nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

5. IT-Unterstützung

verfasst von : Dietmar Schön

Erschienen in: Planung und Reporting im BI-gestützten Controlling

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

In Kap. 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. Bei Data-Warehouse- bzw. Business-Intelligence-gestützte Systemen stehen u. a. die OLAP-Datenmodellierung, die OLAP-Speicherkonzepte, die ETL-Prozesse, die unterschiedlichen Analysewerkzeuge, wie z. B. Cockpit- und Dashboard-Lösungen sowie Portale im Vordergrund der Untersuchung. Zudem werden die neusten Entwicklungen im BI-gestützten Controlling mit Unterstützung der traditionellen und explorativen BI aufgezeigt, u. a. Big-Data-Technologie, Data Discovery, Data Visualization, Data Mining, Predictive Analytics, Künstliche Intelligenz, Chatbots, RPA, App-Technologie, Self Service BI sowie Cloud Computing. Big Data hilft u. a. bei der Verarbeitungsgeschwindigkeit (In-Memory-Technologie) von großen heterogenen Datenmengen. Über die App-Technologie mit ihren Kacheltypen lassen sich moderne Navigationsoberflächen schaffen. Data-Discovery- bzw. Visual-Discovery-Werkzeuge unterstützen Big-Data-Analytics hinsichtlich ihrer Prognose- und Analysefähigkeit. Vor allem das Data Mining und Predivtive Analytics erhalten durch informationstechnische Verfahren der Künstliche Intelligenz einen weiteren Schub für Analyse- und Prognoseaufgaben, u. a. durch Machine Learning, Deep Learning und Neuronale Netze. Chatbots sind computergestützte Dialogsysteme, durch die sich neue Möglichkeiten einer schnelleren und ressourcengünstigeren Informationsversorgung für die Anwender erzielen lassen. Mit der robotergesteuerten Prozessautomatisierung (RPA) gibt es einen weiteren IT-Ansatz, der als Zwischentechnologie im Controlling genutzt werden kann, um aufwendige manuelle IT-Pflege durch Softwareroboter zu ersetzen. Cloud Computing stellt eine interessante Outsourcing-Option für Unternehmen dar, bei der IT-Leistungen und -Services über fremde IT-Ressourcen genutzt werden können. Weitere Neuerungen betreffen die Themen Datenqualität und Datenmodellierung. Den Abschluss dieses Kapitels bildet das Thema „Mobile BI“, bei dem es um den Ausbau von leistungsfähigen mobilen Analyse- und Planungslösungen mit Hilfe von Tablets, Handys und anderen mobilen Endgeräten geht.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Organisation und Prozesse

Nächstes Kapitel Zusammenfassung und Ausblick

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

Vgl. Reichmann (2011, S. 18).

Vgl. Reichmann (2006, S. 662).

Vgl. Scheer (1990, S. 139).

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

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

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

Vgl. zu historischen Entwicklung von Reporting- und Planungslösungen u. a. Laudon und Laudon (1988), Gluchowski et al. (2008, S. 55 ff.), Oppelt (1995), Schinzer (1996), Mertens und Griese (2002), Oehler (2006) und Chamoni und Gluchowski (2004, S. 5 ff.).

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

Vgl. zu weiteren Softwareauswahlkriterien z. B. Becker et al. (2011, S. 16).

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.

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

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

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

Vgl. Buck-Emden (1995, S. 29).

Vgl. Bange (2013, S. 134–135).

Vgl. Bange (2013, S. 98–126).

Vgl. hierzu Pütter (2011). Die Studie wurde am Lehrstuhl Wirtschaftsinformatik II von Prof. Dr. Peter Gluchowski in Zusammenarbeit mit dem Beratungshaus Conunit (Frankfurt a. M.) durchgeführt.

Vgl. Schön und Pook (2015, S. 13), Weber (2013, S. 219) und Schön et al. (2013, S. 258).

Vgl. Goecken (2006, S. 11, 15 f.), Gluchowski et al. (2008, S. 55–88), Chamoni et al. (2010, S. 6 ff.) und Bauer und Günzel (2013, S. 11).

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

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

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

Vgl. Bauer und Günzel (2013, S. 6). Kapp und Kusterer beziehen die Datensammlung im Data Warehouse nur auf strategisch relevante Informationen (Knapp und Kusterer 1996, S. 219 ff.).

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

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.

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

Vgl. Hahne (2016, S. 150 ff.).

Vgl. Heuer et al. (2001, S. 469).

Vgl. Jordan und Schnider (2011, S. 7).

Vgl. Manhart (2011b).

Vgl. Kemper et al. (2010, S. 23) sowie Sinz und Ulbrich vom Ende (2010, S. 188).

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

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

Vgl. Kemper et al. (2010, S. 43).

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

Vgl. Farkisch (2011, S. 27).

Vgl. Navrade (2008, S. 20).

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.

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

Vgl. Goecken (2006, S. 26 ff.).

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

Vgl. Kemper et al. (2010, S. 92–96).

Es gibt alternativ hierzu auch virtuelle Datenverbindungen ohne Zwischenspeicherungen, die direkt auf die Daten der Quellsysteme zugreifen. Diese Vorgehensweise ist in der Praxis seltener anzutreffen. Mit dem Einsatz der In-Memory-Technik (vgl. Abschn. 5.8.2.1) nutzten einige Softwareanbieter vermehrt den direkten virtuellen Datenzugriff auf Primärquellen ohne eine Zwischendatenhaltung aufzubauen.

Vgl. Kemper et al. (2010, S. 26–38).

Vgl. Oehler (2000, S. 21 f.).

Neben der echten physischen Speicherung in Zieldatenbanken sind auch andere Formen der virtuellen Speicherung möglich, bei denen nur die Datenstrukturen nicht aber die Dateninhalte im Data-Warehouse-System gespeichert werden, sondern diese bei Anfrage direkt auf das Quellsystem zugreifen.

Vgl. Müller und Keller (2015, S. 394–395).

Vgl. Apel et al. (2009, S. 67).

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

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

Vgl. Ruprecht (2003, S. 126).

Vgl. Bauer und Günzel (2013, S. 44).

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

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

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

Vgl. Pends und Creeth (1995).

Vgl. Humm und Wietek (2005, S. 5).

Vgl. Caesar und Friebel (2011, S. 548).

Vgl. Mohr (2006, S. 93 ff.). Beispielsweise ergänzt die SAP AG ihr Star-Schema für das SAP BW um die aufgeführten Punkte.

Vgl. Bauer und Günzel (2013, S. 204 f.).

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

Vgl. Azevedo et al. (2005, S. 52 f.).

Vgl. Behme et al. (2000, S. 229).

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

Vgl. Kemper et al. (2010, S. 97).

Vgl. Oehler (2006, S. 93).

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

Vergleiche zu den Ausgabeformaten Abschn. 5.5.5.7.

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

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

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

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

Vgl. Hilfetexte des SAP-Portals (2010).

Vgl. Hilfetexte des SAP-Portals (2009).

Vgl. Hilfetexte des SAP-Portals (2009), URL: http://help.sap.com/saphelp_sem60/helpdata/de/05/242537cedf2056e10000009b38f936/frameset.htm [Zugriff am 09.02.09].

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

Vgl. Knöll et al. (2006, S. 212–215).

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

Vgl. Gluchowski (2010, S. 278).

Vgl. Search Business Analytics (2016).

Vgl. Lixenfeld (2015, S. 24).

Vgl. Forrester Research (2016). Forrester Research ist ein US-amerikanisches Marktforschungsunternehmen für den Bereich Informationstechnologie.

Vgl. Gluchowski (2010, S. 278).

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

Vgl. zum MQE u. a. Manhart (2011a).

Vgl. Pastwa (2010, S. 11 f.).

