Lade Inhalt...

Wirtschaftlichkeitsanalyse von analytischen Informationssystemen

Diplomarbeit 2006 260 Seiten

BWL - Controlling

Leseprobe

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Symbolverzeichnis

1 Einleitung

2 Grundlegende Begriffe
2.1 Analytische Informationssysteme (AIS)
2.1.1 Historische Entwicklung
2.1.2 Aktuelles Begriffsverständnis
2.1.3 Wesentliche Komponenten moderner AIS
2.1.3.1 Data Warehouse
2.1.3.2 On-Line Analytical Processing
2.1.3.3 Data Mining
2.1.3.4 Text Mining
2.1.3.5 Weitere typische Komponenten
2.2 Wirtschaftlichkeit im Hinblick auf AIS
2.2.1 Traditioneller Wirtschaftlichkeitsbegriff
2.2.2 Erweiterter Wirtschaftlichkeitsbegriff

3 Kosten- und Nutzenbetrachtungen von AIS
3.1 Kosten von AIS
3.1.1 Abgrenzung des Kostenbegriffs
3.1.2 Kostenaspekte von AIS
3.1.2.1 Hardware
3.1.2.2 Software
3.1.2.3 Personal
3.1.2.4 Sonstige Kosten
3.2 Nutzen von AIS
3.2.1 Abgrenzung des Nutzenbegriffs
3.2.2 Nutzenaspekte von AIS
3.2.2.1 Nutzen durch Kostensenkungen
3.2.2.2 Nutzen durch Produktivitätserhöhungen
3.2.2.3 Nutzen durch Wettbewerbsvorteile
3.3 Probleme bei der Ermittlung und Bewertung der Kosten und Nutzen

4 Theoretische Konzepte zur Wirtschaftlichkeitsanalyse von AIS
4.1 Systematisierung vorhandener Wirtschaftlichkeitsanalyseverfahren
4.1.1 Beschreibungsverfahren
4.1.1.1 Beschreibungsverfahren für spezielle Aspekte
4.1.1.1.1 Prozessorientierte Verfahren
4.1.1.1.2 Ebenenverfahren
4.1.1.1.3 Unternehmenszielorientierte Verfahren
4.1.1.1.4 Verfahren mit dem Fokus auf das Change Management
4.1.1.1.5 Kundenorientierte Verfahren
4.1.1.2 Beschreibungsverfahren für allgemeine Aspekte
4.1.2 Berechnungsverfahren
4.1.2.1 Monetäre Verfahren
4.1.2.1.1 Klassische Investitionsrechnungsverfahren
4.1.2.1.2 Spezielle monetäre Verfahren
4.1.2.2 Indikatorverfahren
4.1.2.3 Multikriterielle Verfahren
4.1.3 Methoden und Techniken zur Berücksichtigung von Unsicherheit
4.1.4 Meta-Verfahren
4.2 Beurteilung der grundsätzlichen Eignung für AIS
4.3 Analyse ausgewählter Methoden im Hinblick auf AIS
4.3.1 Einzelverfahren
4.3.1.1 Hedonic Wage-Modell
4.3.1.2 Nutzwertanalyse
4.3.1.3 Wirkungskettenanalyse
4.3.1.4 Modell des hierarchischen Beziehungsnetzwerks nach Schwarz
4.3.2 Ganzheitliche Verfahren
4.3.2.1 Der Ansatz von Buxmann
4.3.2.2 Netzeffekttheoretisches Nutzenmodell nach Müller
4.3.2.3 Multiperspektiven-Ansatz
4.4 Zusammenfassende Beurteilung der theoretischen Ergebnisse

5 Die Praxis der Wirtschaftlichkeitsanalyse von AIS
5.1 Aktueller Stand der empirischen Forschung
5.2 Empirische Untersuchung zum Einsatz von Wirtschaftlichkeitsanalysever-
fahren in der Praxis
5.2.1 Methodik der Untersuchung
5.2.2 Teilergebnisse der Untersuchung
5.2.2.1 Allgemeiner Teil
5.2.2.2 Wirtschaftlichkeitsanalyse und Methodeneinsatz
5.2.2.3 Problembereiche
5.2.2.4 Potenzielle Verfahren
5.2.3 Fazit der Untersuchung

6 Abschließende Bewertung und Ausblick

Literaturverzeichnis

Anhang

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abb. 1: AIS in der Systempyramide

Abb. 2: Vielfältiges Verständnis von Business Intelligence

Abb. 3: Einordnung unterschiedlicher Facetten von Business Intelligence

Abb. 4: Idealtypische Data Warehouse-Architektur

Abb. 5: Würfelgrafik zur Darstellung der Mehrdimensionalität

Abb. 6: Dokumentenvektoren und Informationsextraktion

Abb. 7: Kosten- und Nutzenaspekte von AIS

Abb. 8: Systematik der Wirtschaftlichkeitsanalyseverfahren für Informations-systeme

Abb. 9: Klassische Investitionsrechnungsverfahren

Abb. 10: Schematische Vorgehensweise des Farbey-Land-Targett-Ansatzes

Abb. 11: Wirkungsketten einer Data Warehouse-Einführung

Abb. 12: Vereinfachtes Beispiel des Modells des hierarchischen Beziehungs-netzwerks

Abb. 13: Modellierung der Nutzung eines komponentenbasierten Anwendungs-systems

Abb. 14: Beispielhafte Nutzenstruktur eines komponentenbasierten Anwen-dungssystems

Abb. 15: Module des Multiperspektiven-Ansatzes

Tabellenverzeichnis

Tab. 1: Idealtypische Charakterisierung von Ansätzen zur Wirtschaftlichkeits-analyse von IS

Tab. 2: Matrix der Nutzenpotenziale durch IS

Tab. 3: Gegenüberstellung relevanter Ebenenansätze

Tab. 4: Ebenenspezifische Zuordnung von Wirtschaftlichkeitsanalyseverfah- ren

Tab. 5: Tätigkeitsprofilmatrix

Tab. 6: Gleichungssystem auf Basis der Tätigkeitsprofilmatrix

Tab. 7: Beispiel für die Berechnung des Einsparungspotenzials eines Manager-postens

Tab. 8: Beispiel für eine Nutzwertanalyse

Tab. 9: Beispiel für das Informationswertkonzept

Tab. 10: Umrechnung der bedingten Wahrscheinlichkeiten

Tab. 11: Gewinnerwartungswerte in Abhängigkeit von den Informationsergeb- nissen

Tab. 12: Beispielhafte Nutzwerte eines komponentenbasierten Anwendungs- Systems

Tab. 13: Organisation und Position der Interviewpartner

Tab. 14: Überblick über eingesetzte Lösungen und die Größenordnung der Projekte

Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

"Everybody does cost/benefit analysis on projects. Most of them are fictional.”[1]

Was in der letzten Dekade schon als Problem gängiger Bewertungsrealität, nämlich der Aussagegehalt praktizierter Wirtschaftlichkeitsanalysen (WA), aufgezeigt wurde, hat im Zuge der schnell fortschreitenden Entwicklung auf dem Gebiet der Informationstechnologie keinesfalls an Aktualität eingebüßt. Heute sind es Themen wie Business Intelligence (BI) bzw. Data Warehousing aus dem Bereich der analytischen Informationssysteme (AIS), die verstärkt in den Vordergrund der Diskussion gerückt sind.[2] Als umfassende, organisa-tionsweit integrierte Systeme zur Unterstützung einer gezielten Unternehmenslenkung, können die Gesamtprojektkosten dieser mehrere Mio. Euro betragen und stellen somit ein wichtiges und sehr komplexes Bewertungsobjekt für eine WA dar.[3]

Die Begründung der Investitionskosten umfassender AIS ist dabei ein bedeutendes Problem. Denn während die Kosten gut abgeschätzt werden können, gestaltet sich die Ermittlung des monetären Beitrags zum Unternehmensgewinn um ein Vielfaches schwieriger. Die Kosteneinsparungen bspw. durch Automatisierung des Berichtswesens sind verhältnismäßig greifbar, doch wie lässt sich der langfristige Wert der verbesserten Informationsbasis, welcher letztlich zu „besseren“ Entscheidungen führen soll, erfassen, monetär bewerten und den Kosten gegenüberstellen?[4]

In der Praxis werden nicht selten „Bauchentscheidungen“ getroffen.[5] Einer Studie der Unternehmensberatung Mummert Consulting zufolge haben 24% der Unternehmen keine Transparenz hinsichtlich der Kosten und 29% keine hinsichtlich des Nutzens der eingesetzten Lösung.[6] Aus diesem Grund wird auf diesem Problemgebiet laut einer empirischen Erhebung des Instituts für Wirtschaftsinformatik aus St. Gallen Forschungsbedarf konstatiert.[7]

In der wissenschaftlichen Literatur wird eine große Zahl an Verfahren zur WA von Informationssystemen (IS) angeboten, wobei jedoch AIS als ein relativ moderner Teilbereich als Bewertungsobjekt kaum Berücksichtigung finden.[8] Damit stellt sich die Frage, inwieweit die in der Literatur bereits beschriebenen und in der Praxis zum Teil eingesetzten Methoden für AIS geeignet sind.

Das erste Ziel der Arbeit ist deshalb die Untersuchung der theoretischen Eignung der vorhandenen Verfahren zur Analyse von Investitionsentscheidungen in AIS. Dazu werden in Kapitel 2 zunächst das Bewertungsobjekt AIS sowie der dieser Arbeit zugrunde liegende Wirtschaftlichkeitsbegriff definiert. Darauf aufbauend werden in Kapitel 3 die für eine WA relevanten Kosten- und Nutzenaspekte von AIS herausgearbeitet, um daraus die Bewertungsproblematik bezüglich AIS abzuleiten. In Kapitel 4 werden schließlich die in der Literatur vorgeschlagenen Wirtschaftlichkeitsanalyseverfahren (WAV) vor dem Hintergrund der aufgezeigten Problemkreise analysiert und im Hinblick auf die Eignung für eine WA von AIS beurteilt.

Nach der Diskussion der theoretischen Möglichkeiten, wie eine Wirtschaftlichkeitsbeurteilung von AIS durchgeführt werden könnte, liegt das zweite Ziel der Arbeit darin, zu untersuchen, wie eine Wirtschaftlichkeitsbeurteilung von AIS in der Praxis tatsächlich durchgeführt wird. Dazu wird in Kapitel 5.1 zunächst der Mangel an empirischer Forschung hinsichtlich der Bewertung von AIS aufgezeigt. Aufgrund dieses Mangels wurde eine eigene empirische Erhebung als sinnvoll erachtet, welche Gegenstand von Kapitel 5.2 ist. Folgende Leitfragen lagen der Untersuchung dabei zugrunde:

- Welche WAV kommen in welchen Zeitpunkten der Bewertung von AIS in der Praxis zum Einsatz?
- Wo liegen die größten Defizite bei den aktuell durchgeführten WA von AIS?
- Welche Verfahren haben aus Sicht der Praxis in Zukunft ein hohes Potenzial für eine ganzheitliche WA von AIS?

Um diesem Erkenntnisinteresse zu entsprechen wurden Tiefeninterviews mit Vertretern aus der Praxis mit einschlägiger Erfahrung auf dem Gebiet der Bewertung von AIS ausgewertet.

2 Grundlegende Begriffe

2.1 Analytische Informationssysteme (AIS)

2.1.1 Historische Entwicklung

Die Entscheidungsunterstützung des Managements mit Hilfe elektronischer Datenverarbeitung lässt sich bis in die 60er Jahre zurückverfolgen.[9] Im Laufe der Zeit tauchte je nach Aufgabenschwerpunkt und Zielgruppe des Systems eine Vielzahl an neuen Begriffen auf, deren definitorische Abgrenzung in der Literatur keineswegs eindeutig gehandhabt wurde.[10] Angefangen mit Management Information Systems (MIS) kamen in den 70er Jahren Decision Support Systems (DSS) sowie Mitte der 80er Jahre Executive Information Systems (EIS) auf den Markt, die dann schließlich unter den Begriff der Management Support Systems (MSS) subsumiert wurden.[11] Die entsprechenden Bezeichnungen im deutschen Sprachraum sind Managementinformationssystem (MIS), Entscheidungsunterstützungssystem (EUS), Führungsinformationssystem (FIS) bzw. Chefinformationssystem (CIS) sowie Managementunterstützungssystem (MUS).[12]

Allen Systemen gemein war stets die Zielsetzung „entscheidungsrelevante Informationen zeitnah und problemadäquat in einer dem Management gerechten Weise aufzubereiten und gegebenenfalls angereichert durch Entscheidungsmodelle mit Lösungsvorschlägen zur Verfügung zu stellen.“[13] Dieses Ziel blieb jedoch in den Anfängen der Entwicklung vor dem Hintergrund enthusiastischer Technikgläubigkeit, eines mechanistisch ausgelegten Organisationsverständnisses und nicht zuletzt aufgrund des Mangels an leistungsfähigen Informations- und Kommunikationssystemen (IKS) unerreicht und es kam bestenfalls zu einer Automatisierung des vorhandenen Standardberichtswesens.[14] Die Kritikpunkte reichten von fehlender Interaktivität und Starrheit über Informationsüberflutung bei gleichzeitig defizitärer Datenversorgung bis hin zur mangelhaften Integrierbarkeit in bestehende DV-technische und organisatorische Infrastrukturen.[15] Diese Probleme wurden jedoch im Laufe der Zeit mit Hilfe moderner IKS zum Teil gelöst.[16]

Sehr grob lassen sich die Begriffe in einer hierarchischen Sichtweise bezogen auf die Zielgruppe durch eine Systempyramide darstellen, wobei zwischen Administrations- und Dispositionssystemen bzw. operativen Informationssystemen (OIS) einerseits und den Planungs- und Kontrollsystemen bzw. AIS andererseits unterschieden wird (vgl. Abb. 1).[17]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: AIS in der Systempyramide

In Anlehnung an: Gluchowski, P. et al. (1997), S. 238 und Chamoni, P. et al. (2006), S. 11.

Während die Bezeichnung MSS bzw. MUS als Sammelbegriff[18] IS zur Entscheidungsunterstützung des Managements bis heute häufig in der Wissenschaft Verwendung findet, bildete sich seit Mitte der 90er Jahre in der Praxis parallel dazu verstärkt der von der Gartner Group[19] geprägte und viel diskutierte Begriff BI heraus.[20] Auf diesen wird im nächsten Abschnitt näher eingegangen.

2.1.2 Aktuelles Begriffsverständnis

Zurzeit wird man in Theorie und Praxis mit einer Fülle von Schlagworten wie Data Warehouse (DW), On-Line Analytical Processing (OLAP), Data Mining, Text Mining, Knowledge Management (KM), analytisches Customer Relationship Management (aCRM) oder Competitive Intelligence (CI) konfrontiert, die alle mehr oder weniger zueinander in Beziehung stehen und zumindest teilweise zum Bereich BI bzw. AIS gezählt werden. Es mangelt jedoch bei vielen Konzepten an einheitlichen Definitionen, was die Einordnung und Abgrenzung der einzelnen Begriffe sehr schwierig macht.[21] Besonders der Begriff BI wird derzeit im Rahmen der entscheidungsunterstützenden Systeme sehr häufig strapaziert, obwohl keine allgemein anerkannte Definition existiert.[22]

Im angelsächsischen Sprachraum werden die Begriffe CI und BI z.B. teils synonym verwendet, obwohl der Begriff CI nach aktueller Auffassung nur einen Teilbereich von BI umfasst.[23] Ferner werden in frühen marketingorientierten Abgrenzungen mit BI lediglich Front-End-Werkzeuge bezeichnet, während neuere Sichtweisen die Bedeutung datengetriebener Systeme wie das DW-Konzept oder OLAP für den Bereich BI unterstreichen.[24] Ein Managementkonzept, das verstärkt seit Mitte der 90er Jahre in der Diskussion steht, ist das KM, welches mehr oder weniger zeitgleich mit dem Begriff BI auf dem Radar von Theorie und Praxis aufgetaucht ist.[25] Heute wird diesen beiden Bereichen eine beträchtliche Schnittmenge attestiert, wobei sogar ein Zusammenwachsen der beiden Welten zur Decision Intelligence gefordert wird.[26]

Diesen Begriffsreichtum im Zusammenhang mit BI macht Mertens auf Basis einer empirischen Untersuchung deutlich, wobei er die unterschiedlichen Auffassungen in sieben Varianten unterteilt (vgl. Abb. 2). Die Größe der Dreiecke in der Abbildung spiegelt die relative Bedeutung der Kategorie wider.[27]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Vielfältiges Verständnis von Business Intelligence

Quelle: Mertens, P. (2002), S. 67.

