IT-basierte Managementunterstützung: Künstliche Neuronale Netze zur quantitativen Prognose
©2010
Diplomarbeit
61 Seiten
Zusammenfassung
Die IT-basierte Managementunterstützung ist eine komplexe und dynamische Aufgabe. Daher soll im vorliegenden Buch ein Vorgehensmodell zur Entwicklung einer DV-Anwendung zur Managementunterstützung vorgestellt werden, die ein Neuronales Netz (NN) zur quantitativen Prognose simuliert.
Zunächst werden die zur konzeptionellen und technischen Realisierung notwendigen Grundlagen der IT-basierten Managementunterstützung durch Management Support Systeme sowie die Grundlagen für die Anwendung von Künstlichen Neuronalen Netzen (KNN) zur quantitativen Prognose beschrieben.
Es ist nicht möglich, dass die Informationsgenerierung durch Künstliche Neuronale Netze isoliert von anderen managementunterstützenden DV-Anwendungen betrachtet wird. Aus diesem Grund orientiert sich dieses Modell sehr stark an einer modernen Ausprägung eines Management Support Systems - dem sogenannten Business Intelligence Konzept -, um den gesamten Komplex der IT-basierten Managementunterstützung integriert zu betrachten.
Zunächst werden die zur konzeptionellen und technischen Realisierung notwendigen Grundlagen der IT-basierten Managementunterstützung durch Management Support Systeme sowie die Grundlagen für die Anwendung von Künstlichen Neuronalen Netzen (KNN) zur quantitativen Prognose beschrieben.
Es ist nicht möglich, dass die Informationsgenerierung durch Künstliche Neuronale Netze isoliert von anderen managementunterstützenden DV-Anwendungen betrachtet wird. Aus diesem Grund orientiert sich dieses Modell sehr stark an einer modernen Ausprägung eines Management Support Systems - dem sogenannten Business Intelligence Konzept -, um den gesamten Komplex der IT-basierten Managementunterstützung integriert zu betrachten.
Leseprobe
Inhaltsverzeichnis
Abkürzungsverzeichnis
B. Sc.
Bachelor of Science
BI Business
Intelligence
DSS
Decision Support System
DV Datenverarbeitung
EIS
Executive Information System
ETL-Prozess Extraktion-Transformation-Laden-Prozess
IS
Informationssystem
IT Information
Technology
KNN
Künstliche Neuronale Netze
LM-Test Langrange
Multiplier-Test
LR-Test Likelihood-Ratio-Test
MSS
Management Support System
MUS Managementunterstützungssystem
MIS Management
Information
System
NN Neuronale
Netze
ODB
Optimal Brain Damage
ODS
Optimal Brain Surgeon
RMSE
Root Mean Squared Error
W-Test Wald-Test
v
1 Einleitung
Im Rahmen dieser Abschlussarbeit zur Erlangung des akademischen Grades
Bachelor of Science (B.Sc.) soll ein Vorgehensmodell zur Entwicklung einer
DV-Anwendung zur Managementunterstützung vorgestellt werden, die ein
Neuronales Netz (NN) zur quantitativen Prognose simuliert.
Die Abschlussarbeit ist so aufgebaut, dass die zur konzeptionellen und
technischen Realisierung notwendigen Grundlagen zur IT-basierten
Managementunterstützung durch Management Support Systeme
1
und
Grundlagen zur Anwendung von Künstlichen Neuronalen Netzen (KNN) zur
quantitativen Prognose in den jeweiligen Kapiteln 2 und 3 beschrieben werden.
Die IT-basierte Managementunterstützung ist eine komplexe und dynamische
Aufgabe, die es nicht zulässt, die Informationsgenerierung durch Künstliche
Neuronale Netze isoliert von anderen managementunterstützenden DV-
Anwendungen zu betrachten. Aus diesem Grund orientiert sich diese
Abschlussarbeit sehr stark an einer modernen Ausprägung eines Management
Support Systems - dem sogenannten Business Intelligence Konzept - um den
gesamten Komplex der IT-basierten Managementunterstützung integriert zu
betrachten.
