Download - eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Transcript
Page 1: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

eXXamen.press

Page 2: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

eXamen.press ist eine Reihe, dieTheorie und Praxis aus allen Bereichen der Informatik fürdie Hochschulausbildung vermittelt.

Page 3: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Roland M. Müller · Hans-Joachim Lenz

Business Intelligence

Page 4: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Roland M. MüllerHochschule für Wirtschaft und Recht BerlinBerlin, Deutschland

Hans-Joachim LenzFreie Universität BerlinBerlin, Deutschland

ISSN 1614-5216ISBN 978-3-642-35559-2 ISBN 978-3-642-35560-8 (eBook)DOI 10.1007/978-3-642-35560-8

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detailliertebibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Springer Vieweg© Springer-Verlag Berlin Heidelberg 2013Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklichvom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesonderefür Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verar-beitung in elektronischen Systemen.

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigtauch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen-undMarkenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften.

Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier

Springer Vieweg ist eine Marke von Springer DE. Springer DE ist Teil der Fachverlagsgruppe SpringerScience+Business Mediawww.springer-vieweg.de

Page 5: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Vorwort

Business Intelligence (BI), ist nach wie vor ein Modewort, „verkauft sich gut“ und ist zuRecht aus dem Unternehmensalltag kaum mehr wegzudenken.

Dies gilt insbesondere dann, wenn man sich in die sechziger bis achtziger Jahre zu-rückversetzt, wo jede Datenauswertung vom jeweiligen Abteilungsleiter beantragt, vomRechenzentrumsleiter eines Unternehmens genehmigt und dann dort einzeln program-miert werden musste.

Schlimmer noch, der zweite Autor kann sich gut an den Sommer 1964 erinnern, wo erin einem namhaften deutschen Großunternehmen als Werkstudent beschäftigt war. Eineunzweckmäßige Programmierung von sog. „Tabellierungen“ führte zu seitenlangen Pa-pierausdrucken – einen Papierstapel von gut 25 cm Höhe. Dieser Ausdruck enthielt dieKupferpreise auf den internationalen Weltmärkten gruppiert nach diversen Kriterien. DieAufgabe bestand darin, die Daten manuell so zu komprimieren, dass der zuständige Abtei-lungsleiter imstande und bereit war, sie in Tabellenform zu analysieren. Medienbrüche wiediese waren übrigens bis weit in die neunziger Jahre hinein durchaus an der Tagesordnungin der deutschen Wirtschaft.

Es stellt sichwie bei jedemBuch die Frage, wozunoch ein Buch überBusiness Intelligencegeschrieben werden muss. Wir haben dazu, glauben wir, gute Gründe.

Zuerst einmal wollen wir unseren ehemaligen Kollegen der Wirtschaftsinformatik anderHumboldt-Universität zu Berlin, den jetzigen Präsidenten derUniversität Potsdamund– in Personalunion – der deutschen Gesellschaft für Informatik (GI), Oliver Günther, dafür„verantwortlich“ machen; denn er war es, der den Anstoß zu diesem Projekt gab. Ohneseinen Motivationsschub am Anfang hätte unser „Baby“ nie das Licht der Welt erblickt.

Weiterhin trieb uns an, dass es zweifelsfrei ausgezeichnete englischsprachige Literaturzur BI gibt, diese aber oft von Informatikern geschrieben wurde und Business mehr „Eti-kett“ oder „Alibi“ ist als die betriebswirtschaftliche Anwendungsdomäne. Wie der BegriffIntelligence deutlich macht, spielt die Auswertung von Daten bei BI eine entscheidendeRolle und zwar im betrieblichen, nicht primär im technischen oder gar naturwissenschaft-lichen Bereich. Wir bringen gern BI auf die Formel Business Intelligence = 50% Betriebs-wirtschaft/Operations Research + 25% Data Mining/Statistik + 25% Data Warehousing.

Dies bedeutet, dass die oben angesprocheneGruppe von Büchern unserer Einschätzungnach zu etwa % Lücken an betriebswirtschaftlichen Anwendungen aufweisen. Diese zu

V

Page 6: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

VI Vorwort

füllen bzw. eine Brücke zwischen Informatik, Statistik, Operations Research und Betriebs-wirtschaft (BWL) zu schlagen, sehen wir als eine wichtige Zielsetzung dieses Buches an.

Zweifelsohne existieren gerade auch im deutschsprachigen RaumBücher über BI. Diesesind aber aus unserer Sicht „zu deskriptiv“, d. h. sie gliedern, be- und umschreiben Phä-nomene anstatt die dahinter stehenden Probleme aufzugreifen, zu formalisieren und mitgeeigneten Werkzeugen zu lösen. Auch mangelt es an illustrativen, methodisch nachvoll-ziehbaren Beispielen und Fällen.