Vgl. Manhart (2011a), Krudewig (2012, S. 29) und Feindt (2014, S. 53 ff.).

Zu den technischen Gestaltungs- und Anwendungsmöglichkeiten mobiler Endgeräte siehe auch Abschn. 5.10.3.

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

Vgl. u. a. die Definitionen von Schrödel, King und die im weiteren Verlauf dieses Kapitels genannten Autoren: Schrödl (2009, S. 9) und King (2014, S. 37).

Vgl. Hanning (2008, S. 77).

Vgl. Taschner (2013, S. 9–11).

Vgl. Mertens (2002, S. 4).

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

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

Vgl. Jetter (2004, S. 33).

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

100

Vgl. Engels (2015, S. 15).

101

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

102

Business-Intelligence-Definition von Prof. Dr. Dietmar Schön im Fachgebiet Controlling an der FH Dortmund, Juli 2017.

103

Vgl. Schrödl (2009, S. 13 f.).

104

Vgl. Bange u. a. (2013, S. 9 ff.).

105

Vgl. Kemper et al. (2010, S. 9).

106

Zum Begriff KI vgl. Ertel (2016, S. 1ff.) und Lubos (2020, S. 45–49). Zur KI im Rechnungswesen und Controlling vergleiche z. B. Wullenkord (2018, S. 113–129).

107

Vgl. University of Helsinki und Reaktor (2020).

108

Vgl. Frochte (2019, S. 13) und Portal 2020, S. 69).

109

Vgl. Wuttke (2020).

110

Vgl. Rogers (1967, S. 2) und Leiserson et al. (2010, S. 5 f.).

111

Vgl. Ertel (2016, S. 194).

112

Vgl. Wuttke (2020).

113

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), Küsters (2001, S. 95–130), Gabriel et al. (2009, S. 144–276), Runkler (2010, S. 96), Petersohn (2005, S. 73–255), University of Helsinki und Reaktor (2020) und Ertel (2016, S. 194).

114

Vgl. Hammann und Erichson (2006, S. 322 ff.).

115

Vgl. Scheuer (2020, S. 20 f.), Berry et al. (2018, S. 4), Buxmann und Schmidt (2019, S. 10 f.) und Folkers (2019, S. 3 ff.).

116

Vgl. Wuttke (2020).

117

Vgl. University of Helsinki und Reaktor (2020).

118

Vgl. University of Helsinki und Reaktor (2020).

119

Vgl. Ertel (2016, S. 291).

120

Vgl. Mertens und Barbian (2019, S. 11).

121

Vgl. Alexander et al. (2018, S. 11–19).

122

Vgl. Winter (2018, S. 66).

123

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

124

Vgl. Shortliffe (1976): Computer-Based Medical Consultations: MYCIN. Elsevier, New York 1976.

125

Vgl. Sperner (2020).

126

Vgl. Gentsch (2018, S. 32–34).

127

Vgl. Sperner (2020).

128

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

129

Vgl. Kononenko und Kukar (2007).

130

Vgl. Shearer (2020, S. 13–22).

131

Vgl. z. B. Siegel (2013).

132

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

133

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

134

Vgl. Felden (2010, S. 307–328).

135

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

136

Vgl. Gehra (2005, S. 22 f.), Krystek und Moldenhauer (2007, S. 124) und Hammer (1998, S. 252 ff.).

137

Vgl. University of Helsinki und Reaktor (2020).

138

Vgl. Baars (2016, S. 175).

139

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),Küsters (2001, S. 95–130), Gabriel et al. (2009, S. 144–276), Runkler (2010, S. 96) und Petersohn (2005, S. 73–255).

140

Vgl. Schrödl (2009, S. 28 f.).

141

Vgl. Weigend (2017, S. 16).

142

Vgl. Ruf und Schwab (2016, S. 495–501) und BARC (2017).

143

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

144

Zum Beispiel QlikTech (2016) und Jedox (2016).

145

Vgl. R (2016).

146

Vgl. Wuttke (2020).

147

Vgl. Richter (2003, S. 407–430).

148

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

149

Vgl. Hotho et al. (2005, S. 19–62).

150

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].

151

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

152

Siehe Leßweng (2004, S. 43).

153

Vgl. Leßweng (2004, S. 41–49).

154

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

155

Vgl. Barton et al. (2018, S. 116).

156

Vgl. Langmann (2019b).

157

Vgl. Dinnessen und Halfmann (2018).

158

Vgl. Smeets et al. (2019, S. 8).

159

Vgl. Smeets et al. (2019, S. 10).

160

Vgl. Martens (2019).

161

Vgl. Tripathi (2018, S. 12).

162

Vgl. Smeets et al. (2019, S. 9).

163

Vgl. Sellmair et al. (2019).

164

Vgl. Smeets et al. (2019, S. 9).

165

Vgl. Langmann und Turi (2020, S. 12).

166

Vgl. Barton et al. (2018, S. 120).

167

Vgl. ebenda.

168

Vgl. Allweyer (2016, S. 35).

169

Vgl. u. a. Alexander et al. (2018, S. 11–19) von Bearingpoint und Deloitte (2019).

170

Vgl. Obermaier (2019, S. 692).

171

Vgl. Peper (2018, S. 27 ff.).

172

Vgl. Langmann (2019b).

173

Vgl. Barton et al. (2018, S. 117).

174

Vgl. Friedl (2019, S. 35).

175

Unter einem Avatar versteht man eine künstliche Person oder Grafikfigur, die einem Web-User in der virtuellen Welt zugeordnet wird, beispielsweise in einem Computerspiel oder wie hier in einem Chat Bot.

176

Vgl. Schonschek und Haas (2020, S. 1 ff.).

177

Vgl Hundertmark (2020, S. 1 f.).

178

Vgl. Mori et al. (2017, S. 395 ff.).

179

Vgl. McTear et al. (2016, S. 125 ff.).

180

Vgl. Kumar und Tiwari (2017, S. 60).

181

Vgl. Stephan (2020, S. 1 f.).

182

Vgl. Friedl (2019, S. 35 f.).

183

Vgl. Friedl (2019, S. 35 ff.).

184

Vgl. Sauer und Sturm (2019, S. 35).

185

Eigene Zusammenstellung: Aufgrund der vielen Zeilen- und Spalteninformationen wurde die Tabelle zu besseren Lesbarkeit aufgeteilt.

186

Vgl. Gentsch, Peter (2019): Künstliche Intelligenz für Sales, Marketing und Service, 2. Aufl., Springer Gabler Verlag. S. 71.

187

Vgl. Friedl (2019, S. 36).

188

Vgl. Gleich und Tschandl (2018, S. 189).

189

Vgl. Oehler (2020, S. 23 ff.).

190

Vgl. Oehler (2020, S. 27).

191

Vgl. Spitzner und Schneider (2015, S. 5).

192

Vgl. Oehler (2020, S. 28).

193

Vgl. Oehler (2020, S. 30).

194

Vgl. Davenport und Kirby (2016, S. 21 ff.).

195

Vgl. Geißner und Wolfrum (2015, S. 243).

196

Vgl. Oehler (2020, S. 27).

197

Bliznak, Karol (2020, S. 160–167).

198

Bliznak, Karol (2020, S. 156).

199

Vgl. Werner, R. (2021): PwC: Reporting 5.0. URL: https://www.pwc.de/de/im-fokus/finance-transformation/future-ofsteering/reporting-5-0-ki-revolutioniert-das-reporting.html vom 20.03.2021.

200

Bliznak, Karol (2020, S. 158–159).

201

Vgl. Schneider Steffen (2021) Reporting Pulse Check. – Welche Themen bewegen die Experten aus Controlling & Finance? URL: https://www.haufe.de/controlling/controllerpraxis/reportingpulse-check-das-bewegt-finanzexperten_112_471720.html vom 24.03.2021.

