Advertisement

IT-Unterstützung

  • Dietmar SchönEmail author
Chapter

Zusammenfassung

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

Literatur

  1. @tfxz-Blog. 2014. Data Warehousing on HANA: Managed or Freestyle? BW or Native? https://tfxz.wordpress.com. Zugegriffen: 18. Juli 2014.Google Scholar
  2. Alexander, S., und T. Grosser. 2017. Analytische Datenbanken – Merkmale, Funktionen und Einsatzszenarien. http://www.searchenterprisesoftware.de/tipp/Analytische-Datenbanken-Merkmale-Funktionen-und-Einsatzszenarien. Zugegriffen: 19. Juli 2017.Google Scholar
  3. Alpar, P., und J. Niedereichholz (Hrsg.). 2000. Data Mining im praktischen Einsatz. Braunschweig: Springer Viewg.Google Scholar
  4. Apel, D., W. Behme, R. Eberlein, und C. Merighi. 2009. Datenqualität erfolgreich steuern. München, Wien: dpunkt Verlag.Google Scholar
  5. Azevedo, P., G. Brosius, S. Dehnert, et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server. Microsoft Press.Google Scholar
  6. Baars, H. 2016. Predictive Analytics in der IT-basierten Entscheidungsunterstützung – methodische, architektonische und organisatorische Konsequenzen. Controlling 28(3):174–180.Google Scholar
  7. Bange, C. 2011. BARC-Tagungsband: Planungs- und Controlling-Systeme für den Mittelstand, Teil: Keynote, Folie 11. Würzburg: Business Application Research Center – BARC GmbH.Google Scholar
  8. Bange, C., et al. 2013. Architektur. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 4. Aufl., Hrsg. A. Bauer, H. Günzel, 5–180. Heidelberg: dpunkt Verlag.Google Scholar
  9. Bange, C., B. Marr, und A. Bange. 2009. Performance Management: eine weltweite Umfrage. BARC-Studie August.Google Scholar
  10. BARC. 2014. Big Data Analytics 2014 – Auf dem Weg zur datengetriebenen Wirtschaft. http://www.exasol.com/fileadmin/content-de/pdf/Studien/BARC_Big_Data_Analytics_2014.pdf. Zugegriffen: 17. Dez. 2014.Google Scholar
  11. BARC. 2017. BI-Trend Monitor 2017. http://barc.de/trend-monitor?s=s_9_550. Zugegriffen: 12. Juni 2017.Google Scholar
  12. Bauer, A., und H. Günzel. 2013. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung, 4. Aufl. Heidelberg: dpunkt Verlag.Google Scholar
  13. Baumöl, U., und P.-D. Berlitz. 2014. Big Data als Entscheidungsunterstützung – Herausforderungen und Potenziale. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 159–176. Freiburg: Haufe.Google Scholar
  14. Becker, J., O. Richter, und A. Winkelmann. Analyse von Plattformen und Marktübersichten für die Auswahl von ERP und Warenwirtschaftssystemen – Arbeitsbericht 121: Westfälische Wilhelms-Universität Münster. http://www.wi.uni-muenster.de/institut/arbeitsberichte/ab121.pdf. Zugegriffen: 17. Aug. 2011.
  15. Beckert, A., S. Beckert, und B. Escherisch. 2012. Mobile Lösungen mit SAP. Bonn: Galileo Press.Google Scholar
  16. Behme, W. 1996. Business Intelligence als Baustein des Geschäftserfolgs. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, Hrsg. H. Mucksch, W. Behme, 27–46. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  17. Behme, W., und H. Mucksch. 1997. Die Notwendigkeit einer entscheidungsorientierten Informationsversorgung. In Das Data Warehouse-Konzept: Architektur – Datenmodelle – Anwendungen, 2. Aufl., Hrsg. W. Behme, H. Mucksch. Wiesbaden: Springer Gabler.Google Scholar
  18. Behme, W., J. Holthuis, und H. Mucksch. 2000. Umsetzung multidimensionaler Strukturen. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 215–242. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  19. Bensberg, F. 2008. Mobile Business Intelligence – Besonderheiten, Potenziale und prozessorientierte Gestaltung. In Erfolgsfaktoren des Mobilen Marketing, Hrsg. H.H. Bauer, T. Dirks, und M.D. Bryant. Berlin: Springer.Google Scholar
  20. Berg, B., und P. Silvia. 2013. Einführung in SAP HANA, 2. Aufl. Bonn: Galileo Press.Google Scholar
  21. Big Data Blog. 2015. Hadoop bekommt Konkurrenz: Apache Spark ist 100 mal schneller. https://bigdatablog.de/2015/05/07/hadoop-bekommt-konkurrenz-apache-spark-ist-100-mal-schneller/. Zugegriffen: 4. Juli 2016.Google Scholar
  22. Birk, W., und C. Wegener. 2010. In Über den Wolken: Cloud Computing im Überblick, 641–645.Google Scholar
  23. Bissantz, N., J. Hagedorn, et al. 2001. Data Mining. In Lexikon der Wirtschaftsinformatik, 4. Aufl., Hrsg. P. Mertens, 130–131. Wiesbaden: Springer.Google Scholar
