Agile Business Intelligence

Theorie und Praxis
 
 
dpunkt (Verlag)
  • 1. Auflage
  • |
  • erschienen am 12. Januar 2016
  • |
  • 300 Seiten
 
E-Book | ePUB mit Wasserzeichen-DRM | Systemvoraussetzungen
E-Book | PDF mit Wasserzeichen-DRM | Systemvoraussetzungen
978-3-86491-874-2 (ISBN)
 
Agile Methoden und Vorgehensweisen werden heute auch in BI-Projekten erfolgreich und gewinnbringend eingesetzt. Dabei steht eine ganze Reihe unterschiedlicher Ansätze zur Steigerung der BI-Agilität zur Verfügung. Entscheidend für den Erfolg ist die ganzheitliche Betrachtung von BI-Architekturen, -Organisationsformen, -Technologien und an BI angepasste agile Vorgehensmodelle.

Die Autoren erörtern in diesem Buch Agile Business Intelligence, indem sie zunächst BI-Agilität mithilfe eines Ordnungsrahmens definieren und strukturieren. Auf diesen Grundlagen aufbauend zeigen sie anhand von konkreten Fallstudien, wie Agilität in BI-Projekten umgesetzt werden kann. Hierbei handelt es sich beispielsweise um die Durchführung agiler Projekte zum Aufbau eines Data Warehouse oder um die Umsetzung von Sandboxes auf Basis von In-Memory-Technologien.

Behandelt werden im Einzelnen:
Der Einsatz von Scrum in der Business Intelligence
Anforderungsmanagement durch User Stories
Modellierung agiler BI-Systeme
Data Vault für agile Data-Warehouse-Architekturen
Agile BI-Architekturen
Automatisiertes Testen
BI-Agilität: Relevanz, Anforderungen und Maßnahmen
Agil und dezentral zum Enterprise Data Warehouse

Das Buch richtet sich an Praktiker aus dem BI-Projektmanagement und der BI-Entwicklung sowie an BI-Entscheider, BI-Berater und Mitarbeiter aus den Fachabteilungen, die für BI-Lösungen verantwortlich sind.

