Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Vernetzte Datenbanken, Informationsgewinnung und Wissenstransfer

Ähnliche Präsentationen


Präsentation zum Thema: "Vernetzte Datenbanken, Informationsgewinnung und Wissenstransfer"—  Präsentation transkript:

1 Vernetzte Datenbanken, Informationsgewinnung und Wissenstransfer
Prof. Dr. Dr. Popp FH Deggendorf

2 Gliederung Verteilte Datenbanksysteme Data-Warehouse
Gewinnung von Information Data-Mining und OLAP Externe Datenbanken und Internet Planungs- und Kontroll- sowie Wissensmanagementsysteme Wissen und Wissenstransfer Wissensarten Strategien und Methoden des Wissenstransfers Auf dieser Folie alle Kapitel eintragen. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

3 Verteilte Datenbanksysteme (1)
Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

4 Verteilte Datenbanksysteme (2)
Nach C.J. Date muss ein verteiltes DBS folgende Punkte erfüllen: Lokale Autonomie Keine zentralen Knoten Unterbrechungsfreier Betrieb Standortunabhängigkeit Fragmentierungsunabhängigkeit Replizierungsunabhängigkeit Verteilte Query Hardware-, Betriebssystem und Netzwerkunabh. DBMS-Unabhängigkeit Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

5 Begründung von Data Warehouse Projekten
0% 10% 20% 30% 40% 50% 44% Strategische Initiative 39% Wettbewerb Evaluierung von Technologien 17% 13% DW Folgeprojekt 13% ROI Analyse 11% Kostenkontrolle Die eben geschilderte betriebswirtschaftliche Zielsetzung zeigt sich auch deutlich bei der Begründung von Data Warehouse Projekten. Eine entsprechende Untersuchung nennt als wichtigste Auslöser strategische Initiativen sowie Wettbewerbsgesichts-punkte. Die Fokussierung auf bestimmte Marktsegmente ist nichts anderes als eine strategische Positionierung. Die Abbildung zeigt darüber hinaus, daß die Informationstechnologie heute nicht mehr nur nach reines Rationalisierungsinstrument gesehen wird, sondern immer mehr auch zur Leistungssteigerung und Wettbewerbsdifferenzierung eingesetzt wird. 10% BPR 10% Andere Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

6 Kennzahlen Charts Reports
Bestimmungsgrößen des spezifischen Informationsbedarfs Kennzahlen Objektive Faktoren - Funktionsbereich - Branche - Unternehmensform - ... Subjektive Faktoren - Arbeitsklima - Arbeitsstil - ... Charts Reports Situative Faktoren - Wirtschaftslage - Handlungsdruck - ... Nachdem wir die betriebswirtschaftlichen Auslöser für Data Warehouse Systeme betrachtet haben, wollen wir uns im nächsten Schritt dem Informationsbedarf eines Entscheidungsträgers zuwenden. Hier gilt es zunächst einmal die Frage zu beantworten, welche Bestimmungsgrößen eigentlich den individuellen Informationsbedarf eines Managers ausmachen. Genügt es, eine Entscheidungssituation sachlich zu betrachten und die dazu nötigen Informationen bereitzustellen oder spielen auch andere Faktoren eine Rolle? Wie man dem Schaubild entnehmen kann, ist der individuelle Informationsbedarf sehr wohl auch von dem persönlichen Arbeitsstil, dem generellen Umgang mit Informationen im Unternehmen, der wirtschaftlichen Lage des Unternehmens und vielen anderen Einflußgrößen mehr abhängig. Eine Data Warehouse Lösung muß darauf Rücksicht nehmen! Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

