Skip to main content
SpringerLink
Log in

IT-Unterstützung

  • Chapter
  • First Online:
Planung und Reporting

Zusammenfassung

Im 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-Analytics, Cloud und Mobile Computing hervorzuheben. Big Data hilft u.a. bei der Verarbeitungsgeschwindigkeit von großen heterogenen Datenmengen. Cloud Computing stellt eine interessante Outsourcing-Option für Unternehmen dar, bei der IT-Leistungen und -Services fremd vergeben werden können. Mobile Endgeräte werden in der Zukunft immer häufiger für Planungs- und Reportingaufgaben im Business eingesetzt. Redensarten, wie z. B. „etwas auf dem Schirm haben“, werden durch den Einsatz von Smartphones, Smartpads bzw. Tablet-PCs zur mobilen und virtuellen Wirklichkeit.

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

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Vgl. Mertens und Griese (1988, S. 5).

  2. 2.

    Vgl. Reichmann (2011, S. 18).

  3. 3.

    Vgl. Reichmann (2006, S. 662).

  4. 4.

    Vgl. Scheer (1990, S. 139).

  5. 5.

    Siehe Weber und Strüngmann (1997, S. 30–36).

  6. 6.

    Vgl. Scheer (1990, S. 37, 142 u. 153).

  7. 7.

    Vgl. Hesseler und Görtz (2007, S. 7 f. und 15 ff.).

  8. 8.

    Vgl. zu historischen Entwicklung von Reporting- und Planungslösungen u. a. Laudon und Laudon (1988), Gluchowski et al. (2008, S. 55 ff.), Oppelt (1995), Schinzer (1998), Mertens und Griese (2002), Oehler (2006) und Chamoni und Gluchowski (2004, S. 5 ff.).

  9. 9.

    Vgl. Wild (1981, S. 36 ff.) oder Dahnken et al. (2003, S. 52 ff.).

  10. 10.

    Vgl. zu weiteren Softwareauswahlkriterien z. B. Becker, J.; Richter, O.; Winkelmann, A.: Analyse von Plattformen und Marktübersichten für die Auswahl von ERP und Warenwirtschaftssystemen – Arbeitsbericht 121: Westfälische Wilhelms-Universität Münster: URL: http://www.wi.uni-muenster.de/institut/arbeitsberichte/ab121.pdf [Zugriff am 17.08.201], S. 16.

  11. 11.

    Die aufgeführten Anforderungskriterien ergänzen die Qualitätsmerkmale nach IS0 9126 (Fassung bis 2005) und der Nachfolge-Norm ISO/IEC 25000. Sie sind im Gegensatz zu den ISO-/IEC-Normen jedoch nicht aus technischer Sicht (z. B. Sicherheit und Übertragbarkeit) oder Herstellersicht (z. B. Wartung und Service) definiert worden. Sie dienen vielmehr der Analyse und Vergleichbarkeit von unterschiedlichen Softwarerichtungen für Planungs- und Reportinglösungen.

  12. 12.

    Vgl. Hesseler und Görtz (2007, S. 2 f.).

  13. 13.

    Vgl. Hesseler und Görtz (2007, S. 17 f. und 24).

  14. 14.

    Vgl. hierzu Hesseler (2009, S. 52).

  15. 15.

    Vgl. Buck-Emden (1995, S. 29).

  16. 16.

    Vgl. Bange (2010, S. 134–135).

  17. 17.

    Vgl. Bange (2010, S. 134–137).

  18. 18.

    Vgl. hierzu Pütter, C.: Keine Hilfe für BI-Projekte, URL: http://www.cio.de/2239428 [Zugriff am 12.03.2011]. Die Studie wurde am Lehrstuhl Wirtschaftsinformatik II von Prof. Dr. Peter Gluchowski in Zusammenarbeit mit dem Beratungshaus Conunit (Frankfurt a.M.) durchgeführt.

  19. 19.

    Vgl. Goecken (2006, S. 11 und 15 f.), Gluchowski et al. (2008, S. 55–88), Chamoni et al. (2010, S. 6ff.) und Bauer und Günzel (2001, S. 11).

  20. 20.

    Vgl. Behme (1996, S. 31) und Inmon, B.: Definition of a data warehouse. URL: www.billinmon.com [Zugriff am 31.07.2002].

  21. 21.

    Vgl. Mucksch und Behme (2000, S. 11f.) und Hahne (2005, S. 8).

  22. 22.

    Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.

  23. 23.

    Vgl. Bauer und Günzel (2001, S. 6). Kapp und Kusterer beziehen die Datensammlung im Data Warehouse nur auf strategisch relevante Informationen (Knapp und Kusterer 1996, S. 219 ff.).

  24. 24.

    Vgl. Schinzer et al. (2000, S. 15).

  25. 25.

    Alternativ findet man auch 5-Stufige Darstellungen der Architektur von Data-Warehouse-Systemen, welche die Datenquellen, den ETL-Prozess, die Datenverwaltung, die Datenbereitstellung für die Auswertungen über den OLAP-Server bzw. die OLAP-Engine und die Präsentationsebene separat darstellen. Vgl. Goecken (2006, S. 27). Da jedoch die Datenquellen an sich nicht zum Data Warehouse gehören, sondern nur die Datenanbindung, und die OLAP-Engine ein technischer Systembaustein der Datendistribution darstellt, wird hier die Darstellung mit 3 Ebenen bevorzugt.

  26. 26.

    Vgl. Sinz und Ulbrich vom Ende (2010, S. 190 f.).

  27. 27.

    Vgl. Manhart, K.: Business Intelligence, URL: http://www.tecchannel.de/server/sql/1739205/business_intelligence_teil_2_datensammlung_und_data_warehouses/index8.html Zugriff am 19.02.2011].

