Auflistung nach Schlagwort "Data analytics"
1 - 8 von 8
Treffer pro Seite
Sortieroptionen
- ZeitschriftenartikelBenchmarking Energy Quantification Methods to Predict Heating Energy Performance of Residential Buildings in Germany(Business & Information Systems Engineering: Vol. 63, No. 3, 2021) Wenninger, Simon; Wiethe, ChristianTo achieve ambitious climate goals, it is necessary to increase the rate of purposeful retrofit measures in the building sector. As a result, Energy Performance Certificates have been designed as important evaluation and rating criterion to increase the retrofit rate in the EU and Germany. Yet, today?s most frequently used and legally required methods to quantify building energy performance show low prediction accuracy, as recent research reveals. To enhance prediction accuracy, the research community introduced data-driven methods which obtained promising results. However, there are no insights in how far Energy Quantification Methods are particularly suited for energy performance prediction. In this research article the data-driven methods Artificial Neural Network, D-vine copula quantile regression, Extreme Gradient Boosting, Random Forest, and Support Vector Regression are compared with and validated by real-world Energy Performance Certificates of German residential buildings issued by qualified auditors using the engineering method required by law. The results, tested for robustness and systematic bias, show that all data-driven methods exceed the engineering method by almost 50% in terms of prediction accuracy. In contrast to existing literature favoring Artificial Neural Networks and Support Vector Regression, all tested methods show similar prediction accuracy with marginal advantages for Extreme Gradient Boosting and Support Vector Regression in terms of prediction accuracy. Given the higher prediction accuracy of data-driven methods, it seems appropriate to revise the current legislation prescribing engineering methods. In addition, data-driven methods could support different organizations, e.g., asset management, in decision-making in order to reduce financial risk and to cut expenses.
- ZeitschriftenartikelBig Data Analytics im Bahnverkehr(HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 5, 2019) Hauck, Florian; Morgenstern, Sandro; Kliewer, NataliaDie Analyse von historischen Fahrtdaten bietet Bahnbetreibern die Möglichkeit Zusammenhänge zwischen Verspätungen zu erkennen, deren Ursachen besser zu verstehen und geeignete Maßnahmen zu treffen. Die gewonnenen Informationen können zum Beispiel verwendet werden, um robustere Fahrpläne zu erstellen und dadurch die Pünktlichkeit im Schienenverkehr zu verbessern. Damit die Daten ausgewertet werden können, müssen sie allerdings in einem konsistenten Zustand (das heißt vollständig und korrekt) vorliegen. Da Infrastrukturdaten sowie Soll- und Ist-Zeiten von Zugfahrten jeweils in verschiedenen Systemen erfasst werden, müssen die Daten zunächst vereinheitlicht und zusammengeführt werden. Dieser Beitrag stellt eine datengetriebene Infrastruktur-Modellierung und Integration von historischen Zugfahrtdaten vor. Dabei werden Daten der Deutschen Bahn aus einem Fahrplanjahr verwendet. Das Ziel besteht darin, systembedingte Inkonsistenzen bei der Zusammenführung der Daten zu beseitigen und die Integrität der Daten für weitere Analysen und Optimierungsansätze sicherzustellen. Außerdem werden Fahrtverläufe vereinheitlicht, damit diese besser miteinander verglichen werden können. In diesem Zusammenhang werden die Daten in ein JSON-Format transformiert, wodurch ein Vergleich von Soll- und Ist-Zeiten an allen Messpunkten möglich ist. Die Ergebnisse dieser Arbeit zeigen, dass in einem Datensatz mit 27 Mio. Zugfahrten 7 % aller Fahrten zunächst nicht für eine pauschale Weiterverarbeitung geeignet waren, weil zum Beispiel fehlende oder inkonsistente Werte vorlagen. Etwa 70 % der betroffenen Fahrten konnten automatisiert vervollständigt und harmonisiert werden. Dadurch wurde ein integrierter und bereinigter Datensatz erstellt, der als Grundlage zur Fahrplanoptimierung oder zur Analyse von Zugverspätungen verwendet werden kann. The analysis of historical trip data offers railway operators the opportunity to identify relations between delays, to better understand their causes and to take appropriate action. The information obtained can be used, for example, to create more robust timetables and thus improve punctuality in rail transport. However, for the data to be evaluated, it must be in a consistent state (i. e. complete and correct). Since infrastructure data as well as planned and actual times of train movements are recorded in different systems, the data must first be standardized and merged. This paper presents a data-driven approach for infrastructure modelling and integration of historical train running data. Data from Deutsche Bahn from one timetable year is used. The aim is to eliminate system-related inconsistencies in the consolidation of the data and to ensure the integrity of the data for further analyses and optimization approaches. In addition, the train trips are standardized so that they can be better compared with each other. In this context, the data will be transformed into a JSON format, enabling a comparison of planned and actual event times at all measuring points. The results of this work show that in a data set with 27 million train journeys, 7% of all journeys were initially not suitable for further processing because, for example, missing or inconsistent values were present. Approximately 70% of the affected trips could be completed and harmonized automatically. This resulted in the creation of an integrated and cleansed data set that can be used as a basis for timetable optimization or for the analysis of train delays.