Mit diesem Buch haben wir hartnäckig versucht, uns auf das Wie zu konzentrieren,und nicht nur auf das Was. Selbstverständlich haben wir die fachliche Einbettung der BI-Probleme in das betriebliche Umfeld nicht völlig außer Acht gelassen.Mit der Quantifizie-rung und Formalisierung der betrieblichen Fragestellungen und der Darstellung zugehö-riger methodischer Lösungen von Business Intelligence, wie beispielsweise Data Mining,maschinelles Lernen, statistische Datenanalyse und Operations Research, haben wir unsein vertracktes Darstellungsproblem eingehandelt: Die Vielfalt der Notationen in diesenFachgebieten. So bezeichnet allein das Symbol „π“ in der Mathematik eine Konstante, imOperations Research einen Schattenpreis beim linearen Optimieren, in der Datenbank-Theorie einen Projektionsoperator usw. In der Statistik werden Zufallsvariablen traditionellmit großen Buchstaben wie „X ,Y , . . . “ bezeichnet, im Operations Research üblicherweisenur in Ausnahmefällen, siehe Produktions- und Lagerhaltung bei stochastischer Nach-frage. Dafür werdenwiederum (deterministische) Bestandsgrößenwie der Lagerbestand inPeriode t, It , mit großen Buchstaben bezeichnet. Nach reiflicher Überlegung habenwir unsentschlossen, in den einzelnen Kapiteln so weit wie möglich an den jeweiligen domänen-spezifischen Bezeichnern festzuhalten. Die Idee einer einheitlichen, kapitelübergreifendenNotation haben wir bewusst verworfen.

Unsere Herangehensweise an Business Intelligence ist natürlich durch etliche For-schungs- und Entwicklungsprojekte und die jahrzehntelange Lehrerfahrung im akademi-schen Bereich mitgeprägt. Dazu haben ganze Generationen von Studierenden beigetragen.Im Mittelpunkt stand dabei nie die reine Stoff- oder Faktenvermittlung, sondern einespezifische Denkweise, wie BI in der Praxis erfolgversprechend einzusetzen ist:

1. Untersuchungsziele festlegen,2. Datenbeschaffung durch Buchführung, Messen oder Schätzen, Herunterladen (engl.

crawlen) von Inhalten aus dem Internet oder durch geplante Experimente,3. Datenintegration in ein DataWarehouse in Verbindungmit effizienten Datenstrukturen

für „massive Datenmengen“ oder – moderner ausgedrückt – „Big Data“,4. explorative Datenanalysemittels statistischer, Data-Mining- odermaschineller Lernver-

fahren, sowie5. Wissensgenerierung im Sinne von Knowledge Discovery in Databases (KDD) durch In-

terpretation, Visualisierung und Tabellierung der Ergebnisse.

Wir wollen auch das an der Freien Universität Berlin in den Jahren 2005–2008 durch-geführte kooperative Forschungsprojekt Global Business Intelligence Server (BussI) nicht

Page 7: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Vorwort VII

unerwähnt lassen, das von der IBM Deutschland GmbH und der Forschungsgruppe derDaimlerChrysler, Berlin, finanziell, soft- und hardwaremäßig unterstützt wurde. DessenZielsetzung bestand darin, ausgewählte marktgängige BI-Methoden, insbesondere der An-bieter IBM, Microsoft, Oracle und SAP, zu testen bzw. anhand von Literatur zu sichten,wissenschaftlich einzuordnen und auf methodische Solidität zu untersuchen. Dies geschahgetreu dem Motto: „Rerum cognoscere causas“ (dt. „Die Ursachen der Dinge erkennen“).

Die vomBussI-Projektteam imRahmen von Forschungsberichten,Diplomarbeiten undDissertationen gesammelten Erkenntnisse haben Struktur und teilweise Inhalt dieses Bu-ches mit geprägt.

Der erste Autor hatte erste internationale Erfahrungen als BI-Berater im Silicon Valleyzu den Hochzeiten des Dot-Com-Booms 1999 und 2000 sammeln dürfen. Ihm ist nochlebhaft ein ER-Diagrammmit hunderten Entitäten bei einem Kunden vor Augen, das eineganze Wand füllte. Die Möglichkeit am Graduiertenkolleg Verteilte Informationssysteme(GKVI) zu promovieren – mit so inspirierenden Professoren wie O. Günther sowie Kol-legiaten wie M. Schaal und D. Asonov – hat ihn nachhaltig wissenschaftlich geprägt. DieArbeit am EU-Projekt PARMENIDES mitM. Spiliopoulou und an der Universität Twentemit J. van Hillegersberg sind weitere Erfahrungsgrundlagen für dieses Buch.

Den zweiten Autor haben drei internationale Workshops nachhaltig beeinflusst, eineder Business Intelligence angemessene Denkweise zu erlernen. Einmal handelt es sich umden später berühmt gewordenen Edinburgh-Workshop über Statistik und Künstliche Intel-ligenz Endeder achtziger Jahre, veranstaltet vonD.Hand undD. Spiegelhalter. Zumanderensind die im Zwei-Jahres-Rhythmus stattfindenden WorkshopsAI and Statistics in Ft. Lau-derdale zu nennen, die 1986 von den Bell Labs, USA, initiiert wurden. Last but not leastgehört hierzu auch die Folge vonWorkshops in Udine, Italien, die die International Schoolfor the Synthesis of Expert Knowledge (ISSEK) alle zwei Jahre durchführte und die unsereKollegen G. Della Riccia und R. Kruse ins Leben riefen.