In der Edition TDWI erscheinen Titel, die vom dpunkt.verlag gemeinsam mit dem TDWI Germany e.V. ausgewählt und konzipiert werden. Inhaltliche Schwerpunkte dieser Reihe sind Business Intelligence und Data Warehousing.
  • Deutsch
  • Heidelberg
  • |
  • Deutschland
  • 11,36 MB
978-3-86491-874-2 (9783864918742)
386491874X (386491874X)
weitere Ausgaben werden ermittelt
Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Business Intelligence, Data Mining, Big Data und ITSecurity. Er ist Mitglied im TDWI-Arbeitskreis »Agile BI« und hat das »Memorandum für Agile Business Intelligence« mitherausgegeben.
Dr. Michael Zimmer ist Manager bei Accenture Digital im Bereich Digital Delivery und verantwortet dort das Thema SAS für den deutschsprachigen Raum. Michael Zimmer hat zum Thema agile BI-Architekturen promoviert und ist im TDWI Referent, Autor und Experte sowie Organisator des TDWI Roundtable Stuttgart. Er ist Mitglied im TDWI-Arbeitskreis »Agile BI« und hat das »Memorandum für Agile Business Intelligence« mitherausgegeben.
  • Geleitwort
  • Vorwort
  • Inhaltsverzeichnis
  • 1 Agile Business Intelligence
  • 1.1 Einleitung
  • 1.2 BI-Agilität und Agile Business Intelligence
  • 1.3 Werte und Prinzipien für Agile Business Intelligence
  • 1.3.1 Werte
  • 1.3.2 Prinzipien
  • 1.4 Maßnahmen zur Steigerung der BI-Agilität
  • 1.4.1 Agile Methoden und klassische Vorgehensmodelle
  • 1.4.2 Organisatorische Maßnahmen
  • 1.4.3 Wechselwirkungen zwischen Maßnahmen und Unternehmen
  • 1.5 Struktur des Buches
  • 1.6 Ausblick
  • 2 Einsatz von Scrum in der Business Intelligence
  • 2.1 Einordnung von Scrum
  • 2.1.1 Das 3x3 in Scrum
  • 2.1.2 Ablauf eines Sprints
  • 2.1.3 Selbstorganisation des Teams
  • 2.1.4 Pro Scrum
  • 2.2 Besonderheiten von Business Intelligence und deren Auswirkungen auf Scrum
  • 2.3 Anpassung von Scrum
  • 2.3.1 Maßnahmen in der Gesamtorganisation
  • 2.3.2 Allgemeine organisatorische Maßnahmen
  • 2.3.3 Maßnahmen im BI-Team
  • 2.4 Folgen der Umsetzung von Scrum
  • 2.4.1 Projektleitung
  • 2.4.2 Planungsaspekte in der IT-Gesamtorganisation
  • 2.4.3 Planung und Priorisierung in Querschnittteams
  • 2.4.4 Architekturgremium
  • 2.4.5 Communitys
  • 2.4.6 Weiterbildung der Mitarbeiter
  • 2.4.7 Technologieaspekte
  • 2.5 Erfolgsfaktoren und Auswirkungen
  • 2.6 Herausforderungen
  • 3 Anforderungsmanagement durch User Stories
  • 3.1 Anforderungsmanagement in agilen BI-Projekten
  • 3.2 Business-Intelligence-Anforderungen als User Stories
  • 3.2.1 Was sind User Stories?
  • 3.2.2 Gute User Stories erstellen
  • 3.2.3 Planen und Schätzen
  • 3.2.4 Akzeptanzkriterien und Tests
  • 3.3 Fazit
  • 4 Modellierung agiler BI-Systeme
  • 4.1 Business-Intelligence-Architektur
  • 4.1.1 Schichtenmodell der BI-Architektur
  • 4.1.2 Modellierung des Core Data Warehouse
  • 4.2 Star-Schema-Modellierung im Core Data Warehouse
  • 4.2.1 Granulare Star-Schemata im Core Data Warehouse
  • 4.2.2 Bewertung dimensionaler Modelle im Core Data Warehouse
  • 4.3 3NF-Modelle im Core Data Warehouse
  • 4.3.1 Core-Data-Warehouse-Modellierung in 3NF
  • 4.3.2 Historisierungsaspekte von 3NF-Modellen
  • 4.3.3 Domänenkonzepte im 3NF-Modell
  • 4.3.4 Bewertung der 3NF-Modellierung im Core Data Warehouse
