Zusammenfassung
Im Mittelpunkt steht nun ein Ansatz zur modellbasierten ‘intelligenten’ Navigation, der den Anwender bei der Datenanalyse bzw. Datendisaggregation unterstützt. Aufbauend auf den relevanten Grundlagen aus Abschnitt 2.3 und Abschnitt 2.4, wird zuerst eine Vorgehensweise zur Navigation innerhalb eines mathematischen Modells entwickelt. Des weiteren erfolgt im zweiten Abschnitt eine ausführliche Überprüfung der innerhalb der Navigation zur Einflußbestimmung verwendeten Einflußanalyse anhand elementarer Funktionsbetrachtungen. Die entwickelte Vorgehensweise zur Navigation bei mathematischen Modellen wird im dritten Abschnitt auf die Navigation innerhalb des Berichtswesens übertragen und entsprechend modifiziert. Dieses Kapitel beschließt eine Zusammenfassung und kritische Würdigung des entwickelten Ansatzes.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Aus Gründen der Übersichtlichkeit wird darauf verzichtet, ein umfangreicheres Modell zu beschreiben.
Da z.B. die Datenvariable ‘Preis’ in die beiden Berechnungsvariablen ‘Umsatz’ und ‘Absatz’ eingeht, liegt kein streng hierarchisches Modell vor. Es handelt sich hierbei vielmehr um ein hierarchisch aufgebautes Netzwerk-Modell. Diese Unterscheidung spielt vor allem in Abschnitt 4.1.7 ‘Navigation aufgrund der Zugriffspfade’ eine Rolle.
Der Verzicht auf die Auswahlmöglichkeit von Datenvariablen (Basisdaten) ergibt sich von selbst, da diese nur Input darstellen und sich demnach nicht weiter aufspalten lassen.
Zur Konkretisierung der Begriffe ‘Kreis’ und ‘Zyklus’ vgl. Abschnitt 2.4.2 sowie Abbildung 5.
Vgl. Comshare (1991), S. 8–52.
Die Erläuterung der Baumgraphennavigation erfolgt innerhalb der Navigation in streng hierarchischen Modellen in Abschnitt 4.1.7.1. Dagegen werden alternative Wege im Rahmen der Navigation in Netzwerk-Modellen in Abschnitt 4.1.7.2 betrachtet.
Der Tripel-Algorithmus gehört zu den wichtigsten Matrix-Algorithmen und stellt nur eine von zahlreichen Möglichkeiten dar, kürzeste Entfernungen bzw. Wege eines bewerteten Digraphen zu berechnen. Vgl. Domschke, W. (1989), S. 65. Zum Algorithmus, der auch als Floyd-Algorithmus bezeichnet wird, vgl. Domschke, W./Drexl, A. (1995), S. 68 f. Vgl. ebenso Anhang A.
Vgl. Neumann, K./Morlock, M. (1993), S. 219.
Vgl. Domschke, W./Drexl, A. (1995), S. 62.
Da eine Einflußvariable auch gleichzeitig eine Netzwerkvariable darstellen kann, wird eine entsprechende Anzahl von Pfeilen gewichtet.
Angenommen, es existieren z.B. 12 nachgelagerte Berechnungsvariablen zu einer Netzwerkvariable, so gestalten sich die Rankingzahlen folgendermaßen: 01, 02,.., 09, 10, 11 und 12.
Mit Null gewichtete Pfeile entstehen aus einer Nichtbetrachtung der dazugehörigen Knoten bzw. Faktoren. Da diese somit kein Bestandteil des Analysevorganges sind, wird das Minimum grundsätzlich aus allen Pfeilgewichten ungleich Null ermittelt.
