controlling-informationssysteme - uni-bamberg.de · der ressource information hat man seit den...

____________________________________________________

UU nn tt ee rr nn ee hh mm ee nn ss FF üü hh rr uu nn gg && CC oo nn tt rr oo ll ll ii nn gg UU FF && CC

____________________________________________________

Pro fessor Dr . Wo l fgang Becker ____________________________________________________

Bamberger Betriebswirtschaftliche Beiträge

– Band 130 –

Controlling-Informationssysteme

Wolfgang Becker und Rainer Fuchs

ISBN 3–931810–29–1

O t t o - F r i e d r i c h - U n i v e r s i t ä t B a m b e r g

Impressum

Herausgeber

Professor Dr. Wolfgang Becker Lehrstuhl UnternehmensFührung&Controlling

Otto-Friedrich-Universität Bamberg Feldkirchenstrasse 21 D-96052 Bamberg

Fon 0049.(0)951.863.2507 Fax 0049.(0)951.39705

Mail [email protected] Internet www.professorwbecker.de

Druck

Copyright © by Professor Dr. Wolfgang Becker, Universität Bamberg. Diese Publikation ist urheberrechtlich geschützt. Respect Creativity!

DIFO-Druck GmbH, Bamberg – Printed in Germany.

UnternehmensFührung&Controlling 3

Inhaltsverzeichnis

Vorwort ...........................................................................................................5

1 Controlling-Informationssysteme zur Unterstützung des wertschöpfungsorientierten Controlling......................................................7

2 Begriff, Aufbau und Komponenten von Controlling-Informations- systemen .................................................................................................13

2.1 Konzeption der integrierten Informationsverarbeitung......................13

2.1.1 Operative Informationssysteme............................................14

2.1.2 Management-Unterstützungssysteme..................................15

2.2 Referenzarchitektur für Controlling-Informationssysteme.................18

3 Data Warehouse-Systeme.......................................................................21

3.1 Komponenten eines Data Warehouse-Systems...............................24

3.1.1 Extraktions-, Transformations- und Ladewerkzeuge ............24

3.1.2 Data Warehouse ..................................................................25

3.1.3 Metadatenbanksystem .........................................................26

3.1.4 Administrationstool ...............................................................27

3.1.5 Archivierungssystem ............................................................27

3.2 Organisationsformen des Data Warehouse .....................................28

3.2.1 Zentrales Data Warehouse...................................................29

3.2.2 Verteiltes Data Warehouse...................................................30

3.2.3 Data Mart(s) mit und ohne zentralem Data Warehouse .......31

4 OLAP-Systeme ........................................................................................33

4.1 Definitorische Abgrenzung von OLAP..............................................33

4.2 Anforderungen an OLAP-Systeme...................................................34

4.3 Beschreibungselemente mehrdimensionaler Datenstrukturen .........37

4.4 Navigation in mehrdimensionalen Datenstrukturen..........................39

4.5 OLAP-Speichertechnologien ............................................................44

4.5.1 Relationales OLAP ...............................................................44

4.5.2 Multidimensionales OLAP ....................................................45

4 UnternehmensFührung&Controlling

4.5.3 Hybrides OLAP .................................................................... 45

5 Business Intelligence und Business Intelligence-Tools ........................... 47

5.1 Definitorische Abgrenzung von Business Intelligence und Business Intelligence-Tools............................................................................. 47

5.2 Funktionale Anforderungen an Business Intelligence-Tools ............ 50

5.3 Systematisierung von Business Intelligence-Tools .......................... 50

5.3.1 Software-Werkzeuge zur hypothesengestützten Analyse von Daten............................................................................. 51

5.3.2 Data Mining-Tools zur hypothesenfreien Analyse von Daten............................................................................. 52

(1) Begriffliche Abgrenzung des Data Mining und Einordnung in den Prozess des Knowledge Discovery in Database................................................................... 52

(2) Bedeutsame Analyseverfahren und –techniken von Data Mining-Tools......................................................... 54

5.4 Informationstechnische Aspekte der Kommunikation des gewonnenen Wissens...................................................................... 56

6 Nutzenpotentiale von Controlling-Informationssystemen......................... 61

Glossar ......................................................................................................... 65

Literatur ........................................................................................................ 71

BBB-History .................................................................................................. 77


Vorwort

Unternehmerisches Handeln ist in der heutigen Zeit regelmäßig einer hohen Komplexität unterworfen. Diese erschwert es der Unternehmensführung in zunehmendem Maße, die Sicherung der Existenz des jeweiligen Unter-nehmens dauerhaft zu garantieren. Eine solche Existenzsicherung ist letztlich nur möglich, wenn in Unternehmen, deren gesellschaftlicher Rolle und damit letztlich deren Zweck folgend, eine Absicherung und möglichst weitreichende Optimierung der Wertschöpfung erfolgt. Hierzu benötigt das Management spezifische Informationen, die eine derartige Ausrichtung des unternehmerischen Handelns ermöglichen.

Allerdings ist nicht nur die (eher technisch zu begreifende) Deckung eines derartigen Informationsbedarfs erforderlich. Wichtig ist es vielmehr auch, solche Informationen im Unternehmen sinnvoll zu kommunizieren und zu verwenden. In diesem Sinne sind die Integration der eher traditionellen Gebiete der Unternehmensführung einerseits und des Controlling andererseits sowie darauf aufbauend das Etablieren von geeigneten Controlling-Informationssystemen (CIS) zu fordern. Solche Systeme sind in erster Linie darauf auszurichten, dem Management Wertschöpfungswissen adäquat zur Verfügung zu stellen. Sie bilden insofern eine für die Sicherung der Unternehmensexistenz bedeutsame Instrumentierung.

Ziel des vorliegenden Beitrags ist es, unter Bezugnahme auf das wertschöpfungsorientierte Controlling ein Grundverständnis hinsichtlich der zur Realisierung eines Controlling-Informationssystems einzusetzenden Informationstechnologien zu vermitteln und deren Nutzenpotentiale für das Controlling aufzuzeigen. Die das Grundverständnis von Controlling-Informationssystemen wohl übersteigenden Aspekte der detaillierten Modellierung des betriebswirtschaftlichen Fachkonzeptes, das grundsätzlich seitens des Controlling ebenfalls zu erstellen ist, sollen an dieser Stelle bewusst ausgeklammert werden.1 Die Broschüre richtet sich vorrangig an Studierende der Betriebswirtschaftslehre, aber auch an interessierte Praktiker, die einen wissenschaftlich fundierten Einstieg in das Themenfeld der Controlling-Informationssysteme suchen. Wesentliche Grundlagen dieser Broschüre bilden verschiedene von Professor Dr. Wolfgang Becker herausgegebene Bamberger Betriebswirtschaftliche Forschungs- und Lehrmaterialien. Darüber hinaus ist auf die von Dipl.-Kfm. Tobias Eberth zum

1 Vgl. Becker, J./Wiese, J. (1998), S. 18-21 u. Böhnlein, M./Ulbrich-vom Ende, A. (2000),

S. 7-14. Für eine ausführliche Darstellung siehe Holthuis, J. (2000), S. 158-185, Holthuis, J. (1999), S. 114-185 u. Totok, A. (2000), S. 123-194.


Thema „Neuere Methoden der Informationstechnologie zur Unterstützung des Performance Management” verfasste Diplomarbeit zu verweisen, in der die in diesem Themenfeld vorhandene Literatur aufgearbeitet wurde. Schließlich danken die Autoren, Professor Dr. Wolfgang Becker und Rainer Fuchs, Herrn Dipl.-Wirtschaftsinformatiker Klaus Daniel für die vollständige Sichtung des Manuskriptes und die wertvollen Diskussionsbeiträge zu den in dieser Broschüre dargelegten Inhalten.

Im ersten Kapitel wird aus den Funktionen des wertschöpfungsorientierten Controlling-Konzeption die Aufgabe abgeleitet, Controlling-Informa-tionssysteme zu etablieren, zu nutzen und zu pflegen. Das zweite Kapitel dient der Erläuterung der informationstechnischen Grundlagen sowie der Architektur von Controlling-Informationssystemen. Im Anschluss daran werden im dritten Kapitel Data Warehouse-Systeme, im vierten Kapitel Systeme des On-Line Analytical Processing und im fünften Kapitel Business Intelligence-Tools als wesentliche Komponenten solcher Informations-systeme betrachtet. Im sechsten Kapitel wird abschließend erörtert, inwieweit ein Controlling-Informationssystem, das mittels der beschriebenen Komponenten realisiert wird, in der Lage ist, das Controlling im Rahmen der Wahrnehmung seiner aus der Informationsfunktion resultierenden Aufgaben zu unterstützen. Ferner wird dem Leser ein Glossar mit ausgewählten Begriffen zum Themenkomplex Controlling-Informationssysteme angeboten.


1 Controlling-Informationssysteme zur Unterstützung des wertschöpfungsorientierten Controlling

Das Wettbewerbsumfeld von Unternehmen ist seit Jahrzehnten einer Vielzahl von Veränderungen unterworfen.2 Im Zuge der Bewältigung dieses Wandels hat die Information3 immens an Bedeutung gewonnen und wird daher zunehmend neben den klassischen Produktionsfaktoren Boden, Arbeit und Kapital als eigenständiger vierter Produktionsfaktor angesehen. Stützen lässt sich eine solche Einordnung nicht zuletzt auch dadurch, dass sich Informationen aus strategischer Sicht als bedeutsamer Wettbewerbsfaktor darstellen.4

Vor dem Hintergrund dieser wachsenden betriebswirtschaftlichen Relevanz der Ressource Information hat man seit den frühen 60er Jahren versucht, das Management durch computergestützte Informationssysteme zu unterstützen.5 Wie Abbildung 1 veranschaulicht, wurden zu Beginn einer diesbezüglichen Instrumentierung reine Management-Informationssysteme (MIS) entwickelt, die in den 70’er Jahren weitgehend von Entscheidungs-Unterstützungssystemen (EUS) sowie wissensbasierten Entscheidungs-Unterstützungssystemen (wEUS) abgelöst wurden.

2 Vgl. für eine relativ umfassende Darstellung der aktuellen Wandlungstendenzen Du

Mont, M. (1999), S. 22-27. 3 Im Rahmen der vorliegenden Arbeit soll dem Informationsbegriff von BODE gefolgt

werden. Dieser definiert Information als „Wissensbestandteile, die in Form menschlicher Sprache repräsentiert sind“ (Bode, J. (1997), S. 459). Wissen selbst ist, wiederum BODE folgend, „jede Form der Repräsentation von Teilen der realen oder gedachten (d. h. vorgestellten) Welt in einem materiellen Trägermedium“ (Bode, J. (1997), S. 458). Somit ist festzuhalten, dass „Wissen eine Obermenge von Information ist, wobei Information der Teil des Wissens ist, der in beliebiger sprachlicher Form übermittelt werden kann“ (Totok, A. (2000), S. 11). Für eine tiefer gehende Auseinandersetzung mit den Begriffen Information und Wissen aus Sicht der Betriebswirtschaftslehre siehe Becker, W./Daniel, K. (1999), S. 5-11 und die dort angegebene Literatur.

4 Vgl. Picot, A. (1990), S. 6-7; Hopper, M. D. (1991), S. 80-81; Strüngmann, U./Weber, H. W. (1997), S. 30-31; Becker, W./Daniel, K. (1999), S. 3; Hummeltenberg, W. (1998), S. 41-42 u. Form, S./Nölken, D. (1999), S. 87-88.

5 Vgl. Becker, J./Wiese, J. (1998), S. 15; Behme, W./Mucksch, H. (1998), S. 4-5 u. Bork, Th. (1994), S. 45-46.


Abbildung 1: Historische Entwicklung von Management-Unterstützungssystemen6

Die nächste Entwicklungsstufe stellten die den 80’er Jahren zuzuordnenden Führungs-Informationssysteme dar, die dem Management dialogorientiert Informationen zur Selektion und Analyse bereitstellten. Seit Anfang der 90’er Jahre wird versucht, mit analytisch-geprägten Informationssystemen, die verschiedene Informations- und Kommunikationstechnologien integrieren, das betriebliche Handeln umfassend abzubilden und damit das Management

6 Quelle: Becker, W. (2000), S. 102.


zu unterstützen. Diese Informationssysteme werden als Management-Unterstützungssysteme (MUS) bezeichnet.7

Eine derartige Unterstützung mittels Informationssystemen muss sich primär auf wesentliche Aufgaben der Unternehmensführung beziehen. Diese beinhalten, auf hoher Abstraktionsebene formuliert, die strukturbezogene Gestaltung sowie die prozessbezogene Lenkung (Steuerung und Regelung) des (stets) situativen Handelns von Unternehmen unter Sach- und Verhaltensaspekten.8

Die Differenziertheit und Dynamik der Veränderungen des Wettbewerbs-umfeldes haben allerdings den situativen Kontext von Unternehmen zunehmend komplex werden lassen.9 Zur Kompensation der aus der Komplexität erwachsenden Risiken, die die langfristige Existenz von Unternehmen gefährden, hat sich initialisiert von der Wirtschaftspraxis das Controlling als weitere Führungsfunktion neben den klassischen Führungsfunktionen etabliert. Diese mit spezifischen Aufgaben versehene Führungsfunktion des Controlling soll durch eine konsequente Wert-orientierung des unternehmerischen Handelns (im Sinne eines Total Value Management-Ansatzes) die Reduktion dieser existenzgefährdenden Risiken sicherstellen.10

7 Vgl. Chamoni, P./Gabriel, R./Gluchowski, P. (1997), S. 152, 168 u. 203; Mehler-Bicher,

A. (1996), S. 7-9; Fischer, D. (1999), S. 25; Behme, W./Mucksch, H. (1998), S. 15-21; Becker, W. (2000), S. 102 u. Holten, R. (1998), S. 29-38.

8 Vgl. Becker, W. (2001b), S. 22. 9 Vgl. Becker, W. (1996), S. 28-33. 10 Vgl. Becker, W. (1999), S. 2-4.


Abbildung 2: Konzept des wertschöpfungsorientierten Controlling11

Phänomenologisch kann ein solches wertschöpfungsorientierte Con-trolling12, das in Abbildung 2 veranschaulicht ist, wie folgt definiert werden:

„Controlling stellt sich als eine integrierte Aufgabe der Unternehmensführung dar, die im Dienste der Optimierung von Effektivität und Effizienz das initialisierende Anstoßen sowie das wertschöpfungsorientierte Ausrichten des Handelns von Betrieben sicherzustellen hat. Diese originäre Funktion des Controlling wird hier als Lokomotion bezeichnet. Die Wahrnehmung der originären Funktion der Lokomotion setzt insbesondere die begleitende Erfüllung der derivativen Funktionen der wechselseitigen Abstimmung (Integration, Koordination und Adaption) von Führung und Ausführung sowie der dementsprechenden Schaffung von Informationskongruenz innerhalb der Führung und Ausführung voraus.“13

11 Quelle: Becker, W. (2000), S. 44. 12 Für eine ausführliche Darstellung der wertschöpfungsorientierten Controlling-Konzeption

vgl. Becker, W. (1999). 13 Becker, W. (1999), S. 3.


Wie auch andere, in der Literatur dargestellte Controlling-Konzeptionen14 weist die wertschöpfungsorientierte Controlling-Konzeption in diesem Zusammenhang dem Controlling die wichtige Teilfunktion zu, das Management mit entscheidungsrelevanten Informationen zu versorgen. Daraus lässt sich unmittelbar die Aufgabe ableiten, eine führungsorientierte Informations- und Wissensbasis mit Hilfe eines Controlling-Informations-systems (CIS), das ein speziell auf die Anforderungen der Controlling-Funktionen abgestimmtes Management-Unterstützungssystem ist, zu etablieren, zu nutzen und zu pflegen.15

Das folgende Kapitel setzt sich vor dem Hintergrund dieser identifizierten Aufgabe des wertschöpfungsorientierten Controlling mit dem Begriff, dem Aufbau und den Komponenten von Controlling-Informationssystemen auseinander.

14 Einen Überblick über bedeutsame Controlling-Konzeptionen mit entsprechenden

Literaturverweisen bieten Becker, W. (2000), S. 36-43; Horváth, P. (2001), S. 75-79; Küpper, H.-U. (2001), S. 5-13 u. Weber, J. (2002), S. 20-27.

15 Vgl. Becker, W. (2000), S. 102 u. Totok, A. (2000), S. 9.


2 Begriff, Aufbau und Komponenten von Controlling-Informationssystemen

Zu Beginn des Kapitels erfolgt die Abgrenzung der verschiedenen betrieblichen Informationssysteme. Die Beschreibung einer Referenz-architektur für Controlling-Informationssysteme schließt sich an.

2.1 Konzeption der integrierten Informationsverarbeitung

Informationssysteme sind soziotechnische Systeme, d. h. Systeme mit menschlichen und technischen Komponenten, die der Verarbeitung, Erfassung, Übertragung, Transformation, Speicherung und Bereitstellung von Informationen dienen.16 Als betriebliches Informationssystem (IS) bezeichnen FERSTL/SINZ das gesamte informationsverarbeitende Teilsystem eines Unternehmens, eines Unternehmensbereiches bzw. einer Behörde.17

In Analogie zu den aus der Organisationslehre bekannten Hierarchiepyramiden lässt sich das betriebliche Informationssystem, wie in Abbildung 3 dargestellt, gedanklich in eine Ordnung verschiedener Subsysteme zerlegen. Die einzelnen Ebenen der Informations-systempyramide symbolisieren den von unten nach oben, d. h. von den Detailinformationen der Wertschöpfungsprozesse bis hin zu den verdichteten Informationen für das Management, zunehmenden Grad der Informations-verdichtung.18

Aus Sicht der Theorie ist grundsätzlich eine integrierte Informations-verarbeitung anzustreben. Dieser Idealzustand wäre erreicht, wenn sämtliche Informationssysteme sowohl vertikal über die verschiedenen Ebenen der Informationssystempyramide hinweg, als auch horizontal entlang des Wertschöpfungsprozesses hinsichtlich der Daten, Funktionen, Prozesse, Methoden und Programme abgestimmt sind (vgl. nochmals Abbildung 3).19

16 Vgl. Ferstl, O./Sinz, E. (1998), S. 1; Groffmann, H.-D./Rau, K.-H./Stickel, E. (Hrsg.,

1997), S. 336 u. Gutenschwager, K./Voß, S. (2001), S. 86. 17 Vgl. Ferstl, O./Sinz, E. (1998), S. 2. 18 Vgl. Mertens, P. (2000), S. 6; Scheer, A.-W. (1997), S. 5 u. Totok, A. (2000), S. 37. 19 Vgl. Scheer, A.-W. (1997), S. 1-18 u. Mertens, P. (2000), S. 4-10.


