1 Von Daten zu Wissen: Datenbanken ★★★
Digitale Güter müssen nicht nur geplant und gebaut, sondern auch betrieben, gepflegt und weiterentwickelt werden. Dafür braucht ein Unternehmen gut organisierte Daten. Die Grundlage dafür sind Datenbanken.
Wo dieses Thema im Lebenszyklus steht
Die Arbeit mit Informationssystemen folgt dem Kreislauf Plan – Do – Check – Act: planen, entwickeln, prüfen und dann laufend betreiben und verbessern.
| Phase | Was passiert |
|---|---|
| Plan | Informationssystem planen |
| Do | Informationssystem entwickeln |
| Check | Ergebnis prüfen |
| Act | Betrieb des Systems, laufende Nutzung und Verbesserung |
Dieses Kapitel gehört zur letzten Phase Act, also zum IS-Betrieb. Hier geht es darum, mit Daten und Wissen tatsächlich zu arbeiten.
Wissen: wird hier als „capacity to act“ verstanden, also als die Fähigkeit, sinnvoll zu handeln.
Wissen entsteht nicht aus dem Nichts. Es baut auf Informationen auf, und Informationen bauen wiederum auf Daten auf. Deshalb beginnt alles bei der sauberen Organisation von Daten.
Einfach erklärt: Ein Kaffeehaus notiert jeden Verkauf (Daten). Daraus sieht die Chefin, dass am Sonntag doppelt so viele Torten gehen (Information). Sie bestellt sonntags mehr Torten (Wissen als Fähigkeit zu handeln).
Datenbank und Datenbankmanagementsystem
Datenbank: ein zentral verwalteter Datenbestand, auf den man über anwendungsunabhängige Zugriffsverfahren zugreifen kann.
Datenbankmanagementsystem (DBMS): die Software, die diesen Datenbestand verwaltet und gleichzeitige Zugriffe durch mehrere Anwendungsprogramme und mehrere Benutzer ermöglicht.
„Anwendungsunabhängig“ heißt: Die Daten gehören nicht einem einzelnen Programm. Die Kassa, die Buchhaltung und das Lagerprogramm können alle auf denselben Bestand zugreifen.
Prüfungsfalle: Die Datenbank ist der Datenbestand selbst. Das DBMS ist die Verwaltungssoftware, die Zugriffe regelt und Mehrbenutzerbetrieb erlaubt. Wer beide gleichsetzt, liegt falsch.
Drei Hauptanforderungen an ein DBMS
Neun spezielle Anforderungen
Zusätzlich gibt es neun speziellere Anforderungen. Du solltest alle neun erkennen können.
| Anforderung | Kurz erklärt |
|---|---|
| Datenunabhängigkeit | Programme hängen nicht davon ab, wie die Daten technisch gespeichert sind |
| Benutzerfreundlichkeit | einfache, verständliche Bedienung |
| Mehrfachzugriff | viele dürfen gleichzeitig arbeiten |
| Flexibilität | neue Abfragen und Auswertungen sind leicht möglich |
| Effizienz | schnelle Abfragen, sparsamer Ressourcenverbrauch |
| Datenschutz | Schutz vor unbefugtem Zugriff und Missbrauch |
| Datensicherheit | Schutz vor Verlust oder Zerstörung |
| Datenintegrität | Daten sind korrekt und widerspruchsfrei |
| Redundanzfreiheit | jede Information nur einmal gespeichert |
Prüfungsfalle: Es gibt drei Hauptanforderungen und neun spezielle Anforderungen. Nicht vertauschen.
Datenschutz und Datensicherheit sind nicht dasselbe: Datenschutz fragt „Wer darf das sehen?“, Datensicherheit fragt „Ist das morgen noch da?“.
VertiefungWarum Redundanzfreiheit so wichtig ist
Redundanz heißt: Dieselbe Information steht mehrfach an verschiedenen Stellen.
Das klingt harmlos, führt aber zu Widersprüchen. Ändert ein Fahrradverleih die Adresse einer Kundin nur in der Rechnungsdatei, aber nicht in der Mahnungsdatei, gibt es plötzlich zwei verschiedene Adressen. Welche stimmt?
