Masterarbeiten

Diese Arbeit befasst sich mit der Frage, wie Compliance innerhalb eines Unternehmens verwaltet und bewertet werden kann. Effektive und effiziente IT Compliance werden definiert, mit denen ein Unternehmen regulatorischen und vertraglichen Anforderungen erfüllen kann, um auf das Sicherheitsniveau hinzuweisen und ein gewisses Vertrauen in das konforme Geschäftsumfeld gewährleisten zu können. Deswegen werden einerseits die wesentlichen Elemente und wirksamen Compliance-Funktionen identifiziert, die das Unternehmen aufweisen sollte. Andererseits wird eine IT-Compliance-Bewertungsmatrix erstellt, in der IT-Compliance-Objekte, Anforderungen und effektive Kriterien dargestellt werden. Diese Kriterien werden anhand fünf systemorientierter und funktionsorientierter Evaluationsdimensionen zugeordnet, definiert und gemessen, um sie dann im dreistufigen Effektivitätsniveau zu interpretieren, d. h. hoch, mittel und niedrig. Darüber hinaus wird im Rahmen des integrierten GRC-Ansatzes das Sicherheitsniveau entwickelt. Damit werden effektive IT-Compliance-Management, angemessenes Risikomanagement und ein internes Kontrollsystem zuverlässig kombiniert. Die Skala umfasst die zwei festgelegten Indizes "Risiko/Kontrolle" und "Effektivität, sowie drei Signalfarben (Rot, Gelb, Grün), um die Sicherheit der Geschäftsumgebung einzuordnen. Schließlich wird ein strategisches Konzept in reaktiver und proaktiver IT-Compliance vorgeschlagen, mit denen das Unternehmen die Herausforderungen im digitalen Zeitalter bewältigen kann.

Für Optimierungsprobleme mit mehreren Zielfunktion wird heuristisch eine Lösungsmenge bestimmt. Die darin enthaltenen Lösungen werden durch Trade-offs charakterisiert. Die Lösungen beherbergen jedoch auch Informationen über das zugrundeliegende Problem, welche zur Generation und Bewertung neuer Lösungen verwendet werden kann. Zur Offenlegung dieser Informationen und deren Umwandlung in nutzbares Wissen können verschiedene Data Mining-Verfahren genutzt werden. Ziel der Arbeit ist deshalb die Identifikation, Anwendung und Bewertung geeigneter Verfahren. Dazu wird zunächst ein Review der relevanten Mehrzieloptimierungsliteratur durchgeführt. Danach werden Verfahren des visuellen Data Minings, Clustering, Self-Organizing Maps, eine Assoziationsanalyse und Entscheidungsbäume im Rahmen einer Fallstudie auf Lösungen eines Mehrzieloptimierungsproblems zur strategischen Personalplanung angewendet. Anschließend erfolgt ein Vergleich der Verfahren anhand der Nützlichkeit, Gültigkeit, Neuartigkeit und Verständlichkeit ihrer Ergebnisse.

Die digitale Transformation ist heute, wie in vielen anderen Domänen, zum Taktgeber der Consultingbranche geworden. Technologische Entwicklungen sorgen für neue Möglichkeiten, Beratungsleistungen zu optimieren oder Produkte und Prozesse gänzlich neu zu gestalten. Durch neue, innovationsgetriebene Wettbewerber und veränderte Ansprüche der Kunden entsteht eine neue Marktdynamik. Um sich als Beratungsunternehmen am Markt behaupten zu können, ist es unabdingbar, die eigenen Leistungen und das eigene Geschäftsmodell kontinuierlich kritisch zu überprüfen und weiterzuentwickeln. Während die Auseinandersetzung mit der Problematik in der Praxis an Wichtigkeit gewinnt, nimmt auch im Consulting Research die Forschung zur Virtualisierung von Beratungsleistungen stetig zu. Ziel dieser Arbeit ist die Auseinandersetzung mit zwei Artefakten aus diesem Gebiet. Anhand der Design Science Research Methode werden Integrationsmöglichkeiten theoretischer Zugänge für die 'Methode zur Ermittlung des Virtualisierungspotentials von Beratungsleistungen' sowie für das 'Prozessmodell zur Virtualisierung von Beratungsleistungen' aufgezeigt. Konkret werden dazu Erkenntnisse der Process Virtualization Theorie (PVT) und der Theorie der Prozessakzeptanz (TPA) sowie anknüpfende Beiträge genutzt. Ferner fließen auch Erkenntnisse zur digitalen Transformation von Geschäftsmodellen in der Beratung ein. Der Integration vorausgehend wird ein methodischer Theorievergleich aufgestellt. Durch diesen wird festgestellt, dass kein logischer Widerspruch zwischen PVT und TPA besteht. Vielmehr wird erkannt, dass eine horizontale Integration beider Theorien möglich ist. Auf dieser Grundlage werden die Artefakte weiterentwickelt. Die weiterentwickelte Methode zur Ermittlung des Virtualisierungspotenzials wird überdies im Rahmen einer Fallstudie am Beispiel eines Softwareeinführungsprozesses einer Beratung demonstriert. Ferner wird die Methode im Rahmen von Experteninterviews evaluiert. Die Evaluation bestätigt die Funktionalität der weiterentwickelten Methode weitestgehend. Gleichzeitig zeigt sie Entwicklungspotential auf, welches in künftige Iterationen einfließen kann. Als Ergebnis zeigt die Arbeit, dass Integrationsmöglichkeiten bestehen und wie diese umgesetzt werden können. Sie birgt in diesem Sinne einen Erkenntnisgewinn für sowohl Fachwissenschaftler als auch Beratungsunternehmen in der Praxis.