  28. 28.

    Vgl. Martin und von Maur (1997, S. 105).

  29. 29.

    Vgl. Vaduva und Vetterli (2001, S. 273).

  30. 30.

    Vgl. Kemper et al. (2010, S. 43).

  31. 31.

    Vgl. zu den Begriffen OLAP und OLTP die Ausführungen im Abschn. 5.5.4.

  32. 32.

    Vgl. Navrade (2008, S. 20).

  33. 33.

    Für die Abbildung der Anforderungen eines Real-time Data Warehouse und eines Active-Data Warehouse (siehe weiter unten) werden gerne Operational Data Stores (ODS) eingesetzt, da hier operative und ständig zu aktualisierende Daten für die Geschäftsprozesssteuerung genutzt werden.

  34. 34.

    Vgl. Kemper et al. (2010, S. 12 und 141 ff.).

  35. 35.

    Vgl. Goecken (2006, S. 26 ff.).

  36. 36.

    Erweiterte Data-Warehouse-Definition des Autors in Anlehnung an Mucksch und Behme (2000, S. 6) und Gabriel et al. (2000, S. 76).

  37. 37.

    Vgl. Kemper et al. (2010, S. 92–96).

  38. 38.

    Es gibt alternativ hierzu auch virtuelle Datenverbindungen ohne Zwischenspeicherungen, die direkt auf die Daten der Quellsysteme zugreifen. Diese Vorgehensweise ist jedoch in der Praxis selten und dann nur für einfache Datenabfragen anzutreffen.

  39. 39.

    Vgl. Kemper et al. (2010, S. 26–38).

  40. 40.

    Vgl. Oehler (2000, S. 21 f.).

  41. 41.

    Neben der echten physischen Speicherung in Zieldatenbanken sind auch andere Formen der virtuellen Speicherung möglich, bei dem nur die Datenstrukturen nicht aber die Dateninhalte im Data-Warehouse-System gespeichert werden, sondern diese bei Anfrage direkt auf das Quellsystem zugreifen. Auch eine zusätzliche Vorabspeicherung der Quelldaten im Data-Warehouse-System in einer Staging Area (Datenbank-Abschnitt) wird häufig ermöglicht, um die noch nicht integrierten aber bereits vorbereiteten transformierten Daten der Vorsysteme separat als Datenpakete verwalten und paketweise in die Zieldatenbanken laden zu können.

  42. 42.

    Vgl. Apel et al. (2009, S. 67).

  43. 43.

    Vgl. IBM Consulting Services (2003, S. 32).

  44. 44.

    Vgl. IBM Consulting Services (2003, S. 32).

  45. 45.

    Vgl. IBM Consulting Services (2003, S. 154–155).

  46. 46.

    Vgl. Ruprecht (2003, S. 126).

  47. 47.

    Vgl. Bauer und Günzel (2001, S. 44).

  48. 48.

    Vgl. Chamoni et al. (2010, S. 164).

  49. 49.

    Vgl. Chamoni (1997, S. 294) und Codd et al. (1993).

  50. 50.

    Vgl. z. B. Düsing und Heidsieck (2009, S. 108) und Oehler (2000).

  51. 51.

    Vgl. Pends und Creeth (1995).

  52. 52.

    Vgl. Mohr (2006, S. 93 ff.).

  53. 53.

    Vgl. Bauer und Günzel (2001, S. 204 f.).

  54. 54.

    Vgl. Azevedo et al. (2005, S. 46).

  55. 55.

    Vgl. Azevedo et al. (2009, S. 52 f.).

  56. 56.

    Vgl. Behme et al. (2000, S. 229).

  57. 57.

    Vgl. Elmasri und Navathe (2007, S. 37 f.).

  58. 58.

    Vgl. Kemper et al. (2010, S. 97).

  59. 59.

    Vgl. Oehler (2006, S. 93).

  60. 60.

    Vgl. hierzu die Ausführungen der historischen Entwicklung von Management Support Systemen (MSS) in Abschn. 5.2.

  61. 61.

    Vergleiche zu den Ausgabeformaten Abschn. 5.5.5.7.

  62. 62.

    Vgl. hierzu die Umfrageergebnisse der Untersuchung von Schön (2011, S. 31).

  63. 63.

    Vgl. Turban et al. (2004, S. 103). Vgl. hierzu auch die Ausführungen in Abschn. 5.2.

  64. 64.

    Vgl. Gabriel (2010) http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/ [Zugriff am 15.01.2011].

  65. 65.

    Vgl. Bissantz und Hagedorn (2001, S. 130–131) oder Determann und Rey (1999, S. 143).

  66. 66.

    Vgl. Kononenko und Kukar (2007).

  67. 67.

    Vgl. z. B. Siegel (2013).

  68. 68.

    Vgl. Petersohn (2005, S. 10–11) und Cleve und Lämmel (2014, S. 38).

  69. 69.

    Vgl. Feindt und Grüßling (2014, S. 181 f).

  70. 70.

    Vgl. Felden (2010, S. 307–328).

  71. 71.

    Vgl. Burow et al. (2014, S. 13–20), Bitkom (2014, S. 21–24 und S. 45–47) und Schubert (2013).

  72. 72.

    Vgl. u. a. Schrödl (2009, S. 26 f.), Gluchowski et al. (2008, S. 196 ff.), Chamoni et al. (2010, S. 329–356), Cleve und Lämmel (2014, S. 57–192), Alpar und Niedereichholz (2000, S. 11), Runkler (2010, S. 96) und Petersohn (2005, S.73–255).

  73. 73.

    Vgl. Schrödl (2009, S. 28 f.)