Abbildung 3: Integrierte Informationsverarbeitung20

2.1.1 Operative Informationssysteme

Die Basis der betrieblichen Informationsverarbeitung stellen operative Informationssysteme (opIS) dar, die entlang der Wertschöpfungskette zur leistungs- und wertorientierten Abbildung sowie Lenkung der betrieblichen Transaktionen eingesetzt werden. Die operativen Informationssysteme lassen sich nach MERTENS in Administrations- und Dispositionssysteme unterscheiden.21

Administrationssysteme werden mit dem Ziel der Rationalisierung im Rahmen der Verarbeitung der Massendaten, die im Zusammenhang mit den betrieblichen Wertschöpfungsprozessen entstehen, eingesetzt. In erster Linie lassen sich in diesem Zusammenhang Informationssysteme zur Abbildung der Leistungsprozesse, wie sie z. B. in den Funktionsbereichen Beschaffung, Produktion und Absatz vorzufinden sind, und Informationssysteme zur wertorientierten Abbildung der Leistungsprozesse, wie z. B. Finanz-buchhaltungs- und Kostenrechnungssysteme, nennen.22

20 In Anlehnung an: Mertens, P. (2000), S. 6 u. Scheer, A.-W. (1997), S. 5. 21 Vgl. Scheer, A.-W. (1997), S. 4-5 u. Chamoni, P./Gluchowski, P. (1999a),

S. 10-11. 22 Vgl. Mertens, P. (2000), S. 11 u. Totok, A. (2000), S. 38.


Dispositionssysteme dagegen sollen die Vorbereitungen dispositiver Entscheidungen des unteren bis mittleren Managements, die auf gut strukturierten Problemen beruhen, unterstützen bzw. durch Automatisierung vorwegnehmen. Angestrebt wird „einerseits ein Optimierungsnutzen, wenn die maschinelle Entscheidung besser ist, oder ein Rationalisierungsnutzen, wenn der menschliche Entscheidungsträger von Routineentscheidungen entlastet wird.“23 Dispositionssysteme zeichnen sich dadurch aus, dass sie mit Modellen des Operations Research und Methoden der künstlichen Intelligenz realisiert werden. Typische Beispiele solcher Informationssysteme sind Produktionsplanungs- und Steuerungssysteme sowie Warenwirtschafts-systeme.24

Die Administrations- und Dispositionssystemen zuzuordnenden Funktionalitäten lassen sich heute durch betriebswirtschaftliche Standard-software, wie z. B. SAP R/3, Baan ERP oder Oracle Applications, weitgehend abbilden.25 Diese operativen Informationssysteme werden häufig auch als ERP-Systeme (ERP: Enterprise Resource Planning) oder neuerdings als ERM-Systeme (ERM: Enterprise Resource Management) bezeichnet.26

2.1.2 Management-Unterstützungssysteme

Auf den Datenbeständen der operativen Informationssysteme setzen Systeme für höhere Managementebenen auf, die man als weitere Entwicklungsstufe der operativen Dispositionssysteme auffassen kann. Diese Informationssysteme zeichnen sich dadurch aus, dass sie auf die Unterstützung eher mittelfristiger Entscheidungen, die auf schlecht strukturierten Problemen basieren, gerichtet sind und auf Grund des notwendigen Mensch-Maschine-Dialogs nicht vollautomatisiert ablaufen können. Insbesondere lassen sich Planungs- und Kontrollsysteme als traditionelle Management-Unterstützungssysteme bezeichnen.27

Da die in der Vergangenheit entwickelten und eingesetzten Management-Unterstützungssysteme die Unternehmensführung nicht in der aus

23 Totok, A. (2000), S. 39. 24 Vgl. Hasenkamp, U./Stahlknecht, P. (2002), S. 332-333 u. Mertens, P. (2000), S. 11-12. 25 Vgl. Chamoni, P./Gluchowski, P. (1999a), S. 10 u. Totok, A. (2000), S. 39. 26 Der von der Meta Group eingeführte Begriff Enterprise Resource Management wird der

Tatsache gerecht, dass die meisten Standardsoftware-Pakete bereits Planungs-komponenten aufweisen und einen wesentlichen Schwerpunkt im Betreiben der Unternehmensprozesse haben (vgl. Martin, W. (1998), S. 403-404).

27 Vgl. Mertens, P. (2000), S. 12-13; Scheer, A.-W. (1997), S. 6 u. Behme, W./Mucksch, H. (1998), S. 15-16.


wissenschaftlicher Sicht umfassend gewünschten Form unterstützt haben, erscheint es notwendig, solche Systeme stärker auf eine führungsorientierte Bereitstellung der Daten auszurichten und mit Kommunikationssystemen zu koppeln. Begrifflich lassen sich Management-Unterstützungssysteme demnach, wie folgt, abgrenzen:28

„Management-Unterstützungssysteme [Hervorhebung nicht im Original] sind analytisch-geprägte Informationssysteme, die die betriebliche Wertschöpfung umfassend abbilden. Sie stellen ganzheitliche, verschiedene Informations- und Kommunikationstechnologien integrierende Systeme zur Unterstützung des Managementprozesses dar und haben das Ziel, Informationen bereitzustellen, welche das Management zur Erfüllung seiner Aufgaben benötigt.“29

Anhand der in Abbildung 4 angeführten Abgrenzungsmerkmale von operativen Informationssystemen und Management-Unterstützungssystemen sollen diese weiter präzisiert werden. Operative Informationssysteme basieren zum überwiegenden Teil auf relationalen Datenbanken, weisen meist flache Datenstrukturen auf und verarbeiten aktualisierend die gegenwärtigen, originären Daten der betrieblichen Wertschöpfungsprozesse. Die Daten werden in diesen Informationssystemen regelmäßig auf einer sehr detaillierten Ebene zur Verfügung gestellt. Management-Unterstützungs-systeme hingegen zeichnen sich durch objektorientierte und damit letztlich mehrdimensionale Datenstrukturen aus und verarbeiten, meist für Analyse- und Prognosezwecke, die aus operativen Informationssystemen über-nommenen historischen und gegenwärtigen sowie im System selbst erzeugte, zukunftsbezogene Daten. Der Anwender erhält mit diesen Systemen einen Einblick in das unternehmerische Handeln auf einer aggregierten Ebene.30

28 Vgl. Chamoni, P./Gluchowski, P. (1999a), S. 10-11. 29 Becker, W. (2001b), S. 170. 30 Vgl. Holthuis, J. (1999), S. 39-41.


Abbildung 4: Merkmale zur Abgrenzung operativer Informationssysteme

von Management-Unterstützungssystemen31

Unter Controlling-Informationssystemen (CIS), die im Mittelpunkt dieser Arbeit stehen, lassen sich in diesem Gesamtzusammenhang solche Management-Unterstützungssysteme verstehen, die speziell auf die Bedürfnisse des Controlling zugeschnitten sind.32 Dieser Zuschnitt beinhaltet insbesondere die spezielle Ausrichtung eines Management-Unterstützungs-systems auf die aus den Informations-, Abstimmungs- und Lokomotions-funktionen des Controlling resultierenden Wissensbedarfe der Controller selbst und des (die Lokomotion wahrnehmenden!) Managements. Derartige Wissensbedarfe sind vor allem dadurch gekennzeichnet, dass detaillierte Einblicke in sämtliche Wertkonsequenzen unternehmerischen Handelns zustande kommen, so dass eine möglichst weitreichende und integrierte Wahrnehmung der durch Unternehmensführung und Controlling zu erfüllenden Aufgaben möglich ist. Vor diesem Hintergrund lässt sich folgende Definition ableiten:

Controlling-Informationssysteme (CIS) sind die automatisierten Teile eines Informationssystems (Anwendungssysteme), die das für Unternehmensführung und Controlling relevante Wertschöpfungswissen

31 In Anlehnung an: Holthuis, J. (1999), S. 41. 32 Vgl. Becker, W. (1999), S. 102; Behme, W./Mucksch, H. (1998), S. 15-16;

Mehler-Bicher, A. (1996), S. 8-10 u. Totok, A. (2000), S. 47-50.


adäquat (also vor allem zweckgerecht, zeitgerecht, ortsgerecht, empfänger-gerecht etc.) zur Verfügung stellen.

Durch die damit vorgeschlagene Spezifizierung wird also insbesondere ein der jeweiligen Rolle des Managers bzw. des Controllers entsprechender Zugriff auf Informationen gewährt. Hinsichtlich dieser Rollen ist anzumerken, dass Manager typischerweise als Nachfrager, wohingegen Controller eher als Anbieter sowie als Systemverantwortliche auftreten.33

2.2 Referenzarchitektur für Controlling-Informationssysteme

Die moderne Informationstechnologie bietet ein breites Spektrum von Technologien, die zur Realisierung von Controlling-Informationssystemen eingesetzt werden können. Am meisten werden in diesem Zusammenhang wohl das Data Warehousing, das On-Line Analytical Processing (OLAP), die Business Intelligence (BI) und das Data Mining diskutiert.34

Die genannten Technologien sind als bedeutsame Komponenten von Controlling-Informationssystemen zu verstehen und lassen sich, wie in Abbildung 5 visualisiert, in einem Referenzarchitekturschema idealtypisch anordnen.

Die Basis von Controlling-Informationssystemen bilden Data Warehouse-Systeme (vgl. Kapitel 3, S. 21ff.), die eine unter Analyseaspekten

33 Vgl. Totok, A. (2000), S. 47. 34 Vgl. Schinzer, H. (1997), S. 4.


Abbildung 5: Referenzarchitektur für Controlling-Informationssysteme35

bereinigte und konsolidierte Datenbasis der operativen Informationssysteme zur Verfügung stellen. Auf den Data Warehouse-Systemen setzen OLAP-Systeme (vgl. Kapitel 4, S.33ff.) auf, die einen mehrdimensionalen Zugriff auf das zur Verfügung stehende Datenmaterial ermöglichen. Darüber liegen in Controlling-Informationssystemen Business Intelligence-Tools (BIT; vgl. Kapitel 5, S. 47ff.), wie z. B. Query- und Reporting-Werkzeuge, Tabellenkalkulationen, objektorientierte Entwicklungsumgebungen (Work-benches) etc., die dem Anwender die für gerichtete Analysen benötigten Funktionalitäten in einer benutzerfreundlichen Umgebung anbieten. Ergänzend werden Data Mining-Tools (vgl. Abschnitt 5.3.2, S.52ff.) zur ungerichteten Datenanalyse eingesetzt, um Muster in den Datenbeständen zu erkennen und aufzuzeigen. Obwohl Data Mining-Tools als eine Klasse von Business Intelligence-Tools anzusehen sind, werden diese in der Referenzarchitektur gesondert dargestellt werden, da sie nicht nur auf die Daten des Data Warehouse sondern auch auf die Daten der operativen Informationssysteme zugreifen.36

35 In Anlehnung an: Chamoni, P./Gluchowski, P. (1999a), S. 12. 36 Vgl. Chamoni, P./Gluchowski, P. (1999a), S. 12.


Controlling-Informationssysteme sind, wie in Abbildung 5 angedeutet, speziell auf die Unterstützung der Controlling-Funktionen Lokomotion, Abstimmung und Information ausgerichtet. Management-Unterstützungs-systeme dienen demgegenüber in traditioneller Interpretation der Unter-stützung der Führungsfunktionen Planung und Kontrolle.

Die soeben genannten und visualisierten Komponenten von Controlling-Informationssystemen werden in den folgenden drei Kapiteln eingehend erläutert.


3 Data Warehouse-Systeme

Gegenstand dieses Kapitels sind Data Warehouse-Systeme, die zunächst definitorisch abzugrenzen sind. Im Anschluss daran sind die Architektur von Data Warehouse-Systemen und deren einzelne Komponenten ausführlich zu erläutern. Abschließend ist aus einer strukturellen Perspektive heraus auf verschiedene Organisationsformen des eigentlichen Data Warehouse einzugehen.

Operative Informationssysteme sind in der Regel auf sehr unterschiedliche Zwecke ausgerichtet und zeichnen sich schon deshalb durch hohe Heterogenität aus. Sie erweisen sich in mehrfacher Hinsicht als ungeeignete Datenbasis für Controlling-Informationssysteme. Zum einen sind sie auf die statische Verarbeitung einer hohen Anzahl von Transaktionen ausgerichtet und können somit die Datenmengen, die zur Befriedigung der sich verändernden Informationsbedarfe des Controlling notwendig sind, nur ineffizient verarbeiten. Zum anderen orientieren sich die Datenstrukturen der operativen Informationssysteme an den meist eher technisch determinierten Abläufen im Unternehmen und nicht, wie in Controlling-Informationssystemen erforderlich, an betriebswirtschaftlichen Sachverhalten. Darüber hinaus sind die operativen Informationssysteme meist nicht in der Lage, die zeitweise sehr hohen Systembelastungen, die durch mehrdimensionale Abfragen der Controlling-Informationssysteme entstehen, ohne Beeinträchtigung der Administrations- und Dispositionssysteme zu verkraften. Das Bemühen, diese und andere Probleme zu lösen, hat schließlich zur Entwicklung von Data Warehouse-Systemen geführt.37

Das Data Warehouse-Konzept ist auf den amerikanischen Berater William H. Inmon zurückzuführen, der ein Data Warehouse, wie folgt, definiert:38

„A data warehouse [Hervorhebung nicht im Original] is a subject oriented [,] integrated [,] non-volatile [,] time variant collection of data in support of management’s decisions.“39

Der Definition von INMON zufolge zeichnet sich ein Data Warehouse also durch folgende charakteristische Eigenschaften aus:40

37 Vgl. Totok, A. (2000), S. 39. Für weitere fachliche und technische Probleme, die gegen

die Verwendung von Rohdaten aus den operativen Informationssystemen sprechen, siehe Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 15-16.

38 Das grundlegende Werk von W. H. Inmon trägt den Titel „Building the Data Warehouse” und ist 1992 in New York et. al. erschienen.

39 Inmon, W. (1992), S. 29.


Themenorientierung Die Datenstrukturen in einem Data Warehouse werden anhand der Themengebiete, z. B. dem Produktprogramm etc., gestaltet, mit denen sich die Nutzer im Rahmen ihrer Aufgaben analytisch auseinandersetzen (subject oriented).

Integration Die auf Grund von Heterogenität vorzufindenden Redundanzen und Inkonsistenzen in den Datenbeständen der operativen Informations-systeme werden vor der Übernahme in das Data Warehouse einer Struktur- und Formvereinheitlichung unterzogen. Der Datenbestand im Data Warehouse ist demnach vollständig integriert (integrated).

Dauerhaftigkeit In das Data Warehouse eingelesene Daten werden nur in Ausnahmefällen, z. B. wegen Übernahmefehlern, geändert. Daraus folgt, dass auf die Daten eines Data Warehouse prinzipiell nur lesend zugegriffen werden soll. Innerhalb von Planungsmodellen sind schreibende Zugriffe allerdings denkbar (non-volatile).

Zeitraumbezug Im Vordergrund der betriebswirtschaftlichen Diagnosen, die auf Basis der Daten eines Data Warehouse vorgenommen werden, stehen nicht allein Zeitpunktbetrachtungen, wie in den operativen Informations-systemen, sondern Zeitraumbetrachtungen, die z. B. die Anwendung analytischer und prognostischer Methoden zur Ableitung von Trends ermöglichen. Deshalb werden sämtliche in das Data Warehouse eingelesene Daten mit einer Zeitmarke versehen und situativ vorgehalten (time variant).

Insofern zeichnet sich ein Data Warehouse-System durch eine von den operativen Informationssystemen unabhängige Datenbasis aus, ermöglicht somit einen effizienten Zugriff auf horizontal und vertikal integrierte historische Informationen aus heterogenen unternehmensinternen und -externen Datenquellen und kann dadurch die Basis von Controlling-Informationssystemen bilden.41

40 Vgl. Inmon, W. (1992), S. 29-33; Chamoni, P./Gluchowski, P. (1999a), S. 13-15 u.

Behme, W./Muksch, H. (2000), S. 9-13. 41 Vgl. Holthuis, J./Mucksch, H./Reiser, M. (1996), S. 422-423.


Im Folgenden sollen – in Analogie zu den Begriffen Datenbank und Datenbankmanagementsystem – die Begriffe Data Warehouse und Data Warehouse-System unterschieden werden. Der Begriff Data Warehouse bezieht sich demzufolge lediglich auf die redundant gehaltene Datenbasis, wohingegen der Begriff Data Warehouse-System auf das sämtliche Import-Werkzeuge, das Data Warehouse, das Metadatenbanksystem, das Administrationstool und das Archivierungssystem umfassende Informations-system abstellt. Ordnet man diese Komponenten idealtypisch an, ergibt sich die in Abbildung 6 dargestellte Architektur eines Data Warehouse-Systems.42

Abbildung 6: Architektur eines Data Warehouse-Systems43

Die Schnittstelle eines Data Warehouse-Systems zu den Datenquellen der operativen Informationssysteme und zu den externen Datenquellen stellen Extraktions-, Transformations- und Ladewerkzeuge dar. Diese Software-Tools werden häufig auch als Middleware bezeichnet. Den Kern bildet das Data Warehouse, dessen Aufgabe die redundante Speicherung der Daten in einer von den operativen Datenbanken getrennt unterhaltenen, relationalen und/oder mehrdimensionalen Datenbank ist. Darüber hinaus sind ein Metadatenbanksystem, ein Archivierungssystem und ein Administrationstool

42 Vgl. Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 17 u. Sinz, E. J. (2002), Sp. 315. 43 In Anlehnung an: Behme, W./Muksch, H. (2000), S. 14; Chaudhuri, S./Dayal, U. (1997),

S. 518; Holten, R. (1998), S. 48 u. Totok, A. (2000), S. 40.


zur Verwaltung des als typische Bestandteile eines Data Warehouse-Systems anzusehen.44

3.1 Komponenten eines Data Warehouse-Systems

Zur Vertiefung des Verständnisses werden nachfolgend die in Abbildung 6 aufgezeigten Komponenten von Data Warehouse-Systemen erläutert.

3.1.1 Extraktions-, Transformations- und Ladewerkzeuge

Das Schaffen einer konsistenten und homogenen Datenbasis erfordert im Zuge der Übernahme der unternehmensinternen sowie -externen Daten den Einsatz von Software-Werkzeugen zur Extraktion, Transformation und zum Laden der relevanten Daten (sog. ETL-Tools). 45

ETL-Tools werden in einem ersten, eher technisch motivierten Schritt zur Extraktion der als betriebswirtschaftlich relevant erachteten Daten aus den unterschiedlichen relationalen und nicht-relationalen Datenquellen und zur Ablage der extrahierten Daten in einem Zwischenspeicher, der sog. ‚staging area’, eingesetzt. Bereits während der Extraktion erfolgt durch Integration geeigneter Regeln sowie durch manuelle Eingriffe eine Bereinigung systematischer Fehler, wie z. B. die Korrektur fehlender oder nicht interpretierbarer Datenwerte.46

Im Rahmen der sich anschließenden Transformation werden die Daten unter anwendungsorientierten, betriebswirtschaftlichen Gesichtspunkten harmonisiert, verdichtet und angereichert. Der erste Transformationsschritt der Harmonisierung umfasst die Gruppierung der gefilterten Daten nach spezifischen betriebswirtschaftlichen Themenfeldern, beispielsweise das Gruppieren von Erfolgsdaten nach Produkten, Kunden oder Organisationseinheiten. Dies erfordert allerdings das Erfüllen bestimmter Voraussetzungen. So sind die Daten mit einem Zeitstempel zu versehen, die Attributnamen und Attributkodierungen abzustimmen (z. B. Umrechnung von fremden Währungen in Euro in einem international tätigen Unternehmen), die Schlüsselbeziehungen eindeutig anzulegen (z. B. Schaffung einer ein-deutigen Produkt-ID für die Zusammenführung der produktbezogenen Daten aus dem In- und Ausland) sowie die betriebwirtschaftlichen Begriffs-abgrenzungen zu vereinheitlichen (z. B. die einheitliche Bezeichnung des am

44 Vgl. Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 17-18, 21, 25-26; Sinz, E. J. (2002),

Sp. 315 u. Totok, A. (2000), S. 39-40. 45 Vgl. Holthuis, J. (1999), S. 88; Mucksch, H. (1999), S. 179-181 u. Bange, C./Mertens,

H./Schinzer, H. (1999), S. 31-33. 46 Vgl. Finger, R./Kemper, H.-G. (1999), S. 81-86.