Die noch existierenden Nullgewichte beeinflussen die anschließende Festlegung der Zugriffspfade nicht, da sie in der später folgenden Bewertungsmatrix denselben Gewichtungswert wie die Pfeile in der Diagonalen (Zeile — Spalte) besitzen. Derartige Pfeile repräsentieren jeweils nicht vorhandene Schlingen der einzelnen Knoten, welche jedoch von den noch folgenden Algorithmen als solche erkannt und daher nicht für die Wegeermittlung verwendet werden.
Vgl. Domschke, W./Drexl, A. (1995), S. 68 f.; Neumann, K. /Morlock, M. (1993), S. 219 f.
Zum Tripel-Algorithmus als Programmtext vgl. Anhang A. Vgl. ebenso Domschke, W./Drexl, A. (1995), S. 69.
Vgl. Domschke, W./Drexl, A. (1995), S. 68 f.
In der Literatur ist kein entsprechendes Verfahren bekannt.
Der Algorithmus zur Ermittlung des Weges anhand der Routenmatrix ist in Anhang D aufgeführt.
Zu den Auswirkungen der Datenänderung auf die Berechnungsvariablen im Unternehmensbeispielmodell vgl. die Übersicht in Anhang E.
Die Rankingveränderungen sind schraffiert hervorgehoben.
Zur Bewertungsmatrix des geänderten Beispielgraphen vgl. Anhang F.
Elementare Funktionen lassen sich in die Hauptgruppen ‘algebraische Funktionen’ und ‘transzendente Funktionen’ unterteilen. Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 219 ff.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 222.
Für das noch zu ermittelnde Ranking ist eine betragsmäßige Betrachtung der Einflußergebnisse vonnöten, so daß eine negative Beeinflussung die gleiche Gewichtung wie eine positive erhält.
Die den beiden Schaubildern zugrunde liegenden Zielfunktionen bzw. Daten spielen nur eine untergeordnete Rolle, so daß sich diese in Anhang G befinden. Im Vordergrund steht hier die visuelle Verdeutlichung der Auswirkungen eines linearen bzw. nichtlinearen Einflußverlaufes von Faktoren.
Das der Abbildung 24 zugrunde liegende Datenmaterial sowie die dazugehörige Zielfunktion befinden sich in Anhang H.
Im weiteren Verlauf der Arbeit rundet eine Verdeutlichung anhand eines Zahlenbeispieles die jeweilige Betrachtung der Zielfunktion ab.
Die Bestimmung und Überprüfung des Einflusses der Variablen ‘Umsatz’, ‘variable Kosten’ und ‘fixe Kosten’ erfolgt in Anhang I.
Die Festlegung der oberen Intervallgrenze von +190% genügt in den meisten Fällen. Zudem ist die Übersichtlichkeit der graphischen Darstellung noch gewährleistet. Sollten sich jedoch signifikante Veränderungen der einzelnen Verläufe jenseits der hier festgelegten Grenze ergeben, so wird diese Intervallgrenze natürlich entsprechend korrigiert.
Bei den Prozentzahlen handelt es sich um Rundungsangaben, so daß im vorliegenden Fall Rundungsungenauigkeiten auftreten.
Aus Darstellungsgründen wird mit der Festlegung von -90% auf die Einhaltung der theoretischen Intervalluntergrenze verzichtet, da im Bereich von -90% bis -99,99% vor allem bei den noch folgenden Nennervariablen der Zielfunktionen extrem hohe Einflußwerte zu erwarten sind.
Als Ergebnis erhält man genau den Wert, mit dem die Variablen geändert wurden.
Der konkrete Variablenwert geht nur für diejenigen Variablen direkt in das Größenranking ein, die in keiner Produktgruppe vorhanden sind. Ansonsten erfolgt ein Ranking der jeweiligen Produktvariablen mit ihrem Produktergebnis.
Da die Produktvariablen denselben Einfluß auf eine Zielfunktion besitzen können, wird auch hier entweder ein vom System automatisiertes oder ein benutzerdefiniertes Ranking benötigt.