Eine zentrale Datenbank speichert die Adresse einmal. Alle Programme greifen auf dieselbe Stelle zu. So hängen Redundanzfreiheit und Datenintegrität eng zusammen: weniger Doppelungen, weniger Widersprüche.
Genau dieses Argument taucht später bei den ERP-Systemen wieder auf. Ihr großer Vorteil ist die gemeinsame, zentrale Datenbasis.
VertiefungDatenunabhängigkeit an einem Beispiel
Eine Lern-App speichert ihre Nutzerdaten zuerst auf einem alten Server und zieht später in die Cloud um.
Wenn das DBMS Datenunabhängigkeit bietet, merken die Programme davon nichts. Sie fragen weiterhin „Gib mir alle Nutzer aus Graz“ und bekommen die richtige Antwort, egal wo und wie die Daten physisch liegen.
Ohne Datenunabhängigkeit müsste man bei jeder technischen Änderung alle Programme umschreiben. Das wäre teuer und fehleranfällig.
2 Transaktionen und das ACID-Prinzip ★★★
Datenbanken werden ständig verändert: Es kommen Daten dazu, Daten werden geändert oder gelöscht. Damit dabei nichts schiefgeht, gelten strenge Regeln für jede Änderung.
Was eine Transaktion ist
Transaktion: eine Abfolge von Operationen (Anweisungen), die an einem Datenbestand eines Datenbanksystems durchgeführt wird.
Eine gültige Transaktion ist zum Beispiel ein vollständiger und fehlerfreier Befehl, der Daten hinzufügt, verändert oder löscht.
Damit Transaktionen sauber ablaufen, gilt das ACID-Prinzip. Es beschreibt vier Eigenschaften, die eine Transaktion erfüllen muss, damit sie durchgeführt werden darf.
Die vier ACID-Eigenschaften
| Buchstabe | Eigenschaft | Bedeutung |
|---|---|---|
| A | Atomarität (Atomicity) | ganz oder gar nicht |
| C | Konsistenz (Consistency) | Integritätsbedingungen erfüllt, vorher und nachher konsistenter Zustand |
| I | Isolation | gleichzeitige Transaktionen stören sich nicht |
| D | Dauerhaftigkeit (Durability) | Ergebnis geht nicht verloren |
Einfach erklärt: Du überweist 50 € von deinem Konto auf das deiner Mitbewohnerin. Atomarität: Abbuchen und Gutschreiben passieren beide oder keines. Konsistenz: Danach stimmt die Gesamtsumme. Isolation: Wenn sie zeitgleich selbst Geld überweist, kommt nichts durcheinander. Dauerhaftigkeit: Auch nach einem Stromausfall ist die Überweisung noch da.
Prüfungsfalle: „Ganz oder gar nicht“ ist Atomarität, nicht Konsistenz. Konsistenz betrifft die Einhaltung von Regeln und den widerspruchsfreien Zustand vorher und nachher.
Isolation heißt nicht, dass nur ein Benutzer arbeiten darf. Im Gegenteil: Sie ist gerade wegen des Mehrbenutzerbetriebs nötig.
Dauerhaftigkeit bezieht sich auf abgeschlossene Transaktionen, nicht auf jeden Zwischenschritt.
VertiefungWas ohne ACID passieren kann
Ein Foodtruck verkauft über eine App vorbestellte Burger. Es ist nur noch ein Burger übrig.
Das ACID-Prinzip verhindert genau diese vier Fehlerarten.
3 Data Science und Data Mining ★★★
Wenn Daten gut organisiert sind, will man sie auch nutzen. Data Science liefert die Methoden, um aus großen Datenmengen Erkenntnisse und Handlungsempfehlungen zu gewinnen.
Data Science
Data Science: die Lehre davon, durch Aufbereitung und Analyse von sehr großen, heterogenen (unterschiedlich aufgebauten) Datenbeständen Sachverhalte herauszuholen, um daraus Handlungsempfehlungen für das Management abzuleiten.