Zusammenfassend lassen sich diese Kategorien in zwei Sichtweisen einteilen: Eine systembezogene, welche verschiedene Werkzeuge, Anwendungen und Systeme unter einer begrifflichen Klammer zusammenfasst (Position Nr. 1-6, Abb. 2) und eine prozessorientierte, bei welcher BI als analytischer Prozess verstanden wird, der aus fragmentierten, heterogenen Unternehmens-, Markt- und Wettbewerbsdaten Wissen über die eigenen und über fremde Positionen, Potenziale und Perspektiven generiert (Position Nr. 7, Abb. 2).[28]

Gluchowski strukturiert die systembezogenen Sichtweisen in einem zweidimensionalen Ordnungsrahmen und definiert BI als „alle Werkzeuge und Anwendungen mit entscheidungsunterstützendem Charakter, die zur besseren Einsicht in das eigene Geschäft und damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten führen.“ (vgl. Abb. 3).[29] Auf der vertikalen Achse trägt er die Phase des analytischen Datenverarbeitungsprozesses ab, wohingegen er auf der horizontalen Achse die Perspektive definiert, aus welcher heute die jeweilige Systemkategorie schwerpunktmäßig diskutiert wird. Je nach Positionierung der jeweiligen Technologie- oder Anwendungsklasse lassen sich dann drei Typen von Definitionsansätzen – Eng, Analyseorientiert, Weit – abgrenzen.[30]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Einordnung unterschiedlicher Facetten von Business Intelligence

Quelle: Gluchowski, P. (2001), S. 7.

Eine weite Auslegung der Definition schließt alle Systemkomponenten mit ein, die operatives Datenmaterial zur Informations- und Wissensgenerierung aufbereiten und speichern sowie Auswertungs- und Präsentationsfunktionalität anbieten, also auch DW und Extraktions-, Transformations- und Ladewerkzeuge (ETL-Tools).[31] Diese bieten zwar keine Analysefunktion, dienen aber der Schaffung einer einheitlichen Datenbasis speziell für Analysezwecke, da operative Systeme weder für einen analyseorientierten Datenzugriff ausgelegt sind, noch homogene und konsistente Daten zur Verfügung stellen.[32]

Bei der analyseorientierten Sichtweise wird eine harmonisierte, aufbereitete und abgestimmte Datenbasis vorausgesetzt und es werden somit nur Systemkomponenten auf der Auswertungsebene miteinbezogen. Hierzu zählen neben OLAP und MIS/EIS auch Data Mining, Text Mining, aCRM, Ad-hoc-Berichte und auch Systeme zur Planung, Budgetierung und Konsolidierung sowie Kennzahlen- und Balanced Scorecard-Systeme.[33] Im Rahmen dieser Sichtweise kann auch CI, das als „ethical gathering and use of publicly or semi-publicly available information about trends, events and players outside the firm’s official boundaries”[34] definiert wird, zumindest teilweise zum Bereich BI gezählt werden.[35]

Aufgrund der unscharfen Definitionsgrenzen, und damit der Gefahr des inflationären Gebrauchs des Begriffs BI, werden in einer engen Sichtweise häufig nur wenige Kernapplikationen zur Aufbereitung und Präsentation von multidimensional organisiertem Datenmaterial verstanden.[36] Darunter fallen dann insbesondere OLAP sowie die MIS und EIS.[37]

Ein Begriff, für den bisher ebenfalls keine eindeutige Definition existiert und welcher häufig im Zusammenhang mit BI genannt wird, ist das KM[38], welches „einen systematischen Ansatz [darstellt; Anm. d. Verf.], um das Wissen in einer Unternehmung durch zielgerichtete Handlungen für eine organisatorische Wissensbasis aufzubauen und auszunutzen.“[39] Dabei geht es beim KM vereinfacht gesagt um die Diffusion und Nutzung des durch die Analyseprozesse des BI generierten und ausgewerteten Wissens.[40] Es handelt sich hierbei aber keineswegs um zwei klar voneinander abgrenzbare Bereiche, sondern vielmehr um Ansätze, die die Bewältigung der Informationsflut in einer Unternehmung aus zwei verschiedenen Blickwinkeln heraus verfolgen: Schwerpunktmäßig quantitative und strukturierte Daten im Rahmen des BI gegenüber überwiegend qualitativen und unstrukturierten Daten im Rahmen des KM.[41] Dabei gibt es jedoch, wie oben bereits erwähnt, einen großen Überlappungsbereich.

Im Folgenden werden die Begriffe BI in seiner weiten Auslegung und AIS synonym verwendet.[42] AIS bilden dabei inhaltlich das logische Komplement zu den OIS, welche lediglich operative Geschäftsprozesse unterstützen.[43] Damit soll analog zu der Definition von BI zum Ausdruck kommen, „daß die Informationsversorgung und funktionale Unterstützung betrieblicher Fach- und Führungskräfte zu Analysezwecken im Vordergrund steht.“[44] Ferner kann bei der WA von AIS im Rahmen dieser Arbeit keine erschöpfende Behandlung aller zum Spektrum der AIS gehörender Systeme erfolgen, weshalb hier nur eine Auswahl der aktuell am meisten diskutierten Anwendungen und Techniken wie DW, OLAP, Data Mining und Text Mining aufgegriffen und näher betrachtet wird. Dabei werden die anderen Systeme bezüglich der WA von AIS keinesfalls explizit ausgegrenzt, sondern lediglich aus Gründen der Komplexitätsreduktion ausgeklammert.

2.1.3 Wesentliche Komponenten moderner AIS

Wie im vorherigen Abschnitt bereits dargestellt, ist der Begriff AIS keineswegs trennscharf und umfasst eine große Menge an Anwendungen, Systemen und Techniken. Zu den wesentlichen Konzepten werden im Rahmen dieser Arbeit aufgrund ihrer Aktualität das DW, OLAP, Data Mining und Text Mining gezählt und in den folgenden Abschnitten jeweils genauer erläutert. Diese Komponenten lassen sich in einer als idealtypisch zu verstehenden Referenzarchitektur darstellen (vgl. Abb. 4).[45]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Idealtypische Data Warehouse-Architektur

In Anlehnung an: Mucksch, H. et al. (2000), S. 14.

2.1.3.1 Data Warehouse

Ein DW ist eine von den OIS isolierte physische Datenbank, die als integrierte und unternehmensweite Datenbasis für sämtliche entscheidungsunterstützenden IS dient.[46] Nach Inmon, der den Begriff DW in den 90er Jahren propagiert und geprägt hat, wird ein DW definiert als „[] subject-oriented, integrated, nonvolatile and time-variant collection of data in support of management’s decisions.“[47]

Themenorientiert (subject-oriented) bedeutet dabei, dass eine rein datenorientierte Vorgehensweise im Vordergrund steht, die nur Sachverhalte berücksichtigt, welche das Handeln und den Erfolg eines Unternehmens entscheidend beeinflussen. Damit soll zum Ausdruck kommen, dass innerbetriebliche Abläufe und Funktionen von nachrangiger Bedeutung sind.[48]

Das wichtigste Kriterium ist die Datenintegration (integrated), mit der eine unternehmensweit homogene und konsistente Datenbasis mit „ a single physical corporate image “[49] geschaffen werden soll, um das Problem der redundanten und oft widersprüchlichen Daten innerhalb derselben Unternehmung zu beheben.[50]

Das Kriterium der Nicht-Volatilität (nonvolatile) bezieht sich auf die Häufigkeit der Datenmanipulationen innerhalb eines bestimmten Zeitraumes. Im Unterschied zu OIS, in denen gewöhnlich jede Datenmanipulation sofort gespeichert wird, werden die Daten in einem DW in vorbestimmten Intervallen „an einem Stück“ aus den operativen Datenbanken übernommen und bis zur nächsten Datenübernahme in der Regel nicht mehr aktualisiert.[51] Auf diese Weise können nahezu alle Datenzugriffe lesend erfolgen und sämtliche Auswertungen und Analysen jederzeit nachvollzogen werden.[52]

Als letztes Merkmal nennt Inmon den Zeitraumbezug (time-variant) des gesamten Datenbestandes eines DW. Der Unterschied zu einer operationalen Datenbank liegt hierbei darin, dass in dieser relativ kurze Zeiträume (60 – 90 Tage) oder zeitpunktgenaue Daten ohne Zeitraumbezug vorliegen, wohingegen sich die Daten in einem DW in der Regel auf große Zeiträume (5 – 10 Jahre) beziehen und sämtliche Dateneinträge mit einem Zeitbezug versehen sind.[53] Damit sollen beispielsweise Trendanalysen auf Basis von historischen Daten ermöglicht werden.[54]

Wichtig in diesem Zusammenhang ist die Einordnung der Begriffe DW, DW-Konzept, DW-System, DW-Prozess und Data Warehousing, welche häufig synonym verwendet werden, jedoch zum Teil unterschiedliche Bedeutungen haben. Unter einem DW versteht man, wie bereits beschrieben, die von den OIS getrennte Basisdatenbank, wohingegen mit dem DW-Konzept bzw. DW-System die in Abb. 4 dargestellte Systematik gemeint ist, welche alle für die Integration und Analyse notwendigen Komponenten umfasst. Schließlich wird mit Data Warehousing bzw. DW-Prozess der dynamische Vorgang der Verarbeitung der Daten aus den Datenquellen bis zum Analyseergebnis beim Anwender bezeichnet.[55]

2.1.3.2 On-Line Analytical Processing

Mit OLAP wird eine Software-Technologie bezeichnet, die Fach- und Führungskräften schnelle, interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglicht, wobei dynamische, multidimensionale Analysen von konsolidierten Unternehmensdatenbeständen im Vordergrund stehen.[56] Diese Definition macht den Zusammenhang zwischen OLAP und DW deutlich, denn bei beiden Konzepten spielt die Entscheidungsunterstützung auf Basis von konsistenten und unternehmensweit integrierten Datenbeständen eine wichtige Rolle. Der Unterschied besteht darin, dass das DW den Fokus auf die technischen und organisatorischen Aspekte legt, wohingegen OLAP die Benutzeranforderungen zur Datenanalyse beschreibt und das Front-End und dessen Funktionalität somit in den Vordergrund stellt.[57]

Als zentrales Charakteristikum wird die Multidimensionalität gewertet, durch die betriebswirtschaftli­che Kennzahlen (Umsatz, Kosten etc.) entlang unterschiedlicher Dimensionen (Produkt, Region, Zeitraum etc.) in einer dem Anwender gerechten Weise dargestellt werden können. Dies geschieht häufig in Form eines Würfels (OLAP-Cubes), dessen Kanten die einzelnen Dimensionen repräsentieren und welcher sich als Symbol für die OLAP-Technologie etabliert hat (vgl. Abb. 5).[58] OLAP stellt dabei eine begriffliche Abgrenzung zum On-Line Transaction Processing (OLTP) dar, welches zur transaktionalen Abwicklung von operativen Geschäftsprozessen dient und für komplexe Datenbankabfragen zu Analysezwecken nicht geeignet ist.[59]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Würfelgrafik zur Darstellung der Mehrdimensionalität

Quelle: Hönig, T. (1998), S. 170.

Historisch geht der Begriff OLAP auf Codd zurück, welcher zwölf Regeln formulierte, mit denen OLAP-Produkte charakterisiert werden konnten.[60] Diese Regeln wurden jedoch kritisch betrachtet, mit der Zeit modifiziert und von Codd selbst und anderen erweitert.[61] Dabei muss aber in Betracht gezogen werden, dass die Autoren zum Teil als Mitarbeiter von Softwarefirmen und Beratungshäusern die Regeln auf die Eigenschaften ihrer Produkte ausgerichtet haben, sodass die Unabhängigkeit dieser angezweifelt werden kann.[62] Diesem Umstand Rechnung tragend, stellten Pendse und Creeth 1995 mit dem Akronym FASMI (Fast Analysis of Shared Multidimensional Information) eine lediglich auf fünf Kriterien basierende und produktunabhängige Definition auf, welche auch heute noch vielfach Verwendung findet:[63]

- Mit Fast wird eine durchschnittliche Antwortzeit von fünf Sekunden gefordert, wobei einfache Abfragen nicht mehr als eine Sekunde und komplexe Analysen nicht mehr als 20 Sekunden dauern sollen. Diese Forderung basiert auf der Erkenntnis, dass zu lange Antwortzeiten die Konzentration des Anwenders unterbrechen und somit die Qualität der Analyse negativ beeinflussen.
- Analysis steht für vielseitige und für den Anwender ohne Programmierkenntnisse einfach zu handhabende Funktionalitäten, mit denen jegliche relevante wirtschaftswissenschaftliche Anforderungen oder statistische Analysen bewältigt werden können.
- Shared fordert die Gewährleistung eines flexiblen und sicheren Betriebs bei einer größeren Anzahl gleichzeitig arbeitender Benutzer mit verschiedenen Zugriffsrechten (nur Lese- bzw. Lese- und Schreibzugriff). Wichtig hierbei ist neben der technischen Realisierung des Mehrbenutzerbetriebs die Sicherung von sensiblen Informationen vor unbefugtem Zugriff.[64]
- Multidimensional ist das wichtigste Kriterium und fordert eine konzeptionell mehrdimensionale Sicht auf den Datenbestand mit voller Unterstützung aller möglichen Hierarchiestufen.
- Unter Information wird schließlich die Problematik der Diskrepanz zwischen speicherbarer und handhabbarer Datenmenge eines OLAP-Servers[65] behandelt. Der Unterschied entsteht durch die Art der Datenspeicherung, bei welcher die Speicherkapazität nicht äquivalent mit der tatsächlichen Größe des Dateninputs ist, weshalb als Maßgröße die handhabbare Datenmenge (Dateninput) herangezogen werden soll.

Aus Sicht des Controllings wird mit OLAP und DW die Idee der zweckneutralen Grundrechnung mit zweckorientierten Auswertungsrechnungen, die auf Goetz[66] und Schmalenbach[67] zurückgeht und von Riebel[68] im Rahmen der relativen Einzelkosten- und Deckungsbeitragsrechnung aufgegriffen wurde, weiterentwickelt.[69] Der Bereich Controlling zählt auch heute noch zu dem wichtigsten Einsatzgebiet der OLAP-Technologie in Verbindung mit einem DW.[70]

2.1.3.3 Data Mining

Der Begriff Data Mining oder Datenmustererkennung bezeichnet einen Arbeitsschritt im ganzheitlichen Prozess des Knowledge Discovery in Databases (KDD), der zum Ziel hat, gültige, bisher unbekannte, verständliche und nützliche Informationen aus großen Datenbeständen zu gewinnen.[71] Data Mining gehört zu der Gruppe der Mining-Methoden[72] und ist die Stufe, bei der mittels spezieller Algorithmen automatisch Zusammenhänge in Datenbeständen entdeckt werden und somit neues Wissen generiert wird.[73] Obwohl Data Mining nur ca. 15 bis 20% des Gesamtaufwandes im Informationsgewinnungsprozess des KDD ausmacht, konzentrieren sich die Bemühungen in dessen Kontext jedoch auf den Teilbereich Data Mining.[74] Aus diesem Grund werden diese beiden Begriffe häufig synonym verwendet.[75] Kurz und prägnant lässt sich Data Mining als die „Suche nach den verborgenen Schätzen“[76] beschreiben.