Vgl. Bronstein, I.N. /Semendjajew, K.A. (1983), S. 223.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 125.
Wie sich an späterer Stelle noch zeigen wird, genügt die Existenz der Variablen allein in der Nennerfunktion Z(x) N , um einen nichtlinearen Einflußverlauf der Variablen zu erhalten.
Die partielle Ableitung erfolgte mit Hilfe der Quotientenregel. Zur Quotientenregel vgl. Bron-stein, I.N./Semendjajew, K.A. (1983), S. 320.
Diese Forderung wurde bereits im Rahmen der Erörterung der Einflußanalyseprämissen in Abschnitt 2.3.3 aufgestellt.
Das Zahlenmaterial (in Tausend DM) für das Eigen- und Fremdkapital entstammt der Bilanz der SCHERING AG von 1987. Vgl. SCHERING AG (1988), S. 39.
Der Eigenfinanzierungsgrad bzw. die Eigenkapitalquote berechnet sich aus dem Quotienten der Faktoren ‘Eigenkapital’ und ‘Gesamtkapital’. Es handelt sich des weiteren um Prozentangaben. Vgl. Meyer, C. (1994), S. 103.
Der Wechsel der Rankingreihenfolge wird sowohl in der Rankingspalte als auch in den auslösenden Ergebnisspalten durch einen schraffierten Feldeintrag hervorgehoben.
Zur Einflußbestimmung der einzelnen ROI-Faktoren vgl. Anhang K.
Das Zahlenmaterial (in Tausend DM) zu den ROI-Faktoren ist gerundet aus der Bilanz der SCHERING AG von 1987 entnommen. Vgl. SCHERING AG (1988), S. 37 f. und S. 53.
Zu einer besseren graphische Darstellung der Einflußanalyse bei den ROI-Faktoren, welche mit variablem negativen Delta versehen wurden, vgl. Anhang L. Hier wird vor allem der zweifache Rankingwechsel im Bereich von -90% und -70% deutlicher.
Auf die komplette graphische Darstellung des linearen Einflußverlaufes der Variablen ‘Be-triebsergebnis’ (110% bis 490% fehlen) wurde aufgrund der sehr viel größeren Ergebniswerte (max. 414%) und des damit einhergehenden Darstellungsproblems verzichtet. Die Linearität des Einflußverlaufes kommt bereits in dem betrachteten Wertebereich zum Tragen.
Die Investitionsquote bezogen auf die Umsatzerlöse ergibt sich aus dem Quotienten der Faktoren ‘Investition’ und ‘Umsatzerlöse’ (‘Preis’ * ‘Absatz’) und wird in Prozent angegeben. Vgl. Meyer, C. (1994), S. 101.
Ebenso wie in Abschnitt 4.2.2.1 genügt auch hier die Existenz einer Variablen bereits in der Nennerfunktion Z(x) N , um einen nichtlinearen Einflußverlauf der Variablen zu erhalten.
Zum expliziten Nachweis der Linearität bzw. Nichtlinearität des Einflußverlaufes der Zählerbzw. Nennervariablen vgl. Anhang N.
Die ‘Umsatzrendite’, auch ‘Umsatzrentabilität’ genannt, ergibt sich aus dem Quotienten der Faktoren ‘Gewinn’ und ‘Umsatz’. Vgl. Meyer, C. (1994), S. 114. Die beiden Faktoren werden entsprechend den bisherigen Ausführungen weiter spezifiziert, so daß für die Zählerfunktion eine gemischte Faktorenverknüpfung vorliegt.
Zur Deduktion der beiden Einflußfunktionen aus der allgemeinen Einflußfunktion vgl. Anhang O.
Bei den Variablen ‘Preis’ und ‘Absatz’ wurde aufgrund einer besseren graphischen Darstellung auf eine Visualisierung der extrem hohen Einflußwerte im unteren Δx i -Bereich verzichtet. Die in der Graphik fehlenden Daten sind jedoch in Tabelle 22 enthalten und verursachen zudem keinen Rankingwechsel.