Das Ziel im Betrieb ist die Beschreibung, Diagnose und Vorhersage von bisher unbekannten Zusammenhängen, Mustern und Trends.
Data Science ist ein integrativer Ansatz: Sie beantwortet vier aufeinander aufbauende Leitfragen.
| Leitfrage | Analytics-Art | Ziel |
|---|---|---|
| Was ist passiert? | Descriptive | Belege aus vergangenen Daten sammeln |
| Warum ist es passiert? | Diagnostic | Zusammenhänge finden |
| Was wird passieren? | Predictive | künftige Ereignisse abschätzen |
| Was soll ich tun? | Prescriptive | Handlungsempfehlungen ableiten |
Einfach erklärt (Bäckerei): Descriptive: „Letzten Monat blieben 200 Semmeln übrig.“ Diagnostic: „Vor allem an Regentagen.“ Predictive: „Morgen regnet es, also werden etwa 30 übrig bleiben.“ Prescriptive: „Back morgen 30 Semmeln weniger.“
Prüfungsfalle: Die Zuordnung ist fix. Predictive fragt „Was wird passieren?“, Prescriptive fragt „Was soll ich tun?“. Die beiden werden gern vertauscht.
Diagnostic sucht das Warum (Zusammenhänge), Descriptive nur das Was (Vergangenheit beschreiben).
Data Mining
Data Mining: die softwaregestützte Suche nach bisher unbekannten Zusammenhängen, Mustern und Trends in umfangreichen Datenbeständen.
Data Mining wird als integrierter Prozess verstanden. Es sucht systematisch nach drei Dingen:
Prüfungsfalle: Data Mining bestätigt nicht bloß Bekanntes. Es geht gerade um bisher unbekannte Muster.
VertiefungBeispiele für die drei Suchrichtungen
Ein Online-Shop für Laufschuhe wertet seine Verkaufsdaten aus:
Bekannte Plattformen wie Amazon oder Netflix nutzen genau solche Muster für ihre Empfehlungen.
4 Künstliche Intelligenz und Machine Learning ★★
KI ist heute der sichtbarste Teil von Data Science. Für die Prüfung brauchst du die Begriffe sauber getrennt und eine Vorstellung davon, wie ein Sprachmodell arbeitet.
Begriffe rund um KI
Künstliche Intelligenz (KI, AI): das Bestreben, computerbasierte Systeme zu entwickeln, die sich wie Menschen verhalten. Sie können Aufgaben ausführen und menschliche Erfahrung und Entscheidungsfindung nachahmen (emulieren).
Eine zweite, gleichwertige Definition stammt vom EU-Parlament: KI ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren.
KI erreicht nicht den Umfang, die Komplexität, die Originalität und die Allgemeinheit menschlicher Intelligenz. Trotzdem spielt sie im Alltag eine wichtige Rolle.
Maschinelles Lernen (Machine Learning, ML): beschäftigt sich damit, wie Computerprogramme ihre Leistung verbessern, ohne dass eine Programmiererin oder ein Programmierer ausdrücklich eingreift.
Warum „Lernen“? Ein lernender Computer erkennt wie ein Mensch Muster in Daten und passt sein Verhalten an, und zwar auf Basis der erkannten Muster, der Erfahrungen oder des zuvor Gelernten. ML begegnet uns täglich, etwa wenn eine Suchmaschine Milliarden Webseiten in Millisekunden nach Relevanz sortiert.
| Begriff | Kurz |
|---|---|
| Generative KI | Teilgebiet der KI, das neue Inhalte erzeugt (Texte, Bilder) |
| Natural Language Processing (NLP) | Programme, mit denen Maschinen menschliche Sprache in Wort und Schrift „verstehen“ |
| Large Language Model (LLM) | leistungsstarkes KI-System, das durch aufwendiges Training an sehr vielen Texten Muster gelernt hat und Sprache verarbeiten, analysieren und selbst erzeugen kann |
Ein Chatbot wie ChatGPT ist ein Beispiel: Er versteht und erzeugt natürliche Sprache mithilfe von maschinellem Lernen und Sprachverarbeitung. Seine Grenze: Er stützt sich nur auf Daten und Trainingsbeispiele und hat keine echte menschliche Intuition oder Erfahrung. Das kann zu Fehldeutungen, fehlendem Kontextverständnis und Verzerrungen führen.