Markt realisierten Umsatzes als Bruttoerlös). Der zweite Transformationsschritt der Verdichtung beinhaltet das Aggregieren der gefilterten und harmonisierten Datenbestände entsprechend der zu erwartenden Abfragen entlang unterschiedlicher Dimensionen. Dies geschieht aus Gründen der Performanceoptimierung. Für eine Sortiments-strukturanalyse ist es beispielsweise empfehlenswert, die täglichen Ist-Verkaufszahlen zu Monats- oder Quartalswerten zu summieren und gesondert im Data Warehouse abzulegen. Im letzten Transformationsschritt, der Anreicherung, werden zur Verkürzung der Antwortzeiten und zur Sicherung der Datenkonsistenz betriebswirtschaftliche Kenngrößen (z. B. Deckungsbeitrag I) gebildet und gespeichert.47

Das Laden der extrahierten und transformierten Daten in das Data Warehouse schließt die Aktivitäten auf der Datenerfassungsebene ab. Im Anschluss an das erstmalige Laden der Daten in das Data Warehouse ist gemäß der unternehmensspezifischen Anforderungen festzulegen, in welchen zeitlichen Abständen das Data Warehouse zu aktualisieren ist. Darüber hinaus ist zu entscheiden, ob inkrementelle oder vollständige Aktualisierungen durchgeführt werden sollen.48

3.1.2 Data Warehouse

Die als Data Warehouse bezeichnete Datenbank enthält sowohl aktuelle als auch historische Daten aus unternehmensinternen sowie -externen operativen Datenquellen in unterschiedlichen Aggregationsstufen und wird getrennt von den operativen Datenbanken betrieben. Werden die bereits erläuterten charakteristischen Eigenschaften eines Data Warehouse konsequent umgesetzt, können die für die Analyse notwendigen Daten den nachgelagerten Systemen in einem einheitlichen Format zur Verfügung gestellt werden.49

Im Rahmen der Konzeption des Data Warehouse sind darüber hinaus die nachfolgend genannten Gestaltungsaspekte zu berücksichtigen: 50

Die Datenverdichtung und die Granularität der Daten (Detailliert-heitsgrad) sind vor dem Hintergrund eher gegensätzlicher An-forderungen abzustimmen. So ist aus DV-technischen Gründen, zu nennen sind der Speicherbedarf, die Flexibilität der Daten und die

47 Vgl. Finger, R./Kemper, H.-G. (1999), S. 86-91. 48 Vgl. Holthuis, J. (1999), S. 92-95 49 Vgl. Behme, W./Mucksch, H. (2000), S. 15-16. 50 Vgl. hierzu ausführlich Inmon, W. (1992), S. 41-61; Behme, W./Mucksch, H. (2000), S.

39-47 u. Holthuis, J. (1999), S. 80-88.


Verarbeitungsgeschwindigkeit, eine hohe Granularität der Daten (= niedriger Detailliertheitsgrad) vorteilhaft. Demgegenüber macht das betriebswirtschaftliche Ziel, die Daten als Grundlage für bestimmte Entscheidungen zu verwenden, detaillierte Auswertungsmöglichkeiten und damit eine niedrige Granularität der Daten (= hohen Detailliertheitsgrad) erforderlich.

Ein weiteres Gestaltungskriterium, das sich ebenfalls auf die Verarbeitungseffizienz des Data Warehouse auswirkt, ist die Partitionierung (Fragmentierung) der Datenbestände, z. B. nach ihrem Zeitraumbezug. Diese wirkt sich einerseits vereinfachend auf die notwendigen Administrationstätigkeiten (Restrukturierung, Indizierung etc.) andererseits komplexitätssteigernd auf die Gestaltung des Datenmodells, die Datenübernahme und die Durchführung von partitionenübergreifenden Analysen aus und sollte bereits im Zuge der Konzeption festgelegt werden.

Ferner ist im Sinne der Denormalisierung51 darauf zu achten, dass die im Rahmen von betriebswirtschaftlichen Diagnosen anfallenden Datenbankzugriffe reduziert werden, um so die eingesetzte Hard- und Software zu entlasten sowie das Antwortzeitverhaltens des Data Warehouse zu verbessern. Allerdings muss dafür ein Anstieg des Speicherplatzbedarfs durch die entstehenden Redundanzen der denormalisierten Daten sowie ein erhöhter Aufwand zur Erhaltung der Datenkonsistenz in Kauf genommen werden.

3.1.3 Metadatenbanksystem

Da die Inanspruchnahme eines Data Warehouse von den meist spezifischen Informationsbedarfen des jeweiligen Benutzers abhängt, besteht die Notwendigkeit, dem Anwender Werkzeuge an die Hand zu geben, mit denen er die zur Erfüllung seiner Aufgaben notwendigen Informationen selbst und insofern rollenspezifisch aus dem Data Warehouse herausfiltern und analytisch verarbeiten kann. Aus diesem Grund werden DV-technische und betriebswirtschaftliche Informationen über Datenquellen, Transformationen

51 Als Denormalisierung wird eine Vorgehensweise bezeichnet, die bewusst darauf

verzichtet, die Relationen in einem relationalen Datenmodell in der dritten Normalform zu implementieren, und damit Inkonsistenzen aus Praktikabilitätsgründen in Kauf nimmt (vgl. Holthuis, J. (1999), S. 86).


und Verdichtungen in einem separaten Metadatenbanksystem gespeichert und verwaltet. 52, 53

Das Metadatenbanksystem, das sozusagen die Daten über die Daten verwaltet, unterstützt nicht nur den Benutzer, sondern auch den Administrator des Data Warehouse-Systems. Das Metadatenbanksystem leistet demnach einen wesentlichen Beitrag dazu, die erforderliche Transparenz in allen Bereichen des Data Warehouse-Systems zu schaffen. Das Metadatenbanksystem ist äußerst benutzerorientiert zu gestalten, da dessen Güte in hohem Maße ausschlaggebend ist für die Akzeptanz des Data Warehouse-Systems im Unternehmen.54

Die Datenbank für den Aufbau des Data Warehouse ist in erster Linie in Abhängigkeit von den darauf aufsetzenden Anwendungssystemen auszuwählen. Prinzipiell sind sämtliche am Markt angebotenen Standard-produkte hierfür als geeignet anzusehen.55

3.1.4 Administrationstool

Eine weitere Komponente des Data Warehouse-Systems ist das Administrationstool. Hinsichtlich der Administration des Data Warehouse-Systems lassen sich z. B. die Aufgaben der Überwachung der Transformations- und Ladevorgänge, des Zugriffs- und Performance-managements, der Versionskontrolle sowie der fortwährenden Weiter-entwicklung anhand der sich verändernden Daten- und Auswertungs-anforderungen identifizieren. Zur Erfüllung dieser Aufgaben wird seitens der Mitarbeiter des EDV-Bereichs ein sog. Administrationstool eingesetzt, das vor allem auf die im Metadatenbanksystem gespeicherten Daten zugreift.56

3.1.5 Archivierungssystem

Mit Hilfe des Archivierungssystems werden die Daten des Data Warehouse-Systems einerseits gesichert und andererseits archiviert. „Generelle Zielsetzung von Archivierungssystemen [Hervorhebung im Original nicht übernommen] ist es, die Produktivität durch die sofortige Bereitstellung

52 Vgl. Holthuis, J. (1999), S. 95-101; Hummeltenberg, W. (1998), S. 58-59 u. Mucksch, H.

(1999), S. 182-185. 53 Ein Metadatenbanksystem sollte darüber hinaus ein Lexikon der Datenbezeichnungen,

einen Thesaurus über die Datenobjekte, ein Glossar, ein Datenstrukturverzeichnis, ein Verzeichnis der Integritätsbedingungen, Cross-Referenz-Tabellen und ein Data Directory enthalten. Vgl. Holthuis, J. (1999), S. 101.

54 Vgl. Mucksch, H. (1999), S. 185. 55 Vgl. Muksch, H. (1999), S. 179. 56 Vgl. Holten, R. (1998), S. 47 u. Behme, W./Mucksch, H. (2000), S. 50.


notwendiger Informationen und Dokumente ohne Medienbrüche zu erhöhen und dafür entsprechende Speicherkapazitäten bereitzustellen.“57

Die Datensicherung schafft die Möglichkeit, das Data Warehouse-System nach einem hard- oder softwarebedingten Ausfall wiederherzustellen. Die Datenarchivierung dient der Reduktion des Datenvolumens und damit der Steigerung der Performance im Rahmen von Abfragen. Hierzu werden die Daten der untersten Verdichtungsstufen aus dem Data Warehouse ausgelagert und in den meisten Fällen auf optischen Offline-Datenträgern abgespeichert. Dadurch können selbst große Datenmengen im Data Warehouse-System effizient verwaltet und beispielweise im Rahmen von komplexen Ad hoc-Analysen verarbeitet werden.58

Darüber hinaus wird von dem Data Warehouse-System standardmäßig eine Schnittstelle für die darauf aufsetzenden Komponenten eines Controlling-Informationssystems, z. B. den OLAP-Systemen und den Business Intelligence-Tools, angeboten. Diese gewährt einen einheitlichen Zugriff auf die im Data Warehouse und Metadatenbanksystem abgelegten Daten.59

Nachdem die Komponenten eines Data Warehouse-Systems erläutert wurden, sollen typische Organisationsformen des Data Warehouse vorgestellt und kritisch beleuchtet werden.

3.2 Organisationsformen des Data Warehouse

Aus struktureller Perspektive wird ein Data Warehouse „zum größten Teil durch den Aufbau und die Organisation des Unternehmens, die vorhandene DV-Infrastruktur und die Planung über die zukünftige Entwicklung des DV-Bereichs bestimmt.“60 In Abstimmung mit den unternehmensspezifischen Anforderungen kann ein Data Warehouse grundsätzlich als zentrales Data Warehouse, als verteiltes Data Warehouse oder als Data Mart(s) mit und ohne zentralem Data Warehouse gestaltet werden.61

Darüber hinaus bestünde noch die Möglichkeit das Data Warehouse als virtuelles Data Warehouse zu realisieren. Diese Organisationsform, die sich durch den Verzicht auf eine separate redundante Datenhaltung auszeichnet,

57 Behme, W./Mucksch, H. (2000), S. 27. 58 Vgl. Behme, W./Mucksch, H. (2000), S. 27-29. 59 Vgl. Totok, A. (2000), S. 39. HOLTHUIS verweist in diesem Zusammenhang auf den

Mangel einer standardisierten Schnittstelle (vgl. Holthuis, J. (1999), S. 107-109).

60 Behme, W./Mucksch, H. (2000), S. 50. 61 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 21.


soll im Weiteren jedoch nicht betrachtet werden, da dieses Vorgehen der Grundidee des Data Warehousing widerspricht.62

3.2.1 Zentrales Data Warehouse

Abbildung 7: Data Warehouse-System mit zentralem Data Warehouse63

Das zentrale Data Warehouse (vgl. Abbildung 7) zeichnet sich durch eine redundante, zentral betriebene physische Datenbasis aus und ist auf Grund des vorhandenen Know-hows vor allem Unternehmen mit einer zentralen Geschäftsabwicklung zu empfehlen. Der Zugriff auf die Daten aller Bereiche des Unternehmens, das vergleichsweise einfache Datenmodell sowie die geringe Netzbelastung sind als Vorteile eines zentralen Data Warehouse anzusehen. Als Nachteile dieser Organisationsform sind der erschwerte Zugriff und die oftmals mangelnde Berücksichtigung der Informationsbedarfe der Entscheidungsträger ausgegliederter Unternehmensteile sowie das im Fall von vielen Datenbankabfragen resultierende schlechte Antwort-zeitverhalten anzusehen. Ebenfalls problematisch sind die Komplexität einer derartigen Gesamtlösung sowie das hohe Investitionsvolumen vor allem für die notwendige Hardware. Anzumerken ist, dass im Zuge der Nutzung das

62 Für weitere Ausführungen zur Organisationsform des virtuellen Data Warehouse vgl.

Behme, W./Mucksch, H. (2000), S. 55-56; Bange, C./Mertens, H./Schinzer, H. (1999), S. 20-21 u. Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 25.

63 In Anlehnung an: Behme, W./Mucksch, H. (2000), S. 52.


zentrale Data Warehouse oftmals auf mehrere kleinere Data Warehouses verteilt wird.64

3.2.2 Verteiltes Data Warehouse

Abbildung 8: Data Warehouse-System mit verteiltem Data Warehouse65

Sind in einem Unternehmen auf Grund des dezentralen Betriebes der operativen Informationssysteme das zum Betrieb von verteilten Systemen erforderliche Know-how und die Infrastruktur vorhanden, liegt es nahe, auch das Data Warehouse als verteiltes System mit dezentralen Datenbasen aufzubauen (vgl. Abbildung 8). Vorteilhaft wirken sich in diesem Fall die lokale Verfügbarkeit der Daten, die höhere Flexibilität und die geringeren Anschaffungs- und Betriebskosten der kleineren Serversysteme aus. Als nachteilig erweisen sich die Verwaltung des komplexeren Datenmodells und die hohe Netzbelastung im Fall von unternehmensweiten Analysen. Dieser Nachteil kann jedoch, wie im nachfolgenden Abschnitt dargestellt, durch den Aufbau eines zentralen Data Warehouse in der Unternehmenszentrale teilweise kompensiert werden.66

64 Vgl. Behme, W./Mucksch, H. (2000), S. 51-52; Bange, C./Mertens, H./Schinzer, H.

(1999), S. 21-22; Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 25 u. Zornes, A. (1994), S. 16.

65 In Anlehnung an: Behme, W./Mucksch, H. (2000), S. 54. 66 Vgl. Behme, W./Mucksch, H. (2000), S. 52-55 u. Böhnlein, M./Ulbrich-vom Ende, A.

(2000), S. 25.


3.2.3 Data Mart(s) mit und ohne zentralem Data Warehouse

Abbildung 9: Data Warehouse-System mit Data Marts und zentralem Data

Warehouse67

Die Erfahrungen in der Praxis haben gezeigt, dass der kurz- bis mittelfristige Aufbau meist an der Entwicklung eines unternehmensweiten Datenmodells für das zentrale Data Warehouse scheitert. Dies führte in der Praxis zur Entwicklung von Data Marts, die als personengruppen- bzw. funktionsspezifische Data Warehouse-Lösungen kurzfristig implementiert werden konnten. Allerdings ist darauf hinzuweisen, dass aus Gründen der Konsistenzsicherung die Datenmodelle der einzelnen Data Marts aufeinander abgestimmt und im Idealfall um ein zentrales Data Warehouse ergänzt werden sollten (vgl. Abbildung 9). In diesem Fall sind die Data Marts als fachliche Sichten auf das zentrale Data Warehouse zu begreifen, die gegebenenfalls bedarfsgerecht zu ergänzen sind. Bedeutsame Vorteile dieser Organisationsform sind die vergleichsweise kurzen Implementierungs-zeiten, die niedrigeren Anschaffungskosten und Betriebskosten der kleineren Serversysteme sowie die höhere Flexibilität. Nachteilig wirkt sich insbesondere der zusätzliche Verwaltungs- und Pflegeaufwand des Daten-modells und dessen Metadatenverwaltung aus.68

67 In Anlehnung an: Behme, W./Mucksch, H. (2000), S. 58. 68 Vgl. Behme, W./Mucksch, H. (2000), S. 19-20 u. 56-58; Bange, C./Mertens, H./Schinzer,

H. (1999), S. 22-23; Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 25 u. Sinz, E. J., (2002), Sp. 315-316.


Die vorherigen Erläuterungen ergänzend bietet Abbildung 10 eine vergleichende Gegenüberstellung der bedeutsamen Vor- und Nachteile der drei erläuterten Organisationsformen.

Abbildung 10: Organisationsformen des Data-Warehouse im Vergleich

Resümierend ist festzuhalten, dass für die Realisierung von Controlling-Informationssystemen das Konzept des(der) Data Mart(s) mit oder ohne einem zentralen Data Warehouse auf Grund der flexibleren Auswertungs-möglichkeiten, der hohen Verfügbarkeit historischer Daten, der vergleichs-weise geringen Anschaffungs- und Betriebskosten sowie der relativ geringen Realisierungszeit die wohl zweckmäßigste der vorgestellten Organisations-formen darstellt.69

69 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 18-23.


4 OLAP-Systeme

Im Rahmen von Controlling-Informationssystemen setzen auf den Data Warehouse-Systemen in der Regel Systeme des On-Line Analytical Processing (OLAP) auf. Während Data Warehouse-Systeme auf die unternehmensweite Schaffung einer integrierten und konsistenten Datenbasis gerichtet sind, rücken OLAP-Systeme die Zugriffmöglichkeiten des Benutzers auf die Daten zur Erfüllung der diagnostischen Aufgaben in den Vordergrund. Hierzu wird das im Data Warehouse gespeicherte Datenmaterial mehrdimensional aufbereitet, und dem Benutzer werden frei wählbare Sichten auf das Datenmaterial gewährt. Der Anwender kann dann im Rahmen von mehrdimensional ausgerichteten Analyse- und Prognoseaufgaben, wie sie für die Erfüllung grundlegender Funktionen von Unternehmensführung und Controlling typisch sind, flexibel durch den Datenbestand navigieren und diesen entsprechend seiner jeweiligen Informationsbedarfe auswerten.70

Aus theoretischer Sicht ist festzuhalten, dass Data Warehouse-Systeme und OLAP-Systeme, trotz fließender Übergänge, grundsätzlich zwei, getrennt zu betrachtende Informationssystemtypen sind, die nicht miteinander konkurrieren, sondern in den meisten Fällen aufeinander aufbauen.

Im weiteren Verlauf ist zunächst der Begriff OLAP definitorisch abzugrenzen und zumindest kurz auf die Anforderungen an OLAP-Systeme einzugehen. Darüber hinaus sind die Beschreibungselemente der mehrdimensionalen Datenstrukturen, die Navigation in solchen Datenstrukturen und die zur Verfügung stehenden Speichertechnologien näher zu betrachten.

4.1 Definitorische Abgrenzung von OLAP

Zunächst ist darauf hinzuweisen, dass das im Bereich der Management-Unterstützungssysteme angesiedelte Datenverarbeitungskonzept des On-Line Analytical Processing abzugrenzen ist von dem im Bereich der operativen Informationssysteme vorzufindenden Konzept des On-Line Transaction Processing (OLTP). Die OLTP-Technologie ist im Gegensatz zur OLAP-Technologie, die für die analytische Verarbeitung historischer sowie eher aggregierter Daten konzipiert wurde, auf die strukturierte und repetitive Verarbeitung von detaillierten Daten ausgerichtet, die in Folge von aktuellen Transaktionen im Wertschöpfungsprozess entstehen. Darüber hinaus ist

70 Vgl Chamoni, P./Gluchowski, P. (2000), S. 335; Chamoni, P./Zeschau, D. (1996), S. 49

u. Bange, C./Mertens, H./Schinzer, H. (1999), S. 38.


charakteristisch für das Datenverarbeitungskonzept OLTP, dass nicht nur lesend, sondern auch schreibend sowie löschend auf die Daten zugegriffen wird.71

Der Begriff des On-Line Analytical Processing geht auf CODD, CODD und SALLEY zurück und wurde von diesen im Jahr 1993, wie folgt, definiert:72

„OLAP is the name given to the dynamic enterprise analysis required to create, manipulate, animate, and synthesize information from exegetical, contemplative, and formulaic data analysis models (…). This includes the ability to discern new or unanticipated relationships between variables, the ability to identify the parameters necessary to handle large amounts of data, to create an unlimited number of dimensions (consolidation paths), and to specify cross-dimensional conditions and expressions.”73

OLAP-Systeme stellen somit für den Aufbau von Controlling-Informa-tionssystemen äußerst bedeutsame Komponenten dar, durch die eine für betriebswirtschaftliche Zwecke unabdingbare Möglichkeit zur multi-dimensionalen Datendiagnostik sichergestellt wird.