Die Variable ‘Stückkosten’ geht nicht nur mit ihrem eigentlichen Wert, sondern auch mit dem Produkt aus ‘Stückkosten’ (30) und ‘Absatz’ (250) in den Vergleich ein.
Der Wert der Variablen ‘Absatz’ von 42.500 ergibt sich aus dem Produkt von ‘Preis’ und ‘Absatz’ (200 * 250–50.000) sowie aus dem Produkt von ‘Stückkosten’ und ‘Absatz’ (-30 * 250- -7.500). Die Variable ‘Preis’ dagegen existiert nur in einer Produktgruppe, so daß für sie der Produktwert 50.000 aus den Variablen ‘Preis’ (200) und ‘Absatz’ (250) zu berechnen ist.
Unter Umständen kann die Einflußanalyse keine relativen Einflußwerte liefern, wenn die Zielfunktion Z(x) den Wert Null besitzt.
Gezeigt wird dieser Sachverhalt anhand des modifizierten Datenmaterials aus Tabelle 22 in Anhang Q, wobei die Daten so geändert wurden, daß der ‘Gewinn’ nur den Wert 1 besitzt und sich somit sehr nahe an der Definitionslücke befindet. Diesem Umstand verdanken die Faktoren ihre enorm hohen relativen Einflußwerte. Die aus dem Datenmaterial resultierenden Ein-flußverläufe (vgl. Anhang R) dienen gleichzeitig dem noch folgenden Vergleich mit den Ein-flußverläufen der absoluten Einflußwerte bei der Definitionslücke.
In Anhang S wird das eben modifizierte Datenmaterial erneut bei den ‘fixen Kosten’ (steigen von 59.999 auf 60.000) verändert, so daß der ‘Gewinn’ Null beträgt und sich somit die zu analysierende Definitionslücke ergibt. Der Einflußverlauf der absoluten Einflußwerte der einzelnen Faktoren in Anhang T verdeutlicht zudem, daß sich die Faktorenreihenfolge gegenüber den Ein-flußverläufen der relativen Einflußwerte überhaupt nicht unterscheidet, da sich die Schaubilder in Anhang T und Anhang R identisch zeigen.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 219 ff.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 229.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 220.
Vgl. Bronstein, I.N. /Semendjajew, K.A. (1983), S. 220.
Auf die Darstellung der Einflußwerte für negative Δx i kann verzichtet werden, da in diesem Bereich kein Rankingwechsel stattfindet. Eine Verdeutlichung dieses Sachverhaltes findet sich in Abbildung 32, welche eine graphische Visualisierung der Einflußverläufe der Faktoren enthält.
Aus Darstellungsgründen wurde der Ergebnisbereich der Einflußanalyse auf 200% beschränkt, so daß sich der lineare Einflußverlauf der Variablen ‘Sättigungsmenge’ nicht vollständig präsentiert.
Vgl. Bronstein, I.N. /Semendjajew, K.A. (1983), S. 223.
Die im Nenner verwendete Aufschlüsselung der ‘Absatzmenge’ gilt auch für den Zähler. Hierauf wurde jedoch aus Gründen der Unübersichtlichkeit verzichtet.
Zum Datenmaterial für die nachfolgenden Einflußverläufe der ‘Umsatzrendite’-Faktoren vgl. die zweiseitige Tabelle in Anhang U.
Der Übersichtlichkeit wegen wurde auf eine Darstellung der Ergebniszahlen über 600% verzichtet. Zum Einflußverlauf in den Bereichen [-90%, -60%], [-30%, +130%] und [+ 203%, + 258%] der ‘Umsatzrendite’-Faktoren bei einer Zielfunktion mit gebrochen rationalem Einfluß-charakter und jeweils quadratischen Teilfunktionen vgl. ausführlich Anhang V.