Die computergestützte Anwendung von Künstlichen Neuronalen Netzen soll
jedoch nicht den Anschein erwecken, dass deren mathematischen Grundlagen
zu vernachlässigen sind. Ganz im Gegenteil sind fundierte Kenntnisse über
Funktionsweisen und Besonderheiten von Künstlichen Neuronalen Netzen
zwingend erforderlich, um die Methode richtig anzuwenden und die in der
Literatur oft hoch gelobten Stärken zur Geltung zu bringen.
Die in den Kapiteln 2 und 3 erläuterten Grundlagen werden im 4. Kapitel einem
Vorgehensmodell zugeordnet und miteinander kombiniert, um wichtige
Anhaltspunkte und Kriterien für die Entwicklung einer DV-Anwendung zur
quantitativen Prognose durch Künstliche Neuronale Netze ableiten zu können.
1
Um den Lesefluss zu erleichtern, werden im Rahmen dieser Abschlussarbeit anglizistische
Fachbegriffe bewusst in die korrekte deutsche Syntax versetzt.
1
2 Management
Support
Systeme
2.1 Eigenschaften realer Managementprobleme
Unternehmen können als komplexe sozio-logische Gebilde im Zusammenspiel
mit Absatz- und Beschaffungsmärkten, Geld- und Kapitalmärkten und dem
Staat beschrieben werden.
2
In diesem Zusammenhang gehört die zielgerechte
und nutzenmaximierende Steuerung der Unternehmung entlang der
anfallenden beziehungsweise der prognostizierten Geld- und Güterströme zu
den Hauptaufgaben des Managements.
3
Durch die rasante Entwicklung und Verbreitung der Internet-Technologie
konnten Informations- und Kommunikationsflüsse zwischen der Unternehmung
und seiner Umwelt, und damit auch die Geld- und Güterströme effizienter,
sowie die Absatz- und Beschaffungsmärkte dynamischer gestaltet werden.
Diese Entwicklung hat jedoch keinerlei funktionale Auswirkungen auf die
Hauptaufgaben des Managements. So gilt der 1955 von Harold Koontz und
Cyril O'Donnell
4
entwickelte Managementprozess zur Steuerung einer
Unternehmung bis heute zum Standard in der Managementlehre.
5
Veränderungen haben sich jedoch hinsichtlich der für die Erfüllung der
Hauptaufgaben erforderlichen Tätigkeiten ergeben. Planungen, Entscheidungen
und Kontrollen sind einer gewachsenen Dynamik und Komplexität ausgesetzt
und müssen mit zunehmender Ungewissheit durchgeführt werden.
6
Viele
Unternehmen haben darauf mit flacheren Hierarchien reagiert und durch
Arbeitsteilung die Dynamik und Komplexität der Tätigkeiten auf mehrere
Mitarbeiter verteilt.
7
Diese Abflachung der Hierarchien impliziert wiederum höhere Anforderungen
an die Informationslogik innerhalb einer Unternehmung. Bei steigender Anzahl
von Mitarbeitern, die Planungen, Entscheidungen und Kontrollen auf Basis von
Informationen über interne und externe Rahmenbedingungen tätigen, müssen
,,die richtigen Informationen, in der richtigen Menge, in der richtigen Form und
2
Vgl. Busse von Colbe/Laßmann, 1991, S. 20ff
3
Vgl. Gluchowski/Gabriel/Dittmar, 2008, S. 13
4
Koontz/O'Donnell, 1955
5
Vgl. Steinmann/Schreyögg, 2005, S. 8ff
6
Vgl. Steinmann/Schreyögg, 2005, S. 14ff
7
Vgl. Chamoni/Gluchowski, 2010, S. 3
2
Qualität, zur richtigen Zeit, am richtigen Ort zur Verfügung stehen".
8
Ergänzend
dazu müssen im Rahmen dieses informationslogistischen Prinzips Methoden
standardisiert werden, die möglichst selbstständig, aktuelle Informationen über
das dynamische Zusammenspiel zwischen Unternehmen und ihrer Umwelt
ableiten und den verantwortlichen Mitarbeiten zur Verfügung stellen.