202

126 Vgl. Schmitz, Robert (2018). BI Scout: BI Trends 2019: Künstliche Intelligenz in Analytics-Szenarien integrieren URL: https://www.bi-scout.com/bi-trends-2019-integration-vonkuenstlicher-intelligenz-in-analytics-szenarien vom 21.03.2021.

203

Vgl. Roland Werner (2018) PwC Deutschland: Reporting 5.0. URL: https://www.pwc.de/de/pressemitteilungen/2018/pwclauncht-reporting-5-0.html vom 18.03.2021.

204

Vgl. Pariser (2011) Eli Pariser: The Filter Bubble: What the Internet Is Hiding from You. Penguin Press, New York, 2011.

205

Vgl. BitKom (2017): Künstliche Intelligenz verstehen als Automation des Entscheidens. URL: https://www.bitkom.org/sites/default/files/file/import/Bitkom-Leitfaden-KI-verstehen-als-Automation-des-Entscheidens-2-Mai-2017.pdf vom 24.03.2021.

206

Vgl. Davenport und Kirby (2016, S. 21 ff.).

207

Vgl. Seufert (2014, S. 25).

208

Vgl. IDC (2011).

209

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

210

Reinsel et al. (2018, S. 3).

211

Ähnliche Beispiele findet man in unterschiedlichen Quellen, u. a. Dorschel (2015, S. 109) und Bitkom (2013).

212

Vgl. z. B. BARC (2014, S. 23–24) und Dorschel u. a. (2015, S. 2) sowie Institut für Business Intelligence (2013).

213

Vgl. Finlay (2014, S. 13).

214

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

215

Vgl. Gartner (2015) und Brücher (2013, S. 41 ff.).

216

Vgl. Schroeck et al. (2015, S. 3 f.).

217

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

218

Vgl. TECChannel (2014).

219

Vgl. Finlay (2014, S. 13).

220

Vgl. Sack (2013).

221

Vgl. Finlay (2014, S. 13).

222

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

223

Vgl. Freiknecht (2014, S. 13).

224

Vgl. Kreutzer und Sirrenberg (2019, S. 78–80).

225

Vgl. z. B. Gluchowski und Chamoni (2016, S. 189).

226

Vgl. Brenckmann und Pöhling (2012).

227

Vgl. Gentsch (2018, S. 21–23) und Bauer (2020).

228

Vgl. Schmitz (2015, S. 236).

229

Vgl. Bitkom (2014, S. 21–24, 45–47).

230

Vgl. Walker-Morgan (2010).

231

Vgl. Sack (2013).

232

Fasel und Meier (2016, S. 6 f.).

233

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

234

Vgl. Warner (2007, S. 480–485).

235

Vgl. Edlich et al. (2010, S. 31–33).

236

Fasel und Meier (2016, S. 12).

237

Fasel und Meier (2016, S. 124).

238

Vgl. Freiknecht (2014, S. 20).

239

Vgl. Luber und Litzel (2017).

240

Vgl. Rouse (2014).

241

Vgl. Freiknecht (2014, S. 20) und Bitkom (2014, S. 39).

242

Vgl. Big Data Blog (2015).

243

Vgl. Kaufmann (2014, S. 369).

244

Vgl. Freiknecht (2014, S. 20).

245

Data Academy und Davenport (2008).

246

Vgl. Wartala (2012, S. 180–183).

247

Vgl. Müller (2014, S. 450) und Alexander und Grosser (2017).

248

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

249

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

250

Vgl. Alexander und Grosser (2017) und Intelligence.de (2017).

251

Vgl. Intelligence.de (2017).

252

Vgl. BARC (2014, S. 23–24).

253

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

254

Zum Beispiel SAP BW on Hana beim Schuhkonzern Reno, Schäfer (2014).

255

Vgl. Welker (2015).

256

Frietsch (2016, S. 169 f.).

257

Frietsch (2016, S. 171) und Seiter (2017, S. 83).

258

Vgl. Ballhorn (2017).

259

Auf die differenzierte Darstellung der Ebenen Staging, Cleansing, Core DWH und Data Marts wurde hier verzichtet. Vgl. Abb. 5.13.

260

Vgl. Ballhorn (2017).

261

Vgl. Gluchowski (2016, S. 277).

262

Vgl. Chamoni und Gluchowski (2017, S. 9) und Felden (2017, S. 1–8).

263

Vgl. Hortonworks (2013, S. 4).

264

Vgl. März und Warren (2015, S. 18 ff.).

265

Vgl. z. B. Inform (2017).

266

Vgl. Gartner (2016).

267

Vgl. Chamoni und Gluchowski (2017, S. 9).

268

Vgl. Langmann (2019a, S. 5–8).

269

Vgl. Chamoni und Gluchowski (2017, S. 8 ff.).

270

Vgl. z. B. Bissantz et al. (2000, S. 377–407).

271

Einige Autoren benutzen sogar beide Begriffe und die Kurzform BIA für Business Intelligence & Analytics. Diese Mischung zeigt m. E. wie unscharf die Begriffe verwendet werden. Vgl. Ereth und Kemper (2016, S. 458–464) und Chen et al. (2012, S. 1165–1188).

272

Vgl. Lanquillon und Mallow (2015, S. 55).

273

In Anlehnung an die Argumentation zu Felden (2017, S. 1–8).

274

Vgl. Möller et al. (2016, S. 509–518).

275

Vgl. Kemper et al. (2010, S. 9).

276

Vgl. Luber und Litzel (2019).

277

Vgl. hierzu auch Luber und Litzel (2019), Krishnan (2013, S. 191–195) und Iffert und Bange (2018).

278

Vgl. hierzu auch Luber und Litzel (2019) und Iffert und Bange (2018).

279

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

280

Koglin (2016, S. 61 ff.).

281

Vgl. Merz et al. (2015, S. 153 ff. und 277).

282

Vgl. Haupt (2011).

283

Vgl. Merz et al. (2015, S. 259 ff.).

284

Vgl. @tfxz-Blog (2014).

285

Vgl. SAP SE (2013), Merkt et al. (2015) und Kessler et al. (2014, S. 31–37).

286

Erweitert zu Iffert (2017).

287

Vgl. BARC (2017) und BARC GUIDE (2020, S. 11).

288

Vgl. Zarinac (2016, S. 140 f.).

289

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

290

Vgl. Giegerich (2014, S. 321 f.).

291

Vgl. Bitkom (2013, S. 24 ff.).

292

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

293

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

294

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

295

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

296

Ultrabook ist ein eingetragenes Warenzeichen von Intel.

297

NN (2020, S. 9).

298

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

299

Vgl. Lossau (2018, S. 1–5).

300

Vgl. Keist et al. (2016, S. 109–113). Der Unterschied ist ähnlich wie im Abschn. 5.10.5.1 und 5.10.5.2 für mobile Business-Anwendungen aufgeführt wurde.

301

Vgl. Mathew (2015, S. 1 ff.) und Engelbrecht und Wegelin (2015, S. 25).

302

Vgl. Krüger (2015, S. 204 ff.).

303

Vgl. hierzu folgende Quelle: SAP Fiori (2017b).

304

Vgl. Bensberg (2008, S. 72).

305

Vgl. Bensberg (2008, S. 75–79).

306

Vgl. Fuchß (2009, S. 137–151).

307

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

308

Vgl. SAP AG (2016, S. 5).

309

Vgl. Bensberg (2008, S. 76).

310

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

311

Vgl. Donie und Raeburn (2015).

312

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

313

Vgl. Hansel (2015).

314

Vgl. Bensberg (2008, S. 77).

315

Vgl. Louis und Müller (2013, S. 23).

316

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

317

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

318

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

319

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 25.07.2011].

320

Vgl. BARC (2017). Trend Monitor 2017 http://barc.de/trend-monitor. Zugegriffen am 29.07.2017.

