Wirtschaftliche Bewertung von Data Mining bzw. Knowledge Discovery Software zur Unterstützung des Knowledge Management Systems eines Automobilzulieferers
©2003
Diplomarbeit
109 Seiten
Zusammenfassung
Inhaltsangabe:Zusammenfassung:
Die Informationen in der Welt verdoppeln sich etwa alle 20 Monate. Zu den am stärksten wachsenden Datenquellen gehören neben dem Internet bspw. industrielle Prozessleitsysteme, betriebswirtschaftliche Datenbanken sowie die automatische Bilderfassung. Zusätzlich zur Erfassung und Speicherung stellen die Aufbereitung und Verarbeitung der Daten heute die größten Herausforderungen dar. Mittels Knowledge Management und Data Mining bzw. Knowledge Discovery versucht man spezielles Wissen, also die relevanten Informationen, zu extrahieren und effizienter nutzbar zu machen.
In der vorliegenden Diplomarbeit werden zunächst die theoretischen Grundlagen von Knowledge Management und Data Mining bzw. Knowledge Discovery aufgezeigt. Nachdem die theoretischen Grundlagen zur Nutzwertanalyse und zu technischen Methoden zum Darstellen und Auffinden von Informationen im Intranet erläutert worden sind, erfolgt danach die Darstellung der aktuellen Situation des Knowledge Managements bei der LEONI AG und die in diesem Zusammenhang auftretenden Probleme. Dazu wird unter anderem auf die klassischen Wissensfindungsverfahren der bisherigen Suchmaschine, und die dabei sich zeigenden Grenzen eingegangen. Daraus wird im Anschluss der Versuch unternommen, ein vorläufiges Ideal- Konzept abzuleiten.
Anhand dieses Konzepts werden im praktischen Teil der Arbeit die verschiedenen möglichen Alternativen zur Knowledge Discovery in LEONIs DV- Umgebung dargestellt und einer Nutzwertanalyse, sowie einer Investitionsrechnung unterzogen. Ziel dabei ist es herauszufinden, welche Lösungen für LEONI sinnvoll bzgl. Kosten und Nutzen sind.
Die durchgeführte Ist- Aufnahme hat das Ziel, den Ist- Zustand zu erfassen und Schwachstellen der bereits implementierten Suchmaschine von Verity zu lokalisieren. Aus diesen Schwächen werden optimierte Anforderungen für eine neue Suchmaschine ermittelt und in einem Ideal- Konzept festgehalten.
In der Bewertungsphase findet zuerst die Vorstellung der Technologie statt. Anschließend wird der Nutzen der verschiedenen Lösungsalternativen beschrieben, die dieses Konzept ansatzweise erfüllen können. Es wird ferner eine Kostenaufstellung für jedes Produkt gemacht. Die wirtschaftliche Bewertung erfolgt schließlich zum einen anhand von dynamischen Investitionsrechenverfahren und zum anderen mittels einer Nutzwertanalyse, bei der die Kosten als negativer Wert einfließen. Ein Bestandteil der Lösung war die Entwicklung einer […]
Die Informationen in der Welt verdoppeln sich etwa alle 20 Monate. Zu den am stärksten wachsenden Datenquellen gehören neben dem Internet bspw. industrielle Prozessleitsysteme, betriebswirtschaftliche Datenbanken sowie die automatische Bilderfassung. Zusätzlich zur Erfassung und Speicherung stellen die Aufbereitung und Verarbeitung der Daten heute die größten Herausforderungen dar. Mittels Knowledge Management und Data Mining bzw. Knowledge Discovery versucht man spezielles Wissen, also die relevanten Informationen, zu extrahieren und effizienter nutzbar zu machen.
In der vorliegenden Diplomarbeit werden zunächst die theoretischen Grundlagen von Knowledge Management und Data Mining bzw. Knowledge Discovery aufgezeigt. Nachdem die theoretischen Grundlagen zur Nutzwertanalyse und zu technischen Methoden zum Darstellen und Auffinden von Informationen im Intranet erläutert worden sind, erfolgt danach die Darstellung der aktuellen Situation des Knowledge Managements bei der LEONI AG und die in diesem Zusammenhang auftretenden Probleme. Dazu wird unter anderem auf die klassischen Wissensfindungsverfahren der bisherigen Suchmaschine, und die dabei sich zeigenden Grenzen eingegangen. Daraus wird im Anschluss der Versuch unternommen, ein vorläufiges Ideal- Konzept abzuleiten.
Anhand dieses Konzepts werden im praktischen Teil der Arbeit die verschiedenen möglichen Alternativen zur Knowledge Discovery in LEONIs DV- Umgebung dargestellt und einer Nutzwertanalyse, sowie einer Investitionsrechnung unterzogen. Ziel dabei ist es herauszufinden, welche Lösungen für LEONI sinnvoll bzgl. Kosten und Nutzen sind.
Die durchgeführte Ist- Aufnahme hat das Ziel, den Ist- Zustand zu erfassen und Schwachstellen der bereits implementierten Suchmaschine von Verity zu lokalisieren. Aus diesen Schwächen werden optimierte Anforderungen für eine neue Suchmaschine ermittelt und in einem Ideal- Konzept festgehalten.
In der Bewertungsphase findet zuerst die Vorstellung der Technologie statt. Anschließend wird der Nutzen der verschiedenen Lösungsalternativen beschrieben, die dieses Konzept ansatzweise erfüllen können. Es wird ferner eine Kostenaufstellung für jedes Produkt gemacht. Die wirtschaftliche Bewertung erfolgt schließlich zum einen anhand von dynamischen Investitionsrechenverfahren und zum anderen mittels einer Nutzwertanalyse, bei der die Kosten als negativer Wert einfließen. Ein Bestandteil der Lösung war die Entwicklung einer […]
Leseprobe
Inhaltsverzeichnis
ID 7433
Hummel, Markus: Wirtschaftliche Bewertung von Data Mining bzw. Knowledge Discovery
Software zur Unterstützung des Knwoledge Management Systems eines
Automobilzulieferers
Hamburg: Diplomica GmbH, 2003
Zugl.: Berufsakademie Villingen-Schwenningen, Berufsakademie, Diplomarbeit, 2003
Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte,
insbesondere die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von
Abbildungen und Tabellen, der Funksendung, der Mikroverfilmung oder der
Vervielfältigung auf anderen Wegen und der Speicherung in Datenverarbeitungsanlagen,
bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfältigung
dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen
der gesetzlichen Bestimmungen des Urheberrechtsgesetzes der Bundesrepublik
Deutschland in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich
vergütungspflichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des
Urheberrechtes.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in
diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme,
dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei
zu betrachten wären und daher von jedermann benutzt werden dürften.
Die Informationen in diesem Werk wurden mit Sorgfalt erarbeitet. Dennoch können
Fehler nicht vollständig ausgeschlossen werden, und die Diplomarbeiten Agentur, die
Autoren oder Übersetzer übernehmen keine juristische Verantwortung oder irgendeine
Haftung für evtl. verbliebene fehlerhafte Angaben und deren Folgen.
