Business Analytics beschreibt den Prozess der so genannten Datenveredelung. Es ist ein strategisches Werkzeug für Entscheidungsträger in Unternehmen. Lösungen der Business Analytics kommen branchenübergreifend zum Einsatz. Ziel ist es, Antworten nicht nur auf die Frage: „Was war?“, sondern auch: „Was wird sein?“ zu finden.
Grundlegendes Verständnis
Unter Business Analytics wird, allgemein betrachtet, die kontinuierliche Erforschung und Untersuchung von vergangenheitsorientierten Geschäftsdaten verstanden, um darin Erkenntnisse sowohl über die abgelaufene als auch die kommende Geschäftstätigkeit zu erlangen, die wiederum in die einzelnen zu planenden Geschäftsaktivitäten einfließen. Die Kontinuität entsteht durch die regelmäßige Ausführung von Analysetätigkeiten, die sich entsprechend in einer Ablauforganisation implementieren lassen. Iterativ sind derartige Aktivitäten, weil im Analyseprozess häufig eher neue Fragen als abschließende Antworten entstehen, die letztlich zu untersuchen sind. So kann die bisherige Geschäftstätigkeit nachvollzogen werden, um Verbesserungen bei neuen Handlungen zu ermöglichen. Letztlich ist Business Analytics ein Prozess, der aus mehreren Schritten besteht (siehe Abb. 1).
Abb. 1: Business analytics als Prozess
Das fachliche Verständnis bestimmt die Auswahl der Daten, wobei oftmals Rückfragen beziehungsweise Nachbesserungen erforderlich sind, sodass fachliches Verständnis und Datenverständnis interdependent sind. Die vorliegenden Daten werden entsprechend aufbereitet in ein Modell überführt. Dabei bringt es die Modellbildung mit sich, dass die Aufbereitung neuerlich durchzuführen ist, da beispielsweise ein anderer Algorithmus als ursprünglich geplant genutzt wird. Die erzeugten Modelle sind zu evaluieren und deren Ergebnisse zur Nutzung an die jeweiligen Anwender weiterzuleiten. Die Erkenntnisse aus deren Nutzung fließen wieder als fachliches Verständnis in einen neuen Durchlauf ein.
Bereits seit Ende der 1990er Jahre ist der KDD-Prozess (KDD = Knowledge Discovery in Databases) mit seinen Schritten der Datenauswahl, Vorverarbeitung, Transformation, Data Mining und der Ergebnisinterpretation theoretische Grundlage marktgängiger Software. Letztlich basiert auch die Business Analytics auf diesen Vorgehensschritten und erweitert diesen KDD-Prozess um eine Quellenbewirtschaftung zu Beginn und fachliche Handlung im Sinne einer zu treffenden Entscheidung und deren Durchsetzung am Ende des Prozesses. Im Weiteren wird das KDD um den Evaluationsschritt ergänzt, er dient dem Vergleich der erzeugten Modellvarianten anhand eines so genannten Gütemaßes.
Somit liegt nun ein Prozess vor, der eine Langfristigkeit und damit eine strategische Komponente in sich birgt, da die Ergebnisse Entscheidungsgrundlage für das unternehmerische Handeln darstellen. Fachliche Analyseanforderungen und technische Komponenten zur zielgruppen- und aufgabenadäquaten Unterstützung sind in diesem Prozess gemeinschaftlich zu betrachten, um im Rahmen der Informationslogistik – Daten zur richtigen Zeit dem richtigen Empfänger in der richtigen Qualität zur Verfügung zu stellen [Dinter und Winter 2008] – eine sinnhafte Vollautomation zu erzeugen. Das informationslogistische Verständnis der Business Intelligence – der Prozess, Daten zu sammeln, aufzubereiten und zur Entscheidungsfindung zur Verfügung zu stellen [Chamoni und Gluchowski 2006] – mündet in der praktischen Umsetzung eher in eine Standardorientierung mit konsistenten Kennzahlen (Metriken) und Analysen. Business Intelligence ist mit vordefinierten Berichtstrukturen zur Beantwortung vorab definierter Fragestellungen dashboard-basiert, sodass ein indirekter Zugriff auf multidimensionale Strukturen, Berichte und aggregierte Daten stattfindet, was jedoch auch zu einem Exception Reporting, also dem Triggern von automatisierten Informationsbereitstellungen bei Schwellenwertüberschreitungen [Felden und Buder 2012, S. 17ff.] weiter gedacht werden kann. Business Analytics ergänzt das Verständnis der Business Intelligence um weitere Analysen von zum Beispiel Geschäftsaktivitäten und richtet dabei den Fokus auf die Unterstützung von interaktiven und erforschenden Analysen durch Endanwender. Das Ziel ist die Sammlung neuer Erkenntnisse und damit eine Verständnisgewinnung über vergangene Aktivitäten zur Entdeckung unbekannter Muster/Strukturen in den Datenbeständen. Dabei basiert Business Analytics auf Detaildaten, um einzelne Aktivitäten entsprechend betrachten und analysieren zu können.