Die Zählervariablen ‘Stückkosten’ und ‘fixe Kosten’ besitzen rein zufällig denselben Einfluß auf die ‘Umsatzrendite’. Dies ist auf das Datenmaterial (Stückkostenrankingwert = -Sk * S + Sk * SN = -210.000; Fixkosten ran kingwert = -fk = -210.000) zurückzuführen. Vgl. zudem die noch folgenden Einflußfunktionen der beiden Zählervariablen. SN — -210.000; Fixkostenrankingwert = -fk = -210.000) zurückzuführen. Vgl. zudem die noch folgenden Einflußfunktionen der beiden Zählervariablen.
Der genaue Rankingverlauf der Einflußfaktoren findet sich in Anhang U im Rahmen der Ein-flußbestimmung der ‘Umsatzrendite’-Faktoren bei einer Zielfunktion mit gebrochen rationalem Einflußcharakter und jeweils quadratischen Teilfunktionen.
Vgl. Bronstein, I.N. /Semendjajew, K.A. (1983), S. 229.
Vgl. Meyer, C. (1994), S. 76.
Zur Herleitung der Einflußfunktionen der Zähler- und Nennervariablen der ‘Losgrößen’-Funkti-on vgl. Anhang W.
Vgl. Bronstein, I.N./Semendjajew, K.A. (1983), S. 229.
Die Notwendigkeit einer Einflußanalyse besteht bei allen erläuterten sonstigen Zielfunktionen, mit Ausnahme derjenigen Zielfunktionen bzw. Teilfunktionen, die ausschließlich multiplikativ verknüpfte Variablen besitzen. Hier eignet sich entweder die benutzerdefinierte oder die automatische Rankingbestimmung.
Vgl. hierzu die Ausführungen zur Einflußanalysedefinition in Abschnitt 2.3.1 und zum ‘Umsatzrendite’-Beispiel in Abschnitt 4.2.2.3.
Vgl. Henneböle, J. (1995), S. 83; Reichmann, T./Fritz, B./Fröhling, O. (1990), S. 267 f.; Baumgärtner, J./Fritz, B. (1990), S. 485.
Zur Kompensationseffektproblematik siehe Fußnote 60.
Im noch folgenden Beispiel wird der Kompensationseffekt anhand der Analyse des Unternehmensgewinns verdeutlicht.
Als eine nichtaggregierbare Variable wird diejenige Variable bezeichnet, deren Aggregation im Sinne einer Addition nicht zulässig ist, da ansonsten eine Verfälschung des auf einer höheren Aggregationsebene zu berechnenden Ergebnisses stattfindet. Im bisher verwendeten Unternehmensmodell sind dies die Variablen ‘Preis’, ‘Steigung Nachfrage’, ‘Stückkosten’ und mit letzterer auch die Variablen ‘Rohmaterial’, ‘Lohn’ und ‘Vertrieb’.
Die spezifischen Daten der Firmen sowie die daraus entstehenden Firmenergebnisse sind in Anhang X aufgeführt, wobei die Gewichtungen bereits berücksichtigt sind.
Zur Analyse des Umsatzes und der Kosten müßte das darunterliegende Datenmaterial, nämlich die Gesamtabsatzmenge, die gesamten variablen und fixen Kosten etc. der Unternehmensgruppe, betrachtet werden.
Dies kann wiederum nur aus der Zusammensetzung der ‘Einzelgewinne’ der darunterliegenden Firmen überprüft werden.
Entsprechend der unternehmensmodellbasierten Navigation kann auch hier unter Abarbeitung der Rankingliste zum restlichen Datenmaterial navigiert werden.
Das Ranking anhand des größten Einflusses aufzubauen, stellt nur eine von mehreren Möglichkeiten dar. Ebenso interessant erscheint die Überlegung, ein Ranking z.B. nur für die negativen oder die positiven Einflußfaktoren durchzuführen. Für das Ausnahmeberichtswesen bietet sich zudem ein Ranking nach den Abweichungswerten an.