Abschließend sei uns noch eine Bemerkung zur Rolle von „Wissen“ und „Wissens-generierung“ speziell im unternehmerischenUmfeld gestattet, die in diesem Buch imVor-dergrund zu stehen scheint. Als in den sechziger Jahren am berühmten Institute for Ad-vanced Studies, Princeton, A. Einstein von seinen naturwissenschaftlichen Kollegen zumSlogan „Knowledge is Power“ befragt wurde, brachte er seine Sicht auf den Punkt mit derAntwort „Phantasie ist wichtiger als Wissen“. Dem haben wir nichts hinzuzufügen; dennSchumpeters Aussagen, ohne die Ideen von Unternehmern – im Sinne von „etwas unter-nehmen“ – läuft die Wirtschaft nicht, gilt nach wie vor. Kurzum, Wissen wird nie alleinErsatz für unternehmerische, d. h.menschliche Kreativität sein [219, 294]. Soft- und Hard-ware führen nicht zu „intelligenten Maschinen“, sondern waren, sind und bleiben für dieManager wertvolle, unverzichtbare Assistenten und Rechenknechte. Denn Wissen allein istzwar notwendig, aber bekanntlich nicht hinreichend für erfolgreiches (wirtschaftliches)Handeln.

Schließen wirmit G.C. Lichtenberg, der denAutoren dieses Buches Hoffnung gibt: „DieNeigung des Menschen, kleine Dinge für nützlich zu halten, hat sehr viel Großes hervor-gebracht.“

Page 8: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

VIII Vorwort

Wir danken vielen unserer Kollegen für kritische Hinweise auf unklar formulierte Pas-sagen imManuskript, insbesondereK. Lenz, F. Klawonn undM. Soeffky. Besonders hervor-heben wollen wir die Mitarbeiter und Mitarbeiterinnen vom Springer Verlag, Heidelberg,für ihr Engagement, uns jederzeit behilflich zu sein, und für ihre Geduld beimWarten dar-auf, dass wir das Manuskript abliefern. Wir widmen dieses Buch KT und MHS für derenVerständnis und Unterstützung.

Berlin, Juni 2013 Roland M. MüllerHans-J. Lenz

Page 9: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Inhaltsverzeichnis

Abkürzungs- und Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIII

1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 Datenbereitstellung: Data Warehousing . . . . . . . . . . . . . . . . . . . . . . . . . . 112.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.2 Data Warehouse Architektur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.2.1 Architekturkomponenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2.2 Architekturvarianten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3 Datenintegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.3.1 ETL-Prozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.3.2 Schemakonflikte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332.3.3 Datenkonflikte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.4 Datenqualität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382.4.1 Kenngrößen der Qualitätsmessung . . . . . . . . . . . . . . . . . . . . . 382.4.2 Qualitätssicherungsprozess . . . . . . . . . . . . . . . . . . . . . . . . . . . 482.4.3 Datenqualitätsberichte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.5 Online Analytical Processing (OLAP) . . . . . . . . . . . . . . . . . . . . . . . . 502.5.1 Anforderungen an OLAP Systeme . . . . . . . . . . . . . . . . . . . . . . 502.5.2 Fakten und Dimensionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 512.5.3 OLAP Grundoperationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 532.5.4 Summierbarkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 562.5.5 Speicherarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2.6 Multidimensionale Datenmodellierung . . . . . . . . . . . . . . . . . . . . . . . 592.6.1 Multidimensionale Modellierungssprachen . . . . . . . . . . . . . . . . 592.6.2 Star-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 602.6.3 Snowflake-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 632.6.4 Galaxie-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 652.6.5 Fact-Constellation-Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . 652.6.6 Historisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 662.6.7 Vorgehensweisen für die multidimensionale Modellierung . . . . . 68

IX

Page 10: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

X Inhaltsverzeichnis

3 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 753.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

3.1.1 Data Mining Prozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 763.1.2 Datentypen von Inputdaten . . . . . . . . . . . . . . . . . . . . . . . . . . 783.1.3 Data Mining Aufgaben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 803.1.4 Voraussetzung und Annahmen des Data Mining . . . . . . . . . . . . 81

3.2 Data Mining Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 833.2.1 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 833.2.2 Assoziationsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 893.2.3 Klassifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 953.2.4 Allgemeine Struktur von Data Mining Algorithmen . . . . . . . . . . 108

3.3 Text und Web Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1103.3.1 Text Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1103.3.2 Web Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4 Methoden der Unternehmenssteuerung . . . . . . . . . . . . . . . . . . . . . . . . . . 1214.1 Prognose- und Szenariotechnik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

4.1.1 Prognoseverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1244.1.2 Szenariotechnik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

4.2 Planung und Konsolidierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1424.2.1 Planungsaktivitäten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1434.2.2 Planungswerkzeuge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1454.2.3 Konsolidierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

4.3 Entscheidungsunterstützung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1504.3.1 Regelbasierte Expertensysteme . . . . . . . . . . . . . . . . . . . . . . . . 1524.3.2 Fallbasiertes Schließen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