2.2 Entwicklung IT-basierter Managementunterstützung
Computergestützte Informationssysteme (IS) sind sozio-technische Systeme,
die sich auf die Unterstützung des wirtschaftlichen Handelns einer
Unternehmung unter Anwendung des informationslogistischen Prinzips etabliert
haben.
9
Im weiteren Verlauf dieser Abschlussarbeit werden
Informationssysteme nach ihrer Anwendung zur Unterstützung von operativen
und dispositiven Geschäftsabläufen differenziert. Operative
Informationssysteme sind transaktionsorientierte Systeme, die Anwender
mittels Administrations- und Dispositionssystemen bei ihren operativen
Aufgaben unterstützen. Als dispositive Informationssysteme oder auch
Management Support System (MSS) benannte Systeme, ,,werden alle DV-
Anwendungen bezeichnet, die das Management, d.h. die Fach- und
Führungskräfte einer Unternehmung bei ihren vielfältigen Aufgaben
unterstützen."
10
Die Ursprünge von Informationssystemen, die zur Managementunterstützung
eingesetzt wurden, sind in den 1960er Jahren entwickelt worden. Management
Information Systeme (MIS), Decision Support Systeme (DSS) und Executive
Information Systeme (EIS) sind die bekanntesten Ausprägungen, die die
Entwicklung von Management Support Systemen geprägt haben und noch bis
heute - in integrierter Form - ihre Verwendung zur Managementunterstützung
finden. Während der Fokus von Management Information Systemen und deren
weiterentwickelten Executive Information Systemen auf der Generierung von
Berichten aus operativen Informationssystemen lag, haben Decision Support
Systeme versucht, das Management durch hinterlegte Modelle und Methoden
bei Entscheidungen zu unterstützen.
8
Schwarzer/Krcmar, 2010, S. 10
9
Vgl. Schwarzer/Krcmar, 2010, S. 10
10
Gluchowski/Gabriel/Dittmar, 2008, S. 15
3
Jedoch waren eine isolierte und redundante Datenhaltung
11
, fehlende
Möglichkeiten zur Kombination von Teilsystemen gemäß den Bedürfnissen
eines bestimmten Arbeitsplatzes
12
und vor allem der direkte Zugriff auf
operative Informationssysteme
13
die Hauptursachen für eine schleppende
Entwicklung der computergestützten Managementunterstützung.
2.3 Ausschlaggebende
Entwicklung
operativer
Informationssysteme
Operative Informationssysteme stellen die größte Datenquelle für Management
Support Systeme dar. Über sie laufen alle Informations- und
Kommunikationsflüsse
zur
Unterstützung
unternehmensinterner
und
unternehmensübergreifender operativer Geschäftsabläufe. Metaphorisch
könnte man diese Datenquelle auch als Fundament für darauf aufbauende
dispositive Informationssysteme sehen.
Hohe Investitionen waren bis vor einigen Jahren ein Indiz dafür, dass noch
Optimierungen und Anpassungen der standardisierten, und in operativen
Systemen abgebildeten, Geschäftsprozessen nötig waren, um einen
reibungslosen Ablauf zu gewährleisten. Seit einigen Jahren investieren immer
mehr Unternehmen verstärkt in Management Support Systeme, da die
operativen Systeme standardisiert, ausgereift und sogar teilweise partiell
integriert wurden.
14
In ihrer ausgereiften Form stellen sie nun ein gutes und
stabiles Fundament dar, auf dem Management Support Systeme aufbauen und
über stabile Schnittstellen Daten für dispositive Aufgaben extrahieren können.
Zusätzlich ist erst durch die jahrelange Nutzung von operativen
Informationssystemen eine Historie der Geschäftsentwicklung entstanden, die
auch als ,,wertvoller Pool an Geschäftserfahrung"
15
bezeichnet wird, durch den
erst viele Methoden zur Datenanalysen ihr vollständiges Potential ausschöpfen
können.