4.2 Anforderungen an OLAP-Systeme

In Analogie zu den von CODD aufgestellten Anforderungen an relationale Datenmodelle und relationale Datenbanksysteme formulieren CODD, CODD und SALLEY einen Katalog von insgesamt zwölf Grundregeln, die OLAP-Systeme aus ihrer Sicht zu erfüllen haben. Diese Grundregeln sollen im Sinne einer verbesserten Übersichtlichkeit in einer von der Originalquelle abweichenden Reihenfolge kurz skizziert werden.74

Grundlegende Anforderungen Mehrdimensionale konzeptionelle Perspektiven, die im Rahmen von

betriebswirtschaftlichen Diagnosen in Unternehmen erforderlich sind, müssen von dem OLAP-System konzeptuell unterstützt werden, so dass der Anwender das Datenmaterial auf beliebige Weise bearbeiten kann.

71 Vgl. Chamoni, P./Gluchowski, P. (2000), S. 334; Chaudhuri, S./Dayal, U. (1997), S. 517-

518 u. Holthuis, J. (1999), S. 49-51. 72 Das Konzept des On-Line Analytical Processing wurde erstmals in Form eines

Whitepaper von E. F. Codd, S. B. Codd und C. T. Salley, Mitarbeiter von E. F. Associates, im Jahre 1993 vorgestellt (vgl. Codd, E. F./Codd, S. B./Salley, C. T. (1993)).

73 Codd, E. F./Codd, S. B./Salley, C. T. (1993), S. 7. 74 Vgl. Codd, E. F./Codd, S. B./Salley, C. T. (1993), S. 10-16; Chamoni, P./Gluchowski, P.

(2000), S. 336-341 u. Holthuis, J. (1999), S. 49-51.


Intuitive Datenbearbeitung muss es dem Anwender ermöglichen, entlang der vorgegebenen Konsolidierungspfade zu navigieren und auf die jeweils gewünschten Datenelemente zuzugreifen.

Zugriffsmöglichkeiten müssen auf Grund eines im OLAP-System integrierten Datenmodells so beschaffen sein, dass dem Benutzer eine einheitliche und konsistente Sicht auf die Daten der darunter liegenden operativen Informationssysteme gewährt wird.

Transparenz muss für den Benutzer insoweit gegeben sein, dass er erkennt, auf welche Weise die OLAP-Funktionalität in seiner Arbeits-umgebung eingebettet ist.

Anforderungen zur Berichtsgenerierung Stabile Leistungsfähigkeit im Zuge der Berichtserstellung muss insoweit

sichergestellt sein, als das Antwortzeitverhalten im Rahmen der Erstellung von Berichten nicht wesentlich dadurch beeinflusst werden darf, dass der Anwender die Anzahl der verwendeten Dimensionen erhöht, oder die Datenbasis größer geworden ist.

Flexible Berichterstellung muss durch eine entlang der Konsolidierungs-pfade freie Positionierbarkeit, Gruppierbarkeit und Vergleichbarkeit der Berichtszeilen und der Berichtsspalten gewährleistet sein.

Anforderungen zur Dimensionsverwaltung Generische Dimensionalität muss in Form eines einheitlichen Aufbaus

aller Dimensionen hinsichtlich der Struktur und der Funktionalität gewährleistet sein, d. h. die Dimensionen müssen symmetrisch und damit untereinander austauschbar sein.

Uneingeschränkte kreuzdimensionale Operationen müssen im Rahmen der Datendiagnostik über sämtliche Dimensionen möglich sein. Hierzu sind mittels einer Datenmanipulationssprache entsprechende Berech-nungsvorschriften zu erstellen.

Unbegrenzte Dimensions- und Aggregationsebenen müssen von OLAP-Systemen unterstützt werden. Als Minimum werden 15 Dimensionen angesehen.

Physikalische Anforderungen Client/Server-Architekturen müssen von OLAP-Systemen unterstützt

werden. Darüber hinaus müssen sich die Client-Systeme (Frontends) mit


einem Minimum an Aufwand in die Server-Komponenten integrieren lassen.

Mehrbenutzer-Unterstützung muss insofern vorhanden sein, als mehrere Benutzer parallel auf das Datenmodell zugreifen können müssen. Die Sicherheits- und Integritätsregeln müssen so gestaltet sein, dass die Konsistenz des Datenmodells zu jedem Zeitpunkt sichergestellt ist.

Dynamische Behandlung dünn besiedelter Matrizen, die durch das mehrdimensionale Datenmodell entstehenden, muss von OLAP-Systemen speichereffizient gewährleistet werden.

Diese Regeln sind auf Grund der nicht vorhandenen Trennung zwischen fachlich-konzeptionellen Anforderungen und technischen Realisierungs-aspekten heftig kritisiert. Darüber hinaus stellte die vermutete Hersteller-abhängigkeit der Autoren CODD, CODD und SALLEY einen weiteren Angriffspunkt des OLAP-Konzeptes dar.75

Auf Grund dieser Kritik wurden weitere Versuche unternommen, diese Regeln herstellerunabhängig zu beschreiben.76 Eine auch aus betriebs-wirtschaftlicher Sicht besonders hohe Bedeutung ist in diesem Zusammenhang dem Ansatz von CREETH und PENDSE zuzuweisen, die unter dem Akronym FASMI (Fast Analysis of Shared Multidimensional Information) die funktionalen Anforderungen an ein OLAP-System auf einem zwar abstrakten, aber funktionalen Niveau beschrieben haben. Dieses FASMI-Konzept ist in Abbildung 11 dargestellt.77

75 Vgl. Chamoni, P./Gluchowski, P. (2000), S. 341-342 u. Totok, A. (2000), S. 61. 76 Beispielsweise haben die Gartner-Group und IRI-Software die zwölf Grundregeln

ergänzt, so dass mittlerweile ca. 50 OLAP-Evaluierungsregeln existieren. 77 Vgl. Creeth, R./Pendse, N. (2001), S. 1-3; Chamoni, P./Gluchowski, P. (1999b), S. 267

u. Holthuis, J. (1999), S. 54.


Abbildung 11: Funktionale Anforderungen des FASMI-Konzeptes an OLAP-

Systeme

Die genannten Anforderungen, die an OLAP-Systeme gestellt werden, klärt die Intention und den Gegenstandsbereiches von OLAP-Systemen. Zur Vertiefung des Verständnisses der im Vordergrund stehenden mehr-dimensionalen Datenstrukturen soll nachfolgend zudem auf deren Beschreibungselemente eingegangen werden.

4.3 Beschreibungselemente mehrdimensionaler Datenstrukturen

Die mehrdimensionale Aufbereitung von Daten stellt den wesentlichen Kern des OLAP-Konzeptes dar und bewirkt die hohe Bedeutung dieser Technologie für Controlling-Informationssysteme. Die zur Erzeugung von


mehrdimensionalen Datenstrukturen78 erforderlichen Elemente sind in Abbildung 12 exemplarisch dargestellt und werden im Folgenden erläutert.79

Die quantitativen, meist in metrischer Form vorliegenden Inhalte (= Elemente) von OLAP-Datenstrukturen werden als Fakten, Variablen oder Kennzahlen bezeichnet. Typische Fakten, die in Controlling-Informa-tionssystemen abgebildet werden, sind beispielsweise Absatzmengen, Erlöse, Kosten und Deckungsbeiträge, die als Ist- und/oder Planwerte vorzuhalten sind. Jeder dieser Fakten steht in Wechselwirkung zu bestimmten Bezugsgrößen, die als Dimensionen bezeichnet werden. Der Fakt Deckungsbeitrag I kann, wie in Abbildung 12 veranschaulicht, in Zusammenhang mit den Dimensionen Produkt, Vertriebsgebiete, Zeit, Kunden, Organisation etc. stehen. Die Dimensionen selbst können durch eine Menge von Elementen beschrieben werden, die sich innerhalb der Dimension verschiedenen Konsolidierungsebenen zuordnen lassen. Dadurch entstehen sog. Bezugsobjekthierarchien. Wie in Abbildung 12 angedeutet, kann die Produkt-Dimension aus mehreren Produkten (so beispielsweise aus den Produkten Gummibären, Weingummi, Sterne, Stangen und Echte Lakritze) bestehen, die zu Produktsparten (Gelatine und Lakritz) gehören, die sich wiederum zum gesamten Unternehmen (Schleckerhaus GmbH) zusammenfassen lassen. Analoge Strukturen lassen sich in den Dimensionen Vertriebsgebiete, Zeit, Kunden und Organisation erkennen. Die Datenstrukturen sind durch die Anzahl der jeweiligen Elemente der untersten Bezugsobjektebene fest skaliert.80

78 In der anglo-amerikanischen Literatur spricht man in diesem Zusammenhang von der

Generierung sog. ‚data cubes’, also von Datenwürfeln. Da dieser Begriff auf Grund der (nur) Dreidimensionalität von Würfeln eher missverständlich ist, wird er in den folgenden Ausführungen vermieden.

79 Vgl. Chaudhuri, S./Dayal, U. (1997), S. 520-521. 80 Vgl. Schelp, J. (1999), S. 283-289; Chamoni, P./Gluchowski, P. (1999b),

S. 263-264; Chaudhuri, S./Dayal, U. (1997), S. 520-521 u. Totok, A. (2000), S. 85-95.


Abbildung 12: Beschreibungselemente mehrdimensionaler Datenstrukturen

Das Design der Datenstrukturen kann auf unterschiedlichen Modellierungs-prinzipien beruhen.81

4.4 Navigation in mehrdimensionalen Datenstrukturen

Je nach Aufgabenstellung und des daraus resultierenden Informations-bedarfs des Benutzers entsteht im Rahmen betriebswirtschaftlicher Diagnosen die Notwendigkeit, verschiedene Schnitte in den mehr-dimensionalen Datenraum zu legen und das relevante Datenmaterial aus unterschiedlichen Blickwinkeln intuitiv und flexibel untersuchen zu können.

Zur Unterstützung einer Sortimentsanalyse kann es für den Controller beispielsweise erforderlich sein, sich den Ist-Deckungsbeitrag I der einzelnen Produkte, der einzelnen Regionen der BRD, der einzelnen Quartale des Betrachtungsjahres für die Gesamtheit der Kunden und für die Gesamtheit des Unternehmens anzeigen zu lassen. Somit erhält er sehr detaillierte Informationen über die Deckungsbeitragsstruktur des Unternehmens und kann im Bedarfsfall einzelne Erfolgssegmente entlang fünf verschiedener

81 Diesbezüglich sind das hier verwendete Singlecube- bzw. Hypercube-Prinzip und das

ebenfalls anwendbare Multicube-Prinzip zu unterscheiden. Vgl. zu den detaillierten Vorgehensunterschieden Sinz, E. J. (2002), Sp. 313 u. Totok, A. (2000), S. 119-121.


Dimensionen analysieren. Auf Grund darstellungsbedingter Restriktionen sind die Ergebnisse solcher, auf mehrere Dimensionen gerichteten Abfragen in zweidimensionalen Tabellen darzustellen (vgl. linke obere Tabelle in Abbildung 13).82

Zur Navigation in den mehrdimensionalen Datenstrukturen stellen OLAP-Systeme unter anderem die Navigationsarten Rotate, Slice und Dice mittels geeigneter Zugriffsmechanismen zur Verfügung:83

Mit der Navigationsart Rotate kann der Anwender die Hyperstruktur drehen und kippen, um andere Sichten auf das Datenmaterial zu bekommen. Im Beispiel schlägt sich die Drehung der mehrdimensionalen Datenstruktur, wie in Abbildung 13 in der rechten oberen Ecke dargestellt, in einem Tausch der 2. und 3. Dimension der Ausgangstabelle nieder.

82 Vgl. Chamoni, P./Gluchowski, P. (1999b), S. 264 u. Holthuis, J. (1999), S. 43-44. 83 Vgl. Chamoni, P./Gluchowski, P. (2000), S. 370-371; Holten, R. (1998), S. 50-51 u.

Holthuis, J. (1999), S. 45-47.


Abbildung 13: Navigationsarten Rotate, Slice und Dice

Dadurch kann der Controller die zeitliche Entwicklung der Ist-Deckungsbeiträge I der einzelnen Produkte über die vier Quartale hinweg je nach ausgewählter Absatzregion (Nord, Ost, Süd oder West) analysieren.


Die Navigationsart Slice erlaubt es dem Anwender, zweidimensionale Tabellen aus der Hyperstruktur herauszuschneiden. Der Slice entsteht durch die bewusste Auswahl von zwei Dimensionen und das gleichzeitige Unterdrücken der restlichen Dimensionen durch die Fixierung auf eines der Dimensionselemente. Beispielsweise können mittels Slice die Ist-Deckungsbeiträge I der einzelnen Produkte und der einzelnen Regionen, die ausschließlich im 3. Quartal für die Gesamtheit der Kunden im Unternehmen realisiert wurden, aus der Hyperstruktur geschnitten werden (vgl. die in der rechten unteren Ecke der Abbildung 13 dargestellten Tabelle).

Eine eng mit Slice in Verbindung stehende Navigationsart ist Dice, die auch als Ranging bezeichnet wird. Dicing versetzt den Anwender in die Lage, bewusst Daten auszugrenzen und kleinere Datenstrukturen zu definieren. Diese Navigationsart ist äußerst bedeutsam für die bedarfsgerechte, so etwa gegebenenfalls auch die rollenspezifische Bereitstellung relevanter Informationen. Im Beispiel ist in der linken unteren Ecke der Abbildung 13 eine Tabelle dargestellt, die dem für die Produktsparte Gelatine zuständigen Produktmanager die Ist-Deckungsbeiträge der einzelnen Gelatine-Produkte (Gummibären und Weingummi) in den einzelnen Regionen über alle Quartale hinweg für die Gesamtheit der Kunden und für das gesamte Unternehmen zur betriebswirtschaftlichen Analyse bereitstellt.

In Ergänzung zu den zuvor beschriebenen Navigationsmöglichkeiten stehen für weitergehende betriebswirtschaftliche Diagnosen, die oftmals durch Abfragen angestoßen werden, die in Abbildung 14 dargestellten Navigationsarten Drill Down und Roll Up zur Verfügung.


Abbildung 14: Navigationsarten Drill Down und Roll Up

Mit Hilfe des Drill Down kann der Anwender im Rahmen betriebswirtschaftlicher Diagnosen die einzelnen Hierarchiestufen (Konsolidierungsebenen) einer Dimension stufenweise nach unten gehen. Der für Erfolgsstrukturanalysen zuständige Controller des im Beispiel betrachteten Unternehmens Schleckerhaus GmbH kann ausgehend vom Ist-Deckungsbeitrag I (DB I) des Unternehmens im Jahr 2002 (Fixierung der Vertriebs-, Kunden- und Produktdimension auf dem jeweils obersten Element) zunächst in der Organisationsdimension den DB I der im Werk


Nürnberg hergestellten Erzeugnisse betrachten (8.550 T EUR) und danach analysieren, wie viel davon in Deutschland (3.740 T EUR) und hier im Osten Deutschlands (405 T EUR) realisiert wurde. Auf die Kundendimension wechselnd lässt sich im Anschluss feststellen, welcher Teil dieses DB I auf den Einzelhandel (180 T EUR) und in diesem Segment wiederum auf den einzelnen Kunden B (75 T EUR) entfällt. Schließlich kann der Controller untersuchen, wie sich der DB I des Kunden B auf die Sparte der Lakritz-Produkte (52 T EUR) bzw. auf deren einzelne Produkte Sterne (31 T EUR), Stangen (22 T EUR) und Echte Lakritze (-1 T EUR) verteilt (vgl. den in Abbildung 14 hervorgehobenen Analysepfad). Zu betonen ist, dass je nach Rolle und der damit verbundenen Aufgabenstellung auch nur ein Teilstück eines solchen Navigationspfades relevant sein kann. So ist beispielsweise für den Vertriebs-Controller möglicherweise nur der über die Vertriebsgebiete- und die Kundendimension führende Ausschnitt des Navigationspfades bedeutsam. Roll Up stellt das Pendant zum Drill Down dar. Der Anwender kann damit von tiefer gelegenen Konsolidierungsebenen (z. B. Produkt Echte Lakritze) auf höher liegende Konsolidierungsebenen (z. B. Sparte Lakritze) navigieren.84

Diese in den OLAP-Systemen integrierten Navigationsarten ermöglichen es dem Anwender, im Rahmen der Erfüllung betriebswirtschaftlicher Aufgaben relativ frei und intuitiv selbst durch große mehrdimensionale Datenbestände zu navigieren. In normalisierten, relationalen Datenstrukturen ließen sich solche Aufgaben nur mit Hilfe sehr komplexer und zudem vorstrukturierten und damit nicht mehr völlig freien Abfragen, die zu schlechten Antwortzeiten führen, realisieren.85

4.5 OLAP-Speichertechnologien

Im Zuge der technischen Implementierung eines OLAP-Systems stehen mehrere Konzepte zur physischen Speicherung der mehrdimensionalen Datenstrukturen zur Auswahl, die nachfolgend kurz darzulegen sind.

4.5.1 Relationales OLAP

Die Variante, die als relationales OLAP (ROLAP) bezeichnet wird, speichert sämtliche Daten in zweidimensionalen Tabellen ab. Die mehrdimensionalen Datenstrukturen werden im Bedarfsfall nur virtuell durch die Verknüpfung mehrerer Tabellen erzeugt. Zur Durchführung betriebswirtschaftlicher

84 Vgl. Chamoni, P./Gluchowski, P. (2000), S. 372-373; Kimball, R. (1996), S. 2-3 u. Totok,

A. (2000), S. 62-64. 85 Vgl. Holthuis, J. (1998), S.153.


Diagnosen müssen in der Regel zusätzliche Software-Werkzeuge eingesetzt werden, die mehrdimensionale Abfragen in SQL-Statements überführen und das Abfrageergebnis der relationalen Datenbank entsprechend mehr-dimensional aufbereiten und zurückgeben. Als Vorteil dieser Variante erweisen sich die in der Regel im Umgang mit relationalen Datenbanksystemen vorhandenen Kompetenzen und deren relativ hohe Stabilität. Da für jede Abfrage die virtuelle Struktur dynamisch geladen werden muss, lassen sich aus Performancegründen nur gering dimensionierte Datenstrukturen erzeugen.86

Zur Transformation der zweidimensionalen Tabellen der relationalen Datenbank in mehrdimensionale Datenstrukturen müssen im Zuge der logischen Modellierung spezielle Modellierungstechniken eingesetzt werden, auf die jedoch nicht näher eingegangen werden soll.87

4.5.2 Multidimensionales OLAP

Eine weitere speichertechnologische Variante ist das multidimensionale OLAP (MOLAP). Hier werden die Daten physisch in ihren multi-dimensionalen Strukturen gespeichert. Dazu setzen die meisten Anbieter proprietäre Datenbanksysteme ein, die insbesondere im Hinblick auf die Verwaltung mehrstufiger Konsolidierungspfade (z. B. Tag, Woche, Monat, Quartal und Jahr für die Dimension Zeit), die Navigation in mehrdimensionalen Datenstrukturen und den Zugriff auf einzelne Elemente mittels direkter Adressierung optimiert sind. Diese Speichertechnologie erlaubt den direkten Zugriff auf Daten durch Business Intelligence-Tools. Allerdings verursacht diese Technologie einen sehr hohen Speicherplatz-bedarf und daraus resultierende Performanceprobleme.88

4.5.3 Hybrides OLAP

Die Variante des hypriden OLAP (HOLAP) vereint die Vorteile des relationalen und des multidimensionalen OLAP. Zur Verbesserung der Performance werden häufig benötigte Daten in multidimensionalen Datenbanksystemen, weniger oft abgefragte Daten dagegen in relationalen

86 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 48; Chamoni, P./Gluchowski, P.