  74. 74.

    entnommen aus: Freiknecht (2014, S. 345).

  75. 75.

    Vgl. Richter (2003, S. 407–430).

  76. 76.

    Vgl. Mehler und Wolf (2005, S. 2).

  77. 77.

    Vgl. Hotho et al. (2005, S. 19–62).

  78. 78.

    Vgl. Mertens (2002, S. 17–19), URL: http://www.wi1-mertens.wiso.uni-erlangen.de/veroeffentlichungen/download/Business_Intelligence-ein_Ueberblick_Arbeitspapier_der_Universitaet_Erlangen-Nuernberg.zip, [Zugriff am 23.07.2011].

  79. 79.

    Vgl. Behme und Mucksch (1997, S. 150) und Schinzer et al. (1999, S. 284 u. 314 f.).

  80. 80.

    Siehe Leßweng (2004, S. 43).

  81. 81.

    Vgl. Leßweng (2004, S. 41–49).

  82. 82.

    Really Simple Syndications (RSS) ist eine Familie von Formaten für die einfache und strukturierte Veröffentlichung von Änderungen auf Internetseiten.

  83. 83.

    Vgl. Dahnken et al. (2004, S. 55 ff.).

  84. 84.

    Vgl. Meier et al. (2003, S. 90 ff.).

  85. 85.

    Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm [Zugriff am 20.07.201].

  86. 86.

    Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/5d/7c4b52691011d4b2f00050dadfb23f/frameset.htm [Zugriff am 26.01.2009].

  87. 87.

    Vgl. Hilfetexte des SAP-Portals, URL: http://help.sap.com/saphelp_sem60/helpdata/de/05/242537cedf2056e10000009b38f936/frameset.htm [Zugriff am 09.02.09].

  88. 88.

    Vgl. Egger et al. (2005, S. 163 ff.).

  89. 89.

    Prozessunterstützende Systeme sind auch unter dem Begriff Status- und Trackingsysteme bekannt.

  90. 90.

    Vgl. Knöll et al. (2006, S. 212–215).

  91. 91.

    Vgl. Egger et al. (2009, S. 101 f.).

  92. 92.

    Vgl. Gluchowski (2010, S. 278).

  93. 93.

    Vgl. Gluchowski (2010, S. 278.)

  94. 94.

    Vgl. u. a. Kemper et al. (2010, S. 148–153).

  95. 95.

    Vgl. zum MQE u. a. Manhart, K.: Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken, URL: http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html [Zugriff am 28.06.2011].

  96. 96.

    Vgl. Manhart, K.: Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken, URL: http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html [Zugriff am 28.06.2011].

  97. 97.

    Vgl. Winterstein und Leitner (1998, S. 34) und Kemper et al. (2010, S. 10) und Chamoni und Gluchowski (2004, S. 119).

  98. 98.

    Vgl. u. a. die Definitionen von Schrödel und die im weiteren Verlauf dieses Kapitels genannten Autoren (Schrödl 2009, S. 9).

  99. 99.

    Vgl. Hanning (2008, S. 77).

  100. 100.

    Vgl. Mertens (2002, S. 4).

  101. 101.

    Vgl. Behme und Mucksch (1997, S. 15).

  102. 102.

    Vgl. hierzu Bange et al. (2009, S. 7).

  103. 103.

    Vgl. Jetter (2004, S. 33).

  104. 104.

    Vgl. Gleich (2001). Alternativ zum Begriff Business-Performance-Management wird auch der Begriff Corporate-Performance-Management (CPM) verwendet.

  105. 105.

    Vgl. Horváth (2008, S. 125) und Reichmann (2006, S. 13).

  106. 106.

    Business-Intelligence-Definition von Prof. Dr. Dietmar Schön im Fachgebiet Controlling an der FH Dortmund, Juli 2011.

  107. 107.

    Vgl. Kemper et al. (2010, S. 9).

  108. 108.

    Vgl. Seufert (2014, S. 25).

  109. 109.

    Vgl. IDC (2011).

  110. 110.

    Vgl. Gesellschaft für Informatik et al. (2013).

  111. 111.

    Vgl. z. B. BARC (2014, S. 23–24) sowie Institut für Business Intelligence (2013).

  112. 112.

    Vgl. Finlay (2014, S. 13).

  113. 113.

    Vgl. IBM Institute for Business Value und Säid Business School (2012).

  114. 114.

    Vgl. Brücher 2013, S. 41 ff.

  115. 115.

    Vgl. Finlay (2014, S. 13) und Gesellschaft für Informatik et al. (2013).

  116. 116.

    Vgl. TECChannel (2014).

  117. 117.

    Vgl. Finlay (2014, S. 13).

  118. 118.

    Vgl. Sack (2013).

  119. 119.

    Vgl. Finlay (2014, S. 13).

  120. 120.

    Vgl. IBM Institute for Business Value und Säid Business School (2012, S. 4).

  121. 121.

    Vgl. Freiknecht (2014, S. 13).

  122. 122.

    Vgl. Brenckmann und Pöhling (2012).

  123. 123.

    Vgl. Bitkom (2014, S. 21–24 und S. 45–47).

  124. 124.

    Vgl. Walker-Morgan (2010).

  125. 125.

    Vgl. Sack (2013).

  126. 126.

    NoSQL Databases (http://nosql-database.org/. Zugegriffen am: 15.12.2014).

  127. 127.

    Vgl. Warner (2007, S. 480–485).

  128. 128.

    Vgl. Edlich et al. (2010, S. 31–33).

  129. 129.

    Vgl. Freiknecht (2014, S. 20).

  130. 130.

    Vgl. Freiknecht (2014, S. 20).