11
Vgl. Kemper/Mehanna/Unger, 2006, S. 13ff
12
Vgl. Gluchowski/Gabriel/Dittmar, 2008, S. 87
13
Vgl. Kemper/ Mehanna/Unger, 2006, S. 13ff
14
Vgl. Chamoni/Gluchowski, 2010, S. 4
15
Vgl. Berry/Linoff, 1997, S. 2ff
4
2.4 Business Intelligence: Moderne Ausprägung eines Management
Support Systems
Unter Business Intelligence (BI) wird im Rahmen dieser Abschlussarbeit
16
,
ähnlich wie bei der Definition von Management Support Systeme, ein
Sammelbegriff für DV-Anwendungen zur Managementunterstützung
verstanden.
17
Der große Unterschied gegenüber traditionellen Ausprägungen
von Management Support Systemen ist, dass die einzelnen DV-Anwendungen
nicht isoliert betrachtet werden, sondern einen Teil eines Gesamtansatzes
darstellen, der das Management bei seinen Aufgaben unterstützt.
Diese Integrationsmöglichkeit wird durch einen generischen Ordnungsrahmen
gewährleistet, der je nach Anforderung der Unternehmung beziehungsweise
der Benutzer mit DV-Anwendungen
18
bereichert werden kann.
19
Bestandteil des
Ordnungsrahmens ist eine zentrale Komponente zur Datenbereitstellung, über
die alle DV-Anwendungen (Analysesysteme) Zugriff auf Daten erhalten, die aus
operativen Informationssystemen oder externen Quellen stammen. Eine
arbeitsplatzbezogene Kombination aus Informationen, Wissen und
benutzerfreundlichen Zugriffsmöglichkeiten auf Analysesysteme erhalten die
Anwender über das BI-Portal.
Die folgendene Abbildung 1 veranschaulicht den generischen Ordnungsrahmen
eines Business Intelligence Konzeptes.
16
In der Literatur existiert eine Vielzahl von Definitionen für den Begriff ,,Business Intelligence".
Mertens [Mertens, 2002, S. 4] stellt die unterschiedlichen Varianten anschaulich in seiner
Literaturanalyse dar. Aufgrund dieser inflationären Verwendung des Begriffes schlagen
Chamoni und Gluchowski [Chamoni/Gluchowski, 2010, S. 7] vor, den Begriff ,,Analytische
Informationssysteme" als Synonym für die, in dieser Abschlussarbeit verwendete, Definition
von Business Intelligence zu verwenden. Da sie es aber nicht schaffen, sich innerhalb ihres
Sammelbandes von dem Begriff Business Intelligence zu lösen, wird dieser in dieser
Abschlussarbeit auch weiter verwendet.
17
Vgl. z.B. Chamoni/Gluchowski, 2010, S. 7 oder Kemper/Mehanna/Unger, 2006, S. 1ff
18
Im Kontext von Business Intelligence auch als BI-Anwendung bekannt
19
Kemper/Mehanna/Unger, 2006, S. 10f
5
Abbildung 1 BI-Ordnungsrahmen
20
In den folgenden beiden Abschnitten sollen zwei typische Komponenten einer
Business Intelligence Lösung näher vorstellt werden, die in dem
Vorgehensmodell
21
zur quantitativen Prognose durch Künstliche Neuronale
Netze ihre Verwendung finden.
Während im Vorgehensmodell das Data-Warehouse-Konzept für die
Bereitstellung geeigneter Daten verantwortlich ist, sind Künstliche Neuronale
Netze dem Data Mining unterzuordnen, da sie eine standardisierte Methode zur
Informationsgewinnung darstellen sollen.
2.4.1 Data-Warehouse-Konzept
Das Data-Warehouse-Konzept stellt eine wesentliche Neuerung gegenüber
traditionellen Ansätzen dar. ,,Während bei früheren Lösungen die Modellierung
des erforderlichen Datenmaterials als Teil des Entwicklungsprozesses einzelner
IT-Systeme gesehen wurde, steht nun die Bereitstellung einer dispositiven
20
Abbildung entnommen von Kemper/Mehanna/Unger, 2006, S. 10
21
Siehe Kapitel 4
6
Datenbasis für den gesamten Komplex der Managementunterstützung eines
Unternehmens im Vordergrund."