Diplomica GmbH
http://www.diplom.de, Hamburg 2003
Printed in Germany
Warenzeichenvermerke
eKnowledge Suite 6.2
®
, eKnowledge Portal 2.0
®
sind eingetragene Warenzeichen der
Hyperwave AG.
Das Hyperwave- Logo sowie alle anderen hier genannten Hyperwave- Produkte,
- Dienstleistungen, - Logos oder - Markenzeichen sind Warenzeichen oder eingetragene
Warenzeichen der Hyperwave AG.
DRE
TM
ist ein eingetragenes Warenzeichen der Autonomy Corporation plc.
Das Autonomy- Logo sowie alle anderen hier genannten Autonomy- Produkte,
- Dienstleistungen, - Logos oder - Markenzeichen sind Warenzeichen oder eingetragene
Warenzeichen der Autonomy Corporation plc.
Das USU- Logo sowie alle anderen hier genannten USU- Produkte, - Dienstleistungen,
- Logos oder - Markenzeichen sind Warenzeichen oder eingetragene Warenzeichen der USU-
Openshop AG.
Abstract
Die Informationen in der Welt verdoppeln sich etwa alle 20 Monate. Zu den am stärksten
wachsenden Datenquellen gehören neben dem Internet bspw. industrielle Prozessleitsysteme,
betriebswirtschaftliche Datenbanken sowie die automatische Bilderfassung. Zusätzlich zur
Erfassung und Speicherung stellen die Aufbereitung und Verarbeitung der Daten heute die
größten Herausforderungen dar. Mittels Knowledge Management und Data Mining bzw.
Knowledge Discovery versucht man spezielles Wissen, also die relevanten Informationen, zu
extrahieren und effizienter nutzbar zu machen.
In der vorliegenden Diplomarbeit werden zunächst die theoretischen Grundlagen von Knowledge
Management und Data Mining bzw. Knowledge Discovery aufgezeigt.
Nachdem die
theoretischen Grundlagen zur Nutzwertanalyse und zu technischen Methoden zum Darstellen und
Auffinden von Informationen im Intranet erläutert worden sind, erfolgt danach die Darstellung
der aktuellen Situation des Knowledge Managements bei der LEONI AG und die in diesem
Zusammenhang auftretenden Probleme. Dazu wird unter anderem auf die klassischen
Wissensfindungsverfahren der bisherigen Suchmaschine, und die dabei sich zeigenden Grenzen
eingegangen. Daraus wird im Anschluss der Versuch unternommen, ein vorläufiges Ideal-
Konzept abzuleiten.
Anhand dieses Konzepts werden im praktischen Teil der Arbeit die verschiedenen möglichen
Alternativen zur Knowledge Discovery in LEONIs DV- Umgebung dargestellt und einer
Nutzwertanalyse, sowie einer Investitionsrechnung unterzogen. Ziel dabei ist es herauszufinden,
welche Lösungen für LEONI sinnvoll bzgl. Kosten und Nutzen sind.
Die durchgeführte Ist- Aufnahme hat das Ziel, den Ist- Zustand zu erfassen und Schwachstellen
der bereits implementierten Suchmaschine von Verity zu lokalisieren. Aus diesen Schwächen
werden optimierte Anforderungen für eine neue Suchmaschine ermittelt und in einem Ideal-
Konzept festgehalten.
In der Bewertungsphase findet zuerst die Vorstellung der Technologie statt. Anschließend wird
der Nutzen der verschiedenen Lösungsalternativen beschrieben, die dieses Konzept ansatzweise
erfüllen können. Es wird ferner eine Kostenaufstellung für jedes Produkt gemacht. Die
wirtschaftliche Bewertung erfolgt schließlich zum einen anhand von dynamischen
Investitionsrechenverfahren und zum anderen mittels einer Nutzwertanalyse, bei der die Kosten
als negativer Wert einfließen. Ein Bestandteil der Lösung war die Entwicklung einer
Kombination von quanti- und qualitativen Bewertungsverfahren, um eine konkrete Empfehlung
für eine bestimmte Software zu geben.
Die Arbeit hat exemplarisch gezeigt, dass es relativ schwierig ist, die Einführung von Knowledge
Discovery Software wirtschaftlich bzw. monetär zu bewerten, da viele Firmen detaillierte
Informationen zu Preisen nur sehr widerwillig herausgeben und der zu erwartende Nutzen oft
persönlichen Annahmen unterliegt . Außerdem basiert die Bewertung der qualitativen Merkmale
zumeist auf subjektiven Einschätzungen, was eine objektive Beurteilung der Lösungen weiter
erschwert. Mit Hilfe einer Sensitivitätsanalyse wird allerdings in dieser Arbeit versucht dem
entgegenzuwirken.
I
Inhaltsverzeichnis
Seite
ABKÜRZUNGSVERZEICHNIS...IV
SYMBOLVERZEICHNIS ...VI
ABBILDUNGSVERZEICHNIS ... VII
TABELLENVERZEICHNIS ...IX
1. ZIEL DER DIPLOMARBEIT... 1
2. KNOWLEDGE MANAGEMENT UND DATA MINING ... 2
2.1 G
RUNDLAGEN DES
K
NOWLEDGE
M
ANAGEMENT
... 3
2.2 G
RUNDLAGEN ZU
D
ATA
M
INING UND
K
NOWLEDGE
D
ISCOVERY
... 5
2.2.1 Data Mining ... 5
2.2.2 Knowledge Discovery... 7
3. VERFAHREN ZUR WIRTSCHAFTLICHEN BEWERTUNG... 7
3.1 W
IRTSCHAFTLICHKEITSÜBERLEGUNG
... 8
3.2 V
ERFAHREN ZUR
I
NVESTITIONSRECHNUNG
... 9
3.3 D
IE
N
UTZWERTANALYSE
... 10
3.3.1 Begriffliche Grundlagen ... 11
3.3.2 Ablauf des Punktwertverfahrens... 11
3.3.2.1 Ermittlung der Ziele
... 11
3.3.2.2 Gewichtung der Ziele
... 11
3.3.2.3 Vergabe von Punkten für die Varianten
... 12
3.3.2.4 Multiplikation und Ermittlung der gewichteten Punkttotale
... 13
3.3.2.5 Sensitivitätsanalyse
... 14
4. KNOWLEDGE MANAGEMENT SITUATION BEI DER LEONI AG ... 16
4.1 I
ST