  131. 131.

    Vgl. Kaufmann (2014, S. 369).

  132. 132.

    Vgl. Freiknecht (2014, S. 20).

  133. 133.

    Data Academy und Davenport (2008).

  134. 134.

    Vgl. Wartala (2012, S. 180–183).

  135. 135.

    Vgl. Müller (2014, S. 450) und Alexander und Grosser (2014).

  136. 136.

    Vgl. Berg und Silvia (2013, S. 41).

  137. 137.

    Vgl. Berg und Silvia (2013, S. 41).

  138. 138.

    Vgl. BARC (2014, S. 23–24).

  139. 139.

    Vgl. Baumöl und Berlitz (2014, S. 169).

  140. 140.

    Z. B. SAP BW on Hana beim Schuhkonzern Reno, Schäfer (2014)

  141. 141.

    Vgl. Welker (2015).

  142. 142.

    Vgl. Berg und Silvia (2013, S. 33–35).

  143. 143.

    Vgl. Haupt (2014).

  144. 144.

    Vgl. @tfxz-Blog (2014).

  145. 145.

    Vgl. SAP SE (2013) und Kessler et al. (2014, S. 31–37).

  146. 146.

    Vgl. Buschbacher et al. (2014, S. 90).

  147. 147.

    Vgl. Giegerich (2014, S. 321 f.)

  148. 148.

    Vgl. BITKOM (2013, S. 24 ff.).

  149. 149.

    Vgl. Mell und Grance (2011, S. 2–3) und Duisberg (2011, S. 49).

  150. 150.

    Vgl. Birk und Wegener (2010, S. 642).

  151. 151.

    Vgl. Bollmann und Zeppenfeld (2010, S. 4).

  152. 152.

    Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).

  153. 153.

    Vgl. Bollmann und Zeppenfeld (2010, S. 87–111).

  154. 154.

    Vgl. Bensberg (2008, S. 72).

  155. 155.

    Vgl. Bensberg (2008, S. 75–79).

  156. 156.

    Vgl. Fuchß (2009, S. 137–151).

  157. 157.

    Vgl. Schill und Springer (2007, S. 265–271).

  158. 158.

    Vgl. Bensberg (2008, S. 76).

  159. 159.

    Vgl. Schill und Springer (2007, S. 274–280).

  160. 160.

    Vgl. Donie und Raeburn (2015).

  161. 161.

    Vgl. Kersten und Klett (2012, S. 103 ff.).

  162. 162.

    Vgl. Hansel (2015).

  163. 163.

    Vgl. Bensberg (2008, S. 77).

  164. 164.

    Vgl. Louis und Müller (2013, S. 23).

  165. 165.

    Vgl. Beckert et al. (2012, S. 139 f.) und und Homann et al. (2013, S. 52 f.).

  166. 166.

    Vgl. Homann et al. (2013, S. 53 f.).

  167. 167.

    Vgl. Kemper et al. (2010, S. 251).

  168. 168.

    Vgl. Dresner Advisory Services LLC: Mobile Business Intelligence Market Study, 2010 und 2011. URL: http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf (gesichtet am 25.07.2011). und URL: http://www.informationbuilders.com/pdf/press/dresner_mobile_bi_2011.pdf [Zugriff am am 25.07.2011].

  169. 169.

    Vgl. Jung (2011, S. 207–209).

  170. 170.

    Vgl. Bollmann und Zeppenfeld (2010, S. 42).

  171. 171.

    Vgl. Bensberg (2008, S. 76).

  172. 172.

    Vgl. Lopez (2009, S. 2).

  173. 173.

    Vgl. Bollmann und Zeppenfeld (2010, S. 127–130).

  174. 174.

    Vgl. Kersten und Klett (2012, S. 103 ff.)

  175. 175.

    Vgl. Bensberg (2008, S. 77).

  176. 176.

    Vgl. Dresner Advisory Services LLC (2010, S. 23).

  177. 177.

    Vgl. Bensberg (2008, S. 72–79).

Literatur

Verwendete Literatur

  • Alexander S., und T. Grosser. 2014. Analytische Datenbanken – Merkmale, Funktionen und Einsatzszenarien, http://www.searchenterprisesoftware.de/tipp/Analytische-Datenbanken-Merkmale-Funktionen-und-Einsatzszenarien. Zugegriffen am: 14.01.2015.

  • Alpar, P., und J. Niedereichholz (Hrsg.). 2000. Data Mining im praktischen Einsatz, S. 11. Braunschweig.

    Google Scholar 

  • Apel, D., W. Behme, R. Eberlein, und C. Merighi. 2009. Datenqualität erfolgreich steuern. München, Wien.

    Google Scholar 

  • Azevedo, P., G. Brosius, und S. Dehnert et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server.

    Google Scholar 

  • Bange, C. 2010. Werkzeuge für analytische Informationssysteme. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 131–156. Heidelberg.

    Google Scholar 

  • Bange, C., B. Marr, und A. Bange. 2009. Performance Management: eine weltweite Umfrage, BARC-Studie August.

    Google Scholar 

  • BARC. 2014. Big Data Analytics 2014 – Auf dem Weg zur datengetriebenen Wirtschaft, http://www.exasol.com/fileadmin/content-de/pdf/Studien/BARC_Big_Data_Analytics_2014.pdf, Zugegriffen am: 17.12.2014.

  • Bauer, A., und H. Günzel. 2001. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung. Heidelberg.

