Data Warehouse Technologien

Es lassen sich darüber hinaus noch andere Abfragen, z.B. für mehrere Da-

ten im Batch-Betrieb durchführen. Auch die Verwendung weiterer Algorithmen

ist möglich. Eine Übersicht gibt beispielsweise [Sch09].

9.4 Vertiefende Literatur

Business Intelligence wird erstmals in einem Artikel von Luhn [Luh58] dis-

kutiert, in welchem er bereits 1958 ein System für die automatische Bear-

beitung und Filterung von Informationen aus Dokumenten vorschlägt. Die

dort aufgestellten Anforderungen sind auch heute noch aktuell. Eine ers-

te deutschsprachige Einführung in Business Intelligence gibt [GG00]. Cha-

moni und Gluchowski [CG10] geben in ihrem Sammelwerk einen Über-

blick über den Themenbereich analytische Informationssysteme, der in wei-

ten Teilen dem heutigen BI-Verständnis gleichgestellt ist. In dem vor al-

lem an Wirtschaftsinformatik-Studenten gerichteten Lehrbuch von Kemper

et al. [KMU04, KBM10] werden sowohl Architektur von Data Warehouse

und Business-Intelligence-Anwendungen vorgestellt. Im Buch von Müller und

Lenz [ML13] wird Business Intelligence vertiefend dargestellt. Hierbei werden

ausgehend vom Data-Warehouse-Methoden des Data Mining und insbesondere

der Unternehmenssteuerung vorgestellt.

Die Verbindung von Data Warehouse und Data Mining wird in zahlreichen

Werken unter teilweise unterschiedlichen Begriffen behandelt. So sind gängi-

ge Bezeichnungen beispielsweise der Knowledge Discovery Process in Databa-

ses, analytische Informationssysteme, Business Intelligence, Business Analy-

tics und Decision-Support-Systeme. Daher kann an dieser Stelle nur auf einige

Werke verwiesen werden. Das Buch von Vercellis [Ver09] geht kurz auf Busi-

ness Intelligence, Decision Support und Data Warehouse ein und widmet sich

dann ausführlicher den Mustererkennungsmethoden.

Für den Themenbereich Data Mining und Knowledge Discovery Process

existiert eine Vielzahl von Büchern. Insbesondere ist hier das Lehrbuch von

Han und Kamber [HK06] hervorzuheben, das einen eindrucksvollen und ver-

ständlichen Überblick zu Data Mining gibt. Als deutschsprachiges Lehrbuch

empfiehlt sich ein Blick in Ester und Sander [ES00]. Die englischsprachige Ein-

führung in Data Mining von Tan, Steinbach und Kumar [TSK06] ist ebenfalls

empfehlenswert. Für eine detaillierte Darstellung von neuronalen Netzen, evo-

lutionären Algorithmen und Fuzzy-Systemen empfiehlt sich ein Blick in das

Buch von Kruse et al. [KBK

+

11]. Für einen Überblick und Anwendungen in

SPSS ist das Buch von Backhaus et al. [BEPW11] zu empfehlen.

Data Mining mit dem Microsoft SQL Server stellen das englischsprachi-

ge Buch von MacLennan, Tang und Crivat [MTC08] und das deutschsprachige

Buch von Schrödl [Sch09] vor. Die Funktionalität von MDX und den Microsoft

9.4 Vertiefende Literatur 301