  24. Bissantz, N., J. Hagedorn, und P. Mertens. 2000. Data mining. In Das Data Warehouse-Konzept, 4. Aufl., Hrsg. H. Muksch, W. Behme, 377–407. Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  25. Bitkom. 2013. Management von Big Data-Projekten, BITKOM-Leitfaden 2013. http://www.bitkom.org/de/themen/79758_76511.aspx. Zugegriffen: 12. März 2015.Google Scholar
  26. Bitkom. 2014. Big Data-Technologien – Wissen für Entscheider, S. 21–24 und S. 45–47. http://www.bitkom.org/de/publikationen/38337_78776.aspx. Zugegriffen: 8. Jan. 2015.Google Scholar
  27. Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten: W3L GmbH.Google Scholar
  28. Brenckmann, I., und M. Pöhling. 2012. In-Memory Computing als Treiber neuartiger Geschäftsanwendungen. http://www.heise.de/developer/artikel/In-Memory-Computing-als-Treiber-neuartiger-Geschaeftsanwendungen-1620949.html. Zugegriffen: 15. Juli 2014.Google Scholar
  29. Brücher, C. 2013. Rethink big data. Heidelberg: mitp.Google Scholar
  30. Buck-Emden, R. 1995. Die Client/Server-Technologie des SAP R/3: Basis für betriebswirtschaftliche Standardanwendungen, 2. Aufl. Bonn, Paris: Addison Wesley Verlag.Google Scholar
  31. Burow, L., J. Leyk, C. Briem. 2014. Das Experten-Interview zum Thema „Controlling und Big Data“. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 13–20. Freiburg: HaufeGoogle Scholar
  32. Buschbacher, F., R. Konrad, B. Mußmann, und M. Weber. 2014. Big Data-Projekte: Vorgehen, Erfolgsfaktoren und Risiken. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 83–106. Freiburg: Haufe.Google Scholar
  33. Caesar, D., und M. Friebel. 2011. Microsoft SQL Server 2008 R2: Schnelleinstieg für Administratoren und Entwickler. Bonn: Galileo Computing.Google Scholar
  34. Chamoni, P., et al. 1997. Online Analytical Processing (OLAP). In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens. Berlin: Springer.Google Scholar
  35. Chamoni, P., und P. Gluchowski. 2004. Integrationstrends bei Business-Intelligence-Systemen. Wirtschaftsinformatik 46(2):119–128.CrossRefGoogle Scholar
  36. Chamoni, P., und P. Gluchowski. 2017. Business analytics – state of the art. Zeitschrift für Controlling Management Review 61(4):8–17, 9.CrossRefGoogle Scholar
  37. Chamoni, P., F. Beekmann, und Bley. 2010. Ausgewählte Verfahren des Data Mining. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski. Berlin, Heidelberg: Springer.CrossRefGoogle Scholar
  38. Chen, H., R.H. Chiang, und V.C. Storey. 2012. Business Intelligence und Analytics – From Big Data to Big Impact. MIS quarterly 36(4):1165–1188.Google Scholar
  39. Cleve, J., und U. Lämmel. 2014. Data mining., 57–192. München: De Gruyter Oldenbourg.CrossRefGoogle Scholar
  40. Codd, E.F., S.B. Codd, und C.T. Salley. 1993. Providing OLAP to user-analysts: an IT mandate. Ann Arbor: Codd & Associates.Google Scholar
  41. Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. München: Oxygon.Google Scholar
  42. Dahnken, O., P. Keller, J. Narr, und C. Bange. 2004. Planung und Budgetierung, 21 Software-Plattform zum Aufbau unternehmensweiter Planungsapplikationen. München: Oxygon.Google Scholar
  43. Data Academy, und R. Davenport, und R. Davenport. 2008. White-Paper: ETl vs ELT. http://www.dataacademy.com/files/ETL-vs-ELT-White-Paper.pdf. Zugegriffen: 9. Mai 2015.Google Scholar
  44. Determann, L., und M. Rey. 1999. Chancen und Grenzen des Data Mining im Controlling. Controlling 11(2):43–147.Google Scholar
  45. Donie, P., und B. Raeburn. 2015. Mobiles Arbeiten – Verbindungsmacher. Business Intelligence Magazin 1:48–49.Google Scholar
  46. Dorschel, J. 2015. Praxisbuch Big Data. Karlsruhe: Springer Gabler.Google Scholar
  47. Dresner Advisory Services LLC. 2011. Mobile business intelligence market study, 2010 und 2011. http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf. Zugegriffen: 25. Juli 2011.Google Scholar
  48. Duisberg, A. 2011. Gelöste und ungelöste Rechtsfragen im IT-Outsourcing und Cloud Computing. In Trust in IT – Wann vertrauen Sie ihr Geschäft der Internet-Cloud an?, Hrsg. A. Picot, U. Hertz, und T. Götz, 9–70. Berlin: Springer.Google Scholar