- ZeitschriftenartikelClosing the Gap Between Experts and Novices Using Analytics-as-a-Service: An Experimental Study(Business & Information Systems Engineering: Vol. 61, No. 6, 2019) Lismont, Jasmien; Van Calster, Tine; Óskarsdóttir, María; vanden Broucke, Seppe; Baesens, Bart; Lemahieu, Wilfried; Vanthienen, JanGenerating insights and value from data has become an important asset for organizations. At the same time, the need for experts in analytics is increasing and the number of analytics applications is growing. Recently, a new trend has emerged, i.e. analytics-as-a-service platforms, that makes it easier to apply analytics both for novice and expert users. In this study, the authors approach these new services by conducting a full-factorial experiment where both inexperienced and experienced users take on an analytics task with an analytics-as-a-service technology. The research proves that although experts in analytics still significantly outperform novices, these web-based platforms do offer an advantage to inexperienced users. Furthermore, the authors find that analytics-as-a-service does not offer the same benefits across different analytics tasks. That is, they observe better performance for supervised analytics tasks. Moreover, this study indicates that there are significant differences between novices. The most important distinction lies in the approach they take on the task. Novices who follow a more complex, although structured, workflow behave more similarly to experts and, thus, also perform better. The findings can aid managers in their hiring and training strategy with regards to both business users and data scientists. Moreover, it can guide managers in the development of an enterprise-wide analytics culture. Finally, the results can inform vendors about the design and development of these platforms.
- ZeitschriftenartikelData products, data mesh, and data fabric(Business & Information Systems Engineering: Vol. 66, No. 5, 2024) Blohm, Ivo; Wortmann, Felix; Legner, Christine; Köbler, Felix
- ZeitschriftenartikelDesigning Business Analytics Solutions(Business & Information Systems Engineering: Vol. 62, No. 1, 2020) Nalchigar, Soroosh; Yu, EricThe design and development of data analytics systems, as a new type of information systems, has proven to be complicated and challenging. Model based approaches from information systems engineering can potentially provide methods, techniques, and tools for facilitating and supporting such processes. The contribution of this paper is twofold. Firstly, it introduces a conceptual modeling framework for the design and development of advanced analytics systems. It illustrates the framework through a case and provides a sample methodological approach for using the framework. The paper demonstrates potential benefits of the framework for requirements elicitation, clarification, and design of analytical solutions. Secondly, the paper presents some observations and lessons learned from an application of the framework by an experienced practitioner not involved in the original development of the framework. The findings were then used to develop a set of guidelines for enhancing the understandability and effective usage of the framework.