    Google Scholar 

  • Baumöl, U., und P.-D. Berlitz. 2014. Big Data als Entscheidungsunterstützung – Herausforderungen und Potenziale. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 159–176, Freiburg

    Google Scholar 

  • Beckert, A., Beckert, S., und B. Escherisch. 2012. Mobile Lösungen mit SAP. Bonn

    Google Scholar 

  • Behme, W. 1996. Business Intelligence als Baustein des Geschäftserfolgs. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, Hrsg. H. Mucksch, W. Behme, 27–46. Wiesbaden.

    Chapter  Google Scholar 

  • Behme, W., und H. Mucksch. 1997. Die Notwendigkeit einer entscheidungsorientierten Informationsversorgung. In Das Data Warehouse-Konzept: Architektur – Datenmodelle – Anwendungen, 2. Aufl., Hrsg. W. Behme, H. Mucksch. Wiesbaden.

    Google Scholar 

  • Behme, W., J. Holthuis, und H. Mucksch. 2000. Umsetzung multidimensionaler Strukturen. In Das Data Warehouse-Konzept – Architektur-Datenmodelle-Anwendungen, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 215–242. Wiesbaden.

    Chapter  Google Scholar 

  • Bensberg, F. 2008. Mobile Business Intelligence – Besonderheiten, Potenziale und prozessorientierte Gestaltung. In Erfolgsfaktoren des Mobilen Marketing, Hrsg. H.H. Bauer, T. Dirks, M.D. Bryant. Berlin.

    Google Scholar 

  • Berg, B., und P. Silvia. 2013. Einführung in SAP HANA. 2. Aufl., Bonn

    Google Scholar 

  • Birk, W., und C. Wegener. 2010. Über den Wolken: Cloud Computing im Überblick. Datenschutz und Datensicherheit (DuD)641–645.

    Google Scholar 

  • Bissantz, N., und J. Hagedorn et al. 2001. Data Mining. In Lexikon der Wirtschaftsinformatik, 4. Aufl., Hrsg. P. Mertens, 130–131.

    Google Scholar 

  • Bitkom. 2014. Big Data-Technologien – Wissen für Entscheider, http://www.bitkom.org/de/publikationen/38337_78776.aspx, S. 21–24 und S. 45–47, Zugegriffen am: 08.01.2015.

  • BITKOM. 2013. Management von Big Data-Projekten, BITKOM-Leitfaden 2013. http://www.bitkom.org/de/themen/79758_76511.aspx. Zugegriffen am: 12.03.2015.

  • Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten.

    Google Scholar 

  • Brenckmann, I., und M. Pöhling. 2012. In-Memory Computing als Treiber neuartiger Geschäftsanwendungen, http://www.heise.de/developer/artikel/In-Memory-Computing-als-Treiber-neuartiger-Geschaeftsanwendungen-1620949.html. Zugegriffen am: 15.07.2014.

  • Brücher, C. 2013. Rethink Big Data, Heidelberg.

    Google Scholar 

  • Buck-Emden, R. 1995. Die Client/Server-Technologie des SAP R/3: Basis für betriebswirtschaftliche Standardanwendungen, 2. Aufl. Bonn, Paris.

    Google Scholar 

  • Buschbacher, F., R. Konrad, B. Mußmann, und M. Weber, M. 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.

    Google Scholar 

  • Burow, L., J. Leyk, C. Briem. 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

    Google Scholar 

  • Chamoni, P et al. 1997. Online Analytical Processing (OLAP). In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens. Berlin.

    Google Scholar 

  • Chamoni, P., and P. Gluchowski. 2004. Integrationstrends bei Business-Intelligence-Systemen. Wirtschaftsinformatik 46(2): 119–128.

    Article  Google Scholar 

  • Chamoni, P., F. Beekmann, und T. Bley. 2010. Ausgewählte Verfahren des Data Mining. In Analytische Informationssysteme, Hrsg. P. Chamoni, P. Gluchowski, 4. Aufl., Heidelberg.

    Google Scholar 

  • Cleve, J., und U. Lämmel. 2014. Data Mining, S. 57–192. München

    Google Scholar 

  • Codd, E.F., S.B. Codd, und C.T. Salley. 1993. Providing OLAP to User-analysts: An IT Mandate. Ann Arbor/Michigan: Codd & Associates.

    Google Scholar 

  • Dahnken, O., P. Keller, J. Narr, und C. Bange. 2004. Planung und Budgetierung, 21 Software-Plattform zum Aufbau unternehmensweiter Planungsapplikationen. München.

    Google Scholar 

  • Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. Feldkirchen.

    Google Scholar 

  • Data Academy, und R. Davenport. 2008. White-Paper: ETl vs ELT, http://www.dataacademy.com/files/ETL-vs-ELT-White-Paper.pdf. Zugegriffen am: 09.05.2015.

  • Determann, L., und M. Rey. 1999. Chancen und Grenzen des Data Mining im Controlling. ZfC 11(2): 43–147.

    Google Scholar 

  • Donie, P., und B. Raeburn. 2015. Mobiles Arbeiten – Verbindungsmacher. Business Intelligence Magazin 1:48–49.

    Google Scholar 

  • Dresner Advisory Services LLC: Mobile Business Intelligence Market Study, 2010 und 2011. http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.pdf. Zugegriffen am: 25.07.2011. http://www.informationbuilders.com/pdf/press/dresner_mobile_bi_2011.pdf. Zugegriffen am: 25.07.2011.

  • 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, and T. Götz, 9–70. Berlin

    Google Scholar 

  • Düsing, R., und C. Heidsieck. 2009. Analysephase. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, 3. Aufl., Hrsg. A. Bauer, H. Günzel, 104–127. Heidelberg.

    Google Scholar 

  • Edlich, S. et al. 2010. NOSQL: Einstieg in die Welt nichtrationaler Web 2.0 Datenbanken, München.