Prüfungsfalle: KI imitiert menschliche Fähigkeiten. Die Aussage „KI erreicht heute die Allgemeinheit und Originalität menschlicher Intelligenz“ ist falsch.
Beim ML verbessert sich das Programm ohne explizites Eingreifen eines Menschen. Wenn jemand jede Regel von Hand programmiert, ist das kein maschinelles Lernen.
Wie ein LLM trainiert wird
Ein LLM durchläuft grob drei Trainingsphasen:
| Phase | Was passiert | Wer liefert die „richtige Antwort“? |
|---|---|---|
| Self-Supervised Learning | KI erkennt selbständig Muster in rohen Texten, indem sie fehlende Wörter (Tokens) errät | der Text selbst |
| Supervised Fine-Tuning | KI lernt an von Menschen erstellten Beispielen (Eingabe plus gewünschte Ausgabe) | Menschen schreiben Musterlösungen |
| Reinforcement Learning from Human Feedback (RLHF) | KI bietet mehrere Antworten an, Menschen bewerten, welche klarer, hilfreicher oder sinnvoller ist | Menschen vergleichen und bewerten |
Einfach erklärt: Self-Supervised ist wie ein Lückentext, den die KI millionenfach selbst löst („Wiener Schnitzel wird traditionell aus ___fleisch gemacht“ → Kalb). Beim Fine-Tuning zeigt ein Mensch: „Auf diese Frage antwortest du so.“ Bei RLHF sagt ein Mensch: „Antwort B war besser als Antwort A.“
Prüfungsfalle: Beim Self-Supervised Learning gibt es keine von Menschen erstellten Lösungen. Menschliche Beispiele kommen erst beim Supervised Fine-Tuning, menschliche Bewertungen erst bei RLHF.
Tokens
Tokenisierung: Ein Text wird in kleine, atomare Einheiten zerlegt, die Tokens.
Ein Token ist typischerweise ein Wort, ein Wortteil oder ein Zeichen (auch Satzzeichen zählen). Ein Satz hat deshalb meist mehr Tokens als Wörter.
Rechenbeispiel Tokens zählen
Der Satz „Der Fahrradverleih öffnet morgen.“ könnte so zerlegt werden:
Der | Fahrrad | verleih | öffnet | morgen | .
Ergebnis: 6 Tokens bei nur 4 Wörtern. Wie genau zerlegt wird, hängt vom jeweiligen Modell ab.
Prüfungsfalle: Token ist nicht gleich Wort. Lange oder seltene Wörter werden oft in mehrere Tokens zerlegt, Satzzeichen sind eigene Tokens.
5 Wie ein LLM antwortet, Prompts und Grenzen ★★
Ein LLM „weiß“ nichts im menschlichen Sinn. Es rechnet aus, welches Wort am wahrscheinlichsten als Nächstes kommt. Daraus ergeben sich seine Stärken und seine Schwächen.
Vom Prompt zur Antwort in fünf Schritten
Prüfungsfalle: Das Modell findet nur Muster, die früher gelernten Mustern ähneln. Ein echtes Verständnis der Inhalte ist nicht vorhanden.
Es wird eines der wahrscheinlichsten Tokens gewählt, nicht ein fest „richtiges“. Daher kann dieselbe Frage unterschiedliche Antworten liefern.
Prompts und Prompt Engineering
Prompt: die Anweisung der Benutzerin oder des Benutzers an die KI.
Prompt Engineering: der Entwurf und die Optimierung von Anweisungen, um ein möglichst gutes Ergebnis zu bekommen.