- S
ITUATION BEI DER
LEONI K
ABEL
G
MB
H & C
O
. KG... 16
4.1.1 Hintergrund für die Einführung eines Wissensmanagementsystems ... 16
4.1.2 LEONI Informations-System und Anwendungen (LISA) ... 17
4.1.2.1 Funktionsübersicht
... 17
4.1.2.2 Architektur von LISA
... 18
4.1.2.3 Wissensfindungstechniken von Verity und deren Grenzen
... 19
4.1.2.3.1 Stichwortsuche
... 19
4.1.2.3.2 Parsen natürlicher Sprache
... 20
II
4.1.2.3.3 Kollaboratives Filtern und Soziale Agenten
... 20
4.2 I
DEAL
- K
ONZEPT FÜR DIE
LEONI AG... 21
5. KOSTEN UND NUTZEN DER LÖSUNGSALTERNATIVEN ... 25
5.1 F
ÄHIGKEITEN DER BEREITS IMPLEMENTIERTE
S
UCHMASCHINE VON
V
ERITY
... 25
5.2 A
UTONOMY
... 26
5.2.1 Technologie und Funktionsweise von Autonomy... 26
5.2.2 Nutzenpotential von Autonomys Lösung... 27
5.2.3 Implementierungskosten für Autonomy... 29
5.3 K
NOWLEDGE
M
INER
... 30
5.3.1 Technologie und Funktionsweise des KnowledgeMiners ... 30
5.3.2 Nutzenpotential von USUs KnowledgeMiner... 31
5.3.3 Implementierungskosten des KnowledgeMiners ... 32
6. WIRTSCHAFTLICHE BEWERTUNG DER LÖSUNGSALTERNATIVEN... 33
6.1 K
OSTENMÄßIGE
B
EWERTUNG JEDER
L
ÖSUNGSALTERNATIVE
... 33
6.1.1 Aufstellung der anfallenden Kosten ... 33
6.1.2 Ermittlung der zu erwartenden Erträge... 33
6.2
A
RGUMENTENBILANZEN FÜR DIE VERSCHIEDENEN
A
NGEBOTE
... 35
6.3 N
UTZWERTANALYSE UND
I
MPLEMENTIERUNGSEMPFEHLUNG
... 38
6.3.1 Ermittlung der Ziele ... 38
6.3.2 Gewichtung der Ziele... 38
6.3.3 Punktvergabe und Ermittlung der gewichteten Punkttotale... 39
6.3.4 Implementierungsempfehlung ... 41
6.3.5 Sensitivitätsanalyse ... 42
7. SCHLUSSBETRACHTUNG UND AUSBLICK ... 44
GLOSSAR... 46
ANHANG ... 49
1.
D
YNAMISCHE
I
NVESTITIONSRECHENVERFAHREN
... 51
2.
M
AßSKALEN ZUR
O
BJEKTIVIERUNG DER EINZELNEN
P
UNKTEVERTEILUNGEN
... 53
3.
O
RGANIGRAMM DER
LEONI AG... 64
4.
E
RLÄUTERUNGEN ZU
S
UCHMÖGLICHKEITEN IN
V
ERITY
... 64
5.
D
IE
USU- O
PENSHOP
AG ... 73
6.
D
EFINITION DES
B
EGRIFFS
T
OPIC
M
AP
... 74
III
7.
S
CREENSHOTS VOM
K
NOWLEDGE
M
INER DER
USU AG ... 75
8.
D
AS
U
NTERNEHMEN
A
UTONOMY
... 81
9.
D
AS
B
AYESISCHE
T
HEOREM
... 82
10. S
HANNONS
I
NFORMATIONSTHEORIE
... 83
11. I
NTELLIGENT
D
ATA
O
BJECT
L
AYER
... 84
12. S
CREENSHOTS VON
LISA ... 84
13. D
ARSTELLEN UND
A
UFFINDEN VON
I
NFORMATIONEN IM
I
NTRANET
... 86
LITERATURVERZEICHNIS... 89
Abkürzungsverzeichnis
IV
Abkürzungsverzeichnis
AG
= Aktiengesellschaft
Anm.
= Anmerkung
APCM
= Adaptive Probabilistic Concept Modelling
bspw.
= beispielsweise
BWL
= Betriebswirtschaftslehre
bzw.
= beziehungsweise
ca.
= circa
CIM
= Computer Integrated Manufacturing
CMS
= Content Management System
d.h.
= das heißt
DRE
TM
= Dynamic Reasoning Engine von Autonomy
DMS
= Document Management System
etc.
= et cetera
EDV
= Elektronische Datenverarbeitung
evtl.
= eventuell
f
= folgende
FBI
= Federal Bureau of Investigation
ff
= fortfolgende
gem.
= gemäß
ggf.
= gegebenenfalls
GmbH
= Gesellschaft mit beschränkter Haftung
h
= Stunde
HTML
= Hypertext Markup Language
i. d. R.
= in der Regel
incl.
= inklusive
IT
= Information Technology
IV
= Informationsverarbeitung
KG
= Kommanditgesellschaft
KM
= Knowledge Management
LDAP
= Lightweight Directory Access Protocol
LISA
= LEONI Informations- System und Anwendungen
Abkürzungsverzeichnis
V
MA
= Mitarbeiter
NASDAQ
= The National Association of Securities Dealers Automated
Quotation system
NSA
= National Security Agency
OEM
= Original Equipment Manufacturer
o.g.
= oben genannten
o.V.
= ohne Verfasser
S.
= Seite
SAP
= Systeme, Anwendungen, Produkte
SAP R/3
= SAP Release 3
SGML
= Standard Generalized Markup Language
sog.
= sogenannte
TNP
= Topic Navigation Map
UB
= Unternehmensbereich
USA
= United States of America
USU
= Udo Strehl Unternehmensberatung
usw.
= und so weiter
v.a.
= vor allem
Verbrauchsmat.
= Verbrauchsmaterial
vgl.
= vergleiche
WWW
= World Wide Web
XML
= Extensible Markup Language
XSL
= Extensible Stylesheet Language
z.B.
= zum Beispiel
z.T.
= zum Teil
Symbolverzeichnis
VI
Symbolverzeichnis
a
= uniforme jährliche Annuität
A
t
= Auszahlungen am Ende der Periode t
E
t
= Einzahlungen am Ende der Periode t
= Euro
US $
= US- Dollar
h
= Stunde
H
= Häufigkeit
I
0
= Anschaffungskosten
i
= Kalkulationszinsfuß
K
= Kapitalwert
log
= Logarithmus
n
= Nutzungsdauer des Investitionsobjekts
p
= Wahrscheinlichkeit
r
= Rentabilität
t
= Periode (t = 0,1,2,...n)
(1+i)
-t
= Abzinsungsfaktor
= Summe
x
p
=
´a posteriori´ Wahrscheinlichkeitsverteilung
Abbildungsverzeichnis
VII
Abbildungsverzeichnis
Seite
A
BBILDUNG
1:
F
ORMEN DER
W
ISSENSTRANSFORMATION
... 4
A
BBILDUNG
2:
B
AUSTEINE DES
W
ISSENSMANAGEMENTS
... 5
A
BBILDUNG
3:
D
ARSTELLUNG DES
K
OSTEN
-/N
UTZEN
-V
ERHÄLTNISSES
... 8
A
BBILDUNG
4:
B
EISPIEL EINER
P
RÄFERENZMATRIX
... 12
A
BBILDUNG
5:
K
OORDINATENSYSTEM ZUR
´
O
BJEKTIVIERUNG
´
DER
P
UNKTVERTEILUNG
... 13
A
BBILDUNG
6:
B
EI
LEONI
IMPLEMENTIERTE E
K
NOWLEDGE
S
UITE VON
H
YPERWAVE
... 18
A
BBILDUNG
7:
D
ARSTELLUNG EINER
´
I
NFORMATIONSLANDSCHAFT
´
BZW
.