  49. Düsing, R., und C. Heidsieck. 2009. Analysephase. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 3. Aufl., Hrsg. A. Bauer, H. Günzel, 104–127. Heidelberg: dpunkt Verlag.Google Scholar
  50. Eckerson, W. 2007. Predictive analytics: extending the value of your data warehousing investment. TDWI Best Practices Report, TDWI Research.Google Scholar
  51. Edlich, S., et al. 2010. NOSQL: Einstieg in die Welt nichtrationaler Web 2.0 Datenbanken. München: Hanser.Google Scholar
  52. Egger, N., J.M. Fiechter, C. Rohlf, J. Rose, und S. Weber. 2005. SAP BW Planung und Simulation. Bonn: Galileo Press.Google Scholar
  53. Egger, N., Hastenrath, Kästner, Kramer, et al. 2009. Reporting und Analyse mit SAP Business Objects. Bonn: Galileo Press.Google Scholar
  54. Elmasri, R., und S.B. Navathe. 2007. Fundamentals of database systems, 5. Aufl. Bosten: Addison Wesley.Google Scholar
  55. Engelbrecht, M., und M. Wegelin. 2015. SAP Fiori: Implementierung und Entwicklung. Bonn: SAP Press.Google Scholar
  56. Engels, C. 2015. Basiswissen business intelligence, 2. Aufl. Dortmund: W3I.Google Scholar
  57. Ereth, J., und H.-G. Kemper. 2016. Business analytics und business intelligence. Zeitschrift für Controlling 28:458–464.CrossRefGoogle Scholar
  58. Farkisch, K. 2011. Data-Warehouse-Systeme kompakt. Heidelberg: Springer.Google Scholar
  59. Fasel, D., und A. Meier (Hrsg.). 2016. Big Data Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Vieweg.Google Scholar
  60. Feindt, B.J. 2014. Die E-Bilanz in kleinen und mittleren Unternehmen (KMU). Wiesbaden: Springer Gabler.CrossRefGoogle Scholar
  61. Feindt, M., und D. Grüßling. 2014. Strategische Entscheidungen mit automatisierten Prognosen operativ umsetzen. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 177–188. Freiburg: Haufe.Google Scholar
  62. Felden, C. 2017. Business Analytics, In Enzyklopädie der Wirtschaftsinformatik, S. 1–8. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Business-Intelligence/Analytische-Informationssysteme--Methoden-der-/Business-Analytics. Zugegriffen: 26. Mai 2017.Google Scholar
  63. Felden, C. 2010. Predictive Analytics. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 307–328. Berlin, Heidelberg: Springer.CrossRefGoogle Scholar
  64. Finlay, S. 2014. Predicitve analytics, data mining and big data: myths, misconceptions and methods. New York: Palgrave Macmillan.CrossRefGoogle Scholar
  65. Forrester. 2016. About Us. Forrester Research ist ein US-amerikanisches Marktforschungsunternehmen für den Bereich Informationstechnologie. https://www.forrester.com/marketing/about/about-us.html. Zugegriffen: 18. Juli 2016.Google Scholar
  66. Freiknecht, J. 2014. Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren. München: Hanser.Google Scholar
  67. Frietsch, H. 2016. BI und Big Data in einer ausbalancierten Architektur. In Business Intelligence erfolgreich umsetzen, Hrsg. M. Lang, 163–177. Düsseldorf: Symposion.Google Scholar
  68. Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München: Hanser.CrossRefGoogle Scholar
  69. Gabriel, R. 2010. Expertensystem. In Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon, 4. Aufl., Hrsg. K. Kurbel, J. Becker, N. Gronau, E. Sinz, und L. Suhl http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/. Zugegriffen am: 15.01.2011.Google Scholar
  70. Gabriel, R., P. Chamoni, und P. Gluchowski. 2000. Data Warehouse und OLAP – analyseorientierte Informationssysteme für das Management. Zeitschrift für betriebswirtschaftliche Forschung 52(2):74–93.CrossRefGoogle Scholar
  71. Gabriel, R., P. Gluchowski, und A. Pastwa. 2009. Data warehouse & data mining. Herdecke, Witten: W3I.Google Scholar
  72. Gartner. 2015. Gartner says solving ‚big data‘ challenge involves more than just managing volumes of data. http://www.gartner.com/newsroom/id/1731916. Zugegriffen: 20. Sept. 2015.Google Scholar
  73. Gartner. 2016. Business analytics. http://www.gartner.com/it-glossary/business-analytics. Zugegriffen: 22. Okt. 2016.Google Scholar
  74. Gehra, B. 2005. Früherkennung mit Business-Intelligence-Technologien. Anwendung und Wirtschaftlichkeit der Nutzung operativer Datenbestände. Diss. Wiesbaden.CrossRefGoogle Scholar
  75. Gesellschaft für Informatik, Dominik Klein, Phuoc Tran-Gia, und Matthias Hartmann. 2013. Big Data. http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html. Zugegriffen: 9. Febr. 2015.Google Scholar