Zunehmende Bedeutung der Business Analytics
Daten beziehungsweise bereits daraus generierte Informationen zu besitzen, ist in den Unternehmen nicht mehr ein Wert an sich, vielmehr besteht der Wert darin, die Möglichkeit und Fähigkeit zu besitzen, Informationen aus unübersichtlichen Mengen von Daten und deren heterogenen Strukturen zu identifizieren und Entscheidungsträgern als Grundlage für unternehmerische Entscheidungen zur Verfügung zu stellen. Mit dem Fokus auf eine Datenauswertung ist dabei zwangsläufig das Thema der Business Analytics zunehmend in den Mittelpunkt gerückt. Darauf basierend verbindet Business Analytics moderne Verfahren der Auswertung von großen Datenvorräten, vor allem Data Mining, maschinelles Lernen auf Grundlage der Künstlichen Intelligenz und statistischer Methoden. Mittlerweile kombiniert Business Analytics einzelne Komponenten wie Kennzahlenkonzepte, Active/Realtime Warehousing, Data Mining und Text Mining, User-Interface-Konzepte oder Systemintegration. In dieser Zusammenführung einzelner Komponenten liegt der eigentliche Nutzen, der es mit sich bringt, dass der Entscheider heute viel schneller auf Veränderungen in seinem Unternehmen oder der Unternehmensumwelt reagieren kann. Der strategische Mehrwert von Business Analytics wird damit deutlich. Entwicklungen der letzten Jahre haben das Image und den Agitationsrahmen von Business Analytics erweitert: Stichworte wie Systemintegration, Geschäftsprozessorientierung oder Benutzeroberflächendesign werden mit Business Analytics in Verbindung gebracht [Olson und Delen 2008, S. 151 ff.].
Definitorische Abgrenzung
Im Allgemeinen wird unter Business Analytics die Anwendung analytischer Verfahren zur Datenauswertung verstanden. Dabei sind sich alle Definitionen darüber einig, dass statistische Verfahren, Ansätze des Data Mining und des Text Mining sowie Optimierungs- und Simulationsmethoden zur Anwendung kommen. Im Folgenden werden zunächst ausgewählte Definitionen, die unterschiedliche Charakteristika der Business Analytics betonen, diskutiert, sodass deren Elemente in eine Begriffsbeschreibung überführt werden können.
Ohne eine Priorisierung der ausgewählten Definitionsansätze vorgenommen zu haben, erfolgt im Folgenden zunächst die Betrachtung der Definition der Business Analytics nach Gartner:
„Business analytics is comprised of solutions used to build analysis models and simulations to create scenarios, understand realities and predict future states. Business analytics includes data mining, predictive analytics, applied analytics and statistics, and is delivered as an application suitable for a business user. These analytics solutions often come with prebuilt industry content that is targeted at an industry business process (for example, claims, underwriting or a specific regulatory requirement).” [Gartner 2016]
Gartner stellt insbesondere die Tätigkeit an sich in der Vordergrund. Diese besteht darin, Analysemodelle mittels Algorithmen zu erzeugen, die in unterschiedlichen Entscheidungsszenarios Einsatz finden können. Dabei können diese bereits vortrainiert sein, also branchenspezifisch vorbereitet sein, um einen schnelleren Einsatz zu ermöglichen.