7 Datenquellen und Datenarten
Online Daten- Banken / Internet Operative Verfahren sammeln, filtern, bewerten bereinigen, strukturieren, ergänzen Transformations- werkzeuge Redaktions- leitstand Auftragseingang, Umsatz, Kosten Deckungsbeitrag, Produktivität, ... Kundenbesuchs- Berichte, Projekt- berichte, ... Marktvolumen, Marktanteile, Verbrauchs- Kennzahlen, ... Presse- Meldungen, Patente, Gutachten,... qualitativ quantitativ intern extern Datenart Datenquelle Informationsbedarf Eine nähere Betrachtung des Informationsbedarfs führt zu der Frage, um welche Arten von Daten es sich dabei handelt und woher diese kommen. Generell kann man zwischen quantitativen und qualitativen Entscheidungsinforma-tionen unterscheiden. Während es sich bei den einen i.d.R. um wohldefinierte und strukturierte Kennzahlen und Fakten handelt, sind qualitative Daten eher beschrei-bende Dokumente mit inhaltlichen Aussagen. Bei den Datenquellen kommen sowohl die operativen Systeme innerhalb des Unter-nehmens, zunehmend aber auch externe Datenquellen in Betracht. Die Abbildung macht darüber hinaus deutlich, daß die Bereitstellung dieser Informa-tionen eine Reihe von Tätigkeiten beinhaltet (sammeln, filtern, bewerten von externen Daten, bereinigen, strukturieren, ergänzen von internen Daten), auf die in der Folge noch eingegangen wird. Die Führungsinformationssysteme der 70iger und 80iger Jahre haben sich über-wiegend auf interne quantitative Daten gestützt. Heute weiß man, daß Führungskräfte ihre Entscheidungen sehr stark auf der Grundlage qualitativer externer Informationen oder auf Basis von Kombinationen aus internen, externen, quantitativen und qualitati-ven Informationen vorbereiten. Diese Tatsache erklärt erklärt u.a. auch die mangelnde Akzeptanz dieser frühen Systeme. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer Nach: Meier, M., Fülleborn, A., Integration, externer Führungsinformationen ..., WI 41(1999)5, S 449 ff.

8 Informationen sind ein kritischer Erfolgsfaktor
Nachdem wir uns über die betriebswirtschaftliche Zielsetzung und den sich daraus ergebenden Informationsbedarf im Klaren geworden sind, können wir uns nun den Potentialen eines Data Warehouses zuwenden. Der Hauptnutzen liegt offensichtlich in der Automatisierung aller Pro-zesse, die mit der Beschaffung, Aufbereitung und Bereitstellung von Informationen zum Treffen von Entscheidungen (Führungsinformationen) zusammenhängen.. Informationsbeschaffung muß nicht das Durchforsten des Papierbestandes sein Informationsbeschaffung läßt sich durch Data Warehouse automatisieren Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

9 Data Warehouse Data Warehouse Einkauf Lager/Bestände Personal Finanzen
Vertrieb Kunden Lieferanten Markt Wettbewerb Interne Informationsressourcen Externe Informationsressourcen Data Warehouse Analysen, Trends Berichte Das Schaubild verdeutlicht in grafischer Form die Zielsetzung eines Data Warehouse: Es dient als zentraler „Lagerplatz“ sowohl für intern anfallende Informationen aus den verschiedenen Funktionsbereichen (Einkauf, Lagerhaltung, Personal, Vertrieb, Finanzen) als auch für externe Informationen über Kunden, Lieferanten, Märkte oder Wettbewerber. Die beiden Bildschirme links und rechts deuten an, daß die im Data Warehouse gelagerten Informationen einerseits in Form von Berichten ausgewertet werden, andererseits aber auch als Grundlage für tiefergehende Analysen und Trend-untersuchungen herangezogen werden. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

10 Data Warehouse: Definition
Ein Data Warehouse ist ein Lösung, die das Treffen von Ent-scheidungen und Geschäftshandlungen erleichtert, indem sie die richtigen Informationen und analytischen Fähigkeiten zur richtigen Zeit liefert. Bestimmende Merkmale: integriert, d.h., aus verschiedenen Datenbeständen in eine homogene Begriffswelt zusammengeführt themenorientiert, d.h., auf die Informationsbedürfnisse des Anwenders ausgerichtet historisch, d.h., Einbeziehung von zurückliegenden Werten (aber auch von Planzahlen) nicht flüchtig, d.h., jederzeitige Wiederholbarkeit einer Abfrage! Der Versuch, den Begriff Data Warehouse näher zu definieren, führt zu einer Vielzahl von Beschreibungen und Charakterisierungen. Eine solche Charakterisierung sei hier stellvertretend aufgeführt. Neben dem Fokus auf die Entscheidungsunterstützung und die Automatisierung der Informationslogistik (die richtigen Informationen zur richtigen Zeit in der richtigen Menge) sei noch einmal auf die analytischen Fähigkeiten zur Auswertung des Informationsbestandes hingewiesen. Die bestimmenden Merkmale ergänzen diese Definition um weitere Aspekte: Ein Data Warehouse stellt einen in sich homogenen Datenbestand dar, in dem Daten aus unterschiedlichen Quellen einfließen (integriert). Ein Data Warehouse ist kein Sammelsurium möglichst vieler Informationen, sondern setzt eine genaue Informationsbedarfsanalyse seiner Anwender voraus (themenorientiert). Ein Data Warehouse enthält neben aktuellen Informationen auch dazugehörige Plan-daten und Vergangenheitsdaten (historisch). Die Daten und Strukturen eines Data Warehouse stehen über einen längeren Zeit-raum zur Verfüfung. Abfragen können deshalb beliebig oft wiederholt werden und führen immer zum gleichen Ergebnis (nicht flüchtig). Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