22
Durch die dispositive Datenhaltung wurde
auch erstmals eine klare Trennung zwischen transaktionsorientierten,
operativen Daten zur Unterstützung operativer Geschäftsabläufen und den
dispositiven Daten erreicht, die speziell für die Anwendung zur
Managementunterstützung aufbereitet werden. Den Anforderungen einer
dispositiven Datenhaltung wird das Data-Warehouse-Konzept durch folgende
Eigenschaften gerecht:
23
· Integration
Ein Data Warehouse stellt eine widerspruchsfreie Sammlung von Daten dar,
die aus den unterschiedlichen operativen und externen
Informationssystemen gewonnen werden und für dispositive Aufgaben
aufbereitet werden.
24
· Themenorientierung
Daten werden im Data Warehouse einem Thema zugeordnet.
Entscheidungsträger sollen so die Möglichkeit erhalten, direkt in einem
gewünschten Themengebiet zu recherchieren.
25
· Zeitbezug
,,In einem Data Warehouse wird die Zeit selbst zum
Betrachtungsgegenstand. Ein Anwendungsschwerpunkt liegt in der Analyse
von Zeitreihen über längere Zeiträume, um so Trends aufspüren zu können.
Zeitpunktbetrachtungen spielen dagegen eine untergeordnete Rolle."
26
· Beständigkeit
,,Die Daten des Data Warehouses sind über längere Zeiträume
unveränderlich und können nur lesend benutzt werden. Dadurch wird die
Wiederholbarkeit der Analyseergebnisse gewährleistet."
27
Die technische Realisation des Data-Warehouse-Konzeptes bietet zahlreiche
Möglichkeiten, um die Datenbereitstellung perfekt auf die Anforderungen der
Unternehmung anzupassen. Im Folgenden sollen die wichtigsten Komponenten
22
Kemper/Mehanna/Unger, 2006, S. 17
23
Vgl. Inmon, 1996, S. 33
24
Vgl. Kemper/Mehanna/Unger, 2006, S. 17f
25
Vgl. Kemper/Mehanna/Unger, 2006, S. 18
26
Priemer, 2010
27
Priemer, 2010
7
einer Data-Warehouse-Architektur kurz vorgestellt werden, um im
Vorgehensmodell zur quantitativen Prognose durch Künstliche Neuronale Netze
konkretisiert zu werden.
Für die Extraktion und Umwandlung der operativen Daten für dispositive
Aufgaben ist der Extraktion-Transformation-Laden-Prozess (ETL-Prozess)
verantwortlich. Der Prozess sorgt dafür, dass die gewünschten Daten aus den
operativen Systemen extrahiert, in einen dispositiven Kontext transformiert und
anschließend in eine relationale Data-Warehouse-Datenbank geladen werden.
Als Datenbanksysteme kommen bei anwendungsübergreifenden Daten
sogenannte Core Data Warehouses und bei anwendungsspezifischen Daten
Data Marts zum Einsatz. Ergänzend zur eigentlichen Datenhaltung existieren
Metadaten, die die Datenstruktur der gespeicherten Data Warehouse-Daten
beschreiben. Sie können daher als ,,Daten über Daten" bezeichnet werden und
erlauben eine gezielte und strukturierte Auswertung von Informationen über
Zusammenhänge innerhalb komplexen Systemen.
28
Abbildung 2 Typische Data-Warehouse-Architektur
29
28
Vgl. Wieken, 1999, S. 205
29
Abbildung entnommen von Kemper/Mehanna/Unger, 2006, S. 21. Die in der Abbildung
aufgeführten Komponenten ,,ODS" und ,,Administrationsschnittstelle spielen" im Rahmen dieser
Abschlussarbeit keine Rolle und werden aus diesem Grund vernachlässigt.
8
2.4.2 Data
Mining
Unter Data Mining versteht man einen Sammelbegriff für Analysesysteme im
BI-Ordnungsrahmen, die durch Anwendung von festen Algorithmen (oft
mathematischer oder statistischer Natur) automatisch den Datenbestand nach
interessanter Geschäftserfahrung durchsuchen.