4.4 Risikomanagement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1564.4.1 Risikomanagement Prozess . . . . . . . . . . . . . . . . . . . . . . . . . . . 1574.4.2 Risikomaße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

4.5 Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1634.6 Controlling und Kennzahlensysteme . . . . . . . . . . . . . . . . . . . . . . . . . 172

4.6.1 Controlling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1724.6.2 Betriebliche Kennzahlensysteme . . . . . . . . . . . . . . . . . . . . . . . 187

4.7 Fehlerrückverfolgung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1964.8 Betrugsaufdeckung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201

4.8.1 Datenbetrug . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2054.8.2 Prävention . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

4.9 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2104.10 Lineare Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222

5 Informationsverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2375.1 Berichtswesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

Page 11: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Inhaltsverzeichnis XI

5.2 Mobiles BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2415.3 Visualisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2445.4 BI-Portale und Dashboards . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2495.5 Integration vonWissensmanagement . . . . . . . . . . . . . . . . . . . . . . . . . 251

6 BI Tools und Anwendungsfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2596.1 BI Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2596.2 BI Anwendungsfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262

6.2.1 Customer Relationship Analytics . . . . . . . . . . . . . . . . . . . . . . . 2626.2.2 Web Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2656.2.3 Competitive Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271

6.3 Fallstudie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273

7 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277

Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283

Sachverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299

Page 12: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Abkürzungs- und Symbolverzeichnis

Abkürzungsverzeichnis

3D Drei DimensionenADAPT Application Design for Analytical Processing TechnologiesAktG AktiengesetzARC Administrative Record CensusARIMA Autoregressive Integrated Moving-Average ProcessASA Aktivitäten-Scannen Ansatzavg arithmetisches MittelB&B Branch and BoundBAM Business Activity MonitoringBASEL Regelungen der Basler EigenkapitalvereinbarungenBDSG BundesdatenschutzgesetzBI Business IntelligenceBSC Balanced ScorecardBWL BetriebswirtschaftslehreCBR Case Based ReasoningCF Cash FlowCI Competitive IntelligenceCLV Customer Lifetime Valuecount absolute Häufigkeit (Anzahl)CPM Corporate Performance ManagementCPT Conditional Probability TableCRISP-DM Cross-Industry Standard Process for Data MiningCRM Customer Relationship ManagementCSCW Computer Supported Cooperative WorkDART Data Quality Reporting ToolDBMS Database Management SystemDBSCAN Dichtebasierte räumliche ClusteranalyseDIN Deutsche IndustrienormDM Data Mining

XIII

Page 13: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

XIV Abkürzungs- und Symbolverzeichnis

DoE Design of ExperimentsDQ Data QualityDSS Decision Support SystemDW Data WarehousingEC Electronic CashEIP Enterprise Information PortalEL EreignislisteERM Entity Relationship ModelERP Enterprise Ressource PlanningESA Ereignis Planungs AnsatzETL Extraction Transformation LoadingEUS Entscheidungsunterstützendes SystemF-Maß Harmonisches MittelF&E Forschung und EntwicklungFASMI Fast Analysis of Shared Multidimensional InformationFMEA Failure Mode and Effect AnalysisFN False Negative NumberFP False Positive NumberGLS General Least Squares (Verallgemeinerte Kleinste-Quadrate)GmbHG GmbH GesetzGPS Global Positioning SystemGuV Gewinn und VerlustHDFS Hadoop Distributed File SystemHGB HandelsgesetzbuchHOLAP Hybrid OLAPHR Human RessourcesHTML Hypertext Mark-up Languagei. i. d. Independent and identically distributedIAS International Accounting StandardsIC Integrity ConstraintsIFRS International Financial Reporting StandardsINZPLA Integrierte ZielverpflichtungsplanungIrDA Infrared Data AssociationIT InformationstechnikKDD Knowledge Discovery in DatabasesKFZ KraftfahrzeugKI Künstliche IntelligenzkNN k-nearest NeighboursKPI Key Performance IndicatorLKW LastkraftwagenLP Lineare ProgrammierungLTE Long Term Evolution

Page 14: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Abkürzungs- und Symbolverzeichnis XV

MAD Median/Mean Absolute Deviationmax MaximumMCMC Markov-Chain-Monte-CarloMDX Multidimensional ExpressionsME/RM Multidimensionales Entity Relationship ModellMED Median (50%-Punkt)min MinimumMio Million ()MIP Mixed Integer ProgramML Machine LearningMOLAP multi-dimensional OLAPNER Named-Entity RecognitionNFC Near Field CommunicationNLP Natural Language ProcessingOC OperationscharakteristikODS Operational Data StoreOLAP Online Analytical ProcessingOLTP Online Transaction ProcessingOOMD Objektorientiertes multidimensionales ModellOOP Objekt-orientierte ProgrammierungÖPNV Öffentlicher Personen-NahverkehrOR Operations ResearchOWB Oracle Warehouse BuilderPB Petabytes ( Bytes)PDA Personal Digital AssistantPDF Portable Document FormatPIA Prozess-Interaktionen AnsatzPKW PersonenkraftwagenPLZ PostleitzahlPOS Part of SpeechPPC Pay Per ClickQoS Quality of ServiceRFID Radio-Frequency IdentificationRHS Right Hand SideROLAP Relational OLAPRP Right Positive NumberSaaS Software as a ServiceSAETL Semi-automatic ETLSCM Supply Chain ManagementSEM Search Engine MarketingSMS Short Message SystemSOA Software Oriented Architecture