Ein Prompt kann unter anderem aus drei Elementen bestehen:
So gestaltest du einen guten Prompt:
Einfach erklärt: Schlecht: „Schreib was über unser Café.“ Besser: „Du schreibst für die Website eines kleinen Wiener Kaffeehauses (Kontext). Formuliere einen Willkommenstext (Instruktion) mit höchstens 60 Wörtern, freundlich und auf Österreichisch (Outputindikator).“
Herausforderungen
Halluzination: Das Modell gleicht Nichtwissen durch frei erfundene, oft vernünftig klingende Aussagen aus.
Weitere Probleme entstehen, weil Modelle mit Material trainiert werden, das Menschen direkt oder indirekt geschaffen haben:
EU AI Act: EU-Regeln für den Umgang mit diesen Risiken. Zwei zentrale Punkte:
Prüfungsfalle: Halluzinationen entstehen vor allem bei fehlenden verlässlichen Daten, nicht bei häufig behandelten Standardthemen. Und: Eine Antwort, die plausibel klingt, ist deshalb noch lange nicht richtig.
Wofür LLMs im Betrieb taugen
Sinnvoll sind LLMs vor allem dort, wo viel Text verarbeitet wird und sich Aufgaben wiederholen:
Prüfungsfalle: LLMs liefern bei solchen Aufgaben Entwürfe. Wegen Halluzinationen bleibt eine menschliche Kontrolle sinnvoll, besonders bei Verträgen und Fakten.
6 ERP-Systeme ★★★
Jetzt geht es um die großen betrieblichen Informationssysteme. Das ERP-System ist das Rückgrat des täglichen Geschäfts: Es verbindet alle Abteilungen über eine gemeinsame Datenbasis.
Definition
Enterprise-Resource-Planning-System (ERP): eine aus mehreren Komponenten bestehende integrierte betriebliche Anwendungssoftware, die die operativen Prozesse in allen wesentlichen betrieblichen Funktionsbereichen unterstützt.
Getragen wird die Integration von einer zentralen Datenbank. Dadurch werden Datenredundanzen vermieden und integrierte Geschäftsprozesse möglich.
Wichtige Merkmale:
Einfach erklärt: Eine Bäckereikette mit ERP: Die Filiale bucht einen Großauftrag. Sofort sieht die Produktion, wie viel Mehl nötig ist, der Einkauf bestellt nach, und die Buchhaltung kennt den Umsatz. Alle arbeiten mit denselben Daten statt mit eigenen Excel-Listen.
Prüfungsfalle: ERP-Systeme unterstützen operative, vor allem innerbetriebliche Prozesse. Sie sind nicht in erster Linie Werkzeuge für Management-Analysen (das sind MIS, DSS, BI, BA).
Die Integration beruht auf einer zentralen Datenbank, nicht auf vielen getrennten Abteilungsdatenbanken.
Typische Komponenten
Ein ERP-Komplettpaket deckt die wesentlichen Funktionsbereiche ab, etwa:
Dazu kommen optionale Funktionen, die man je nach Bedarf ergänzt.
Große und kleine Betriebe
| Zielgruppe | Typisches ERP-Angebot |
|---|---|
| Großbetriebe | branchenneutrale Komplettpakete, möglichst vollständige Abdeckung aller Funktionen mit vielen Möglichkeiten |
| Klein- und Mittelbetriebe | übersichtlich und kostengünstig, nur die wesentlichen Teilbereiche, daher weniger umfangreich und billiger |
Viele Unternehmen setzen integrierte Standardsoftware nur in Kernbereichen ein, typischerweise Finanzbuchhaltung, Materialwirtschaft und Personalwirtschaft.
In marktnahen Bereichen und überall dort, wo sie sich strategische Wettbewerbsvorteile erhoffen, verwenden Unternehmen besser individuell entwickelte Systeme.
Prüfungsfalle: Standardsoftware ist nicht überall die beste Wahl. Wo man sich von der Konkurrenz abheben will, ist Individualsoftware besser, denn Standardsoftware hat ja jeder.
Vorteile von ERP-Systemen
Prüfungsfalle: Die Verbesserung von Prozessen ist ein Vorteil schon während der Einführung, nicht erst im laufenden Betrieb. Und: Ein ERP passt sich nicht nur dem Unternehmen an, oft passt sich auch das Unternehmen dem ERP an.