  76. Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. Controlling 6:320–324.CrossRefGoogle Scholar
  77. Gleich, R. 2001. Das System des Performance Measurement. Theoretisches Grundkonzept, Entwicklungs- und Anwendungsstand. München: Vahlen.Google Scholar
  78. Gluchowski, P. 2001. Business Intelligence. HDM – Praxis der Wirtschaftsinformatik 38(222):5–15.Google Scholar
  79. Gluchowski, P. 2010. Techniken und Werkzeuge zur Unterstützung des betrieblichen Berichtswesens. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 259–280. Berlin, Heidelberg: Springer.CrossRefGoogle Scholar
  80. Gluchowski, P. 2016. Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. HMD Praxis der Wirtschaftsinformatik 53(3):273–286.CrossRefGoogle Scholar
  81. Gluchowski, P., und P. Chamoni. 2016. Analytische Informationssysteme: Business-Intelligence-Technologien und -Anwendungen. Wiesbaden: Springer.CrossRefGoogle Scholar
  82. Gluchowski, G., R. Gabriel, und C. Dittmar. 2008. Management support systeme und business intelligence, 2. Aufl. Berlin, Heidelberg: Springer.Google Scholar
  83. Gluchowski, P., R. Gabriel, und C. von Dittmar. 2008. Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. Berlin, Heidelberg: Springer.Google Scholar
  84. Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden: Vieweg+Teubner Verlag.Google Scholar
  85. Hahne, M. 2005. SAP Business Information Warehouse. Berlin, Heidelberg: Springer.Google Scholar
  86. Hahne, M. 2016. Architekturkonzepte und Modellierungsverfahren für BI-Systeme. In Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen, Bd. 5, Hrsg. P. Gluchowski, P. Chamoni, 147–184. Berlin: Springer.CrossRefGoogle Scholar
  87. Hammann, P., und B. Erichson. 2006. Marktforschung, 4. Aufl. Stuttgart: UTB.Google Scholar
  88. Hammer, R.M. 1998. Strategische Planung und Frühaufklärung, 3. Aufl. München: De Gruyter Oldenbourg.Google Scholar
  89. Hanning, U. (Hrsg.). 2008. Vom data warehouse zum corporate performance management. Ludwigshafen: Institut für managementinformationssysteme e.V.Google Scholar
  90. Hansel, S. 2015. Langsamer Abschied vom Laisser-faire. Wirtschaftswoche 12:58–62.Google Scholar
  91. Haupt, J. 2011. SAP netweaver BW 7.30: LSA data flow templates series. http://scn.sap.com/people/juergen.haupt/blog. Zugegriffen: 15. März 2015.Google Scholar
  92. Hesseler, M. 2009. Costumizing von ERP-Systemen. Zeitschrift für Controlling & Management 53(Sonderheft 3):48–55.CrossRefGoogle Scholar
  93. Hesseler, M., und M. Görtz. 2007. Basiswissen ERP-Systeme. Witten: Herdecke.Google Scholar
  94. Heuer, A., et al. 2001. Datenbanksysteme in Büro, Technik und Wissenschaft. 9. GI-Fachtagung Oldenburg, Berlin, Heidelberg, 7.–9. März 2001.CrossRefGoogle Scholar
  95. Homann, M., H. Wittges, und H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn: Galileo Press.Google Scholar
  96. Hortonworks. 2013. Apache Hadoop Anwendungsmuster. http://bigdatacongress.com/files/2013/09/Hortonworks-ApacheHadoopPatternsOfUse-v1-0_German.pdf. Zugegriffen: 5. Jan. 2017.Google Scholar
  97. Horváth, P. 2008. Controlling, 11. Aufl. München: Vahlen.Google Scholar
  98. Hotho, A., A. Nürnberger, und G. Paaß. 2005. A brief survey of text mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1):19–62.Google Scholar
  99. Humm, B., und F. Wietek. 2005. Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum 23(2):3–14.Google Scholar
  100. IBM Consulting Services. 2003. SAP Berechtigungswesen. Bonn: SAP Press.Google Scholar
  101. IBM Institute for Business Value und Säid Business School. 2012. Analytics: Big Data in der Praxis – Wie innovative Unternehmen ihre Datenbestände effektiv nutzen. http://www935.ibm.com/services/de/gbs/thoughtleadership/download-bigdata.html. Zugegriffen: 12. Dez. 2014.Google Scholar
  102. IDC. 2011. IVIEW, Extracting Value from Chaos. http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf. Zugegriffen: 9. Febr. 2015.Google Scholar
  103. Iffert, L. 2017. Data Discovery – Definition und Marktüberblick. 24.03.2017. Hannover. http://barc.de/events/downloadfile/id/XrVBGmwzckM54OF54Ff4. Zugegriffen: 3. Juli 2017.Google Scholar