Page 15: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

XVI Abkürzungs- und Symbolverzeichnis

SOE Statistische OrganisationseinheitSPC Statistische ProzesskontrolleSQL Structured Query LanguageSSD Solid State Drivesum SummeSVM Support Vector MachineTB Tera Bytes ( Bytes)TF-IDF Term Frequency-Inverse Document FrequencyUB Universal Baier BäumeUML Universal Modeling LanguageUMTS Universal Telecommunications SystemUS-GAAP U.S. Generally Accepted Accounting PrinciplesVaR Value at RiskVDA Verband der AutomobilindustrieWLAN Wireless Local Area NetworkWPAN Wireless Personal Area NetworkWWW World Wide WebXML Extended Mark-up Language

Liste der mathematischen Symbole

t Zeitindex, Abschn. 2.4.1dt Absatz in t, Abschn. 2.4.1pt Produktionsrate in t, Abschn. 2.4.1It Lagerbestand am Ende von t, Abschn. 2.4.1range( ) Wertebereich eines Attributs, Abschn. 2.4.1∣M∣ Kardinalität der Menge M, Abschn. 2.4.1cond( ) Boolesche Variable, Abschn. 2.4.1χ Indikatorvariable, Abschn. 2.1q( ) Prozentualer Anteil von Attributwerten, Abschn. 2.4.1n Daten- oder Stichprobenumfang, Abschn. 2.4.1I Einheitsmatrix, Abschn. 2.4.1V Leontievsche Verflechtungsmatrix, Abschn. 2.4.1dt Endnachfragevektor in t, Abschn. 2.4.1σ Varianz, Abschn. 2.4.1O( ) Komplexität (Rechenaufwand), Abschn. 2.4.1N∗ Anzahl, Abschn. 2.4.1T Tabelle (flache Relation, „Datenmatrix“), Abschn. 2.4.1Id Kandidatenschlüssel, Primärschlüssel, Abschn. 2.4.1p Kandidatenschlüsselwert, Abschn. 2.4.1f Fremdschlüsselwert, Abschn. 2.4.1

Page 16: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Abkürzungs- und Symbolverzeichnis XVII

id Primärschlüsselwert, Abschn. 2.4.1null Nullwert (missing value), Abschn. 2.4.1F Fremdschlüssel, Abschn. 2.4.1F Faktenmenge, Abschn. 2.5.2A Attributmenge, Abschn. 2.5.2D Dimensionenmenge, Abschn. 2.5.2H Menge hierarchischer Attribute, Abschn. 2.5.2F Faktum (Attribut), Abschn. 2.5.2AggSQL SQL-Aggregatfunktionen, Abschn. 2.5.2H Hierarchie (Wurzelbaum), Abschn. 2.5.2× Kreuzprodukt (crossing), Abschn. 2.5.3/ Schachtelung (nesting), Abschn. 2.5.3Ops Menge von Cube-Operationen, Abschn. 2.5.3σT Selektion (slice), Abschn. 2.5.3πT Projektion (dice), Abschn. 2.5.3ρT Aggregation (roll-up), Abschn. 2.5.3δT Disaggregation (drill-down), Abschn. 2.5.3h Knoten in H, Abschn. 2.5.3f ( ) Dichtefunktion, Abschn. 3.2.1wκ Mischungsgewicht, Abschn. 3.2.1C Cluster, Abschn. 3.2.1N(μ, Σ) Mehrdimensionale Normalverteilung, Abschn. 3.2.1μ Mittelwertsvektor, Abschn. 3.2.1∑ Kovarianzmatrix, Abschn. 3.2.1R

d d-dimensionaler Raum reeller Zahlen, Abschn. 3.2.1dist Distanzmaß, Abschn. 3.2.1.1x , y Beobachtungsvektoren im R

d , Abschn. 3.2.1.1sim Ähnlichkeitsfunktion, Abschn. 3.2.1.1δ( , ) Indikatorfunktion, Abschn. 3.2.1.1Ci Centroid im Cluster C, Abschn. 3.2.1.2k Anzahl Cluster, Abschn. 3.2.3X → Y Assoziationsregel, Abschn. 3.2.2k Anzahl Elemente in k-Item-Menge, Abschn. 3.2.3D Datenbank von Transaktionen, Abschn. 3.2.2.1n(D) Häufigkeit der Menge in D, Abschn. 3.2.2.1∅ Leere Menge, Abschn. 3.2.2.2F Harmonisches Mittel, Abschn. 3.2.3.1P(c ∣ x) Bedingte Wahrscheinlichkeit von c, Abschn. 3.2.3.2P(c) Marginale Wahrscheinlichkeit von c, Abschn. 3.2.3.2P Partition, Abschn. 3.2.3.2Pi i-te Teilmenge von P, Abschn. 3.2.3.2E Entscheidungsmenge, Abschn. 3.2.3.2