Zum aggregierten und nichtaggregierten Datenmaterial des Aggregationsmodells vgl. Anhang X.
Vgl. Reichmann, T./Fritz, B./Fröhling, O. (1990), S. 267; Baumgärtner, J./Fritz, B. (1990), S. 485; Henneböle, J. (1995), S. 83.
Da es sich beim Standardberichtswesen um ein starres Berichtssystem handelt, wird die Analyse im Normalfall immer auf der höchsten Aggregationsstufe beginnen, so daß von vornherein hier keine Zielvariablen existieren, die sich auf darunterliegenden Aggregationsniveaus befinden. Der Anwender kann sich, bezogen auf das existierende Aggregationsmodell, all diejenigen Variablen als Zielgröße(n) definieren, die als Index den Wert ‘Gruppe’ besitzen.
Da beim vorliegenden Aggregationsmodell keine Netzwerkfaktoren existieren, entsteht automatisch ein Baum.
Bei den Einflußfaktoren handelt es sich bei Aggregationsmodellen nicht um unterschiedliche Variablen, sondern vielmehr um eine einzige Variable, deren unterschiedliche Werte aggregiert werden. Somit erübrigt sich eine Unterscheidung der Einflußfaktoren in Entscheidungs- und Umweltvariablen.
Wie bereits in Abschnitt 4.1.6.3 erwähnt, liefern der Tripel- und der ‘Einfluß’-Algorithmus bei einem Baumgraphen eine identische Routenmatrix.
Aggregationsmodelle der vorliegenden Art stellen in der Regel streng hierarchische Modelle dar.
Vgl. Gutzmann, J. (1992), S. 16; Tiemeyer, E. (1992), S. 109; Bird, J. (1993), S. 27; Meyer, F.P. (1991), S. 129 f.; Kemper, H.-G. (1992), S. 44; Wagner, H.-P. /Vogel, C. (1994), S. 231.
Vgl. Henneböle, J. (1995), S. 83.
Vgl. Tiemeyer, E. (1992), S. 109; Bird, J. (1993), S. 26 f.; Back-Hock, A. (1993), S. 112; Wagner, H.-P. (1992a), S. 74; Meyer, F.P. (1991), S. 129; Kemper, H.-G. (1992), S. 44; Fiedel, E. (1992), S. 252.
Selbst durch die Color-Coding-Visualisierung der Überschreitungen von Toleranzgrenzen, die den Anwender bei der Verwendung der Drill-Down-Technik unterstützt, bleibt die Entscheidung, welcher Ast abgesucht wird, immer noch beim Anwender. Sollten demnach mehrere Abweichungen auf einmal auftreten, so steht der Benutzer trotz Visualisierung vor einem Entscheidungsproblem, das bisher er und nicht das System löst.
Zu den Firmenergebnissen und den Ausgangsdaten der Firmen innerhalb des Aggregationsmodells vgl. Anhang X.
Der genannte Sachverhalt kann je nach Ausrichtung der untergeordneten Abweichungen z.B. durch einen Kumulationseffekt eintreten. Vgl. Henneböle, J. (1995), S. 83.
Vgl. Baumgärtner, J./Fritz, B. (1990), S. 485; Henneböle, J. (1995), S. 83; Reichmann, T./Fritz, B./Fröhling, O. (1990), S. 268.
Die zum Aggregationsmodell gehörigen Firmenergebnisse und die Ausgangsdaten der Firmen befinden sich in Anhang X.
Auf die Darstellung der Durchführung der einzelnen Teilschritte innerhalb der modellbasierten ‘intelligenten’ Navigation wird an dieser Stelle verzichtet und auf die Ausführungen des Abschnittes 4.3.3 verwiesen.
