Post on 30-Dec-2021
Waldemar Pauls
Wirtschaftlichkeitsanalyse von analytischenInformationssystemen
Diplomarbeit
Wirtschaft
Bibliografische Information der Deutschen Nationalbibliothek:
Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen National-bibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de/ abrufbar.
Dieses Werk sowie alle darin enthaltenen einzelnen Beiträge und Abbildungensind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vomUrheberrechtsschutz zugelassen ist, bedarf der vorherigen Zustimmung des Verla-ges. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen,Mikroverfilmungen, Auswertungen durch Datenbanken und für die Einspeicherungund Verarbeitung in elektronische Systeme. Alle Rechte, auch die des auszugsweisenNachdrucks, der fotomechanischen Wiedergabe (einschließlich Mikrokopie) sowieder Auswertung durch Datenbanken oder ähnliche Einrichtungen, vorbehalten.
Impressum:
Copyright © 2006 GRIN Verlag, Open Publishing GmbHISBN: 9783638510523
Dieses Buch bei GRIN:
http://www.grin.com/de/e-book/56355/wirtschaftlichkeitsanalyse-von-analytischen-informationssystemen
Waldemar Pauls
Wirtschaftlichkeitsanalyse von analytischen Informati-onssystemen
GRIN Verlag
GRIN - Your knowledge has value
Der GRIN Verlag publiziert seit 1998 wissenschaftliche Arbeiten von Studenten,Hochschullehrern und anderen Akademikern als eBook und gedrucktes Buch. DieVerlagswebsite www.grin.com ist die ideale Plattform zur Veröffentlichung vonHausarbeiten, Abschlussarbeiten, wissenschaftlichen Aufsätzen, Dissertationenund Fachbüchern.
Besuchen Sie uns im Internet:
http://www.grin.com/
http://www.facebook.com/grincom
http://www.twitter.com/grin_com
Wirtschaftlichkeitsanalyse von analytischen
Informationssystemen
Diplomarbeit
vorgelegt bei Prof. Dr. Hans-Jörg Hoitsch am Lehrstuhl für
Produktionswirtschaft und Controlling
Universität Mannheim
von
Waldemar Pauls
Mannheim, 2. Mai 2006
Diese Arbeit ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbesondere
die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und
Tabellen, der Funksendung, der Mikroverfilmung oder der Vervielfältigung auf anderen
Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugs-
weiser Verwertung, vorbehalten. Eine Vervielfältigung dieser Arbeit oder von Teilen die-
ser Arbeit ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestimmungen des
Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. September 1965 in der je-
weils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig. Zuwiderhand-
lungen unterliegen den Strafbestimmungen des Urheberrechsgesetzes.
I
Inhaltsverzeichnis
Inhaltsverzeichnis…………………………………………………………………………..I
Abkürzungsverzeichnis …………………………………………………………………..IV
Abbildungsverzeichnis ……………………………………………………………….…..VI
Tabellenverzeichnis ……………………………………………………………………..VII
Symbolverzeichnis ………………………………………………………………….…..VIII
1 Einleitung …………………………………………………...…………………………..1
2 Grundlegende Begriffe ……………………………………………………………....…3
2.1 Analytische Informationssysteme (AIS) …………… ……………………….…….3
2.1.1 Historische Entwicklung ………………………………………………...….3
2.1.2 Aktuelles Begriffsverständnis ………………………...…………………….4
2.1.3 Wesentliche Komponenten moderner AIS ………………………………….8
2.1.3.1 Data Warehouse ………………………………………………………9
2.1.3.2 On-Line Analytical Processing ……………………………………...11
2.1.3.3 Data Mining ……………………………………………………….…13
2.1.3.4 Text Mining ………………………………………………………….15
2.1.3.5 Weitere typische Komponenten ……………………………………..17
2.2 Wirtschaftlichkeit im Hinblick auf AIS …………………………………………..18
2.2.1 Traditioneller Wirtschaftlichkeitsbegriff …………………………………..18
2.2.2 Erweiterter Wirtschaftlichkeitsbegriff ……………………………………..19
3 Kosten- und Nutzenbetrachtungen von AIS ………………………………………...21
3.1 Kosten von AIS …………………………………………………………………...21
3.1.1 Abgrenzung des Kostenbegriffs …………………………………………...21
3.1.2 Kostenaspekte von AIS ………………………………………...………….24
3.1.2.1 Hardware …………………………………………………………….25
3.1.2.2 Software ……………………………………………………………..25
3.1.2.3 Personal ……………………………………………………………...26
3.1.2.4 Sonstige Kosten ……………………………………………………...27
3.2 Nutzen von AIS …………………………………………………………………...27
3.2.1 Abgrenzung des Nutzenbegriffs ………………………………………...…27
3.2.2 Nutzenaspekte von AIS ……………………………………………………28
II
3.2.2.1 Nutzen durch Kostensenkungen …………………………………..…29
3.2.2.2 Nutzen durch Produktivitätserhöhungen ………………………….…30
3.2.2.3 Nutzen durch Wettbewerbsvorteile ……………………………….…31
3.3 Probleme bei der Ermittlung und Bewertung der Kosten und Nutzen……………32
4 Theoretische Konzepte zur Wirtschaftlichkeitsanalyse von AIS ………………..…35
4.1 Systematisierung vorhandener Wirtschaftlichkeitsanalyseverfahren ………….…35
4.1.1 Beschreibungsverfahren ………………………………………………...…40
4.1.1.1 Beschreibungsverfahren für spezielle Aspekte ………………...……40
4.1.1.1.1 Prozessorientierte Verfahren ………………………………..…40
4.1.1.1.2 Ebenenverfahren ………………………………………………42
4.1.1.1.3 Unternehmenszielorientierte Verfahren …………………….…43