    Google Scholar 

  • Egger, N., J.M. Fiechter, C. Rohlf, J. Rose, und S. Weber. 2005. SAP BW Planung und Simulation. Bonn.

    Google Scholar 

  • Egger, N., Hastenrath, Kästner, und Kramer et al. 2009. Reporting und Analyse mit SAP Business Objects. Bonn.

    Google Scholar 

  • Elmasri, R., und S.B. Navathe. 2007. Fundamentals of Database Systems, 5. Aufl. Bosten.

    Google Scholar 

  • Feindt, M, und D. Grüßling. 2014. Strategische Entscheidungen mit automatisierten Prognosen operativ umsetzen. In Der Controlling-Berater: Controlling und Big Data, Bd. 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, 177–188, Freiburg

    Google Scholar 

  • Felden, C., Predictive Analytics, In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni und P. Gluchowski, 307–328, Heidelberg.

    Chapter  Google Scholar 

  • Finlay, S. 2014. Predicitve Analytics, Data Mining and Big Data: Myths, Misconceptions and Methods, New York.

    Google Scholar 

  • Freiknecht, J. 2014. Big Data in der Praxis – Lösungen mit Hadoop, HBase und Hive – Daten speichern, aufbereiten, visualisieren. München.

    Google Scholar 

  • Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München.

    Book  Google Scholar 

  • Gabriel, R., P. Chamoni, und P. Gluchowski. 2000. Data Warehouse und OLAP – analyseorientierte Informationssysteme für das Management. Zeitschrift für betriebswirtschaftliche Forschung 52(2): 74–93.

    Google Scholar 

  • Gesellschaft für Informatik, Dominik Klein, Phuoc Tran-Gia, Matthias Hartmann. 2013. Big Data, http://www.gi.de/nc/service/informatiklexikon/detailansicht/article/big-data.html. Zugegriffen am: 09.02.2015.

  • Gleich, R. 2001. Das System des Performance Measurement. Theoretisches Grundkonzept, Entwicklungs- und Anwendungsstand. München.

    Google Scholar 

  • Gluchowski, P. 2001. Business Intelligence, in HDM – Praxis der Wirtschaftsinformatik, Bd. 38, Nr. 222.

    Google Scholar 

  • Gluchowski, P. 2010. Techniken und Werkzeuge zur Unterstützung des betrieblichen Berichtswesens. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 259–280. Heidelberg.

    Google Scholar 

  • Gluchowski, G., R. Gabriel, und C. Dittmar. 2008. Management Support Systeme und Business Intelligence, 2. Aufl. Berlin Heidelberg.

    Google Scholar 

  • Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. ZfC6:320–324

    Google Scholar 

  • Gluchowski, P., R. Gabriel, und C. Dittmar von. 2008. Management Support Systeme und Business Intelligence. Computergestützte Informationssysteme für Fach- und Führungskräfte. Berlin, Heidelberg.

    Google Scholar 

  • Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden.

    Google Scholar 

  • Hahne, M. 2005. SAP Business Information Warehouse. Berlin, Heidelberg.

    Google Scholar 

  • Hanning, U. (Hrsg.) 2008. Vom Data Warehouse zum Corporate Performance Management. Ludwigshafen.

    Google Scholar 

  • Hansel, S. 2015. Langsamer Abschied vom Laisser-faire. Wirtschaftswoche 12:58–62.

    Google Scholar 

  • Haupt, J. SAP NetWeaver BW 7.30: LSA Data Flow Templates Series. http://scn.sap.com/people/juergen.haupt/blog. Zugegriffen am: 15.03.2015.

  • Hesseler, M. 2009. Costumizing von ERP-Systemen. Zeitschrift für Controlling & Management, Sonderheft 3.

    Google Scholar 

  • Hesseler, M., und M. Görtz. 2007. Basiswissen ERP-Systeme. Herdecke Witten.

    Google Scholar 

  • Homann, M., H. Wittges, H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn

    Google Scholar 

  • Horváth, P. 2008. Controlling, 11. Aufl. München.

    Google Scholar 

  • Hotho, A., A. Nürnberger, und G. Paaß. 2005. A Brief Survey of Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1): 19–62.

    Google Scholar 

  • IBM Consulting Services 2003. SAP Berechtigungswesen. Bonn.

    Google Scholar 

  • IBM Institute for Business Value und Säid Business School (Hrsg.). 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 am: 12.12.2014.

  • IDC. IVIEW, Extracting Value from Chaos. June 2011. http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf. Zugegriffem am: 09.02.2015.

  • Institut für Business Intelligence (Hrsg.). 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big Data.

    Google Scholar 

  • Jetter, W. 2004. Performance Management, 2. Aufl. Stuttgart.

    Google Scholar 

  • Jung, H. 2011. Controlling, 9. Aufl. München.

    Book  Google Scholar 

  • Kaufmann, M. 2014. Die Geister die wir riefen. In Big Data, Hrsg. D. Fasel, und A. Meier, 383–400. Wiesbaden

    Google Scholar 

  • Kemper, H.G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden.

    Book  Google Scholar 

  • Kersten, H., und G. Klett. 2012 Mobile Device Management. Heidelberg

    Google Scholar 

  • Kessler, T., T. Hügens, F. Delgehausen, M. Abdel Hadi, und V. G. Saiz Castillo. 2014. Reporting mit SAP BW ® und SAP BusinessObjects™. 2. Aufl., Bonn.

    Google Scholar 

  • Klein, D., P. Tran-Gia, und M. Hartmann. 2013. Big Data, Würzburg, http://www.gi.de/nc/service/informatiklexikon/%20detailansicht/article/big-data.html. Zugegriffen am: 06.03.2015.

  • 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.