Zur Betrachtung des Zielgraphenaufbaus wird auf die Abbildung 12 “Unbewerteter Zielgraphenaufbau des Beispielmodells“ und die Abbildung 13 “Vorläufiger Beispielgraph“ verwiesen. Zudem wird auf die Darstellung der Durchführungsteilschritte verzichtet, da diese wie in Abschnitt 4.1.2 ff. geschildert erfolgt.
Diesem Beispiel obliegt eine gemeinsame Betrachtung der Umwelt- und Entscheidungsvariablen.
Die Navigationspfade wurden unter Beachtung der sich hier ergebenden Zielfunktion mit linearem Einflußcharakter und rein additiver Faktorenverknüpfung fixe Kosten = Forschung + Produktion + Personal + Miete + Material sowie mit Hilfe des Größenrankings der Unternehmensdaten der Firma A21 ermittelt, welche wiederum Teil der Firmenergebnisse und -daten des Aggregationsmodells in Anhang X sind.
Eine Eindeutigkeit der Einflußbestimmung von Faktoren liegt vor, wenn die Einflußanalyse bei diesen Faktoren, unabhängig von der Höhe der relativen Änderung derselben, immer zu einem identischen Einflußranking führt.
Zur Kompensationseffektproblematik siehe Fußnote 60.
Im Rahmen der Ausführungen zum Aggregationsmodell in Abschnitt 4.3.2 wurde der Sachverhalt angesprochen sowie anhand eines Beispieles verdeutlicht. Siehe hierzu auch die noch folgenden Ausführungen in Abschnitt 4.4.2.1 ‘Drill-Down-Ansätze’.
Besteht der Navigationshinweis z.B. nur aus der Darstellung des absoluten Zahlenmaterials, so führt die Anzeige identischer Faktorenwerte auf einer Aggregationsebene zu keiner eindeutigen Navigationsempfehlung.
Grundlegend zum Drill-Down- und wissensbasierten Ansatz vgl. Abschnitt 2.2.2.
Kraemer, W. (1993a), S. 37.
Vgl. Kraemer, W. (1993a), S. 37.
Vgl. Rieger, B. (1990b), S. 504.
Vgl. Henneböle, J. (1995), S. 98 ff.
Vgl. Fritz, B./Nöiken, D. (1994), S. 202.
Vgl. Kiesel, M. (1995), S. 196.
Vgl. Kiesel, M. (1995), S. 191.
Vgl. Gronau, N. (1994), S. 160.
Vgl. Kraemer, W. (1993b), S. 114 f.
Vgl. Fröhling, O. (1991), S. 65.
Vgl. Fröhling, O. (1991), S. 65.
Vgl. Fröhling, O. (1991), S. 65.
Baumgärtner, J./Fritz, B. (1990), S. 487 f.
Vgl. Hildebrand, R.J.N. (1992), S. 35, Fiedler, R. (1990), S. 55 ff. und S. 88 ff.; Dräger, U. (1990), S. 97 ff.
Vgl. Kraemer, W. (1993b), S. 116 f.
Vgl. Fiedler, R. (1990), S. 3 und S. 43.
Vgl. Fiedler, R. (1990), S. 50.
Vgl. Fiedler, R. (1990), S. 55 ff. und S. 88 ff.
Vgl. Fiedler, R. (1990), S. 103 ff.
Vgl. Kraemer, W. (1993a), S. 37.
Rights and permissions
Copyright information
© 1997 Deutscher Universitäts-Verlag GmbH, Wiesbaden
About this chapter
Cite this chapter
Dressler, M. (1997). Die ESS-Funktion modellbasiertes ‘intelligentes’ Navigieren. In: Modellbasierte Navigationsstrategien in Executive Support Systems. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-322-93494-9_4
Download citation
DOI: https://doi.org/10.1007/978-3-322-93494-9_4
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-2089-6
Online ISBN: 978-3-322-93494-9
eBook Packages: Springer Book Archive