4.1.1.1.4 Verfahren mit dem Fokus auf das Change Management .……..44
4.1.1.1.5 Kundenorientierte Verfahren …………………………….……46
4.1.1.2 Beschreibungsverfahren für allgemeine Aspekte ……………………47
4.1.2 Berechnungsverfahren ……………………………………………………..47
4.1.2.1 Monetäre Verfahren …………………………………………………47
4.1.2.1.1 Klassische Investitionsrechnungsverfahren ……………...……47
4.1.2.1.2 Spezielle monetäre Verfahren …………………………………50
4.1.2.2 Indikatorverfahren ………………………………………………...…52
4.1.2.3 Multikriterielle Verfahren ………………………………………...…54
4.1.3 Methoden und Techniken zur Berücksichtigung von Unsicherheit ….……57
4.1.4 Meta-Verfahren ...……………………………………………………….…60
4.2 Beurteilung der grundsätzlichen Eignung für AIS ………………………………..62
4.3 Analyse ausgewählter Methoden im Hinblick auf AIS ………………………...…68
4.3.1 Einzelverfahren ...……………………………………………….…………69
4.3.1.1 Hedonic Wage-Modell ………………………………………………69
4.3.1.2 Nutzwertanalyse ……………………………………………………..71
4.3.1.3 Wirkungskettenanalyse …………………………………………...…73
4.3.1.4 Modell des hierarchischen Beziehungsnetzwerks nach Schwarz ……75
4.3.2 Ganzheitliche Verfahren ……………………………………………...……77
4.3.2.1 Der Ansatz von Buxmann ………………………………………...…77
4.3.2.2 Netzeffekttheoretisches Nutzenmodell nach Müller …………...……81
4.3.2.3 Multiperspektiven-Ansatz ………………………………………...…85
III
4.4 Zusammenfassende Beurteilung der theoretischen Ergebnisse …………………..86
5 Die Praxis der Wirtschaftlichkeitsanalyse von AIS …………………………………88
5.1 Aktueller Stand der empirischen Forschung …………………………………...…88
5.2 Empirische Untersuchung zum Einsatz von Wirtschaftlichkeitsanalysever-
fahren in der Praxis ………………………………………………………………90
5.2.1 Methodik der Untersuchung …………………………………………….…90
5.2.2 Teilergebnisse der Untersuchung ……………………………………….…93
5.2.2.1 Allgemeiner Teil ……………………………………………………..93
5.2.2.2 Wirtschaftlichkeitsanalyse und Methodeneinsatz …………….……..94
5.2.2.3 Problembereiche ……………………………………………………..97
5.2.2.4 Potenzielle Verfahren ………………………………………….…….99
5.2.3 Fazit der Untersuchung .......................…………………………………...100
6 Abschließende Bewertung und Ausblick …………………………………………...101
Literaturverzeichnis …………………………………………………………………….103
Anhang …………………………………………………………………………………..121
IV
Abkürzungsverzeichnis
ABC Activity-Based-Costing
AIS Analytisches Informationssystem
aCRM Analytisches Customer Relationship Management
AS Anwendungssystem
BCBID Business-Centric BI Development
BI Business Intelligence
BPR Business Process Reengineering
BSC Balanced Scorecard
CAPM Capital Asset Pricing Model
CAS Controlling-Anwendungssystem
CI Competitive Intelligence
CIMM Competitive Intelligence Measuring Model
CIS Chefinformationssystem
CM Change Management
CRLC Customer Resource Life Cycle
DBMS Datenbankmanagementsystem
DCF Discounted Cash Flow
DSS Decision Support System
DW Data Warehouse
EBV Entscheidungsbaumverfahren
EIS Executive Information System
ETL Extraction, Transformation, Loading
EWR Erweiterte Wirtschaftlichkeitsrechnungen
FAOR Functional Analysis of Office Requirements
FIS Führungsinformationssystem
GE Geldeinheiten
IA Investment Appraisal
IE Information Economics
IKS Informations- und Kommunikationssystem
IS Informationssystem
ITC Information Technology Center
V
KDD Knowledge Discovery in Databases
KM Knowledge Management
KEF Kritische Erfolgsfaktoren
KER Kosten- und Erlösrechnung
KNA Kosten-Nutzen-Analyse
krp Kostenrechnungspraxis
MIS Management Information System
MPA Multiperspektiven-Ansatz
MSS Management Support System
MUS Managementunterstützungssystem
NNC Nolan, Norton & Company
NWA Nutzwertanalyse
ODS Operational Data Store
OIS Operatives Informationssystem
o. J. ohne Jahr
o. Jg. ohne Jahrgang
OLAP On-Line Analytical Processing
OLTP On-Line Transaction Processing
o. V. ohne Verfasser
PKR Prozesskostenrechnung
ROCII Return in Competitive Intelligence Investment
ROI Return on Investment
ROM Return on Management
SHE Situated Hermeneutic Evaluation
TCO Total Cost of Ownership
WA Wirtschaftlichkeitsanalyse
WACC Weighted Average Cost of Capital
WAV Wirtschaftlichkeitsanalyseverfahren
ZfB Zeitschrift für Betriebswirtschaft
ZfbF Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung
ZfCM Zeitschrift für Controlling & Management
zfo Zeitschrift Führung + Organisation
VI
Abbildungsverzeichnis
Abb. 1: AIS in der Systempyramide ....………………………………………………4
Abb. 2: Vielfältiges Verständnis von Business Intelligence…………………………5
Abb. 3: Einordnung unterschiedlicher Facetten von Business Intelligence ...……….6
Abb. 4: Idealtypische Data Warehouse-Architektur…………………………………9
Abb. 5: Würfelgrafik zur Darstellung der Mehrdimensionalität ....…...……………11
Abb. 6: Dokumentenvektoren und Informationsextraktion………………………...16
Abb. 7: Kosten- und Nutzenaspekte von AIS………………………………………21
Abb. 8: Systematik der Wirtschaftlichkeitsanalyseverfahren für Informations-
systeme……………………………………………………………………..36
Abb. 9: Klassische Investitionsrechnungsverfahren………………………………..48