  104. Inform. 2017. Qlik business intelligence. https://www.inform-software.de/produkte/qlik-business-intelligence. Zugegriffen: 26. Mai 2017.Google Scholar
  105. Institut für Business Intelligence. 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big DataGoogle Scholar
  106. de Intelligence. 2017. Analytische Datenbanken. https://www.intelligence.de/news/analytische-datenbanken-uberblick-zur-datenbanktechnologie.html. Zugegriffen: 19. Juli 2017.Google Scholar
  107. Jedox. 2016. Jedox social analytics showcase. http://jedox-social-analytics.com/. Zugegriffen: 7. Juli 2016.Google Scholar
  108. Jetter, W. 2004. Performance management, 2. Aufl. Stuttgart: Schäffer-Poeschel.Google Scholar
  109. Jordan, C., und D. Schnider. 2011. Data warehousing mit oracle: business intelligence in der praxis. München: Hanser.Google Scholar
  110. Jung, H. 2011. Controlling, 9. Aufl. München: De gruyter Oldenbourg.CrossRefGoogle Scholar
  111. Kaufmann, M. 2014. Die Geister die wir riefen. In Big Data, Hrsg. D. Fasel, A. Meier, 383–400. Wiesbaden: Springer Vieweg.Google Scholar
  112. Keist, N.-K., S. Benisch, und C. Müller. 2016. Möglichkeiten und Grenzen der plattformübergreifenden App-Entwicklung. In Mobile Anwendungen in Unternehmen, Hrsg. T. Barton, C. Müller, und C. Seel, 109–119. Wiesbaden: Springer Vieweg.Google Scholar
  113. Kemper, H.G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden: Springer Vieweg.CrossRefGoogle Scholar
  114. Kersten, H., und G. Klett. 2012. Mobile device management. Heidelberg: mitp.Google Scholar
  115. Kessler, T., T. Hügens, F. Delgehausen, M. Abdel Hadi, und V.G. Saiz Castillo. 2014. Reporting mit SAP BW® und SAP BusinessObjects™, 2. Aufl. Bonn: Galileo Press.Google Scholar
  116. King, S. 2014. Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext. Wiesbaden.Google Scholar
  117. Klein, D., P. Tran-Gia, und M. Hartmann. 2013. Big Data, Würzburg. http://www.gi.de/nc/service/informatiklexikon/%20detailansicht/article/big-data.html. Zugegriffen: 6. März 2015.Google Scholar
  118. Knapp, P., und F. Kusterer. 1996. Weltweit einsatzfähige Führungsinformationssysteme, Umsetzungen und Anforderungen. In Tagungsband zum 11. Deutschen Controlling Congress, Hrsg. T. Reichmann, 219–244. Düsseldorf: Gesellschaft für Controlling e.V.Google Scholar
  119. Knöll, H.D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden: Vieweg+Teubner.Google Scholar
  120. Koglin, U. 2016. SAP S/4 Hana. Voraussetzung – Nutzen – Erfolgsfaktoren. Bonn.Google Scholar
  121. Kononenko, I., und M. Kukar. 2007. Machine learning and data mining: introduction to principles and algorithms. Boca Raton: Horwood Publishing.CrossRefGoogle Scholar
  122. Krudewig, W. 2012. E-Bilanz-gerecht kontieren und buchen. Freiburg: Haufe.Google Scholar
  123. Krüger, J. 2015. SAP simple finance an introduction. Bonn.Google Scholar
  124. Krystek, U., und R. Moldenhauer. 2007. Handbuch Krisen- und Restrukturierungsmanagement. Generelle Konzepte, Spezialprobleme, Praxisberichte. Stuttgart.Google Scholar
  125. Küsters, U. 2001. Data Mining Methoden: Einordnung und Überblick. In Handbuch Data Mining im Marketing – Knowledge Discovery in Marketing Databases, Hrsg. H. Hippner, U. Küsters, M. Meyer, und K.D. Wilde, 95–130. Braunschweig: Vieweg Gabler.Google Scholar
  126. Lanquillon, C., und H. Mallow. 2015. Advanced Analytics mit Big Data. In Praxishandbuch Big Data, Hrsg. J. Dorchel, 55–89. Wiesbaden: Springer Gabler.Google Scholar
  127. Laudon, K., und J. Laudon. 1988. Management Information Systems, 2. Aufl. New York: Pearson.Google Scholar
  128. Leßweng, H.-P. 2004. Einsatz von Business Intelligence Tools (BIT) im betrieblichen Berichtswesen. Controlling 1:41–49.CrossRefGoogle Scholar
  129. Lixenfeld, C. 2015. Tools für den Leistungscheck von BI-Systemen können nützlich sein. Computerwoche H. 11: 24.Google Scholar
  130. Lopez, M.D. 2009. Successful mobile deployments require robust security. Whitepaper. https://www.bitpipe.com/detail/RES/1242855514_161.html. Zugegriffen: 20. Juni 2017.Google Scholar
  131. Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München: Markt + Technik.Google Scholar
  132. Manhart, K. 2011a. Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken. http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html. Zugegriffen: 28. Juni 2011.