Page 17: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

XVIII Abkürzungs- und Symbolverzeichnis

D Trainingsdaten(bank), Abschn. 3.2.3.2k Anzahl nächster Nachbarn, Abschn. 3.2.3.2yi Boolesche Variable, Abschn. 3.2.3.2θ Parametervektor der SVM, Abschn. 3.2.3.2c Strafkostensatz bei SVM, Abschn. 3.2.3.2ξ Variablenvektor von SVM, Abschn. 3.2.3.2g Dimension-reduzierende Abbildung, Abschn. 3.3.1n Anzahl Dokumente, Abschn. 3.3.1wl Term im Dokumentenbestand D, Abschn. 3.3.1x jl Termgewicht von Term l in Dokument j, Abschn. 3.3.1s j Länge von Dokument j, Abschn. 3.3.1tf jl Häufigkeit von Term l in Dokument j, Abschn. 3.3.1idfl inverse Dokumenthäufigkeit, Abschn. 3.3.1nl Anzahl Dokumente, die Term l enthalten, Abschn. 3.3.1c Normalisierungskonstante, Abschn. 3.3.1cos Kosinus-Funktion, Abschn. 3.3.1φ Winkel zwischen zwei Vektoren, Abschn. 3.3.1N Menge der natürlichen Zahlen, Abschn. 3.3.1H Entropie, Abschn. 3.3.1log Logarithmusfunktion (Basis 2), Abschn. 3.3.1mupper Mindestwert der Term-Entropie, Abschn. 3.3.1(xt , xt− , . . . , xt−n) Zeitreihe der Länge n + , Abschn. 4.1τ Prognosedistanz, Abschn. 4.1(Xt)

+∞

t=−∞ Stochastischer Prozess, Abschn. 4.1.1.1et Fehlerterm im Zeitreihenmodell, Abschn. 4.1.1.1Xt+τ Prognose in t von Xt+τ, Abschn. 4.1.1.1Et(Xt+τ) Bedingter Erwartungswert von Xt+τ in t, Abschn. 4.1.1.1α, α Parameter im linearen Trendmodell, Abschn. 4.1.1.2T Aktueller Zeitpunkt, Abschn. 4.1.1.2MT Hilfsgröße für Achsenabschnitt bei GleitendemMittel, Abschn. 4.1.1.2NT Steigungsparameter bei Gleitenden Mittel, Abschn. 4.1.1.2α(T) Schätzwert des Achsenabschnitts, Abschn. 4.1.1.2α(T) Schätzwert des Steigungsparameters, Abschn. 4.1.1.2m Länge des Gleitenden Mittels, Abschn. 4.1.1.2gτ Gewicht beim Geometrischen Glätten 1. Ordnung, Abschn. 4.1.1.2λ Glättungsparameter, Abschn. 4.1.1.2St Glättungsoperator Geom. Glättung 1. Ordn., Abschn. 4.1.1.2St , St Wahre/geschätzte Saisonkomponente, Abschn. 4.1.1.3λG , λT , λS Glättungsparameter im Holt-Winter Modell, Abschn. 4.1.1.3R Bestimmheitsmaß, Abschn. 4.1.1.3α, Geschätzter Trendwert, Abschn. 4.1.1.3α, Geschätzter Grundwert, Abschn. 4.1.1.3

Page 18: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Abkürzungs- und Symbolverzeichnis XIX

St Roher Saisonkoeffizient, Abschn. 4.1.1.3S j Gemittelter Saisonkoeffizient, Abschn. 4.1.1.3S j, Normierter Saisonkoeffizient, Abschn. 4.1.1.3∇ Differenzenoperator 1. Ordnung, Abschn. 4.1.1.3us Unsicherheitsscore (siehe ki j), Abschn. 4.1.2dep Abhängigkeitsmaß für Knotenpaare, Abschn. 4.1.2G = (V , E) Graph mit Knotenmenge V und Kantenmenge E, Abschn. 4.1.2ki j Abhängigkeitsmaß zwischen Wertepaaren bei der Cross-Impact-Ana-