Die New Yorker Stern School of Business vertieft in seiner Beschreibung des MBA Programms Business Analytics den algorithmischen Aspekt und beschreibt:
„Business Analytics is the study of data through statistical and operations analysis, the formation of predictive models, application of optimization techniques and the communication of these results to customers, business partners and colleague executives.“ [Stern 2016]
Es ist zu erkennen, dass die von Gartner benannte Tätigkeit hier tiefergehend auf die Anwendung statistischer Analyseverfahren oder auch Optimierungsmethoden eingegrenzt wird. Ergänzend erfolgt ein Hinweis auf die Ergebniskommunikation hin zu unterschiedlichen Interessenten, was somit zu einem weiteren Charakteristikum wird.
Evan Stubbs präzisiert in seinem Buch: „The Value of Business Analytics: Identifying the Path to Profitability” eine andere Facette:
“The cornerstone of business analytics is pure analytics. Although it is a very broad definition, analytics can be considered any data-driven process that provides insight. It may report on historical information or it may provide predictions about future events; the end goal of analytics is to add value through insight and turn data into information.” [Stubbs 2013]
Stubbs unterscheidet zusätzlich den zeitlichen Aspekt der betrachteten Daten. Er subsummiert unter diesem Begriff das Berichtswesen historischer Daten und damit das Reporting beziehungsweise das Online Analytical Processing (OLAP). Ergänzend werden hier zukunftsorientierte Daten betrachtet. Alle Daten sind mit dem Ziel zusammenzustellen, Transparenz und ein erhöhtes Verständnis über die Aktivitäten und zukünftig möglichen Entwicklungen zu schaffen, so dass Business Analytics nicht mehr eine Daten- sondern eine Informationsnutzung ist, die im Rahmen der Entscheidungsfindung stattfindet.
Das Beratungshaus Ernst & Young bringt einen weiteren Aspekt in die Diskussion ein:
“How an organization gathers, searches, models, analyses and interprets data so as to aid decision-making and improve or optimize business processes.” [Ernst & Young 2016]
In dieser Definition ist erkennbar, dass die gesamte Organisation gefordert ist, datenorientiert zu agieren, um eine Entscheidungsunterstützung zu Gunsten der Verbesserung der Wertschöpfungsprozesse zu ermöglichen. Allerdings wird nicht weiter vertieft, welche Aspekte einer Organisation explizit betroffen sind.
Laursen und Thorlund greifen in ihrem Buch: „Business Analytics for Managers: Taking Business Intelligence Beyond Reporting“ das Systemdenken auf und agieren dabei dann auch organisationsorientiert. Sie definieren:
“We look at BA as information systems, consisting of three elements: 1. The Information systems contain a technological element. 2. Human competencies. 3. The information systems must contain some specific business processes that make use of the information or the new knowledge.” [Laursen und Thorlund 2016]
Analog dem in der deutschsprachigen Wirtschaftsinformatik üblichen Mensch-Aufgabe-Technik-Dreieck wird ein Spannungsfeld beschrieben, in dem Business Analytics wirkt. Wie dieses Wirken gestaltet werden soll, wird nicht näher spezifiziert, sondern lediglich darauf verwiesen, dass mit der Steuerung der Systemelemente Informationen oder neu erzeugtes Wissen nutzbar gemacht werden können.
Das online verfügbare Business Dictionary, als eine in der Praxis oftmals genutzte Referenz, konzentriert sich bei der begrifflichen Abgrenzung auf die operationale Ebene und damit die einzelnen Tätigkeiten, die im Einzelnen innerhalb eines Prozesses anfallen:
“Process of determining and understanding the effectiveness of various organizational operations. Business analytics can be either focused on internal or external processes. Different specializations exist, encompassing most major aspects of business, including risk analysis, market analysis, and supply chain analysis.” [Business Dictionary 2016]
In den einzelnen Geschäftsprozessen, ob diese nun intern oder extern bestehen, werden bezogen auf den in den Prozessen vorhandenen Aufgaben (Operationen) Analysen auf diese selbst bezogen oder aufgabenübergreifend ausgeführt, um deren Effektivität und damit deren Ausführungsgenauigkeit zu bestimmen. Auffallend ist hier, dass die Aufgabeneffektivität in Geschäftsprozessen betont wird, jedoch keine Entscheidungsunterstützung im breiteren Kontext wie zum Beispiel einer strategischen Ausrichtung benannt wird.