EINER
2D C
LUSTER
M
AP
... 28
A
BBILDUNG
8:
S
CREENSHOT DER
C
ONCEPT
R
ETRIEVAL
O
BERFLÄCHE
... 28
A
BBILDUNG
9:
B
EISPIEL FÜR EINE
T
OPIC
M
AP
... 31
A
BBILDUNG
10: P
RÄFERENZMATRIX FÜR DIE
E
RMITTLUNG DER
Z
IELGEWICHTUNG
... 38
A
BBILDUNG
11: M
AßSKALA ZUR
B
EWERTUNG DER
E
INFÜHRUNGSKOSTEN
... 53
A
BBILDUNG
12: M
AßSKALA ZUR
B
EWERTUNG DER
K
OSTEN FÜR
P
FLEGE UND
W
ARTUNG
... 54
A
BBILDUNG
13: M
AßSKALA ZUR
B
EWERTUNG DER
A
NZAHL DURCHSUCHTER
F
ORMATE
... 55
A
BBILDUNG
14: M
AßSKALA ZUR
B
EWERTUNG DER
S
PRACHUNABHÄNGIGKEIT
... 55
A
BBILDUNG
15: M
AßSKALA ZUR
B
EWERTUNG DER
L
EISTUNG DER
P
USH
- F
UNKTIONALITÄT
... 56
A
BBILDUNG
16: M
AßSKALA ZUR
B
EWERTUNG DER
A
UTOKATEGORISIERUNGSMÖGLICHKEIT
... 56
A
BBILDUNG
17: M
AßSKALA ZUR
B
EWERTUNG DER
L
EISTUNGSFÄHIGKEIT
DER
B
ASISTECHNOLOGIE
... 57
A
BBILDUNG
18: M
AßSKALA ZUR
B
EWERTUNG DER
U
SABILITY
... 57
A
BBILDUNG
19: M
AßSKALA ZUR
B
EWERTUNG DER
A
NPASSBARKEIT
... 58
A
BBILDUNG
20: M
AßSKALA ZUR
B
EWERTUNG DER
S
UPPORTQUALITÄT
... 58
A
BBILDUNG
21: M
AßSKALA ZUR
B
EWERTUNG DER
S
TABILITÄT DES
A
NBIETERS
... 59
A
BBILDUNG
22: M
AßSKALA ZUR
B
EWERTUNG DER
E
INRICHTUNGSUNTERSTÜTZUNG
... 60
A
BBILDUNG
23: M
AßSKALA ZUR
B
EWERTUNG DER
P
FLEGETOOLS
... 60
A
BBILDUNG
24: M
AßSKALA ZUR
B
EWERTUNG DES
B
ERECHTIGUNGSKONZEPTS
... 61
A
BBILDUNG
25: M
AßSKALA ZUR
B
EWERTUNG DES
E
INFÜHRUNGSKOMPLEXITÄTSGRADES
... 62
A
BBILDUNG
26: M
AßSKALA ZUR
B
EWERTUNG DER
V
ERARBEITUNGSGESCHWINDIGKEIT
... 62
A
BBILDUNG
27: M
AßSKALA ZUR
B
EWERTUNG DER
Z
EITERSPARNIS
... 63
A
BBILDUNG
28: O
RGANIGRAMM DER
LEONI AG ... 64
Abbildungsverzeichnis
VIII
A
BBILDUNG
29: S
UCHE NACH DEM
B
EGRIFF
´
I
NTRANET
´
... 65
A
BBILDUNG
30: T
REFFERLISTE NACH EINER
S
UCHE
... 66
A
BBILDUNG
31: S
UCHMASKE
V
OLLTEXTSUCHE
... 66
A
BBILDUNG
32: S
UCHMASKE
, R
EITER
V
OLLTEXT
, K
RITERIENAUSWAHL
... 67
A
BBILDUNG
33: S
UCHMASKE
, R
EITER
A
TTRIBUTE
, K
RITERIENAUSWAHL
... 67
A
BBILDUNG
34: D
IALOG
A
GENT ERZEUGEN
... 68
A
BBILDUNG
35: D
IALOG
W
IEDERHOLUNG BEARBEITEN
... 69
A
BBILDUNG
36: E
XPERTENSUCHE AUSWÄHLEN
... 70
A
BBILDUNG
37: D
IALOGFELD
S
UCHERGEBNISSE
E
XPERTENSUCHE
... 71
A
BBILDUNG
38: D
IALOGFELD
S
UCHERGEBNISSE
/ D
OKUMENTE VON
EINEM GEFUNDENEN
E
XPERTEN
... 72
A
BBILDUNG
39: S
TARTSEITE DES
T
ESTZUGANGS FÜR DEN
K
NOWLEDGE
M
INER
... 75
A
BBILDUNG
40:
EINFACHE
S
UCHE
(
ENTSPRICHT
S
TICHWORTSUCHE
)... 76
A
BBILDUNG
41: P
OWERSUCHE
... 76
A
BBILDUNG
42: E
RGEBNISLISTE DER
P
OWERSUCHE
... 77
A
BBILDUNG
43: T
OPIC
M
AP ZUM
T
HEMA
´
A
IRBAG
´
... 77
A
BBILDUNG
44: Z
USAMMENSTELLUNG EINER GENAUER SPEZIFIZIERTEN
S
UCHE
MIT
H
ILFE DER
T
OPIC
M
AP
... 78
A
BBILDUNG
45: E
RGEBNISLISTE DER GENAU SPEZIFIZIERTEN
S
UCHE
... 78
A
BBILDUNG
46: K
OMBINIERTE
S
UCHE
... 79
A
BBILDUNG
47: E
RGEBNISLISTE DER KOMBINIERTEN
S
UCHE
... 79
A
BBILDUNG
48: S
TARTSEITE DES
T
OPIC
M
AP
E
DITORS
... 80
A
BBILDUNG
49: S
TARTSEITE DES
T
OPIC
M
AP
O
PTIMIZERS
... 80
A
BBILDUNG
50: I
NTELLIGENT
D
ATA
O
BJECT
L
AYER
... 84
A
BBILDUNG
51: S
TARTSEITE VON
LISA ... 84
A
BBILDUNG
52: S
TARTSEITE VON
LISA
IM
B
EARBEITUNGSMODUS
... 85
A
BBILDUNG
53: LISA
S BISHERIGE
S
UCHE
... 85
A
BBILDUNG
54: C
OLLECTION
D
OKUMENTATIONEN MIT
S
UBCOLLECTION
H
ANDBÜCHER
... 86
A
BBILDUNG
55: A
BLAUF EINES
A
RCHIVIERUNGSVORGANGS
... 87
Tabellenverzeichnis
IX
Tabellenverzeichnis
Seite
T
ABELLE
1:
E
RMITTLUNG DER
Z
IELGEWICHTE AM
B
EISPIEL
... 12
T
ABELLE
2:
P
UNKTWERTUNG FÜR
B
EISPIEL
... 14
T
ABELLE
3:
VORLÄUFIGE
K
OSTENAUFSTELLUNG FÜR
A
UTONOMY
... 30
T
ABELLE
4:
A
UFSTELLUNG FÜR DIE ANZUNEHMENDEN
K
OSTEN BEI EINER
U
NTERNEHMENSLIZENZ
... 30
T
ABELLE
5:
K
OSTENAUFSTELLUNG FÜR DEN
K
NOWLEDGE
M
INER DER
USU AG... 32
T
ABELLE
6:
K
OSTENÜBERSICHT FÜR DIE
L
ÖSUNGSALTERNATIVEN
... 33
T
ABELLE
7:
B
ASISDATEN ZUR
E
RMITTLUNG DER
K
OSTENEINSPARUNGEN
... 34
T
ABELLE
8:
E
RMITTLUNG DES
K
APITALWERTS JE
L
ÖSUNGSALTERNATIVE
... 34
T
ABELLE
9:
A
RGUMENTENBILANZ FÜR DEN
K
NOWLEDGE
M
INER DER
USU AG ... 36
T
ABELLE
10: A
RGUMENTENBILANZ FÜR DIE
S
OFTWARE VON
A
UTONOMY
... 37
T
ABELLE
11: E
RMITTLUNG DER
Z
IELGEWICHTE
... 39
T
ABELLE
12: P
UNKTWERTUNGEN FÜR DIE
L
ÖSUNGSALTERNATIVEN
... 40
T
ABELLE
13: B
EISPIELRECHNUNG ANHAND DER
K
APITALWERTMETHODE
... 51
Ziel der Diplomarbeit
1
1.