(1999b), S. 269-270 u. Chaudhuri, S./Dayal, U. (1997), S. 518. Für eine sehr ausführliche Darstellung siehe Chamoni, P./Gluchowski, P. (2000), S. 345-354.

87 Vgl. hierzu ausführlich Hahne, M. (1999), S. 152-168; Holthuis, J. (1999), S. 196-210 u. Totok, A. (2000), S. 174-194.

88 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 52-53; Chamoni, P./Gluchowski, P. (1999b), S. 270-271; Chaudhuri, S./Dayal, U. (1997), S. 518 u. Schinzer, H. (1996), S. 472. Für eine ausführliche Darstellung siehe Chamoni, P./Gluchowski, P. (2000), S. 354-364.


Datenbanksystemen gespeichert. HOLAP-Lösungen weisen demzufolge eine besondere Flexibilität hinsichtlich der Abfragemöglichkeiten auf, so dass diese Speichertechnologie in Zukunft zunehmend an Bedeutung gewinnen wird.89

In vielen Veröffentlichungen werden die Aspekte der Speichertechnologie und die der Architektur von OLAP-Systemen nicht trennscharf behandelt. Prinzipiell sind OLAP-Systeme technologisch stets im Rahmen einer mehrschichtigen Client-Server-Architektur realisiert. Diese setzt sich logisch aus dem Data Warehouse-System, dem OLAP-Server und den die Kommunikation unterstützenden Business Intelligence-Tools zusammen. Physisch können allerdings auch 2-Schichten-Architekturen realisiert werden. Diese zeichnen sich dadurch aus, dass entweder das Data Warehouse-System und der OLAP-Server (sog. Fat-Server) oder der OLAP-Server und die Business Intelligence-Tools (sog. Fat-Client – auch als Desktop-OLAP (DOLAP) bezeichnet) auf demselben Rechner betrieben werden. Aus Gründen der Skalierbarkeit und der Flexibilität ist allerdings eine physische 3-Schichten-Architektur zu bevorzugen, d. h. dass das Data Warehouse, das OLAP-System und die Business Intelligence-Tools idealtypisch jeweils auf getrennten Rechnern betrieben werden.90

Die sowohl funktionale als auch technische Aspekte umfassenden Ausführungen haben gezeigt, dass OLAP-Systeme als ideale Ergänzung von Data Warehouse-Systemen zu verstehen sind, die das im Data Warehouse vorhandene Datenmaterial für die Diagnosezwecke von Unternehmens-führung und Controlling mehrdimensional aufbereiten. Darüber hinaus erhält der Nutzer (Manager und/oder Controller) durch OLAP-Systeme die Möglichkeit, flexibel durch das große Datenvolumen des Data Warehouse zu navigieren und das relevante Datenmaterial auch intuitiv zu analysieren.

89 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 53-54 u. Elkins, S. (1998), S. 2. 90 Vgl. Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 28-30; Chamoni, P./Gluchowski, P.

(1999b), S. 268-271 u. Elkins, S. (1998), S. 3-4.


5 Business Intelligence und Business Intelligence-Tools

Entsprechend der bereits in Abbildung 5 (vgl. S. 19) dargestellten Referenzarchitektur von Controlling-Informationssystemen sind nachfolgend Business Intelligence-Tools zu erläutern. Diese bilden im Rahmen von Controlling-Informationssystemen die Schnittstelle des Anwenders zu den Inhalten des Systems.

Das wesentliche Ziel dieser Software-Werkzeuge besteht darin, Unternehmensführung und Controlling im Rahmen der stets notwendigen Transformation von vorhandenem Datenmaterial zu betriebswirtschaftlichem Wissen zu unterstützen und die Transformationsergebnisse entsprechend zu präsentieren. Hierzu setzen Business Intelligence-Tools teilweise direkt auf der integrierten und konsistenten Datenbasis des Data Warehouse-Systems auf, zum größten Teil jedoch greifen die Business Intelligence-Tools erst auf die durch das OLAP-System mehrdimensional aufbereitete Datenbasis des Data Warehouse-Systems zu. Typische, betriebswirtschaftlich geprägte Anwendungsgebiete von Business Intelligence-Tools sind beispielsweise die Erfolgsstrukturanalyse, die Erfolgsplanung und die Break even-Analyse.91

5.1 Definitorische Abgrenzung von Business Intelligence und Business Intelligence-Tools

Der Begriff Business Intelligence wurde erstmals 1989 von der Gartner Group geprägt und als „the process of transforming data into information and, through discovery into knowledge“92 definiert. Trotz dieser grundlegenden Definition wird der Begriff, der sich vor allem in von Praktikern verfassten Diskussionsbeiträgen großer Beliebtheit erfreut, unterschiedlich interpretiert. Hier wird Business Intelligence terminologisch eher weit aufgefasst93, als das zunächst stets subjektbezogene, letztlich aber durchaus rollenspezifisch objektivierbare Ergebnis eines auf das unternehmerische Handeln bezogenen Entwicklungs- bzw. Lernprozesses, der zum Erkennen, Verstehen und Nutzen von betriebswirtschaftlich verwertbarem Wissen führt und auf die Verbeserung der strategischen Wettbewerbsposition eines Unternehmens gerichtet ist.

91 Vgl. Grothe, M./Schäffer, U./Weber, J. (1999), S. 9. 92 Zitiert nach Behme, W./Mucksch, H. (1998), S. 15. 93 Vgl. dazu auch Gentsch, P./Grothe, M. (2000), S. 11 u. 19; Chamoni, P./Gluchowski, P.

(1999b), S. 263 u. Cornelius, M. (1996), S. 68.


Abbildung 15: Konzept der Business Intelligence

Business Intelligence lässt sich grundsätzlich also, wie dies Abbildung 15 visualisiert, als Prozess in die Teilphasen Bereitstellung, Entdeckung und Nutzung unterteilen.94

In der ersten Phase dieses Prozesses hat die Bereitstellung jener quantitativen und/oder qualitativen Daten in strukturierter oder unstrukturierter Form zu erfolgen. Diese Phase liefert jedoch noch nicht jene Informationen, die geeignet sind, Unternehmensführung und Controlling im Rahmen ihrer Aufgabenerfüllung adäquat zu unterstützen. Sie dient vielmehr der Bereitstellung jener Daten, die die Basis für das auf Grund bestimmter Transformationen stattfindende und letztlich zur Business Intelligence führende Lernen darstellen. Aus der informationstechnologischen Perspektive eines Controlling-Informationssystems erfolgt diese Datenbereit-stellung durch Data Warehouse- und OLAP-Systeme.

Sollen betriebswirtschaftlich verwertbare Informationen aus Daten gewonnen werden, so ist im Zuge der Entdeckung das Erkennen von Relationen,

94 Im ursprünglichen, hier als zu eng angesehenen Konzept wird statt der Nutzung die

Kommunikation von Wissen als dritte Teilphase des zu Business Intelligence führenden Prozesses dargestellt. Vgl. dazu Grothe, M. (1999), S. 176 u. Gentsch, P./Grothe., M. (2000), S. 18.


Mustern oder auch Musterbrüchen zwischen den Daten erforderlich. Werden derartige Relationen erkannt oder explizit definiert, so können diese gegebenenfalls zur Transparenz der benötigten Daten führen. Wissen entsteht allerdings erst dadurch, dass der Anwender lernt, die erkannten Muster zu verstehen. Das Entdecken von Relationen und das Verstehen von Mustern, das zur angestrebten Transformation von Daten zu Wissen führt, lässt sich durch Software-Werkzeuge, die hier als Business Intelligence-Tools definiert werden, unterstützen.95 Letztendlich kann allerdings nur der Anwender selbst über die Fähigkeit verfügen, vorhandene Informationen im Sinne einer Wissensvermehrung zu nutzen.

Im Fall des betrachteten Beispielunternehmens Schleckerhaus GmbH stellen die Bildung der Bezugsobjekthierarchien für die im Rahmen der Erfolgsanalyse zu betrachtenden Dimensionen und die Festlegung der Berechnungsmodalität für die Deckungsbeiträge solche expliziten Definitionen von Relationen dar. Ist der Anwender in der Lage, diese Informationen unter Bezugnahme auf sein grundlegendes Wissen über betriebswirtschaftliche Zusammenhänge zu verstehen, so entsteht neues, nunmehr spezifisches Wissen über die Erfolgsstruktur des derzeitigen Sortiments der Schleckerhaus GmbH.

In der letzten Phase von Business Intelligence, der Nutzung, ist das generierte Wissen mit anderen Mitarbeitern des Unternehmens zu teilen, zur Fundierung von Entscheidungen und zur Umsetzung von Maßnahmen einzusetzen. Diese letzte Stufe des gesamten, zu Business Intelligence führenden Lernprozesses kann vom Benutzer allerdings nur erreicht werden, wenn dieser Bewusstsein über das Wissen erlangt und insofern alle Relationen und Muster eines betrachteten Objektes erkannt und verstanden hat. Diese Phase ist durch ein geeignetes, auf Effektivität und Effizienz gerichtetes Wissensmanagement und in diesem Zusammenhang gegebenenfalls hinzuzuziehende DV-Werkzeuge zu unterstützen96

Business Intelligence-Tools decken also in dem hier dargelegten Verständnis (noch) nicht den gesamten zu Business Intelligence führenden Lernprozess ab. Sie dienen der Transformation von bereits bereitgestellten Daten in Wissen. Diese Transformation kann als essentielle Kernleistung des zu Business Intelligence führenden organisationalen Lernprozesses angesehen werden. Nachfolgend sind funktionale Anforderungen an solche Business

95 Vgl. ähnlich auch Fröhling, O. (2000), S. 199-200. 96 Vgl. Grothe, M. (1999), S. 177; Gentsch, P./Grothe, M. (2000), S. 20-21 u.

Gutenschwager, K./Voß, S. (2001), S. 11-16.


Intelligence-Tools abzuleiten und eine Systematisierung der einsetzbaren Software-Werkzeuge zu entwickeln. Darüber hinaus soll ergänzend auch aufgezeigt werden, wie die im Rahmen der Wissensnutzung stattfindenden Kommunikationsprozesse informationstechnisch unterstützt werden können.

5.2 Funktionale Anforderungen an Business Intelligence-Tools

Aus der genannten Zielsetzung von Business Intelligence-Tools lassen sich funktionale Anforderungen an derartige Software-Werkzeuge ableiten. Zum einen sollten Business Intelligence-Tools dem Anwender die Möglichkeit bieten, ohne Programmierkenntnisse Ad-hoc-Abfragen an die Datenbasis zu richten. Ferner muss die Möglichkeit zur intuitiven Navigation in dem mehrdimensional aufbereiteten Datenbestand (Rotate, Slice, Dice, Drill Down sowie Roll Up) zum Funktionsumfang gehören. Darüber hinaus sollten zur Präsentation des abgefragten Datenmaterials je nach Bedarf Tabellen, Grafiken, geographische Darstellungen, multimediale Elemente und Ampelfunktionalitäten zur Verfügung stehen. Des Weiteren müssen Business Intelligence-Tools ein breites Spektrum an betriebswirtschaftlichen und statistischen Analysen, die sich in gerichtete und ungerichtete Analysen differenzieren lassen, anbieten. Als bedeutsame Beispiele für gerichtete Analysen seien Abweichungsanalysen, Zeitreihenanalysen, Kennzahlen-analysen, ABC-Analysen, Break even-Analysen, Portfolioanalysen, Erfahrungskurvenanalysen sowie Lebenszyklusanalysen genannt. Zur ungerichteten Analyse des Datenmaterials, die auf das Erkennen und Verstehen von Mustern und Zusammenhängen in den Datenbeständen gerichtet sind, sollten Verfahren des Data Mining vorhanden sein. Neben diesen eher vergangenheitsorientierten Analysen müssen Business Intelligence-Tools schließlich auch die Planung durch geeignete, in die Zukunft gerichtete betriebswirtschaftliche Methoden, wie z. B. Trend-berechnungen, Forecasting und Simulationsmethoden, unterstützen.97

5.3 Systematisierung von Business Intelligence-Tools

Ein Software-Werkzeug allein wird nicht sämtliche der funktionalen Anforderungen erfüllen können. Aus diesem Grund müssen in der Praxis häufig mehrere Software-Werkzeuge nebeneinander eingesetzt werden.

Business Intelligence-Tools lassen sich in zwei Klassen einteilen. Zum einen gibt es Software-Werkzeuge, die die Analyse von gut strukturierten, meist quantitativen Daten, deren Relationen sich bereits durch eine Reihe von

97 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 57-94.


Hypothesen beschreiben lassen, unterstützen. Zum anderen ist als Pendant dazu eine Klasse von Werkzeugen identifizierbar, die für die Analyse von unstrukturierten, teils qualitativen Daten, für deren Relationen lediglich zum Teil Hypothesen vorliegen, konzipiert sind. Zu dieser Klasse gehören vorwiegend Data Mining-Tools. Beide Klassen der Business Intelligence-Tools werden nachstehen näher betrachtet. 98

5.3.1 Software-Werkzeuge zur hypothesengestützten Analyse von Daten

Software-Werkzeuge, die eine gewisse Basisfunktionalität für hypothesen-gestützte Analysen zur Verfügung stellen, sind Abfrage- und Berichtswerkzeuge (Query- & Reporting-Tools). Diese ermöglichen die Formulierung von eher einfachen Abfragen, die vorwiegend direkt auf die im Data Warehouse-System bereit gehaltenen Daten gerichtet sind, und die Aufbereitung des abgefragten Datenmaterials in meist statischen Berichten. Für den Zugriff auf die von OLAP-Systemen mehrdimensional aufbereiteten Daten des Data Warehouse-Systems werden OLAP-Werkzeuge eingesetzt. Diese Software-Werkzeuge versetzen den Anwender in die Lage, frei durch das mehrdimensionale Datenmodell des OLAP-Systems zu navigieren, daraus bedarfsorientiert Daten abzufragen und diese aus betriebs-wirtschaftlichen Perspektiven zu analysieren. Darüber hinaus verfügen diese Software-Werkzeuge über die Fähigkeit, das analysierte Datenmaterial auch aufzubereiten und in flexiblen Berichten zu präsentieren. Die funktionalen und methodischen Aspekte der Planung werden allerdings von diesen Werkzeugen kaum unterstützt. Insofern ist derzeit noch davon auszugehen, dass Planungswerkzeuge auf Grund der spezifischen Anforderungen der Planung, so z. B. den schreibenden Zugriff auf die Datenbasis und die Sicherung der Konsistenz der Plandaten99, eine eigenständige Gruppe von Software-Werkzeugen darstellen. Eine weitere Gruppe stellen Tabellen-kalkulationsprogramme dar, die mittels eines Add-Ins um die OLAP-spezifischen Funktionalitäten hinsichtlich Navigation und Abfrage ergänzt werden. Für die Analyse und das Reporting können die bekannten, reichhaltigen Funktionen dieser Standard-Software genutzt werden. Als letzte Gruppe sind Entwicklungswerkzeuge zu nennen, mit deren Hilfe

98 Vgl. Grothe, M. (1999), S. 177-178 u. Grothe, M./Schäffer, U./Weber, J. (1999), S. 17-

18. 99 Vgl. zu den informationstechnischen Anforderungen der Planung Bange, C./Mertens,

H./Schinzer, H. (1999), S. 92-93.


Anwendungssysteme zur Abfrage, Analyse und Präsentation von Daten individuell erstellt werden können.100

5.3.2 Data Mining-Tools zur hypothesenfreien Analyse von Daten

Wie bereits einleitend erwähnt wurde, stellen Data Mining-Tools eine eigene Klasse von Business Intelligence-Tools dar, die im Gegensatz zu den im vorherigen Abschnitt erläuterten Software-Werkzeugen für die Analyse von unstrukturierten, teils qualitativen Daten, für deren Relationen eigentlich keine Hypothesen vorliegen, entwickelt wurden. Die Basis einer weitergehenden Auseinandersetzung mit Data Mining-Tools bildet die begriffliche Abgrenzung von Knowledge Discovery in Database und Data Mining. Abschließend sind noch bedeutsame Analyseverfahren und -techniken, die in Data Mining-Tools angewendet werden, zu nennen.

(1) Begriffliche Abgrenzung des Data Mining und Einordnung in den Prozess des Knowledge Discovery in Database

Das in vielen Bereichen zu konstatierende exorbitante Wachstum an gespeicherten Daten hat zur Etablierung eines neuen Forschungsfeldes geführt, das sich mit der Entwicklung von Verfahren und Techniken beschäftigt, die automatisch nützliches Wissen in großen Datenbeständen entdecken können. Dazu werden Ansätze aus mehreren, bisher weitgehend isoliert arbeitenden Forschungsgebieten, wie z. B. des maschinellen Lernens, der Datenbank- und Expertensystemforschung, der Künstlichen Intelligenz und der Statistik, integriert.101 FAYYAD, PIATETSKY-SHAPIRO u. SMYTH bezeichnen dieses Forschungsfeld als Knowledge Discovery in Database (KDD) und definieren es als „the non-trivial process of identifying valid, novel, potentially useful, and ultimately understandable patterns in data“102.

Der Knowledge Discovery in Database-Prozess (KDD-Prozess) kann, wie in Abbildung 16 grafisch visualisiert, in mehrere Teilphasen zerlegt werden. Nachdem ein allgemeines Verständnis über den Anwendungsbereich entwickelt, und das Ziel der Durchführung des KDD-Prozesses geklärt wurde, ist in der ersten Phase eine Zieldatenbasis durch Selektion einer

100 Vgl. Bange, C./Mertens, H. (2001), 12-13; Bange, C./Mertens, H./Schinzer, H. (1999), S.

62-66; Chamoni, P./Gluchowski, P. (1999a), S. 12 u. Böhnlein, M./Ulbrich-vom Ende, A. (2000), S. 25-26.

101 Vgl. Bissantz, N./Hagedorn, J./Mertens, P. (2000), S. 379; Bissantz, N./Hagedorn, J./Mertens, P. (1997), S. 181 u. Fayyad, U./Piatetsky-Shapiro, G./Smyth, P. (1996), S. 1-2.