30
Durch die maschinelle
Anwendung eignet sich Data Mining ,,vor allem für schlecht strukturierte und
dynamische Anwendungsfelder, in denen weitreichende Entscheidungen
aufgrund aktueller Datenanalysen immer wieder neu getroffen werden müssen
und in denen der große Datenumfang und die große Zahl der untersuchenden
Merkmalen einer fundierten Datenanalyse in angemessenen Zeit- und
Kostenrahmen im Weg standen."
31
Data Mining Methoden lassen sich in die Anwendung für Beschreibungs- und
Prognoseprobleme unterteilen.
32
Während sich Beschreibungsprobleme für
Rückschlüsse auf vergangene Ereignisse anbieten, werden Prognoseprobleme
verwendet, um Hinweise auf zukünftige Ereignisse zu erhalten.
Im Rahmen dieser Abschlussarbeit werden Künstliche Neuronale Netze für die
Anwendung von Prognoseproblemen - genauer der Wirkungsprognose - näher
betrachten. Bei der Wirkungsprognose werden Data Mining Methoden
eingesetzt, um auf Basis von vorhandenen Daten auf zukünftige
Merkmalsausprägungen zu schließen. Dies bedeutet, dass die Methode
versuchen den funktionalen Zusammenhang zwischen vorhandenen Daten und
den davon abhängigen zukünftigen Ereignissen abzubilden beziehungsweise
zu approximieren.
Konkreter werden in dieser Abschlussarbeit lineare und nicht-lineare
Zusammenhänge betrachtet, die eine metrische Punktschätzung für ein
Merkmal in der Form
liefern. Dabei beschreibt den aktuellen Zeitpunkt
und
den Prognosehorizont. Je nach Art der Variablen die
erklären, lassen sich Zeitreihenprognosen und kausale Prognose
unterscheiden.
30
Vgl. Küppers, 1999, S. 44
31
Wilde, 2001, S. 2
32
Vgl. Hippner/Wilde, 2001, S. 64ff
9
Bei Zeitreihenprognosen basiert die Schätzung
ausschließlich auf
Ausprägungen des Merkmals
, die in der Vergangenheit und Gegenwart - also
einschließlich
- beobachtet wurden:
wobei Beobachtung für vorliegen, die vergangene und gegenwärtige
Zeiträume beschreiben.
Die Kausale Prognose basiert dagegen auf mehreren erklärenden Merkmalen
für das zu erklärende Merkmal Y:
10
3 Künstliche Neuronale Netze
3.1 Motivation durch biologisches Vorbild
Die Bionik ist ein Forschungsgebiet, das es sich zur Aufgabe gemacht hat,
systematisch biologische Konstruktionen, Verfahren und Entwicklungsprinzipien
zu kopieren und diese, durch deren technische Realisation, für den Menschen
zugänglich zu machen.
33
In diesem Zusammenhang wurde auch die biologische
Konstruktion der neuronalen Netze, die sich im Gehirn von Menschen und
Tieren befinden, kopiert und in einer mehr oder weniger abgewandelten Form
als mathematische Methode realisiert. Durch diese technische Realisierung ist
es möglich, die positiven Eigenschaften von (künstlichen) neuronalen Netzen
auch außerhalb des menschlichen Gehirns zu verwenden. Im Rahmen dieser
Abschlussarbeit soll geprüft werden, ob sich positive Eigenschaften von
(
biologischen) neuronalen Netzen finden lassen, die sich durch eine technische
Realisierung im Rahmen von Management Support Systemen zur Prognose
anwenden lassen.
Wirtschaftsexperten treffen ihre Prognosen oft aufgrund jahrelanger und
fundierter Geschäfts- bzw. Branchenerfahrung. Man spricht von einem
Ergebnis, welches nicht direkt berechnet werden kann, sondern intuitiv
getroffen wird.
34
Dies wird dadurch deutlich, dass in der Praxis zwei Experten
prinzipiell zu zwei unterschiedlichen Ergebnissen kommen können.
