Lade Inhalt...

Vorgehensmodell zur quantitativen Prognose durch Künstliche Neuronale Netze in Management Support Systemen

©2010 Diplomarbeit 61 Seiten

Zusammenfassung

Inhaltsangabe: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 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. Inhaltsverzeichnis:Inhaltsverzeichnis:
Abbildungsverzeichnisiv
Abkürzungsverzeichnisv
1.Einleitung1
2.Management Support Systeme2
2.1Eigenschaften realer Managementprobleme2
2.2Entwicklung IT-basierter Managementunterstützung3
2.3Ausschlaggebende Entwicklung operativer Informationssysteme4
2.4Business Intelligence: Moderne Ausprägung eines Management Support Systems5
2.4.1Data-Warehouse-Konzept6
2.4.2Data Mining9
3.Künstliche Neuronale Netze10
3.1Motivation durch biologisches Vorbild10
3.2Betriebliche Anwendung und kritische Bewertung12
3.3Technische Realisation14
3.4Ausprägungen und Funktionsweise […]

Leseprobe

Inhaltsverzeichnis


Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung

2 Management Support Systeme
2.1 Eigenschaften realer Managementprobleme
2.2 Entwicklung IT-basierter Managementunterstützung
2.3 Ausschlaggebende Entwicklung operativer Informationssysteme
2.4 Business Intelligence: Moderne Ausprägung eines Management Support Systems
2.4.1 Data-Warehouse-Konzept
2.4.2 Data Mining

3 Künstliche Neuronale Netze
3.1 Motivation durch biologisches Vorbild
3.2 Betriebliche Anwendung und kritische Bewertung
3.3 Technische Realisation
3.4 Ausprägungen und Funktionsweise der Verarbeitungseinheiten
3.4.1 Eingabefunktion
3.4.2 Aktivierungsfunktion
3.4.3 Ausgabefunktion
3.5 Informationsverarbeitung in Netzwerken aus Verarbeitungseinheiten
3.5.1 Netzwerktopologie
3.5.2 Informationsfluss
3.5.3 Verarbeitungsstrategie
3.6 Parametrisierung von Netzwerken aus Verarbeitungseinheiten
3.6.1 Trainings- und Validierungsphasen
3.6.2 Ausgewählte Verfahren zur Parametrisierung
3.7 Ausgewählte Netzwerkparadigmen

4 Vorgehensmodell zur quantitativen Prognose in Management Support Systemen durch Künstliche Neuronale Netze
4.1 Überblick
4.2 Formulierung der Problemstellung
4.3 Datenbereitstellung
4.3.1 Datenselektion
4.3.2 Datenakquise
4.3.3 Datenvorverarbeitung
4.4 Modellerstellung
4.4.1 Spezifikation der Netzwerkarchitektur
4.4.2 Parametrisierung der Netzwerkarchitektur
4.4.3 Modellbewertung
4.5 Anwendung zur Managementunterstützung

5 Persönliches Fazit

Literaturverzeichnis

Eidesstattliche Versicherung

Abbildungsverzeichnis

Abbildung 1 BI-Ordnungsrahmen

Abbildung 2 Typische Data-Warehouse-Architektur

Abbildung 3 Technische Realisierung von Neuronalen Netzen

Abbildung 4 Informationsverarbeitung durch Neuronen

Abbildung 5 Binäre Schrittfunktion

Abbildung 6 Lineare Aktivierungsfunktion

Abbildung 7 Logistische Aktivierungsfunktion

Abbildung 8 Tangens hyperbolicus

Abbildung 9 Netzwerktopologie

Abbildung 10 Ausprägungen des Informationsflusses in KNN

Abbildung 11 Umformung durch "On"-Neuron

Abbildung 12 Overfitting

Abbildung 13 Netzwerkparadigma zur Prognose

Abbildung 14 Zeitreihenprognose

Abbildung 15 Kausale Prognose

Abbildung 16 Vorgehensmodell - Überblick

Abbildung 17 Datenbereitstellung

Abbildung 18 Scatter-Plot-Methode

Abbildung 19 Filterung

Abbildung 20 Harmonisierung

Abbildung 21 Aggregation

Abbildung 22 Anreicherung

Abbildung 23 Modellerstellung

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

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.

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 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.

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.

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.

Abbildung in dieser Leseprobe nicht enthalten

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 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 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 in dieser Leseprobe nicht enthalten

Abbildung 2 Typische Data-Warehouse-Architektur[29]

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 Abbildung in dieser Leseprobe nicht enthalten in der Form Abbildung in dieser Leseprobe nicht enthalten liefern. Dabei beschreibt Abbildung in dieser Leseprobe nicht enthalten den aktuellen Zeitpunkt und Abbildung in dieser Leseprobe nicht enthalten den Prognosehorizont. Je nach Art der Variablen die Abbildung in dieser Leseprobe nicht enthalten erklären, lassen sich Zeitreihenprognosen und kausale Prognose unterscheiden.

