http://dl.gi.de/handle/20.500.12116/11870 2026-07-23T13:19:41Z 2026-07-23T13:19:41Z Kowalczyk, Martin Buxmann, Peter http://dl.gi.de/handle/20.500.12116/11917 2018-03-26T09:09:50Z 2014-01-01T00:00:00Z

Big Data und Informationsverarbeitung in organisatorischen Entscheidungsprozessen Kowalczyk, Martin; Buxmann, Peter Datenzentrische Ansätze wie Big Data und verwandte Ansätze im Bereich Business Intelligence und Analytics (BI&A) haben in jüngster Zeit viel Aufmerksamkeit auf sich gezogen, da sie versprechen – basierend auf neuen geschäftsrelevanten Erkenntnissen und besseren Entscheidungen – die Leistungsfähigkeit von Unternehmen stark zu verbessern. Die Einbeziehung datenzentrischer Ansätze in die Entscheidungsprozesse von Unternehmen ist herausfordernd und es ist nicht selbstverständlich, dass die erwarteten Nutzen auch realisiert werden. Frühere Studien haben einen mangelnden Forschungsfokus auf den Kontext von Entscheidungsprozessen in datenzentrischen Ansätzen festgestellt. Mittels eines multiplen Fallstudienansatzes werden im vorliegenden Aufsatz unterschiedliche Typen von BI&A-gestützten Entscheidungsprozessen untersucht und die drei folgenden Beiträge gemacht. Erstens wird gezeigt, wie die Facetten von Big Data und verschiede Kompositionen von Mechanismen der Informationsverarbeitung in unterschiedlichen Typen von BI&A-gestützten Entscheidungsprozessen genutzt werden. Zweitens werden neue Erkenntnisse über organisatorische Mechanismen der Informationsverarbeitung und ihre komplementäre Beziehung zu datenzentrischen Mechanismen zur Theorie der Informationsverarbeitung beigetragen. Drittens wird demonstriert, wie die Theorie der Informationsverarbeitung angewendet werden kann, um die Dynamik der Komposition von Mechanismen der Informationsverarbeitung über verschiedene Entscheidungstypen hinweg zu bewerten. Abschließend werden die theoretischen und praktischen Implikationen der Studie diskutiert.AbstractData-centric approaches such as big data and related approaches from business intelligence and analytics (BI&A) have recently attracted major attention due to their promises of huge improvements in organizational performance based on new business insights and improved decision making. Incorporating data-centric approaches into organizational decision processes is challenging, even more so with big data, and it is not self-evident that the expected benefits will be realized. Previous studies have identified the lack of a research focus on the context of decision processes in data-centric approaches. By using a multiple case study approach, the paper investigates different types of BI&A-supported decision processes, and makes three major contributions. First, it shows how different facets of big data and information processing mechanism compositions are utilized in different types of BI&A-supported decision processes. Second, the paper contributes to information processing theory by providing new insights about organizational information processing mechanisms and their complementary relationship to data-centric mechanisms. Third, it demonstrates how information processing theory can be applied to assess the dynamics of mechanism composition across different types of decisions. Finally, the study’s implications for theory and practice are discussed.

2014-01-01T00:00:00Z Aalst, Wil M. P. La Rosa, Marcello Santoro, Flávia Maria http://dl.gi.de/handle/20.500.12116/11914 2018-03-26T09:09:50Z 2014-01-01T00:00:00Z

WI – Call for Papers Heft 1/2016 Aalst, Wil M. P.; La Rosa, Marcello; Santoro, Flávia Maria

2014-01-01T00:00:00Z Debortoli, Stefan Müller, Oliver Brocke, Jan vom http://dl.gi.de/handle/20.500.12116/11916 2018-03-26T09:09:50Z 2014-01-01T00:00:00Z