Das Hauptziel dieser Arbeit ist es, geeignete Data Mining-Verfahren auszuwählen, die auf die Daten zur Personaleinsatz- und Arbeitszeitplanung angewendet werden können und nützliches Wissen für Entscheidungsträger zu entdecken. Aufgrund der Besonderheit des Datentyps im Entscheidungsraum sollten die ausgewählten Data Mining-Verfahren in der Lage sein, mit diskreten Daten umzugehen, um explizites Wissen zu generieren. Frequent Pattern Mining, Flexible Pattern Mining und Klassifikationsbaum werden gewählt, um explizites Wissen zu generieren. FPM und Flexible-PM behandeln diskrete Daten, indem sie jeden Wert in Kategorien einteilen, das generierte Wissen sind "Muster". Klassifikationsbaum kann diskrete Daten direkt verarbeiten. Das von Klassifikationsbaum generierte explizite Wissen sind "Entscheidungsregeln". Weil Klassifikationsbaum eine überwachte Methode ist, benötigt es vor der Implementierung gekennzeichnete Daten. In dieser Arbeit werden im Experiment zwei Möglichkeiten zur Zuweisung von Kennzeichen vorgestellt. (1) Verwendung der vom Entscheidungsträger bereitgestellten Präferenzinformationen. (2) Verwendung von Clustering-Methoden. Um die Fähigkeiten und Vorteile ausgewählter Data Mining-Verfahren darzustellen, werden in dieser Arbeit drei Szenarien entworfen. In diesen drei Szenarien hat der Entscheidungsträger die Präferenzinformationen von drei Niveaus. In dem entsprechenden Szenario werden geeignete Methoden gewählt, um nützliches Wissen zu generieren. Szenario 1: Die Entscheidungsträger haben eine bestimmte Präferenz für die Lösungen. Die bevorzugten Lösungen können als gekennzeichnete Lösungen behandelt werden, nach der Visualisierung auf dem Zielraum können Klassifikationsbaum, FPM, Flexible-PM eingesetzt werden. Szenario 2: Der Entscheidungsträger hat keine Präferenz für die Lösungen. Mit Hilfe des Agglomerativen Hierarchischen Clustering-Verfahrens kann ein Cluster ausgewählt und den Lösungen als Kennzeichen zugeordnet werden. Szenario 3: Die Entscheidungsträger haben nur eine kleine Anzahl von bevorzugten Lösungen. Durch den Einsatz von semi-überwachten Clustering-Verfahren kann das Wissen der Entscheidungsträger sinnvoll genutzt werden. Die Kombination aus semi-überwachtem Clustering und Klassifikationsbaum wird in dieser Arbeit neu vorgeschlagen. In dem Experiment kann beobachtet werden, dass alle gewählten Methoden in Bezug auf jedes Szenario gut wirken. Bislang können alle Forschungsfragen dieser Arbeit beantwortet werden. Die genannten Einschränkungen sind zum Teil überwunden. Es kann wie folgt zusammengefasst werden: 1. In allen 3 Szenarien wird Wissen über den Entscheidungsraum als auch über den Zielraum generiert. Variablen im Zielraum werden visualisiert, um seine Struktur zu verdeutlichen, und in Clustern zusammengefasst, um Informationen über Kennzeichen zu liefern. Explizites Wissen wird aus Variablen im Entscheidungsraum generiert. 2. Klassifikationsbaum, FPM und Flexible-PM sind in der Lage, mit allen Arten von diskreten Variablen umzugehen, kein Abstandsmaß im Entscheidungsraum. Clustering-Verfahren werden nur im Zielraum eingesetzt, wenn Entfernungsmaße verwendet werden. 3. Explizites Wissen kann in allen drei Szenarien in Form von Muster- oder Entscheidungsregeln generiert werden. 4. Die Entscheidungsträger können in allen drei Szenarien einbezogen werden. Mit der Intervention des Entscheidungsträgers werden die entstehenden Ergebnisse leichter verständlich sein. Die Leistung des Experiments zeigt auch, dass die gewählten Data Mining-Verfahren und entworfenen Szenarien nicht nur für die Daten zur Personaleinsatz- und Arbeitszeitplanung zur Verfügung stehen, sondern auch für alle MOO-Datensätze mit diskreten Variablen geeignet sind.

Der Bereich der Unternehmensberatung zählt in Deutschland zu den umsatzstärksten Brachen. Ein Teilbereich ist die IT-Beratung. Obwohl jährlich mehrere Milliarden Euro von IT-Beratern umgesetzt wird, ist der Bereich in der wissenschaftlichen Literatur noch kaum untersucht. Ziel dieser Forschungsarbeit ist es, das Beratungsverhalten der Klienten in der Praxis zu untersuchen. Auf Basis einer Analyse bestehender Modelle zur Bewertung von Unternehmensberatungen mit anderen Kernaufgaben, werden empirische Studien durchgeführt. Mit Hilfe von Experteninterviews und einer Online-Umfrage wird das momentane Bewertungsvorgehen in der Praxis untersucht. Im Vordergrund stehen hier die Fragen ob, wie und nach welchen Kriterien Klienten die Qualität erhaltener Beratungsleistungen bewerten. Zudem wird die Frage nach der Verwendung der Bewertungsergebnisse gestellt. Aus den gesammelten Daten wird im Anschluss ein Kriterienkatalog zur systematischen Bewertung von IT-Beratungsleistungen entwickelt.