Ziel der Diplomarbeit
Die rapide steigende Informationsflut der heutigen Zeit macht es immer schwieriger, die richtige
Information zum richtigen Zeitpunkt am richtigen Ort zur Verfügung zu haben. Deshalb wurde
als Thema der vorliegenden Diplomarbeit gemeinsam mit LEONI die
"Wirtschaftliche Bewertung von Data Mining bzw. Knowledge Discovery Software zur
Unterstützung des portalgestützten Knowledge Management Systems eines Automobilzulieferers"
gewählt.
Obwohl im Titel schon der Ausdruck ,,Wirtschaftliche Bewertung" enthalten ist, steht die Art der
Durchführung noch nicht fest. Sie wird aber auf eine Nutzwertanalyse kombiniert mit einer
dynamischen Investitionsrechnung hinauslaufen. Der Grund dafür ist der, dass ein klassischer
Kosten-/ Nutzen- Vergleich im eigentlichen Sinne aufgrund der nahezu unmöglichen
Monetarisierbarkeit des Nutzens einer solchen Software nur sehr schwer und im
Bearbeitungszeitraum nicht durchführbar ist.
Die Diplomarbeit hat das Herausarbeiten einer Empfehlung zur Implementierung der
effizientesten Knowledge Discovery Software für LEONIs Intranet Plattform LISA zum Ziel, die
alle Mitarbeiter bei der Suche nach im Portal verstreut liegenden Dokumenten unterstützt. Dies
ist nötig, da LEONIs Intranetportal in absehbarer Zeit mit unüberschaubar viel Wissen in Form
von Dokumenten gefüllt sein wird, so dass eine Suchanfrage bei der momentan im Portal
integrierten Suchmaschine von Verity zu viele Dokumente liefert, in denen der Suchbegriff ent-
halten ist. Deshalb soll eine optimale Lösung, hinsichtlich Kosten und Nutzen aufgezeigt
werden, mit der vorhandenes Wissen in LEONIs Intranet schneller gefunden und genutzt werden
kann.
Zur Lösungsfindung werden zunächst die theoretischen Grundlagen von Knowledge
Management, Data Mining und wirtschaftlichen Bewertungen beleuchtet. Nach einer Darstellung
der Ist- und der Ideal- Situation erfolgt anhand der gewonnenen Erkenntnisse eine Untersuchung
der Funktionsweise und der Kosten- bzw. Nutzenaspekte der verschiedenen Softwarelösungen.
Dem schließt sich eine Berechnung der zu erwartenden Kosteneinsparung bei der jeweiligen
Alternative an. Die bei der anschließenden Nutzwertanalyse ermittelten Gesamtnutzwerte werden
für jede Alternative mit dem jeweiligen relativen Kapitalwert multipliziert. Daraus entsteht ein
Punktwert, der zu gleichen Teilen quali- und quantitative Bewertungsaspekte berücksichtigt und
aus dem sich abschließend die Empfehlung für die zu implementierende Lösung ableitet.
Knowledge Management und Data Mining
2
2.
Knowledge Management und Data Mining
In den letzten Jahren hat sich gezeigt, dass durch die Zunahme an Informationen ein Defizit beim
Umgang mit dem unternehmensspezifischen Know- how existiert.
Durch Outsourcingmaßnahmen wurden wissensintensive Operationen anderen Firmen übertragen
und gleichzeitig das eigene Firmenwissen durch Freisetzung von Mitarbeitern, Abgabe von
Ressourcen, Ruhestands- oder Rationalisierungsmaßnahmen abgebaut. Zum heutigen Zeitpunkt
wurde realisiert, dass das Kapital des Unternehmens das firmeninterne Fachwissen ist, also das
Mitarbeiter- Know- how. Es ist nicht zu vermeiden, dass auch in der Zukunft ein kontinuierlicher
Abfluss des Fachwissens stattfindet, da Personen den Arbeitsplatz wechseln oder aufgrund des
Alters ausscheiden. Es können jedoch Gegenmaßnahmen ergriffen werden, um das Wissen im
Unternehmen zu erfassen und den nachfolgenden Generationen zugänglich zu machen. Hierzu
dient das Knowledge Management (KM). Zwar ist die Idee des KM nichts sonderlich Neues,
jedoch können ihr neue Techniken wie Internet/Intranet, Dokumenten- Management und
Groupware- Lösungen zur konsequenten Installation verhelfen.
1
In den unterschiedlichen Industriezweigen herrscht ein variierendes Verständnis von Knowledge
Management vor. Daher existiert keine allgemeingültige Definition dieses Begriffes.
Im Bereich der IT- und Ingenieurswissenschaft liegen die Prioritäten bei der Anwendung des
Experten- bzw. Fachwissens einzelner Mitarbeiter. Hier ist der Wert von Produkten und Unter-
nehmen immer mehr durch die intellektuellen Fähigkeiten der Mitarbeiter und die Beherrschung
wissensintensiver Prozesse beeinflusst. Da aufgrund der Komplexität vieler Prozesse die fach-
liche Kompetenz einzelner Personen überschritten wird, dient hier das KM dazu, Wissenslücken
zu schließen.