Grob lässt sich der KDD-Prozess, der iterativ und interaktiv abläuft, in drei Schritte unterteilen: Datenpräparation, ungerichtete Analyse[77] sowie Ergebnisinterpretation und Präsentation.[78] Iterativ bedeutet dabei, dass einzelne Stufen auch mehrmals durchlaufen werden können und interaktiv impliziert, dass der Anwender zwischen den einzelnen Stufen Entscheidungen über das weitere Vorgehen fällen muss.[79]

Grundsätzlich werden zwei Arten von Data Mining-Methoden unterschieden. Einerseits die Validierung von aufgestellten Hypothesen (validation driven) und andererseits die automatische Entwicklung von Hypothesen (Muster/Regeln) aus den Daten (discovery driven).[80] Als deutsche Übersetzung werden die Begriffe überprüfungsgesteuert und erschließungsgesteuert verwendet, wobei die erschließungsgesteuerte Methode eine Erweiterung der überprüfungsgesteuerten darstellt, da hier wirklich „neues“ Wissen entsteht und nicht „nur“ bestätigt wird.[81]

Zu den am häufigsten verwendeten Techniken beim Data Mining gehören die Warenkorbanalyse, fallbasiertes Schließen, Entscheidungsbäume und Induktion von Regeln, neuronale Netze, genetische Algorithmen, automatische Clusteranalyse sowie die Analyse von Beziehungen zwischen Datensätzen.[82] Eine ausführliche Erläuterung der einzelnen Techniken würde den Rahmen dieser Arbeit sprengen, da diese Ansätze unterschiedlichster Forschungsgebiete, wie z.B. Künstliche Intelligenz, Statistik, Datenbanksysteme oder Hochleistungsrechentechnik, enthalten.[83] Allen Techniken gemein ist jedoch, dass stets versucht wird aus signifikanten Datenzusammenhängen „Wenn-Dann-Regeln“ abzuleiten, wie z.B. „WENN das Produkt zur Produktgruppe Süßwaren gehört UND der Verkaufsort ein Schwimmbad ist, DANN ist der Verkaufpreis durchschnittlich 34% höher.“[84]

Eine Standardtechnik des Data Mining im Einzelhandel ist die Warenkorbanalyse. Hierbei werden mit Hilfe von Kassenbons Einkäufe analysiert, um Korrelationen zwischen einzelnen Produkten oder Produktgruppen aufzudecken und Assoziativ-Regeln aufzustellen.[85] Ein Beispiel für eine einfache Assoziativ-Regel ist, dass 90% der Einkäufe von Brot und Butter auch Milch enthalten.[86] Aus der Controlling-Perspektive interessant ist die von Bissantz geprägte Übersetzung von Data Mining als „Verdachtsmoment-Generator“, die prägnant eine wichtige Funktion des Data Mining beschreibt, nämlich das automatische Aufspüren von Auffälligkeiten in Betriebsergebnisdaten.[87]

2.1.3.4 Text Mining

Text Mining ist ein Teilgebiet der linguistischen Informationsverarbeitung, dessen zwei Hauptanliegen, neben der Aufdeckung interessanter Beziehungen zwischen Dokumenten, die Strukturierung von Textdokumenten sowie die Informationsextraktion aus diesen sind.[88] Es kann als spezielle Richtung des Data Mining angesehen werden, welche sich
ebenfalls vieler Methoden unterschiedlichster Forschungsrichtungen bedient. Im Gegensatz zu Data Mining, das primär die Analyse strukturierter und quantitativer Daten zum Ziel hat, widmet sich Text Mining jedoch der Analyse von nicht strukturierten, qualitativen Daten, also Texten und Textsammlungen.[89] Folglich kann Text Mining ebenso wie Data Mining in den KDD-Prozess als Stufe der ungerichteten Datenanalyse eingeordnet werden.[90] Aus betriebswirtschaftlicher Sicht interessant geworden ist das Text Mining durch die Erkenntnis, dass 80% der über Unternehmen verfügbaren Informationen in Textform vorliegen, weshalb die Bedeutung des Text Mining für die Zukunft zum Teil größer eingeschätzt wird als die des Data Mining.[91]

Die Strukturierung von Textdokumenten kann man einerseits in die Klassifikation von Dokumenten in vorbestimmte Informationskategorien (z.B. E-Mails nach vordefinierten Themen)[92] und andererseits in die automatische Gruppierung (Clusterung) dieser auf Basis von Ähnlichkeiten (z.B. die automatische Gruppierung von Kundenanfragen mit dem Ziel, wichtige Themen herauszufiltern) einteilen.[93] Das Hauptziel ist hierbei einen Überblick
über große Dokumentensammlungen zu erlangen.

Im Gegensatz dazu geht es bei der Informationsextraktion unter anderem darum, einen einzelnen unstrukturierten Text in auswertbare Datenbankfelder zu transformieren und somit einen Überblick über den Inhalt dieses Textes zu bekommen. Als Beispiele hierfür seien die Analyse von Geschäftsbriefen[94], Patentschriften, Reklamationen, Projektdokumentationen, Geschäftsberichten oder Internet-Nachrichten genannt. Hierbei werden mit Hilfe von statistischen Verfahren über die Bildung von Dokumentenvektoren strukturierte Extrakte abgeleitet (vgl. Abb. 6).[95]

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Dokumentenvektoren und Informationsextraktion

Quelle: Mertens, P. (2002), S. 70.

Zusammenfassend kann gesagt werden, dass Text Mining nicht das Lesen von Schriften überflüssig machen, sondern Führungskräften Methoden und Techniken an die Hand geben soll, um das Verarbeiten von einer Flut von Informationen zu interessanten Aussagen zu ermöglichen.[96] Aus betriebswirtschaftlicher Sicht handelt es sich um eine relativ aktuelle Richtung, die im Zusammenhang mit dem DW-Konzept noch nicht als essentielle Komponente betrachtet wird, da sich das DW-Konzept zurzeit primär auf die quantitativen und strukturierten Daten fokussiert. Text Mining gehört zum Überlappungsbereich zwischen BI und KM und basierend auf der Idee der unternehmensweit integrierten Datenhaltung ist dem Konzept des Text Mining im Zusammenhang mit einem DW eine wichtige Rolle zuzuschreiben.[97]

2.1.3.5 Weitere typische Komponenten

ETL-Tools sind eine Gruppe von Softwareprodukten, denen die Aufgabe zukommt, die an speziellen operativen Anwendungsfeldern orientierten Daten aus den verschiedenen OIS in subjekt- bzw. themenorientierte, einheitliche und harmonisierte Daten zu überführen. Die Abkürzung ETL steht zusammenfassend für die wesentlichen Schritte im Prozess der Extraktion, Transformation und des Ladens der Daten, welchem eine wesentliche Bedeutung im DW-Prozess zukommt.[98]

Data Marts sind personengruppen- oder funktionsbereichsspezifische Datenbasen, die in der Regel eine Kopie eines kleinen Teils der Daten eines DW darstellen, um einen schnelleren Datenzugriff zu ermöglichen.[99] Dabei ist jedoch zu beachten, dass eine klare Abgrenzung zwischen einem DW und einem Data Mart nur schwer möglich ist, da selbst ein DW aus technischen Gründen nicht in der Lage ist eine vollständige Integration aller relevanten Datenbestände zu leisten und es andererseits auch sehr komplexe abteilungsbezogene Systeme gibt, bei denen nicht mehr von einem Data Mart gesprochen werden kann.[100]

Ein Operational Data Store (ODS) ist eine physische Datenbank, die dazu dient, die Zeitspanne zwischen zwei Datenübernahmen in ein DW zu überbrücken und direkt einen kleinen Teil der Daten aus den OIS zur zeitpunktaktuellen Entscheidungsunterstützung bereitzustellen.[101]

Eine Meta-Datenbank ist eine Datenbasis für Metadaten, welche in einem Informationskatalog die Datenstruktur sämtlicher gespeicherter Daten in einem DW beschreibt.[102] Es ist somit eine Datenbank für „Daten über Daten“ und erlaubt eine gezielte Auswertung von Informationen über Zusammenhänge innerhalb eines komplexen Systems.[103]

Schließlich beinhaltet das DW-Konzept ein Archivierungssystem, welches einerseits dazu dient, das DW im Falle eines Programm- oder Systemfehlers wiederherzustellen und andererseits durch Auslagerung bestimmter Datenbestandteile das Datenvolumen des DW zu reduzieren und somit die Performance zu erhöhen.[104]

2.2 Wirtschaftlichkeit im Hinblick auf AIS

2.2.1 Traditioneller Wirtschaftlichkeitsbegriff

Es existiert eine Vielzahl von Definitionen für den Begriff der Wirtschaftlichkeit, wobei in seiner ursprünglichen Interpretation ausschließlich sicher quantifizierbare Größen betrachtet werden.[105] Die Bandbreite der Definitionen im traditionellen Sinne hängt dabei von dem jeweiligen Zweck ab.[106] Allen Definitionen gemein ist jedoch, dass der Output im Verhältnis zum Input mit Mengen- bzw. Wertgrößen als Basis gesetzt wird und sich sämtliche Definitionen in eine der folgenden drei Klassen einordnen lassen:

1. Input- und Outputgrößen sind Mengengrößen,
2. Input- und Outputgrößen sind Wertgrößen,
3. Inputgröße ist eine Wertgröße und Outputgröße ist eine Mengengröße oder Inputgröße ist eine Mengengröße und Outputgröße ist eine Wertgröße.[107]

Beispiele für Wirtschaftlichkeitskennzahlen sind Produktivität, Rentabilität oder Return on Investment (ROI).[108]

Das Wirtschaftlichkeitsprinzip, welches auch als Rationalprinzip oder ökonomisches Prinzip bezeichnet wird, gibt dabei theoretisch zwei grundsätzliche Handlungsalternativen vor: Das Maximal - und das Minimalprinzip.[109] Nach dem Maximalprinzip soll mit vorgegebenem Inputeinsatz der Output maximiert und nach dem Minimalprinzip im Gegensatz dazu ein vorgegebenes Outputniveau mit minimalem Input erzielt werden.[110] In der Praxis besteht jedoch aufgrund der Tatsache, dass sowohl Input als auch Output häufig variabel sind, eine dritte Handlungsalternative, welche als Optimalprinzip bezeichnet wird. Hierbei sind Input und Output so aufeinander abzustimmen, dass das günstigste Wirkungsverhältnis erzielt wird.[111]

2.2.2 Erweiterter Wirtschaftlichkeitsbegriff

AIS weisen im Hinblick auf die WA einige wichtige Besonderheiten auf, welche durch den traditionellen Wirtschaftlichkeitsbegriff nur unzureichend erfasst werden können.[112] Aspekte, wie z.B. strategische Vorteile durch eine verbesserte Informationssituation im Unternehmen, lassen sich meist nur sehr schwer exakt quantifizieren, können jedoch einen großen Teil des Nutzens ausmachen.[113] Aus diesem Grund werden die drei Merkmalsklassen des traditionellen Wirtschaftlichkeitsbegriffs um eine vierte Klasse erweitert, die auch qualitative Aspekte von Investitionsentscheidungen mit einbezieht:

4. Input- und/oder Outputgrößen sind nicht vollständig quantifizierbar.[114]

Weitere für die WA wichtige Aspekte von AIS sind der integrative und bereichsübergreifende Charakter sowie die schnelle Weiterentwicklung der Systeme und die damit verbundene Flexibilität bezüglich der Einsatzmöglichkeiten.[115] Ersteres erfordert eine ganzheitliche Analyse unter Berücksichtigung sämtlicher Interdependenzen bezogen auf einen Gesamtprozess und letzteres eine explizite Berücksichtigung der Zeit als wichtige Dimension der WA.[116]

Für die WA von AIS wird im Folgenden in Anlehnung an Antweiler das Verhältnis zwischen Nutzen und Kosten betrachtet. Um allen Anforderungen von AIS bei der Bewertung gerecht zu werden, wird der Nutzen dabei als eine zusammengesetzte Größe aus quantitativen und qualitativen Bestandteilen verstanden.[117]

Der Begriff WA bedeutet in diesem Zusammenhang, dass erstens die absolute Wirtschaftlichkeit gemessen wird, zweitens mehrere Alternativen nach der Höhe der Wirtschaftlichkeit geordnet werden können und drittens Plan/Soll-Größen mit Ist-Größen verglichen werden.[118] Um die Wirtschaftlichkeit messen und mehrere Handlungsalternativen vergleichen zu können bedarf es jedoch zunächst eines geeigneten Maßstabes mit festgelegten Soll-Größen, welche sowohl quantitative als auch qualitative Größen beinhalten und sich aus den Projektzielen ableiten.[119] Aus oben bereits genannten Gründen muss ferner die Dynamik von Investitionen in AIS berücksichtigt werden. Wirtschaftlich ist dann diejenige Alternative, deren Werte für einen betrachteten Zeitraum stets über den Sollvorgaben (absolute Wirtschaftlichkeit) und über den Werten einer Vergleichsalternative (relative Wirtschaftlichkeit) liegen.[120] Ein so verstandener Wirtschaftlichkeitsbegriff kann also als „Ausmaß der Zielerreichung“[121] interpretiert werden.

Wichtig für das Verständnis der erweiterten Sichtweise ist, dass hierbei ein holistischer Ansatz verfolgt wird, bei dem möglichst alle wichtigen Kosten- und Nutzenaspekte von AIS berücksichtigt werden können. Es handelt sich also nicht um eine einzige statische Kennzahl, wie es beim traditionellen Wirtschaftlichkeitsbegriff der Fall ist, sondern um ein mehrdimensionales dynamisches Bewertungsgerüst.[122]

3 Kosten- und Nutzenbetrachtungen von AIS

Nachdem im letzten Kapitel die Begriffe AIS und Wirtschaftlichkeit definiert wurden, wird im Folgenden der den Wirtschaftlichkeitsbegriff determinierende Quotient aus Nutzen und Kosten näher betrachtet. Im Zuge dieser Betrachtung wird zunächst jeweils der verwendete Nutzen- und Kostenbegriff definiert, um danach die Nutzen- und die Kostenaspekte von AIS systematisch darzustellen. Hierbei werden die Kosten nach Kostenarten in Software-, Hardware-, Personal- und sonstige Kosten kategorisiert und der Nutzen in die Kategorien „Nutzen durch Kostensenkungen“, „Nutzen durch Produktivitätserhöhungen“ und „Nutzen durch Wettbewerbsvorteile“ eingeteilt (vgl. Abb. 7).[123] Anschließend werden die Probleme bei der Ermittlung des Nutzens und der Kosten herausgearbeitet.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 7: Kosten- und Nutzenaspekte von AIS

3.1 Kosten von AIS

3.1.1 Abgrenzung des Kostenbegriffs

Der Kostenbegriff wird im Bereich der Wirtschaftsinformatik unpräzise verwendet und drückt meist unterschiedliche Sachverhalte aus.[124] Begriffe wie Auszahlung, Ausgabe und Aufwand werden häufig synonym mit Kosten verwendet. Das ist einerseits zurückzuführen auf das Problem, dass es sich bei einer Investition in AIS um ein komplexes Projekt handelt, dessen monetäre Bewertung verschiedene Bereiche der Unternehmensrechnung betrifft. Andererseits sind AIS der Informatik zuzuordnen, weswegen durchaus angenommen werden kann, dass Fachleute aus diesem Bereich nicht mit der Terminologie der Unternehmensrechung in Bezug auf die WA von AIS vertraut sind.

In der Investitionsrechnung werden beispielsweise lediglich Ein- und Auszahlungen berücksichtigt, welche Investitionsgütern, bezogen auf eine bestimmte Nutzungsdauer, zugerechnet werden können.[125] Die Kostenrechung des internen Rechnungswesens widmet sich jedoch dem leistungsbezogenen Güterverzehr im Produktionsprozess und verwendet den Begriff Kosten, um diesen wertmäßig auszudrücken. Das externe Rechnungswesen wiederum hat die Zielsetzung, externe Adressaten periodisch über die Vermögens- und Ertragslage zu informieren und modifiziert nach bestimmten Regeln und Kriterien Ein- und Auszahlungen zu Aufwendungen und Erträgen.[126]

Eine große Zahl der Publikationen über AIS wird der Natur der Sache nach von Fachleuten aus der Informatik verfasst und es kann demnach nicht verwundern, dass die begriffliche Genauigkeit der internen Unternehmensrechnung dort nicht immer Verwendung findet. Das Definitionsproblem ergibt sich aus dem altbekannten Problem der Integration der Investitionsrechnung mit der Kostenrechnung,[127] welche im Rahmen der WA von AIS bemüht werden müssen, da sowohl eindeutige Auszahlungen bestehen, die der Investitionsentscheidung ohne Probleme zugerechnet werden können,[128] als auch Leistungen von unternehmensinternen Ressourcen – z.B. IT-Personal – für die Implementierung und den Betrieb in Anspruch genommen werden. Letztere müssen durch geeignete Kostenrechnungsverfahren ebenfalls erfasst werden, um überhaupt in der Wirtschaftlichkeitsbetrachtung berücksichtigt werden zu können.[129]

Dieses Abgrenzungsproblem wird durch die verschiedenen Definitionen von Kosten widergespiegelt: Es existieren unter anderem ein pagatorischer, ein wertmäßiger und ein entscheidungsorientierter Kostenbegriff, welche zum Teil unterschiedlich ausgelegt werden.[130] Der pagatorische Kostenbegriff beinhaltet lediglich die Entgelte, die von einem Unternehmen entrichtet werden und berücksichtigt somit beispielsweise keine Wiederbeschaffungs- oder Opportunitätskosten, welche bei einer Investitionsentscheidung wichtig sein können. Dieses Problem wird durch den weiter gefassten wertmäßigen Kostenbegriff, der in der Kostentheorie am weitesten verbreitet ist, umgangen und als Kosten wird der bewertete, leistungsbezogene Güterverbrauch bezeichnet, wobei unter Gütern im weitesten Sinne Sachgüter, Dienstleistungen, Rechte und Nominalgüter verstanden werden.[131] Kritisch wird von Riebel beim wertmäßigen Kostenbegriff jedoch unter anderem die „Narrenfreiheit der Bewertung“[132] – also die Subjektivität – gesehen und ein entscheidungsorientierter Kostenbegriff gefordert, unter dem Kosten die durch eine bestimmte Entscheidung ausgelösten zusätzlichen – nicht kompensierten – Ausgaben bzw. Auszahlungen verstanden werden.[133]

Eine ausführliche Diskussion über die Eignung eines bestimmten Kostenbegriffes kann wegen der Komplexität des Problems und der Uneinigkeit bezüglich dieser Problematik im Rahmen dieser Arbeit nicht stattfinden. Antweiler argumentiert beispielsweise, dass der wertmäßige Kostenbegriff im Sinne des erweiterten Wirtschaftlichkeitsbegriffs den größten Spielraum lasse und zweckorientiert eingeengt werden könne. Seiner Meinung nach ist das Hauptproblem des entscheidungsorientierten Kostenbegriffs, dass lediglich beeinflussbare Ausgaben zu den Kosten zählten, jedoch Opportunitätskosten keine Berücksichtigung fänden.[134] Demgegenüber plädiert Jaster für den entscheidungsorientierten Kostenbegriff und argumentiert, dass dieser keine Sachzielorientierung aufweise, welche beim pagatorischen und wertmäßigen Kostenbegriff streng genommen dazu führe, dass der Betrieb eines IS keinerlei Kosten verursache.[135]