Abb. 10: Schematische Vorgehensweise des Farbey-Land-Targett-Ansatzes ………61
Abb. 11: Wirkungsketten einer Data Warehouse-Einführung……………………….74
Abb. 12: Vereinfachtes Beispiel des Modells des hierarchischen Beziehungs-
netzwerks …………………………………………………………………..76
Abb. 13: Modellierung der Nutzung eines komponentenbasierten Anwendungs-
systems……………………………………………………………………..13
Abb. 14: Beispielhafte Nutzenstruktur eines komponentenbasierten Anwen-
dungssystems….……………………………………………………………83
Abb. 15: Module des Multiperspektiven-Ansatzes....………………………………..85
VII
Tabellenverzeichnis
Tab. 1: Idealtypische Charakterisierung von Ansätzen zur Wirtschaftlichkeits-
analyse von IS ...……..……………………………………………………..38
Tab. 2: Matrix der Nutzenpotenziale durch IS………………………..……………40
Tab. 3: Gegenüberstellung relevanter Ebenenansätze……………………...………42
Tab. 4: Ebenenspezifische Zuordnung von Wirtschaftlichkeitsanalyseverfah-
ren ..……………………………………………………………………..….42
Tab. 5: Tätigkeitsprofilmatrix …………………………………..………………….69
Tab. 6: Gleichungssystem auf Basis der Tätigkeitsprofilmatrix...…………………70
Tab. 7: Beispiel für die Berechnung des Einsparungspotenzials eines Manager-
postens……..……………………………………………………………….70
Tab. 8: Beispiel für eine Nutzwertanalyse ..………………………………………..72
Tab. 9: Beispiel für das Informationswertkonzept…………………………………78
Tab. 10: Umrechnung der bedingten Wahrscheinlichkeiten...………………………79
Tab. 11: Gewinnerwartungswerte in Abhängigkeit von den Informationsergeb-
nissen.………………………………………………………………………79
Tab. 12: Beispielhafte Nutzwerte eines komponentenbasierten Anwendungs-
Systems .........................................................................................................83
Tab. 13: Organisation und Position der Interviewpartner...…………………………91
Tab. 14: Überblick über eingesetzte Lösungen und die Größenordnung der
Projekte ...…………………………………………………………………..93
VIII
Symbolverzeichnis
a Originärer Nutzen
1A Grundstück in der Region
2A Anderes Grundstück
apostGE A-posteriori Gewinnerwartungswert
b Netznutzenfaktor
direktb Direkter Netznutzenfaktor
indirektb Indirekter Netznutzenfaktor
1G Gewichtung der Anforderung
2G Gewichtung der Erfüllungskriterien
oIGE Gewinnerwartungswert ohne Information
GE Gewinnerwartungswert
mIGE Gewinnerwartungswert mit Information
GG Gesamtgewichtung
1I Informationsergebnis „Abschreibung möglich“
2I Informationsergebnis „keine Abschreibung möglich“
n Anzahl kompatibler Komponenten in einem Netz
N Netzgröße
1S Ereignis „Abschreibung möglich“
2S Ereignis „keine Abschreibung möglich“
1S Manager
2S Fachkraft
3S Sachbearbeiter
4S Sekretariat
5S Schreibkraft
TNW Teilnutzwert
1T Führungstätigkeit
2T Spezialistentätigkeit
3T Routinetätigkeit
IX
4T Verwaltungstätigkeit
5T Schreibtätigkeit
6T Unproduktive Tätigkeit
u Nutzen
derivativu Derivativer Nutzen
w Wahrscheinlichkeit
WI Informationswert
1 Einleitung
"Everybody does cost/benefit analysis on projects. Most of them are fictional.”1
Was in der letzten Dekade schon als Problem gängiger Bewertungsrealität, nämlich der
Aussagegehalt praktizierter Wirtschaftlichkeitsanalysen (WA), aufgezeigt wurde, hat im
Zuge der schnell fortschreitenden Entwicklung auf dem Gebiet der Informationstechnolo-
gie keinesfalls an Aktualität eingebüßt. Heute sind es Themen wie Business Intelligence
(BI) bzw. Data Warehousing aus dem Bereich der analytischen Informationssysteme (AIS),
die verstärkt in den Vordergrund der Diskussion gerückt sind.2 Als umfassende, organisa-
tionsweit integrierte Systeme zur Unterstützung einer gezielten Unternehmenslenkung,
können die Gesamtprojektkosten dieser mehrere Mio. Euro betragen und stellen somit ein
wichtiges und sehr komplexes Bewertungsobjekt für eine WA dar.3
Die Begründung der Investitionskosten umfassender AIS ist dabei ein bedeutendes Prob-
lem. Denn während die Kosten gut abgeschätzt werden können, gestaltet sich die Ermitt-
lung des monetären Beitrags zum Unternehmensgewinn um ein Vielfaches schwieriger.
Die Kosteneinsparungen bspw. durch Automatisierung des Berichtswesens sind verhält-
nismäßig greifbar, doch wie lässt sich der langfristige Wert der verbesserten Informations-
basis, welcher letztlich zu „besseren“ Entscheidungen führen soll, erfassen, monetär be-
werten und den Kosten gegenüberstellen?4
In der Praxis werden nicht selten „Bauchentscheidungen“ getroffen.5 Einer Studie der Un-
ternehmensberatung Mummert Consulting zufolge haben 24% der Unternehmen keine
Transparenz hinsichtlich der Kosten und 29% keine hinsichtlich des Nutzens der eingesetz-
ten Lösung.6 Aus diesem Grund wird auf diesem Problemgebiet laut einer empirischen Er-
hebung des Instituts für Wirtschaftsinformatik aus St. Gallen Forschungsbedarf konsta-
tiert.7
1 Diese Aussage ist ein Ergebnis des Forschungsprojekts „Management in the 90’s“ vom Massachusetts In-
stitute of Technology bezüglich der Bewertung von IT in der betrieblichen Praxis. Vgl. Farbey, B. et al. (1999), S. 154.