lyse, Abschn. 4.1.2parent(x j) Vorgängerknotenmenge des Knotens x j , Abschn. 4.1.2B, B , B Unternehmen, Abschn. 4.2.3F , F Forderungen, Abschn. 4.2.3V ,V Verbindlichkeiten, Abschn. 4.2.3F Faktenbasis, Abschn. 4.3.1R Regelbasis, Abschn. 4.3.1r Regel, Abschn. 4.3.1p Eintrittswahrscheinlichkeit, Abschn. 4.4.2E(X) Erwartungswert von X, Abschn. 4.4.2E(u(X)) Erwarteter Nutzen von X, Abschn. 4.4.2σ Standardabweichung/(annualisierte) Volatilität, Abschn. 4.4.2VaR Value at Risk, Abschn. 4.4.2A Aktionenmenge, Abschn. 4.4.2.2u Nutzenfunktion, Abschn. 4.4.2.2xi Logarithmische Tagesrendite, Abschn. 4.4.2.3μ Mittelwert-Schätzer, Abschn. 4.4.2.3σ Standardabweichung-Schätzer, Abschn. 4.4.2.3z−α ( − α)-Quantil der Normalverteilung, Abschn. 4.4.2.4 − α Sicherheitswahrscheinlichkeit/Konfidenz(niveau), Abschn. 4.4.2.4ρ Pearsonsche Korrelationskoeffizient, Abschn. 4.4.2.4cov(X ,Y) Kovarianz zwischen den Zufallsvariablen X ,Y , Abschn. 4.4.2.4Δt Abtastintervall, Abschn. 4.5n Anzahl Stichproben der jeweiligen Länge m, Abschn. 4.5m Stichprobenumfang, Abschn. 4.5x-Karte x-Mittelwertskarte, Abschn. 4.5R-Karte Spannweitenkarte, Abschn. 4.5R = xmax − xmin Spannweite, Abschn. 4.5min Minimum, Abschn. 4.5max Maximum, Abschn. 4.5UEGx Untere Eingriffsgrenze einer x-Karte, Abschn. 4.5OEGx Obere Eingriffsgrenze einer x-Karte, Abschn. 4.5UEGR Untere Eingriffsgrenze einer R-Karte, Abschn. 4.5

Page 19: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

XX Abkürzungs- und Symbolverzeichnis

OEGR Obere Eingriffsgrenze einer R-Karte, Abschn. 4.5R Mittelwert von Spannweiten Ri , i = , , . . . ,m, Abschn. 4.5Xt ∼ F Wahrscheinlichkeitsverteilung von Xt , Abschn. 4.5F , F Verteilungen für „Prozess in (F) und außer (F) Kontrolle“,

Abschn. 4.5σ Fertigungsstreuung (Varianz), Abschn. 4.5Δμ Sprunghöhe der Fertigungslage μ, Abschn. 4.5Bi(n, pt) Binomialverteilung mit den Parametern (n, pt), Abschn. 4.5Δp Sprunghöhe im Ausschussanteil p, Abschn. 4.5p Ausschussanteil/Ausschusswahrscheinlichkeit, Abschn. 4.5St Prüfgröße beim Monitoring, Abschn. 4.5r Glättungsparameter der WESUM Karte, Abschn. 4.5κ Glättungsparameter der CuSum-Karte, Abschn. 4.5k Glättungsparameter der „Gleitende Mittelwerte“-Karte, Abschn. 4.5δ Entscheidungsfunktion beim Monitoring, Abschn. 4.5h− , h+ Untere/obere Kontrollgrenze der x-Karte, Abschn. 4.5β(θ) Wahrscheinlichkeit für „Kein Prozesseingriff “, falls θ der aktuelle Pro-

zessparameterwert ist, Abschn. 4.5eETt , eAZt Erfolgswirksame Ein- und Auszahlungen in (t − , t], Abschn. 4.6.1CF() Cash Flow berechnet nach Methode 1, Abschn. 4.6.1CF() Cash Flow berechnet nach Methode 2, Abschn. 4.6.1JEt Jahresergebnis in Periode (t − , t], Abschn. 4.6.1naAt Nicht auszahlungswirksame Aufwendungen in (t − , t], Abschn. 4.6.1neEt Nicht einzahlungswirksame Erträge in (t − , t], Abschn. 4.6.1z Zielgröße abhängig von Einflussgrößen x , x, . . . , xp, Abschn. 4.6.1λ Steigerungs-/Mehrverbrauchsfaktor, Abschn. 4.6.1λSoll Sollwert-Steigerungsfaktor, Abschn. 4.6.1λIst Istwert-Steigerungsfaktor, Abschn. 4.6.1ε Vergleichs-/Schwellenwert, Abschn. 4.6.1Δ Soll-Ist-Abweichung, Abschn. 4.6.1Ω Urbildraum von Zufallsvariablen, Abschn. 4.6.1φ Dichtefunktion der Standard-Normalverteilung, Abschn. 4.6.1Φ Verteilungsfunktion der Standard-Normalverteilung, Abschn. 4.6.1Φ− Inverse Normalverteilungsfunktion, Abschn. 4.6.1v Spritverbrauch gemessen in l/100 km, Abschn. 4.6.1KIu , KIo Konfidenzintervallgrenzen, Abschn. 4.6.1ζ , ξ Unbekannte, messfehlerfreie („wahre“) Parametervektoren,

Abschn. 4.6.1x , z Messfehlerbehaftete Variablenvektoren, Abschn. 4.6.1u, v Messfehlervektoren im Fehler-in-den-Variablen-Modell, Abschn. 4.6.1ζ , ξ GLS Schätzer von ζ , ξ, Abschn. 4.6.1Σ Schätzer der Kovarianzmatrix Σ, Abschn. 4.6.1