VertiefungWarum Unternehmen ihre Prozesse an das ERP anpassen
Standardsoftware bildet bewährte Abläufe ab, die bei vielen Unternehmen funktionieren. Bei der Einführung stellt man fest: „Unser Ablauf für Reklamationen hat fünf unnötige Schritte, das Paket schafft es in zwei.“
Dann ist es oft klüger, den eigenen Prozess zu ändern, statt die Software teuer umzubauen. So wird die Einführung selbst zur Gelegenheit, das Unternehmen besser zu organisieren.
Umgekehrt bleibt dort, wo der eigene Ablauf ein Wettbewerbsvorteil ist, eine Eigenentwicklung sinnvoll. Ein Fahrradverleih mit einem einzigartigen App-Buchungssystem wird gerade das nicht durch Standardsoftware ersetzen.
7 MIS, DSS, BI und BA ★★★
ERP-Systeme erzeugen riesige Mengen an Daten über das Tagesgeschäft. Führungskräfte brauchen daraus aufbereitete Informationen für Entscheidungen. Dafür gibt es die Managementinformationssysteme und ihre drei Bereiche.
Managementinformationssystem (MIS)
Managementinformationssystem (MIS): ein rechnergestütztes Informationssystem, das Führungskräften eine adäquate Informationsversorgung und Entscheidungsunterstützung bietet.
„Adäquat“ hat zwei Seiten:
MIS spielen eine wesentliche Rolle bei der Vorbereitung betrieblicher Entscheidungen durch das Management.
Die drei Bereiche des MIS
Das MIS ist der Oberbegriff. Darunter liegen drei Bereiche:
| Bereich | Schwerpunkt |
|---|---|
| Decision Support System (DSS) | Methoden und Modelle für Prognosen, Optimierungen, Simulationen |
| Business Intelligence (BI) | Datenquellen integrieren, auswerten, Berichte bereitstellen |
| Business Analytics (BA) | auf spezielle Managementaufgaben zugeschnitten |
Prüfungsfalle: DSS, BI und BA sind Teilbereiche des MIS, keine Gegenstücke dazu. Und das ERP ist kein Teilbereich des MIS, sondern das operative System, aus dem viele Daten stammen.
Decision Support System (DSS)
Decision Support System (DSS), deutsch Entscheidungsunterstützungssystem (EUS): hilft bei der Entscheidungsvorbereitung für eng abgegrenzte Aufgabenstellungen. Schwerpunkt ist die Untersuchung möglicher Handlungsalternativen.
Einfach erklärt: Der Fahrradverleih überlegt: „Wenn wir den Tagespreis von 15 € auf 18 € anheben, wie viele Buchungen verlieren wir?“ Das DSS spielt diese „Was-wäre-wenn“-Frage mit den bisherigen Buchungsdaten durch.
MIS oder DSS?
| MIS | DSS | |
|---|---|---|
| Ausrichtung | auf die Funktion „Management“ allgemein | auf ein bestimmtes Entscheidungsproblem |
| Umfang | ein System oder eine Zusammenfassung mehrerer Systeme | eine konkrete Aufgabe |
Prüfungsfalle: Das DSS ist immer auf ein konkretes Entscheidungsproblem ausgerichtet. Das MIS ist allgemein für das Management gedacht. Eine Aussage wie „Ein MIS ist auf ein einzelnes Entscheidungsproblem zugeschnitten“ ist falsch.
Business Intelligence (BI)
Business Intelligence: Anwendungen und Techniken, die Daten aus vielen verschiedenen Quellen sammeln, speichern, analysieren und zugänglich machen, damit Benutzer bessere Entscheidungen treffen.
Business Analytics (BA)
Business Analytics: integrierte Lösungen zur Unterstützung spezifischer betrieblicher Entscheidungsprozesse auf operativer und taktischer Ebene. Die für das Entscheidungsfeld nötigen Methoden bzw. Modelle, Daten und Datenquellen sind zu Modulen gekapselt (fertig gebündelt).