  • 4.4 Data-Vault-Ansatz
  • 4.4.1 Tabellentypen im Data-Vault-Modell
  • 4.4.2 Zeitstempel und Formen der Historisierung
  • 4.4.3 Harmonisierung von fachlichen Schlüsseln
  • 4.4.4 Bewertung der Data-Vault-Methode
  • 4.5 Fazit
  • 5 Data Vault für agile Data-Warehouse- Architekturen
  • 5.1 3. Normalform, Dimensional und Data Vault
  • 5.2 Automatisierung
  • 5.3 Geschäftsregeln
  • 5.4 Agile Business Intelligence
  • 5.5 Data Vault in der Praxis - eine exemplarische Darstellung
  • 5.6 Fazit
  • 6 Agile BI-Architekturen
  • 6.1 Einleitung
  • 6.2 Klassische BI-Architekturkomponenten und BI-Agilität
  • 6.3 Neue Architekturkomponenten und BI-Agilität
  • 6.3.1 Sandboxes
  • 6.3.2 Engines
  • 6.3.3 Bypässe
  • 6.4 Architekturansätze zum Umgang mit BI-Agilität
  • 6.4.1 Dezentralisierter Ansatz mit hohen Freiheitsgraden
  • 6.4.2 Autoritärer Ansatz
  • 6.4.3 Unüberwachter Sandbox-Ansatz
  • 6.4.4 Serviceorientierter Ansatz
  • 6.4.5 Serviceorientierter Ansatz mit werkzeuggestützten Sandboxes
  • 6.4.6 Einordnung der Architekturansätze
  • 6.5 Fazit
  • 7 Automatisiertes Testen
  • 7.1 Die Notwendigkeit von BI Testing
  • 7.2 Ziel von BI Testing
  • 7.2.1 Der fundamentale Testprozess
  • 7.2.2 Die Teststufen
  • 7.2.3 Die Testarten und die Softwarequalitätsmerkmale
  • 7.2.4 Die Testobjekte in BI-Systemen
  • 7.2.5 Der BI Testing Cube
  • 7.3 Das Problem der Testautomatisierung von BI Testing
  • 7.3.1 Was lässt sich beim Testen automatisieren?
  • 7.3.2 Übersicht über Werkzeuge zur automatisierten Testdurchführung
  • 7.4 Fazit
  • 8 Technologien, Architekturen und Prozesse
  • 8.1 Problemstellung
  • 8.2 Lösungsansatz
  • 8.2.1 Agile Methodik in Business-Intelligence-Projekten
  • 8.2.2 Grundsätze für Agile BI
  • 8.2.3 Anforderungen an eine Agile-BI-Architektur
  • 8.2.4 Architekturansatz
  • 8.2.5 Agile Datenbereitstellung
  • 8.3 Fazit
  • 8.3.1 Datenverständnis
  • 8.3.2 Architekturerweiterung
  • 9 BI-Agilität: Relevanz, Anforderungen und Maßnahmen
  • 9.1 BI-Agilität als vielschichtige Herausforderung
  • 9.2 BI-Agilität: Kontext und Relevanz
  • 9.3 Die Natur von BI-Agilitätsanforderungen
  • 9.4 Ansatz zur Identifikation und Selektion von BI-Agilitätsmaßnahmen
  • 9.4.1 Identifikation, Klassifikation und Priorisierung von BI-Agilitätsanforderungen
  • 9.4.2 Ableitung von Maßnahmen zur Steigerung der BI-Agilität
  • 9.4.3 Evaluation und Selektion von Maßnahmenbündeln
  • 9.5 Aktuelle Trends und ihre Agilitätsrelevanz
  • 9.5.1 In-Memory-BI
  • 9.5.2 Big Data
  • 9.5.3 Cloud-BI
  • 9.6 Fazit
  • 10 Agil und dezentral zum Enterprise Data Warehouse
  • 10.1 Die Landesbank Hessen-Thüringen - Helaba
  • 10.2 Auslöser und Ziele des BI-Projekts
  • 10.2.1 Ziele, Lösungsansatz und erwarteter Nutzen
  • 10.2.2 Projektpartner und zukünftige Nutzer
  • 10.2.3 Architektur des Enterprise Data Warehouse
  • 10.2.4 Projektmanagement und Change Management
  • 10.2.5 Beschreibung der BI-Organisation
  • 10.3 Maßnahmen zur Erhöhung der BI-Agilität
  • 10.3.1 Verzahnung von Kanban und Sprints
  • 10.3.2 Prinzipien
  • 10.4 Erfahrungen und Erfolgsfaktoren
  • 10.4.1 Realisierter Nutzen und bewirkte Veränderungen
  • 10.4.2 Reflexion der Barrieren und Erfolgsfaktoren