11 Nutzung eines Data Warehouse
Sollte ich einen Wettbe- werb ausloben? Hier ist eine Ge- legenheit! Analyse Erkennen von Zusammen- hängen Entdecken Wie läuft die Produktion Wie entwickelt sich meine Direktion? Wo steht aktuell Vermittler Maier Berichten, veröffentlichen verteilen & durchsehen Leistungs- bemes- sung Ad-hoc- Anfragen Verifizieren Die Abbildung verdeutlicht noch einmal die grundsätzlichen Nutzungsweisen eines Data Warehouse: Zum einen unterstützt es die Einschätzung und Beurteilung bestimmter Situationen (Verifizieren). Dieses kann in Form einer regelmäßigen Berichtserstattung oder auch auf Anfrage ad-hoc erfolgen. Zum anderen erlaubt es, auf dem vorhanden Datenbestand Analysen durchzuführen, um bestimmte Fragestellungen zu beantworten oder Zusammenhänge innerhalb der Informationsbasis aufzuzeigen (Entdecken). Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

12 Online Datenbanken mit wirtschaftsrelevanten Informationen für Data Warehouse
Institutionen: Datenbankanbieter Medien Markt- und Wirtschaftsforscher Organisationen und Verbände Öffentliche Institutionen Banken Unternehmungsberatungen Informationen: Produktinfos Unternehmensdaten Marktdaten Analysen Studien, ... Kosten: Grundgebühr Mindestgebühr Festpreis Nutzungsabhängig Freier Zugang Medien: Video, Audio Grafik, Bild, Text Numerische Daten Wie bereits angesprochen, spielen externe Informationen für die Vorbereitung von Entscheidungen eine nicht unerhebliche Rolle. Auch hier hat die technische Entwick-lung, insbesondere der Siegeszug des Internets neue Möglichkeiten zur Deckung dieses externen Informationsbedarfs geschaffen. Das Internet dient heute sowohl als direktes Medium zur Informationssuche als auch als Vermittlungskanal für professio-nelle Datenanbieter. Das Schaubild gibt einen Überblick über die unterschiedlichen Institutionen, die heute Online Datenbanken über das Internet anbieten, die Art der Informationen, die dort zu finden sind, die Aufbereitung der Informationen in Form unterschiedlicher Medien sowie die heute üblichen Kostenstrukturen bei der Nutzung von Online Datenbanken. Die Bedeutung externer Informationen zeigt sich auch aus wirtschaftlicher Sicht in Form des Gesamtumsatzes, der in Europa 1998 mit Online-Datenbanken erzielt worden ist. Eine ausführliche Darstellung und Bewertung externer Informationslieferanten für Management Support Systeme findet man unter folgender Quelle: Uhr, W., Kosilek, E., Internet-Quellen zur Integration wirtschaftsrelevanter unternehmensexterner Daten in Management Support Systems, Wirtschaftsinformatik 41(1999)5, S Der Artikel ist auch im Internet unter der Homepage der Zeitschrift (www.wirtschaftsinformatik.de) verfügbar. Gesamtumsatz Online-Datenbanken 1998 in Europa: 6,11 Mrd. $ Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

13 Architektur eines Data-Warehouse
Entschei- der (Front- End Tool) operative Systeme + externe Systeme Aufbau und Transformation verdichten integrieren filtern konvertieren unterneh- mens- weit 5-10 Jahre Ge- schichte DW-Admi- nistrator Meta-Daten Die Architektur einer Data Warehouse-Lösung besteht heute typischer Weise aus folgenden Komponenten (Prinzipdarstellung): Einer zentralen Datenbank, dem eigentlichen Data Warehouse. Hier werden die Daten in strukturierter Form nach unterschiedlichen Auswertungsgesichtspunkten abgelegt. Die verwendeten Strukturierungsmerkmale werden dabei in Form von Meta-Daten festgehalten. Einer Transformationskomponente, die dazu dient, die „Rohdaten“ aus den vorge-lagerten operativen Systemen und externen Informationsquellen herauszufiltern und entsprechend den Strukturierungsmerkmalen aufzubereiten. Diese Aufgabe ist nicht zu unterschätzen - der Aufbau einer solchen Komponente erfordert ca. 70% der Gesamtinvestitionen in eine Data Warehouse-Lösung! Einem Front End-Tool, mit dem der Endanwender auf die gespeicherten Daten zugreifen kann. Ggf. findet man neben dem zentralen Data Warehouse zusätzlich dezentrale Datenhaltungen (sog. Data Marts), in denen bereichsspezifische Informationen zusammengefaßt sind. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