Vergleich von Kompetenzanforderungen an Business-Intelligence- und Big-Data-Spezialisten Debortoli, Stefan; Müller, Oliver; Brocke, Jan vom Während sich die meisten wissenschaftlichen Studien zum Thema „Big Data“ mit den technischen Möglichkeiten zur Bewältigung von riesigen Datenmengen beschäftigen, sind empirische Untersuchungen in Bezug auf die von Fachleuten verlangten Kompetenzen für das Management and die Analyse von Big Data bislang noch nicht durchgeführt worden. Gleichzeitig diskutiert man in Wissenschaft und Praxis heftig über die Unterschiede und Gemeinsamkeiten von Big Data (BD) einerseits und „traditionellem“ Business Intelligence (BI) andererseits. Der vorliegende Artikel beschreibt die Durchführung einer Latenten Semantischen Analyse (LSA) von Stellenanzeigen auf dem Online-Portal monster.com, um Informationen darüber zu gewinnen, welche Anforderungen Unternehmen an Fachkräfte in den Bereichen BD und BI stellen. Auf Basis einer Analyse und Interpretation der statistischen Ergebnisse der LSA wird eine Taxonomie von Kompetenzanforderungen für BD bzw. BI entwickelt. Die wichtigsten Ergebnisse der Untersuchung lauten: (1) für beide Bereiche, BD und BI, ist Businesswissen genauso wichtig wie technisches Wissen; (2) kompetent sein im Bereich BI bezieht sich vorwiegend auf Wissen und Fähigkeiten in Bezug auf die Produkte der großen kommerziellen Softwareanbieter, während im Bereich BD eher Wissen und die Fähigkeiten in Bezug auf die Entwicklung von Individualsoftware und die Anwendung statistischer Methoden im Vordergrund steht; (3) die Nachfrage nach Kompetenz im Bereich BI ist immer noch weitaus größer als die Nachfrage nach Kompetenz im Bereich BD; und (4) BD-Projekte sind gegenwärtig wesentlich humankapital-intensiver als BI-Projekte. Die Ergebnisse und Erkenntnisse der Studie können Praktikern, Unternehmen und wissenschaftlichen Einrichtungen dabei helfen, ihre BD- bzw. BI-Kompetenz zu bewerten und zu erweitern.AbstractWhile many studies on big data analytics describe the data deluge and potential applications for such analytics, the required skill set for dealing with big data has not yet been studied empirically. The difference between big data (BD) and traditional business intelligence (BI) is also heavily discussed among practitioners and scholars. We conduct a latent semantic analysis (LSA) on job advertisements harvested from the online employment platform monster.com to extract information about the knowledge and skill requirements for BD and BI professionals. By analyzing and interpreting the statistical results of the LSA, we develop a competency taxonomy for big data and business intelligence. Our major findings are that (1) business knowledge is as important as technical skills for working successfully on BI and BD initiatives; (2) BI competency is characterized by skills related to commercial products of large software vendors, whereas BD jobs ask for strong software development and statistical skills; (3) the demand for BI competencies is still far bigger than the demand for BD competencies; and (4) BD initiatives are currently much more human-capital-intensive than BI projects are. Our findings can guide individual professionals, organizations, and academic institutions in assessing and advancing their BD and BI competencies.

2014-01-01T00:00:00Z Bendler, Johannes Wagner, Sebastian Brandt, Tobias Neumann, Dirk http://dl.gi.de/handle/20.500.12116/11918 2018-03-26T09:09:50Z 2014-01-01T00:00:00Z

Informationsunschärfe in Big Data Bendler, Johannes; Wagner, Sebastian; Brandt, Tobias; Neumann, Dirk Während die klassische Definition von Big Data ursprünglich nur die drei Größen Datenmenge (Volume), Datenrate (Velocity) und Datenvielfalt (Variety) umfasste, ist in jüngster Zeit der Wahrheitsgehalt (Veracity) als weitere Dimension mehr und mehr in den wissenschaftlichen und praktischen Fokus gerückt. Der noch immer wachsende Bereich der Sozialen Medien und damit verbundene benutzergenerierte Datenmengen verlangen nach neuen Methoden, die die enthaltene Datenunschärfe abschätzen und kontrollieren können. Dieser Beitrag widmet sich einem Aspekt der Datenunschärfe und stellt einen neuartigen Ansatz vor, der die Verlässlichkeit von benutzergenerierten Daten auf Basis von wiederkehrenden Mustern abschätzt. Zu diesem Zweck wird eine große Menge von Twitter-Statusnachrichten mit geographischer Standortinformation aus San Francisco untersucht und mit Points of Interest (POIs), wie beispielsweise Bars, Restaurants oder Parks, in Verbindung gebracht. Das vorgeschlagene Modell wird durch kausale Beziehungen zwischen Points of Interest und den in der Umgebung vorliegenden Twitter-Meldungen validiert. Weiterhin wird die zeitliche Dimension dieser Beziehung in Betracht gezogen, um so in Abhängigkeit der Art des POI wiederkehrende Muster zu identifizieren. Die durchgeführten Analysen münden in einem Indikator, der die Verlässlichkeit von vorliegenden Daten in räumlicher und zeitlicher Dimension abschätzt.AbstractWhile the classic definition of Big Data included the dimensions volume, velocity, and variety, a fourth dimension, veracity, has recently come to the attention of researchers and practitioners. The increasing amount of user-generated data associated with the rise of social media emphasizes the need for methods to deal with the uncertainty inherent to these data sources. In this paper we address one aspect of uncertainty by developing a new methodology to establish the reliability of user-generated data based upon causal links with recurring patterns. We associate a large data set of geo-tagged Twitter messages in San Francisco with points of interest, such as bars, restaurants, or museums, within the city. This model is validated by causal relationships between a point of interest and the amount of messages in its vicinity. We subsequently analyze the behavior of these messages over time using a jackknifing procedure to identify categories of points of interest that exhibit consistent patterns over time. Ultimately, we condense this analysis into an indicator that gives evidence on the certainty of a data set based on these causal relationships and recurring patterns in temporal and spatial dimensions.

2014-01-01T00:00:00Z