  • 10.5 Fazit
  • 11 Agile BI bei congstar
  • 11.1 congstar
  • 11.2 Ausgangssituation und Ziele des Projekts
  • 11.2.1 Ausgangssituation
  • 11.2.2 Gründe für das Scheitern einer klassischen Projektmethode
  • 11.2.3 Ziele des Data-Warehouse-Projekts bei congstar
  • 11.3 Projektablauf und Betrieb
  • 11.3.1 Das Data-Warehouse-Team
  • 11.3.2 Anwender des congstar Data Warehouse
  • 11.3.3 Architektur des congstar Data Warehouse
  • 11.4 Projektvorgehen
  • 11.4.1 Ablauf eines Sprints bei congstar
  • 11.4.2 Schnitt einer User Story
  • 11.4.3 Technologie
  • 11.4.4 Besonderheiten im congstar Data Warehouse
  • 11.5 Fazit
  • 11.5.1 Warum das DWH-Projekt bei congstar erfolgreich ist
  • 11.5.2 Lessons Learned
  • 12 Einführung von agilen Methoden im Coaching
  • 12.1 Unternehmen
  • 12.2 Ausgangssituation und Ziele des BI-Projekts
  • 12.3 Vom klassischen Projektvorgehen zur Kombination von agiler und klassischer Methodik
  • 12.3.1 Erste Projektphase: Klassische Projektmethodik und -architektur
  • 12.3.2 Zweite Projektphase: Kombination von agiler und klassischer Methodik
  • 12.4 Fazit
  • 13 In-Memory-Technologie als Enabler für Agile BI
  • 13.1 In-Memory-Technologien und Agile BI
  • 13.2 SAP Business Warehouse
  • 13.2.1 Allgemein
  • 13.2.2 SAP BW und In-Memory
  • 13.2.3 BW Workspaces
  • 13.3 Anwendungsfälle für BW Workspaces
  • 13.3.1 Lokale Erweiterung von Stamm- und Bewegungsdaten für das Flottenmanagement
  • 13.3.2 Rapid Prototyping als Interimslösung und zur Validierung
  • 13.3.3 Spezielle Projektberichte
  • 13.3.4 Nutzung als Self-Service-BI-Plattform
  • 13.4 Maßnahmen zur Erhöhung der BI-Agilität
  • 13.4.1 Technische Maßnahmen
  • 13.4.2 Delivery und Lebenszyklus
  • 13.4.3 Weitere Funktionen in SAP BW zur Erhöhung der BI-Agilität
  • 13.5 Erfahrungen und Erfolgsfaktoren
  • 13.5.1 Realisierter Nutzen und bewirkte Veränderungen
  • 13.5.2 Reflexion der Barrieren und Erfolgsfaktoren
  • 13.6 Fazit
  • 14 DevOps für Business Intelligence
  • 14.1 Warum ist das DWH für congstar so wichtig?
  • 14.2 Die DWH-Architektur bei congstar
  • 14.3 Einführung in DevOps für Business Intelligence
  • 14.4 Werte des Entwicklungsteams weitertragen
  • 14.5 Testmethodiken und Deployments
  • 14.6 Gemeinsame Deployments
  • 14.6.1 Automatisierte Datenbank-Deployments
  • 14.6.2 Automatisierte ETL-Deployments
  • 14.6.3 Testinfrastruktur
  • 14.7 Wenn es darauf ankommt: Troubleshooting
  • 14.7.1 Migration auf Tablespace mit Uniform Extent Size
  • 14.7.2 Konfigurative Eingriffe im Produktionssystem
  • 14.7.3 Datenbankanonymisierungen
  • 14.7.4 Monitoring-Berichte
  • 14.7.5 Restartmechanismen
  • 14.7.6 Backup und Recovery der Oracle-Datenbank
  • 14.7.7 Kapazitätsplanung
  • 14.8 Fazit
  • 15 Big Data und BI-Agilität im Marketing
  • 15.1 Auslöser und Ziele des Big-Data-Projekts
  • 15.2 Aufbau und Betrieb der Big-Data-Plattform
  • 15.2.1 Projektmanagement mit Scrum
  • 15.2.2 Architektur der Big-Data-Plattform
  • 15.2.3 Continuous Delivery
  • 15.3 Ein Beispiel für agile Datenanalyse
  • 15.3.1 Zusammenspiel der Big-Data-Plattform mit dem BI-Tool
  • 15.3.2 Exploratives Vorgehen
  • 15.4 Fazit
  • Autoren
  • Abkürzungsverzeichnis
  • Literaturverzeichnis
  • Index