14 Beispiel: Benutzeroberfläche DW
Das zweite Beispiel zeigt ein sog. Management-Cockpit (Quelle: Arcplan Information Services AG, dynaSight ©, Auffallend ist hier die Art der Darstellung, die dem Entscheidungsträger auf einem Blick eine Gesamtsituation darstellen soll. Anhand von Metaphern (Tacho, Fieber-thermometer) und mit Hilfe einer geeigneten Farbgestaltung (sog. Ampel-Funktion) werden die ausgewählten Kennzahlen optisch aufbereitet und dem Anwender auf diese Art und Weise Handlungsbedarf signalisiert. Solange sich alles im „grünen Bereich“ befindet, läuft das Unternehmen rund. Gelbe oder sogar rote Signale bedeuten Gefahr, der man nachgehen sollte. In diesem Fall kann sich der Anwender über die Drill Down-Funktionalität bis zu der Gliederungsebene bewegen, auf der die Alarm auslösenden Abweichungen aufgetreten sind, sich dort ein Bild über die Situation verschaffen und dann entsprechende Maßnahmen einleiten. Erwähnt sei zum Abschluß, daß gerade Management-Cockpits als Entscheidungs-instrument für das Top Management neben quantitativen (internen) Informationen sehr stark mit qualitativen (externen) Informationen versorgt werden müssen. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

15 Gewinnung von Information
Folgende Themen werden nun näher behandelt: Data-Mining und OLAP Externe Datenbanken und Internet Planungs- und Kontroll- sowie Wissensmanagementsysteme Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

16 Data-Mining und OLAP Data-Mining: Aufdecken von Beziehungen zwischen Daten, die bislang unentdeckt waren OLAP: Online Analytical Processing. Mehrdimensionale Darstellung; OLAP-Würfel Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

17 Beispiel für einen OLAP-Würfel
Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

18 Berichte aus dem OLAP-Würfel
38 2 1 3 5 4 DB II Ist 20 15 35 40 30 23 44 18 Erlös Ist 6 8 9 A B C K 10 7 100 60 46 80 95 58 45 62 43 28 27 Letzte Periode Erlös DB I var DB I Ist Plan Ist Prog Erlös Plan Mengen A C B Regionen Produktgruppen Kundengruppen Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

19 Objektfilter Objektfilter Erklärungsanteil Abstandsmaß A B A B A B A
Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

20 1. Selektionsschritt 1. Selektionsschritt
Kundengruppen Regionen Produktgruppen Deckungsbeitrags- abweichung Deckungsbeitrags- abweichung Deckungsbeitrags- abweichung Durchschnitt GH EH VS EX SH KB Süd 3 Ost 1 West Nord 1 Nord 2 Ost 2 F A D C J K Legende: GH = Großhandel EH = Einzelhandel VS = Versandhandel EX = Export SH = Streckenhandel KB = Konzernbetrieb 1. Selektionsschritt Ausgewählt wird diejenige Dimension, in der die Streuung der Einzelabweichungen am größten ist. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

21 Weitere Selektionsschritte
% F A D C J K Deckungsbeitrags- abweichung 100 % 80 % 2. Selektionsschritt Ausgewählt werden alle Objekte, deren kumulierte Abweichung einen vorgegebenen Erklärungs- anteil erreicht ( 1 = Erklärungs- anteil, z. B. 80 %) 1 Deckungsbeitrag Plan Ist Produktgruppen 3. Selektionsschritt Ein voreingestelltes Abstandsmaß gewährleistet, dass nur die wirkliche „Spitzengruppe“ der verursachen- den Objekte berücksichtigt wird ( 2 = Abstandsmaß, z. B. 50 %) 2 Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

22 Data Mining “Abweichungen des Deckungs- beitrags vom Plan zwischen
23 und 35 % bei den Verkäufen der Artikelgruppe 4 an Kunden- gruppe C.” Deckungsbeitrags- abweichung 35 23 F E D C Kundengruppen B 1 2 3 4 A 5 Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