Obwohl der entscheidungsorientierte Kostenbegriff die Diskrepanz zwischen der Investitions- und Kostenrechung laut Riebel[136] behebt und es sich bei der WA von AIS um Wirtschaftlichkeitsentscheidungen handelt, soll aus Gründen der Praktikabilität und der Ansicht, dass Jasters Hauptargument gegen den wertmäßigen Kostenbegriff – die Sachzielorientierung – im Einklang mit Antweiler[137] nicht schwer wiegt, der wertmäßige Kostenbegriff als Ausgangspunkt für die weiteren Kostenbetrachtungen verwendet werden.[138] Wichtig dabei ist, dass lediglich die entscheidungsrelevanten Kosten verursachungsgerecht zugerechnet werden, also nur die Kosten, die durch die Investitionsentscheidung beeinflusst werden können.[139]

3.1.2 Kostenaspekte von AIS

Bei Investitionen in AIS handelt es sich wie bei vielen IT-Projekten[140] um komplexe und unternehmensweite Unterfangen, welche mehrere Jahre dauern können und eine große Zahl von Einflussfaktoren auf die Kosten aufweisen.[141] Ein AIS „von der Stange“ gibt es nicht und jede Investition in AIS stellt ein unternehmensindividuelles, von der Problemstellung und den zugrunde liegenden Unternehmenszielen abhängiges Projekt dar.[142] Aus diesem Grund lassen sich die Kostenkomponenten von AIS nicht verallgemeinert und umfassend darstellen, weswegen in diesem Abschnitt lediglich die wesentlichen Kostenblöcke einer typischen AIS-Initiative aufgezeigt werden, um Anhaltspunkte für eine WA zu geben. Hierbei wird, wie eingangs dieses Kapitels bereits erwähnt, eine Einteilung in Software-, Hardware-, Personal- und sonstige Kosten vorgenommen. Die Gesamtkosten, die laut empirischen Studien durchschnittlich 2 bis 4 Mio. Dollar umfassen, verteilen sich etwa zu 30% auf Software-, zu 30% auf Hardware- und zu 40% auf Personalkosten.[143]

Um dem dynamischen Aspekt bei der WA von AIS gerecht zu werden, ist weiterhin eine Einteilung nach der Häufigkeit des Anfalls in einmalige und laufende Kosten üblich.[144] Diese Einteilung ist wichtig, weil die laufenden Kosten einen beträchtlichen Teil der Gesamtkosten von AIS im Lebenszyklus ausmachen und jährlich ca. 40% bis 60% der anfänglichen Implementierungsskosten betragen können.[145]

3.1.2.1 Hardware

Zu den einmalig anfallenden Hardwarekosten zählen Aufwendungen für Prozessoren, Datenbank-, Applikations- und Archivierungsserver, Arbeitsplatzrechner und die einmaligen Ausgaben für die Erweiterung der Netzwerkinfrastruktur bei einem nicht-zentralen DW mit mehreren Data Marts.[146] Zu den wesentlichen laufenden Hardwarekosten zählen Kosten für Reparatur und Wartung, die mit den Herstellern oder speziellen Dienstleistern vertraglich vereinbart wurden sowie Kosten für Erweiterungen und Anpassungen durch erhöhte oder veränderte Anforderungen im Zeitablauf.[147] Wichtigste Kostentreiber hierbei sind die Anzahl der Anwender, die die Zahl der Arbeitsplatzrechner bestimmen und das Datenvolumen, von welchem die Serverkapazität abhängt.[148]

3.1.2.2 Software

Zu den einmalig anfallenden Softwarekosten gehören hauptsächlich die Kosten für ein Datenbankmanagementsystem (DBMS) zur Verwaltung der Datenbank[149], Kosten für Betriebssysteme, ETL-Tools, Administrations- und Archivierungssoftware sowie für Reporting- und Analysetools wie OLAP, Data Mining oder Text Mining. Die Kosten hängen hierbei von der Anzahl der Anwender, der Art des Betriebssystems oder den verwendeten Servern ab.[150] Im Wesentlichen fallen laufende Kosten für vertraglich vereinbarte Softwareupdates oder Upgrades an, welche in regelmäßigen Abständen stattfinden und etwa 15% - 20% der Anschaffungskosten betragen können.[151] Ferner können periodische Lizenzgebühren einen wichtigen Kostenblock ausmachen sowie Kosten für die Entwicklung von Softwarekomponenten durch eigenes IT-Personal, welche aber hier zu den Personalkosten gezählt werden.[152]

3.1.2.3 Personal

Unter Personalkosten werden sämtliche Kosten für externes sowie internes Personal verstanden, welche durch eine Investitionsentscheidung in ein AIS ausgelöst werden bzw. durch zusätzliche Betriebskosten laufend entstehen. Diese Kosten können, wie bereits erwähnt, sehr hoch sein und allein der Personalaufwand für das DW-Projekt – also ohne laufende Personalkosten nach Fertigstellung – beträgt laut einer TDWI-Umfrage von 1996 durchschnittlich 4,45 Mannjahre.[153]

Einmalige Personalkosten umfassen die Aufwendungen für das gesamte Projektteam für die Dauer des Projekts und fallen für Planung, Konzeption, Entwicklung, Implementierung und Schulung an.[154] Das Projektteam besteht dabei in der Regel aus internen IT-Fachkräften und Mitarbeitern aus betroffenen funktionalen Bereichen des Unternehmens sowie aus externen Beratern und externen, produktspezifischen Fachkräften.[155] Geschult werden außer den Projektmitarbeitern sowohl IT-Fachkräfte, die sich mit der Betreuung des AIS nach der Implementierung befassen, als auch die Anwender, wobei sowohl internes als auch externes Lehrpersonal eingesetzt wird. Wichtig ist hierbei die Erfassung der Opportunitätskosten im Zusammenhang mit dem Einsatz und der Schulung von internem Personal.[156] Ein wesentlicher Kostentreiber für diesen Kostenblock ist die Datenbereinigung und Modellierung, da unternehmensweite Standards für Daten und Kennzahlen festgelegt werden müssen und dies bei einem großen Konzern mit vielen Insellösungen ein schweres Unterfangen sein kann.[157]

Zu den laufenden Personalkosten zählen alle Personalkosten, die nach der Einführung für Benutzerbetreuung, Administration, Wartung und Pflege anfallen.[158] Einen wesentlichen Kosteneinflussfaktor kann die Wartung und Pflege der Daten ausmachen. Nach Einführung eines DW bei Capital One Financial Corp. bspw. stieg der Personalbedarf für Wartung und Pflege der Data Marts mit einem Volumen von zwei Terabyte von 6 auf 40 Mitarbeiter.[159]

3.1.2.4 Sonstige Kosten

Kosten, die sich nicht eindeutig in eine der drei vorherigen Kategorien einteilen lassen, werden hier als sonstige Kosten behandelt.

Einmalig anfallende Kosten könnten z.B. Reise- und Materialkosten im Rahmen der Schulungen, Kosten für Umbauten und Mobiliar oder Anlaufkosten in Form von anfänglichen Fehlbedienungen und Leistungsverlusten sein.[160] Ebenso in diese Kategorie einzuordnen sind evtl. Kosten, die durch den Parallelbetrieb während der Migrationsphase entstehen, falls das Ziel des Investitionsvorhabens der Ersatz einer oder mehrerer vorhandener Lösungen ist sowie Kosten für die Beschaffung externer Daten und Spezialeinrichtungen für Datenschutz und Datensicherheit.[161] Einen relativen hohen Anteil an dieser Kostengruppe können die Kosten der Reorganisation durch Änderung der Aufbau- und Ablauforganisation einnehmen.[162]

Laufend anfallende Kosten, welche dieser Kategorie zugeordnet werden müssen, sind die Kosten für Datenschutz und Datensicherheit, die kontinuierlich anfallen sowie Versicherungs-, Kapital-, Material- und Energiekosten.[163]

3.2 Nutzen von AIS

3.2.1 Abgrenzung des Nutzenbegriffs

Ebenso wie für den Begriff Kosten gibt es für die positive Erfolgskomponente Nutzen keine einheitliche Definition.[164] Für den Nutzen existieren sogar noch vielfältigere Begriffsbestimmungen als für Kosten. Häufig wird der Nutzenbegriff gar nicht erst explizit definiert, sondern stattdessen sofort in seine Komponenten zerlegt und somit implizit bestimmt.[165] Die vorhandenen Definitionen reichen von rein monetären, quantitativen Interpretationen[166] über qualitativ orientierte Begriffe[167] bis zu sehr allgemein gehaltenen Be-griffsbestimmungen[168], decken jedoch nicht alle Aspekte der Nutzenschätzung ab, welche in Theorie und Praxis angesprochen werden.[169]

Um sämtliche Nutzenaspekte im Sinne einer ganzheitlichen WA zu erfassen, bedarf es eines entsprechend weit ausgelegten und doch aussagekräftigen Nutzenbegriffes. Diese Forderung wird von der Definition eines am wertorientierten Kostenbegriff anlehnenden Nutzenbegriffs erfüllt, nach welcher Nutzen ein sachzielbezogener, bewerteter Güterzuwachs ist.[170] Bei entsprechend weiter Auslegung des Güterbegriffs, die immaterielle Güter wie Wissen oder Flexibilität mit einbezieht, sowie des Kriteriums der Sachzielbezogenheit, bei der die Zielvorgaben eines AIS in Bezug auf die Unternehmensziele als ausreichend für die Erfüllung dieses Kriteriums betrachtet werden, ist diese Definition für die Zwecke einer ganzheitlichen WA am besten geeignet.[171]

3.2.2 Nutzenaspekte von AIS

„Es sind die richtigen Informationen zur richtigen Zeit am richtigen Ort, die zu spezifischem unternehmerischen Know-how, d.h. zu ‚Business Intelligence’, im jeweiligen Geschäftskontext werden und den Erfolg bestimmen.“[172]

Durch die vielfältigen Konzepte, welche unter dem Begriff AIS zusammengefasst werden, und verschiedene Zielsetzungen, die mit jedem einzelnen Ansatz verfolgt werden,[173] ist auch eine Vielzahl unterschiedlichster Nutzenaspekte im Zusammenhang mit diesen Systemen verbunden.[174] Allen gemeinsam ist eine Verbesserung der Bereitstellung, Gewinnung und Verwertung des Produktionsfaktors Information, welcher als vierter Produktionsfaktor neben den klassischen Ressourcen Boden, Kapital und Arbeit eine immer wichtigere Rolle in einer dynamischer und komplexer werdenden Umwelt spielt.[175] Abstrakt ausgedrückt ist der Nutzen von AIS darin zu sehen, erfolgreich dem Problem zu begegnen, dass das Management in Informationen ertrinkt, aber nach Wissen hungert.[176]

Wie bereits angesprochen werden die Nutzenaspekte von AIS gewöhnlich in drei Komponenten zerlegt: Nutzen durch Kostensenkungen, durch Produktivitätserhöhungen und durch Wettbewerbsvorteile.[177] Diese Nutzenkategorien lassen sich in der Praxis jedoch nicht immer eindeutig abgrenzen, weswegen sie eher als Anhaltspunkte und nicht als definitorische Klassifikation verstanden werden sollen.[178] Weiterhin wird der Nutzen häufig in quantitativen und qualitativen Nutzen unterteilt, um dem Umstand Rechnung zu tragen, dass ein Teil des Nutzens von AIS nur schwer oder gar nicht in monetären Einheiten ausgedrückt werden kann.[179]

Die Besonderheit von AIS ist, dass weniger die Kosten- oder Produktivitätsaspekte, sondern Wettbewerbsvorteile im Vordergrund stehen, welche durch eine bessere Informationsbasis eher indirekten Nutzen durch „bessere“ Entscheidungen stiften und damit zu einer Erhöhung des Umsatzes bzw. Gewinns eines Unternehmens führen.[180] Im Folgenden werden beispielhaft einige typische Nutzenaspekte aus den drei Nutzenkategorien aufgezeigt.

3.2.2.1 Nutzen durch Kostensenkungen

„Data Warehousing lowers the cost of information by approximately two orders of magnitude. This means that with a data warehouse an organization can access a piece of information for $100; an organization that does not have a data warehouse can access the same unit of information for $10,000“[181]

Auch wenn Kostensenkungen bei einer Entscheidung in AIS meist nicht im Vordergrund stehen und diese Aussage nicht durch empirische Daten belegt wird und eher auf Erfahrung basiert, macht diese Behauptung jedoch deutlich, dass durch den Einsatz von AIS nicht unerhebliche Kostensenkungspotentiale bestehen. Aufwendige Berichte und Analysen, die ohne ein zentrales DW, entsprechenden OLAP-Tools und Berichtsgeneratoren nur von teuren Spezialisten oder durch einen hohen Zeitaufwand von Analysten generiert werden müssten, können mit Hilfe von AIS sehr schnell und einfach erstellt werden.[182]

Geringere Pflege- und Wartungskosten durch die Zentralisierung von unternehmensweiten Insellösungen,[183] welche sonst individuell betreut werden müssten sowie die Entlastung von operativen Systemen, deren Performance durch komplexe Analysezugriffe erheblich leidet und somit unter Umständen eine Erweiterungsinvestition in die Infrastruktur vonnö­ten machen kann, stellen weitere wichtige Kostensenkungspotentiale dar.[184] Ferner sind der effektivere Einsatz des Working Capitals bei Verringerung von Lagerbeständen durch genau­ere Nachfragevorhersagen, die Reduzierung von Zinskosten durch besseres Liquiditäts­management und somit die Minimierung des Bargeldbestandes sowie die Reduzierung von Garantie- und Servicekosten durch verbesserte Qualität der Produkte zu nennen.[185]

Ein interessantes Praxisbeispiel ist die Implementierung eines DW-basierten Neuronalen Netzes, welches Kreditkartenbetrug aufdeckt, indem es Einzeltranksaktionen anhand von gelernten Kundenverhaltensmustern bewertet und so auffällige Transaktionen aufspürt. Auf diesem Wege hat die Visa International Inc. im ersten Nutzungsjahr etwa 24 Mio. Dollar eingespart.[186] Der Einsatz von Data Mining-Techniken, zu denen eine solche Applikation gehört, ist auch bei Versicherungsunternehmen ein wichtiges Instrument zur Kostensenkung.[187]

3.2.2.2 Nutzen durch Produktivitätserhöhungen

Verbesserungen der Produktivität im Zusammenhang mit dem Einsatz von AIS lassen sich in Effizienz- und Effektivitätssteigerungen unterscheiden.[188] Effizienzerhöhungen beziehen sich einerseits auf eine schnellere Informationsgenerierung, was gegebenenfalls zu Personalkosteneinsparungen führen kann, sowie andererseits auf eine höhere Datenqualität und dadurch weniger Mängel, welche durch fehlerhafte Daten entstehen. Eine Verbesserung der Effektivität kann durch bisher unbekannte Erkenntnisse, eine Ausrichtung auf relevante Informationen, die Erreichung eines gemeinsamen, unternehmensweit einheitlichen Begriffsverständnisses sowie durch tiefere Einsicht in das Geschäftsmodell erreicht werden.[189]

Beispielhaft für eine Effizienzsteigerung sei die einfachere Generierung von Berichten durch kürzere Systemantwortzeiten und Wegfall personeller Datenbeschaffungs- und Datenbearbeitungstätigkeiten erwähnt.[190] Während ein Analytiker ohne ein AIS etwa 80% der Zeit mit Datenbeschaffung und lediglich 20% mit der Analyse verbringt, existieren Beispiele für eine Umkehrung dieses Verhältnisses, sodass diese mit Hilfe eines AIS lediglich 20% der Zeit für die Datenbeschaffung aufwenden.[191] Ein prägnantes Beispiel für die Steigerung der Effektivität des Managements ist die Warenkorbanalyse im Einzelhandel mit Hilfe des Data Mining.[192]

3.2.2.3 Nutzen durch Wettbewerbsvorteile

Die Wettbewerbsvorteile und damit auch Gewinnzuwächse, die durch AIS erzielt werden können, sind beträchtlich.[193] Unternehmen werden durch eine verbesserte Informations- und Wissensbasis in die Lage versetzt, Trends frühzeitig aufzuklären, Risiken exakter abzuschätzen, zielgruppengenaue Produkte anzubieten oder Verbraucherverhalten präziser zu analysieren.[194]

Der Einsatz kundenorientierter Systeme, wie aCRM oder Database Marketing, ermöglicht es beispielsweise, durch gezielte Kampagnen potenzielle Kunden in einem sehr großen Markt individuell anzusprechen und somit neue Kunden zu gewinnen.[195] Durch Data Mining-Werkzeuge können Cross-Selling-Potentiale aufgedeckt oder im Rahmen eines Churn-Managements die Abwanderungswahrscheinlichkeit von Kunden signifikant verringert werden. Ferner können durch ein besseres Verständnis der Kundenstruktur, was bspw. durch Segmentierung mit Hilfe von Clusteranalysen bewirkt werden kann, Produkte und Dienstleistungen besser an den Kunden angepasst werden und so zu Umsatzsteigerungen führen.[196]

Weitere Beispiele für Wettbewerbsvorteile findet man im Bereich der Performancemessung eines Unternehmens. Mit Hilfe von OLAP eröffnet sich dem Management beispielsweise eine ganz neue Dimension der gezielten Unternehmenslenkung. Durch die Tatsache, dass beliebige mehrdimensionale Berichte innerhalb von Sekunden und ohne Spezialwissen in Datenbankabfragetechniken intuitiv von einer breiten Masse von Nutzern generiert werden können, wird es möglich, Problembereiche rechtzeitig zu lokalisieren und auf diese mit entsprechenden Maßnahmen zu reagieren.[197] Zusätzlich zu den eher anwendergetriebenen zielgerichteten OLAP-Analysen kann Data Mining helfen, automatisch und ungerichtet verdächtige Zusammenhänge in den Datenbeständen aufzudecken, welche sonst im Verborgenen blieben.[198]

3.3 Probleme bei der Ermittlung und Bewertung der Kosten und Nutzen

Die bisherigen Ausführungen der technologischen und wirtschaftlichen Aspekte machen deutlich, dass eine Investition in ein unternehmensweites AIS ein komplexes und langfristig angelegtes Projekt ist, wodurch es sehr hohe Anforderungen an eine WA stellt. Es lassen sich grundsätzlich drei Bewertungssituationen unterscheiden: Eine Bewertung zur Entscheidungsunterstützung, eine projektbegleitende Evaluation und schließlich eine ex-post Beurteilung.[199] Hierbei taucht eine Vielzahl an Problemen auf, welche einerseits die Ermittlung der Kosten- und Nutzenaspekte und andererseits die Bewertung bzw. Messung betreffen.[200]

Das Hauptproblem bei der WA ist die Ermittlung und Quantifizierung aller Nutzenaspekte. Während die Kosten noch relativ gut abgeschätzt und kardinal erfasst werden können, lässt sich ein großer Teil des Nutzens – wenn überhaupt – nur ordinal oder sogar nur nominal erfassen.[201] Das führt dazu, dass die Präferenzen des Entscheiders bzw. Entscheidungsvorbereiters in die WA mit einfließen und somit die Forderung einer objektiven Bewertung nach Präferenzunabhängigkeit nie erfüllt werden kann.[202] Dafür kommt eine Reihe von Ursachen in Frage, auf welche im Folgenden näher eingegangen wird.