Computergestützte mathematische oder statistische Prognoseverfahren sind
eindeutig berechenbar und prognostizieren zukünftige Ereignisse durch einen
fest definierten Algorithmus. Vorteile dieser Algorithmen sind die Transparenz
und Zuverlässigkeit
35
der Ergebnisse.
Für Prognosen existiert kein klarer Lösungsweg, sondern nur eine Art
,,Faustregel", die zu einem vermuteten Ergebnis führt.
36
Für diesen Problemtyp
eignet sich eher der Mensch, da er von der parallelen Informationsverarbeitung,
der assoziativen Speicherung von Wissen und der Lernfähigkeit seines
33
Vgl. Nachtigall, 2002, S. 1ff
34
Vgl. Kinnebrock, 1994, S. 1
35
Mit Zuverlässigkeit ist hier gemeint, dass Algorithmen zuverlässig nach dem vorgegebenen
Schema arbeiten.
36
Vgl. Spitzer, 2000, S. 15f
11
neuronalen Netzwerkes profitiert. Durch diese Fähigkeiten kann er Muster im
Zusammenspiel zwischen Unternehmen und seiner Umwelt erkennen, Signale
bei unscharfer Informationsversorgung einem bekannten Muster zuordnen und
sich durch seine Lernfähigkeit neues Wissen durch neue Erfahrungen
aneignen.
Genau diese positiven Eigenschaften sollen bei der Realisierung von
Künstlichen Neuronalen Netzen zur Wirkung kommen und durch die
Kombination mit computergestützten Management Support Systemen in ihrer
Wirkung verstärkt werden. Durch die technische Realisierung und die Nutzung
im Rahmen einer DV-Anwendung können die KNN von der Geschwindigkeit
und Zuverlässigkeit der Computertechnologie und von dem Pool an
Geschäftserfahrung profitieren, auf den die DV-Anwendung im Rahmen der
Datenbereitstellung im BI-Ordnungsrahmen zugreifen kann.
3.2 Betriebliche Anwendung und kritische Bewertung
Nach der - zugegeben etwas euphorischen - Einleitung in die Thematik durch
das biologische Vorbild soll in diesem Abschnitt vorgestellt werden, in welchen
Anwendungsgebieten KNN zum Einsatz kommen und wie sie im
betriebswirtschaftlichen Kontext zu bewerten sind.
Die Verwendung von KNN hat sich in der Betriebswirtschaft als Methode des
Data Mining etabliert und kann in den Bereichen der Prognose, Klassifikation
und Diagnose verwendet werden. In diesen Anwendungsgebieten macht die
Verwendung von KNN besonders bei wirkungsdefekten Problemstellungen
Sinn, bei denen der Zusammenhang zwischen erklärenden und davon
abhängigen zu erklärenden Variablen unbekannt ist. Das KNN repräsentiert
dabei diesen Zusammenhang, der linearer und nicht-linearer Natur sein kann.
Den im letzten Abschnitt hervorgehobenen positiven Eigenschaften sollen im
Folgenden kritische Aspekte gegenübergestellt werden, die sich der Entwickler
einer DV-Anwendung zur Prognose durch KNN unbedingt bewusst machen
sollte.
37
37
Eigene Gegenüberstellung in Anlehnung an: Zell, 2000, S. 26ff ; Crone, 2010, S. 207ff ;
Anders, 1997, S. 89ff
12
Details
- Seiten
- Erscheinungsform
- Erstausgabe
- Erscheinungsjahr
- 2010
- ISBN (PDF)
- 9783863416683
- ISBN (Paperback)
- 9783863411688
- Dateigröße
- 1.9 MB
- Sprache
- Deutsch
- Institution / Hochschule
- Westfälische Hochschule Gelsenkirchen, Bocholt, Recklinghausen
- Erscheinungsdatum
- 2013 (Juli)
- Note
- 1,3
- Schlagworte
- Management Support Systeme Informationsgenerierung Business Intelligence Neuronales Netz Computergestützte Informationssysteme
- Produktsicherheit
- BACHELOR + MASTER Publishing