321

Vgl. Jung (2011, S. 207–209).

322

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

323

Vgl. Bensberg (2008, S. 76).

324

Vgl. Lopez (2009, S. 2).

325

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

326

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

327

Vgl. Bensberg (2008, S. 77).

328

Vgl. Dresner Advisory Services LLC (2011, S. 23).

329

Vgl. Bensberg (2008, S. 72–79).

@tfxz-Blog. 2014. Data warehousing on HANA: Managed or freestyle? BW or native? https://tfxz.wordpress.com. Zugegriffen am 18.07.2014.

Alexander, S., und T. Grosser. 2017. Analytische Datenbanken – Merkmale, Funktionen und Einsatzszenarien. http://www.searchenterprisesoftware.de/tipp/Analytische-Datenbanken-Merkmale-Funktionen-und-Einsatzszenarien. Zugegriffen am 19.07.2017.

Alexander, S., A. Haisermann, T. Schabicki, und S. Frank. 2018. Robotic Process Automation (RPA) im Rechnungswesen und Controlling – welche Chancen ergeben sich? Controlling 30(3): 11–19.CrossRef

Allweyer, T. 2016. Robotic Process Automation – Neue Perspektiven durch Robotic Process Automation. Kaiserslautern: Fachbereich Informatik und Mikrosystemtechnik – Hochschule Kaiserslautern.

Alpar, P., und J. Niedereichholz, Hrsg. 2000. Data Mining im praktischen Einsatz. Braunschweig: Springer Viewg.

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

Azevedo, P., G. Brosius, S. Dehnert, et al. 2005. Business Intelligence und Reporting mit Microsoft SQL-Server. Heidelberg: Microsoft Press/dpunkt.verlag GmbH.

Baars, H. 2016. Predictive Analytics in der IT-basierten Entscheidungsunterstützung – methodische, architektonische und organisatorische Konsequenzen. Controlling 28(3): 174–180.

Ballhorn, C. 2017. Data Warehouse vs. Data Lake – das sind die Unterschiede. https://www.silicon.de/blog/data-warehouse-vs-data-lake-das-sind-die-unterschiede. Zugegriffen am 04.10.2019.

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

Bange, C., et al. 2013. Architektur. In Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung, Hrsg. A. Bauer und H. Günzel, 4. Aufl., 5–180. Heidelberg: dpunkt.

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.

BARC. 2017. BI-trend monitor 2017. http://barc.de/trend-monitor?s=s_9_550. Zugegriffen am 12.07.2017.

BARC. 2020. BARC GUIDE Data, BI & Analytics 2020. Würzburg: BARC GmbH.

Barton, T., C. Müller, und C. Seel, Hrsg. 2018. Digitalisierung in Unternehmen. Von den theoretischen Ansätzen zur praktischen Umsetzung. Wiesbaden: SpringerVieweg.

Bauer, A., und H. Günzel. 2013. Data Warehouse Systeme; Architektur, Entwicklung und Anwendung, 4. Aufl. Heidelberg: dpunkt.

Bauer, H. 2020. KI-Prozessoren: Warum die neuen Chips die Zukunft sind – PC Magazin. https://www.pc-magazin.de/ratgeber/ki-prozessor-intel-google-huawei-apple-zukunft-forschung-3199054.html. Zugriffen am 04.10.2020.

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

Becker, J., O. Richter, und A. Winkelmann. 2011. Analyse von Plattformen und Marktübersichten für die Auswahl von ERP und Warenwirtschaftssystemen – Arbeitsbericht 121: Westfälische Wilhelms-Universität Münster. http://www.wi.uni-muenster.de/institut/arbeitsberichte/ab121.pdf. Zugegriffen am 17.08.2011.

Beckert, A., S. Beckert, und B. Escherisch. 2012. Mobile Lösungen mit SAP. Bonn: Galileo Press.

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

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

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

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

Berg, B., und P. Silvia. 2013. Einführung in SAP HANA, 2. Aufl. Bonn: Galileo Press.

Berry, M. W., A. Mohamed, und B. W. Yao. 2018. Supervised and unsupervised learning for data science. Switzerland: Cham.

Big Data Blog. 2015. Hadoop bekommt Konkurrenz: Apache Spark ist 100 mal schneller. https://bigdatablog.de/2015/05/07/hadoop-bekommt-konkurrenz-apache-spark-ist-100-mal-schneller/. Zugegriffen am 04.07.2016.

Birk, W., und C. Wegener. 2010. Über den Wolken: Cloud Computing im Überblick. DuD Datenschutz und Datensicherheit 34(9): 641–645. Springer Gabler.

Bissantz, N., J. Hagedorn, und P. Mertens. 2000. Data mining. In Das Data Warehouse-Konzept, Hrsg. H. Muksch und W. Behme, 4. Aufl., 377–407. Wiesbaden: Springer Gabler.CrossRef

Bissantz, N., J. Hagedorn, et al. 2001. Data mining. In Lexikon der Wirtschaftsinformatik, Hrsg. P. Mertens, 4. Aufl., 130–131. Wiesbaden: Springer.

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

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

Bliznak, Karol. 2020. SAP Analytics Cloud und SAP Digital Boardroom: Machine Learning und intelligente Assistenten erleichtern Echtzeitsteuerung. In Reporting und Business Analytics, Hrsg. Andreas Klein und Jens Gräf, 153–173. Stuttgart: Haufe Group.

Bollmann, T., und K. Zeppenfeld. 2010. Mobile Computing – Hardware, Software, Kommunikation, Sicherheit, Programmierung. Witten: W3L GmbH.

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: mitp.

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

Burow, L., J. Leyk, und C. Briem. 2014. Das Experten-Interview zum Thema „Controlling und Big Data“. In Der Controlling-Berater: Controlling und Big Data, Hrsg. R. Gleich, A. Klein, M. Kirchmann und J. Leyk, Bd. 35, 13–20. Freiburg: Haufe.

Buschbacher, F., R. Konrad, B. Mußmann, und M. Weber. 2014. Big Data-Projekte: Vorgehen, Erfolgsfaktoren und Risiken. In Der Controlling-Berater: Controlling und Big Data, Hrsg. R. Gleich, A. Klein, M. Kirchmann und J. Leyk, Bd. 35, 83–106. Freiburg: Haufe.

Buxmann, P., und H. Schmidt. 2019. Künstliche Intelligenz – Mit Algorithmen zum wirtschaftlichen Erfolg. Berlin: SpringerGabler.

Caesar, D., und M. Friebel. 2011. Microsoft SQL Server 2008 R2: Schnelleinstieg für Administratoren und Entwickler. Bonn: Galileo Computing.

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

Chamoni, P., und P. Gluchowski. 2017. Business analytics – State of the art. Zeitschrift für Controlling Management Review 61(4): 8–17, 9.CrossRef

Chamoni, P., et al. 1997. Online analytical processing (OLAP). In Lexikon der Wirtschaftsinformatik, Hrsg. P. Mertens, 3. Aufl. Berlin: Springer.

Chamoni, P., F. Beekmann, und Bley. 2010. Ausgewählte Verfahren des Data Mining. In Analytische Informationssysteme, Hrsg. P. Chamoni und P. Gluchowski, 4. Aufl. Berlin/Heidelberg: Springer.CrossRef

Chen, H., R. H. Chiang, und V. C. Storey. 2012. Business intelligence und analytics – From big data to big impact. MIS Quarterly 36(4): 1165–1188.CrossRef

Cleve, J., und U. Lämmel. 2014. Data mining, 57–192. München: de Gruyter Oldenbourg.CrossRef

Codd, E. F., S. B. Codd, und C. T. Salley. 1993. Providing OLAP to user-analysts: An IT mandate. Ann Arbor: Codd & Associates.

Dahnken, O., P. Keller, J. Narr, und C. Bange. 2003. Software im Vergleich – Integrierte Unternehmensplanung. München: Oxygon.