2 Vgl. Chamoni, P. et al. (2006), S. 3 ff. ; Seufert, A. et al. (2006), S. 22; Seufert, A. et al. (2003), S. 4 f. sowie Hillringhaus, C. et al. (2004), S. 8 f. und 12.
3 Vgl. Hannig, U. et al. (2002), S. 226, die den Anteil der Projekte im Jahr 2001 mit Kosten über 2,5 Mio. Euro auf 18,2% und mit Kosten zwischen 0,5 Mio Euro und 2,5 Mio Euro auf 22,7% schätzten.
4 Vgl. Totok, A. (2006), S. 60. 5 Vgl. Bannister, F. et al. (2000), S. 231. 6 Vgl. Mummert Consulting AG (2004), S. 92 f. 7 Vgl. Helfert, M. (2000), S. 9 f.
In der wissenschaftlichen Literatur wird eine große Zahl an Verfahren zur WA von Infor-
mationssystemen (IS) angeboten, wobei jedoch AIS als ein relativ moderner Teilbereich
als Bewertungsobjekt kaum Berücksichtigung finden.8 Damit stellt sich die Frage, inwie-
weit die in der Literatur bereits beschriebenen und in der Praxis zum Teil eingesetzten Me-
thoden für AIS geeignet sind.
Das erste Ziel der Arbeit ist deshalb die Untersuchung der theoretischen Eignung der vor-
handenen Verfahren zur Analyse von Investitionsentscheidungen in AIS. Dazu werden in
Kapitel 2 zunächst das Bewertungsobjekt AIS sowie der dieser Arbeit zugrunde liegende
Wirtschaftlichkeitsbegriff definiert. Darauf aufbauend werden in Kapitel 3 die für eine WA
relevanten Kosten- und Nutzenaspekte von AIS herausgearbeitet, um daraus die Bewer-
tungsproblematik bezüglich AIS abzuleiten. In Kapitel 4 werden schließlich die in der Li-
teratur vorgeschlagenen Wirtschaftlichkeitsanalyseverfahren (WAV) vor dem Hintergrund
der aufgezeigten Problemkreise analysiert und im Hinblick auf die Eignung für eine WA
von AIS beurteilt.
Nach der Diskussion der theoretischen Möglichkeiten, wie eine Wirtschaftlichkeitsbeurtei-
lung von AIS durchgeführt werden könnte, liegt das zweite Ziel der Arbeit darin, zu unter-
suchen, wie eine Wirtschaftlichkeitsbeurteilung von AIS in der Praxis tatsächlich durchge-
führt wird. Dazu wird in Kapitel 5.1 zunächst der Mangel an empirischer Forschung hin-
sichtlich der Bewertung von AIS aufgezeigt. Aufgrund dieses Mangels wurde eine eigene
empirische Erhebung als sinnvoll erachtet, welche Gegenstand von Kapitel 5.2 ist. Folgen-
de Leitfragen lagen der Untersuchung dabei zugrunde:
• Welche WAV kommen in welchen Zeitpunkten der Bewertung von AIS in der Pra-
xis zum Einsatz?
• Wo liegen die größten Defizite bei den aktuell durchgeführten WA von AIS?
• Welche Verfahren haben aus Sicht der Praxis in Zukunft ein hohes Potenzial für ei-
ne ganzheitliche WA von AIS?
Um diesem Erkenntnisinteresse zu entsprechen wurden Tiefeninterviews mit Vertretern
aus der Praxis mit einschlägiger Erfahrung auf dem Gebiet der Bewertung von AIS
ausgewertet.
8 Vgl. bspw. Potthof, I. (1998), S. 17 ff. oder Pietsch, T. (2003), S. 58 ff.
2 Grundlegende Begriffe
2.1 Analytische Informationssysteme (AIS)
2.1.1 Historische Entwicklung
Die Entscheidungsunterstützung des Managements mit Hilfe elektronischer Datenverarbei-
tung lässt sich bis in die 60er Jahre zurückverfolgen.9 Im Laufe der Zeit tauchte je nach
Aufgabenschwerpunkt und Zielgruppe des Systems eine Vielzahl an neuen Begriffen auf,
deren definitorische Abgrenzung in der Literatur keineswegs eindeutig gehandhabt wur-
de.10 Angefangen mit Management Information Systems (MIS) kamen in den 70er Jahren
Decision Support Systems (DSS) sowie Mitte der 80er Jahre Executive Information Sys-
tems (EIS) auf den Markt, die dann schließlich unter den Begriff der Management Support
Systems (MSS) subsumiert wurden.11 Die entsprechenden Bezeichnungen im deutschen
Sprachraum sind Managementinformationssystem (MIS), Entscheidungsunterstützungssys-
tem (EUS), Führungsinformationssystem (FIS) bzw. Chefinformationssystem (CIS) sowie
Managementunterstützungssystem (MUS).12
Allen Systemen gemein war stets die Zielsetzung „entscheidungsrelevante Informationen
zeitnah und problemadäquat in einer dem Management gerechten Weise aufzubereiten und
gegebenenfalls angereichert durch Entscheidungsmodelle mit Lösungsvorschlägen zur
Verfügung zu stellen.“13 Dieses Ziel blieb jedoch in den Anfängen der Entwicklung vor
dem Hintergrund enthusiastischer Technikgläubigkeit, eines mechanistisch ausgelegten
Organisationsverständnisses und nicht zuletzt aufgrund des Mangels an leistungsfähigen
Informations- und Kommunikationssystemen (IKS) unerreicht und es kam bestenfalls zu
einer Automatisierung des vorhandenen Standardberichtswesens.14 Die Kritikpunkte reich-
ten von fehlender Interaktivität und Starrheit über Informationsüberflutung bei gleichzeitig
defizitärer Datenversorgung bis hin zur mangelhaften Integrierbarkeit in bestehende DV-
technische und organisatorische Infrastrukturen.15 Diese Probleme wurden jedoch im Laufe
der Zeit mit Hilfe moderner IKS zum Teil gelöst.16
9 Vgl. Chamoni, P. et al. (2006), S. 6. 10 Vgl. Holthuis, J. (2001), S. 36 ff. sowie die dort zitierte Literatur. 11 Eine ausführliche Abgrenzung und Diskussion der Begriffe findet bei Gluchowski, P. et al. (1997),
S. 147 ff. statt. 12 Vgl. Chamoni, P. et al. (2006), S. 6 ff. 13 Chamoni, P. (2003), S. 4. 14 Vgl. Kemper, H.-G. et al. (2004), S. 1 sowie Chamoni, P. et al. (2006), S. 6. 15 Vgl. Chamoni, P. et al. (2006), S 10. 16 Vgl. Chamoni, P. et al. (2006), S. 8 f. sowie Bauer, A. et al. (2004), S. 11.