- ZeitschriftenartikelDigitale Cloud-Plattformen als Enabler zur analytischen Nutzung von operativen Produktdaten im Maschinen- und Anlagenbau(HMD Praxis der Wirtschaftsinformatik: Vol. 53, No. 5, 2016) Dremel, Christian; Herterich, MatthiasDie digitale Überwachung von Maschinen und Anlagen bietet Maschinenherstellern neue Möglichkeiten Instandhaltungs- und Gewährleistungskosten zu reduzieren und datengetriebene Dienstleistungen anzubieten. Cloud-Technologien können hier als Enabler dienen, um zunächst in einem ‚Single Point of Truth‘ operative Daten aus Maschinen zu speichern und daraus neue Erkenntnisse zu generieren. Dies ermöglicht den Teilnehmern des Ökosystems dieser Cloud-Plattform analytische Dienstleistungen anzubieten. Hierdurch werden die Steigerung der Effizienz, die Reduzierung von Instandhaltungs- und Gewährleistungskosten sowie die potentielle Optimierung zukünftiger Produkte möglich. Auf Basis von Interviews mit Managern im Maschinen- und Anlagenbau analysiert dieser Beitrag, inwiefern eine exemplarische Cloud-Plattform die analytische Nutzung von operativen Daten aus Maschinen und Anlagen gewährleisten kann. Insbesondere werden der resultierende analytische Nutzen sowie die sich daraus ergebenden Anforderungen dargestellt. Für Manager bietet dieser Beitrag einen Überblick über analytische Nutzenpotentiale einer industriellen Cloud und inwiefern eine Teilnahme an einem derartigen Ökosystem sinnvoll ist. Aus theoretischer Perspektive soll ein tieferes Verständnis für mögliches Dienstleistungsgeschäft und damit verbundenen Anforderungen neben dem klassischen Maschinen- und Anlagenbau erreicht werden.AbstractDrawing on digitized industrial products offers original equipment manufacturers (OEMs) novel opportunities to (1) maximize product uptimes, (2) minimize operational costs for maintenance, (3) repair activities, and (4) to offer product-complementing industrial services. Cloud technologies can be leveraged as an enabler to collect operational product data in a single point of truth to derive data-driven operational decisions. This allows actors in a service ecosystem to offer data-driven analytical services, based on the capabilities of industrial cloud platforms. This results in myriad benefits such as increased efficiencies, reduced maintenance and warranty costs or potentially better products. Based on an in-depth single case study and interviews with managers in the manufacturing industry, we investigate how a digital industrial cloud platform can enable to leverage operational product data in analytical industrial services. Specifically, we identify requirements and illustrate, how these requirements are addressed by a large OEM, which is in the middle of building an industrial cloud. For practitioners, this paper provides an overview on how digital industrial cloud platforms have to be setup and leveraged in the industrial product and service business. For theory, this article serves as a first step towards identifying requirements for digital industrial cloud platforms in the context of industrial manufacturing.
- ZeitschriftenartikelDigitale Wirtschaftsprüfung – Make or Buy?(HMD Praxis der Wirtschaftsinformatik: Vol. 55, No. 2, 2018) Langhein, Johannes; Kiesow, Andreas; Strobel, Christian; Thomas, OliverDie Digitalisierung zwingt Unternehmen nahezu aller Branchen und Größenklassen dazu, Anpassungsmaßnahmen an ihren Geschäftsmodellen und den internen Prozessen vorzunehmen. Infolgedessen ergeben sich auch für Prüfungsgesellschaften neue Herausforderungen. Der Berufsstand muss sich ebenfalls verstärkt mit der Anpassung und Weiterentwicklung seiner Dienstleistungen auseinandersetzen, damit er aktuelle und künftige Anforderungen noch erfüllen kann. In diesem Zusammenhang steht dabei insbesondere die Implementierung und Ausweitung von geeigneten Datenanalysen in den Prüfungsprozessen im Fokus. Darüber hinaus werden seit der Beseitigung rechtlicher Hürden hinsichtlich des Einsatzes von Cloud-Services die hieraus entstehenden Optimierungspotenziale für die Kanzleien thematisiert. Insbesondere auf Prüfungsgesellschaften spezialisierte Cloud-Services können einen Beitrag zur Ausweitung von zuverlässigen Datenanalysen leisten und somit insgesamt die Digitalisierung im Prüfungswesen erhöhen. Gleichzeitig ist damit die Grundlage für die Umsetzung und Etablierung digitaler Geschäftsmodelle in der Wirtschaftsprüfung geschaffen. In dem vorliegenden Beitrag stellen die Autoren verschiedene Ansätze für digitale Geschäftsmodelle vor, welche entweder kanzleiinterne Lösungen oder eine Auslagerung an externe Dienstleistern vorsehen. Dabei soll insbesondere diskutiert werden, inwieweit diese Geschäftsmodelle und die mit deren Umsetzung verbundenen Änderungen der Rollenverteilungen und Zuständigkeiten im Prüfprozess, entscheidende Nutzenoptimierungen für Unternehmen und Prüfer schaffen. Ferner