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

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.

Davenport, T., und J. Kirby. 2016. Just how smart are machines? MIT Sloan Management Review 57(3): 21–25.

Deloitte. 2019. Deloitte center for process robotics. Get ready, the robots are here. https://www2.deloitte.com/de/de/pages/innovation/contents/Center_for_Process_Robotics.html. Zugegriffen am 03.12.2019.

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

Diamant Software. 2021. Management-Dashboard und Isi-Sprachassistent mit Diamant/4. Bielefeld: Diamant Software GmbH.

Dinnessen, F., und S. Halfmann 2018. Wie Software-Roboter die öffentliche Verwaltung entlasten können. https://www.detecon.com/de/wissen/wie-software-roboter-die-oeffentliche-verwaltung-entlasten-koennen. Zugegriffen am 09.10.2018.

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

Dorschel, J. 2015. Praxisbuch Big Data. Karlsruhe: Springer Gabler.

Dresner Advisory Services LLC. 2011. Mobile business intelligence market study, 2010 und 2011. http://www.microstrategy.com/mobile/mobile-bi-landscape-dresner.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 und T. Götz, 9–70. Berlin: Springer.

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

Eckerson, W. 2007. Predictive analytics: Extending the value of your data warehousing investment. TDWI Best Practices Report, TDWI Research.

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

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

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

Elmasri, R., und S. B. Navathe. 2007. Fundamentals of database systems, 5. Aufl. Bosten: Addison Wesley.

Engelbrecht, M., und M. Wegelin. 2015. SAP Fiori: Implementierung und Entwicklung. Bonn: SAP Press.

Engels, C. 2015. Basiswissen business intelligence, 2. Aufl. Dortmund: W3I.

Ereth, J., und H.-G. Kemper. 2016. Business analytics und business intelligence. Zeitschrift für Controlling 28:458–464.CrossRef

Ertel, W. 2016. Grundkurs Künstliche Intelligenz – Eine praxisorientierte Einführung, 4. Aufl. Wiesbaden: SpringerVieweg.

Farkisch, K. 2011. Data-Warehouse-Systeme kompakt. Heidelberg: Springer.CrossRef

Fasel, D., und A. Meier, Hrsg. 2016. Big Data Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Vieweg.

Feindt, B. J. 2014. Die E-Bilanz in kleinen und mittleren Unternehmen (KMU). Wiesbaden: Springer Gabler.CrossRef

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

Felden, C. 2010. Predictive analytics. In Analytische Informationssysteme, Hrsg. P. Chamoni und P. Gluchowski, 4. Aufl., 307–328. Berlin/Heidelberg: Springer.CrossRef

Felden, C. 2017. Business Analytics, In Enzyklopädie der Wirtschaftsinformatik, S. 1–8. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Business-Intelligence/Analytische-Informationssysteme%2D%2DMethoden-der-/Business-Analytics. Zugegriffen am 26.05.2017.

Finlay, S. 2014. Predicitve analytics, data mining and big data: Myths, misconceptions and methods. New York: Palgrave Macmillan.CrossRef

Folkers, A. 2019. Grundlagen des Deep Learning. Wiesbaden: Springer Spektrum.

Forrester. 2016. About Us. Forrester Research ist ein US-amerikanisches Marktforschungsunternehmen für den Bereich Informationstechnologie. https://www.forrester.com/marketing/about/about-us.html. Zugegriffen am 18.07.2016.

Friedl, G. 2019. Künstliche Intelligenz im Controlling. Zeitschrift für Controlling 31(5): 35–38.

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

Frietsch, H. 2016. BI und Big Data in einer ausbalancierten Architektur. In Business Intelligence erfolgreich umsetzen, Hrsg. M. Lang, 163–177. Düsseldorf: Symposion.

Frochte, J. 2019. Maschinelles Lernen: Grundlagen und Algorithmen in Python, 2. Aufl. Hamburg: HANSER.

Fuchß, T. 2009. Mobile Computing – Grundlagen und Konzepte für mobile Anwendungen. München: Hanser.CrossRef

Gabriel, R. 2010. Expertensystem. In Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon, Hrsg. K. Kurbel, J. Becker, N. Gronau, E. Sinz und L. Suhl, 4. Aufl. http://www.oldenbourg.de:8080/wi-enzyklopaedie/lexikon/. Zugegriffen am 15.01.2011.

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.

Gabriel, R., P. Gluchowski, und A. Pastwa. 2009. Data warehouse & data mining. Herdecke/Witten: W3I.

Gartner. 2015. Gartner says solving ‚big data‘ challenge involves more than just managing volumes of data. http://www.gartner.com/newsroom/id/1731916. Zugegriffen am 20.09.2015.

Gartner. 2016. Business analytics. http://www.gartner.com/it-glossary/business-analytics. Zugegriffen am 22.10.2016.

Gehra, B. 2005. Früherkennung mit Business-Intelligence-Technologien. Anwendung und Wirtschaftlichkeit der Nutzung operativer Datenbestände. Diss. Wiesbaden.

Geißner, W., und M. Wolfrum. 2015. Szenario-Analyse und Simulation: ein Fallbeispiel mit Excel und Crystal Ball. Der Controlling-Berater 17:241–264.

Gentsch, P. 2018. Künstliche Intelligenz für Sales, Marketing und Service. Wiesbaden: Springer.CrossRef

Gentsch, P. 2019. Künstliche Intelligenz für Sales, Marketing und Service, 2. Aufl. Wiesbaden: Springer Gabler.

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

Giegerich, H.-J. 2014. IT-Sicherheitsmanagement in der Cloud. Controlling 6:320–324.CrossRef

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

Gleich, R., und M. Tschandl. 2018. Digitalisierung & Controlling. Freiburg: HAUFE.

Gluchowski, P. 2001. Business intelligence. HDM – Praxis der Wirtschaftsinformatik 38(222): 5–15.

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

Gluchowski, P. 2016. Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. HMD Praxis der Wirtschaftsinformatik 53(3): 273–286.CrossRef

Gluchowski, P., und P. Chamoni. 2016. Analytische Informationssysteme: Business-Intelligence-Technologien und -Anwendungen. Wiesbaden: Springer.CrossRef

Gluchowski, P., R. Gabriel, und C. Dittmar. 2008. Management support systeme und business intelligence, 2. Aufl. Berlin/Heidelberg: Springer.

Goecken, M. 2006. Entwicklung von Data-Warehouse-Systemen. Wiesbaden: Vieweg+Teubner.

Hahne, M. 2005. SAP business information warehouse. Berlin/Heidelberg: Springer.

Hahne, M. 2016. Architekturkonzepte und Modellierungsverfahren für BI-Systeme. In Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen, Hrsg. P. Gluchowski und P. Chamoni, Bd. 5, 147–184. Berlin: Springer.CrossRef

Hammann, P., und B. Erichson. 2006. Marktforschung, 4. Aufl. Stuttgart: UTB.

Hammer, R. M. 1998. Strategische Planung und Frühaufklärung, 3. Aufl. München: de Gruyter Oldenbourg.CrossRef

Hanning, U., Hrsg. 2008. Vom data warehouse zum corporate performance management. Ludwigshafen: Institut für managementinformationssysteme e. V.

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

Haupt, J. 2011. 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 53(Sonderheft 3): 48–55.CrossRef

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

Heuer, A., et al. 2001. Datenbanksysteme in Büro, Technik und Wissenschaft. 9. GI-Fachtagung Oldenburg, Berlin/Heidelberg, 7.–9. März 2001.

Homann, M., H. Wittges, und H. Krcmar. 2013. Entwicklung mobiler Anwendung für SAP. Bonn: Galileo Press.