BI oder BA?
| Business Intelligence | Business Analytics | |
|---|---|---|
| Analyseart | vor allem grundlegende deskriptive Analysen | fortgeschrittene Analyseverfahren |
| Zweck | beschreiben und verstehen | vorhersagen und optimieren |
Man kann sich das als Treppe der analytischen Fähigkeiten vorstellen: beschreiben → verstehen → verbessern → vorhersagen → optimieren. BI deckt die unteren Stufen ab, BA die oberen.
Einfach erklärt: BI zeigt der Bäckereikette auf einem Dashboard: „So viel Umsatz hatte jede Filiale letzte Woche.“ BA rechnet aus: „So viel wird jede Filiale nächste Woche verkaufen, und so solltest du die Lieferungen verteilen.“
Prüfungsfalle: BI = vor allem deskriptiv (Vergangenheit beschreiben und verstehen). BA = Vorhersage und Optimierung. Wer BI „Optimierung“ als Hauptzweck zuschreibt, liegt falsch.
BA wirkt auf operativer und taktischer Ebene, nicht vorrangig auf der strategischen.
BI-Systeme sind individuell an ein Unternehmen angepasst, während ERP-Systeme meist Standardsoftware sind.
VertiefungWie die Analytics-Stufen und die Systeme zusammenpassen
Die vier Leitfragen aus der Data Science lassen sich gut auf BI und BA legen:
| Leitfrage | Analytics-Art | eher … |
|---|---|---|
| Was ist passiert? | Descriptive | BI |
| Warum ist es passiert? | Diagnostic | BI (verstehen) |
| Was wird passieren? | Predictive | BA |
| Was soll ich tun? | Prescriptive | BA (optimieren) |
Das DSS passt dazu, weil es mit Modellen konkrete Handlungsalternativen durchrechnet, also ebenfalls in Richtung Prognose, Optimierung und Simulation geht. Der Unterschied: Das DSS ist auf ein eng abgegrenztes Problem zugeschnitten, BA auf spezifische Entscheidungsprozesse mit fertigen Modulen.
Die Grenzen sind fließend. Für die Prüfung zählt die typische Zuordnung, nicht jeder Sonderfall.
VertiefungDer Weg der Daten durch die Systeme
So schließt sich der Kreis von Daten über Information zu Wissen als Fähigkeit zu handeln.
8 Blockchain ★★★
Zum Schluss eine besondere Form der Datenbank: die Blockchain. Sie ist interessant, wenn viele Beteiligte zusammenarbeiten müssen, die einander nicht automatisch vertrauen.
Was eine Blockchain ist
Die Blockchain ist eine Datenbank, und zwar eine besondere Art davon. Man kann es sich als Ineinander-Schachtelung vorstellen:
Centralized Ledger vs. Distributed Ledger:
| Centralized Ledger | Distributed Ledger | |
|---|---|---|
| Wo liegen die Daten? | an einer zentralen Stelle | verteilt, viele haben eine Kopie |
| Wer kontrolliert? | eine zentrale Instanz | das Netzwerk gemeinsam |
Eigenschaften der Blockchain:
Prüfungsfalle: Blockchain und Kryptowährung sind nicht dasselbe. Die Blockchain ist eine Datenbank-Technologie; Kryptowährungen waren nur ihr ursprünglicher Anwendungsfall.
Jede Blockchain ist ein Distributed Ledger, aber nicht jeder Distributed Ledger ist eine Blockchain.
Aufbau: eine Kette aus Blöcken
Blockchain: eine Kette von Datenblöcken, die Transaktionen enthalten.
Kurzformel: Block = Transaktionen + Hashwert des vorherigen Blocks + Metadaten
Jeder Block hat drei Hauptbestandteile:
Die Blöcke sind linear miteinander verbunden. So entsteht eine Kette, daher der Name.
Kryptografische Hash-Funktion: ein Verfahren, das für eine beliebig lange Zeichenfolge einen eindeutigen Hashwert berechnet. Damit lässt sich sicherstellen, dass die Zeichenfolge unverändert vorliegt.