  133. Martin, W., und E. von Maur. 1997. Data Warehouse. In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens, 105–106. Berlin: Springer.Google Scholar
  134. März, N., und J. Warren. 2015. Big Data – Principles and best practices of scalable realtime data systems. Shelter Island: Manning.Google Scholar
  135. Mathew, B. 2015. Beginning SAP Fiori. Bangalore: Apress.CrossRefGoogle Scholar
  136. Mehler, A., und C. Wolf. 2005. Einleitung: Perspektiven und Positionen des Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1):1–18.Google Scholar
  137. Meier, M., W. Sinzig, und P. Mertens. 2003. SAP Strategic Enterprise Management/Business Analytics – Integration von strategischer und operativer Unternehmensführung, 2. Aufl. Berlin, Heidelberg: Springer.Google Scholar
  138. Mell, P., und T. Grance. 2011. The NIST definition of cloud computing. Gaithersburg: National Institute of Standards and Technology.CrossRefGoogle Scholar
  139. Merkt, S., H.A. Müller, und J. Tscherkaschina. 2015. SAP BusinessObjects Design Studio – Das Praxishandbuch. Bonn: SAP Press.Google Scholar
  140. Mertens, P. 2002. Business Intelligence – ein Überblick, Arbeitspapier Nr. 2/2002, Universität Erlangen-Nürnberg. http://www.wi1-mertens.wiso.uni-erlangen.de/veroeffentlichungen/download/Business_Intelligence-ein_Ueberblick_Arbeitspapier_der_Universitaet_Erlangen-Nuernberg.zip. Zugegriffen: 23. Juli 2011.Google Scholar
  141. Mertens, P., und J. Griese. 1988. Informations- und Kontrollsysteme. In Industrielle Datenverarbeitung, Hrsg. P. Mertens und J. Griese, Bd. 2. Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler.Google Scholar
  142. Mertens, P., und J. Griese. 2002. Integrierte Informationsverarbeitung 2. Planungs- und Kontrollsysteme in der Industrie, 9. Aufl. Wiesbaden: Springer.Google Scholar
  143. Merz, M., T. Hügens, und S. Blum. 2015. SAP BW auf SAP – HANA: Implementierung und Migration. Bonn: Galileo Press.Google Scholar
  144. Mohr, M. 2006. HCC-Einführungsschulung zum SAP Business Information Warehouse – Grundlagen, Reporting und Analyse, Modellierung und Staging. München: SAP Hochschulkompetenzzentrum an der Technischen Universität München am Lehrstuhl für Wirtschaftsinformatik – Prof. Dr. H. Krcmar.Google Scholar
  145. Möller, K., F. Federmann, S. Pieper, und M. Knezevic. 2016. Predictive Analytics zur kurzfristigen Umsatzprognose. Zeitschrift für Controlling 28(8–9):509–518.CrossRefGoogle Scholar
  146. Mucksch, H., und W. Behme. 2000. Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In Das Data Warehouse-Konzept, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 3–80. Wiesbaden: Gabler.CrossRefGoogle Scholar
  147. Müller, S. 2014. Die neue Realität – Erweiterung des Data Warehouse um Hadoop, NoSql & Co. In Big Data, Hrsg. D. Fasel, A. Meier, 447–457. Wiesbaden.Google Scholar
  148. Müller, S., und C. Keller. 2015. Pentaho und Jedox. München: Hanser.Google Scholar
  149. Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden: Springer Gabler.Google Scholar
  150. NN/w3resource. 2015. NoSQL. http://www.w3resource.com/mongodb/nosql.php. Zugegriffen: 28. Jan. 2015.Google Scholar
  151. Oehler, K. 2000. OLAP, Grundlagen, Modellierung und betriebswirtschaftliche Lösung. München: Hanser.Google Scholar
  152. Oehler, K. 2006. Corporate performance management. München, Wien: Hanser.Google Scholar
  153. Oppelt, R.U.G. 1995. Computerunterstützung für das Management. München, Wien: Oldenbourg.Google Scholar
  154. Pastwa, A. 2010. Serviceorientierung im betrieblichen Berichtswesen. Entwicklung eines Architektur- und Vorgehensmodells zur konzeptionellen Gestaltung von Berichtsprozessen auf Basis einer SOA und XBRL. Frankfurt am Main: Peter Lang.Google Scholar
  155. Pends, N., und R. Creeth. 1995. The OLAP report. Market Share Analysis. http://www.olapreport.com/market.htm. Zugegriffen: 28. Jan. 1999.