Wikipedia, als weitere Onlineressource, benennt:
„Business analytics (BA) refers to the skills, technologies, applications and practices for continuous iterative exploration and investigation of past business performance to gain insight and drive business planning. Business analytics focuses on developing new insights and understanding of business performance based on data and statistical methods.” [Wikipedia 2016]
In dieser Begriffsannäherung werden zusätzlich auch im Kontext der Business Analytics geforderte Fähigkeiten benannt. Dabei wird jedoch nicht differenziert, ob es sich um die Fähigkeiten der Mitarbeiter oder um Fähigkeiten der Organisation an sich geht. Beide sind aber grundsätzlich von Bedeutung, da der prozessuale Gedanke der Business Analytics, Daten zu sammeln, aufzubereiten und zur Entscheidungsunterstützung zur Verfügung zu stellen, die Organisation dahingehend beeinflusst, datengetrieben zu werden, zum anderen aber auch qualifizierte Mitarbeiter in allen Phasen des Prozesses benötigt, um dies sinnhaft einsetzen zu können.
In ihrem Buch: „Business Analytics: A Practitioner’s Guide“, betonen Saxena und Srinivasan den Entscheidungsprozess an sich:
“Analytics is a vast new terrain that has emerged from the evolution of fields of study that can be integrated to help conceive of, make, and execute smarter decisions or to go from idea to execution in a more rational way, using data, models, and governance processes that leverage this vast and fast-evolving body of knowledge.” [Saxena und Srinivasan 2013]
Dabei geht es den Autoren nicht um die Prozessschritte an sich, sondern um die Art der Entscheidungsfindung. Diese wird oftmals nicht nur durch die vorhandene Informationslage beeinflusst, sondern darüber hinaus durch persönliche Eindrücke oder Empfindungen der Entscheidungsträger. Business Analytics soll nun eine rationalere Betrachtung der Sachlage ermöglichen und damit von persönlichen Einflüssen abstrahieren, so dass Entscheidungen auch für Dritte nachvollziehbarer werden.
Umfassend nähern sich Davenport und Harris im Buch: „Competing on Analytics: The New Science of Winning” dem Begriff:
“In that sense, then, “business analytics” can be defined as the broad use of data within organizations. It encompasses query and reporting, but aspires to greater levels of mathematical sophistication. It includes analytics, of course, but involves harnessing them to meet defined business objectives. Business analytics empowers people in the organization to make better decisions, improve processes and achieve desired outcomes. It brings together the best of data management, analytic methods, and the presentation of results—all in a closed-loop cycle for continuous learning and improvement.” [Davenport und Harris 2007]
Zunächst lässt sich in dieser Beschreibung der Prozessaspekt identifizieren, der organisational zu reflektieren ist, da sonst kein dauerhaftes Lernen und keine dauerhafte Verbesserung möglich sind. Im Weiteren wird auf die Qualifikation der Mitarbeiter abgestellt, die diese haben müssen, um Business Analytics überhaupt sinnhaft einsetzen zu können. Dies bedingt, dass sich Mitarbeiter mit analytischen Verfahren aber auch mit der Ergebnispräsentation (Visualisierung) und nicht nur mit dem Berichtswesen an sich auseinanderzusetzen haben, um die Entscheidungsprozesse positiv zu beeinflussen und eine wissensbasierte Organisation zu schaffen.
Zusammenfassend für diese Diskussion und im Hinblick auf weitere Definitionsansätze ist festzuhalten, dass sich nahezu alle Begriffsannäherungen auf analytische Verfahren konzentrieren. Dies wird ggf. mit dem Hinweis erweitert, dass schon das Berichtswesen beziehungsweise das Online Analytical Processing ein Bestandteil dieser Verfahren ist. Ergänzende Facetten, die beispielsweise in der Organisation, deren Kultur und Mitarbeiterqualifikation begründet liegen, sind eher selten zu finden. Insbesondere diese Parameter [Laudon et al. 2009] sind aber erfahrungsgemäß für einen Erfolg von IT-Investitionen erforderlich.
Abb. 2: Zusammenhang von IT-Investitionen und Produktivitätssteigerungen
Die reine Investition in Informationstechnologie führt nicht automatisch dazu, dass damit Produktivitätssteigerungen einhergehen (vgl. Abb. 2). Nutzenstiftend sind erfahrungsgemäß die Projekte, die auch Parameter wie organisatorische Auswirkungen oder Mitarbeiterqualifizierung mit ins Kalkül ziehen und diese im Informationsmanagement berücksichtigen. Auch das in den letzten Jahren zunehmend diskutierte System Thinking [Meadows und Booth Sweeney 2010] greift diesen Gedanken auf. Demzufolge ist Informationstechnologie nur ein Element im System, in dem weitere beeinflussende Elemente existieren, die zu identifizieren und zu steuern sind. Somit ist der Gedanke der Mensch-Aufgabe-Technik-Systeme gegeben, der das Zusammenspiel der Elemente beschreibt und damit auch die Grundlage des Informationsmanagement für die Business Analytics bildet.
