Big data im controlling gentsch kulpa-03-2016

1. Mit externen Big Data
neue Möglichkeiten
erschließen
51.700.000 Treffer bei Google, unzählige Seminare und Konferenzen sowie voll-
mundige Versprechungen von Beratern und Software-Anbietern zu Big Data, und
dennoch scheint die Lücke zwischen der Popularität des Themas und seinem tat-
sächlichen Nutzen für Unternehmen größer zu werden. Dabei gibt es eine Reihe
nachhaltiger Anwendungen, insbesondere für das Controlling.
Peter Gentsch, Andreas Kulpa
32 Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

2. Das Controlling gehört zu jenen Bereichen im Unternehmen, für die das
Thema Big Data besondere Relevanz hat. Denn Controlling beschäftigt sich
per se mit Informationen, insbesondere mit dem Ökosystem managemen-
trelevanter Informationen. Solche Informationen finden sich nicht nur in
unternehmensinternen Datenbeständen, sondern häufig auch in externen
Datenkontexten. Zudem strebt das Controlling eine durchgängige Transpa-
renz entlang der internen und externen unternehmerischen Wertschöp-
fungskette an. Auch diese Transparenz wird durch Big Data zunehmend er-
möglicht. Big Data aus externen Quellen kann aber auch als stetiger Treiber
für das permanente Hinterfragen des eigenen Geschäftsmodells dienen. Es
wird deutlich, ob selbiges digital weiterentwickelt oder gar neu erfunden
werden kann oder muss. Damit kann Big Data wichtige Impulse zur Unter-
nehmenssteuerung und zur Sicherung der Wettbewerbsfähigkeit geben. Dies
korrespondiert mit der strategischen Planung als erstem Controlling-Haupt-
prozess, der auf die Unterstützung des Managements bei der langfristigen
Existenzsicherung und Wertsteigerung des Unternehmens fokussiert (Inter-
national Group of Controlling 2011, S. 23).
Die Möglichkeiten der automatisierten Gewinnung und Analyse von In-
formationen aus externen Quellen wie Websites, Online-Unternehmensre-
gistern, Social-Media-Netzwerken, Mobile Devices wie Smartphones oder
Tablets sowie aus Ergebnissen von Suchabfragen sind für das Controlling
vielfältig. Wie diese Möglichkeiten in der Praxis genutzt werden können und
welche Best-Practice-Beispiele es bereits gibt, soll in der Folge aufgezeigt
werden.
Big-Data-Technologie für das Controlling
Das Phänomen großer Datenmengen ist nicht neu. Kunden- und Kreditkar-
ten-Sensoren am Point of Sale, die Produktidentifikation mittels Barcodes
oder RFID sowie das Ortungssystem GPS produzieren schon lange große
Datenmengen. Ebenso ist die Analyse unstrukturierter Daten, zum Beispiel
in Form von Geschäftsberichten, E-Mails, Webformular-Freitexten oder
Kundenbefragungen, häufig Bestandteil interner Analysen. Doch was ist nun
neu an den Datenmengen, die in jüngster Zeit unter der Bezeichnung „Big
Data“ so viel Aufmerksamkeit erregen? Natürlich ist die Menge an verfüg-
baren Daten durch das Internet der Dinge (Industrie 4.0), durch Mobile De-
vices und Social Media immens gestiegen. Entscheidend ist jedoch, dass
durch die zunehmende Ausrichtung von Unternehmens-IT auf den End-
kunden und die Digitalisierung der Geschäftsprozesse die Zahl der kunden-
nahen Kontaktpunkte, die sowohl zur Generierung von Daten als auch zum
systematischen Aussteuern der Kommunikation genutzt werden können,
Andreas Kulpa
ist Chief Operating Officer der Datalovers
AG.
Prof. Dr. Peter Gentsch
ist Professor für internationale Betriebs-
wirtschaftslehre, insbesondere für digitale
Transformation an der HTW Aalen.
Peter Gentsch
HTW Aalen, Aalen, Deutschland
E-Mail: peter.gentsch@hs-aalen.de
Andreas Kulpa
Datalovers AG, Mainz, Deutschland
E-Mail: andreas.kulpa@datalovers.com
„Big Data aus externen Quellen kann als steti-
ger Treiber für das permanente Hinterfragen
des eigenen Geschäftsmodells dienen.“
 Entsprechend gekennzeichnete Begriffe
finden Sie im Glossar am Ende des Beitrags.
33Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

3. gestiegen ist. Hinzu kommt die hohe Geschwindigkeit, mit
der die entsprechenden Daten erfasst, verarbeitet und genutzt
werden. Neue Data-Mining -Methoden wie Deep Lear-
ning  und Semantic Analytics  sowie Predictive Ana-
lytics  und Prescriptive Analytics  heben die analyti-
sche Wertschöpfung auf eine neue Qualitätsstufe.
Die Gewinnung und Bereitstellung von Daten erfolgen im
klassischen Controlling in der Regel durch den Zugriff auf in-
terne Datenbanken und Excel-Sheets. Für die Erhebung hoch-
volumiger Datenströme aus Online-Medien wie Websites,
Blogs und Social Networks sowie aus Offline-Medien sind
Crawling - und Parsing -Ansätze erforderlich. Sie hel-
fen, relevante Online-Informationsquellen zu identifizieren
und zu durchforsten beziehungsweise daraus systematisch
strukturierte Informationen zu gewinnen. Wer auf diese Wei-
se computerunterstützt Informationen sammeln und nutzen
möchte, sollte wie folgt vorgehen.
Strukturierte Informationen extrahieren
Der größte Teil der Daten, die heute generiert werden, sind
Textdaten, und ihre Zahl verdoppelt sich jedes Jahr. Das heißt,
dass eine wachsende Menge an wertvollen Informationen
existiert, die aufgrund ihrer Unstrukturiertheit schwer zu er-
schließen ist. Mithilfe von Information Extraction, einer Me-
thode des Text-Minings, mit der aus Texten Schlagworte, Per-
sonen, Datumsangaben, Adressen und andere konkrete Infor-
mationen extrahiert werden, kann diese Aufgabe gelöst
werden. Information Extraction ist ein fundamentaler und
unerlässlicher Schritt, wenn es um die Verarbeitung von Da-
ten aus Textdateien geht.
Daten aggregieren und klassifizieren
Häufig gibt es in Unternehmen Vorgaben, wie Daten zu struk-
turieren sind, so zum Beispiel in Workflow-Systemen, in de-
nen Dokumente in vorgegebene Kategorien eingeordnet wer-
den. Dies kann vollautomatisch durch Computer erfolgen, die
durch maschinelles Lernen „trainiert“ sind. Der Computer
lernt dabei anhand von Trainingsdokumenten, Muster und
Zusammenhänge zu erkennen. Auf dieser Basis kann er dann
neue Texte entsprechend ihren Inhalten und ihrer Struktur
den richtigen Klassen zuordnen.
Daten aufbereiten und Detailanalysen ermöglichen
In der letzten Phase geht es darum, die erhobenen Informati-
onen für das Controlling möglichst effizient und intuitiv auf-
zubereiten. Es gilt, auf einer hohen Ebene die Informationen
so zu verdichten, dass sie sich mit geringem kognitiven Auf-
wand erfassen lassen. Allerdings ist es nicht weniger wichtig,
dem Anwender jederzeit auch tiefergehende Analysen und
Einsichten zu ermöglichen, um Ursachen oder Zusammen-
hänge aufzudecken. Die auf diese Weise gewonnenen Ergeb-
nisse können über Dashboards und Such-Schnittstellen, die
die diversen Analysen übersichtlich in Datenpunkten und
Graphen darstellen, visualisiert werden. Die Suchergebnisse
lassen sich per Facettensuche  sehr effizient segmentieren
und auf diese Weise Stück um Stück in der Tiefe erschließen.
So erhält der Anwender schnell und einfach aus den Daten
das Wissen, das er für seine täglichen Arbeitsabläufe braucht.