Page 20: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

Abkürzungs- und Symbolverzeichnis XXI

βT= (ξ, ζ)T GLS Schätzer von β, Abschn. 4.6.1

μx Zugehörigkeitsfunktion der Fuzzy Set von x, Abschn. 4.6.1α-Schnitt α-Höhenschnitt durch Zugehörigkeitsfunktion μx , Abschn. 4.6.1a, b, c , d Intervallgrenzen, Abschn. 4.6.1y, z Schätzer von y, zmittels FuzzyCalc, Abschn. 4.6.1pAB/pCD ∣AB Marginale/bedingte Wahrscheinlichkeitsverteilungen, Abschn. 4.7pA , pB Korrosionsrisiken, Abschn. 4.7Di Zufallsvariable der i-ten Stelle von Zahlen gem. Benford’s Law,

Abschn. 4.8log Logarithmusfunktion zur Basis 10, Abschn. 4.8P(Di = d) Wahrscheinlichkeit von Di = d gem. Beford’s Law, Abschn. 4.8λA, λH Kalibrierungsparamter zum Ausgleich des Maskierungseffekts,

Abschn. 4.8.2x Median, Abschn. 4.8.2MAD( ) Median absoluter Abweichungen, Abschn. 4.8.2OUT((xν)nν= , αn) αn-Ausreißerbereich, Abschn. 4.8.2cn,αn Schwellenwert für αn-Ausreißerbereich, Abschn. 4.8.2αn Kalibriertes α für Ausreißertest, Abschn. 4.8.2χp;−αn

Mittels MCMC-Simulation berechneter Schwellenwert, Abschn. 4.8.2z = (x − μ)/σ Standardisierter Messwert x, Abschn. 4.8.2z Quadrierter z-Wert, Abschn. 4.8.2sz Summe der quadrierten z-Werte, Abschn. 4.8.2ln sz Logarithmische Transformation der sz, Abschn. 4.8.2ln sz Mittelwert der ln sz-Werte, Abschn. 4.8.2A(t) Anzahl Ankünfte im Intervall (, t], Abschn. 4.9N(t) Anzahl Wartender in t, Abschn. 4.9W(t) Wartezeit der Kunden in (, t], Abschn. 4.9k Kapazität (Anzahl Frisöre), Abschn. 4.9Kost(k) Kostenfunktion bezogen auf [TStart , TEnde], Abschn. 4.9Wart(k) Wartezeitfunktion bezogen auf [TStart , TEnde], Abschn. 4.9TStart Zeitpunkt Simulationsbeginn, Abschn. 4.9TEnde Zeitpunkt Simulationsende, Abschn. 4.9ρ Verkehrsintensität im Warteschlangenmodell, Abschn. 4.9f Zielfunktion im LP, Abschn. 4.10x Vektor der Entscheidungsvariablen, Abschn. 4.10c Vektor der Zielfunktionskoeffizienten (Deckungsbeiträge),

Abschn. 4.10A = (ai j) Koeffizientenmatrix, Abschn. 4.10b Vektor der Beschränkungsparameter, Abschn. 4.10x∗ Optimale Lösung, Abschn. 4.10I , J Indexmengen, Abschn. 4.10

Page 21: eXamen978-3-642-35560...RolandM.Müller HochschulefürWirtschaftundRechtBerlin Berlin,Deutschland Hans-JoachimLenz FreieUniversitätBerlin Berlin,Deutschland ISSN1614-5216 ISBN978-3-642

XXII Abkürzungs- und Symbolverzeichnis

Z Zulässiger Bereich, Abschn. 4.10λ Parameter einer Linearkombination, Abschn. 4.10O(m, n) Obere Schranke für Anzahl Eckpunkte im LP, Abschn. 4.10n Anzahl Variablen im LP, Abschn. 4.10m Anzahl Nebenbedingungen (Restriktionen) im LP, Abschn. 4.10c, x , A c , x ,A in LP-Normalform, Abschn. 4.10Em (m,m)-Einheitsmatrix, Abschn. 4.10πi Opportunitätskosten (Schattenpreis) im LP, Abschn. 4.10Zn n-dimensionaler Raum der ganzen Zahlen, Abschn. 4.10

c Koeffizientenvektor für ganzzahliges x in IP, MIP, Abschn. 4.10x , y Obergrenzen für x , y in LP, MIP, Abschn. 4.10x , y Untergrenzen für x , y in LP, MIP, Abschn. 4.10n Anzahl reellwertiger Variablen in MIP, Abschn. 4.10m Anzahl ganzzahliger Variablen in MIP, Abschn. 4.10F() Floskel Nr. 1 für Report bezogen auf 3 Quartale, Abschn. 5.1Qt Quartalsumsatz in t = , , , , Abschn. 5.1CR Erfolgsrate (engl. conversion rate), Abschn. 6.2.2.6CAC Kundenakquisekosten, Abschn. 6.2.2.6r Abzinsungsfaktor, Abschn. 6.2.2.6NPV AbgezinsterWert des Zahlungsstroms über n Perioden,Abschn. 6.2.2.6π(A), π(B) Geschätzte Konversionsraten von A, B, Abschn. 6.2.2.6