sollen kritische Erfolgsfaktoren identifiziert werden, welche durch digitale Geschäftsmodelle hinreichend berücksichtigt werden müssen, damit sie innerhalb der Wirtschaftsprüfung eine ernsthafte Alternative zu dem klassischen Prüfer-Mandanten Verhältnis darstellen. Digitalization is forcing companies of almost all industries and size classes to make adjustments to their business models and internal processes. As a result, new challenges for audit firms are present. The audit profession is forced to address the extent to which it must adapt and develop its services in order to meet current and future requirements. In this context, the topic of the implementation and expansion of suitable data analysis in the examination processes is particularly relevant. In addition, since the elimination of legal hurdles with regard to the use of cloud services, the resulting optimization potential for audit firms is being addressed. In particular, cloud services specializing in audit firms can contribute to the expansion of reliable data analysis in the audit process, thus increasing the overall digitalization in auditing. This also creates the basis for the implementation and establishment of digital business models in auditing. In this article, the authors present different approaches to digital business models, which provide either in-house solutions or outsourcing to external service providers. The authors discuss, in particular, to which extent these business models and the associated changes in the distribution of roles and responsibilities in the audit process create decisive benefit optimizations for companies and auditors. In addition, critical success factors are identified, which must be sufficiently taken into account by digital business models so that they represent a serious alternative to the traditional auditor-client relationship within the audit.
- ZeitschriftenartikelInnovation durch den Einsatz von Enterprise IoT-Lösungen: Ein Modell zur Bestimmung des Innovationspotenzials(HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 6, 2019) Marheine, Christian; Gruber, Lukas; Back, AndreaGetrieben durch Technologietrends wie das Internet der Dinge und günstigere Sensorik zielen Industrieunternehmen zunehmend darauf ab, aus den eigenen Daten und Analyseverfahren neue, innovative Produkte und Dienstleistungen zu schaffen. Durch den Einsatz von vernetzen Geräten und entsprechender Software entstehen häufig individuelle IoT-Lösungen mit denen sich Unternehmen im Markt differenzieren wollen. Doch wo liegen die Kernunterschiede zwischen verschiedenen IoT-Lösungen und welches Innovationspotenzial geht mit ihnen einher? Auch die Literatur gibt wenig Aufschluss über diese Frage. Basierend auf der Untersuchung 18 bereits existierender Reifegradmodelle sowie 5 Experteninterviews identifizieren wir vier Schlüsseldimensionen, (1) Datenquelle, (2) Datenziel, (3) Datenanalyse und (4) Datenbasierte Transformation, die mit ihren vier Ausprägungen das Innovationspotenzial verschiedener Enterprise IoT-Lösungen beschreiben. Auf Basis dieser Ergebnisse leiten wir ein Innovationsstufenmodell ab, das Unternehmen dabei hilft das Innovationspotenzial Ihrer IoT-Lösung zu erkennen und weitere Ausbaustufen aufzeigt. Im Anschluss demonstrieren wir die Anwendung des Modells, indem wir es zur Klassifizierung von zwei IoT-Lösungen aus Industrieunternehmen benutzen. Dabei schließen wir einerseits die konzeptionelle Lücke mit einem Modell, das Aussagen über den Einfluss von IoT auf Unternehmensinnovation macht, und bieten der Praxis ein konkretes Werkzeug, um Managementaufgaben im Zusammenhang mit der Entwicklung neuer und innovativer Produkte und Dienstleistungen zu unterstützen. Driven by trends in technology, like the Internet of Things, industrial companies seek to create new, innovative products and services based on their own data. By using connected things and data analytics companies leverage individual enterprise IoT solutions to differentiate in the market. But what characteristics define different maturity levels of IoT solutions? How do these IoT solutions open up a company’s further potential to innovate? Based on a study of 18 existing maturity models and 5 expert interviews, we identify four key dimensions of IoT solutions’ innovation stages: (1) data source, (2) data target, (3) data analysis and (4) data-based transformation. This model helps companies to determine the innovation potential of their IoT solution and to plan further innovation stages. We demonstrate the model’s utility by applying it to two industrial IoT solutions. On the one hand, we close the conceptual gap with a model that makes statements about the influence of IoT on business innovation. On the other hand, we offer a specific instrument to support management tasks in connection with the development of new and innovative products and services.