Bibtex

@InCollection{,
  Year    = "2019", 
  Title    = "Analytische Informationssysteme, Methoden der", 
  Author    = "Spiliopoulou, Prof. Dr. Myra", 
  Booktitle    = "Gronau, Norbert ; Becker, Jörg ; Kliewer, Natalia ; Leimeister, Jan Marco ; Overhage, Sven (Herausgeber): Enzyklopädie der Wirtschaftsinformatik – Online-Lexikon",
  Publisher    = "Berlin : GITO",
  Url    = "https://wi-lex.de/index.php/lexikon/informations-daten-und-wissensmanagement/business-intelligence/analytische-informationssysteme-methoden-der/", 
  Note    = "[Online; Stand 7. October 2024]",
}

Analytische Informationssysteme, Methoden der


Kurzer Überblick der Methoden für analytische Informationssysteme – Schwerpunkt ist “Entscheidungsunterstützung”

Analytische Informationssysteme dienen der Unterstützung von Entscheidungsträgern, indem sie ihnen entscheidungsrelevante Informationen, Modelle und Simulationsergebnisse für unterschiedliche Szenarien zur Verfügung stellen. Chamoni und Gluchowski zählen zum Bereich Analytische Informationssysteme Technologien wie Online-Analytical-Processing (OLAP), Data Warehousing und Data Mining [2006]. OLAP Technologien dienen dazu, Informationen in einem Data Warehouse zu speichern, zu verwalten und in überschaubarer Form zur Verfügung zu stellen – um “Fach- und Führungskräfte in Entscheidungssituationen mit Informationen zu unterstützen” [Chamoni, Gluchowski & Hahne, 2005]. Data Mining Technologien dienen der Ableitung von Modellen aus den gespeicherten Daten.

In Data Mining unterscheidet man zwischen prediktiven und deskriptiven Modellen. Für die erste Kategorie stehen Methoden des überwachten maschinellen Lernens zur Verfügung, wie etwa Regression und Klassifikation. Sie leiten aus den vorhandenen Daten ein Vorhersagemodell ab, das auf neue Daten angewendet wird: so lässt sich beispielweise die Zahlungsfähigkeit eines noch unbekannten Kunden oder das Innovationspotenzial eines Unternehmens ermitteln. Vorhersagemodelle werden oft mit Scoring-Funktionen verknüpft, die jede Aussage des Modells mit einem Gewicht versehen – etwa dem Verlust, der bei der Ablehnung des Darlehenantrags eines zahlungsfähigen Kunden zu erwarten sei.

Deskriptive Modelle werden mit Methoden des unüberwachten Lernens abgeleitet, etwa mit Clustering-Verfahren. Sie werden unter anderem im analytischen Customer-Relationship-Management eingesetzt – zur Ableitung von Profilen aus Transaktionen und demographischen Daten der Kunden. In Kombination mit Vorhersagemodellen für das erwartete künftige Kaufverhalten von Kunden dienen deskriptive Modelle der Entscheidungsunterstützung und der Planung von Vermarktungsmaßnahmen, etwa bei der Einführung von neuen, kundenprofil-spezifischen Produkten.

Simulationsmethoden und Optimierungsverfahren dienen ebenfalls der Entscheidungsunterstützung durch Auswertung von gespeicherten Daten und von bereits abgeleiteten Modellen. Die Verknüpfung von Data-Mining, Simulations- und Optimierungsmethoden zur Entscheidungsfindung bei komplexen Problemen und sehr großen Datenbeständen wird beispielweise von Michalewicz et al unter dem Stichwort “Adaptive Business Intelligence” [2006] erläutert.


Literatur

Chamoni, Peter; Gluchowski, Peter; Hahne, Michael : Business Information Warehouse: Perspektiven betrieblicher Informationsversorgung und Entscheidungsunterstüzung auf der Basis von SAP-Systemen . Springer : Berlin, 2005.

Chamoni, Peter; Cluchowski, Peter (Hrsg.): Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen. 3., vollst. überarb. Aufl. Springer : Berlin, 2006.

Michalewicz, Zbigniew; Schmidt, Martin; Michalewicz, Matthew; Chiriac, Constain: Adaptive Business Intelligence. Springer : Berlin, 2006.

Hier weiterverbreiten