  156. Petersohn, H. 2005. Data Mining – Verfahren, Prozesse, Anwendungsarchitektur. München: Oldenburg.Google Scholar
  157. Plattner, H. 2011. In-memory data management: an inflection point for enterprise applications. Heidelberg: Springer.CrossRefGoogle Scholar
  158. Pütter, C. 2011. Keine Hilfe für BI-Projekte. http://www.cio.de/2239428. Zugegriffen: 12. März 2011.
  159. QlikTech. 2016. Predictive analytics with qlikview and qlik sense. http://go.qlik.com/PredictiveanalyticsQ2_Registration_LP.html. Zugegriffen: 25. Juli 2016.Google Scholar
  160. R. 2016. Statistische Datenanalyse mit R. http://www.r-statistik.de/. Zugegriffen: 7. Juli 2016.Google Scholar
  161. Reichmann, T. 2006. Controlling mit Kennzahlen und Managementberichten, 7. Aufl. München: Vahlen.Google Scholar
  162. Reichmann, T. 2011. Controlling mit Kennzahlen, Die systemgestützte Controlling-Konzeption mit Analyse- und Reportinginstrumenten, 8. Aufl. München: Vahlen.Google Scholar
  163. Richter, M. 2003. Fallbasiertes Schließen. In Handbuch der Künstlichen Intelligenz, 4. Aufl., Hrsg. G. Görz, C.R. Rollinger, und J. Schneeberger, 407–430. München, Wien: Oldenbourg.CrossRefGoogle Scholar
  164. Ruf, R., und W. Schwab. 2016. Visual analytics. Controlling 28(8/9):495–501.CrossRefGoogle Scholar
  165. Runkler, T.A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse., 96. Wiesbaden: Springer Vieweg.Google Scholar
  166. Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data Warehouse Management, Hrsg. E. von Maur, R. Winter, 113–147. Berlin, Heidelberg: Springer.CrossRefGoogle Scholar
  167. Sack, R. 2013. Big Data – Strategischer Vorteil im internationalen Wettbewerb. http://www.wi.hswismar.de/~laemmel/Lehre/WA/Artikel1306/Sack_BigData.pdf. Zugegriffen: 16. Dez. 2014.Google Scholar
  168. SAP AG. 2003. SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse. Screenshot aus dem System SAP SEM.Google Scholar
  169. SAP AG. 2008. SAP BEx Analyser. Screenshot aus dem System SAP BEx Analyser.Google Scholar
  170. SAP AG. 2011. SAP ERP CC System – Standardbericht. Selektionsmaske und Planungsformular aus einem IDES-System.Google Scholar
  171. SAP AG. 2016. SAP businessobjects mobile for iOS – document version: 6.3.10 – 2016-02-09Google Scholar
  172. SAP Fiori. 2017a. Design guideline. https://experience.sap.com/fiori-design-web/home-page/. Zugegriffen: 28. Mai 2017.Google Scholar
  173. SAP Fiori. 2017b. Integration von businessObjects-tools. https://blogs.sap.com/2016/04/13/integrating-sap-fiori-and-sap-businessobjects-bi/. Zugegriffen: 22. Mai 2017.Google Scholar
  174. Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report 8:22–23.Google Scholar
  175. Scheer, A.W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin: Springer.CrossRefGoogle Scholar
  176. Schill, A., und T. Springer. 2007. Verteilte Systeme – Grundlagen und Basistechnologien. Berlin: Springer.Google Scholar
  177. Schinzer, H.D. 1996. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. Wiesbaden: Springer.Google Scholar
  178. Schinzer, H., C. Bange, und H. Mertens. 2000. Wachstum, Trends und gute Produkte – Neue BARC-Studie zum OLAP- und Business Intelligence-Markt. is report 1(4):10–17.Google Scholar
  179. Schinzer, H.D., C. Bange, und H. Mertens. 1999. Data Warehouse und Data Mining, Marktführende Produkte im Vergleich, 2. Aufl. München: Vahlen.Google Scholar
  180. Schmitz, U. 2015. Nutzung von In-Memory-Technologie in der BI. In Handbuch Business Intelligence – Potenziale, Strategien, Best Practices, Hrsg. M. Lang, 233–247. Düsseldorf: Symposion Publishing.Google Scholar
  181. Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund: Gesellschaft für Controlling e.V.Google Scholar
  182. Schön, D. 2011. Ergebnisse zur empirischen Untersuchung: Business Intelligence für Reporting und Planung im Mittelstand. Die kompletten Ergebnisse der Studie stehen über folgenden Link zum Download bereit. http://www.fh-dortmund.de/de/studi/fb/9/personen/lehr/schdie/103020100000206873.php. Zugegriffen: 1. Juni 2011.Google Scholar
  183. Schön, D., und R. Müller. 2010. Mittelstandscontrolling für Inhaber und Manager. In 25. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 123–165. Dortmund: Gesellschaft für Controlling e.V.Google Scholar