Ein wesentliches Problem ist die Ermittlung des Informationswertes. Im Gegensatz zu Investitionen in Anlagengüter, welche Output für den Markt produzieren und somit in der Regel ein Marktpreis als objektives Bewertungskriterium existiert, wird durch AIS eine Infrastruktur zur Verbesserung der Informationsbasis des Managements geschaffen. Es werden Informationen generiert, deren Wert jedoch nur kontextabhängig, also nur indirekt durch die bewirkten Handlungen ermittelt werden kann und deren Wirkungsketten in einem komplexen sozio-technischen System mit einer großen Zahl von Nutzern kaum befriedigend dargestellt werden können.[203] Sowohl horizontale Systeminterdependenzen, d.h. unbeabsichtigte und schlecht vorhersehbare Nutzeffekte in Unternehmensbereichen, die nicht direkt durch das AIS betroffen sind, als auch vertikale Systeminterdependenzen, die durch die Integration mit bereits vorhandenen OIS entstehen, erschweren die ganzheitliche Analyse.[204] Durch das Fehlen von geeigneten Maßgrößen (Indikatoren) für bestimmte Wirkungen wird die Bewertungsproblematik noch zusätzlich verstärkt.[205]

Auch wenn die Ermittlung der Kosten im Vergleich zum Nutzen ein nicht so großes Problem darstellt, ist die genaue Ermittlung dieser nicht immer unproblematisch. Wichtige Problembereiche hier sind die Aufwandschätzung für Softwareentwicklungen, die Kapazitätsbemessung des DW sowie die Kostenzuordnung für innerbetriebliche Leistungen, für welche keine Marktpreise existieren. Trotz der Tatsache, dass es zahlreiche Verfahren zur Aufwandschätzung von Softwareentwicklungen gibt, Erfahrungswerte für Einflussfaktoren auf die Kapazitätsbemessung für ein DW existieren sowie Kostenrechnungs- und Kostenmanagementverfahren zur Verfügung stehen, darf aufgrund der großen Zahl von Kosteneinflussgrößen die Unsicherheit, die damit verbunden ist, nicht unterschätzt werden.[206]

Ein anderes schwerwiegendes Problem ist die organisatorische Umgestaltung, welche zeit­gleich mit der Einführung von AIS verbunden ist. Die Kosten- und Nutzenwirkungen sind auch hier nur schwer ermittelbar bzw. messbar.[207] Als Grund dafür kann die Dynamik angesehen werden, die mit der Implementierung eines umfassenden AIS verbunden ist, da das System meist ein wachsender Organismus ist, welcher iterativ weiterentwickelt wird und somit nur schwer greifbar ist.[208]

Picot et al. fassen die Probleme bei der Bewertung der Wirtschaftlichkeit von neuen IKS in sechs Problemkreisen zusammen, die sich ebenfalls auf AIS übertragen lassen:[209]

- Maßgrößenproblem: Mit welchen Maßgrößen lassen sich die Kosten- und Nutzenaspekte von AIS möglichst genau widerspiegeln?
- Situationsproblem: Inwiefern werden die Wirtschaftlichkeitseffekte der neuen Technologie durch spezielle situative Faktoren beeinflusst?
- Verbundproblem: Welche Abteilungen und andere Systeme, auf welche die AIS bspw. zugreifen, sind von den AIS betroffen und welche indirekten Effekte treten dabei hinsichtlich der Wirtschaftlichkeit auf? Wie können Wirkungen im Verbund mit parallelen Reorganisationsmaßnahmen berücksichtigt werden?
- Zurechnungsproblem: Wie können zeitlich verzögerte und räumlich verteilte Wirkungen dem AIS zugerechnet werden?
- Innovationsproblem: Wie lassen sich innovative Anwendungen, welche über die reine Substitution traditioneller Arbeitsverfahren hinausgehen und erst durch AIS ermöglicht werden, bewerten?
- Ganzheitlichkeitsproblem: Wie lassen sich komplexe Interaktionen in einem sozio-techni­schen Gesamtsystem bei der Wirtschaftlichkeitsbeurteilung berücksichtigen?

Die Folgerung aus den dargestellten Problemen ist letztlich, dass eine WA von AIS stets subjektiv ist, da vielfach unsichere Annahmen zugrunde gelegt werden. Verstärkt wird dies durch die Tatsache, dass der Soft- und Hardwaremarkt kaum überschaubar sind und eine vollstän­dige Identifizierung und Bewertung aller Alternativen nahezu unmöglich ist. Zusammen mit der Schwierigkeit, dass neben den aufgabeninhärenten Bewertungsproblemen auch verfahrensspezifische Probleme vorliegen, wie z.B. Zeitmangel der Systembenutzer, ist die Gefahr einer suboptimalen Lösung somit als hoch einzuschätzen.[210]

4 Theoretische Konzepte zur Wirtschaftlichkeitsanalyse von AIS

In den vorherigen Kapiteln wurden die grundlegenden Begriffe AIS und Wirtschaftlichkeit definiert und die Determinanten der Wirtschaftlichkeit sowie die Probleme, die bei der Ermittlung und Bewertung dieser regelmäßig auftauchen, herausgearbeitet. In diesem Kapitel sollen nun WAV vorgestellt werden, mit welchen Investitionsentscheidungen bezüglich AIS bewertet werden können. Dazu wird zunächst ein systematischer Überblick über Verfahren gegeben, die allgemein im Kontext von Investitionen in IS in der Literatur bisher vorgeschlagen wurden, um die Verfahren danach hinsichtlich ihrer grundsätzlichen Eignung für eine ganzheitliche WA von AIS zu beurteilen. Auf Basis dieser Beurteilung werden anschließend ausgewählte Ansätze vor dem Hintergrund der beschriebenen Bewertungsproblematik näher untersucht.

4.1 Systematisierung vorhandener Wirtschaftlichkeitsanalyseverfahren

In der Literatur existiert eine kaum noch überschaubare Vielzahl an Verfahren, die mit der Evaluation von IS in Verbindung gebracht wird.[211] Dabei handelt es sich einerseits um allgemeine Bewertungsverfahren, welche nicht nur bei Investitionen in IS Verwendung finden, wie statische und dynamische Investitionsrechnungsverfahren, und andererseits um Verfahren, die eigens für bestimmte Aspekte von IS entwickelt bzw. für spezifische Anforderungen aus bereits vorhandenen Verfahren modelliert wurden. Den meisten gemein ist die Fokussierung auf die ex-ante Bewertung der Investition und weniger die kontinuierliche Überwachung oder ex-post Beurteilung.[212]

Die Systematisierung der Verfahren, die im Rahmen der vorliegenden Arbeit ausgearbeitet wurde, basiert auf den Ausführungen mehrerer Autoren, welche aus verschiedenen Blickwinkeln heraus Ordnungsrahmen für Bewertungsverfahren aufgestellt haben (vgl. Abb. 8).[213] In der Darstellung werden nicht alle vorhandenen Verfahren berücksichtigt, da dies sowohl den Rahmen der Systematik als auch der Arbeit sprengen würde. Es soll lediglich eine Orientierungshilfe für eine erweiterte Diskussion geschaffen werden. Aus diesem

Abbildung in dieser Leseprobe nicht enthalten

Abb. 8: Systematik der Wirtschaftlichkeitsanalyseverfahren für Informationssysteme

Grund werden nur die wesentlichen Verfahren einbezogen, die im Zusammenhang mit Investitionen in IS bisher vorgestellt wurden. Ferner lassen sich einige Verfahren – insbesondere die ganzheitlichen Ansätze – nicht immer eindeutig kategorisieren, weshalb der wesentliche Charakter eines Verfahrens entscheidend für die Zuordnung ist.[214]

Grundsätzlich lassen sich die Verfahren in Basis-, Kombinations- und Meta-Verfahren einteilen. Zu den Basisverfahren bzw. Basismaßgrößen gehören bspw. der ROI, die Kapitalwertmethode oder die Methode des internen Zinsfußes, welche versuchen grundsätzliche Charakteristika einer Investitionsentscheidung auf eine einzige Kennzahl hin zu parametrisieren. Kombinationsverfahren, wie z.B. die Balanced Scorecard (BSC)[215], die Kosten-Nutzen-Analyse (KNA)[216] oder der Multiperspektiven-Ansatz (MPA)[217] dagegen setzen sich aus diversen Basisverfahren zusammen, um ein umfassendes Bild der Investitionsentscheidung zu erlangen. Schließlich haben Meta-Verfahren, wie der Ansatz von Farbey et al.[218] oder Peters[219], die Auswahl einer optimalen Verfahrenskombination oder der richtigen Maßgrößen auf Basis von situativen Kontextfaktoren zum Ziel.[220]

Eine weitere Dimension, mit der die Verfahren charakterisiert werden können, ist das Kontinuum zwischen formal-rationalen und hermeneutisch-interpretativen Ansätzen. Bei formal-rationalen Verfahren lässt der Entscheidungsträger überspitzt formuliert die Methode mechanistisch die Entscheidung treffen, wie es bspw. bei den „hurdle rates“[221], welche beim ROI überschritten werden müssen, häufig der Fall ist. Hermeneutisch-interpretative Verfahren zielen hingegen auf ein tiefes Verständnis der Feinheiten des sozio-technischen und subjektiven Charakters einer WA ab und über­lassen dem Entscheidungsträger die Interpretation und Entscheidung.[222] Die beiden Charakteristiken werden in Tabelle 1 stichwortartig gegenübergestellt. Im Folgenden wird aus Gründen der Komplexitätsreduktion auf den expliziten Einbezug der bisher beschriebenen Typisierungen verzichtet.

Abbildung in dieser Leseprobe nicht enthalten

Tab. 1: Idealtypische Charakterisierung von Ansätzen zur Wirtschaftlichkeitsanalyse von IS

Quelle: Jones, S. et al. (2001), S. 193.

Auf der obersten Ebene werden Beschreibungs- und Berechnungsverfahren unterschieden. Beschreibungsverfahren haben die Ermittlung oder Beschreibung von Kosten- und Nutzeneffekten der Investitionsentscheidung zum Ziel und liefern die Daten für die Berechnungsverfahren, die meist implizit von der Verfügbarkeit der Daten ausgehen und den Fokus auf die Berechnung der Kosten- und Nutzeneffekte richten.[223] Die Beschreibungsverfahren lassen sich weiter in Verfahren unterscheiden, die entweder spezielle oder allgemeine Aspekte im Blickfeld haben, wobei erstere noch genauer nach den speziellen Aspekten gegliedert werden. Hierbei unterstützen prozessorientierte Verfahren die Analyse des Investitionsvorhabens hinsichtlich der Wirkung auf interne und externe Prozesse der Unternehmung.[224] Verfahren der Kategorie Hierarchieebenen stellen die Integrationsstufen bei umfassenden IS in das Zentrum des Interesses und werden in der Literatur auch als Ebenenverfahren bezeichnet.[225] Unternehmenszielorientierte Verfahren verfolgen eine Ausrichtung einer Investition in ein IS an den Unternehmenszielen und untersuchen meist unter Berücksichtigung der kritischen Erfolgsfaktoren (KEF) die Wirkung auf die Unternehmensstrategie.[226] Verfahren, die das Zentrum der Betrachtung auf Aspekte des Change Management (CM) richten, zielen insbesondere auf die Berücksichtigung der politischen Aspekte einer Investitionsentscheidung ab und versuchen den Änderungsprozess, der dadurch angestoßen wird, durch den Einbezug von Interessengruppen angemessen zu berücksichtigen und in die Bewertung mit einfließen zu lassen.[227] Kundenorientierte Verfahren konzentrieren sich im speziellen auf Geschäftsprozesse des Kunden.[228]

Berechnungsverfahren werden in monetäre Verfahren, Indikatorverfahren und multikriterielle Verfahren unterschieden. Monetäre Verfahren berücksichtigen überwiegend monetäre Größen als Inputdaten und führen zu einer Beurteilung der Vorteilhaftigkeit einer Investition aus einer rein finanziellen Perspektive.[229] Zu dieser Gruppe gehören die Verfahren der klassischen Investitionsrechnung, wie die Gewinn- oder Kostenvergleichsrechnung aus dem Bereich der statischen Verfahren sowie die Kapitalwert- oder Annuitätenmethode aus dem Komplex der dynamischen Verfahren.[230] Die Kategorie der speziellen Verfahren im Rahmen der monetären Modelle umfasst sämtliche finanzgrößenorientierte Verfahren, die aus den unterschiedlichsten Forschungsbereichen stammen, wie z.B. das Hedonic Wage-Modell, die Realoptionsverfahren oder die Spieltheorie. Zu diesem Bereich gehören aber auch Standardverfahren, wie die KNA oder das Entscheidungsbaumverfahren (EBV).[231] In das Gebiet der Indikatorverfahren gehören sämtliche Verfahren, die im Hinblick auf bestimmte Aspekte sowohl monetäre als auch quantitative nicht-monetäre Maßgrößen zu einer ausgewogenen Zusammenstellung kombinieren und somit ein Surrogat für den Nutzen einer Investition liefern.[232] Die letzte Gruppe der Berechnungsverfahren bilden die multikriteriellen Verfahren. Wie die Indikatorverfahren, kombinieren diese auch monetäre und quantitative, nicht-monetäre Größen, gehen jedoch einen Schritt weiter und aggre­gieren diese zu einer gewichteten Kennzahl bzw. Punktzahl.[233] Schließlich können zusätzlich diverse Techniken wie Sensitivitätsanalysen, Korrekturverfahren oder Szenarioanalysen optional mit kompatiblen Berechnungsverfahren zur Berücksichtigung der Unsicherheit eingesetzt werden.[234]

Ein wichtiger Aspekt, der in der vorliegenden Arbeit implizit vorausgesetzt wird, ist die möglichst genaue Erfassung der Kosten über den gesamten Lebenszyklus der Investition. Da diese Problematik keinesfalls trivial, aber nach einhelliger Meinung nicht das Hauptproblem einer ganzheitlichen WA darstellt, wird im Folgenden aus Gründen der Übersichtlichkeit das Augenmerk auf Verfahren der Nutzenbewertung gelegt.[235] Dadurch soll aber keinesfalls die Diskussion, die im Zuge der Erfassung, Bewertung und des Managements der IT-Kosten stattfindet und unter dem Begriff Total Cost of Ownership (TCO) zusammengefasst werden kann, als unwesentlich interpretiert werden.[236]

4.1.1 Beschreibungsverfahren

4.1.1.1 Beschreibungsverfahren für spezielle Aspekte
4.1.1.1.1 Prozessorientierte Verfahren

Verfahren dieser Gruppe verfolgen die Prozessanalyse aus sehr unterschiedlichen Blickwinkeln. Mooney et al. entwickeln einen ganzheitlichen Bezugsrahmen für die Prozessanalyse auf Basis des Gedankens des Business Process Reengineering (BPR), um den Wert einer Investition in IS erfassen zu können. Ohne dabei explizit konkrete Verfahren an die Hand zu geben, mit denen dieser Wert gemessen werden kann, stellen sie jedoch eine Typologie von Geschäftsprozessen bereit, verbinden diese mit einer Klassifizierung des Nutzens von IS zu einer zweidimensionalen Matrix, um darauf aufbauend potentielle Nutzenfaktoren darstellen zu können (vgl. Tab. 2).[237]

Abbildung in dieser Leseprobe nicht enthalten

Tab. 1: Matrix der Nutzenpotenziale durch IS

Quelle: Mooney, J.G. et al. (1996), S. 78.