Zunächst einmal ist bei einer Einführung von Business Analytics der Mehrwert für das Unternehmen zu bestimmen, da der erworbene Nutzen den Aufwand rechtfertigen muss. Eine weitere Facette ist die zu Grunde liegende projektorientierte und prozessuale Betrachtung. Das projektorientierte Charakteristikum entsteht daraus, dass es beispielsweise in der Natur von Data Mining-Ansätzen liegt, kein Regelkreis zu sein. Für die jeweiligen wertstiftenden Aufgabenstellungen sind jeweils neu Daten zusammenzustellen, zielorientierte Analyseoptionen für die dann zu Grunde liegenden Daten zu evaluieren und auszuführen, um die Ergebnisse im täglichen Geschäftsbetrieb einsetzen zu können. Dies erfordert auch entsprechende Fähigkeiten: zum einen in der Verfügbarkeit entsprechender Technik, zum anderen aber auch im Know How der Mitarbeiter bezüglich der Datenaufbereitung, der anzuwendenden Algorithmen und der Ergebnisinterpretation. Insbesondere an dieser Stelle wird das Schnittstellendasein der hiermit betrauten Mitarbeiter zwischen Fachlichkeit und Technik deutlich. Im Weiteren ist die Visualisierung des Ergebnisses ein bedeutendes Thema. Diese muss eine Kommunikation der Ergebnisse zu unterschiedlichen Empfängern in der Form ermöglichen, sodass die Ergebnisse direkt verstanden und in Handlungen überführt werden können. Informationsvisualisierung kombiniert die Stärken der interaktiven Datenanalyse mit der menschlichen Fähigkeit, Muster oder Trends visuell erfassen zu können. Eine kognitive Unterstützung muss als ein Semiautomatismus gestaltet sein, sodass Steuerinformationen entsprechende Änderungen in der Visualisierung durchführen [Ware 2012, S. 212 ff.]. Anforderungen einer Analyseunterstützung der Anwender werden durch die Dynamische Abfragetechnik als visuelle Alternative zur Structured Query Language (SQL) als Abfragesprache erfüllt. Visual Analytics unterstützt dabei als exploratives Verfahren die drei Stufen der Problemlösung, i.e. Vorbereitung, Entscheidungsgenerierung und Entscheidung.
Fasst man nun diese einzelnen Aspekte zusammen, stellt der in der nachfolgenden Abbildung dargestellte Prozess die Essenz der Ausführungen dar (Abb. 3).
Abb. 3: Vorgehensmodell für Business Analytics
Grundsätzlich ist eine Datenquellenbewirtschaftung in dem Sinne erforderlich, als das mögliche interessante Datenquellen immer wieder zu identifizieren und bezüglich aktueller Inhalte zu überwachen sind. Aus internen und externen Quellen lassen sich Daten aufgabenorientiert zusammenstellen, um mittels unterschiedlicher Algorithmen Entscheidungsmodelle aufzustellen. Nach deren Ergebnisevaluation sind die geeigneten Ergebnisse in eine angemessene Visualisierung zu übertragen, so dass ein Entscheidungsträger diese direkt verwerten kann. Letztlich sollen die Entscheidungen zu unternehmerischen Handlungen führen, die wiederum Gegenstand der Datenerhebung sein sollen. Dies ist zum einen notwendig, um das Ergebnis im Sinne der Bestätigung der Nützlichkeit zu bestimmen. Zum anderen werden wiederum Eingaben in einen neuerlichen Business-Analytics-Prozess dargestellt. Dazu ist eine angemessene Informationstechnologie in allen Phasen des Prozesses genauso wie eine entsprechende Mitarbeiterqualifizierung erforderlich, um dies nutzenstiftend umsetzen zu können. Die genutzte Technik aber auch die Mitarbeiter können unternehmensintern oder -extern positioniert sein, was gegebenenfalls ein vollständiges oder partielles Outsourcing der Business Analytics mit sich bringt. Insbesondere das Cloud Computing ist ein zu nennender Themenkomplex, da dieser Begriff unterschiedliche Formen der Auslagerung von der Datenhaltung bis hin zur Datenanalyse beschreibt. Zusätzlich wäre aber immer die Frage zu klären, ob ein Unternehmen das fachliche Know How im Unternehmen aufbaut oder dieses von außen bei Bedarf zukauft.