  184. Schön, D., und M. Pook. 2015. Bedarfsgerechte Steuerung durch IT-gestütztes Berichtswesen. innovative Verwaltung 37(10):10–13.CrossRefGoogle Scholar
  185. Schön, D., M. Ständer, und M. Liebe. 2013. Unternehmens- und Projektsteuerung mit Hilfe eines BI-gestützten Controlling-Cockpits am Beispiel der Securiton GmbH. Zeitschrift für Controlling 25(4/5):252–260.CrossRefGoogle Scholar
  186. Schroeck, M. R., R. Shockley, J. Smart, D. Romero-Morales, und P. Tufano. 2015. Analytics: Big Data in der Praxis, Hrsg. IBM Institute for Business Value in Zusammenarbeit mit der Saïd Business School an der Universität Oxford, 1–20. Ehningen: IBM.Google Scholar
  187. Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München: Hanser.CrossRefGoogle Scholar
  188. Schubert, S. 2013. Why people and process matter, in addition to great technology, in predictive analytics. http://blogs.sas.com/content/subconsciousmusings/2013/01/11/why-people-and-process-matter-in-addition-to-great-technology-in-predictive-analytics/. Zugegriffen: 9. Mai 2015.Google Scholar
  189. Search Business Analytics. 2016. embedded BI. http://searchbusinessanalytics.techtarget.com/definition/em-bedded-BI-embedded-business-intelligence. Zugegriffen: 15. Juni 2016.
  190. Seiter, M. 2017. Business Analytics: Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung. München: Vahlen.Google Scholar
  191. Seufert, A. 2014. Das Controlling als Business Partner: Business Intelligence & Big Data als zentrales Aufgabenfeld. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 23–45. Freiburg: Haufe.Google Scholar
  192. Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business Intelligence & Controlling Competence, Bd. 1 Stuttgart, Berlin: Steinbeis-Edition.Google Scholar
  193. Siegel, E. 2013. Predictive Analytics, The Power To Predict Who Will Click, Buy, Lie, Or Die. New Jersey: Wiley.Google Scholar
  194. Sinz, J.E., und A. Ulbrich vom Ende. 2010. Architektur von Data-Warehouse-Systemen. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 175–196. Heidelberg: Springer.CrossRefGoogle Scholar
  195. Taschner, A. 2013. Management Reporting. Erfolgsfaktor internes Berichtswesen. Wiesbaden: Springer Gabler.Google Scholar
  196. TECChannel – IT im Mittelstand. 2014. Datenmengen explodieren durch Sensordaten. http://www.tecchannel.de/storage/news/2056615/datenmengen_explodieren_durch_sensordaten/. Zugegriffen: 16. Dez. 2014.Google Scholar
  197. Turban, E., J.E. Aronson, und T.P. Liang. 2004. Decission support and intelligent systems, 7. Aufl.Google Scholar
  198. Vaduva, A., und T. Vetterli. 2001. Metadata management for data warehousing: an overview. International Journal of Cooperative Information Systems 10(3):273–298.CrossRefGoogle Scholar
  199. Walker-Morgan, D. 2010. NoSQL im Überblick. http://www.heise.de/open/artikel/NoSQL-im-Ueberblick-1012483.html. Zugegriffen: 14. Dez. 2014.Google Scholar
  200. Warner, D. 2007. SQL für Praxis und Studium. Poing, München: Neubert.Google Scholar
  201. Wartala, R. 2012. Hadoop: zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. München: Open Source Press.Google Scholar
  202. Weber, J. 2013. Verhaltensorientiertes Controlling. Plädoyer für eine (nicht) ganz neue Sicht auf das Controlling. Zeitschrift für Controlling 25(4/5):217–222.CrossRefGoogle Scholar
  203. Weber, H.W., und U. Strüngmann. 1997. Data Warehouse und Controlling – Eine vielversprechende Partnerschaft. Controlling 1:30–36.Google Scholar
  204. Weigend, A. 2017. Data for the people: Das implizite explizit machen! mobile Business 4(5–6):16–19.Google Scholar
  205. Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1 1:42–44.Google Scholar
  206. Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen: Westdeutscher Verlag.Google Scholar
  207. Winterstein, A., und E. Leitner. 1998. An Informationen nicht ersticken. In Client Server Computing, Bd. 3, 34–39.Google Scholar
  208. Zarinac, T. 2016. Technologien, Architekturen und Prozesse. In Agile Business Intelligence, Hrsg. S. Trahasch, M. Zimmer, 131–142. Heidelberg: dpunkt Verlag.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Fachhochschule DortmundDortmundDeutschland

Personalised recommendations