Ebenfalls aufbauend auf BPR erarbeitet Aichele mit Hilfe des ARIS-Vorgehensmodells ein unternehmensweites, prozessbezogenes Kennzahlensystem, wobei unter anderem das Prozessbeschreibungs- und -analyseverfahren der erweiterten ereignisgesteuerten Prozesskette zum Einsatz kommt.[238] Durch die Simulations- und Bewertungsmöglichkeit der Software kann somit eine fundierte Grundlage für eine differenzierte Analyse und Bewertung von Geschäftsprozessen stattfinden, die grundsätzlich auch für die Analyse von Investitionsentscheidungen bezüglich IS einsetzbar wäre.[239]

Bei Retters Modell ProStrat handelt es sich um ein sehr detailliert beschriebenes, komplexes und ganzheitliches Kombinationsverfahren, welches sowohl direkte als auch indirekte Nutzenpotenziale einer Investition in IS auf Basis einer kombinierten Prozess- und Wirkungskettenanalyse[240] aufdeckt und bewertet. Dabei werden in der Analysephase in einem ersten Schritt sämtliche Prozesse beschrieben, die durch die Investition im Unternehmen betroffen sind, um dann im nächsten Schritt die direkten und indirekten Nutzeneffekte – Zeit-, Qualitäts-, Aufwands- sowie organisatorische Veränderungen – zu lokalisieren und abzuschätzen.[241] Anschließend werden in der Bewertungsphase nur die relevanten direkten und indirekten Wirkungen hinsichtlich strategischer Nutzenpotenziale bewertet.[242] Auf eine vollständige monetäre Bewertung wird aus Gründen der Praktikabilität dabei verzichtet und stattdessen auf eine mit Eintrittswahrscheinlichkeiten und geschätzten Ausprägungshöhen versehene Verkettung von mehreren vorgangsbezogenen Argumentenbilanzen[243] zurückgegriffen.[244]

Das Verfahren von van Wegen et al. zielt wie ProStrat explizit auf die Bewertung von Investitionen in IS ab und konzentriert sich ebenfalls auf Unternehmensprozesse. Bei dieser Methode liegt der Schwerpunkt jedoch auf einer Tätigkeitsanalyse und anschließenden Bewertung mit Hilfe des Activity-Based-Costing (ABC)[245], wobei im Sinne einer Kostenvergleichsrechnung der Soll-Zustand nach Durchführung der Investition mit dem Ist-Zustand verglichen wird, um so den Wert der Investition monetär zu bewerten.[246]

4.1.1.1.2 Ebenenverfahren

Da eine Investition in ein modernes IS unternehmensweite oder sogar über die Unternehmensgrenzen hinausgehende Wirkungen aufweisen kann, werden in der Literatur diverse Ansätze präsentiert, um diese Wirkungen aus den Teilwirkungen unterschiedlich weit reichender Ebenen zu analysieren.[247] Die meisten Ansätze berücksichtigen dabei vier ähnlich definierte Ebenen. Einen umfassenden Vergleich relevanter Ebenenverfahren mit einer Gegenüberstellung der verschiedenen Ebenen bietet Antweiler (vgl. Tab. 3).[248]

Abbildung in dieser Leseprobe nicht enthalten

Tab. 3: Gegenüberstellung relevanter Ebenenansätze

Quelle: Antweiler, J. (1995), S. 151.

Allen acht Ansätzen gemein ist eine stufenweise Ausweitung der Kosten- und Nutzenbetrachtung von der kleinsten Ebene aus.[249] Dabei schlagen einige Verfahren einen ebenenspezifischen Einsatz von diversen Bewertungsverfahren mit einer anschließenden Kombination zu einer ganzheitlichen Wirtschaftlichkeitsbetrachtung vor (vgl. Tab. 4).[250]

Abbildung in dieser Leseprobe nicht enthalten

Tab. 4: Ebenenspezifische Zuordnung von Wirtschaftlichkeitsanalyseverfahren

Quelle: Antweiler, J. (1995), S. 152.

4.1.1.1.3 Unternehmenszielorientierte Verfahren

Bei den Ansätzen dieser Kategorie handelt es sich nicht um Verfahren, welche die Wirtschaftlichkeit eines spezifischen IS beurteilen, sondern um Methoden, welche meist die Bedeutung von IS im Kontext der Unternehmensziele aufdecken und eine grobe Strategie für den Einsatz vorschlagen.[251] Die Zielsetzung ist demnach eindeutig nicht die exakte Erfassung von Nutzenpotentialen, sondern die Ideengenerierung zu grundsätzlichen Einsatzmöglichkeiten von Informationstechnologien bzw. eine Projektpriorisierung, wobei häufig Portfoliotechniken zum Einsatz kommen, um einen groben Überblick über den Entscheidungsraum zu gewinnen.[252] Ein häufig wiederkehrendes Moment ist die Berücksichtigung von KEF hinsichtlich der Unternehmensziele.[253]

Beispielhaft für diese Kategorie ist das Verfahren von Nolan, Norton & Company (NNC), das eine systematische Ermittlung einer strategiekonformen Allokation des IT-Budgets mit Hilfe der Portfoliotechnik zum Ziel hat.[254] In einem ersten Schritt werden dabei die Ziele der Organisation hinsichtlich Produktivitätserhöhungen, Erhöhung der Wettbewerbsfähigkeit und Verbesserung der Effektivität des Managements festgelegt, danach die kritischen Faktoren („pressure points“) bezüglich Funktionsbereichen, Mitarbeitergruppen, Organisationsprozessen und Produkten identifiziert, um anschließend auf Basis einer ausführlichen Analyse die Systeme mit dem größten Unterstützungspotenzial („grey cells“) für die „pressure points“ auszuwählen.[255] Bei diesem Verfahren findet keine Quantifizierung der Kosten und des Nutzens der IS statt.[256]

Ein von IBM eingesetztes Verfahren ist das IS-Praxis-Modell, welches ebenfalls die KEF einer Unternehmung mit einbezieht. Im Gegensatz zum NCC-Modell ist jedoch das Hauptziel dieses Verfahrens die Analyse der Wirkungen der von den potenziellen IS beeinflussbaren Geschäftsprozesse auf die KEF. Dabei werden diese Prozesse hinsichtlich der Qualität auf einer Skala von eins (sehr gut) bis vier (schlecht) bewertet, den KEF in einer Matrix gegenübergestellt und auf diese Art die Anzahl der betroffenen KEF ermittelt. Auf Basis der Dimensionen Prozessqualität und Anzahl der betroffenen KEF werden anschließend in einem Portfolio die kritischen Prozesse identifiziert, welche dann die größten Nutzenpotenziale der Investition implizieren und dem Management einen Überblick
über künftig nötige IS-Investitionen geben.[257]

Ebenfalls in diese Kategorie gehören das strategische Gitter von McFarlan und McKenney[258], der Portfolio-Ansatz von Ward[259], der ITAA-Ansatz von Huff[260], der Ansatz von Elliot[261], die Strategy Maps von Kaplan und Norton[262], der multidimensionale Ansatz von Fitzgerald[263] sowie der SIS-Ansatz von Rackoff[264]. Hierbei handelt es sich jedoch nicht um eine erschöpfende Aufzählung.[265]

4.1.1.1.4 Verfahren mit dem Fokus auf das Change Management

Einen radikalen Paradigmenwechsel hinsichtlich des Wesens der Bewertung von IS vollziehen Ansätze, die Walter et al. als CM-orientierte Verfahren bezeichnen.[266] Bei diesen Verfahren wird resultierend aus der Erkenntnis, dass der Prozess der Bewertung umfassender IS höchst politisch sei und von traditionellen WAV völlig außer Acht gelassen werde, eine Argumentationskette verfolgt, die einige Autoren auf Erkenntnissen aus den Bereichen der Ontologie, Epistemologie bzw. der Systemtheorie stützen.[267]

Einen theoretischen Ansatz, der auf einer Fundierung durch Heideggers Hermeneutik und Suchmans Lernkonzept „Situated Action“ sowie auf einer empirischen Untersuchung im öffentlichen Sektor in Großbritannien beruht, präsentieren Jones et al. und bezeichnen ihn als Situated Hermeneutic Evaluation (SHE).[268] Hierbei handelt es sich jedoch nicht um ein konkretes Verfahren, sondern um eine generelle Erkenntnis mit der Formulierung von allgemeinen Ratschlägen zur Durchführung von Wirtschaftlichkeitsbetrachtungen.[269] Entsprechend soll an dieser Stelle nicht näher darauf eingegangen werden.

Hier sei angemerkt, dass die Autoren des SHE-Ansatzes den Anspruch der Neuheit erheben, obwohl Avgerou bereits sechs Jahre zuvor zu der Erkenntnis gelangte, dass WA in einem höchst politischen Kontext stattfinden. Zusätzlich erarbeitete er einen konkreten Verfahrensvorschlag, wie diesem Problem begegnen werden kann. Sein Verfahren basiert auf dem Ansatz Fourth Generation Evaluation von Guba et al. sowie Checklands Soft Systems Methodology, zielt auf die grundsätzliche Organisation des Bewertungsprozesses ab und basiert auf den folgenden vier Grundprinzipien:[270]

- Die Hauptaufgaben des Verantwortlichen für die WA sind die Organisation und Unterstützung eines dialektischen Bewertungsprozesses, die methodische Beurteilung[271] des Systems unter Berücksichtigung der Ansprüche der Interessengruppen sowie die Informationsversorgung dieser bezüglich typischer Probleme.
- Der Bewertungsprozess ist involvierend und erlaubt allen Interessengruppen ihre Sichtweisen einzubringen.
- Die Bewertungskriterien werden situativ gewählt und berücksichtigen alle Belange der Interessengruppen.
- Das Ziel ist ein Konsens hinsichtlich der zukünftigen Entwicklung von IS entweder durch Bewilligung oder mögliche Modifikation von Investitionsvorhaben in neue IS (ex-ante Bewertung) oder durch das Lernen aus Erfahrungen mit alten IS (ex-post Bewertung).

Wesentlich bei Avgerous Methode ist die explizite Formulierung der Rolle des Organisators der WA und die kontextabhängige Auswahl formal-rationaler WAV basierend auf einem tiefen Verständnis der Bewertungssituation im Sinne eines hermeneutisch-interpretativen Ansatzes. Zusätzlich führt die konsequente Beteiligung aller betroffenen Interessengruppen zu einer kollektiven Verantwortlichkeit und wirkt somit dem Akzeptanzproblem entgegen.[272]

Verfahren, die ebenfalls Charakteristika dieser Gruppe aufweisen, sind das ISAC-Modell, welches ein Vorgänger von Avgerous Ansatz ist, sowie die Methode des Business-Centric BI Development (BCBID) von Williams et al. aus der Praxis der BI-Implementierung.[273]

4.1.1.1.5 Kundenorientierte Verfahren

Ebenso wie die unternehmenszielorientierten Ansätze, sind die Verfahren dieser Kategorie keine Verfahren, um explizit die Wirtschaftlichkeit einer Investition zu beurteilen. Die Aufmerksamkeit richtet sich hier primär auf die Aufdeckung und Schaffung von Nutzenpotenzialen, indem Geschäftsprozesse des Kunden in die Potenzialanalyse einer Investition in IS einbezogen werden. Aus diesem Grund liegt der Wert dieser Verfahren auf der Erkenntnis der strategischen Bedeutung der Kundenperspektive und der Ideengenerierung zur Unterstützung dieser.[274]

Beispielhaft für diese Kategorie ist das Modell des Customer Resource Life Cycle (CRLC), welches von der Grundannahme ausgeht, dass der Kauf einer Ressource für den Kunden einen beträchtlichen Aufwand verursacht und einen typischen Zyklus – den CRLC – durchläuft. Durch die Unterstützung des Kunden in diesem Prozess mit Hilfe eines IS kann der Lieferant diesen Aufwand minimieren und dadurch Opportunitätskosten („switching costs“) für den zukünftigen Wechsel des Lieferanten für den Kunden aufbauen. Mit dieser Art der Kundenbindung kann somit ein strategischer Vorteil erlangt werden.[275] Dabei wird ein Phasenmodell vorgeschlagen, welches in vier Basisphasen – Bedarfsermittlung, Beschaffung, Nutzung/Verwaltung und Ausscheiden – unterteilt ist und zusätzlich auf insgesamt 13 Stufen verfeinert wird.[276] Weitere Ansätze dieser Art sind das Modell von Grosse sowie der Ansatz von Notowidigdo.[277]

[...]


[1] Diese Aussage ist ein Ergebnis des Forschungsprojekts „Management in the 90’s“ vom Massachusetts Institute of Technology bezüglich der Bewertung von IT in der betrieblichen Praxis. Vgl. Farbey, B. et al. (1999), S. 154.

[2] Vgl. Chamoni, P. et al. (2006), S. 3 ff. ; Seufert, A. et al. (2006), S. 22; Seufert, A. et al. (2003), S. 4 f. sowie Hillringhaus, C. et al. (2004), S. 8 f. und 12.

[3] Vgl. Hannig, U. et al. (2002), S. 226, die den Anteil der Projekte im Jahr 2001 mit Kosten über 2,5 Mio. Euro auf 18,2% und mit Kosten zwischen 0,5 Mio Euro und 2,5 Mio Euro auf 22,7% schätzten.

[4] Vgl. Totok, A. (2006), S. 60.

[5] Vgl. Bannister, F. et al. (2000), S. 231.

[6] Vgl. Mummert Consulting AG (2004), S. 92 f.

[7] Vgl. Helfert, M. (2000), S. 9 f.

[8] Vgl. bspw. Potthof, I. (1998), S. 17 ff. oder Pietsch, T. (2003), S. 58 ff.

[9] Vgl. Chamoni, P. et al. (2006), S. 6.

[10] Vgl. Holthuis, J. (2001), S. 36 ff. sowie die dort zitierte Literatur.

[11] Eine ausführliche Abgrenzung und Diskussion der Begriffe findet bei Gluchowski, P. et al. (1997),
S. 147 ff. statt.

[12] Vgl. Chamoni, P. et al. (2006), S. 6 ff.

[13] Chamoni, P. (2003), S. 4.

[14] Vgl. Kemper, H.-G. et al. (2004), S. 1 sowie Chamoni, P. et al. (2006), S. 6.

[15] Vgl. Chamoni, P. et al. (2006), S 10.

[16] Vgl. Chamoni, P. et al. (2006), S. 8 f. sowie Bauer, A. et al. (2004), S. 11.

[17] Vgl. Holthuis, J. (2001), S. 8 ff.; Chamoni, P. et al. (2006), S. 11; Gluchowski, P. (1997), S. 151, S. 166, S. 202 und S. 238; Scheer, A.-W. (1997), S. 5 sowie Mertens, P. et al (2005), S. 84.

[18] Im angelsächsischen Bereich und bisweilen auch im deutschsprachigen Raum werden die Begriffe MIS, DSS, EIS oder MSS mit ihren deutschen Entsprechungen jedoch synonym verwendet. Vgl. Emery, J.C. (1987), S. 24 f. und Hichert, R. et al. (1995), S. XI.

[19] Die Gartner Group ist ein US-amerikanisches Marktforschungsunternehmen.

[20] Vgl. Kemper, H.-G. et al. (2004), S. 2.

[21] Vgl. Chamoni, P. et al. (2006), S. 3; Chamoni, P. (2003), S. 4; Gluchowski, P. (2001), S. 5; Gabriel, R. et al. (2001), S. 17; Determann, L (2002), S. 8; Weber, J. et al. (1999), S. 16 ff.; Mucksch, H. et al. (2000), S. 5 ff.; Kurz, A. (1998), S. 252; Kemper, H.-G. et al. (2004), S. 1 ff. sowie Negash, S. (2004), S. 177 f.

[22] Vgl. Gluchowski, P. (2001), S. 1.

[23] Vgl. Negash, S. (2004), S. 187 sowie Vedder, R.D. et al. (1998), S. 1.

[24] Vgl. Kemper et al. (2004), S. 2 sowie Schildhauer, T. et al. (2004), S. 27.

[25] Vgl. Abschnitt 2.1.1.

[26] Vgl. Hannig, U. (2002), S. 6 sowie Gabriel, R. et al. (2001), S.25.

[27] Vgl. Mertens, P. (2002), S. 3.