Auch die Verwaltung des spezifischen Know- hows innerhalb der Firma ist Bestandteil des KM.
Hiermit ist speziell das Dokumenten KM und Knowledge Engineering Management gemeint, das
die Produkte, die durch das Wissen der Mitarbeiter erstellt wurden, strukturiert, verwaltet und
organisiert.
In diesem Kapitel wird im ersten Schritt ein Überblick über die Grundlagen des Knowledge
Management gegeben und anschließend auf das Data Mining, das Finden von interessantem und
1
o.V., Know- how teilen, S. 9f.
Knowledge Management und Data Mining
3
nützlichem Wissen, eingegangen.
2.1
Grundlagen des Knowledge Management
Der Kernpunkt des Wissensmanagements (Knowledge Management) ist die kontinuierliche
Nutzung von Wissen in allen Bereichen des Unternehmens durch eine entsprechende
organisatorische und personalstrategische Ausrichtung. Die dabei verfolgte Strategie dient der
Wissenssteigerung bzw. Know- how Steigerung der einzelnen Mitarbeiter und somit ebenfalls
dem Unternehmen. Demnach kann Wissensmanagement wie folgt definiert werden:
,,Knowledge Management ist der gesamte Prozess des Lokalisierens, des Auswertens, des
Erfassens und des Teilens des Wissens innerhalb eines Unternehmens und stellt das Wissen als
einen entscheidenden Faktor des Unternehmens heraus, um Wettbewerbsvorteile zu gewinnen
und zu halten."
2
Zweck dieser Aufrüstung im Unternehmen ist es, Probleme von Kunden besser, preisgünstiger
und schneller lösen zu können als der Wettbewerber. Vorhandenes Wissen alleine nützt
allerdings nichts, wenn es nicht aktiviert werden kann um neue Lösungen zu finden und
Wettbewerbsvorsprünge zu halten oder auszubauen. In diesem Zusammenhang ist der Aufbau
einer neuartigen Unternehmenskultur wichtig, in welcher auch der einzelne Mitarbeiter den
Nutzen des KM spürt.
Die Betrachtung von Wissen als unternehmerische Größe setzt die Existenz von Daten und
Informationen voraus. Betriebswirtschaftlich werden die Begriffe Daten, Informationen und
Wissen wie folgt abgegrenzt:
Daten werden als Zeichenfolgen ohne Verwendungshinweise betrachtet.
Informationen bestehen aus Daten, weisen allerdings einen Problembezug auf und können
dadurch bereits im Unternehmen eingesetzt werden, bspw. als Hilfsmittel zur Entscheidungs-
unterstützung.
Wissen hingegen entsteht, wenn Kenntnisse über Zusammenhänge mehrerer Informationen und
deren Verwendung im unternehmerischen Umfeld vorhanden sind. Es stellt demnach eine
Vernetzung der Informationen zu einem bestimmten Zweck und unter bestimmten Bedingungen
dar.
In diesem Zusammenhang muss zunächst unterschieden werden, in welcher Form Wissen im
2
o.V., IKM, S.1.
Knowledge Management und Data Mining
4
Unternehmen vorliegt:
Abbildung 1: Formen der Wissenstransformation
3
Explizites (Explicid) und implizites Wissen (Tacid Knowledge) unterscheiden sich durch ihre
Übertragbarkeit, also die Vermittelbarkeit von einem auf andere Wissensträger.
Individuelles und organisatorisches Wissen unterscheidet sich durch die Angehörigkeits-
verhältnisse, das persönliche Wissen eines Mitarbeiters und das Wissen eines Teams bzw. einer
Organisation.
Explizites (ausdrückliches) Wissen zeichnet sich durch relativ einfache Übertragbarkeit auf
andere Personen aus. Es kann nach außen gut dargestellt werden, indem es in Form von Prozess-
beschreibungen verbalisiert und als Organigramm visualisiert wird.
Implizites (verborgenes) Wissen lässt sich nur schlecht übertragen bzw. darstellen. Das
verborgene Wissen wird oft mit Erfahrungswerten oder Intuition in Verbindung gebracht, da
sogar der Experte selbst keine Erklärung für sein Handeln finden kann.
Individuelles Wissen ist das persönliche Wissen eines Mitarbeiters. Es kann gleichermaßen als
implizites sowie als explizites Wissen vorliegen.
Organisatorisches Wissen wird aufgrund der unternehmensinternen Prozesse zwischen den
Mitarbeitern aufgebaut. Diese sind durch jahrelange Veränderungen des ursprünglichen Ablaufs
3
Versteegen, Gerhard, Wettbewerbsfaktor, S. 100.
Knowledge Management und Data Mining
5
entstanden.
Bei der Betrachtung des Wissens- Portfolios in Abbildung 1 ist zu erkennen, dass es das Ziel des
Knowledge Management ist, eine Anordnung für das gesamte Know- how- Spektrum des
Unternehmens auf der rechten Seite zu erreichen. Das explizite sowie das implizite Wissen sollte
den Mitarbeitern zugänglich gemacht werden. Es soll so generell explizites Wissen entstehen, das
besser vermittelt und einfacher gehandhabt werden kann.
Nach Probst
4
soll sich Wissensmanagement im Unternehmen an einem Kreislaufmodell, wie in
Abbildung 2 dargestellt, orientieren. Es lässt sich ein äußerer Kreislauf definieren, der einen
traditionellen Managementprozess mit den Komponenten Zielsetzung, Umsetzung und Messung
bildet. Der innere Kreislauf teilt den Prozess der Umsetzung in die Komponenten
Wissensidentifikation,
Wissenserwerb,
Wissensentwicklung,
Wissensverteilung,
Wissensnutzung und
Wissensbewahrung
auf und vermindert so die Komplexität
eines Vorgangs auf überschaubare
Teilaufgaben.
Abbildung 2: Bausteine des Wissensmanagements
5
Im folgenden Abschnitt wird auf die Grundlagen der o.g. Wissensidentifikation, d.h. die
Aufdeckung von Wissensquellen (Knowledge Discovery) genauer eingegangen.
2.2
Grundlagen zu Data Mining und Knowledge Discovery
2.2.1 Data Mining
In der Literatur die in das Gebiet des Data Mining einführt, herrscht ein variierendes Verständnis
von Data Mining und Knowledge Discovery vor. Daher existiert keine allgemeingültige
Definition dieses Begriffes.
Data Mining bezeichnet allgemein Techniken zum Finden von interessantem und nützlichem
4
Vgl. Probst, Gilbert, Wissen managen, S. 54 ff.
5
Probst, Gilbert, Wissen managen, S. 56.
Knowledge Management und Data Mining
6
Wissen in großen zur Verfügung stehenden Datenbanken. Aber was versteht man unter Wissen?