1 Agile Business Intelligence


Stephan Trahasch, Michael Zimmer, Robert Krawatzeck

Auch in der Business Intelligence (BI) werden zunehmend erfolgreich agile Methoden und Frameworks eingesetzt. Grundlegend für alle agilen Vorgehensweisen sind agile Werte und Prinzipien. Wurden die Werte und Prinzipien des agilen Manifests [Agiles Manifest 2001] und die daraus abgeleiteten Methoden zu Beginn meist eins zu eins auf die BI übertragen, so hat sich das Verständnis von BI-Agilität als ganzheitliche Eigenschaft der BI im deutschsprachigen Raum etabliert, und agile Methoden wurden auch auf die Besonderheiten der BI adaptiert. In diesem Kapitel werden BI-Agilität und Agile BI erläutert, ein Ordnungsrahmen für Maßnahmen zur Steigerung der BI-Agilität eingeführt sowie Werte und Prinzipien für eine Agile BI definiert. Einige Prinzipien und agile Methoden werden exemplarisch erläutert und auf die jeweiligen Kapitel in diesem Buch verwiesen.

1.1 Einleitung


Business Intelligence (BI) als unternehmensspezifischer Ansatz zur Entscheidungsunterstützung ist mit den zugehörigen Technologien und Anwendungen eine Voraussetzung für die faktenbasierte Entscheidungsfindung und letztlich für eine erfolgreiche Unternehmenssteuerung. BI stellt einen Kernbestandteil der IT-Infrastruktur von Unternehmen dar, und die Weiterentwicklung der analytischen Möglichkeiten von BI-Anwendungen zählt nach wie vor zu den wichtigsten Themen für Unternehmen [Gartner 2014]. Zeitnahe Analysen aufgrund einer hohen Marktdynamik und ein besseres Verständnis für Produktion, Lieferanten, Kunden und Märkte sind Basis für die Unternehmenssteuerung und notwendig, um die Wettbewerbsfähigkeit zu erhalten und auszubauen. Dies erfordert eine sehr hohe Flexibilität und Adaptionsfähigkeit der dispositiven Systeme zur Entscheidungsunterstützung. Demgegenüber steigt durch die Dynamik und zusätzliche Datenquellen die Komplexität der zu verarbeitenden Daten für die Analyse, was beispielsweise an Form (strukturiert vs. unstrukturiert), Abhängigkeit (Data Governance, Data Ownership, Historie) und Menge der Daten deutlich wird. Hohe Anpassungsfähigkeit und steigende Komplexität sind eine große Herausforderung für Business-Intelligence-Lösungen (vgl. [Kemper et al. 2010]) und für die Weiterentwicklung von Unternehmen.

Werden Softwareprodukte und insbesondere analytische Anwendungen klassisch, z. B. nach dem Wasserfall- oder V-Modell, entwickelt, besteht ein sehr hohes Risiko, dass nicht zeitnah auf Änderungen in einem dynamischen Umfeld reagiert werden kann und Geschäftsziele letztlich nicht erreicht werden. Die Lösung entspricht bei der Fertigstellung und der Auslieferung nicht mehr den veränderten Gegebenheiten und den Anforderungen der Stakeholder.

Agile Softwareentwicklung hingegen stellt einen leichtgewichtigen und flexiblen Ansatz dar, um mithilfe kontinuierlicher Rückkopplungen und kurzer Iterationszyklen einen schnellen Einsatz der entwickelten Systeme zu erreichen und so durch Transparenz Risiken im Entwicklungsprozess zu minimieren und auf Änderungen frühzeitig reagieren zu können. Agile Softwareentwicklung ist jedoch nicht nur die Anwendung von agilen Methoden und Frameworks, sondern stellt eine grundlegende Haltung und Denkweise der Mitarbeiter und der Organisation zur Realisierung von Softwareprojekten dar. Im Manifest für Agile Softwareentwicklung [Agiles Manifest 2001] wurden Werte und Prinzipien definiert, die den Bezugsrahmen für agile Softwareentwicklung festlegen. Die zu schätzenden Werte sind:

  • »Individuen und Interaktionen mehr als Prozesse und Werkzeuge

  • Funktionierende Software mehr als umfassende Dokumentation

  • Zusammenarbeit mit dem Kunden mehr als Vertragsverhandlung [und]

  • Reagieren auf Veränderung mehr als das Befolgen eines Plans«.

Aus diesen agilen Werten wurden zwölf Prinzipien für agile Softwareentwicklung, wie beispielsweise: »Unsere höchste Priorität ist es, den Kunden durch frühe und kontinuierliche Auslieferung wertvoller Software zufrieden zu stellen« und »Fachexperten und Entwickler müssen während des Projektes täglich zusammenarbeiten« [Zwölf Prinzipien 2001] abgeleitet.

