Informationsverarbeitung 2. Planungs- und Kontrollsysteme in der Industrie, 9. Aufl. Wiesbaden: Springer.
Google Scholar
Merz, M., T. Hügens, und S. Blum. 2015. SAP BW auf SAP – HANA: Implementierung und Migration. Bonn: Galileo Press.
Google Scholar
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.
Google Scholar
Möller, K., F. Federmann, S. Pieper, und M. Knezevic. 2016. Predictive Analytics zur kurzfristigen Umsatzprognose. Zeitschrift für Controlling 28(8–9):509–518.
Article Google Scholar
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.
Chapter Google Scholar
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.
Google Scholar
Müller, S., und C. Keller. 2015. Pentaho und Jedox. München: Hanser.
Google Scholar
Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden: Springer Gabler.
Google Scholar
NN/w3resource. 2015. NoSQL. http://www.w3resource.com/mongodb/nosql.php. Zugegriffen: 28. Jan. 2015.
Google Scholar
Oehler, K. 2000. OLAP, Grundlagen, Modellierung und betriebswirtschaftliche Lösung. München: Hanser.
Google Scholar
Oehler, K. 2006. Corporate performance management. München, Wien: Hanser.
Google Scholar
Oppelt, R.U.G. 1995. Computerunterstützung für das Management. München, Wien: Oldenbourg.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Plattner, H. 2011. In-memory data management: an inflection point for enterprise applications. Heidelberg: Springer.
Book Google Scholar
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.
Google Scholar
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.
Google Scholar
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.
Google Scholar
R. 2016. Statistische Datenanalyse mit R. http://www.r-statistik.de/. Zugegriffen: 7. Juli 2016.
Google Scholar
Reichmann, T. 2006. Controlling mit Kennzahlen und Managementberichten, 7. Aufl. München: Vahlen.
Google Scholar
Reichmann, T. 2011. Controlling mit Kennzahlen, Die systemgestützte Controlling-Konzeption mit Analyse- und Reportinginstrumenten, 8. Aufl. München: Vahlen.
Google Scholar
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.
Chapter Google Scholar
Ruf, R., und W. Schwab. 2016. Visual analytics. Controlling 28(8/9):495–501.
Article Google Scholar
Runkler, T.A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse., 96. Wiesbaden: Springer Vieweg.
Google Scholar
Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data Warehouse Management, Hrsg. E. von Maur, R. Winter, 113–147. Berlin, Heidelberg: Springer.
Chapter Google Scholar
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.
Google Scholar
SAP AG. 2003. SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse. Screenshot aus dem System SAP SEM.
Google Scholar
SAP AG. 2008. SAP BEx Analyser. Screenshot aus dem System SAP BEx Analyser.
Google Scholar
SAP AG. 2011. SAP ERP CC System – Standardbericht. Selektionsmaske und Planungsformular aus einem IDES-System.
Google Scholar
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
Google Scholar
SAP Fiori. 2017a. Design guideline. https://experience.sap.com/fiori-design-web/home-page/. Zugegriffen: 28. Mai 2017.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report 8:22–23.
Google Scholar
Scheer, A.W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin: Springer.
Book Google Scholar
Schill, A., und T. Springer. 2007. Verteilte Systeme – Grundlagen und Basistechnologien. Berlin: Springer.
Google Scholar
Schinzer, H.D. 1996. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. Wiesbaden: Springer.
Google Scholar
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.
Google Scholar
Schinzer, H.D., C. Bange, und H. Mertens. 1999. Data Warehouse und Data Mining, Marktführende Produkte im Vergleich, 2. Aufl. München: Vahlen.
Google Scholar
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.
Google Scholar
Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund: Gesellschaft für Controlling e.V.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Schön, D., und M. Pook. 2015. Bedarfsgerechte Steuerung durch IT-gestütztes Berichtswesen. innovative Verwaltung 37(10):10–13.
Article Google Scholar
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.
Article Google Scholar
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.
Google Scholar
Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München: Hanser.
Book Google Scholar
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.
Google Scholar
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.
Google Scholar
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.
Google Scholar
Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business Intelligence & Controlling Competence, Bd. 1 Stuttgart, Berlin: Steinbeis-Edition.
Google Scholar
Siegel, E. 2013. Predictive Analytics, The Power To Predict Who Will Click, Buy, Lie, Or Die. New Jersey: Wiley.
Google Scholar
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.
Chapter Google Scholar
Taschner, A. 2013. Management Reporting. Erfolgsfaktor internes Berichtswesen. Wiesbaden: Springer Gabler.
Google Scholar
TECChannel – IT im Mittelstand. 2014. Datenmengen explodieren durch Sensordaten. http://www.tecchannel.de/storage/news/2056615/datenmengen_explodieren_durch_sensordaten/. Zugegriffen: 16. Dez. 2014.
Google Scholar
Turban, E., J.E. Aronson, und T.P. Liang. 2004. Decission support and intelligent systems, 7. Aufl.
Google Scholar
Vaduva, A., und T. Vetterli. 2001. Metadata management for data warehousing: an overview. International Journal of Cooperative Information Systems 10(3):273–298.
Article Google Scholar
Walker-Morgan, D. 2010. NoSQL im Überblick. http://www.heise.de/open/artikel/NoSQL-im-Ueberblick-1012483.html. Zugegriffen: 14. Dez. 2014.
Google Scholar
Warner, D. 2007. SQL für Praxis und Studium. Poing, München: Neubert.
Google Scholar
Wartala, R. 2012. Hadoop: zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. München: Open Source Press.
Google Scholar
Weber, J. 2013. Verhaltensorientiertes Controlling. Plädoyer für eine (nicht) ganz neue Sicht auf das Controlling. Zeitschrift für Controlling 25(4/5):217–222.
Article Google Scholar
Weber, H.W., und U. Strüngmann. 1997. Data Warehouse und Controlling – Eine vielversprechende Partnerschaft. Controlling 1:30–36.
Google Scholar
Weigend, A. 2017. Data for the people: Das implizite explizit machen! mobile Business 4(5–6):16–19.
Google Scholar
Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1 1:42–44.
Google Scholar
Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen: Westdeutscher Verlag.
Google Scholar
Winterstein, A., und E. Leitner. 1998. An Informationen nicht ersticken. In Client Server Computing, Bd. 3, 34–39.
Google Scholar
Zarinac, T. 2016. Technologien, Architekturen und Prozesse. In Agile Business Intelligence, Hrsg. S. Trahasch, M. Zimmer, 131–142. Heidelberg: dpunkt Verlag.
Google Scholar

Download references

Author information

Authors and Affiliations

Fachhochschule Dortmund, Dortmund, Deutschland
Prof. Dr. Dietmar Schön

Authors

Prof. Dr. Dietmar Schön
View author publications
You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Dietmar Schön .

Rights and permissions

Reprints and permissions

Copyright information

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: 03 May 2018
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)

Publish with us

Policies and ethics