Im Zusammenhang mit Data Mining versteht man unter dem Begriff ,,Wissen" Muster, die
bestimmte zusätzliche Eigenschaften aufweisen und in einer formalen Sprache dargestellt
werden. Die häufigsten Arten von Mustern sind:
Regeln und Abhängigkeitsmuster
Gruppen zusammengehöriger Daten (Cluster)
Formeln und Gesetzmäßigkeiten
Verbindungsmuster
Zeitliche Muster
Abweichungen von erwarteten statischen Verteilungen
Zu diesen Techniken gehören neben konventionellen statistischen Verfahren wie Korrelation und
Regression, Methoden der Clusteranalyse, Fuzzy- Logik, Neuroinformatik und Machine
Learning. Diese Datenanalysemethoden werden unter dem Sammelbegriff Data Mining
zusammengefasst.
6
,,Data Mining bezeichnet [also] nicht eine einzelne Technik, sondern umfaßt den ganzen Prozess
von der Bereitstellung der Daten bis zur Anwendung der Erkenntnisse."
7
Der Data Mining
Prozess setzt sich hierbei aus vier Phasen (Planung, Vorbereitung, Mining, Auswertung)
zusammen
.
Die Phasen des Data Mining lassen sich zeitlich nicht klar voneinander trennen.
Typischerweise werden diese auf iterative Weise durchlaufen.
8
Data Mining ist wiederum Teil des Knowledge Discovery Prozesses, der darüber hinaus auch die
Datenvorverarbeitung, Filterung, Visualisierung, Transformation und Merkmalsgenerierung
umfasst.
9
6
Vgl. Petrak, Johann, Data Mining, S.1f.
7
ebenda, S.1.
8
ebenda, S. 2.
9
Runkler, Thomas, Data Mining und Knowledge Discovery, S. 1.
Verfahren zur wirtschaftlichen Bewertung
7
2.2.2 Knowledge Discovery
Knowledge Discovery beschäftigt sich mit der Extraktion von relevantem Wissen aus großen
Datenmengen, also insbesondere aus Datenbanken und ist dem Data Mining Prozess nach-
geschaltet. Knowledge Discovery detektiert neue, potentiell nützliche und interpretierbare
Informationen in Daten und setzt diese zueinander in Beziehung. Diese ´veredelten´
Informationen werden dann als Bausteine benutzt, um Wissen zu schöpfen.
3.
Verfahren zur wirtschaftlichen Bewertung
Die Komplexität von Wirtschaftlichkeitsanalysen für Informationssysteme wird von einigen
Autoren so hoch eingeschätzt, dass sie zu dem Schluss kommen Wirtschaftlichkeitsbewertungen
vollkommen abzulehnen.
10
Es wird argumentiert, dass für den Bereich der Informationssysteme
andere Gesetze als für die klassischen Investitionsbereiche gelten und eine solche Entscheidung
wie der Einsatz einer Knowledge Discovery Software nicht mit einer betriebswirtschaftlich
fundierten Analyse bewertet werden kann. Diese Einstellung erscheint dabei zu einfach, sollte
doch ein Unternehmen seine Investitionen nicht ausschließlich mit strategischen Gründen recht-
fertigen. Dies erklärt die Notwendigkeit und Bedeutung von Kosten- Nutzen- Analysen für die
Einführung von Knowledge Discovery Software.
In der Praxis lassen sich zwei grundsätzliche Probleme in Zusammenhang mit Investitions-
entscheidungen in der Informationsverarbeitung feststellen. Auf der einen Seite scheitern viele
Unternehmen an der Komplexität, die in der Abwicklung von DV- Projekten liegt. Auf der
anderen Seite sind nur wenige Unternehmen in der Lage, den zeitlichen und finanziellen
Aufwand zur Umsetzung der Entscheidungen, und vor allem die Auswirkungen des IT- Einsatzes
hinreichend abzuschätzen.
11
Eine Befragung deutscher Großunternehmen ergab, dass
Investitionsrechnungen in der Praxis der IT- Entscheidungsfindung eine geringe Bedeutung
zukommt.
12
In diesem Kapitel werden verschiedene Wirtschaftlichkeitsverfahren vorgestellt, die helfen sollen
die mögliche Investitionsentscheidung in Knowledge Discovery Software finanziell zu bewerten.
10
Vgl. Jaster, Thomas, Kosten- und Leistungsrechnung, S. 33.
11
Vgl. Potthof, Ingo, Kosten und Nutzen der Informationsverarbeitung, S. 1.
12
Vgl. Schellmann, Hartmut, Informationsmanagement, S. 27.
Verfahren zur wirtschaftlichen Bewertung
8
3.1 Wirtschaftlichkeitsüberlegung
Wirtschaftlichkeit ist das Verhältnis von Aufwand (Kosten) zu Ertrag (Nutzen). Per Definition
lässt sich die Wirtschaftlichkeit im Allgemeinen auch als ein ´optimal´ angestrebtes Verhältnis
von eingesetzten Mitteln und daraus resultierendem Ergebnis beschreiben.
13
Da sich bei den
meisten Projekten in der IV die Ermittlung des Ertrages sehr schwierig darstellt, wird bei der
Kalkulation als Ersatz der Nutzen verwendet. Der Zusammenhang zwischen Leistung, Kosten,
Nutzen und Wirtschaftlichkeit bei der Informationsverarbeitung lässt sich wie folgt darstellen:
14
Abbildung 3: Darstellung des Kosten-/Nutzen-Verhältnisses
15
Ausgangspunkt für Wirtschaftlichkeitsüberlegungen in der Informationsverarbeitung ist deren
Leistung. Diese bewerteten Leistungen werden je nach Betrachtungspunkt zu Kosten oder zu
Nutzen, wobei die optimale Beziehung zwischen Kosten und Nutzen schließlich die Wirtschaft-
lichkeit ergibt. Der Nutzen stellt dabei eine subjektive Wertschätzung dar. Bei strenger Be-
trachtung des Begriffs `Wirtschaftlichkeit` können die meisten durchgeführten Wirtschaftlich-
keitsrechnungen nicht als solche betrachtet werden. Zu sehr wird der Nutzen, wenn er sich nicht
in monetäre Größen überführen lässt, über subjektive Einschätzungen festgelegt. Die Kosten
lassen sich meist noch ermitteln, aber der Nutzen kann nicht immer in konkreten Zahlen aus-
gedrückt werden.
16
Im Zusammenhang mit dem Nutzen von DV- Projekten werden als Rechtfertigung sehr häufig
Einsparungsaspekte genannt. Dazu gehört vor allen Dingen die Zeitersparnis beim Suchen nach
Informationen, die allerdings nicht oder nur schwer quantifizierbar ist. Weitere Einsparungen
können sich als direkte Kosteneinsparungen ergeben, die sich aus einer Verkürzung der Durch-
laufzeiten bei Geschäftsprozessen sowie der Einsparung von Personal ergeben. Als Nutzen-
potentiale von installierter Data Mining Software können sich Verbesserungen der
13
Vgl. Haschke, Wolfgang, DV- Controlling, S. 115.
14
ebenda, S. 115.
15
In Ahnlehnung an Haschke, Wolfgang, DV- Controlling, S. 115.