102 Fayyad, U./Piatetsky-Shapiro, G./Smyth, P. (1996), S. 2.


repräsentativen Teilmenge von Variablen aus den unterschiedlichen Datenquellen des Unternehmens zu generieren. Daran schließt sich die Vorbereitung der Daten an, die die Beseitigung von Extremwerten, die Ergänzung fehlender Daten, die Bereinigung von Datenfehlern und den Export in ein einheitliches Datenformat umfasst. Darauf folgt die Phase der Transformation, in der die Anzahl der Datendimensionen und der Variablen in Abhängigkeit von dem verfolgten Ziel durch geeignete Methoden zu reduzieren ist. In der vierten Phase, dem eigentlichen Data Mining, sind zweckmäßige Analyseverfahren und -techniken zur Entdeckung von Datenmustern auszuwählen und auf die transformierten Daten anzuwenden. Den Abschluss des Prozesses stellt die Interpretation und Auswertung der entdeckten Muster dar, die in einer für den Benutzer verständlichen Form vorzunehmen ist. Gegebenenfalls sind einzelne der vorangegangenen Schritte zu wiederholen bis die Ergebnisse den Anwender zufrieden stellen. Im Anschluss an den KDD-Prozess ist das gewonnene Wissen einerseits im Unternehmen zu kommunizieren, und andererseits sind darauf basierend angemessene Maßnahmen abzuleiten.103

Abbildung 16: Prozess des Knowledge Discovery in Database104

Demzufolge ist Data Mining als eine Phase des iterativen KDD-Prozesses anzusehen, in der unter Einsatz einer Vielzahl bekannter Analyseverfahren und -techniken interessante Muster in den Beziehungen zwischen den

103 Vgl. Holthuis, J. (1999), S. 58-60; Fayyad, U. (1996), S. 22-23 u. Fayyad, U./Piatetsky-

Shapiro, G./Smyth, P. (1996), S. 2-3. 104 In Anlehnung an: Fayyad, U. (1996), S. 21.


Datensätzen großer Datenbestände bzw. einer Stichprobe daraus entdeckt werden sollen.105

Unter dem Begriff Data Mining-Tools sollen im Folgenden sämtliche Software-Werkzeuge verstanden werden, die zur Unterstützung des Data Mining eingesetzt werden können.106 Anhand der verfolgten Zwecksetzungen lassen sich zwei Arten von Data Mining-Tools unterscheiden. Als Data Mining-Tools i. w. S. sind Software-Werkzeuge zu bezeichnen, mit denen Hypothesen, die vom Benutzer aufgestellt wurden, überprüft werden können. Wohingegen Software-Werkzeuge, die hypothesenfrei Muster bzw. Auffälligkeiten im Datenbestand autonom entdecken können, als Data Mining-Tools i. e. S. anzusehen sind. Die Zwecksetzungen der Data Mining-Tools i. e. S. sind zum einen in der Beschreibung einer Datenmenge und zum anderen in der Vorhersage zukünftiger Werte auf Basis der entdeckten Datenmuster zu sehen. Die weiteren Ausführungen beziehen sich vorwiegend auf Data Mining-Tools i. e. S.107

Es sei noch darauf hingewiesen, dass Data Mining-Tools auf allen Ebenen der Referenzarchitektur (vgl. Abbildung 5, S. 19) aufsetzen können. Greifen die Data Mining-Tools nicht direkt auf die Datenquellen der operativen Informationssysteme sondern auf die schon aufbereiteten Daten des Data Warehouse-Systems oder des OLAP-Systems zu, so können die ersten drei Phasen (Selektion, Vorbereitung und Transformation) des KDD-Prozesses größtenteils entfallen.108

(2) Bedeutsame Analyseverfahren und –techniken von Data Mining-Tools

Ohne die einzelnen Analyseverfahren und -techniken im Detail vorzustellen, soll erwähnt werden, dass die derzeit am Markt erhältlichen Data Mining-Tools größtenteils auf den Analyseverfahren Segmentierung, Klassifizierung und Assoziierung basieren. Zur Anwendung dieser Analyseverfahren auf dem selektierten Datenbestand sind in den meisten Data Mining-Tools Analysetechniken, wie z. B. Clusteranalysen, Neuronale Netze, Ent-scheidungsbäume und Assoziationsregeln bzw. Sequenzmuster, imple-mentiert. Diesbezüglich ist zu beachten, dass wie in Abbildung 17 mit den

105 Vgl. Fayyad, U./Piatetsky-Shapiro, G./Smyth, P. (1996), S. 2; Holthuis, J. (1999), S. 57

u. Totok, A. (2000), S. 71. 106 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 98. 107 Vgl. Bissantz, N./Hagedorn, J./Mertens, P. (2000), S. 380-382 u. Fayyad, U./Piatetsky-

Shapiro, G./Smyth, P. (1996), S. 3-4. 108 Vgl. Bissantz, N./Hagedorn, J./Mertens, P. (2000), S. 388-389; Bange, C./Mertens,

H./Schinzer, H. (1999), S. 102-103 u. Totok, A. (2000), S. 73.


Pfeilen bereits angedeutet wird, sich die Analysetechniken in unterschiedlichem Maße für den Einsatz der Analyseverfahren eignen.109

Abbildung 17: Bedeutsame Analyseverfahren und –techniken von Data

Mining-Tools110

Die Ausführungen haben gezeigt, dass Data Mining-Tools im Rahmen des umfassenden KDD-Prozesses, der auf die automatische Entdeckung von nützlichem Wissen in großen Datenbeständen gerichtet ist, verwendet werden können, um unter Einsatz der erwähnten Analyseverfahren und -techniken Muster in den untersuchten Daten zu erkennen. Es ist davon auszugehen, dass diese Klasse von teils selbständig arbeitenden Software-Werkzeugen zur ungerichteten Datenanalyse auf Grund der immer größer werdenden Datenbestände vor allem dann zu einer sehr bedeutsamen Komponente von Controlling-Informationssystemen herausbilden wird, wenn deren Verwendung mittels Software-Agenten erleichtert wird.111

Zusammenfassend ist im Hinblick auf die praktische Ausgestaltung eines Controlling-Informationssystems anzumerken, dass Business Intelligence-

109 Für eine ausführlichere Darstellung der Analyseverfahren und –techniken vgl. Bange,

C./Mertens, H./Schinzer, H. (1999), S. 104-123; Bradley, P./Fayyad, U./Mangasarian, O. (1998), S. 5-24; Diercks, J./Gentsch, P. (1999), S. 114 u. 119; Fayyad, U./Piatetsky-Shapiro, G./Smyth, P. (1996), S. 4-5; Gilmozzi, S. (1996), S. 170 u. Totok, A. (2000), S. 73

110 Quelle: Bange, C./Mertens, H./Schinzer, H. (1999), S. 107. 111 Vgl. Bissantz, N./Hagedorn, J./Mertens, P. (2000), S. 401-402; Holthuis, J. (1999), S.

67-68 u. Totok, A. (2000), S. 73.


Tools nicht alle angeführten Software-Werkzeuge umfassen müssen. Schon aus Gründen der Wirtschaftlichkeit sind die erforderlichen Software-Werkzeuge vielmehr vor dem Hintergrund der spezifischen Anforderungen des Controlling im jeweiligen Unternehmen auszuwählen.

5.4 Informationstechnische Aspekte der Kommunikation des gewonnenen Wissens

Nach Abschluss der Transformation der relevanten Daten zu Wissen gilt es dieses im Unternehmen möglichst schnell zu kommunizieren, um das gewonnene Wissen zielführend zur Entscheidungsunterstützung einsetzen zu können. Dies erfordert zum einen die bewusste Entwicklung einer Unternehmenskultur z. B. im Rahmen der Implementierung eines Wissens-management und zum anderen den Einsatz moderner Informations-technologien, wie z. B. der im Internet eingesetzten Technologien, die den Austausch von Wissen im Unternehmen fördern.112

Mit Hilfe der Internet-Technologien113 kann beispielsweise eine unternehmensweite Informations- und Kommunikationsplattform in Form eines Intranet geschaffen werden, auf das jeder Mitarbeiter von seinem Arbeitsplatz aus mit einem Webbrowser, wie z. B. Microsoft Internet Explorer oder Netscape Navigator, zugreifen kann. Im Zusammenhang mit Controlling-Informationssystemen bieten die Internet-Technologien darüber hinaus die Möglichkeit, die Business Intelligence-Tools unter Einsatz der Programmiersprachen Java oder ActiveX als vollwertige, webbasierte Anwendungen zu realisieren. Damit geht der große Vorteil einher, dass Benutzer mit der ihnen bekannten Benutzerschnittstelle eines Webbrowsers jederzeit unabhängig von Plattform und Ort auf die benötigten Informationen zugreifen können (vgl. Abbildung 18).114

112 Vgl. Grothe, M./Schäffer, U./Weber, J. (1999), S. 17. 113 Für eine ausführliche Darstellung der Internet-Technologien vgl. ausführlich Daum,

B./Scheller, M. (2000), S. 119-364. 114 Vgl. Gentsch, P./Grothe, M. (2000), S. 78; Totok, A. (2000), S. 64-65; Bange,

C./Mertens, H./Schinzer, H. (1999), S. 65-66 u. Brunner, J. (1999), S. 210.


Abbildung 18: Prototyp webbasierter Business Intelligence-Tools

Einen weiteren Entwicklungsschritt stellt die Realisierung eines unternehmensspezifischen Controlling-Portals im Intranet dar, das der Unternehmensführung und dem Controlling einen benutzerrollen- und inhaltsbezogenen Zugang zu den unterschiedlichen Anwendungen und Diensten im Intranet und Internet bereitstellt.


Abbildung 19: Prototyp eines Controlling-Portals

In Abhängigkeit von dem jeweiligen Aufgabengebiet könnte ein solches Controlling-Portal (vgl. Abbildung 19) auf einer personalisierbaren Homepage (‚MyProfile’) dem Benutzer Zugang zu fachlich interessanten Chat-Räumen und Newsgroups (‚Café’) und den Business Intelligence-Tools (‚BIT’) gewähren. Als weitere Elemente wären ein Verzeichnis der am Controlling beteiligten Personen (‚White Pages’), ein nach Themen geordneter Katalog von Ansprechpartnern, Links sowie Informationen (‚Yellow Pages’), ein Glossar der im Unternehmen verwendeten Fachbegriffe (‚Glossary’), eine Liste mit beantworteten Standardfragen (‚FAQ’) und eine Suche (‚Search’) denkbar. In Ergänzung dazu könnten der Terminkalender, Links und der Email-Client des Benutzers integriert sein.115

Neben den oben erwähnten Pull-Services, die es dem Anwender selbst erlauben, bedarfsgerecht Informationen, Analysen und Berichte aus dem Controlling-Informationssystem zu beziehen, sollte das Portal auch Push-Services unterstützen. Die Push-Services weisen den Benutzer gemäß

115 Vgl. Fröhling, O. (2000), S. 206-208; Grothe, M./Schäffer, U./Weber, J. (1999), S. 26-27

u. Herwig, V./Hess, Th. (1999), S. 551-552.


seines Interessensprofils, das sich aus dem standardmäßigen Informationsbedarf der wahrzunehmenden Rolle und dem persönlichen Informationsbedarf ergibt, automatisch auf aktuelle Informationen, Analysen und Berichte hin bzw. stellen ihm diese online bereit. Auf diesem Wege kann eine deutliche Reduktion des herkömmlichen Reporting erreicht werden. Innerhalb des Reporting sollten multimediale Darstellungsformen gezielt dazu eingesetzt werden, die Komplexität der betriebswirtschaftlichen Inhalte zu verringern.116

Auf Grund der wirtschaftlichen Bedeutung der in einem Controlling-Informationssystem vorhandenen Daten ist die Implementierung geeigneter Sicherheitsmechanismen als äußerst erfolgskritischer Faktor der Nutzung der vorab beschriebenen Technologien anzusehen. Zu jedem Zeitpunkt muss sichergestellt sein, dass es für unbefugte Personen unmöglich ist, sich einen Zugang zu diesem wettbewerbsstrategisch bedeutsamen Informationssystem zu verschaffen.117

Im Rahmen des vorstehenden Abschnittes erfolgte eine begriffliche und auf funktionale Aspekte abstellende Auseinandersetzung mit den sog. Business Intelligence-Tools. Diese haben die Aufgabe, die in Data Warehouse-Systemen, den OLAP-Systemen sowie auch den operativen Informations-systemen vorhandenen Daten zu betriebswirtschaftlich verwertbarem Wissen zu transformieren. Wie gezeigt wurde, sind diese Business Intelligence-Tools, die sich in den meisten Fällen aus mehreren verschiedenen Software-Werkzeugen der genannten Kategorien zusammensetzen, als die Benutzerschnittstelle des Controlling-Informationssystems zu verstehen. Ferner konnte festgestellt werden, dass mit Hilfe der im Internet eingesetzten Technologien ein wesentlicher Beitrag zur Verbesserung der Kommunikation des mit den Business Intelligence-Tools erzeugten Wissens im Unternehmen geleistet werden kann.118

116 Vgl. Gentsch, P./Grothe, M. (2000), S. 287-289; Grothe, M./Schäffer, U./Weber, J.

(1999), S. 26-27 u. 37-38. 117 Vgl. Rannenberg, K. (2000), S. 492-496 u. Stiemerling, O./Won, M./Wulf, V. (2000), S.

319-320 u. 322-328. 118 Vgl. Bange, C./Mertens, H./Schinzer, H. (1999), S. 94-95; Fröhling, O. (2000), S. 229-

230 u. Grothe, M./Schäffer, U./Weber, J. (1999), S. 37-38.


6 Nutzenpotentiale von Controlling-Informationssystemen

Die einleitenden Ausführungen haben gezeigt, dass sich aus der Informationsfunktion der wertschöpfungsorientierten Controlling-Kon-zeption ein auf die Informationsversorgung des Managements gerichtetes Aufgabenfeld ableiten lässt, eine führungsorientierte Wissensbasis, die das unternehmerische Handeln umfassend abbildet, zu etablieren, zu nutzen und zu pflegen. Hinsichtlich der Erfüllung dieser Aufgabe ist auf Grund der Vielzahl der zu verarbeitenden Informationen davon auszugehen, dass geeignete Informationssysteme einzusetzen sind.

Die Auseinandersetzung mit dem betrieblichen Informationssystem und die Systematisierung seiner Subsysteme führte zu dem Ergebnis, dass die operativen Informationssysteme, deren Aufgabe die leistungs- und wertorientierte Abbildung und Lenkung der entlang der Wertschöpfungskette des Unternehmens stattfindenden Transaktionen ist, aus mehreren Gründen als ungeeignet für die Unterstützung der Informationsfunktion des Controlling anzusehen sind. Wohingegen sich die darauf aufsetzenden analytisch geprägten Management-Unterstützungssysteme, die verschiedene Informations- und Kommunikationstechnologien integrieren, als geeignet erwiesen, weil diese speziell auf die Versorgung des Managements mit bedarfsgerechten Informationen ausgerichtet sind. Als eine gesonderte Variante dieser Management-Unterstützungssysteme konnten die auf die Bedürfnisse des Controlling angepassten Controlling-Informationssysteme identifiziert werden.

Im Zusammenhang mit der Realisierung solcher Controlling-Informa-tionssysteme sind Data Warehouse-Systeme, OLAP-Systeme, Business Intelligence-Tools sowie Data Mining-Tools als bedeutsame Komponenten anzusehen, die sich idealtypisch in einer Referenzarchitektur anordnen lassen. Die Nutzenpotentiale der einzelnen Komponenten für das Controlling werden im Folgenden herausgearbeitet.

Die Basis von Controlling-Informationssystemen sind gemäß dieser Referenzarchitektur Data Warehouse-Systeme, die die für die Erfüllung der Controlling-Funktionen notwendigen, historischen und aktuellen Daten aus den unternehmensinternen und -externen Datenquellen extrahieren sowie transformieren und anschließend in einer von den operativen Informationssystemen unabhängigen Datenbasis, dem eigentlichen Data Warehouse, speziell für analytische Zwecke bereithalten. Diese horizontal sowie vertikal integrierte und konsistente Datenbasis stiftet einen erheblichen Nutzen für das Controlling, da im Zuge der notwendigen Transformationen


die Qualität der Daten erheblich gesteigert wird. Dies ist zum einen auf die einheitliche Verwendung der betriebswirtschaftlichen Terminologie sowie die Standardisierung von Berechnungen und zum anderen auf die Bereitstellung externer Vergleichsdaten zurückzuführen. Ferner geht mit dem Aufbau eines Data Warehouse-Systems nicht nur eine Entlastung der operativen Informationssysteme einher, weil komplexe betriebswirtschaftliche Abfragen nicht mehr auf diese Informationssysteme gerichtet werden, sondern auch eine immense Verkürzung der Antwortzeiten auf Grund des effizienteren Zugriffs auf die davon getrennte Datenbasis des Data Warehouse-Systems.119

Direkt auf den Data Warehouse-Systemen setzen OLAP-Systeme auf, deren Aufgabe es ist, die im Data Warehouse abgelegten Daten vor dem Hintergrund der Informationsbedarfe des Controlling mehrdimensional aufzubereiten. Ferner gewähren diese OLAP-Systeme den Benutzern mit Hilfe der Navigationsarten Rotate, Slice und Dice frei wählbare Sichten auf das Datenmaterial und erlauben ihnen, sich per Drill Down und Roll Up flexibel durch den meist großen, mehrdimensionalen Datenbestand zu bewegen. Ein für das Controlling äußerst bedeutsamer Nutzen von OLAP-Systemen ist in der mehrdimensionalen Aufbereitung der Daten zu sehen, wodurch die bisher eindimensionale Datenstruktur an die mehrdimensionale analytische Betrachtungsweise des Controlling angepasst wird, wie sie beispielsweise im Rahmen von Ergebnisanalysen erforderlich ist. Des Weiteren verbessern OLAP-Systeme mittels der unterstützten Navigationsarten die Analysemöglichkeiten der Benutzer, die das relevante Datenmaterial intuitiv entlang der verschiedenen Dimensionen und deren Aggregationsebenen untersuchen können. Außerdem ist davon auszugehen, dass OLAP-Systeme die Voraussetzung für die Durchführung von gerichteten Analysen in großen Datenbeständen sind.120

Als Schnittstelle zu den Benutzern des Controlling-Informationssystems kommen verschiedene Software-Werkzeuge zum Einsatz, die unter dem Begriff Business Intelligence-Tools zusammengefasst werden können. Die Aufgabe dieser Business Intelligence-Tools besteht darin, den analytischen Prozess der Transformation von relevanten unternehmensinternen und -externen Daten zu betriebswirtschaftlich verwertbarem Wissen zu

119 Vgl. Behme, W./Mucksch, H. (2000), S. 66-67; Exner, A. (2000), S. 482-483; Holthuis,

J./Mucksch, H./Reiser, M. (1996), S. 430-431; Mucksch, H. (1999), S. 185-186 u. Strüngmann, U./Weber, H. W. (1997), S. 34.