Bei Zeitreihenprognosen basiert die Schätzung Abbildung in dieser Leseprobe nicht enthalten ausschließlich auf Ausprägungen des MerkmalsAbbildung in dieser Leseprobe nicht enthalten, die in der Vergangenheit und Gegenwart - also einschließlich Abbildung in dieser Leseprobe nicht enthalten - beobachtet wurden:

Abbildung in dieser Leseprobe nicht enthalten

wobei Abbildung in dieser Leseprobe nicht enthalten Beobachtung für Abbildung in dieser Leseprobe nicht enthalten vorliegen, die vergangene und gegenwärtige Zeiträume beschreiben.

Die Kausale Prognose basiert dagegen auf mehreren erklärenden Merkmalen Abbildung in dieser Leseprobe nicht enthalten für das zu erklärende Merkmal Y:

Abbildung in dieser Leseprobe nicht enthalten

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 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]

- Abbildung wirkungsdefekter Modellierung versus logisch nicht begründbarer Modellierung

KNN bieten dem Modellierer eine hohe Anzahl an Freiheitsgraden zur Gestaltung des funktionalen Zusammenhangs zwischen Input und Output. Jedoch weiß der Modellierer nicht, wie das KNN aussieht, das den Zusammenhang optimal repräsentieren kann. Der Modellierer muss vielmehr Modellvarianten quantitativ vergleichbar machen und durch experimentelles Testen die beste Modellvariante identifizieren. Dabei kann er nicht logisch begründen, warum diese Variante die Beste ist.

- Wissensrepräsentation versus schlecht nachvollziehbare Prognosen

Das KNN präsentiert „Wissen“ über den Zusammenhang zwischen Input und Output. Dieses Wissen kann jedoch nicht analysiert und nachvollzogen werden. Es handelt sich um implizites Wissen, was im KNN verborgen bleibt und nicht in explizites Wissen umgewandelt werden kann. Es fällt in diesem Zusammenhang auch schwer, nachvollziehbare Begründungen für eine Prognose durch das KNN zu finden.

- Generalisierungsfähigkeit versus intensiver Entwicklungsprozess

KNN können Generalisierungsfähigkeiten aufweisen und bei bekannten und unbekannten Eingabemustern zu guten Prognosen kommen. Jedoch besitzt nicht jedes KNN automatisch diese Eigenschaft. Vielmehr muss in der Entwicklungsphase des KNN diese Eigenschaft als Ziel verfolgt werden.

- Dynamische Weiterentwicklung versus Nachweisbarkeit und dynamischer Kontrolle

KNN können in der Anwendungsphase weiter von neuen Daten lernen und sich somit neuen Gegebenheiten schnell und dynamisch anpassen. Jedoch muss im betrieblichen Anwendungsumfeld dafür gesorgt werden, dass die dynamische Verhaltensveränderung kontrolliert wird und dass sich alte Verhaltensweisen replizieren lassen. Man stelle sich vor, dass man zum Zeitpunkt Abbildung in dieser Leseprobe nicht enthalten gerne eine Prognose nachweisen möchte, die das KNN zum Zeitpunkt Abbildung in dieser Leseprobe nicht enthalten getätigt hat. Jedoch hat das KNN zwischen den Zeitpunkten Abbildung in dieser Leseprobe nicht enthalten und Abbildung in dieser Leseprobe nicht enthalten sein Verhalten an neue Gegebenheiten angepasst und liefert jetzt ein völlig anderes Ergebnis. Die DV-Anwendung muss also sicherstellen, dass die veränderbaren Größen des KNN für die Zeitpunkte Abbildung in dieser Leseprobe nicht enthalten und Abbildung in dieser Leseprobe nicht enthalten dauerhaft gespeichert bleiben.

[...]


[1] Um den Lesefluss zu erleichtern, werden im Rahmen dieser Abschlussarbeit anglizistische Fachbegriffe bewusst in die korrekte deutsche Syntax versetzt.

[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

[8] Schwarzer/Krcmar, 2010, S. 10

[9] Vgl. Schwarzer/Krcmar, 2010, S. 10

[10] Gluchowski/Gabriel/Dittmar, 2008, S. 15

[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

[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

[20] Abbildung entnommen von Kemper/Mehanna/Unger, 2006, S. 10

[21] Siehe Kapitel 4

[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

[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.

[30] Vgl. Küppers, 1999, S. 44

[31] Wilde, 2001, S. 2

[32] Vgl. Hippner/Wilde, 2001, S. 64ff

[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

[37] Eigene Gegenüberstellung in Anlehnung an: Zell, 2000, S. 26ff ; Crone, 2010, S. 207ff ; Anders, 1997, S. 89ff

Details

Seiten
Erscheinungsform
Originalausgabe
Erscheinungsjahr
2010
ISBN (eBook)
9783842803138
DOI
10.3239/9783842803138
Dateigröße
1.4 MB
Sprache
Deutsch
Institution / Hochschule
Fachhochschule für öffentliche Verwaltung Nordrhein-Westfalen; Gelsenkirchen – Wirtschaft, Wirtschaftsinformatik
Erscheinungsdatum
2010 (September)
Note
1,3
Schlagworte
neuronales netz quantitative prognose management support system datenbereitstellung modellspezifikation
Produktsicherheit
Diplom.de
Zurück

Titel: Vorgehensmodell zur quantitativen Prognose durch Künstliche Neuronale Netze in Management Support Systemen
Cookie-Einstellungen