Glossar

zum Schwerpunktthema Business & Competitive Intelligence

Glossar zu HMD 247, erschienen im Februar 2006.

Zur Glossarübersicht

B

Business Intelligence (BI)

Unter Business Intelligence wird ein integrierter, unternehmensspezifischer, IT-basierter Gesamtansatz zur betrieblichen Managementunterstützung verstanden.

C

Competitive Intelligence (CI)

Competitive Intelligence ist ein Teilbereich von Business Intelligence und bezeichnet einen systematischen, der Ethik verpflichteten Ansatz zum Erwerb und zur Analyse von Informationen über Wettbewerber und Markttrends mit dem Ziel der besseren Erreichung eigener Unternehmensziele.

Customer Relationship Analytics (CRA)

Dieser Teilbereich von Business Intelligence sowie von Customer Relationship Management befasst sich mit der Analyse des Kundenverhaltens als Basis von Marketing- und Vertriebsentscheidungen. Branchenabhängig unterschiedlich umfangreiche Datenbestände zum Kundenverhalten können eine Vielzahl komplexer und verknüpfter Analysen ermöglichen, die es sinnvoll und systematisch zu kombinieren gilt.

Customer Relationship Management (CRM)

Customer Relationship Management ist ein Teilbereich des Partner Relationship Managements (PRM). Es umfasst den Aufbau, die kontinuierliche Pflege sowie die Kontrolle von langfristigen profitablen Kundenbeziehungen durch die Integration von Marketing, Vertrieb und Service mit Hilfe von Informations- und Kommunikationssystemen. Der Kerngedanke des Customer Relationship Managements liegt in der Steigerung des Unternehmens- und Kundenwerts durch ein systematisches Management der Kunden. Daher ist für die Einführung eines Customer-Relationship-Management-Systems die Integration aller für den Kundenkontakt relevanten Informationssysteme notwendig, um so eine einheitliche und übergreifende Kundensicht zu gewährleisten.

D

Data Mart

In Data Marts werden Teilmengen von Daten aus einem Core Data Warehouse für bestimmte Anwendungsgebiete bereitgestellt. Sie können Anwendungslogik ihres Anwendungsgebiets enthalten, z.B. Datenaggregationen, Kennziffern oder vordefinierte Verdichtungspfade für Daten.

Data Mining

Data-Mining-Systeme stellen allgemein verwendbare, effiziente Methoden zur Datenmustererkennung zur Verfügung, mit deren Hilfe nach nichttrivialen, versteckten Strukturen und Zusammenhängen in großen Datenbeständen gesucht werden kann.

Data Warehouse

In einem Data Warehouse werden harmonisierte, sowohl aktuelle als auch historische Datenbestände eines Unternehmens physikalisch getrennt von dessen operativen Datenbeständen gespeichert und für den Zugriff dispositiver IuK-Systeme des Unternehmens bereitgehalten. Von Core Data Warehouses spricht man, wenn diese dispositive Daten für ein Unternehmen, einen Unternehmensbereich oder für eine Querschnittsfunktion (z.B. Rechnungswesen) beinhalten.

Datenqualität

Datenqualität verlangt, dass Daten über die Merkmale verfügen, die für ihre erfolgreiche Verwendung in IuK- Systemen gefordert werden. Allgemein gültige Merkmale aus Sicht der Daten als Produkt sind bspw. Korrektheit, Vollständigkeit und richtiger Zeitbezug. Konkrete Qualitätsanforderungen nach Merkmal und Ausprägung sind aus Anwendersicht zu bestimmen und in den Datenverarbeitungsprozessen durch ein Datenqualitätsmanagement zu gewährleisten.

E

ETL (Extraktion, Transformation, Laden)

Damit werden die Verarbeitungsschritte bezeichnet, die bei der Übernahme aus operativen Datenbeständen in ein Data Warehouse anfallen: Extraktion (Auswahl und Herausziehen relevanter Daten), Transformation (Umformungen der Daten) und Laden der Daten in das Data Warehouse.

O

OLAP - Online Analytical Processing

Der Begriff OLAP wurde Anfang der 90er Jahre als Gegensatz zu OLTP (Online Transaction Processing) geprägt. Während sich OLTP auf Informationsverarbeitung im operativen Bereich bezieht, werden mit OLAP meist zahlreiche verschiedene, auch verdichtete und historische Daten angesprochen und analysiert; die daraus hervorgehenden multidimensionalen Informationen dienen der Entscheidungsunterstützung.

T

Text Mining

Herkömmliche Data-Mining-Verfahren unterstützen die Datenmustererkennung in strukturierten Datenbeständen. Im Rahmen von Dokumentenmanagement und im Web liegen große unstrukturierte Datenmengen vor, in denen sich entscheidungsrelevante Informationen verbergen. Diese können mit Text Mining gefunden, analysiert und aufbereitet werden.