Bewertung von Unternehmen und Märkten
Im Zeitalter der zunehmenden Digitalisierung der Wirtschaft,
in der Daten als Rohstoff und Wirtschaftsfaktor an Bedeutung
kontinuierlich zunehmen, funktionieren die klassischen An-
sätze der Erstellung eines Unternehmensprofils, beispielswei-
se über Wirtschaftsklassen, Umsatzklassen oder Mitarbeiter-
klassen, nur unzureichend. Da inner- und überbetriebliche
Unternehmensprozesse immer digitaler werden, spielen digi-
tale Daten zur Beschreibung und Erklärung von Unterneh-
men eine immer wichtigere Rolle. Zudem lassen sich rein di-
gitale Unternehmen sowie Start-up-Unternehmen nur unzu-
reichend mit klassischen Unternehmensdaten aussagekräftig
darstellen. Unternehmen lassen sich heute nicht allein per
Umsatz, Wirtschaftszweig und anderen Firmographics erfas-
sen. Unternehmenswebseiten, Präsenzen in sozialen Netzwer-
ken, der digitale Reifegrad des Unternehmens sowie die in di-
gitalen Medien wahrgenommene Leistung prägen die exter-
ne Einschätzung.
Zusammenfassung
• Externe Big Data eröffnen dem Controlling ganz neue
Möglichkeiten, besonders im Monitoring und in der
Prognose.
• Zur Nutzung von Big Data aus externen Quellen müs-
sen Controller wissen, welche technischen und ana-
lytischen Möglichkeiten sie für welche Zwecke nut-
zen können.
• Eine Reihe von Best-Practice-Beispielen zeigt, wie ex-
terne Big Data bereits erfolgreich von Unternehmen
genutzt werden.
34 Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

4. Der Big-Data-Spezialist Datalovers AG erfasst ein Unter-
nehmen beispielsweise durch folgende Profilparameter:
• Firmographics: Größe (Anzahl der Mitarbeiter und der
Standorte), Bilanz- und Vermögenskennzahlen, Bonität
Wirtschaftszweig, Lage
• Topics: Themenschwerpunkte und Schlagworte, die das
Unternehmen charakterisieren
• Business Activity: Jobangebote, Pressemitteilungen, Erwäh-
nungen in Nachrichten
• Web Technology: Web-System, Shop-System, Content-Ma-
nagement-System, …
• Web Activity: Update-Frequenz von Technologie und Web-
site, Interaktionsfrequenz, …
• Influencer Network: Verbindungen zu zentralen Meinungs-
machern und Portalen
• Social-Media-Engagement: angebotene Social-Media-Ka-
näle, Social Media Performance, Anzahl der Follower und
Fans, et cetera.
Mittels dieser Parameter konnte ein umfassender Index mit
über
• 5,2 Millionen Unternehmen,
• 70 Millionen durchsuchbaren Seiten,
• 12 Milliarden einzelnen Begriffen (Termen) im Content
erstellt werden.
All diese verschiedenen Profile ermöglichen eine vielseitige
und ausführliche Sicht auf ein Unternehmen. So erlaubt die
Erstellung von Profilen nach Themenkreisen eine detaillier-
tere, präzisere und aktuellere Charakterisierung im Vergleich
zu der groben und eher statischen Profilbildung nach Wirt-
schaftszweigen. Die Themen werden automatisch aus dem
Content der Webseiten und anderer Quellen extrahiert.
Abbildung 1 zeigt eine thematische Analyse der Unterneh-
men in Deutschland nach Umsatzstärke. Die Webseiten der
Unternehmen wurden verschlagwortet und abhängig vom
Umsatz gescored. Je größer ein Thema in dem Graphen dar-
gestellt wird, desto wichtiger ist es gemessen am Umsatz.
Abb. 1 Thematische Analyse deutscher Unternehmen nach Umsatzstärke
Quelle: eigene Darstellung
35Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

5. Aufbauend auf dieser thematischen Analyse hat das Insti-
tut der deutschen Wirtschaft gemeinsam mit der Datalovers
AG einen Operationalisierungsrahmen für die digitale Ver-
messung von Unternehmen und Märkten entwickelt. Dabei
werden online gewonnene Daten mit klassischen Unterneh-
mensdaten wie Unternehmensgröße, wirtschaftliche Perfor-
mance, Organisationstruktur et cetera verknüpft. Erst die
Verknüpfung der klassischen internen mit der externen Da-
tenwelt ergibt ein vollständiges Unternehmensbild. Dabei
werden Entwicklungen und Aktivitäten aller Unternehmen
in Deutschland anhand von Themen, Pressemeldungen, der
technischen Qualität der Webseite, deren Suchmaschinenop-
timierung (SEO ), des Traffics auf der Website und an-
hand der Social-Media-Affinität analysiert. So können auf
eine völlig neue Weise Profile von Unternehmen gezeichnet
und miteinander verglichen werden. Ein Ergebnis ist bei-
spielsweise die digitale Unternehmenslandkarte (Abbildung
2). Sie zeigt den Grad der Digitalisierung der Unternehmen
in den verschiedenen Bundesländern. Hierfür wurde der
Mittelwert des Digital-Index je Bundesland berechnet und
grafisch dargestellt. Im Vergleich schneiden die Stadtstaaten
deutlich besser ab als Flächenländer.