Da sich BI-Projekte in einigen Aspekten von Softwareentwicklungsprojekten unterscheiden, sind diese Werte und Prinzipien sowie die agilen Methoden und Vorgehensmodelle nicht direkt auf die Entwicklung dispositiver Systeme übertragbar (vgl. auch Kap. 2 oder 6). Unterschiede sind dabei beispielsweise eine erschwerte Anforderungsanalyse, abteilungsabhängige fachliche Begriffsdefinitionen sowie eine hohe Vernetzung der abteilungsübergreifenden beteiligten Systeme [König 2009]. Zusätzlich werden BI-Lösungen mithilfe von heterogenen und nicht integrierten BI-Werkzeugen (Datenintegration, Datenhaltung, Analyse, Informationsbereitstellung) entwickelt, deren Funktionsumfang die BI-Anwendungen reglementieren [Krawatzeck et al. 2013]. Des Weiteren ist die genaue Spezifikation von Key Performance Indicators (KPIs) und zu realisierenden Reports häufig nur möglich, wenn die Daten aus den Quellsystemen durch den Fachbereich gemeinsam mit dem BI-Entwicklungsteam in dem zur Verfügung stehenden BI-Tool vor der eigentlichen Realisierung analysiert werden können. Die Anforderungsanalyse setzt somit eine sehr enge Zusammenarbeit mit den Fachabteilungen voraus, damit die Fachanwender sinnvoll die Anforderungen definieren können und diese für das Entwicklungsteam nachvollziehbar sind. Erschwerend kommt bei BI-Projekten hinzu, dass oftmals langjährig bestehende BI-Lösungen erweitert und angepasst werden müssen, um neue analytische Fragestellungen beantworten zu können. Wobei die ursprünglichen Systeme hierfür z. T. nicht konzipiert wurden. Herausforderungen sind dabei u. a. die Beibehaltung der Historie von Daten und das erschwerte Refactoring aufgrund fehlender Funktionskapselung mit standardisierten Programmierschnittstellen. Bei der Entwicklung von BI-Anwendungen handelt es sich um einen kontinuierlichen Prozess zur Erfüllung eines Informationsbedarfs mit permanenten Anpassungen auch während des Betriebs.

Agile Vorgehensmodelle und Methoden aus dem Software Engineering sind daher nicht eins zu eins auf Business Intelligence übertragbar. Die agilen Werte und Prinzipien, wie zum Beispiel die Wertschätzung von »Zusammenarbeit mit dem Kunden mehr als Vertragsverhandlung« und »Reagieren auf Veränderung mehr als das Befolgen eines Plans«, sind ein guter Ausgangspunkt, um eine anpassungsfähige BI-Entwicklung unter Berücksichtigung steigender Dynamik und Komplexität zu ermöglichen [Zimmer et al. 2012].

1.2 BI-Agilität und Agile Business Intelligence


Unter BI subsumierte Gesamtansätze zur Entscheidungsunterstützung stehen heute vor der Aufgabe, sowohl übergreifende Anforderungen nach Standardisierung als auch bereichsspezifische Agilitätsanforderungen abzubilden. Unter BI-Agilität wird in diesem Zusammenhang die Eigenschaft der BI einer Organisation verstanden, vorhersehbare und unvorhersehbare Anforderungen in Bezug auf Funktionalität oder den Inhalt einer BI-Lösung unternehmenseffizient in einem vorgegebenen Zeitrahmen in angemessener Qualität abzubilden. BI-Agilität beinhaltet einerseits eine Reaktion auf vorhersehbare Anforderungen und andererseits das proaktive Unterstützen von unvorhersehbaren Anforderungen vor dem Hintergrund einer für das Unternehmen effizienten Lösung. In diesem Zusammenhang werden unter Agile BI alle Maßnahmen zur Erhöhung [Zimmer 2015, S. 67] oder Verbesserung der BI-Agilität verstanden [Krawatzeck et al. 2013]. Dabei beschränkt sich Agile BI nicht allein auf die Auswahl und Anwendung eines agilen Vorgehensmodells zur Produktentwicklung, sondern schließt zudem Maßnahmen aus den Bereichen Prinzipien (z. B. Modularisierung, vgl. Kap. 6), Methoden (z. B. Testautomatisierung, vgl. Kap. 7) und Technologie (Data Lakes, vgl. Kap. 8 und 15) ein (vgl. Kap. 8 und 14). Grundlage für alle Methoden und Frameworks sind immer die agilen Werte und Prinzipien.