Basierend auf diesen Erkenntnissen lässt sich abschließend die nachstehende Definition der Business Analytics zu Grunde legen:
Business Analytics ist die Kombination von Menschen, Aufgaben und Technik und damit von Fähigkeiten, Technologien, Algorithmen, Anwendungen, Visualisierungen und Prozessen, die nutzenstiftend unternehmensintern oder -extern Anwendung finden, um einen Einblick in die Geschäftstätigkeit auf Basis von unternehmensinternen und -externen Daten zu gewinnen. Der projektorientierte Einsatz erfolgt in einem Prozess, um unternehmensweite Aktivitäten zu bewerten, so dass über Abteilungs- und Unternehmensgrenzen hinweg Erkenntnisse als Entscheidungsbasis gesammelt werden, um aktuelle Maßnahmen und zukunftsorientierte Handlungen daraus abzuleiten, welche die Unternehmensperformance positiv beeinflussen und die langfristige Unternehmensentwicklung sichern.
Literatur
Busines Dictionary: Objective Function. http://www.businessdictionary.com/definition/objective-function.html. Abgerufen am 06.10.2016
Chamoni, P.; Gluchowski; P.: Analytische Informationssysteme: Business Intelligence-Technologien und –Anwendungen. 3. Auflage. Springer-Verlag: Berlin, Heidelberg 2006.
Davenport, T. H.; Harris, J. G.: Competing on Analytics: The New Science of Winning. Harvard Business School Press: Boston 2007.
Dinter, B.; Winter R.: Integrierte Informationslogistik. Springer-Verlag: Berlin, Heidelberg 2008.
Ernst & Young: Big data – Changing the way businesses compete and operate. http://www.ey.com/ Publication/vwLUAssets/EY_-_Big_data:_changing_the_way_businesses_operate/$FILE/EY-Insights-on-GRC-Big-data.pdf. Abgerufen am 06.10.2016
Felden, C.; Buder, J.: Entscheidungsunterstützung in Netzgesellschaften. In: Wirtschaftsinformatik 1 (2012), S. 17-32.
Gartner: Business Analytics. http://www.gartner.com/it-glossary/business-analytics. Abgerufen am 06.10.2016
Laudon, K. C.; Laudon, J. P.; Schoder, Detlef: Wirtschaftsinformatik – Eine Einführung. 2. Auflage. Pearson Studium: München et al. 2009.
Laursen, G. H. N.; Thorlund, J.: Business Analytics for Managers: Taking Business Intelligence Beyond Reporting. 2. Auflage. Wiley: Hoboken 2016.
Meadows, D.; Booth Sweeney, L.: The Systems Thinking Playbook: Exercises to Stretch and Build Learning and Systems Thinking Capabilities. Chelsea Green Publishing: White River Junction 2010.
Olson, D. L.; Delen, D.: Advanced Data Mining Techniques. Springer-Verlag: Berlin, Heidelberg 2008.
Pospiech, M.; Felden, C.: Big Data – Stand der wissenschaftlichen Betrachtung: Zu viele Daten, zu wenig Wissen. In: BI Spektrum 1 (2013), S. 7-13.
Saxena, R.; Srinivasan, A.: Business Analytics: A Practitioner’s Guide. Springer-Verlag: New York 2013.
Stern: Why Business Analytics at NYU Stern? http://www.stern.nyu.edu/programs-admissions/global-degrees/business-analytics/program-overview/what-business-analytics. Abgerufen am 06.10.2016
Stubbs; E.: Delivering Business Analytics – Practical Guidelines for Best Practice. Wiley: Hoboken 2013.
Ware, C.: Information Visualization. 3. Auflage. Morgan Kaufmann: Waltham 2012.
Wikipedia: Business Analytics. https://en.wikipedia.org/wiki/Business_analytics. Abgerufen am 06.10.2016