120 Vgl. Gabriel, R. (1999), S. 423-424; Form, S./Nölken, D. (1999), S. 92; Holthuis, J. (1999), S. 67-68 u. Totok, A. (2000), S. 70-71


unterstützen. In diesem Zusammenhang können zur Durchführung von gerichteten (hypothesengestützten) Analysen vor allem Abfrage- und Berichtswerkzeuge, OLAP-(Abfrage-)Werkzeuge, Planungswerkzeuge, Tabellenkalkulationsprogramme und Entwicklungswerkzeuge verwendet werden. Die Bereitstellung und Kommunikation des mit den Business Intelligence-Tools gewonnenen Wissens ist entweder durch eine Integration der Software-Werkzeuge in Groupwaresysteme oder durch die Implementierung von webbasierten Frontends und/oder eines Controlling-Portals sicherzustellen bzw. zu verbessern. Der Einsatz der in den meisten Fällen intuitiv bedienbaren Software-Werkzeuge ist für das Controlling insofern nutzenstiftend, als die Benutzer ohne jegliche Programmier-kenntnisse auf das Datenmaterial des Data Warehouse-Systems bzw. des OLAP-Systems zugreifen und das ausgewählte Datenmaterial entsprechend des spezifischen Informationsbedarfes analysieren sowie grafisch aufbereiten können. Somit steht für die Benutzer stets die Lösung ihrer analytischen Fragestellung und nicht deren informationstechnische Umsetzung im Vordergrund. Das generierte Wissen führt allerdings nicht nur zu einem verbesserten Verständnis des eigenen Wertschöpfungsgefüges sondern auch der Position des Unternehmens in den Märkten.121

Die Data Mining-Tools stellen eine auf Grund ihrer hohen Bedeutung getrennt zu betrachtende Klasse von Business Intelligence-Tools dar, mit denen weitgehend automatisch ungerichtete (hypothesenfreie) Analyse in großen Datenbeständen bzw. Stichproben daraus durchgeführt werden können, um die in den Beziehungen der Daten verborgenen Muster zu entdecken und Wissen daraus abzuleiten. Vor dem Hintergrund der immer größer werdenden Datenbestände weisen diese Software-Werkzeuge einen enormen Nutzen für das Controlling auf, da sie das Controlling in die Lage versetzen, Trends und Veränderungen frühzeitig zu erkennen und gegebenenfalls adäquat darauf reagieren zu können. Als bedeutsame Anwendungsgebiete seien beispielhaft das Marketing- und Vertriebs-Controlling sowie das Ergebnis-Controlling genannt. Allerdings ist darauf hinzuweisen, dass im Bereich des Data Mining noch ein erheblicher Forschungsbedarf besteht, um die Software-Werkzeuge auch für ungeübte Nutzer anwendbar zu machen.122

121 Vgl. Exner, A. (2000), S. 478-480; Grothe, M./Schäffer, U./Weber, J. (1999), S. 39-40;

Form, S./Nölken, D. (1999), S. 89; Holthuis, J. (1999), S. 43 u. Schroiff, H.-W. (1999), S. 31-32.

122 Vgl. Bissantz, N./Hagedorn, J./Mertens, P. (2000), S. 401-402; Bissantz, N./Hagedorn, J./Mertens, P. (1997), S. 198; Behme, W./Mucksch, H. (2000), S. 69-70; Determann,


Es ist zu konstatieren, dass Controlling-Informationssysteme, die aus sämtlichen im Rahmen dieser Arbeit dargelegten informationstechnischen Komponenten bestehen, ein erhebliches Nutzenpotential für das Controlling aufweisen. Die Etablierung solcher Informationssysteme leistet nicht nur einen wesentlichen Beitrag zur Erfüllung der Informationsfunktion, sondern ebenso zur Erfüllung der Koordinationsfunktion. Die verbesserte Wahrnehmung der derivativen Funktionen des Controlling wirkt sich konsequenterweise positiv auf die notwendige wertschöpfungsorientierte Ausrichtung des gesamten betrieblichen Handelns aus und gipfelt idealerweise in einer wesentlich verbesserten wettbewerbsstrategischen Position des Unternehmens. Demzufolge erscheint die Schlussfolgerung zulässig, dass die Einführung eines Controlling-Informationssystems zu einer erheblichen Leistungssteigerung des Controlling und damit zur Steigerung der Effizienz und Effektivität des unternehmerischen Handelns führen kann.

Abschließend sei darauf hingewiesen, dass Controlling-Informationssysteme stets unternehmensspezifisch vor dem Hintergrund der jeweiligen Informa-tionsbedarfe auszugestalten sind, und dass in diesem Zusammenhang immer die Wirtschaftlichkeit der Informationssysteme zu analysieren ist, d. h. dass dem erwarteten Nutzen die damit in Verbindung stehenden Kosten gegenüberzustellen sind. Auf Grund des Problems, dass eine Vielzahl der Nutzengrößen nicht monetär quantifizierbar sind, werden hierzu vor allem qualitative Verfahren der Wirtschaftlichkeitsbeurteilung einzusetzen sein.123

L./Rey, M. (1999), S. 146-147; Grothe, M./Schäffer, U./Weber, J. (1999), S. 39; Holthuis, J. (1999), S. 67 u. Kurz, A. (1998), S. 275.

123 Vgl. dazu ausführlich Antweiler, J. (1995) u. Walterscheid, H. (1999).


Glossar

Business Intelligence (BI) Business Intelligence ist das zunächst stets subjektbezogene, letztlich aber durchaus rollenspezifisch objektivierbare Ergebnis eines auf das unternehmerische Handeln bezogenen Entwicklungs- bzw. Lernprozesses, der zum Erkennen, Verstehen und Nutzen von betriebswirtschaftlich verwertbarem Wissen führt und auf die Verbeserung der strategischen Wettbewerbsposition eines Unternehmens gerichtet ist.

Business Intelligence-Tools (BIT) Business Intelligence-Tools sind sämtliche Software-Werkzeuge, die im Zuge des Transformationsprozesses von Daten zu Wissen eingesetzt werden können. Innerhalb der Business-Intelligence-Tools können Software-Werkzeuge zur Unterstützung von gerichteten (hypothesengestützten) Analysen, wie z. B. Abfrage- und Berichtswerkzeuge, OLAP-(Abfrage-)Werkzeuge, Planungswerkzeuge, Tabellenkalkulationsprogramme sowie Entwicklungswerkzeuge, und zur Unterstützung von ungerichteten (hypothesenfreien) Analysen, wie z. B. Data Mining-Tools, unterschieden werden. Im Zusammenhang mit Controlling-Informationssystemen stellen die Business Intelligence-Tools die Benutzerschnittstelle zu den Inhalten dieses Informationssystems dar.

Controlling Controlling stellt sich als eine integrierte Aufgabe der Unternehmensführung dar, die im Dienste der Optimierung von Effektivität und Effizienz das initialisierende Anstoßen sowie das wertschöpfungsorientierte Ausrichten des Handelns von Betrieben sicherzustellen hat. Diese originäre Funktion des Controlling wird hier als Lokomotion bezeichnet. Die Wahrnehmung der originären Funktion der Lokomotion setzt insbesondere die begleitende Erfüllung der derivativen Funktionen der wechselseitigen Abstimmung (Integration, Koordination und Adaption) von Führung und Ausführung sowie der dementsprechenden Schaffung von Informationskongruenz innerhalb der Führung und Ausführung voraus. Die Wahrnehmung dieser derivativen Funktionen erfolgt vorrangig über wertorientierte Gestaltungs- und Lenkungsmechanismen.

Controlling-Informationssysteme (CIS) Controlling-Informationssysteme sind spezielle, auf die Erfüllung der Controlling-Funktionen zugeschnittene Management-Unterstützungssysteme.

Data Mining Data Mining ist eine Phase des iterativen Prozesses der Knowledge Discovery in Database, in der unter Einsatz einer Vielzahl bekannter Analyseverfahren und -techniken interessante Muster in den Beziehungen zwischen den Datensätzen großer Datenbestände entdeckt werden sollen.

Data Mining-Tools Data Mining-Tools sind Software-Werkzeuge, die dazu in der Lage sind, die Phase des Data Mining weitgehend automatisiert zu unterstützen. Sie sind als eine besondere Klasse von Business Intelligence-Tools anzusehen, die auf Grund der immer größer werdenden Datenmengen zunehmend an Bedeutung gewinnt.

Data Warehouse (DW) Ein Data Warehouse ist eine inhaltsorientierte, (horizontal sowie vertikal) integrierte, dauerhafte und entscheidungsorientierte Datenbasis, die unabhängig von den operativen Informationssystemen betrieben wird und einen effizienten Zugriff auf verschiedene strukturierte und unstrukturierte Daten unternehmensinterner und unternehmensexterner Herkunft ermöglicht. Das Data Warehouse ist der Kern eines Data Warehouse-Systems.


Data Warehouse-Systeme Data Warehouse-Systeme sind Informationssysteme, die auf den operativen Informationssystemen aufsetzen und die Basis von Management-Unterstützungssystemen darstellen. Zu den Bestandteilen eines Data Warehouse-Systems gehören die Extraktions-, Transformations- und Ladewerkzeuge, das eigentliche Data Warehouse, das Metadatenbanksystem, das Administrationstool und das Archivierungssystem.

Decision Support Systems (DSS) Entscheidungs-Unterstützungssysteme (EUS)

Desktop On-Line Analytical Processing (D-OLAP) Desktop On-Line Analytical Processing ist eine Architekturvariante von OLAP-Systemen, die sich dadurch auszeichnet, dass OLAP-Server und Business Intelligence-Tools auf demselben Rechner betrieben werden. Physisch werden solche OLAP-Systeme als 2-Schichten-Architektur realisiert, da das Data Warehouse-System auf einem gesonderten Rechner gefahren wird.

Enterprise Resource Management (ERM) Enterprise Resource Management ist ein von der Meta Group eingeführter Begriff, der deutlich machen soll, dass die meisten ERP-Software-Pakete bereits Planungskomponenten aufweisen und einen wesentlichen Schwerpunkt im Betreiben der Unternehmensprozesse haben.

Enterprise Resource Planning (ERP) Enterprise Resource Planning ist der Gegenstandsbereich der betrieblichen Administrationssysteme, die auf die zeitnahe mengen- und wertorientierte Abbildung des betrieblichen Geschehens ausgerichtet sind, und Dispositionssysteme, die dispositive Entscheidungen des unteren und mittleren Management unterstützen sollen. Die Funktionalitäten dieser operativen Informationsysteme werden heute weitgehend durch betriebswirtschaftliche Standardsoftware, wie z. B. SAP R/3, Baan ERP oder Oracle Applications, abgedeckt.

Entscheidungs-Unterstützungssysteme (EUS) Entscheidungs-Unterstützungssysteme sind interaktive Informationssysteme, die Entscheidungsträger mit Modellen, Methoden und problembezogenen Daten in ihrem Entscheidungsprozess im Rahmen der Lösung von Teilaufgaben in eher schlecht-struk-turierten Entscheidungssituationen unterstützen.

Executive Information Systems (EIS) Führungs-Informationssysteme (FIS)

Fast Analysis of Shared Multidimensional Information (FASMI) Fast Analysis of Shared Multidimensional Information ist ein aus betriebswirtschaftlicher Sicht besonders bedeutsamer Ansatz von CREETH und PENDSE, der die funktionalen Anforderungen an ein OLAP-System im Gegensatz zu den von CODD, CODD und SALLEY aufgestellten zwölf Grundregeln herstellerunabhängig beschreibt.

Führungs-Informationssysteme (FIS) Führungs-Informationssysteme sind rechnergestützte, dialog- und datenorientierte Informationssysteme für das Management mit ausgeprägten Kommunikationselementen, die einzelnen Entscheidungsträgern (oder Gruppen von Entscheidungsträgern) aktuelle entscheidungsrelevante interne und externe Informationen ohne Entscheidungsmodell zur Selektion und Analyse über intuitiv benutzbare und individuell anpassbare Benutzeroberflächen anbieten.


Hybrides On-Line Analytical Processing (H-OLAP) Hybrides On-Line Analytical Processing ist ein Konzept zur physischen Speicherung der mehrdimensionalen Datenstrukturen von OLAP-Systemen, das die Vorteile des Relationalen und des Multidimensionalen On-Line Analytical Processing vereint. Zur Erhöhung der Performance und der Flexibilität werden häufig benötigte Daten in multidimensionalen Datenbanksystemen, weniger oft abgefragte Daten dagegen in relationalen Datenbanksystemen gespeichert.

Informationssysteme (IS) Informationssysteme sind soziotechnische Systeme, d. h. Systeme mit menschlichen und technischen Komponenten, die der Verarbeitung, Erfassung, Übertragung, Transformation, Speicherung und Bereitstellung von Informationen dienen.

Knowledge Discovery in Database (KDD) Knowledge Disscovery in Database ist ein Forschungsfeld, das sich mit der automatischen Entdeckung von validen, bisher unbekannten, möglicherweise nützlichen und letztlich nachvollziehbaren Zusammenhängen von Daten in großen Datenbeständen im Rahmen von ungerichteten (hypothesefreien) Analysen auseinandersetzt, um daraus betriebswirtschaftlich nutzbares Wissen abzuleiten.

Knowledge Discovery in Database-Prozess (KDD-Prozess) Der Knowledge Discovery in Database-Prozess (KDD-Prozess) ist darauf gerichtet, weitgehend automatisch betriebswirtschaftlich nutzbares Wissen in großen Datenbeständen zu entdecken. Idealtypisch lässt sich der iterativ ablaufende KDD-Prozess in die Phasen Selektion, Vorbereitung, Transformation, Data Mining sowie Interpretation und Auswertung unterteilen.

Management-Informationssysteme (MIS) Management-Informationssysteme sind Informationssysteme, die Managern verschiedener Hierarchieebenen erlauben, detaillierte und verdichtete Informationen aus der operativen Datenbasis ohne Problemstrukturierungshilfen und logisch-algorithmische Bearbeitung (Anwendung von anspruchsvollen Methoden) zu extrahieren.

Management Support Systems (MSS) Management-Unterstützungssysteme (MUS)

Management-Unterstützungssysteme (MUS) Management-Unterstützungssysteme sind analytisch-geprägte Informationssysteme, die die betriebliche Wertschöpfung umfassend abbilden. Sie stellen ganzheitliche, verschiedene Informations- und Kommunikationstechnologien integrierende Informationssysteme zur Unterstützung des Managementprozesses dar und haben das Ziel, Informationen bereitzustellen, welche das Management zur Erfüllung seiner Aufgaben benötigt. Sie besitzen die Fähigkeit relevante Daten aus unterschiedlichen internen und externen Datenquellen zu extrahieren, entsprechend der Informationsbedarfe des Managements aufzubereiten und benutzerfreundlich bereitzustellen.

Multidimensionales On-Line Analytical Processing (M-OLAP) Multidimensionales On-Line Analytical Processing ist ein Speicherkonzept, das die Daten von OLAP-Systemen physisch in ihren multidimensionalen Strukturen speichert. Mit Hilfe der direkten Adressierung werden die Verwaltung mehrstufiger Konsolidierungspfade, die Navigation in mehrdimensionalen Datenstrukturen und der Zugriff auf einzelne Elemente optimiert. Nachteilig wirken sich jedoch der sehr hohe Speicherplatzbedarf und die daraus resultierende Performanceprobleme aus.

On-Line Analytical Processing (OLAP) On-Line Analytical Processing ist ein Datenverarbeitungskonzept für Management-Unterstützungssysteme, das 1993 von CODD, CODD und SALLEY mit einem Katalog


von 12 Grundregeln umschrieben wurde. Prinzipiell fordern diese Regeln zur Durchführung von betriebswirtschaftlichen Analysen einen schnellen, konsistenten und interaktiven Zugriff auf aktuelle sowie historische Daten aus unternehmensinternen und -externen Datenquellen, die entsprechend der Informationsbedarfe konsolidiert und mehrdimensional aufbereitet sind.

On-Line Analytical Processing-Systeme (OLAP-Systeme) On-Line Analytical Processing-Systeme sind Informationssysteme, die in den meisten Fällen das im Data Warehouse vorhandene Datenmaterial für Analysezwecke mehrdimensional aufbereiten und spezielle Navigationsarten (Rotate, Slice, Dice, Drill Down und Roll Up) unterstützen. Sie gewähren unterschiedliche Sichten auf das Datenmaterial und ermöglichen ein freies Navigieren in den mehrdimensionalen Datenbeständen. OLAP-Systeme, die als eine bedeutsame Komponente von Controlling-Informationssystemen anzusehen, werden aus Gründen der Performance häufig auf einem gesonderten Server betrieben.

Abzugrenzen von den OLAP-Systemen sind OLAP-Tools, die den Zugriff auf das mehrdimensionale Datenmodell des OLAP-Systems ermöglichen und als Benutzerschnittstelle von Controlling-Informationssystemen verwendet werden. Die zu den Business Intelligence-Tools gehörenden OLAP-Tools stellen darüber hinaus ein mehr oder minder reichhaltiges Angebot an betriebswirtschaftlichen Analysen und Reportingfunktionalitäten zur Verfügung.

On-Line Transaction Processing (OLTP) On-Line Transaction Processing ist ein Datenverarbeitungskonzept, das in operativen Informationssystemen eingesetzt wird. On-Line Transaction Processing ist auf die strukturierte und repetitive Verarbeitung von detaillierten Daten ausgerichtet, die in Folge von aktuellen Transaktionen im Wertschöpfungsprozess entstanden sind. In diesem Zusammenhang wird nicht nur lesend, sondern auch schreibend sowie löschend auf die Daten zugegriffen

Operative Informationssysteme (opIS) Operative Informationssysteme sind transaktionsorientierte Informationssysteme, die sich in Administrations- und Dispositionssysteme differenzieren lassen. Sie weisen flache Datenstrukturen auf und verarbeiten die detaillierten Daten der aktuellen betrieblichen Abläufe im Unternehmen. Auf diesen Informationssystemen setzen typischer Weise die Management-Unterstützungssysteme auf.

Portal Ein Portal ist ein webbasierter, rollenspezifischer, gut strukturierter virtueller Arbeitsplatz, der einen für den Anwender intuitiven Zugang zu internen und externen Informations- und Wissensquellen schafft und diesen auf benutzerfreundliche Weise mit den zur Aufgabenerfüllung notwendigen Werkzeugen unterstützt. Mit Hilfe eines Portals kann beispielweise auf das Management- Unterstützungssystem zugegriffen werden.

Relationales On-Line Analytical Processing (R-OLAP) Relationales On-Line Analytical Processing ist ein Speicherkonzept, das die physische Speicherung der Daten von OLAP-Systemen in zweidimensionalen Tabellen vorsieht. Die mehrdimensionalen Datenstrukturen werden im Bedarfsfall nur virtuell durch die Verknüpfung mehrerer Tabellen erzeugt. Zur Durchführung betriebswirtschaftlicher Diagnosen müssen in der Regel Software-Werkzeuge eingesetzt werden, die mehrdimensionale Abfragen in SQL-Statements überführen und das Abfrageergebnis der relationalen Datenbank entsprechend mehrdimensional aufbereiten und zurückgeben.

Wertschöpfung Die Wertschöpfung ist eine Maßgröße, die das Ergebnis des betrieblichen Prozesses kennzeichnet, der zur Schaffung betrieblicher Werte führt. Mit der Wertschöpfung wird speziell der Mehrwert bestimmt, den ein Betrieb auf Grund seiner betrieblichen


Leistungserstellung den Vorleistungswerten hinzugefügt hat und der sich auf unterschiedliche Anspruchsgruppen, wie beispielweise Arbeitnehmer, Fiskus und Kapitalgeber, verteilt. Der Wert, als nicht einheitlich bestimmte Maßgröße, kann unternehmensspezifisch, in Abhängigkeit von der betrieblichen Zielsetzung definiert werden. Unternehmen dienen im Allgemeinen dem Zweck der Wertschöpfung, um die Interessen der Bedürfnisbefriedigung, der Bedarfsdeckung und der Entgelterzielung zu befriedigen.