23 Externe Datenbanken und Internet
Grundsätzlich zu unterscheiden sind: Volltextdatenbanken Hier liegen die gesamten Dokumente auf Referenzdatenbanken Hierbei sind nur Meta-Informationen verfügbar, wie Autor Stichwörter Titel ... Suche erfolgt über Deskriptoren Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

24 Externe Datenbanken und Internet - Suchbeispiel
„Es sind alle Aufsätze, die der Autor Huber über Kostenrechnung in der Pharmaindustrie verfasst hat, herauszusuchen“; dafür müssen die Deskriptoren „Huber“, „Kostenrechnung“ und „Pharmaindustrie“ durch UND verknüpft werden. Sind neben den Abhandlungen über die Pharmaindustrie auch solche über Chemieindustrie erlaubt, so werden die Deskriptoren „Pharmaindustrie“ und „Chemieindustrie“ durch ein ODER verbunden. Werden bei einer Suche zu viele Quellen gefunden, so müssen statt der u. U. zu allgemein formulierten Deskriptoren (z. B. „Kostenrechnung“) spezifischere Beschreibungswörter (z. B. „Teilkostenrechnung“) oder zusätzliche, einschränkende Deskriptoren (etwa „seit 1990“) verwendet werden. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

25 Planungs- und Kontrollsysteme
Forschung sowie Produkt- und Prozess- entwicklung Kunden- dienst Beschaf- fung Versand Lagerhaltung Finanzen Rechnungswesen Personal Anlagenmanagement Data Warehouse Geschäftsprozesse Angebotsprozess Auftragsabwicklung Produktentwicklung Kundendienst Vertikale Integration Horizontale Wertschöpfung/Auftragsdurchlauf Grundfunktionen Querschnitts- funktionen Operative Systeme PuK-Systeme Vertrieb Funktions- bereichs- übergreifende und Unternehmens- planungsmodelle Produk- tion Planungs- und Kontrollsysteme (PuK) Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

26 Planungs- und Kontrollsysteme Morphologischer Kasten
Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer Abbildung /1 Morphologischer Kasten (in Anlehnung an [Mertens/Griese 02] in [Mertens ua 04])

27 Wissensmanagementsysteme (1)
Auch: Knowledge Management Systeme (KMS) Definiert Prozesse und Funktionen zur Entwicklung Darstellung Verwaltung Transformation Veredelung des Wissens. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

28 Wissensmanagementsysteme (2)
Ein KMS soll: Immer auf dem aktuellsten Stand sein Ständig gewartet werden Einfach zu bedienen sein Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

29 Wissen und Wissenstransfer
Es werden nun folgende Themen näher behandelt: Wissensarten Strategien und Methoden des Wissenstransfers Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

30 Wissensarten Grundsätzlich unterscheidet man 2 Arten:
Explizites Wissen kann in Worte gefasst werden; transferierbar Implizites (tazites) Wissen personen- und kontextbezogen; lässt sich schwer artikulieren, daher auch nur teilweise transferierbar Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

31 Strategien und Methoden des Wissenstransfers (1)
Personalisierung Ziel ist die Vernetzung von Wissensträgern, um den Austausch von tazitem Wissen zu fördern Kodifizierung Sie sieht die Beschreibung, Speicherung und Verteilung von (explizitem) Wissen auf Basis eines KMS vor Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

32 Strategien und Methoden des Wissenstransfers (2)
Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer

33 Literatur Date 00 Date, C. J., An introduction to Database Systems, 7. Aufl., Reading/Mass Mertens/Griese 02 Mertens, P. und Griese J., Integrierte Informationsverarbeitung 2, Planungs- und Kontrollsysteme in der Industrie, 9. Aufl., Wiesbaden 2002. Mertens ua 04 Mertens, P., Bodendorf, F., König, W., Picot, A., Schumann M., Hess, T., Grundzüge der Wirtschaftsinformatik, 8. Aufl., Springer Verlag, Berlin 2004 Thiel 02 Thiel, M., Wissenstransfer in komplexen Organisationen, Wiesbaden 2002. Ullman 95 Ullman, J. D. Principles of Database und Knowledge-Base Systems, Volume I, 8. Aufl., Rockville 1995. Schweizer 99 Schweizer, A., Data Mining – Data Warehousing, Bern 1999. Prof. Dr. Dr. Heribert Popp - Vernetzte Datenbanken, Informationsgewinnung, Wissenstransfer


Herunterladen ppt "Vernetzte Datenbanken, Informationsgewinnung und Wissenstransfer"

Ähnliche Präsentationen


Google-Anzeigen