Sehr grob lassen sich die Begriffe in einer hierarchischen Sichtweise bezogen auf die Ziel-
gruppe durch eine Systempyramide darstellen, wobei zwischen Administrations- und Dis-
positionssystemen bzw. operativen Informationssystemen (OIS) einerseits und den Pla-
nungs- und Kontrollsystemen bzw. AIS andererseits unterschieden wird (vgl. Abb. 1).17
Abb. 1: AIS in der Systempyramide In Anlehnung an: Gluchowski, P. et al. (1997), S. 238 und Chamoni, P. et al. (2006), S. 11.
Während die Bezeichnung MSS bzw. MUS als Sammelbegriff18 IS zur Entscheidungsun-
terstützung des Managements bis heute häufig in der Wissenschaft Verwendung findet,
bildete sich seit Mitte der 90er Jahre in der Praxis parallel dazu verstärkt der von der Gart-
ner Group19 geprägte und viel diskutierte Begriff BI heraus.20 Auf diesen wird im nächsten
Abschnitt näher eingegangen.
2.1.2 Aktuelles Begriffsverständnis
Zurzeit wird man in Theorie und Praxis mit einer Fülle von Schlagworten wie Data Ware-
house (DW), On-Line Analytical Processing (OLAP), Data Mining, Text Mining, Know-
ledge Management (KM), analytisches Customer Relationship Management (aCRM) oder
Competitive Intelligence (CI) konfrontiert, die alle mehr oder weniger zueinander in Be-
ziehung stehen und zumindest teilweise zum Bereich BI bzw. AIS gezählt werden. Es
mangelt jedoch bei vielen Konzepten an einheitlichen Definitionen, was die Einordnung 17 Vgl. Holthuis, J. (2001), S. 8 ff.; Chamoni, P. et al. (2006), S. 11; Gluchowski, P. (1997), S. 151, S. 166,
S. 202 und S. 238; Scheer, A.-W. (1997), S. 5 sowie Mertens, P. et al (2005), S. 84. 18 Im angelsächsischen Bereich und bisweilen auch im deutschsprachigen Raum werden die Begriffe MIS,
DSS, EIS oder MSS mit ihren deutschen Entsprechungen jedoch synonym verwendet. Vgl. Emery, J.C. (1987), S. 24 f. und Hichert, R. et al. (1995), S. XI.
19 Die Gartner Group ist ein US-amerikanisches Marktforschungsunternehmen. 20 Vgl. Kemper, H.-G. et al. (2004), S. 2.
und Abgrenzung der einzelnen Begriffe sehr schwierig macht.21 Besonders der Begriff BI
wird derzeit im Rahmen der entscheidungsunterstützenden Systeme sehr häufig strapaziert,
obwohl keine allgemein anerkannte Definition existiert.22
Im angelsächsischen Sprachraum werden die Begriffe CI und BI z.B. teils synonym ver-
wendet, obwohl der Begriff CI nach aktueller Auffassung nur einen Teilbereich von BI
umfasst.23 Ferner werden in frühen marketingorientierten Abgrenzungen mit BI lediglich
Front-End-Werkzeuge bezeichnet, während neuere Sichtweisen die Bedeutung datenge-
triebener Systeme wie das DW-Konzept oder OLAP für den Bereich BI unterstreichen.24
Ein Managementkonzept, das verstärkt seit Mitte der 90er Jahre in der Diskussion steht, ist
das KM, welches mehr oder weniger zeitgleich mit dem Begriff BI auf dem Radar von
Theorie und Praxis aufgetaucht ist.25 Heute wird diesen beiden Bereichen eine beträchtli-
che Schnittmenge attestiert, wobei sogar ein Zusammenwachsen der beiden Welten zur
Decision Intelligence gefordert wird.26
Diesen Begriffsreichtum im Zusammenhang mit BI macht Mertens auf Basis einer empiri-
schen Untersuchung deutlich, wobei er die unterschiedlichen Auffassungen in sieben Vari-
anten unterteilt (vgl. Abb. 2). Die Größe der Dreiecke in der Abbildung spiegelt die relati-
ve Bedeutung der Kategorie wider.27
1. BI als Fortsetzung der Daten- und Informationsverarbeitung:IV für die Unternehmensleitung
2. BI als Filter in der Informationsflut: Informationslogistik
3. BI = MIS, aber besonders schnelle und flexible Auswirkungen
4. BI als Frühwarnsystem („Alerting“)
5. BI = Data Warehouse
6. BI als Informations- und Wissensspeicherung
7. BI als Prozess:Symptombehebung Diagnose Therapie Prognose Therapiekontrolle
Abb. 2: Vielfältiges Verständnis von Business Intelligence Quelle: Mertens, P. (2002), S. 67.