Abbildung 1-1 stellt die beiden Begriffe BI-Agilität als Eigenschaft der BI und Agile BI als konkrete Maßnahmen schematisch zueinander in Bezug.

Abb. 1-1 Definition der Begriffe BI-Agilität und Agile BI

Eine hohe BI-Agilität hat keinen Alleinvertretungsanspruch und ist immer unternehmensindividuell auszugestalten. Nicht jeder Unternehmensbereich unterliegt einer hohen Dynamik, sodass hierfür eine hohe BI-Agilität nicht zwingend notwendig ist und traditionelle Ansätze besser geeignet sein können. Die Notwendigkeit einer hohen BI-Agilität muss sich sowohl von der Unternehmensstrategie ableiten als auch durch die Anforderungen des Fachbereichs begründen lassen. Die Variationsmöglichkeiten von Agile-BI-Maßnahmen werden unmittelbar durch die BI-Architektur, die BI-Aufbauorganisation, die BI-Prozesse und letztlich die BI-Governance reglementiert [Zimmer 2015].

Innerhalb des durch die BI-Governance vorgegebenen...

Dateiformat: EPUB
Kopierschutz: Wasserzeichen-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Verwenden Sie eine Lese-Software, die das Dateiformat EPUB verarbeiten kann: z.B. Adobe Digital Editions oder FBReader - beide kostenlos (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nicht Kindle)

Das Dateiformat EPUB ist sehr gut für Romane und Sachbücher geeignet - also für "fließenden" Text ohne komplexes Layout. Bei E-Readern oder Smartphones passt sich der Zeilen- und Seitenumbruch automatisch den kleinen Displays an. Mit Wasserzeichen-DRM wird hier ein "weicher" Kopierschutz verwendet. Daher ist technisch zwar alles möglich - sogar eine unzulässige Weitergabe. Aber an sichtbaren und unsichtbaren Stellen wird der Käufer des E-Books als Wasserzeichen hinterlegt, sodass im Falle eines Missbrauchs die Spur zurückverfolgt werden kann.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Dateiformat: PDF
Kopierschutz: Wasserzeichen-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Verwenden Sie zum Lesen die kostenlose Software Adobe Reader, Adobe Digital Editions oder einen anderen PDF-Viewer Ihrer Wahl (siehe E-Book Hilfe).

Tablet/Smartphone (Android; iOS): Installieren Sie die kostenlose App Adobe Digital Editions oder eine andere Lese-App für E-Books (siehe E-Book Hilfe).

E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m. (nur bedingt: Kindle)

Das Dateiformat PDF zeigt auf jeder Hardware eine Buchseite stets identisch an. Daher ist eine PDF auch für ein komplexes Layout geeignet, wie es bei Lehr- und Fachbüchern verwendet wird (Bilder, Tabellen, Spalten, Fußnoten). Bei kleinen Displays von E-Readern oder Smartphones sind PDF leider eher nervig, weil zu viel Scrollen notwendig ist. Mit Wasserzeichen-DRM wird hier ein "weicher" Kopierschutz verwendet. Daher ist technisch zwar alles möglich - sogar eine unzulässige Weitergabe. Aber an sichtbaren und unsichtbaren Stellen wird der Käufer des E-Books als Wasserzeichen hinterlegt, sodass im Falle eines Missbrauchs die Spur zurückverfolgt werden kann.

Weitere Informationen finden Sie in unserer E-Book Hilfe.


Download (sofort verfügbar)

47,99 €
inkl. 19% MwSt.
Download / Einzel-Lizenz
ePUB mit Wasserzeichen-DRM
siehe Systemvoraussetzungen
PDF mit Wasserzeichen-DRM
siehe Systemvoraussetzungen
Hinweis: Die Auswahl des von Ihnen gewünschten Dateiformats und des Kopierschutzes erfolgt erst im System des E-Book Anbieters
E-Book bestellen

Unsere Web-Seiten verwenden Cookies. Mit der Nutzung des WebShops erklären Sie sich damit einverstanden. Mehr Informationen finden Sie in unserem Datenschutzhinweis. Ok