Wissensbasierte Entscheidungs-Unterstützungssysteme (wEUS) Wissensbasierte Entscheidungs-Unterstützungssysteme integrieren wissensbasierte Systemkomponenten in Entscheidungs-Unterstützungssysteme und sind damit in der Lage, auch komplexe Aufgabenstellungen bewältigen zu können.


Literatur

Antweiler, J. (1995) Wirtschaftlichkeitsanalyse von Informations- und Kommunikationssystemen (IKS): Wirtschaftlichkeitsprofile als Entscheidungsgrundlage, Köln 1995

Bange, C./Mertens, H. (2001) Schlagworte mit langer Lebenszeit: OLAP & Business Intelligence: Markt, Anwendungen und interessante Produkte, in: is report, 5. Jg. (2001) H. 7, S. 12-19

Bange, C./Mertens, H./Schinzer, H. (1999) Data Warehouse und Data Mining: Marktführende Produkte im Vergleich, 2. Aufl., München 1999

Bange, C./Schinzer, H. (1999) Werkzeuge zum Aufbau analytischer Informationssysteme, in: Chamoni, P./Gluchowski, P. (Hrsg.,1999), S. 45-74

Becker, J./Wiese, J. (1998) Modellierung von Controlling-Systemen – Ein Plädoyer für einen betriebswirtschaftlich-fachkonzeptionellen Ansatz, in: krp – Kostenrechnungspraxis, Sonderheft 2, 1998, S. 15-21

Becker, W. (2001a) Kosten-, Erlös- und Ergebnisrechnung, 2. Aufl., Bamberg 2001

Becker, W. (2001b) Planung, Entscheidung und Kontrolle, 2. Aufl., Bamberg 2001

Becker, W. (2000) Funktionen und Konzepte des Controlling, Bamberg 2000

Becker, W. (1999) Begriff und Funktionen des Controlling, in: Bamberger Betriebswirtschaftliche Beiträge, Nr. 106, Bamberg 1999

Becker, W. (1996) Stabilitätspolitik für Unternehmen: Zukunftssicherung durch integrierte Kosten- und Leistungsführerschaft, Wiesbaden 1996

Becker, W./Daniel, K (1999) Wissensintensive Dienstleistungsbetriebe, in: Bamberger Betriebswirtschaftliche Beiträge, Nr. 122, Bamberg 1999

Behme, W./Mucksch, H. (2000) Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik, in: Behme, W./Mucksch, H. (Hrsg., 2000), S. 3-80

Behme, W./Mucksch, H. (1998) Die Notwendigkeit einer entscheidungsorientierten Informationsversorgung, in: Behme, W./Mucksch, H. (Hrsg., 1998), S. 3-32

Behme, W./Mucksch, H. (Hrsg., 2000) Das Data Warehouse-Konzept: Architektur – Datenmodelle – Anwendungen, 4. Aufl., Wiesbaden 2000




Bissantz, N. (1999) Aktive Managementinformation und Data Mining: Neuere Methoden und Ansätze, in: Chamoni, P./Gluchowski, P. (Hrsg.,1999), S. 375-392

Bissantz, N./Hagedorn, J./Mertens, P. (2000) Data Mining, in: Behme, W./Mucksch, H. (Hrsg., 2000), S. 377-407

Bissantz, N./Hagedorn, J./Mertens, P. (1997) Data Mining im Controlling: Überblick und erste Erfahrungen, in: Zeitung für Betriebswirtschaft, 67. Jg. (1997) H. 2, S. 179-201

Bode, J. (1997) Der Informationsbegriff in der Betriebswirtschaftslehre, in: Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 49. Jg. (1997) H. 5, S. 449-468

Böhnlein, M./Sinz, E. J./Ulbrich-vom Ende, A. (1999) Konzeption eines Data Warehouse-Systems für Hochschulen, in: Bamberger Beiträge zur Wirtschaftsinformatik, Nr. 52, Bamberg 1999

Böhnlein, M./Ulbrich-vom Ende, A. (2000) Grundlagen des Data Warehousing: Modellierung und Architektur, in: Bamberger Beiträge zur Wirtschaftsinformatik, Nr. 55, Bamberg 2000

Bork, Th. (1994) Informationsüberlastung in der Unternehmung, Frankfurt 1994

Bradley, P.-S./Fayyad, U./Mangasarian, O. (1998) Mathematical Programming for Data Mining: Formulations and Challenges, o. O. 1998, in: http://research.microsoft.com/scripts/ pubs/view.asp?tr_id=msr-tr-98-04, 02.05.2002

Brunner, J. (1999) Value-Based Performance Management, Wiesbaden 1999

Chamoni, P./Gabriel, R./Gluchowski, P. (1997) Management-Support-Systeme: Computergestützte Informationssysteme für Führungs-kräfte und Entscheidungsträger, Berlin et. al. 1997

Chamoni, P./Gluchowski, P. (2000) On-Line Analytical Processing (OLAP), in: Behme, W./Mucksch, H. (Hrsg., 2000), S. 333-376

Chamoni, P./Gluchowski, P. (Hrsg., 1999) Analytische Informationssysteme: Data Warehouse – On-Line Analytical Processing – Data Mining, 2. Aufl., Berlin et. al. 1999

Chamoni, P./Gluchowski, P. (1999a) Analytische Informationssysteme: Einordnung und Überblick, in: Chamoni, P./ Gluchowski, P. (Hrsg.,1999), S. 3-25

Chamoni, P./Gluchowski, P. (1999b) Entwicklungslinien und Architekturkonzepte des On-Line Analytical Processing, in: Chamoni, P./Gluchowski, P. (Hrsg.,1999), S. 261-280

Chamoni, P./Zeschau, D. (1996) Management-Support-Systems und Data Warehousing, in: Behme, W./Mucksch, H. (Hrsg., 1996), S. 47-83


Chaudhuri, S./Dayal, U. (1997) An Overview of Data Warehousing and OLAP Technology, in: Proceedings of the 1997 ACM SIGMOD International Conference on Management of Data, Tucson 1997, S. 517-526

Codd, E. F./Codd, S. B./Salley, C. T. (1993) Providing OLAP (On-Line Analytical Processing) to User-Analysts: An IT-Mandate, Whitepaper, o. O. 1993, in: http://www.hyperion. com/whitepapers/, 02.05.2002

Cornelius, M. (1996) Mit Business Intelligence immer up to date: Informationen per Knopfdruck, in: Office Management, o. Jg. (1996) H. 11, S. 68-71

Creeth, R./Pendse, N. (2001) The OLAP Report: What is OLAP?, o. O. 2001, in: http://66.40.99.72/ fasmi.htm, 02.05.2002

Daum, B./Scheller, M. (2000) Electronic Business: Methoden, Werkzeuge, Techniken und Systeme für den Unternehmenserfolg im Internet, München et. al. 2000

Determann, L./Rey, M. (1999) Chancen und Grenzen des Data Mining im Controlling, in: Controlling, 11. Jg. (1999) H. 3, S. 143-147

Diercks, J./Gentsch, P. (1999) Ganzheitlich schürfen – Data Mining Werkzeuge: Markt und Perspektiven, in: iX, o. Jg. (1999) H. 11, S. 112-123

Elkins, S. (1998) Open OLAP, o. O. 1998, in: http://www.dbmsmag.com/ 9804d14.html, 02.05.2002

Exner, A. (2000) Erfahrungen beim Aufbau eines Data Warehouses im Controlling, in: Behme, W./Mucksch, H. (Hrsg., 2000), S. 469-483

Fayyad, U. (1996) Data Mining and Knowledge Discovery: Making Sense out of Data, in: IEEE Expert – Intelligent Systems & Their Application, o. Jg. (1996) H. 5, S. 20-25

Fayyad, U./Piatetsky-Shapiro, G./Smyth, P. (1996) Knowledge Discovery and Data Mining: Towards a Unifying Framework, o. O. 1996, http://www.research.microsoft.com/scripts/ pubs/view.asp?pubid=270, 02.02.2002

Ferstl, O./Sinz, E. (1998) Grundlagen der Wirtschaftsinformatik, Band 1, 3. Aufl., München u. Wien 1998

Finger, R./Kemper, H.-G. (1999) Datentransformation im Data Warehouse – Konzeptionelle Überlegungen zur Filterung, Harmonisierung, Verdichtung und Anreicherung operativer Datenbestände, in: Chamoni, P./Gluchowski, P. (Hrsg.,1999), S. 77-94

Fischer, D. (1999) Unterstützung des Controlling mit Management-Informationssystemen, in: Bilanzbuchhalter und Controller, 23. Jg. (1999) H. 2, S. 25-29

Form, S./Nölken, D. (1999) Implikationen moderner Informations- und Kommunikationstechnologien für das Controlling am Beispiel des OLAP, in: Controlling, 11. Jg. (1999) H. 2, S. 87-92


Fröhling, O. (2000) Konzept und Anwendungsmöglichkeiten von Business Intelligence, in: Controlling, 12. Jg. (2000) H. 4/5, S. 199-209

Gabriel, R. (1999) Strategische Bedeutung der analytischen Informationssysteme, in: Chamoni, P./Gluchowski, P. (Hrsg., 1999), S. 417-426

Gentsch, P./Grothe, M. (2000) Business Intelligence – Aus Informationen Wettbewerbsvorteile gewinnen, München 2000

Gilmozzi, S. (1996) Data Mining – Auf der Suche nach dem Verborgenen, in: Hannig, U. (Hrsg., 1996), S. 159-172

Groffmann, H.-D./Rau, K.-H./Stickel, E. (Hrsg., 1997) Gablers Wirtschaftsinformatik-Lexikon, Wiesbaden 1997

Grothe, M. (1999) Aufbau von Business Intelligence – Entwicklung einer softwaregestützten Controlling-Kompetenz bei o.tel.o, in: krp – Kostenrechnungspraxis, 43. Jg. (1999) H. 3, S. 175-184

Grothe, M./Schäffer, U./Weber, J. (1999) Business Intelligence, Band 13 der Reihe Advanced Controlling, Vallendar 1999

Gutenschwager, K./Voß, S. (2001) Informationsmanagement, Berlin et. al. 2001

Hahne, M. (1999) Logische Datenmodellierung für das Data Warehouse, in: Chamoni, P./Gluchowski, P. (Hrsg., 1999), S. 145-170

Hannig, U. (Hrsg., 1996) Data Warehouse und Managementinformationssysteme, Stuttgart 1996

Hasenkamp, U./Stahlknecht, P. (2002) Einführung in die Wirtschaftsinformatik, 10. Aufl., Berlin et. al. 2002

Herwig, V./Hess, T. (1999) Portale im Internet, in: Wirtschaftsinformatik, 41. Jg. (1999) H. 6, S. 551-553

Holten, R. (1998) Entwicklung von Führungsinformationssystemen, Wiesbaden 1999

Holthuis, J. (2000) Grundüberlegungen für die Modellierung einer Data Warehouse-Datenbasis, in: Behme, W./Mucksch, H. (Hrsg., 2000), S. 149-188

Holthuis, J. (1999) Der Aufbau von Data Warehouse-Systemen: Konzeption – Datenmodellierung – Vorgehen, 2. Aufl., Wiesbaden 1999

Holthuis, J. (1998) Multidimensionale Datenstrukturen, in: Behme, W./Mucksch, H. (Hrsg., 1998), S. 143-193

Holthuis, J./Mucksch, H./Reiser, M. (1996) Das Data Warehouse-Konzept – ein Überblick, in: Wirtschaftsinformatik, 38. Jg. (1996) H. 4, S. 421-433


Hopper, M. D. (1991) Sabre – Lektionenen für das Überleben im Industriezeitalter, in: Harvard Manager, 13. Jg. (1991) H. 1, S. 80-87

Horváth, P. (2001) Controlling, 8. Aufl., München 2001

Hummeltenberg, W. (1998) Data Warehousing: Management des Produktionsfaktors Information – eine Idee und ihr Weg zum Kunden, in: Martin, W. (Hrsg., 1998), S. 41-71

Inmon, W. H. (1992) Building the Data Warehouse, New York et. al. 1992

Kimball, R. (1996) Data Warehouse Architect: Drilling Down, Up, and Across, Drilling Down, Up, and Across, o. O. 1996, http://www.dbmsmag.com/ 9603d05.html, 05.05.2002

Kirchner, J. (1998) Online Analytical Processing, in: Martin, W. (Hrsg.,1998), S. 147-190

Küpper, H.-U. (1997) Controlling: Konzeption, Aufgaben und Instrumente, 3. Aufl., Stuttgart 2001

Küpper, H.-U./Wagenhofer, A. (Hrsg., 2002) Handwörterbuch der Unternehmensrechnung und Controlling, 4. Aufl., Stuttgart 2002

Kurz, A. (1998) Neue Wege der Datenanalyse mittels neuartigen Knowledge Discovery- und Data Mining Methoden, in: Martin, W. (Hrsg., 1998), S. 249-281

Martin, W. (Hrsg., 1998) Data Warehousing – Data Mining – OLAP, Bonn 1998

Martin, W. (1998) Data Warehouse für Enterprise Resource Management-Pakete, in: Martin, W. (Hrsg. 1998), S. 403-413

Mehler-Bicher, A. (1996) Ein objekt- und geschäftsprozeßorientiertes Architekturmodell für Management-Support-Systeme, Bamberg 1996

Mertens, P. (2000) Integrierte Informationsverarbeitung 1: Administrations- und Dispositionssysteme in der Industrie, 12. Aufl., Wiesbaden 2000

Meta Group Inc. (Hrsg., 1994) Next Generation Decision Support, Westport 1994

Mucksch, H. (1999) Das Data Warehouse als Datenbasis analytischer Informationssysteme: Architektur und Komponenten, in: Chamoni, P./Gluchowski, P. (Hrsg., 1999), S. 171-189

Picot, A. (1990) Der Produktionsfaktor Information in der Unternehmensführung, in: Information Management, 5. Jg. (1990) H. 1, S. 6-14

Rannenberg, K. (2000) Mehrseitige Sicherheit – Schutz für Unternehmen und ihre Partner im Internet, in: Wirtschaftsinformatik, 42. Jg. (2000) H. 6, S. 489-497


Scheer, A.-W. (1995) Wirtschaftsinformatik – Referenzmodelle für industrielle Geschäftsprozesse, 7. Aufl., Berlin-Heidelberg 1997

Schelp, J. (1999) Konzeptionelle Modellierung mehrdimensionaler Datenstrukturen, in: Chamoni, P./Gluchowski, P. (Hrsg., 1999), S. 281-305

Schinzer, H. (1996) Data Warehouse, in: Wirtschaftswissenschaftliches Studium, 25. Jg. (1996) H. 9, S. 468-472

Schinzer, H. (1997) Entscheidungsorientierte Informationssysteme im Vergleich – Teil 1, in: is report, 1. Jg. (1997) H. 9, S. 4-11

Schroiff, H.-W. (1999) Business Intelligence 2000: Einsichten vermitteln statt Daten verwalten, in: Planung und Analyse, o. Jg. (1999) H. 1, S. 30-34

Sinz, E. J. (2002) Data Warehouse, in: Küpper, H.-U./Wagenhofer, A. (Hrsg., 2002), Sp. 309-318

Stiemerling, O./Won, M./Wulf, V. (2000) Zugriffskontrolle in Groupware – Ein nutzenorientierter Ansatz, in: Wirtschaftsinformatik, 42. Jg. (2000) H. 4, S. 318-328

Strüngmann, U./Weber, H. W. (1997) Data warehouse und Controlling, in: Controlling, 9. Jg. (1997) H. 1, S. 30-36

Totok, A. (2000) Modellierung von OLAP- und Data-Warehouse-Systemen, Wiesbaden 2000

Walterscheid, H. (1999) Systembewertungen und Projektmanagement bei analytischen Informationssystemen, in: Chamoni, P./Gluchowski, P. (Hrsg., 1999), S. 427-451

Weber, J. (1999) Einführung in das Controlling, 9. Aufl., Stuttgart 2002

Zornes, A. (1994) Re-Engineering “Data Jailhouses” into “Data Warehouses”, in: Meta Group Inc. (Hrsg., 1994), S. 16-17


BBB-History

Becker, W. Begriff und Funktionen des Controlling, Band 106, Bamberg 1995

Becker, W./Wicke, J.M Rechtsfragen der Vermögensverwaltung, Band 107, Bamberg 1995

Becker, W./Benz, K. Effizienz des Controlling, Band 108, Bamberg 1996

Becker, W./Benz K. Ergebnis einer empirischen Untersuchung zur Effizienz des Controlling, Band 114, Bamberg 1996

Becker, W./Sahl, N. Erfüllbarkeit bedeutsamer Rechenzwecke durch die Prozeßkostenrechnung – dargestellt am Beispiel der Wirtschaftlichkeitskontrolle in administrativen Leistungsbereichen, Band 117, Bamberg 1997

Becker, W./Geisler, R. Medienökonomische Grundlagen der Fernsehwirtschaft, Band 119, Bamberg 1998

Becker, W./Daniel K. Wissensintensive Dienstleistungsbetriebe, Band 122, Bamberg 1999

Becker, W. Begriff und Funktionen des Controlling, Band 106, Überarbeiteter Nachdruck, Bamberg 1999

Becker, W./Brinkmann F. Gestaltungsdeterminanten von Funktionskostenrechnungen, Band 123, Bamberg 1999

Becker, W. Wertorientierte Unternehmensführung, Band 125, Bamberg 2000

Becker, W. Lexikon zur Kosten-, Erlös- und Ergebnisrechnung, Band 126, Bamberg 2000

Becker, W./Stephan, P. Unternehmensnachfolge in mittelständischen Familienunternehmen, Band 127, Bamberg 2001

Becker, W./Piser, M. Strategische Kontrolle - Ergebnisse einer empirischen Untersuchung, Band 131, Bamberg 2003

Becker, W./Piser, M. Strategische Kontrolle - Fallstudien aus der Unternehmenspraxis, Band 132, Bamberg 2003

Becker, W./Moses, H. Controlling in karitativen Nonprofit-Organisationen, Band 133, Bamberg 2004

Becker, W./Fuchs, R. Controlling-Informations-Praxissysteme, Band 130, Bamberg 2004

New Releases: www.professorwbecker.de


Otto-Friedrich-Universität Bamberg

Fakultät Sozial- und Wirtschaftswissenschaften

Professuren und Lehrstühle für Betriebswirtschaftslehre

Prof. Dr. Wolfgang Becker - Unternehmensführung und Controlling

Prof. Dr. Günther Diruf - Logistik und logistische Informatik

Prof. Dr. Johann Engelhard - Internationales Management mit Schwerpunkt Europäisches Management

Prof. Dr. Dodo zu Knyphausen-Aufseß - Personalwirtschaft und Organisation

Prof. Dr. Peter Kupsch - Betriebswirtschaftliche Steuerlehre und Wirtschaftsprüfung

Prof. Dr. Wolfgang Meinig - Automobilwirtschaft

Prof. Dr. Andreas Oehler - Finanzwirtschaft

Prof. Dr. Frank Wimmer - Absatzwirtschaft

www.uni-bamberg.de/sowi/

controlling-informationssysteme - uni-bamberg.de · der ressource information hat man seit den...

Documents