Monitoring und Frühwarnung
Dem Anwender im Controlling bietet Big Data die Möglich-
keit, von der üblichen Ex-post-Rationalität zunehmend weg-
zukommen und sich in Richtung eines aktiven, zukunftsori-
entierten Analyse-Paradigmas zu entwickeln. Big Data kann
dem Controller helfen, interessante, möglicherweise überra-
schende Muster und Strukturen, die sich in den Geschäftsda-
ten finden, aufzudecken. Anders als bei SQL oder OLAP-Ab-
fragen des Standard-Reportings geht es bei Predictive Ana-
lytics insbesondere um die Entdeckung früher Signale, die
aufgrund des Geschäftsalltags und fehlender Frühwarnsyste-
me sonst untergehen würden – ganz nach dem Motto: „Häu-
fig sind die wichtigsten Dinge die, von denen wir gar nicht
wissen, dass wir sie nicht wissen.“
Das Big Data Monitoring ermöglicht es darüber hinaus, in
Echtzeit Wettbewerber, Themen und Trends zu beobachten
und aktiv über Änderungen zu informieren. So können auf
Basis des Preis- und Sortiments-Crawlings Preise dynamisch
optimiert und Wettbewerbsvorteile gewonnen werden. Eben-
so können Trends in Patent-Datenbanken und wissenschaft-
lichen Veröffentlichungen automatisch erkannt und in die
Produktentwicklung und die Produktoptimierung aufgenom-
men werden. Die Trend-Erkennung ist dabei nicht auf Diens-
te wie Twitter begrenzt, sondern lässt sich auf digitale Quel-
len wie Suchmaschinen, soziale Netzwerke, Blogs, Foren oder
News-Seiten anwenden. Daraus lassen sich relevante Signale
wie die Gründung einer Firma, eine Expansion ins Ausland,
Personalwechsel oder Entwicklungen bei Wettbewerbern er-
kennen und nutzen.
Beispiele für eine erfolgreiche Nutzung von Big Data aus ex-
ternen Quellen im Controlling gibt es bereits. Zwei seien hier
vorgestellt.
Abb. 2 Digitale Unternehmens­-
l­andkarte 2015
Quelle: Datalovers AG
„Erst die Verknüpfung der klassischen in-
ternen mit der externen Datenwelt ergibt
ein vollständiges Unternehmensbild.“
36 Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

6. Marketing und Media Controlling bei Otto
Dank Big Data Tracking lassen sich die Aktivitäten eines Kun-
den über verschiedene Berührungspunkte (Touchpoints) wie
Suchmaschinen, Social Media und Online-Werbung systema-
tisch messen. Mithilfe des sogenannten Attribution Model-
lings hat das Versandhaus Otto auf Basis dieser so gewonne-
nen Daten seine Media- und Marketing-Planung optimiert.
Das Modell berechnet aus einer Vielzahl von Daten- und Zeit-
punkten den optimalen Mix an Kommunikationskanälen, in-
dem es den Wertbeitrag – die Attribution – jedes Touchpoints
automatisch ermittelt. Damit lässt sich genau sagen, an wel-
chen Touchpoints der Kunde unmittelbar zum Kauf animiert
wird, welche also eine direkte Konvertierungs-Funktion und
welche eher eine Assistenz-Funktion haben. Ebenso lassen
sich die zeitlichen Ursache-Wirkungs-Ketten ableiten. Daraus
leitet Otto systematisch Marketing-Maßnahmen und Media-
Budgets ab. Die Vielzahl an digitalen Touchpoints und Gerä-
ten sowie deren extrem variable Nutzung durch den Kunden
lassen sich nicht mehr alleine durch Erfahrung und Bauchge-
fühl optimieren. Diese empirische Erdung und Objektivie-
rung des Marketings helfen, die häufig durch den jeweiligen
Kanal geprägten Meinungen und Barrieren im Marketing zu
hinterfragen, und tragen zu einer deutlichen Steigerung sei-
ner Effektivität bei.