Hortonworks. 2013. Apache Hadoop Anwendungsmuster. http://bigdatacongress.com/files/2013/09/Hortonworks-ApacheHadoopPatternsOfUse-v1-0_German.pdf. Zugegriffen am 05.01.2017.

Horváth, P. 2008. Controlling, 11. Aufl. München: Vahlen.

Hotho, A., A. Nürnberger, und G. Paaß. 2005. A brief survey of text mining. Zeitschrift für Computerlinguistik und Sprachtechnologie 20(1): 19–62.

Humm, B., und F. Wietek. 2005. Architektur von Data Warehouses und Business Intelligence Systemen. Informatik Spektrum 23(2): 3–14.CrossRef

Hundertmark, S. 2020. Chatbot Implementation – Ein paar hilfreiche Experten-Tipps für den Start. https://morethandigital.info/chatbot-implementation-ein-paar-hilfreiche-experten-tipps-fuer-den-start/. Zugegriffen am 23.06.2020.

IBM Consulting Services. 2003. SAP Berechtigungswesen. Bonn: SAP Press.

IBM Institute for Business Value und Säid Business School. 2012. Analytics: Big Data in der Praxis – Wie innovative Unternehmen ihre Datenbestände effektiv nutzen. http://www935.ibm.com/services/de/gbs/thoughtleadership/download-bigdata.html. Zugegriffen am 12.12.2014.

IDC. 2011. IVIEW, extracting value from chaos. http://www.emc.com/collateral/analyst-reports/idc-extracting-value-from-chaos-ar.pdf. Zugegriffen am 09.02.2015.

Iffert, L. 2017. Data Discovery – Definition und Marktüberblick. 24.03.2017. Hannover. http://barc.de/events/downloadfile/id/XrVBGmwzckM54OF54Ff4. Zugegriffen am 03.07.2017.

Iffert, L, und A. Bange. 2018. Datenvirtualisierung – eine lohnenswerte Technologie für datengetriebene Unternehmen. https://www.bi-scout.com/datenvirtualisierung. Zugegriffen am 05.10.2019.

Inform. 2017. Qlik business intelligence. https://www.inform-software.de/produkte/qlik-business-intelligence. Zugegriffen am 26.05.2017.

Institut für Business Intelligence. 2013. Studie Competing on Analytics 2013: Herausforderungen – Potentiale und Wertbeiträge von Business Intelligence und Big Data. Ludwigshafen: Steinbeis TransferinstitutInstitut für Business Intelligence (IBI).

de Intelligence. 2017. Analytische Datenbanken. https://www.intelligence.de/news/analytische-datenbanken-uberblick-zur-datenbanktechnologie.html. Zugegriffen am 19.07.2017.

Jedox. 2016. Jedox social analytics showcase. http://jedox-social-analytics.com/. Zugegriffen am 07.07.2016.

Jetter, W. 2004. Performance management, 2. Aufl. Stuttgart: Schäffer-Poeschel.

Jordan, C., und D. Schnider. 2011. Data warehousing mit oracle: business intelligence in der praxis. München: Hanser.

Jung, H. 2011. Controlling, 9. Aufl. München: de gruyter Oldenbourg.CrossRef

Kaufmann, M. 2014. Die Geister die wir riefen. In Big data, Hrsg. D. Fasel und A. Meier, 383–400. Wiesbaden: Springer Vieweg.

Keist, N.-K., S. Benisch, und C. Müller. 2016. Möglichkeiten und Grenzen der plattformübergreifenden App-Entwicklung. In Mobile Anwendungen in Unternehmen, Hrsg. T. Barton, C. Müller und C. Seel, 109–119. Wiesbaden: Springer Vieweg.CrossRef

Kemper, H. G., H. Baars, und W. Mehanna. 2010. Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl. Wiesbaden: Springer Vieweg.CrossRef

Kersten, H., und G. Klett. 2012. Mobile device management. Heidelberg: mitp.

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

King, S. 2014. Big Data – Potential und Barrieren der Nutzung im Unternehmenskontext. Wiesbaden: Springer VS.

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: Gesellschaft für Controlling e. V.

Knöll, H. D., C. Schulz-Sacharow, und M. Zimpe. 2006. Unternehmensplanung mit SAP BI. Wiesbaden: Vieweg+Teubner.

Koglin, U. 2016. SAP S/4 Hana. Voraussetzung – Nutzen – Erfolgsfaktoren. Bonn: Rheinwerk Verlag.

Kononenko, I., und M. Kukar. 2007. Machine learning and data mining: Introduction to principles and algorithms. Boca Raton: Horwood Publishing.CrossRef

Kreutzer, R. T., und M. Sirrenberg. 2019. Künstliche Intelligenz verstehen. Wiesbaden: Springer.CrossRef

Krishnan, K. 2013. Data warehousing in the age of big data. Waltham: Morgan Kaufmann – Elsevier Inc.

Krudewig, W. 2012. E-Bilanz-gerecht kontieren und buchen. Freiburg: Haufe.

Krüger, J. 2015. SAP simple finance an introduction. Bonn: Rheinwerk Verlag.

Krystek, U., und R. Moldenhauer. 2007. Handbuch Krisen- und Restrukturierungsmanagement. Generelle Konzepte, Spezialprobleme, Praxisberichte. Stuttgart: Kohlhammer Verlag.

Kumar, P., und A. Tiwari. 2017. Ubiquitous machine learning and its applications. Hershey, Pennsylvania, USA: IGI Global.

Küsters, U. 2001. Data Mining Methoden: Einordnung und Überblick. In Handbuch Data Mining im Marketing – Knowledge Discovery in Marketing Databases, Hrsg. H. Hippner, U. Küsters, M. Meyer und K. D. Wilde, 95–130. Braunschweig: Vieweg Gabler.

Langmann, C. 2019a. Digitalisierung im Controlling. Wiesbaden: Springer-Gabler.CrossRef

Langmann, C. 2019b. Robotic Process Automation in Controlling und Rechnungswesen. Beitrag vom 26.03.2019. https://www.management-circle.de/blog/robotic-process-automation-in-controlling-und-rechnungswesen/. Zugegriffen am 08.11.2019.

Langmann, C., und D. Turi. 2020. Robotic Process Automation (RPA), Voraussetzungen, Funktionsweise und Implementierung am Beispiel des Controllings und Rechnungswesens (2020). Wiesbaden: Springer Gabler.

Lanquillon, C., und H. Mallow. 2015. Advanced analytics mit big data. In Praxishandbuch Big Data, Hrsg. J. Dorchel, 55–89. Wiesbaden: Springer Gabler.

Laudon, K., und J. Laudon. 1988. Management information systems, 2. Aufl. New York: Pearson.

Leiserson, C. E., R. L. Rivest, und C. Stein. 2010. Algorithmen – Eine Einführung. München: Oldenbourg.

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

Lixenfeld, C. 2015. Tools für den Leistungscheck von BI-Systemen können nützlich sein. Computerwoche 11:24.

Lopez, M. D. 2009. Successful mobile deployments require robust security. Whitepaper. https://www.bitpipe.com/detail/RES/1242855514_161.html. Zugegriffen am 20.06.2017.

Lossau, N. 2018. Jetzt wird das Internet 100 Mal schneller. https://www.welt.de/wissenschaft/article176189726/Mobiles-Internet-mit-5G-10-000-Megabit-pro-Sekunde.html. Zugegriffen am 08.05.2018.

Louis, D., und P. Müller. 2013. Jetzt lerne ich Android 4-Programmierung. München: Markt + Technik.

Luber, S., und N. Litzel. 2017. Was ist Grid Computing? https://www.bigdata-insider.de/was-ist-grid-computing-a-629099/. Zugegriffen am 04.10.2019.

Luber, S., und N. Litzel. 2019. Was ist Datenvirtualisierung. https://www.bigdata-insider.de/was-ist-datenvirtualisierung-a-841015/. Zugegriffen am 04.10.2019.