Einfach erklärt: Der Hash ist wie ein digitaler Fingerabdruck. Ändert man im Text auch nur einen Buchstaben, sieht der Fingerabdruck völlig anders aus. Weil jeder Block den Fingerabdruck seines Vorgängers trägt, fällt jede nachträgliche Änderung sofort auf.
VertiefungWarum die Kette fälschungssicher ist
Angenommen, jemand ändert in Block 2 nachträglich eine Transaktion („Lieferung am 3. statt am 5. März“).
Deshalb gilt die Blockchain als unveränderliches Protokoll: Eine Änderung ist nicht unmöglich zu versuchen, aber praktisch nicht unbemerkt durchzusetzen.
Das Peer-to-Peer-Netzwerk
Die Blockchain läuft über ein dezentrales Peer-to-Peer-Netzwerk (P2P), also ein Netz aus gleichberechtigten, autonomen Teilnehmern (Knoten).
Aufgaben eines Knotens:
Prüfungsfalle: Knoten leiten nur verifizierte Transaktionen weiter, nicht einfach alles, was sie empfangen. Und nicht ein zentraler Server, sondern jeder Knoten hat eine eigene Kopie.
Blockchain in Lieferketten (Supply Chain Management)
In Lieferketten arbeiten viele Unternehmen zusammen: Rohstofflieferant, Hersteller, Spediteur, Händler. Unternehmen müssen außerdem zunehmend nachweisen, dass sie ihre Sorgfaltspflicht (etwa bei Nachhaltigkeit und Menschenrechten) einhalten.
Warum Blockchain hier passt:
| Problem | Was die Blockchain leisten soll |
|---|---|
| viele unabhängige Akteure | Zusammenarbeit ermöglichen, Vertrauen schaffen |
| komplexe Prozesse | Aufzeichnungen nur für direkt Beteiligte verfügbar machen, mangelnder Transparenz entgegenwirken |
| zentrale Plattformen | vermeiden, um zusätzliche Abhängigkeiten zu verringern |
Anwendungen in Lieferketten:
Einfach erklärt: Eine Rösterei kauft Bio-Kaffee aus Äthiopien. Bauer, Genossenschaft, Reederei und Rösterei tragen jeden Schritt in die Blockchain ein. Die Kundin scannt im Supermarkt einen Code und sieht, woher die Bohnen kommen. Keiner der Beteiligten kann die Einträge später heimlich schönen.
Prüfungsfalle: Ein Motiv ist gerade, zentrale Plattformen zu vermeiden, weil sie zusätzliche Abhängigkeiten schaffen. Die Aussage „Blockchain in Lieferketten soll eine zentrale Plattform eines Anbieters stärken“ ist falsch.
Transparenz heißt hier nicht, dass jeder alles sieht: Aufzeichnungen sollen für die direkt Beteiligten verfügbar sein.
VertiefungBlockchain im Vergleich zur klassischen Datenbank
| klassische Datenbank mit DBMS | Blockchain | |
|---|---|---|
| Verwaltung | zentral | dezentral (P2P) |
| Vertrauen | in den Betreiber | durch Kryptografie und Konsens |
| Änderungen | erlaubt (Daten ändern, löschen) | nur Anhängen neuer Blöcke, Bestehendes bleibt |
Beide sind Datenbanken. Eine klassische Datenbank ist ideal, wenn ein Unternehmen die Daten verwaltet und alle ihm vertrauen, etwa beim ERP. Eine Blockchain lohnt sich vor allem dann, wenn viele unabhängige Parteien gemeinsame Daten führen und keine zentrale Stelle haben wollen.
Checkliste: Das musst du können
Dieses Kapitel ist im STEOP-Pass enthalten.
Mit dem Pass bekommst du alle Zusammenfassungen, alle Übungsfragen, unbegrenzte Probeklausuren, den Lernplan, Lernkarten und Telegram-Support – einmalig 39,99 € 79,98 €, kein Abo.