16
Vgl. Haschke, Wolfgang, DV-Controlling, S. 116.
Leistung
Nutzen
Kosten
Wirtschaftlichkeit
einmalig
anfallend
laufend
anfallend
Direkt
quanti-
fizierbar
Indirekt
quanti-
fizierbar
Nicht
quanti-
fizierbar
Verfahren zur wirtschaftlichen Bewertung
9
Informationsqualität, der besseren und schnelleren Aufgabenbearbeitung, Vermeidung von
Doppelarbeit und v.a. die Erhöhung der Konkurrenzfähigkeit ergeben.
Die dabei angewandten statischen (Kostenvergleichsrechnung, Gewinnvergleichsrechnung,
Rentabilitätsrechnung, statische Amortisationsrechnung) und/ oder dynamischen Methoden
(Kapitalwertmethode, Methode des internen Zinsfusses, Annuitätenmethode, dynamische
Amortisationsrechnung) lassen sich allerdings nicht eindeutig auf die Investition und die
laufenden Kosten einer Data Mining Software projizieren. Im speziellen scheitern die genannten
Verfahren zur Beurteilung der Wirtschaftlichkeit, da die monetären Auswirkungen einer Software
für Knowledge Discovery (im Sinne von Ein- und Auszahlungen) nicht hinreichend genau
prognostizierbar sind.
17
Nutzeffekte treten normalerweise nicht direkt, sondern erst mittel- bzw.
langfristig ein.
18
Zudem ist der Nutzen einer Knowledge Discovery Software vielfältig und liegt
hauptsächlich im qualitativen Bereich, der sich nur schwer monetär ausdrücken lässt.
3.2 Verfahren zur Investitionsrechnung
Die klassische Investitionsrechnung, wie sie meist bei einem Vergleich von rein quantitativen
oder monetären Zielen angewendet wird, unterteilt man in statische und dynamische Verfahren.
Statische Investitionsrechnungsverfahren
Diese Verfahren arbeiten mit durchschnittlichen Kosten und Erlösen oder gehen von über die
Nutzungsdauer des Investitionsobjekts konstanten Größen aus. Für IV- Investitionen eignet sich
eine solche Betrachtungsweise nur, um in einer frühen Phase der Entscheidungsfindung die
Vorteilhaftigkeit grob abzuschätzen.
Dynamische Investitionsrechnungsverfahren
Dynamische Investitionsrechnungen wie die Kapital- und Annuitätenmethode oder das interne
Zinssatzverfahren
19
, berücksichtigen hingegen den Wert unterschiedlicher Zahlungszeitpunkte,
indem sie die Aus- und Einzahlungen auf den Bezugszeitpunkt ab- oder aufzinsen.
Beurteilung der Verfahren
Zusammenfassend lässt sich feststellen, dass alle dynamischen Verfahren mit großen
Unsicherheitsfaktoren verbunden sind, da während des gesamten Nutzungszeitraums eine
vollkommene Vorhersage der künftigen Zahlungsströme und zudem ein konstanter
17
Vgl. von Dobschütz, Leonhard, IV-Controlling, S. 119.
18
Vgl. Gluchowski, Peter, Management-Support-Systeme, S. 335.
19
Vgl. detaillierte Erläuterung im Anhang, Punkt 1, S. 51ff.
Verfahren zur wirtschaftlichen Bewertung
10
Kalkulationszinsfuß unterstellt wird. Im Vergleich zu den statistischen Verfahren sind sie sicher-
lich praxisnäher. Die Anschaffung eines klassischen Investitionsobjektes, wie bspw. eine
Produktionsmaschine, lässt sich mit dynamischen Investitionsrechnungen problemloser be-
urteilen, als die Bewertung einer Knowledge Discovery Software. Lediglich wenn es gelingt den
Nutzen zu monetarisieren erscheint der Einsatz der dynamischen Investitionsverfahren sinnvoll.
Das ist allerdings besonders für IV- Investitionen im Bereich Software schwierig, denn es ist
nahezu unmöglich Zahlungsreihen abzuschätzen und Mindestrenditen vorzugeben, da sie für sich
genommen keine Rendite erwirtschaften und ihr Nutzen bzw. ihre Erlöse monetär kaum messbar
sind.
20
Es sind deshalb umfassendere Verfahren nötig.
Umfassende Verfahren der wirtschaftlichen Bewertung
Bei Investitionsentscheidungen im Rahmen von Qualitätsverbesserungsprojekten sind i. d. R.
mehrere Ziele relevant. Mit Investitionsrechenverfahren kann, wie oben bereits erwähnt, nur ein
(quantifizierbares, monetäres) Zielkriterium berechnet werden. Aus diesem Grund sind Verfahren
nötig, die nicht nur quantitative sondern auch qualitative Zielkriterien in die Bewertung mit
einbeziehen. Es gibt auch bei dieser Form der Bewertung mehrere Ansätze. Ich werde im
Folgenden allerdings nur auf die Nutzwertanalyse näher eingehen, da sie sich wegen ihrer
unkomplizierten Anwendungsweise für die Lösung der Problemstellung dieser Arbeit anbietet.
3.3 Die Nutzwertanalyse
,,Die Nutzwertanalyse gehört ebenso wie die Kosten- Nutzen- Analyse zu den Nutzen- Kosten-
Untersuchungen. Auch hier ist es Zweck herauszufinden, wie groß der Wert einer bestimmten
Maßnahme oder eines Projekts ist (hier: Nutzwert)."
21
Dazu werden mehrere Alternativen
miteinander verglichen und entscheidungsrelevante Zielkriterien berücksichtigt, wobei die
Zielerträge der Alternativen zu einem (dimensionslosen) Punktwert zusammengefasst werden.
22
Der Nutzwert ist daher ein relativer Wert, der nicht monetär angegeben wird.
Nutzwertanalysen oder Punktwertverfahren (auch Scoring- Modell genannt) sind somit für
Entscheidungsprobleme entwickelt worden, deren optimale Lösung nicht ausschließlich von
Kosten- und Erlösaspekten sondern auch von qualitativen Faktoren geprägt wird (z.B. bei der
20
Potthof, Ingo, Kosten und Nutzen der Informationsverarbeitung, S. 20.
21
Scholles, Frank, Planungsmethoden, S.1.
22
Vgl. Zangemeister, Christof, Nutzwertanalyse in der Systemtechnik, S. 45.
Details
- Seiten
- Erscheinungsform
- Originalausgabe
- Jahr
- 2003
- ISBN (eBook)
- 9783832474331
- ISBN (Paperback)
- 9783838674339
- DOI
- 10.3239/9783832474331
- Dateigröße
- 2.5 MB
- Sprache
- Deutsch
- Institution / Hochschule
- Duale Hochschule Baden-Württemberg, Villingen-Schwenningen, früher: Berufsakademie Villingen-Schwenningen – Wirtschaft
- Erscheinungsdatum
- 2003 (November)
- Note
- 1,0
- Schlagworte
- intranet investitionsrechnung nutzwert analyse