[28] Vgl. Gluchowski, P. (2001), S. 7 sowie Grothe, M. et al. (2000), S. 19.

[29] Gluchowski, P. (2001), S. 6.

[30] Vgl. Gluchowski, P. (2001), S. 6 ff.

[31] Vgl. Gluchowski, P. (2001), S. 6.

[32] Vgl. Inmon, W.H. (2005), S. 6 f. sowie S. 22 f.

[33] Vgl. Gluchowski, P. (2001), S. 6.

[34] Gilad, B. et al. (1988), S. 4.

[35] Vgl. Negash, S. (2004), S. 186 sowie Jaworski, B. et al. (1993), S. 11. Letztere bezeichnen CI als “external business intelligence”. Zur Geschichte des Begriffs CI vgl. Michaeli, R. (2006), S. 32 ff.

[36] Vgl. Gluchowski, P. (2001), S. 6.

[37] Hier hätte Gluchowski konsequenterweise den Begriff MSS verwenden können, um die DSS nach der Systematik aus Abschnitt 2.1.1 zu integrieren. Das lässt sich hier jedoch als ein typisches Beispiel für den ungenauen Gebrauch der Begriffe MIS, EIS, DSS und MSS werten.

[38] Vgl. Dittmar, C. et al. (2002), S. 27.

[39] Gabriel, R. et al. (2001), S. 19.

[40] Vgl. Gabriel, R. et al. (2001), S. 24 sowie Dittmar, C. et al. (2002), S. 37 ff.

[41] Vgl. Gregorzik, S. (2002), S. 43 f.

[42] Vgl. Chamoni, P. (2003), S. 4, der die Begriffe ebenfalls gleichsetzt.

[43] Vgl. Chamoni, P. et al. (2006), S. 11. Einen systematischen Vergleich zwischen AIS und OIS findet man bei Determann, L. (2002), S. 8 ff.

[44] Chamoni, P. et al. (2006), S. 11.

[45] Text Mining wird gegenwärtig nicht in gängige DW-Architekturen integriert, da der Fokus des DW-Konzeptes zurzeit auf quantitativen und strukturierten Daten liegt. Es wird jedoch für die Zukunft eine Unterstützung des Text Mining durch ein DW gefordert, weswegen im Rahmen dieser Arbeit das Text Mining als integrativer Bestandteil einer DW-Architektur betrachtet wird. Vgl. dazu Sullivan, D. (2000), 42 ff.

[46] Vgl. Holthuis, J. (2001), S. 72 sowie Bauer, A. et al. (2004), S. 7. Poe, V. et al. (1997), S. 23 bezeichnen ein DW prägnant auch als „analytische Datenbank“.

[47] Inmon, W.H. (2005), S.31. Zuerst erwähnt wurde laut Hummeltenberg, W. (1998), S. 48 das DW-Konzept 1988.

[48] Vgl. Holthuis, J. (2001), S. 73.

[49] Inmon, W.H. (2005), S. 32.

[50] Vgl. Inmon, W.H. (2005), S. 31ff.

[51] Vgl. Inmon, W.H. (2005), S. 33 f.

[52] Vgl. Mucksch, H. et al. (2000), S. 13.

[53] Vgl. Inmon, W.H. (2005), S. 34 f.

[54] Vgl. Mucksch, H. et al. (2000), S. 10.

[55] Vgl. Bauer, A. et al. (2004), S. 8.

[56] Vgl. Gluchowski, P. et al. (1997), S. 282.

[57] Vgl. Chamoni, P. et al. (2000), S.335.

[58] Vgl. Chamoni, P. et al. (2000), S. 334.

[59] Vgl. Gluchowski, P. et al. (1997), S. 283.

[60] Vgl. Codd, E.F. et al. (1993), S. 18 ff.

[61] Vgl. Jahnke, B. et al. (1996), S. 2 sowie Rieger, B. (1996), S. 6, der dabei von einer Inflation von OLAP-Kriterien spricht.

[62] Vgl. Gluchowski, P. et al. (1997), S. 276 ff.

[63] Vgl. Pendse, N. et al. (2006).

[64] Vgl. Determann, L. (2002), S. 76.

[65] Ein OLAP-Server ist eine eigens für OLAP-Auswertungen geschaffene multidimensionale Datenbank. Vgl. dazu Mucksch, H. et al. (2000), S. 21.

[66] Vgl. Goetz, B.E. (1949), S. 137 f.

[67] Vgl. Schmalenbach, E. (1956), S. 267 ff.

[68] Vgl. Riebel, P. (1979), S. 863 ff.

[69] Vgl. Totok, A. (1998), S. 161.

[70] Vgl. Hillringhaus, C. et al. (2004), S. 30.

[71] Vgl. Fayyad, U.M. et al. (1996), S. 6.

[72] Zu den Mining-Methoden zählen neben Data Mining unter anderem Text Mining, Web Mining, Audio Mining oder Multimedia Mining. Vgl. dazu Mertens, P. (2002), S. 67 ff.

[73] Vgl. Kurz, A. (1998), S. 252.

[74] Vgl. Brachmann, R.J. et al (1996), S. 44 sowie Holthuis, J. (2001), S. 60.

[75] Vgl. Kurz, A. (1998), S. 252.

[76] Below, C.v. (1998), S. 53.

[77] Dazu gehören Data Mining oder Text Mining. Vgl. hierzu Abschnitt 2.1.3.3 und Abschnitt 2.1.3.4.

[78] Vgl. Schinzer, H.D. et al. (1999), S. 65.

[79] Vgl. Fayyad, U.M. et al. (1996), S. 9 ff.

[80] Vgl. Kurz, A. (1998), S. 255.

[81] Vgl. Holthuis, J. (2001), S. 63.

[82] Für eine Beschreibung der einzelnen Techniken sei der interessierte Leser an Kurz, A. (1998), S. 257 ff. verwiesen.

[83] Vgl. Holthuis, J. (2001), S. 58. Ferner behandeln Dhar, V. et al. (1997) in ihrem Buch ausführlich die einzelnen Forschungsgebiete, auf denen diese Techniken aufsetzen.

[84] Determann, L. et al. (1999), S. 144.

[85] Vgl. Michels, E. (1995), S. 37 ff.

[86] Vgl. Bissantz, N. et al. (2000), S. 396.

[87] Vgl. Bissantz, N. et al. (2000), S. 399.

[88] Vgl. Grothe, M. et al. (2000), S. 212 f.

[89] Vgl. Renz, I. et al. (2003), S. 1.

[90] Vgl. Multhaupt, M. (2000), S. 55.

[91] Vgl. Tkach, D.S. (1998), S. 7 sowie Mertens, P. (2002), S. 67.

[92] Vgl. Renz, I. et al. (2003), S. 9.

[93] Vgl. Tkach, D.S. (1998), S. 23.

[94] Vgl. dazu das Anwendungsbeispiel bei Renz, I. et al. (2003), S. 7 ff. im Unternehmen Daimler-Chrysler.

[95] Vgl. Mertens, P. (2002), S. 69.

[96] Vgl. Mertens, P. (2002), S. 69.

[97] Vgl. Sullivan, D. (2000), S. 42 ff. sowie Dittmar, C. (2004), S. 309 ff., der ausführlich die Integration von unstrukturierten Daten in das DW-Konzept in Form eines Knowledge Warehouse als Erweiterung behandelt.

[98] Vgl. Kemper, H.-G. et al. (2004), S. 22.

[99] Vgl. Mucksch, H. et al. (2000), S. 19 f.

[100] Vgl. Bauer, A. et al. (2004), S. 59 f.

[101] Vgl. Inmon, W.H. (1999), S. 12 ff. sowie Mucksch, H. et al. (2000), S. 21 f.

[102] Vgl. Mucksch, H. et al. (2000), S. 22 ff.

[103] Vgl. Wieken, J.-H. (1999), S. 205.

[104] Vgl. Mucksch, H. et al. (2000), S. 27 ff.

[105] Vgl. Antweiler, J. (1995), S. 56 sowie Koch, H. (1975), S. 58 f.

[106] Vgl. Holthoff, A. (1988), S. 49 ff.

[107] Vgl. Antweiler, J. (1995), S. 57.

[108] Vgl. Nagel, K. (1990), S. 19 ff.

[109] Vgl. Koch, H. (1975), S. 58.

[110] Vgl. Bohr, K. (1981), Sp. 1796 ff.

[111] Vgl. Nagel, K. (1990), S. 19.

[112] Vgl. Grochla, E. (1970), S.19 ff., der auf die Schwierigkeit der Erfassung des Informationswertes hinweist.

[113] Vgl. Grochla, E. (1970), S. 30 sowie Hillringhaus, C. et al. (2004), S. 57.

[114] Vgl. Antweiler, J. (1995), S. 59.

[115] Vgl. Antweiler, J. (1995), S. 61.

[116] Vgl. Horváth, P. (1988), S. 3 sowie Antweiler, J. (1995), S. 61.

[117] Vgl. Antweiler, J. (1995), S. 60.

[118] Vgl. Horváth, P. (1988), S. 3.

[119] Vgl. Kargl, H. (1993), S. 70 f.

[120] Vgl. Antweiler, J. (1995), S. 61 f.

[121] Kargl, H. (1993), S. 70.

[122] Vgl. Antweiler, J. (1995), S. 62 sowie Groh, T. (2004), S. 44 ff.

[123] Vgl. Potthof, I. (1998), S. 93 bezüglich der Kostenaspekte und Nagel, K. (1990), S. 27 bezüglich der Nutzenkategorien. In der Literatur werden jedoch unterschiedliche Systematisierungen der Nutzenaspekte vorgenommen, wie z.B. die Einteilung in leicht, schwer und nicht quantifizierbare Nutzenaspekte bei Antweiler, J. (1995), S. 63 f. und der dort zitierten Literatur sowie die Einteilung in die Kategorien „Kostenersparnisse“ und „zusätzliche Erträge“ bei Pietsch, T. (2003), S. 44 f.; Groh, T. (2004), S. 49 oder Herring, J.P. (1996), S. 5. Eine ähnliche Kategorisierung verfolgt Buxmann, P. (2001), S. 30, jedoch verwendet er die Kategorien „Kostensenkungen“, „Zeiteinsparungen“ und „Informationswerterhöhung“. Wichtig in diesem Zusammenhang ist weniger die Klassifikation selbst, sondern die möglichst vollständige Erfassung aller Nutzenaspekte, weswegen diese Kategorien lediglich als Anhaltspunkte verstanden werden sollen.

[124] Vgl. Brugger, R. (2005), S. 381.

[125] Vgl. Kruschwitz, L. (2005), S. 4.

[126] Vgl. Ewert, R. et al. (2005), S. 4 ff.

[127] Vgl. Lücke, W. (1955), S. 310 ff. sowie Ewert, R. et al. (2005), S. 45 ff. welche zur Lösung dieses Problems einen investitionstheoretischen Ansatz der Kostenrechnung präsentieren.

[128] Beispielhaft seien hier Hardwarekosten, Kosten von externen Beratern oder Softwarelizenzen erwähnt.

[129] Hier bietet sich die Prozesskostenrechnung (PKR) an. Vgl. Hoitsch, H.-J. et al. (2004), S. 197 ff.

[130] Vgl. Ewert, R. et al. (2005), S. 37 ff.; Schmalenbach, E. (1956), S. 5 ff. sowie Riebel, P. (1978), S. 127 ff.

[131] Vgl. Hoitsch, H.-J. et al. (2004), S. 16. sowie Antweiler, J. (1995), S. 64 f.

[132] Riebel, P. (1978), S. 128.

[133] Vgl. Riebel, P. (1978), S. 143.

[134] Vgl. Antweiler, J. (1995), S. 66.

[135] Vgl. Jaster, T. (1997), S. 115 ff.

[136] Vgl. Riebel, P. (1978), S. 144.

[137] „Die Ausrichtung am Sachziel wird durch die Zielvorgaben der IKS und deren Bezug auf die Unternehmensziele erfüllt“. Antweiler, J. (1995), S. 65.

[138] Ein wichtiger Kritikpunkt an Riebels entscheidungsorientiertem Kostenbegriff ist die mangelnde Praktikabilität, da im Endeffekt alle Entscheidungen in einem Unternehmen miteinander verwoben sind. Vgl. dazu Weber, J. (1994), S. 100.

[139] Vgl. Potthof, I. (1998), S. 7.

[140] Eine sehr detaillierte und umfassende Darstellung der Kosten von IT-Projekten findet sich bei Brugger, R. (2005), S. 63 ff.

[141] Vgl. Adelmann, S. et al. (2000); Bauer, A. et al. (2004); Inmon, W.H. (2005); Kimball, R. et al. (1998) sowie Poe, V. et al. (1997), die sich ausführlich mit dem Thema der DW-Projekte auseinandersetzen. Ein Extrembeispiel ist die Einführung eines DW bei der Bank of America, welche neun Jahre gedauert hat und für die 100 Mio. Dollar budgetiert wurden. Vgl. dazu Wick, H. (1995), S. 24.

[142] Vgl. Bauer, A. et al. (2004), S. 353 ff.

[143] Vgl. Potthof, I. (1998), S. 94 sowie Vaske, H. (1996), S. 52, wobei jedoch keine Angaben zu sonstigen Kosten gemacht werden.

[144] Vgl. Antweiler, J. (1995), S. 64; Brugger, R. (2005), S. 63; Pietsch, T. (2003), S. 44; Kargl, H. (1993),
S. 74 f. sowie Groh, T. (2004), S. 50, welche diese Einteilung ebenfalls als typisch bei einer WA erachten. Einmalig bedeutet dabei bezogen auf die Projektphase und laufend auf die Betriebsphase.

[145] Vgl. Adelman, S. (2003), S. 9.

[146] Vgl. Potthof, I. (1998), S. 93 sowie Adelman, S. (2003), S. 7.

[147] Vgl. Antweiler, J. (1995), S. 71 sowie Adelman, S. et al. (2000), S. 125.

[148] Vgl. Adelman, S. et al. (2000), S. 123.

[149] Diese kann schon vorhanden sein und muss dann für die Zwecke eines DW erweitert werden. Vgl. dazu Adelman, S. et al. (2000), S. 121.

[150] Vgl. Kimball, R. et al. (1998), S. 58; Adelman, S. et al. (2000), S. 121; Potthof, I. (1998), S. 93 sowie OLAP Report (2005), S. 10 ff., in dem ein detailliertes Preisbeispiel für das OLAP-Tool MicroStrategy 7i vorgerechnet wird.

[151] Adelman, S. (2003), S. 9 sowie Brugger, R. (2005), S. 73.

[152] Vgl. Antweiler, J. (1995), S. 71 sowie Potthof, I. (1998), S. 94.

[153] Watson, H.J. et al. (1997) zitiert nach Watson, H.J. et al. (1999), S. 28.

[154] Vgl. Antweiler, J. (1995), S. 69 f.; Potthof, I. (1998), S. 93 f.; Kimball, R. et al. (1998), S. 59; Adelman, S. et al. (2000), S. 119 ff.; Adelman, S. (2003), S. 7 ff.; Brugger, R. (2005), S. 72 sowie Holzapfel, M. (1992), S. 116 ff.

[155] Vgl. Adelman, S. et al. (2000), S. 119 ff.

[156] Vgl. Antweiler, J. (1995), S. 69 sowie Adelman, S. et al. (2000), S. 124.

[157] Vgl. Potthof, I. (1998), S. 94 sowie Inmon, W.H. (2005), S. 82 ff.

[158] Vgl. Antweiler, J. (1995), S. 71 f.; Kimball, R. et al. (1998), S. 59; Adelman, S. et al. (2000), S. 125 sowie Brugger, R. (2005), S. 72 ff.

[159] Vgl. Stedman, G. (1996), S. 53 f.

[160] Vgl. Antweiler, J. (1995), S. 69.

[161] Vgl. Brugger, R. (2005), S. 82 f. sowie Potthof, I. (1998), S. 93.

[162] Vgl. Antweiler, J. (1995), S. 70 sowie Holzapfel, M. (1992), S. 119.

[163] Vgl. Brugger, R. (2005), S. 99 f.; Antweiler, J. (1995), S. 71 f. sowie Potthof, I. (1998), S. 93.

[164] Vgl. Nagel, K. (1990), S. 24; Kassowitz, G. (1988), S. 6 oder Jaster, T. (1997), S. 36.

[165] Vgl. Jaster, T. (1997), S. 36.

[166] „in Geldwert ausgedrückte Erwartung eines Vorteils“. Hartmann, R. (1992), S. 22.

[167] „wertmäßige Erfassung eines qualitativen Vorteils“. Koreimann, D.S. (1987), S. 12.

[168] „der subjektiv beeinflusste Wert einer Handlungsalternative zur Befriedigung eines definierten Bedarfs.“. Heinrich, L.J. et al. (1991), S. 121.

[169] Vgl. Jaster, T. (1997), S. 37.

[170] Vgl. Kassowitz, G. (1988), S. 6.