21 Vgl. Chamoni, P. et al. (2006), S. 3; Chamoni, P. (2003), S. 4; Gluchowski, P. (2001), S. 5; Gabriel, R. et
al. (2001), S. 17; Determann, L (2002), S. 8; Weber, J. et al. (1999), S. 16 ff.; Mucksch, H. et al. (2000), S. 5 ff.; Kurz, A. (1998), S. 252; Kemper, H.-G. et al. (2004), S. 1 ff. sowie Negash, S. (2004), S. 177 f.
22 Vgl. Gluchowski, P. (2001), S. 1. 23 Vgl. Negash, S. (2004), S. 187 sowie Vedder, R.D. et al. (1998), S. 1. 24 Vgl. Kemper et al. (2004), S. 2 sowie Schildhauer, T. et al. (2004), S. 27. 25 Vgl. Abschnitt 2.1.1. 26 Vgl. Hannig, U. (2002), S. 6 sowie Gabriel, R. et al. (2001), S.25. 27 Vgl. Mertens, P. (2002), S. 3.
Zusammenfassend lassen sich diese Kategorien in zwei Sichtweisen einteilen: Eine sys-
tembezogene, welche verschiedene Werkzeuge, Anwendungen und Systeme unter einer
begrifflichen Klammer zusammenfasst (Position Nr. 1-6, Abb. 2) und eine prozessorien-
tierte, bei welcher BI als analytischer Prozess verstanden wird, der aus fragmentierten, he-
terogenen Unternehmens-, Markt- und Wettbewerbsdaten Wissen über die eigenen und ü-
ber fremde Positionen, Potenziale und Perspektiven generiert (Position Nr. 7, Abb. 2).28
Gluchowski strukturiert die systembezogenen Sichtweisen in einem zweidimensionalen
Ordnungsrahmen und definiert BI als „…alle Werkzeuge und Anwendungen mit entschei-
dungsunterstützendem Charakter…, die zur besseren Einsicht in das eigene Geschäft und
damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten führen.“
(vgl. Abb. 3).29 Auf der vertikalen Achse trägt er die Phase des analytischen Datenverar-
beitungsprozesses ab, wohingegen er auf der horizontalen Achse die Perspektive definiert,
aus welcher heute die jeweilige Systemkategorie schwerpunktmäßig diskutiert wird. Je
nach Positionierung der jeweiligen Technologie- oder Anwendungsklasse lassen sich dann
drei Typen von Definitionsansätzen – Eng, Analyseorientiert, Weit – abgrenzen.30
OLAP MIS/EIS
AnalytischesCRM
TextMining
Planung/Konsolidierung
Data Mining
Reporting
Standard
Ad hocKennzahlen-/BSC-System
DataWarehouse
Technik
ETL
Anwendung
Datenbereitstellung
Datenauswertung
Prozessphase
Schwerpunkt
AnalyseorientiertesBI-VerständnisWeites BI-Verständnis
Enges BI-Verständnis
Abb. 3: Einordnung unterschiedlicher Facetten von Business Intelligence Quelle: Gluchowski, P. (2001), S. 7.
Eine weite Auslegung der Definition schließt alle Systemkomponenten mit ein, die opera-
tives Datenmaterial zur Informations- und Wissensgenerierung aufbereiten und speichern
sowie Auswertungs- und Präsentationsfunktionalität anbieten, also auch DW und Extrakti-
28 Vgl. Gluchowski, P. (2001), S. 7 sowie Grothe, M. et al. (2000), S. 19. 29 Gluchowski, P. (2001), S. 6. 30 Vgl. Gluchowski, P. (2001), S. 6 ff.
ons-, Transformations- und Ladewerkzeuge (ETL-Tools).31 Diese bieten zwar keine Ana-
lysefunktion, dienen aber der Schaffung einer einheitlichen Datenbasis speziell für Analy-
sezwecke, da operative Systeme weder für einen analyseorientierten Datenzugriff ausge-
legt sind, noch homogene und konsistente Daten zur Verfügung stellen.32
Bei der analyseorientierten Sichtweise wird eine harmonisierte, aufbereitete und abge-
stimmte Datenbasis vorausgesetzt und es werden somit nur Systemkomponenten auf der
Auswertungsebene miteinbezogen. Hierzu zählen neben OLAP und MIS/EIS auch Data
Mining, Text Mining, aCRM, Ad-hoc-Berichte und auch Systeme zur Planung, Budgetie-
rung und Konsolidierung sowie Kennzahlen- und Balanced Scorecard-Systeme.33 Im Rah-
men dieser Sichtweise kann auch CI, das als „…ethical gathering and use of publicly or
semi-publicly available information about trends, events and players outside the firm’s of-
ficial boundaries…”34 definiert wird, zumindest teilweise zum Bereich BI gezählt wer-
den.35
Aufgrund der unscharfen Definitionsgrenzen, und damit der Gefahr des inflationären
Gebrauchs des Begriffs BI, werden in einer engen Sichtweise häufig nur wenige Kernap-
plikationen zur Aufbereitung und Präsentation von multidimensional organisiertem Da-
tenmaterial verstanden.36 Darunter fallen dann insbesondere OLAP sowie die MIS und
EIS.37
Ein Begriff, für den bisher ebenfalls keine eindeutige Definition existiert und welcher häu-
fig im Zusammenhang mit BI genannt wird, ist das KM38, welches „…einen systemati-
schen Ansatz [darstellt; Anm. d. Verf.], um das Wissen in einer Unternehmung durch ziel-
gerichtete Handlungen für eine organisatorische Wissensbasis aufzubauen und auszunut-
zen.“39 Dabei geht es beim KM vereinfacht gesagt um die Diffusion und Nutzung des
durch die Analyseprozesse des BI generierten und ausgewerteten Wissens.40 Es handelt
31 Vgl. Gluchowski, P. (2001), S. 6. 32 Vgl. Inmon, W.H. (2005), S. 6 f. sowie S. 22 f. 33 Vgl. Gluchowski, P. (2001), S. 6. 34 Gilad, B. et al. (1988), S. 4. 35 Vgl. Negash, S. (2004), S. 186 sowie Jaworski, B. et al. (1993), S. 11. Letztere bezeichnen CI als “exter-
nal business intelligence”. Zur Geschichte des Begriffs CI vgl. Michaeli, R. (2006), S. 32 ff. 36 Vgl. Gluchowski, P. (2001), S. 6. 37 Hier hätte Gluchowski konsequenterweise den Begriff MSS verwenden können, um die DSS nach der
Systematik aus Abschnitt 2.1.1 zu integrieren. Das lässt sich hier jedoch als ein typisches Beispiel für den ungenauen Gebrauch der Begriffe MIS, EIS, DSS und MSS werten.