Lubos, G. 2020. Künstliche Intelligenz im Controlling. Controller Magazin 1(2): 45–49.

Manhart, K. 2011a. Grundlagenserie Business Intelligence (Teil 1) Berichtssysteme: Grundtypen und Techniken. http://www.tecchannel.de/server/sql/1751728/berichtssysteme_teil_1_grundtypen_und_techniken/index6.html. Zugegriffen am 28.06.2011.

Manhart, K. 2011b. Business intelligence. http://www.tecchannel.de/server/sql/1739205/business_intelligence_teil_2_datensammlung_und_data_warehouses/index8.html. Zugegriffen am 19.02.2011.

Martens, H. 2019. In sieben Schritten zum erfolgreichem RPA-Projekt. Beitrag vom 05.07.2018. https://www.computerwoche.de/a/in-sieben-schritten-zum-erfolgreichen-rpa-projekt,3545352. Zugegriffen am 02.11.2019.

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

März, N., und J. Warren. 2015. Big data – Principles and best practices of scalable realtime data systems. Shelter Island: Manning.

Mathew, B. 2015. Beginning SAP Fiori. Bangalore: Apress.CrossRef

McTear, M., Z. Callejas, und D. Griol. 2016. The conversational interface – Talking to smart devices. Cham.: Springer International Publishing.

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

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

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

Merkt, S., H. A. Müller, und J. Tscherkaschina. 2015. SAP BusinessObjects Design Studio – Das Praxishandbuch. Bonn: SAP Press.

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 D. Barbian. 2019. Erreicht Künstliche Intelligenz auch das Controlling? Controlling & Management Review 63:8–17.CrossRef

Mertens, P., und J. Griese. 1988. Informations- und Kontrollsysteme. In Industrielle Datenverarbeitung, Hrsg. P. Mertens und J. Griese, 2. Wiesbaden: Betriebswirtschaftlicher Verlag Dr. Th. Gabler.

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

Merz, M., T. Hügens, und S. Blum. 2015. SAP BW auf SAP – HANA: Implementierung und Migration. Bonn: Galileo Press.

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

Möller, K., F. Federmann, S. Pieper, und M. Knezevic. 2016. Predictive Analytics zur kurzfristigen Umsatzprognose. Zeitschrift für Controlling 28(8–9): 509–518.CrossRef

Mori, H., A. Yasuda, und M. Araki. 2017. An evaluation method for system response in chat-oriented dialogue system. In Dialogues with social robots: Enablements, analyses, and evaluation, Hrsg. K. Jokinen und G. Wilcock. Singapore: Springer.

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

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: SpringerVieweg.

Müller, S., und C. Keller. 2015. Pentaho und Jedox. München: Hanser.

Navrade, F. 2008. Strategische Planung mit Data-Warehouse-Systemen. Wiesbaden: Springer Gabler.

NN. 2020. Notebook-Typen im Überblick. IMTEST 3(2020): 9.

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

Obermaier, R. 2019. Handbuch Industrie 4.0 und Digitale Transformation. Wiesbaden: Springer Gabler.

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

Oehler, K. 2006. Corporate performance management. München/Wien: Hanser.

Oehler, K. 2020. Ist maschinelles Lernen in der Planung einsetzbar? Controlling & Management Review H3:22–30.CrossRef

Oppelt, R. U. G. 1995. Computerunterstützung für das Management. München/Wien: Oldenbourg.CrossRef

Pariser. 2011. Eli Pariser: The filter bubble: What the Internet is hiding from you. New York: Penguin Press.

Pastwa, A. 2010. Serviceorientierung im betrieblichen Berichtswesen. Entwicklung eines Architektur- und Vorgehensmodells zur konzeptionellen Gestaltung von Berichtsprozessen auf Basis einer SOA und XBRL. Frankfurt a. M.: Peter Lang.

Pends, N., und R. Creeth. 1995. The OLAP report. Market share analysis. http://www.olapreport.com/market.htm. Zugegriffen am 28.01.1999.

Peper, I. 2018. Effizienzsteigerungen im Controlling durch Robot Process Automation – Eine Analyse am Beispiel des Monatsabschlussprozesses der Kathrein Automotive Group. Controlling 30(3): 20–27.CrossRef

Petersohn, H. 2005. Data Mining – Verfahren, Prozesse, Anwendungsarchitektur. München: Oldenburg.CrossRef

Plattner, H. 2011. In-memory data management: An inflection point for enterprise applications. Heidelberg: Springer.CrossRef

Portal, F. 2020. Wie Automatisierung und maschinelles Lernen die Finanzfunktion neu gestalten. Controller Magazin 3(4): 69–72.

Pütter, C. 2011. Keine Hilfe für BI-Projekte. http://www.cio.de/2239428. Zugegriffen am 12.03.2011.

QlikTech. 2016. Predictive analytics with qlikview and qlik sense. http://go.qlik.com/PredictiveanalyticsQ2_Registration_LP.html. Zugegriffen am 25.05.2016.

QlikTech. 2017. Qlikview governance dashboard. http://global.qlik.com/at//~/media/Files/resource-library/global-us/direct/da-tasheets/DS-Practical-Data-Governance-As-You-Deploy-EN.ashx. Zugegriffen am 07.06.2017.

QlikView. 2011. Qlikview-demo sales analysis. http://demo.qlikview.com/QvAJAXZfc/opendoc.htm?document=Executive%20Dashboard.qvw&host=Demo10&anonymous=true. Zugegriffen am 20.07.2011.

R. 2016. Statistische Datenanalyse mit R. http://www.r-statistik.de/. Zugegriffen am 07.07.2016.

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

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

Reinsel, D., J. Gantz, und J. Ryding. 2018. The digitization of the world – From edge to core. https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf. Zugegriffen am 20.08.2020.

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

Rogers, H. 1967. Theory of recursive functions and effective computability. New York: McGraw-Hill.

Rouse, M. 2014. MapReduce. https://www.computerweekly.com/de/definition/MapReduce. Zugegriffen am 15.08.2019.

Ruf, R., und W. Schwab. 2016. Visual analytics. Controlling 28(8/9): 495–501.CrossRef

Runkler, T. A. 2010. Data Mining – Methoden und Algorithmen intelligenter Datenanalyse., 96. Wiesbaden: Springer Vieweg.

Ruprecht, J. 2003. Zugriffskontrolle im Data Warehouse. In Data warehouse management, Hrsg. E. von Maur und R. Winter, 113–147. Berlin/Heidelberg: Springer.CrossRef

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. 2003. SAP SEM, Scorecard-Analyse und Ursache-Wirkungs-Analyse. Screenshot aus dem System SAP SEM. Walldorf: SAP AG.

SAP AG. 2008. SAP BEx Analyser. Screenshot aus dem System SAP BEx Analyser. Walldorf: SAP AG.

SAP AG. 2011. SAP ERP CC System – Standardbericht. Selektionsmaske und Planungsformular aus einem IDES-System. Walldorf: SAP AG.

SAP AG. 2016. SAP businessobjects mobile for iOS – document version: 6.3.10 – 2016-02-09. Walldorf: SAP AG.

SAP Fiori. 2017a. Design guideline. https://experience.sap.com/fiori-design-web/home-page/. Zugegriffen am 28.05.2017.

SAP Fiori. 2017b. Integration von businessObjects-tools. https://blogs.sap.com/2016/04/13/integrating-sap-fiori-and-sap-businessobjects-bi/. Zugegriffen am 22.05.2017.

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.

SAP-Portal. 2009. SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/5d/7c4b52691011d4b2f00050dadfb23f/frameset.htm. Zugegriffen am 26.01.2009.

SAP-Portal. 2010. SAP-Portal. http://help.sap.com/saphelp_sem60/helpdata/de/39/100c38e15711d4b2d90050da4c74dc/frameset.htm. Zugegriffen am 20.07.2010.