[171] Vgl. Jaster, T. (1997), S. 38, welcher jedoch eine allgemeine Zielbezogenheit als Voraussetzung für die Eignung dieses Nutzenbegriffes voraussetzt und den Sachzielbezug modifiziert. Wie jedoch in
Abschnitt 3.1.1 zum Sachzielbezug des Kostenbegriffs angemerkt wurde, ist dieser beim Einsatz von AIS laut Antweiler bereits durch die Ausrichtung an den Unternehmenszielen gegeben. Dieser Argumentation wird hier auch in Bezug auf den Nutzenbegriff gefolgt.

[172] Schildhauer, T. et al. (2004), S. I.

[173] Vgl. Abschnitt 2.1.3.

[174] Vgl. Adelman, S. et al. (2000), S. 346 ff. für eine umfassende Auflistung von Nutzenaspekten klassifiziert nach Branchen sowie Potthoff, I. (1998), S. 210 ff., der tabellarisch eine Vielzahl von Unternehmen mit DW-Anwendungen und den jeweiligen Nutzeffekten (teilweise quantifiziert) darstellt.

[175] Vgl. Potthof, I. (1998), S. 94; Emery, J.C. (1987), S. 208; Weber, J. et al. (1999), S. 11 f. sowie Gabriel, R. (1999), S. 418.

[176] Ein berühmtes Zitat von John Naisbitt lautet: „Wir ertrinken in Informationen, aber wir hungern nach Wissen“. Vgl. o. V. (2006a).

[177] Vgl. Abschnitt 3.

[178] Vgl. Nagel, K. (1990), S. 25. Ferner muss bedacht werden, dass eine Produktivitätserhöhung zu Kostensenkungen führen kann und im Zuge einer Kostenführerschaftsstrategie somit auch zu einem Wettbewerbsvorteil.

[179] Vgl. Adelman, S. (2003), S. 11 ff.

[180] Vgl. Rogalski, S. et al. (2004), S. 55; Kimball, R. et al. (1998), S. 59; Gluchowski, P. et al. (1997), S. 336; Schildhauer, T. et al. (2004), S. I; Parzinger, M.J. et al. (2001), S. 1; Martin, W. (1996), S. 42 sowie
Pendse, N. (2004), S. 12. Jedoch zeigt ein Beispiel aus dem nächsten Abschnitt, dass auch Kostensenkungen eine immense Höhe erreichen können und eine DW-Initiative allein durch diese gerechtfertigt werden kann.

[181] Inmon, W.H. (2005), S. 67.

[182] Vgl. Potthof, I. (1998), S. 97 sowie Inmon, W.H. (2005), S. 66 ff.

[183] Vgl. Adelman, S. (2003), S. 16. Dieser Aspekt ist jedoch von der jeweiligen Lösung abhängig, denn wie im Abschnitt 3.1.2.3 bereits erwähnt, ist dieser Vorteil bei Lösungen mit vielen Data Marts nicht vorhanden.

[184] Potthof, I. (1998), S. 97 sowie Inmon, W.H. (2005), S. 22 f.

[185] Vgl. Adelman, S. (2003), S. 12 f. sowie Potthof, I. (1998), S. 99.

[186] Vgl. Fryer, B. (1996), S. 87 f.

[187] Adelman, S. (2003), S. 14.

[188] Vgl. Emery, J.C. (1987), S. 213.

[189] Vgl. Grothe, M. et al. (2000), S. 291.

[190] Vgl. Potthof, I. (1998), S. 96.

[191] Vgl. Adelman, S. (2003), S. 12.

[192] Vgl. Abschnitt 2.1.3.3. Dieses Beispiel eignet sich auch sehr gut, um die Schwierigkeit der Einteilung mancher Nutzeffekte in eine der drei Kategorien darzustellen, denn die Verbesserung der Entscheidung durch eine gezielte Platzierung von Waren zur Umsatzsteigerung kann auch als Nutzen im Rahmen eines Wettbewerbsvorteils betrachtet werden.

[193] Vgl. Parzinger, M.J. et al. (2001), S. 1 ff. sowie die zahlreichen Rechenbeispiele bei Adelman, S. (2003), S. 11 ff.

[194] Vgl. Martin, W. (1998), S. 37 sowie Parzinger, J.M. et al. (2001), S. 12.

[195] Vgl. Link, J. et al. (1998), S. 21.

[196] Vgl. Martin, W. (1998), S. 34 ff. sowie Petersohn, H. (2005), S. 14 f.

[197] Vgl. Totok, A. (1998), S. 164 ff. sowie Adelman, S. et al. (2000), S. 352.

[198] Vgl. Determann, L. et al. (1999), S. 146.

[199] Vgl. Pietsch, T. (2003), S. 24 ff.

[200] Vgl. Antweiler, J. (1995), S. 104.

[201] Vgl. Nagel, K. (1990), S. 29; Antweiler, J. (1995), S. 105 sowie Gluchowski, P. et al. (1997), S. 335.

[202] Vgl. Pietsch, T. (2003), S. 37 sowie Picot, A. et al. (2003), S. 203.

[203] Vgl. Pietsch, T. (2003), S. 38 sowie Antweiler, J. (1995), S. 78 und S. 108.

[204] Vgl. Walterscheid, H. (1999), S. 430.

[205] Vgl. Pietsch, T. (2003), S. 32 f.

[206] Vgl. Antweiler, J. (1995), S. 104 f.; Inmon, W.H. (2005), S. 149; Hoitsch, H.-J. et al. (2004), S. 349 ff. sowie Adelman, S. et al. (2000), S. 77 ff.

[207] Vgl. Pietsch, T. (2003), S. 31.

[208] Vgl. Walterscheid, H. (1999), S. 431.

[209] Vgl. Picot, A. et al. (2003), S. 199 sowie Müller, A. et al. (2003), S. 60.

[210] Vgl. Pietsch, T. (2003), S. 33 f.; Walterscheid, H. (1999); S. 431 ff. sowie Antweiler, J. (1995), S. 107 f.

[211] Berghout et al. zählen 60 Verfahren (vgl. Berghout, E. et al. (1997) zitiert nach Bannister, F. et al. (2000), S. 232), wohingegen Wilson 160 Verfahren auflistet und kategorisiert (vgl. Wilson, D. (1988), zitiert nach Katz, A.I. (1993), S. 2 f.).

[212] Vgl. Lönnqvist, A. et al. (2006), S. 38 sowie Pirttimäki, V. et al. (2006), S. 85.

[213] Vgl. Walter, S.G. et al. (2004), S. 173 ff.; Nagel, K. (1990), S. 39 ff.; Schumann, M. (1993), S. 169 ff.; Antweiler, J. (1995), S. 109 ff.; Potthof, I. (1998), S. 17 ff.; Pietsch, T. (2003), S. 58 f.; Bannister, F. et al. (2000), S. 234 ff.; Farbey, B. et al. (1992), S. 113 ff. sowie Irani, Z. et al. (2002), S. 78 f.

[214] Die BSC ist z.B. konsequent an den Unternehmenszielen ausgerichtet, ist aber ein Berechnungsverfahren.

[215] Vgl. Abschnitt 4.1.2.3.

[216] Vgl. Abschnitt 4.1.2.1.2.

[217] Vgl. Abschnitt 4.3.2.3.

[218] Vgl. Farbey, B. et al. (1992), S. 117 ff.

[219] Vgl. Peters, G. (1994), S. 110 ff.

[220] Vgl. zu dieser grundsätzlichen Klassifizierung Bannister, F. et al. (2000), S. 235. Bannister merkt zusätzlich an, dass es sich bei dieser Einteilung um keine scharfe Trennung handeln kann, da selbst ein Basisverfahren wie die Kapitalwertmethode auf Netto Cash Flows basiert. Ferner deutet er an, dass die Kombinationsverfahren wiederum zu „Super-Kombinations­verfahren“ kombiniert werden können.

[221] „Hurdle rate“ ist ein in der Praxis verbreiteter Begriff für Schwellenwert. Vgl. Brugger, R. (2005), S. 204.

[222] Vgl. Walter, S.G. et al. (2004), S. 172; Bannister, F. et al. (2000), S. 235 sowie Jones, S. et al. (2001), S. 192, bezüglich dieser Kategorien.

[223] Vgl. Schumann, M. (1993), S. 169 sowie Walter, S.G. et al. (2004), S. 173.

[224] Vgl. Walter, S.G. et al. (2004), S. 173, die in ihrer Systematik jedoch unter der Prozesskategorie lediglich interne Prozesse als Gegensatz zu den kundenorientierten Prozessen verstehen. Im Rahmen dieser Arbeit wird jedoch eine umfassendere Sicht vertreten, da eine ganzheitliche WA im Zeitalter des Supply Chain Management-Gedankens keineswegs nur auf unternehmensinterne Prozesse und die Kundenperspektive beschränkt sein darf, sondern auch die Wirkungen in den Vorstufen der Wertschöpfungskette berücksichtigen sollte. Vgl. dazu Mooney, J.G. et al. (1996), S. 74 sowie Schumann, M. (1993), S. 173.

[225] Vgl. Antweiler, J. (1995), S. 112.

[226] Vgl. Walter, S.G. et al. (2004), S. 173.

[227] Vgl. Walter, S.G. et al. (2004), S. 174.

[228] Vgl. Nagel, K. (1990), S. 117 sowie Pietsch, T. (2003), S. 111.

[229] Vgl. Walter, S.G. et al. (2004), S. 173.

[230] Vgl. Perrdidon, L. et al. (2004), S. 38; Kruschwitz, L. (2005), S. 31 und S. 44; Nagel, K. (1990), S. 41;
Irani, Z. (2002), S. 79 sowie Antweiler, J. (1995), S. 116 ff.

[231] Vgl. Potthof, I. (1998), S. 19 ff. sowie Walter, S.G. et al. (2004), S. 174.

[232] Vgl. Walter, S.G. et al. (2004), S. 173.

[233] Vgl. Potthof, I. (1998), S. 21 ff. sowie Walter, S.G. et al. (2004), S. 173.

[234] Vgl. Schumann, M. (1993), S. 171 f. sowie Potthof, I. (1998), S. 25 ff.

[235] Vgl. bspw. Frie, T. (1999), S. 12 sowie Abschnitt 3.3.

[236] Der interessierte Leser sei auf Wild, M. et al. (2000), S. 25 ff. verwiesen. Weiterhin sollen die Verfahren der Kostenrechnung und des Kostenmanagements, wie die Grenzplan-, Prozess- und Zielkostenrechnung oder die Wertanalyse, Gemeinkostenwertanalyse und Zero Base Budgeting nicht explizit ausgegrenzt werden, da diese ebenfalls sehr wichtige Aspekte bei der Kostenerfassung, -planung und -steuerung abdecken. Beispielhaft sei die PKR erwähnt, die sich theoretisch gut im Rahmen der Kostenvergleichsrechnung für die Erfassung der Kosten von Standardprozessen, wie z.B. die Erstellung von monatlichen Berichten, einsetzen ließe. Vgl. dazu Hoitsch, H.-J. et al. (2004), S. 197 ff.; Pietsch, T. (2003), S. 60 ff. sowie Kermode, G.R. et al. (2000), S. 301 ff.

[237] Vgl. Mooney, J.G. et al. (1996), S. 71 ff., der die Prozesse in einer Vorstufe noch genauer spezifiziert.

[238] Vgl. Aichele, C. (1997), S. 18 ff.

[239] Vgl. Aichele, C. (1997), S. 147 f. sowie Potthof, I. (1998), S. 20.

[240] Vgl. Retter, G. et al. (1995), S. 119 ff. sowie Schumann, M. (1993), S. 174.

[241] Vgl. Retter, G. (1996), S. 98 ff.

[242] Vgl. Retter, G. (1996), S. 150 ff.

[243] Auf die Argumentenbilanz wird im Abschnitt 4.1.1.2 näher eingegangen.

[244] Vgl. Retter, G. (1996), S. 195.

[245] Beim ABC-Verfahren handelt es sich um einen der PKR ähnlichen, jedoch simpleren Ansatz. Vgl. dazu Horngren C.T. et al. (2003), S. 107 ff.

[246] Vgl. Wegen, B.v. et al. (1996), S. 250 ff. Hier findet sich ebenfalls ein sehr detailliertes Praxisbeispiel.

[247] Vgl. Potthof, I. (1998), S. 23.

[248] Vgl. Antweiler, J. (1995), S. 150 ff.

[249] Vgl. Potthof, I. (1998), S. 23 und beispielhaft Picot, A. et al. (1987), S. 166 ff. zum 4-Ebenen-Modell .

[250] Vgl. Schumann, M. (1993), S. 170; Potthof, I. (1998), S. 24 sowie Antweiler, J. (1995), S. 152.

[251] Vgl. Retter, G. (1996), S. 63 f. sowie Schumann, M. (1992), S. 237. Als Basis für diese Denkrichtung gilt Michael Porters Competitive Forces-Modell. Vgl. dazu Ives, B. et al. (1984), S. 1193 f.

[252] Vgl. Antweiler, J. (1995), S. 131 f. sowie zu grundsätzlichen Portfoliotechniken Schumann, M. (1992),
S. 251 f. und S. 267 ff.

[253] Vgl. Schumann, M. (1992), S. 259 sowie Rockart, J.F. (1979), S. 84 ff., auf den das Konzept der KEF bei der Evaluierung von Investitionen in IS zurückgeht.

[254] Vgl. Pietsch, T. (2003), S. 91 sowie Nagel, K. (1990), S. 105 ff.

[255] Vgl. Norton, D.P. (1984a); Norton, D.P. (1984b); Norton, D.P. (1984c) sowie Norton, D.P. (1985). Alle zitiert nach Schumann, M. (1992), S. 242 ff.

[256] Vgl. Retter, G. (1996), S. 74.

[257] Vgl. IBM International Education Center (o. J.) zitiert nach Nagel, K. (1990), S. 100 ff. sowie Retter, G. (1996), S. 64 ff.

[258] Vgl. Cash, J.I. et al. (1993), S. 24; Antweiler, J. (1995), S. 132 sowie Pietsch, T. (2003), S. 99 ff.

[259] Dieser Ansatz baut auf der Methode von McFarlan und McKenney auf. Vgl. dazu Ward, J.M. (1990),
S. 224.

[260] Vgl. Huff, S.L. et al. (1985), S. 327 ff.

[261] Vgl. Elliot, S. et al. (1995), S. 90.

[262] Vgl. Kaplan, R.S. et al. (2004), S. 249 ff.

[263] Vgl. Fitzgerald, G. (1998), S. 20 ff.

[264] Vgl. Rackoff, N. et al. (1985), S.285 ff.

[265] Zu weiteren Verfahren dieser Kategorie vgl. Antweiler, J. (1995), S. 131 ff.; Pietsch, T. (2003), S. 59 ff.; Kargl, H. (1993), S. 86 f. sowie Ives, B. et al. (1984), S. 1193 ff.

[266] Vgl. Walter, S.G. et al. (2004), S. 176.

[267] Vgl. Jones, S. et al. (2001), S. 190 sowie Avgerou, C. (1995), S. 432 ff.

[268] Vgl. Jones, S. et al. (2001), S. 192 f.

[269] Vgl. Jones, S. et al. (2001), S. 200 sowie Abschnitt 4.1, in welchem die hermeneutisch-interpretativen Ansätzen, den traditionellen formal-rationalen Verfahren idealtypisch gegenübergestellt werden.

[270] Vgl. Avgerou, C. (1995), S. 431 f.

[271] Dabei sollen traditionelle WAV zu Einsatz kommen, die für die Bewertung als nützlich erachtet werden. Vgl. Avgerou, C. (1995), S. 431.

[272] Vgl. Avgerou, C. (1995), S. 435 sowie Walter, S.G. et al. (2004), S. 176.

[273] Vgl. Lundeberg, M. et al. (1979a), S. 2 f. und Lundeberg, M. et al. (1979b), S. 117f. zum ISAC-Modell sowie Williams, S. et al. (2004), S. 42 ff. zum BCBID. Letzterer adressiert zwar den Bereich AIS, ist aber ein entwicklungsorientierter Ansatz und lässt die ex-ante Bewertung einer Investition außer Acht. Das Hauptziel dieses Verfahrens ist die Entwicklung einer BI-Architektur bei gleichzeitiger Berücksichtigung der Unternehmensziele und der Nutzergruppen, um den Wert einer BI-Investition zu „heben“ und nicht explizit zu bewerten.

[274] Vgl. Hares, J. et al. (1994), S. 264 ff.

[275] Vgl. Ives, B. et al. (1984), S. 1197.

[276] Vgl. Ives, B. et al. (1984), S. 1198.

[277] Vgl. Grosse, P. (1986) zitiert nach Nagel, K. (1990), S. 118 f. sowie Notowidigdo, M.H. (1984) zitiert nach Ives, B. et al. (1984), S. 1196.

Details

Seiten
260
Jahr
2006
ISBN (eBook)
9783638510523
Dateigröße
1.5 MB
Sprache
Deutsch
Katalognummer
v56355
Institution / Hochschule
Universität Mannheim
Note
1,3
Schlagworte
Wirtschaftlichkeitsanalyse Informationssystemen

Autor

Zurück

Titel: Wirtschaftlichkeitsanalyse von analytischen Informationssystemen