38 Vgl. Dittmar, C. et al. (2002), S. 27. 39 Gabriel, R. et al. (2001), S. 19. 40 Vgl. Gabriel, R. et al. (2001), S. 24 sowie Dittmar, C. et al. (2002), S. 37 ff.
sich hierbei aber keineswegs um zwei klar voneinander abgrenzbare Bereiche, sondern
vielmehr um Ansätze, die die Bewältigung der Informationsflut in einer Unternehmung aus
zwei verschiedenen Blickwinkeln heraus verfolgen: Schwerpunktmäßig quantitative und
strukturierte Daten im Rahmen des BI gegenüber überwiegend qualitativen und unstruktu-
rierten Daten im Rahmen des KM.41 Dabei gibt es jedoch, wie oben bereits erwähnt, einen
großen Überlappungsbereich.
Im Folgenden werden die Begriffe BI in seiner weiten Auslegung und AIS synonym ver-
wendet.42 AIS bilden dabei inhaltlich das logische Komplement zu den OIS, welche ledig-
lich operative Geschäftsprozesse unterstützen.43 Damit soll analog zu der Definition von BI
zum Ausdruck kommen, „…daß die Informationsversorgung und funktionale Unterstüt-
zung betrieblicher Fach- und Führungskräfte zu Analysezwecken im Vordergrund steht.“44
Ferner kann bei der WA von AIS im Rahmen dieser Arbeit keine erschöpfende Behand-
lung aller zum Spektrum der AIS gehörender Systeme erfolgen, weshalb hier nur eine
Auswahl der aktuell am meisten diskutierten Anwendungen und Techniken wie DW, O-
LAP, Data Mining und Text Mining aufgegriffen und näher betrachtet wird. Dabei werden
die anderen Systeme bezüglich der WA von AIS keinesfalls explizit ausgegrenzt, sondern
lediglich aus Gründen der Komplexitätsreduktion ausgeklammert.
2.1.3 Wesentliche Komponenten moderner AIS
Wie im vorherigen Abschnitt bereits dargestellt, ist der Begriff AIS keineswegs trennscharf
und umfasst eine große Menge an Anwendungen, Systemen und Techniken. Zu den we-
sentlichen Konzepten werden im Rahmen dieser Arbeit aufgrund ihrer Aktualität das DW,
OLAP, Data Mining und Text Mining gezählt und in den folgenden Abschnitten jeweils
genauer erläutert. Diese Komponenten lassen sich in einer als idealtypisch zu verstehenden
Referenzarchitektur darstellen (vgl. Abb. 4).45
41 Vgl. Gregorzik, S. (2002), S. 43 f. 42 Vgl. Chamoni, P. (2003), S. 4, der die Begriffe ebenfalls gleichsetzt. 43 Vgl. Chamoni, P. et al. (2006), S. 11. Einen systematischen Vergleich zwischen AIS und OIS findet man
bei Determann, L. (2002), S. 8 ff. 44 Chamoni, P. et al. (2006), S. 11. 45 Text Mining wird gegenwärtig nicht in gängige DW-Architekturen integriert, da der Fokus des DW-
Konzeptes zurzeit auf quantitativen und strukturierten Daten liegt. Es wird jedoch für die Zukunft eine Unterstützung des Text Mining durch ein DW gefordert, weswegen im Rahmen dieser Arbeit das Text Mining als integrativer Bestandteil einer DW-Architektur betrachtet wird. Vgl. dazu Sullivan, D. (2000), 42 ff.
Abb. 4: Idealtypische Data Warehouse-Architektur In Anlehnung an: Mucksch, H. et al. (2000), S. 14.
2.1.3.1 Data Warehouse
Ein DW ist eine von den OIS isolierte physische Datenbank, die als integrierte und unter-
nehmensweite Datenbasis für sämtliche entscheidungsunterstützenden IS dient.46 Nach
Inmon, der den Begriff DW in den 90er Jahren propagiert und geprägt hat, wird ein DW
definiert als „[…] subject-oriented, integrated, nonvolatile and time-variant collection of
data in support of management’s decisions.“47
Themenorientiert (subject-oriented) bedeutet dabei, dass eine rein datenorientierte Vorge-
hensweise im Vordergrund steht, die nur Sachverhalte berücksichtigt, welche das Handeln
und den Erfolg eines Unternehmens entscheidend beeinflussen. Damit soll zum Ausdruck
kommen, dass innerbetriebliche Abläufe und Funktionen von nachrangiger Bedeutung
sind.48
46 Vgl. Holthuis, J. (2001), S. 72 sowie Bauer, A. et al. (2004), S. 7. Poe, V. et al. (1997), S. 23 bezeichnen
ein DW prägnant auch als „analytische Datenbank“. 47 Inmon, W.H. (2005), S.31. Zuerst erwähnt wurde laut Hummeltenberg, W. (1998), S. 48 das DW-
Konzept 1988. 48 Vgl. Holthuis, J. (2001), S. 73.