    Google Scholar 

  • Knöll, H.D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden.

    Google Scholar 

  • Kononenko, I., und M. Kukar. 2007. Machine Learning and Data Mining: Introduction to Principles and Algorithms. Boca Raton USA.

    Google Scholar 

  • Laudon, K., und J. Laudon. 1988. Management Information Systems, 2. Aufl. New York.

    Google Scholar 

  • Leßweng, H.-P. 2004. Einsatz von Business Intelligence Tools (BIT) im betrieblichen Berichtswesen. ZfC, 1: 41–49.

    Google Scholar 

  • Lopez, M.D. 2009. Successful Mobile Deployments Require Robust Security.

    Google Scholar 

  • Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München

    Google Scholar 

  • Martin, W., und E. von Maur. 1997. Data Warehouse. In Lexikon der Wirtschaftsinformatik, 3. Aufl., Hrsg. P. Mertens, 105–106. Berlin.

    Google Scholar 

  • Mehler, A., und C. Wolf. 2005. Einleitung: Perspektiven und Positionen des Text Mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1): 1–18.

    Google Scholar 

  • Meier, M., W. Sinzig, und P. Mertens. 2003. SAP Strategic Enterprise Management TM /Business Analytics – Integration von strategischer und operativer Unternehmensführung, 2. Aufl. Berlin, Heidelberg.

    Google Scholar 

  • Mell, P, und T. Grance. 2011. The NIST definition of cloud computing. National Institute of Standards and Technology

    Google Scholar 

  • Mertens, P. 2002. Business Intelligence – ein Überblick, Arbeitspapier Nr. 2/2002, Universität Erlangen-Nürnberg. http://www.wi1-mertens.wiso.uni-erlangen.de/veroeffentlichungen/download/Business_Intelligence-ein_Ueberblick_Arbeitspapier_der_Universitaet_Erlangen-Nuernberg.zip. Zugegriffen am: 23.07.2011.

  • Mertens, P., und J. Griese. 1988. Informations- und Kontrollsysteme. In Industrielle Datenverarbeitung, Bd. 2. Wiesbaden.

    Google Scholar 

  • Mertens, P., und J. Griese. 2002. Integrierte Informationsverarbeitung 2. Planungs- und Kontrollsysteme in der Industrie, 9. Aufl. Wiesbaden.

    Google Scholar 

  • Mohr, M. 2006. HCC-Einführungsschulung zum SAP Business Information Warehouse – Grundlagen, Reporting und Analyse, Modellierung und Staging, Hrsg. SAP Hochschulkompetenzzentrum an der Technischen Universität München am Lehrstuhl für Wirtschaftsinformatik – Prof. Dr. H. Krcmar.

    Google Scholar 

  • Mucksch, H., und W. Behme. 2000. Das Data Warehouse-Konzept als Basis einer unternehmensweiten Informationslogistik. In Das Data Warehouse-Konzept, 4. Aufl., Hrsg. H. Mucksch, W. Behme, 3–80. Wiesbaden.

    Chapter  Google Scholar 

  • Müller, S. 2014. Die neue Realität – Erweiterung des Data Warehouse um Hadoop, NoSql & Co. In Big Data, Hrsg. D. Fasel und A. Meier,447–457. Wiesbaden

    Google Scholar 

  • Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden.

    Google Scholar 

  • NN/w3resource. 2015. NoSQL, http://www.w3resource.com/mongodb/nosql.php. Zugegriffen am: 28.01.2015.

  • Oehler, K. 2006. Corporate Performance Management. München, Wien.

    Google Scholar 

  • Oehler, K. 2000. OLAP, Grundlagen, Modellierung und betriebswirtschaftliche Lösung. München.

    Google Scholar 

  • Oppelt, R.U.G. 1995. Computerunterstützung für das Management. München, Wien.

    Google Scholar 

  • Pends, N., und R. Creeth. 1995. The OLAP Report. o. O.

    Google Scholar 

  • Petersohn, H. 2005. Data Mining – Verfahren, Prozesse, Anwendungsarchitektur, S.73–255. Oldenburg. München

    Google Scholar 

  • Plattner, H. 2011. In-memory data management: an inflection point for enterprise applications. Heidelberg.

    Google Scholar 

  • QlikView-Demo Market Share. http://eu-b.demo.qlik.com/QvAJAXZfc/opendoc.htm?document=qvdocs%2FMarketPS.qvw&host=demo11&anonymous=true. Zugegriffen am: 18.02.2015.

  • QlikView-Demo Sales Analysis. http://demo.qlikview.com/QvAJAXZfc/opendoc.htm?document=Executive%20Dashboard.qvw&host=Demo10&anonymous=true. Zugegriffen am: 20.07.2011.

  • Reichmann, T. 2006. Controlling mit Kennzahlen und Managementberichten, 7. Aufl. München.

    Google Scholar 

  • Reichmann, T. 2011. Controlling mit Kennzahlen, Die systemgestützte Controlling-Konzeption mit Analyse- und Reportinginstrumenten, 8. Aufl. München.

    Google Scholar 

  • Richter, M. 2003. Fallbasiertes Schließen. In Handbuch der Künstlichen Intelligenz, 4. Aufl., Hrsg. G. Görz, C.R. Rollinger, J. Schneeberger, 407–430. München/Wien.

    Chapter  Google Scholar 

  • Runkler, T.A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse, S. 96. Wiesbaden.

    Google Scholar 

  • Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data Warehouse Management, Hrsg. E. von Maur, R. Winter, 113–147. Berlin, Heidelberg.

    Chapter  Google Scholar 

  • Sack, R. 2013. Big Data – Strategischer Vorteil im internationalen Wettbewerb, http://www.wi.hswismar.de/~laemmel/Lehre/WA/Artikel1306/Sack_BigData.pdf. Zugegriffen am: 16.12.2014.