Sauer, K., und J. Sturm. 2019. Digitale Assistenten in der Unternehmenssteuerung? Controlling & Management Review 63(4): 34–44.CrossRef

Schäfer, M. 2014. SAP beschleunigt die Sortimentsoptimierung. IS-Report 8:22–23.

Scheer, A. W. 1990. EDV-orientierte Betriebswirtschaftslehre, 4. Aufl. Berlin: Springer.CrossRef

Scheuer, D. 2020. Akzeptanz von Künstlicher Intelligenz. Wiesbaden: SpringerVieweg.

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

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.

Schinzer, H. D. 1996. Entscheidungsorientierte Informationssysteme. Grundlagen, Anforderungen, Konzept, Umsetzung. Wiesbaden: Springer.

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

Schmitz, U. 2015. Nutzung von In-Memory-Technologie in der BI. In Handbuch Business Intelligence – Potenziale, Strategien, Best Practices, Hrsg. M. Lang, 233–247. Düsseldorf: Symposion Publishing.

Schön, D. 2004. Moderne Planungskonzepte und Reportingtools. In 19. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 287–337. Dortmund: Gesellschaft für Controlling e. V.

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., und R. Müller. 2010. Mittelstandscontrolling für Inhaber und Manager. In 25. Deutscher Controlling Congress, Tagungsband, Hrsg. T. Reichmann, 123–165. Dortmund: Gesellschaft für Controlling e. V.

Schön, D., und M. Pook. 2015. Bedarfsgerechte Steuerung durch IT-gestütztes Berichtswesen. innovative Verwaltung 37(10): 10–13.CrossRef

Schön, D., M. Ständer, und M. Liebe. 2013. Unternehmens- und Projektsteuerung mit Hilfe eines BI-gestützten Controlling-Cockpits am Beispiel der Securiton GmbH. Zeitschrift für Controlling 25(4/5): 252–260.CrossRef

Schonschek, O., und J. Haas 2020. Was Unternehmen über Chatbots wissen müssen. https://www.computerwoche.de/a/was-unternehmen-ueber-chatbots-wissen-muessen,3329735. Zugegriffen am 14.09.2020.

Schrödl, H. 2009. Business Intelligence mit Microsoft SQL Server 2008, 2. Aufl. München: Hanser.CrossRef

Schroeck, M. R., R. Shockley, J. Smart, D. Romero-Morales, und P. Tufano. 2015. Analytics: Big Data in der Praxis, Hrsg. IBM Institute for Business Value in Zusammenarbeit mit der Saïd Business School an der Universität Oxford, 1–20. Ehningen: IBM.

Schubert, S. 2013. Why people and process matter, in addition to great technology. 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.

Search Business Analytics. 2016. embedded BI. http://searchbusinessanalytics.techtarget.com/definition/em-bedded-BI-embedded-business-intelligence. Zugegriffen am 15.06.2016.

Seiter, M. 2017. Business Analytics: Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung. München: Vahlen.CrossRef

Sellmair, R., M. Demary, A. Hierlemann, und B. Mutschler 2019. Robotic process automation. Beitrag vom 11.04.2019. https://ereignishorizont-digitalisierung.de/intelligente-maschinen/robotic-process-automation/. Zugegriffen am 02.11.2019.

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

Seufert, A., und K. Oehler. 2009. Grundlagen Business Intelligence. In Business intelligence & controlling competence, Bd. 1. Stuttgart/Berlin: Steinbeis-Edition.

Shearer, C. 2020. The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing 5:13–22.

Shortliffe, E. H. 1976. Computer-based medical consultations: MYCIN. New York: Elsevier.

Siegel, E. 2013. Predictive analytics, the power to predict who will click, buy, lie, or die. Hoboken: Wiley.

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

Smeets, M., R. Erhard, und T. Kaußler. 2019. Robotic Process Automation (RPA) in der Finanzwirtschaft. Technologie – Implementierung – Erfolgsfaktoren für Entscheider und Anwender, 8. Wiesbaden: Springer Gabler.

Sperner, L. 2020. Warum Expertensysteme nicht als Teilgebiet von Künstlicher Intelligenz. Innovationsblog de DZ Bank Gruppe. https://innovationsblog.dzbank.de/2017/10/18/warum-expertensysteme-nicht-als-teilgebiet-von-kuenstlicher-intelligenz-wahrgenommen-werden/. Zugegriffen am 15.07.2020.

Spitzner, J., und M.L. Schneider. 2015. Simulation in der Unternehmenssteuerung: Studienergebnisse. München: Spitzner Consulting GmbH.

Stephan S. 2020. Die Arten von Chatbots. https://cloud-blog.arvato.com/die-arten-von-chatbots/. Zugegriffen am 16.09.2020.

Taschner, A. 2013. Management Reporting. Erfolgsfaktor internes Berichtswesen. Wiesbaden: Springer Gabler.

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.

Tripathi, A. M. 2018. Learning robotic process automation – Create software robots and automate business processes with the leading RPA tool UiPath. Birmingham: Packt Verlag.

Turban, E., J. E. Aronson, und T. P. Liang. 2004. Decission support and intelligent systems, 7. Aufl. Upper Saddle River: Prentice-Hall, Inc.

University of Helsinki und Reaktor. 2020. The Elements of All, Onlinekurs. https://course.elementsofai.com/de/. Zugegriffen am 18.06.2020. https://innovationsblog.dzbank.de/2017/10/18/warumexpertensysteme-nicht-als-teilgebiet-von-kuenstlicher-intelligenz-wahrgenommen-werden/. Zugegriffen am 08.09.2020.

Vaduva, A., und T. Vetterli. 2001. Metadata management for data warehousing: An overview. International Journal of Cooperative Information Systems 10(3): 273–298.CrossRef

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/München: Neubert.

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

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

Weber, J. 2013. Verhaltensorientiertes Controlling. Plädoyer für eine (nicht) ganz neue Sicht auf das Controlling. Zeitschrift für Controlling 25(4/5): 217–222.CrossRef

Weigend, A. 2017. Data for the people: Das implizite explizit machen! mobile Business 4(5–6): 16–19.

Welker, P. 2015. Big Data versus Data Warehouse Koexistenzperspektive. Business Intelligence Magazin1 1:42–44.

Wild, J. 1981. Grundlagen der Unternehmensplanung, 3. Aufl. Opladen: Westdeutscher Verlag.

Winter, J. 2018. Künstliche Intelligenz und datenbasierte Geschäftsmodellinnovationen – Warum Unternehmen jetzt handeln sollten. In Service business development, Hrsg. M. Bruhn und K. Hadwich, Bd. 1, 60–79. Wiesbaden: Springer Gabler.

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

Wullenkord, A. 2018. Künstliche Intelligenz im Rechnungswesen und Controlling. In Erfolgreiches Controlling – Theorie, Praxis und Perspektiven; Prof. Dr. Thomas Reichmann zum 80, Hrsg. A. Wiesehahn und M. Kissler, 113–129. Baden-Baden: Geburtstag.CrossRef

Wuttke, L. 2020. Machine Learning: Definition, Algorithmen, Methoden und Beispiele. https://datasolut.com/was-ist-machine-learning/. Zugegriffen am 13.07.2020.

Zarinac, T. 2016. Technologien, Architekturen und Prozesse. In Agile business intelligence, Hrsg. S. Trahasch und M. Zimmer, 131–142. Heidelberg: dpunkt.

Titel: IT-Unterstützung
verfasst von: Dietmar Schön
Verlag: Springer Fachmedien Wiesbaden
Buch: Planung und Reporting im BI-gestützten Controlling
Print ISBN: 978-3-658-35474-9

Electronic ISBN: 978-3-658-35475-6

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-658-35475-6_5

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Wirtschaft"