Archivierungs--system
Operative Informationssysteme
ETL -Tools
ODS
OLAP - Server Meta-Datenbank
Zentrales DW
Auswertungstools
Abfrage - und BerichtssystemOLAP -Frond End Data Mining Text Mining
Data Marts
Externe Daten
Das wichtigste Kriterium ist die Datenintegration (integrated), mit der eine unterneh-
mensweit homogene und konsistente Datenbasis mit „… a single physical corporate image
…“49 geschaffen werden soll, um das Problem der redundanten und oft widersprüchlichen
Daten innerhalb derselben Unternehmung zu beheben.50
Das Kriterium der Nicht-Volatilität (nonvolatile) bezieht sich auf die Häufigkeit der Da-
tenmanipulationen innerhalb eines bestimmten Zeitraumes. Im Unterschied zu OIS, in de-
nen gewöhnlich jede Datenmanipulation sofort gespeichert wird, werden die Daten in ei-
nem DW in vorbestimmten Intervallen „an einem Stück“ aus den operativen Datenbanken
übernommen und bis zur nächsten Datenübernahme in der Regel nicht mehr aktualisiert.51
Auf diese Weise können nahezu alle Datenzugriffe lesend erfolgen und sämtliche Auswer-
tungen und Analysen jederzeit nachvollzogen werden.52
Als letztes Merkmal nennt Inmon den Zeitraumbezug (time-variant) des gesamten Daten-
bestandes eines DW. Der Unterschied zu einer operationalen Datenbank liegt hierbei darin,
dass in dieser relativ kurze Zeiträume (60 – 90 Tage) oder zeitpunktgenaue Daten ohne
Zeitraumbezug vorliegen, wohingegen sich die Daten in einem DW in der Regel auf große
Zeiträume (5 – 10 Jahre) beziehen und sämtliche Dateneinträge mit einem Zeitbezug ver-
sehen sind.53 Damit sollen beispielsweise Trendanalysen auf Basis von historischen Daten
ermöglicht werden.54
Wichtig in diesem Zusammenhang ist die Einordnung der Begriffe DW, DW-Konzept,
DW-System, DW-Prozess und Data Warehousing, welche häufig synonym verwendet wer-
den, jedoch zum Teil unterschiedliche Bedeutungen haben. Unter einem DW versteht man,
wie bereits beschrieben, die von den OIS getrennte Basisdatenbank, wohingegen mit dem
DW-Konzept bzw. DW-System die in Abb. 4 dargestellte Systematik gemeint ist, welche
alle für die Integration und Analyse notwendigen Komponenten umfasst. Schließlich wird
mit Data Warehousing bzw. DW-Prozess der dynamische Vorgang der Verarbeitung der
Daten aus den Datenquellen bis zum Analyseergebnis beim Anwender bezeichnet.55
49 Inmon, W.H. (2005), S. 32. 50 Vgl. Inmon, W.H. (2005), S. 31ff. 51 Vgl. Inmon, W.H. (2005), S. 33 f. 52 Vgl. Mucksch, H. et al. (2000), S. 13. 53 Vgl. Inmon, W.H. (2005), S. 34 f. 54 Vgl. Mucksch, H. et al. (2000), S. 10. 55 Vgl. Bauer, A. et al. (2004), S. 8.
2.1.3.2 On-Line Analytical Processing
Mit OLAP wird eine Software-Technologie bezeichnet, die Fach- und Führungskräften
schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen
ermöglicht, wobei dynamische, multidimensionale Analysen von konsolidierten Unter-
nehmensdatenbeständen im Vordergrund stehen.56 Diese Definition macht den Zusam-
menhang zwischen OLAP und DW deutlich, denn bei beiden Konzepten spielt die Ent-
scheidungsunterstützung auf Basis von konsistenten und unternehmensweit integrierten
Datenbeständen eine wichtige Rolle. Der Unterschied besteht darin, dass das DW den Fo-
kus auf die technischen und organisatorischen Aspekte legt, wohingegen OLAP die Benut-
zeranforderungen zur Datenanalyse beschreibt und das Front-End und dessen Funktionali-
tät somit in den Vordergrund stellt.57
Als zentrales Charakteristikum wird die Multidimensionalität gewertet, durch die be-
triebswirtschaftliche Kennzahlen (Umsatz, Kosten etc.) entlang unterschiedlicher Dimen-
sionen (Produkt, Region, Zeitraum etc.) in einer dem Anwender gerechten Weise darge-
stellt werden können. Dies geschieht häufig in Form eines Würfels (OLAP-Cubes), dessen
Kanten die einzelnen Dimensionen repräsentieren und welcher sich als Symbol für die
OLAP-Technologie etabliert hat (vgl. Abb. 5).58 OLAP stellt dabei eine begriffliche Ab-
grenzung zum On-Line Transaction Processing (OLTP) dar, welches zur transaktionalen
Abwicklung von operativen Geschäftsprozessen dient und für komplexe Datenbankabfra-
gen zu Analysezwecken nicht geeignet ist.59
Abb. 5: Würfelgrafik zur Darstellung der Mehrdimensionalität Quelle: Hönig, T. (1998), S. 170.
56 Vgl. Gluchowski, P. et al. (1997), S. 282. 57 Vgl. Chamoni, P. et al. (2000), S.335. 58 Vgl. Chamoni, P. et al. (2000), S. 334. 59 Vgl. Gluchowski, P. et al. (1997), S. 283.
Zeit
Produkt
Region
94 95 96
MünchenKöln
Cola
Di ät Cola