  • SAP AG: Sales Revenue Report erstellt mit SAP Business Objects© Infoview.

    Google Scholar 

  • SAP AG: SAP BEx Analyser.

    Google Scholar 

  • SAP AG, SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse.

    Google Scholar 

  • SAP AG: SAP ERP CC System – Standardbericht, Selektionsmaske und Planungsformular aus einem IDES-System.

    Google Scholar 

  • SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm. Zugegriffen am: 20.07.2010.

  • SAP SE. 2013. SAP Fiori UX. http://help.sap.com/fiori_bs2013/helpdata/de/d7/8c41524b66b470e10000000a423f68/content.htm?current_toc=/de/84/154353a7ace547e10000000a441470/plain.htm%26show_children=true. Zugegriffen am: 16.12.2014.

  • Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report8:22–23

    Google Scholar 

  • Scheer, A.W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin.

    Book  Google Scholar 

  • Schill, A., und T. Springer. 2007. Verteilte Systeme – Grundlagen und Basistechnologien. Berlin.

    Google Scholar 

  • Schinzer, H.D. 1998. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. München.

    Google Scholar 

  • Schinzer, H.D., C. Bange, und H. Mertens. 1999. Data Warehouse und Data Mining, Marktführende Produkte im Vergleich, 2. Aufl. München.

    Google Scholar 

  • Schinzer, H., C. Bange, und H. Mertens. 2000. Wachstum, Trends und gute Produkte – Neue BARC-Studie zum OLAP- und Business Intelligence-Markt. is report 1(4): 10–17.

    Google Scholar 

  • 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 am: 01.06.2011.

  • Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund.

    Google Scholar 

  • Schön, D., und R. Müller. 2010. Mittelstandscontrolling für Inhaber und Manager. In 25. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 123–165. Dortmund.

    Google Scholar 

  • Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München.

    Book  Google Scholar 

  • Schubert, S. 2013. Why people and process matter, in addition to great technology, in predictive analytics, http://blogs.sas.com/content/subconsciousmusings/2013/01/11/why-people-and-process-matter-in-addition-to-great-technology-in-predictive-analytics/. Zugegriffen am: 09.05.2015.

  • Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business Intelligence & Controlling Competence, Bd. 1. Stuttgart, Berlin.

    Google Scholar 

  • Seufert, A. 2014. Das Controlling als Business Partner: Business Intelligence & Big Data als zentrales Aufgabenfeld. In Der Controlling-Berater: Controlling und Big Data, Band 35, Hrsg. R. Gleich, A. Klein, M. Kirchmann, und J. Leyk, S. 23–45, Freiburg

    Google Scholar 

  • Siegel, E. 2013. Predictive Analytics, The Power To Predict Who Will Click, Buy, Lie, Or Die, New Jersey

    Google Scholar 

  • Sinz, J.E., und A. Ulbrich vom Ende. 2010. Architektur von Data-Warehouse-Systemen. In Analytische Informationssysteme, 4. Aufl., Hrsg. P. Chamoni, P. Gluchowski, 175–196. Heidelberg.

    Google Scholar 

  • TECChannel – IT im Mittelstand. 2014. Datenmengen explodieren durch Sensordaten, http://www.tecchannel.de/storage/news/2056615/datenmengen_explodieren_durch_sensordaten/. Zugegriffen am: 16.12.2014.

  • Techopedia. Intelligent Device, http://www.techopedia.com/definition/14428/intelligent-device. Zugegriffen am: 16.12.2014.

  • @tfxz-Blog. 2015. Data Warehousing on HANA: Managed or Freestyle? BW or Native? https://tfxz.wordpress.com. Zugegriffen am: 18.07.2014

  • Turban, E., J.E. Aronson, und T.P. Liang. 2004. Decission Support and Intelligent Systems, 7. Aufl.

    Google Scholar 

  • Vaduva, A., und T. Vetterli. 2001. Metadata Management for Data Warehousing: an Overview. International Journal of Cooperative Information Systems 10(3): 273–298.

    Article  Google Scholar 

  • Walker-Morgan, D. 2010. NoSQL im Überblick, http://www.heise.de/open/artikel/NoSQL-im-Ueberblick-1012483.html. Zugegriffen am: 14.12.2014.

  • Warner, D. 2007. SQL für Praxis und Studium, Poing

    Google Scholar 

  • Wartala, R. 2012. Hadoop: zuverlässige, verteilte und skalierbare Big-Data-Anwendungen. München:Open Source Press

    Google Scholar 

  • Weber, H.W., und U. Strüngmann. 1997. Data Warehouse und Controlling – Eine vielversprechende Partnerschaft. ZfC 1: 30–36.

    Google Scholar 

  • Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1:42–44

    Google Scholar 

  • Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen.

    Google Scholar 

  • Winterstein, A., und E. Leitner. 1998. An Informationen nicht ersticken. Client Server Computing o. Jg. (3): 34–39.

    Google Scholar 

Weiterführende Literatur

Download references

Author information

Authors and Affiliations

  1. Fachhochschule Dortmund, Dortmund, Deutschland

    Prof. Dr. Dietmar Schön

Authors
  1. Prof. Dr. Dietmar Schön
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Dietmar Schön .

Rights and permissions

Reprints and permissions

Copyright information

© 2016 Springer Fachmedien Wiesbaden

About this chapter

Cite this chapter

Schön, D. (2016). IT-Unterstützung. In: Planung und Reporting. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-08009-9_5

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-08009-9_5

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-08008-2

  • Online ISBN: 978-3-658-08009-9

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation