A
Aktualität 50
Akzeptanz 72
Analytics-Lab 84, 96
Analytics-Plattformen 85
Analytics-Problem 24
API 7
Äquidistanz 150
Area under the Curve 149
Assoziationsanalyse 114
Assoziationsregeln 114
Attribut 27
Aufbauorganisation 94
Ausreißer 120
Ausreißeranalyse 120
Autokorrelation 136
B
Batch Layer 83
Benchmarking 51
Benchmarkingvarianten 53
Betriebswirtschaftliches Problem 23, 24
Betweenness Centrality 133
Big Data 71
Binning 150
Brute Force 116
Business Analytics 18
Business Intelligence 21
Business Model Canvas 42
C
Centroide 110
Closeness Centrality 133
Cloud Computing 78
Cluster 108
Clusteralgorithmen 112
Clusteranalyse 108, 126
Clusteranzahl 110
Community Detection 130
Core Data Warehouse 83
D
Dashboard 85
Data Aquisition Layer 82
Data Governance 95
Data Lake 81
Data Marts 83
Data Mining 22
Data Reservoir 82
Data Science 21
Data Scientist 86
Data Steward 87
Data Virtualization 84
Data Warehouse 82
Daten 67
Datenbewertung 88
Datenhaltung 88
Datenmärkte 88
Datenmatrix 27
Datenqualität 71
Datenquellen 5
Datenschutz-Grundverordnung 92
Datenverfügbarkeit 5
Deep Learning 147
Degree Centrality 132
Dendrogramm 203
Descriptive Analytics 25, 54, 107
Deskriptive Statistik 107
Digitale Transformation 2
Digitalisierung 5
Distanzmaß 109
Dummy-Variablen 136
250E
Ellbogen-Kriterium 111
Ensemble Learnings 144
Entropie 142
Enumeration Tree 117
Equity-Theorie 173
Evidenz 69
F
Fairness 72
Fallstudien 217
Feature 27
Flow Map 194
G
Geschäftsmodell 5
Gestaltgesetz 187
H
Hadoop-Cluster 82
Heatmap 205
Hidden Layer 146
Holdout 147
Homoskedastizität 136
Hotsax-Algorithmus 123
Human Resource-Analytics 13
I
Industrie 4.0 6
Information 68
Informationsasymmetrie 176
Informationsgewinn 142
Infrastructure as a Service 79
Instanzen 27
IT-Architektur 77, 80
J
Jaccard Koeffizient 131
K
Klärung der Mechanismen 171
Klassifikation
Klassifikationsanalyse 140
k-means-Algorithmus 126
KNIME 37, 161
Kompetenzen 14
Konfidenz 115
Konstrukt 46, 172
Korrelationskoeffizient 118
Korrespondenzregeln 172
Kundendaten 7
L
Lambda-Architektur 83
Lattice 117
Lernen 22, 23
Likert-Skala 136
Link Prediction 131
Lösungsidee 24
M
Machine Learning 22
Manufacturing-Analytics 9
Marketing-Analytics 12
Messmodell 46
Modellgrenzen 153
Model Tree 137
N
Neuronale Netze 145
O
Operational Analytics 33
Operationalisierung 46
Optimierung 153
Organisation
Outlier-Score 120
Overfitting 137, 143, 166
P
Perzeptron 145
Platform as a Service 79
Plattformen 44
Portersche Wertkette 43
Präattentive Merkmale 186
Predictive Analytics 25, 55, 134
Preparation 170
Prescriptive Analytics 26, 55, 153
Prestige 132
Pruning 143
R
Random Forrests 144
R&D-Analytics 12
Reaktanztheorie 174
Regressionsanalyse 134
Robotic Process Automation 90
251ROC-Kurve 148
Roh-Evidenz 69, 161, 162, 164, 210, 214
Rollen 87
S
Sandbox 83
Sensitivitätsanalyse 156
Sentiment-Analyse 126
Service-Analytics 10
Serving Layer 83
Signifikanzniveau 139
Simplex-Algorithmus 156
Simulation 154
Slope Chart 192
Social Influence 132
Social Media 7
Social Network-Analysen 128
Software as a Service 79
Sparkline 191
Speed Layer 83
Star Graph 198
Storytelling 187
Sunburst-Diagramm 200
Supply Chain-Analytics 11
Support 114
System Dynamics 157
T
Text Mining 124
Theorien
Topic Modeling 127
Trainingsdaten 31
Treemap 204
U
Überwachtes Lernen 22
Underfitting 137, 166
Unüberwachtes Lernen 23
V
Validität 48
Virtualisierung 83
Visualisierung 182
Visualisierungsform
W
Wirtschaftlichkeit 51
Wissen 68
Word Cloud 190
Worthäufigkeiten 126
Z
Zeitreihe 70, 149
Zeitreihenanalyse 149
Zeitreihenkomponenten 151
Zentralisierungsgrad 94
Zentralität 132
Zielsetzungstheorie 175
www.beck.de
ISBN Print: 978 3 8006 5871 8
ISBN E-Book: 978 3 8006 5872 5
© 2019 Verlag Franz Vahlen GmbH
Wilhelmstr. 9, 80801 München
Satz: Fotosatz Buck
Zweikirchener Str. 7, 84036 Kumhausen
Druck und Bindung: Friedrich Pustet GmbH & Co. KG
Gutenbergstr. 8, 93051 Regensburg
Umschlaggestaltung: Ralph Zimmermann – Bureau Parapluie
Bildnachweis: © Ostapius – depositphotos.com
eBook Datagroup int. SRL, 300665 Timisoara, România
Gedruckt auf säurefreiem, alterungsbeständigem Papier
(hergestellt aus chlorfrei gebleichtem Zellstoff)
Business Analytics ist weit mehr als das Beherrschen von Algorithmen!
Kapitel 1: Grundlagen
1.1 Relevanz von Business Analytics
1.2 Business Analytics und dessen Verhältnis zu verwandten Begriffen
1.3 Entwicklung des Business Analytics-Prozesses
» Teilprozess Framing
» Teilprozess Allocation
» Teilprozess Analytics
» Teilprozess Preparation
1.4 Aufbau des Buches
Weiterführende Literatur
Kapitel 2: Teilprozess Framing
2.1 Kapitelüberblick
2.2 Identifikation des betriebswirtschaftlichen Problems
2.3 Operationalisierung des Problems und Relevanznachweis
2.4 Ableitung des Analytics-Problems
2.5 Fallstudie Ausrüster GmbH
» Problem Serviceverträge
» Problem Auftragspriorisierung
» Problem Kundenzufriedenheit
Weiterführende Literatur
Kapitel 3: Teilprozess Allocation
3.1 Kapitelüberblick
3.2 Daten
» Datentypen
»Datenqualität
3.3 Informationstechnologie
» Komponenten einer IT-Architektur
» Business Analytics-spezifische IT-Architektur
3.4 Personal
» Rollen
» Aufbauorganisation
3.5 Fallstudie Ausrüster GmbH
» Daten
» Informationstechnologie
» Personal
Weiterführende Literatur
VIIIKapitel 4: Teilprozess Analytics
4.1 Kapitelüberblick
4.2 Descriptive Analytics
» Clusteranalysen
» Assoziationsanalysen
» Ausreißeranalysen
» Text Mining
» Social Network-Analysen
4.3 Predictive Analytics
» Regressionsanalysen
» Klassifikationsanalysen
» Zeitreihenanalysen
4.4 Prescriptive Analytics
4.5 Fallstudie Ausrüster GmbH
» Roh-Evidenzen der Assoziationsanalyse
» Roh-Evidenzen der Klassifikationsanalyse
» Roh-Evidenzen der Regressionsanalyse
Weiterführende Literatur
Kapitel 5: Teilprozess Preparation
5.1 Kapitelüberblick
5.2 Klärung der Mechanismen
5.3 Feststellung der Gültigkeitsgrenzen
5.4 Visualisierung
5.5 Fallstudie Ausrüster GmbH
» Klassifikationsanalyse
» Evidenzen der Klassifikation
» Evidenzen der Regressionsanalyse
Weiterführende Literatur
6 Fallstudien
6.1 Fallstudie Bodenbelag GmbH – Optimierter Vertrieb durch Prognose zukünftiger Fokuskunden
6.2 Fallstudie BrainMine GmbH – Identifikation von Technologietrends durch Patendatenanalyse
6.3 Fallstudie InnoMA GmbH – Automatisierte Investitionsentscheidungen durch Robotic Process Automation
6.4 Fallstudie Raumklima GmbH – Auf dem Weg zu Predictive Maintenance
Weiterführende Literatur
Literaturverzeichnis
Sachverzeichnis
von
Prof. Dr. Mischa Seiter
2., komplett überarbeitete und erweiterte Auflage
Verlag Franz Vahlen München
„Für Führungskräfte, die ihr Verständnis von Datenanalyse
erweitern und Analytics-Prozesse überblicken, planen und
steuern wollen, ist das Buch ... ein Muss.“
getabstract zur 1. Auflage
Warum schöpfen manche Unternehmen das Potenzial von Business Analytics voll aus und andere dagegen nicht? Der Grund hierfür ist nicht etwa eine mangelnde Kompetenz bei der Anwendung von Algorithmen. Vielmehr werden andere Aspekte von Business Analytics nicht ausreichend beachtet! Dazu gehören die Interpretation und Visualisierung der Ergebnisse der Algorithmen, aber auch die organisatorische Verortung der Analytics-Funktion.
Dieses Buch vermittelt Führungskräften alle wesentlichen Aspekte von Business Analytics in kompakter Form. Den Rahmen dazu bilden vier Grundfragen:
1. Für welche betriebswirtschaftlichen Probleme sollen die knappen Analytics-Ressourcen eingesetzt werden?
2. Welche Ressourcen, also Daten, IT und Personal, sind zur Lösung der Probleme notwendig?
3. Mit welchen Algorithmen können die Probleme gelöst werden?
4. Wie müssen die Ergebnisse der Algorithmen interpretiert und visualisiert werden, damit Führungskräfte sie korrekt einsetzen können?
Eine Besonderheit dieses Buches sind die zahlreichen Praxisbeispiele. In diesen realen Beispielen werden sämtliche Aspekte von Business Analytics verdeutlicht. Durch eine Mischung unterschiedlicher Branchen und Größenklassen werden tiefgehende Einsichten für den Leser möglich.
Dr. Mischa Seiter ist Professor für Wertschöpfungs- und Netzwerkmanagement am Institut für Technologie- und Prozessmanagement der Universität Ulm und wissenschaftlicher Leiter des International Performance Research Institute. Er ist für den berufsbegleitenden Ulmer Master-Studiengang „Business Analytics“ verantwortlich. Außerdem ist Mischa Seiter zusammen mit Péter Horváth und Ronald Gleich Autor des Standardwerks „Controlling“.
Mittlerweile stellt sich nicht mehr die Frage, ob in Unternehmen Business Analytics implementiert wird, sondern in welcher Form. Zwar unterscheiden sich Business Analytics in unterschiedlichen Branchen mittlerweile stark, allen gemein ist aber, dass der Implementierungserfolg sehr unterschiedlich ist. Warum aber wird das Potenzial von Business Analytics in manchen Unternehmen ausgeschöpft und in anderen nicht? Der Grund hierfür ist nicht etwa die mangelnde Beherrschung der Algorithmen. Vielmehr werden andere Aspekte von Business Analytics nicht ausreichend beachtet! Dazu gehören die Interpretation und Visualisierung der Ergebnisse der Algorithmen, aber auch die organisatorische Verortung der Analytics-Funktion. Denn es ist nicht zu erwarten, dass die Ergebnisse genutzt werden, wenn sie für den Nutzer missverständlich aufbereitet werden. Und es ist ebenfalls nicht verwunderlich, dass eine unpassende Organisation der Analytics-Funktion zu Problemen führt.
Business Analytics wird in diesem Buch interpretiert als die notwendige Reaktion auf eine deutliche Untergewichtung betriebswirtschaftlicher Aspekte in den Bemühungen zur digitalen Transformation. Welche Facette auch diskutiert wird – von digitalen Geschäftsmodellen, über Smart Products, bis zu digitalen Plattformen –, nahezu immer werden technische Aspekte überbetont. Es ist aber genauso wichtig, wie die betriebswirtschaftliche Steuerung von Unternehmen weiterentwickelt werden muss, um den neuen Bedingungen gerecht zu werden.
Aktuellen und zukünftigen Führungskräften werden in diesem Buch die wesentlichen Aspekte von Business Analytics vermittelt. Den Rahmen dazu bilden vier Grundfragen:
1. Für welche betriebswirtschaftlichen Probleme sollen die knappen Analytics-Ressourcen eingesetzt werden?
2. Welche Ressourcen, also Daten, IT und Personal, sind zur Lösung der Probleme notwendig?
3. Mit welchen Algorithmen können die Probleme gelöst werden?
4. Und wie müssen die Ergebnisse der Algorithmen interpretiert und visualisiert werden, damit Führungskräfte sie korrekt einsetzen können?
Das vorliegende Werk ist also weit mehr als ein Methodenbuch. Es werden zwar auch Algorithmen vorgestellt, aber sie sind nur ein Punkt von vielen. Vielmehr geht es um den gesamten Business Analytics-Prozess. Dies entspricht dem Verständnis, dass Business Analytics eben gerade nicht nur die Anwendung von Methoden der Statistik, des Data Mining oder Machine Learning ist.
Eine Besonderheit des Buches sind die zahlreichen Praxisbeispiele. In diesen realen Beispielen werden sämtliche Aspekte von Business Analytics verdeutlicht. Durch eine Mischung unterschiedlicher Branchen und Größenklassen werden tiefgehende Einsichten für den Leser möglich.
VIAbschließend gilt mein Dank den zahlreichen Vertretern der Unternehmen, die Beispiele für dieses Buch beigesteuert haben. Darüber hinaus meinen Kollegen an der Universität Ulm und dem International Performance Research Institute, die das Manuskript kritisch geprüft haben. Insbesondere sind dies Philip Autenrieth, Christoph Bayrle, Felicitas Heering, Marcus Jung, Sebastian Kasselmann, Sebastian Künkele, Frank Liepe, Benjamin Richter, Maria Seiter und Oliver Treusch. Ebenso gilt mein Dank den zahlreichen Teilnehmern des berufsbegleitenden Master-Studiengangs „Business Analytics“ der Universität Ulm für ihre Hinweise.
Prof. Dr. Mischa Seiter im Juli 2019