Echtzeit-Auswertung von Kundenmeinungen bei BSH
Um die Einschätzung von Konsumenten zu Produkten zu er-
halten, verfügt die klassische Marktforschung über ein um-
fangreiches Instrumentarium: Fokus-Gruppen, Kundenbefra-
gungen, Panels et cetera. Der wesentliche Nachteil solcher Pri-
märforschung ist der damit verbundene Aufwand. Im Internet
lassen sich hingegen Tausende von Produktbewertungen je-
derzeit automatisch analysieren – systematisch allerdings
nicht ohne Big Data. Die Bosch Siemens Hausgeräte GmbH
(BSH) managt auf Basis einer Big-Data-Infrastruktur als Soft-
ware as a Service (SaaS ) den gesamten Prozess der Gene-
rierung, Erfassung, Analyse und Nutzung von Kundenmei-
nungen. Dazu müssen Bewertungen und Rezensionen (Ra-
tingsundReviews),dieüberverschiedeneInternet-Plattformen
global verteilt sind, intelligent erfasst und integriert werden.
Mithilfe von Semantic Analytics werden die zentralen Kun-
denaussagen aus den Freitexten automatisch gewonnen. Um
tiefergehende Einblicke zu gewinnen, müssen die gewonne-
nen Erkenntnisse mit anderen Daten wie Reklamationen,
Umsatz oder Kundenzufriedenheit korreliert werden. Durch
diese automatischen Analysen können Kundenbewertungen
sowohl qualitativ als auch quantitativ untersucht und zur
nachhaltigen Umsatzsteigerung sinnvoll genutzt werden. Die
internen Auswertungen von BSH zeigen beispielsweise auf,
dass Produkte mit positiven Bewertungen einen Umsatzan-
stieg von bis zu 30 Prozent erreichen. Diese Analysen von Pro-
dukt-Ratings und Reviews werden damit gleichzeitig zum
modernen Goldschürfen und zur neuen Stiftung Warentest.
Big Data im Controlling: Was ist zu tun?
Um das Potenzial von Big Data im Controlling zu nutzen,
müssen Unternehmen keine Infrastruktur mit Petabyte-Spei-
cherkapazität aufbauen und Heerscharen von Data Scientists
anstellen. Über SaaS können entsprechende Ansätze auch von
mittelständischen Unternehmen realisiert werden. Neben die-
ser Daten- und Analytik-Thematik sind insbesondere die not-
wendigen organisatorischen und kulturellen Veränderungen
erfolgsentscheidend. Ein von Analyse und Daten getriebenes
Handeln ist in den meisten Unternehmen nicht gelernt und
wird nicht gelebt. Entsprechende Reifegrad- und Vorgehens-
modelle, wie sie beispielsweise vom SME Industriekreis unter
www.social-media-excellence.de angeboten werden, können
Unternehmen bei der notwendigen digitalen Transformation
helfen.
Handlungsempfehlungen
• Nutzen Sie über „Big Data Analytics as a Services“
auch als Mittelständler die Möglichkeiten von Big
Data im Controlling.
• Sorgen Sie auch für die notwendige organisatorische
und kulturelle Veränderung in Ihrem Unternehmen,
um Big Data erfolgreich zu nutzen.
• Nutzen Sie entsprechende Reifegrad- und Vorgehens-
modelle, um die notwendige digitale Transformation
in Ihrem Unternehmen zu bewältigen.
Kernthesen
• Externe Daten sind strukturiert einsetzbar und er-
möglichen bislang verborgene Einblicke.
• Big Data bedeutet einen Paradigmenwechsel zum da-
tengetriebenen Real Time Business.
• Die Erklärung der Analyseergebnisse wird auch in
Zeiten von Big Data die Domäne des Controllers sein.
37Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

7. Für Unternehmen bedeutet Big Data einen Paradigmen-
wechsel zum datengetriebenen Real-Time Business. Mit die-
ser Herausforderung sind aber auch die Potenziale durch Big
Data verknüpft. Gelingt es einem Unternehmen, die Daten
systematisch schnell zu erfassen, zu verarbeiten und entspre-
chende Maßnahmen umzusetzen, lässt sich – wie in den Best-
Practice-Beispielen gezeigt – Nutzen aus einer höheren Effi-
zienz, aus einer Kostenreduktion, aus Umsatzsteigerungen
und über Wettbewerbsvorteile erzielen.
Big Data kann seine Stärke in der automatischen Erfassung,
Generierung und Analyse von Daten ausspielen. Die Erklä-
rung von Ursache-Wirkungs-Beziehungen, Signalen und Auf-
fälligkeiten wird auch zukünftig die Domäne des Controllers
im Sinne der Human Intelligence sein. Angesichts der zu er-
wartenden weiteren Zunahme von Menge, Geschwindigkeit
und Relevanz der Daten werden die beschriebenen Ansätze
eine immer wichtigere Rolle für operative und strategische
Unternehmensprozesse spielen.
Für das Controlling sind in Zukunft zwei Neuerungen der
eher externen Big-Data-Perspektive wichtig: Mit der Erschlie-
ßung externer Datenquellen wie Social Media, mobiler End-
geräte oder des gesamten Internets vergrößert sich der poten-
ziell relevante Daten- und Erklärungsraum signifikant. Um
dieses Datenuniversum für die Erzielung von Wettbewerbs-
vorteilen systematisch nutzen zu können, wird die Big Data
Performance der Near- und Real-Time Analytics eine wichti-
ge Rolle spielen. „Real-Time“ ist damit zugleich Treiber und
Lösung eines zunehmend durch Big Data bestimmten Ge-
schäftes.
Weitere Empfehlungen der Verlagsredaktion aus
www.springerprofessional.de zu:
externe Big Data
Gluchowski, P./Chamoni, P. (Hrsg.) (2016): Analytische
Informationssysteme – Business Intelligence-Technologien
und -Anwendungen, 5. Auflage, Wiesbaden.
www.springerprofessional.de/link/6659196
Mehanna, W./Rabe, C. M. (2014): Big Data in der Konsumgü-
terindustrie: Kunden verstehen, Produkte entwickeln,
Marketing steuern, in: Buttkus, M./Eberenz, R. (Hrsg.):
Controlling in der Konsumgüterindustrie, Wiesbaden,
S. 69- 90.
www.springerprofessional.de/link/4298282
Glossar
Crawling: Automatisches Auslesen von Webseiten.
Data Mining: Analyse von großen Datenbeständen mittels spezifischer Algorithmen und statistischer Ver-
fahren, zum Beispiel zum Erkennen von Mustern, Strukturen und zeitlichen Entwicklungen
oder zur Zuordnung von Texten zu Klassen.
Deep-Learning: Algorithmen aus dem Bereich Machine Learning, die immer weiter und tiefer bis zum theore-
tischen Optimum analysieren. Grenzen sind in Form von Datenmaterial und verfügbarer
Rechnerzeit gesetzt.
Facettensuche: Einschränkung von Suchergebnissen auf Basis von Eigenschaften wie Datum, Branche oder
Autor, wobei . diese Eigenschaften zum Beispiel über Schlagworte teilweise automatisch er-
hoben werden.
Parsing: Zerlegen und Aufbereiten von Inhalten auf Webseiten mit dem Ziel, strukturierte Informatio-
nen aus Texten zu extrahieren.
Predictive Analytics: Disziplin des Data Minings, welche versucht, anhand bekannter Daten aus der Vergangenheit
auf zukünftige Daten zu schließen und so möglichst gute Vorhersagen zu treffen.
Prescriptive Analytics: Analyseverfahren, die Vorhersage, Entscheidungsoption und Wirkung zusammenfassen.
SaaS (Software as a Service): Software, die von einem externen Dienstleister betrieben und vom Kunden genutzt werden
kann.
Semantic Analytics: Semantische Auswertung von Texten, wobei die Bedeutung der einzelnen Begriffe bei der
Analyse einbezogen wird.
SEO (Search Engine Optimization): Optimierung von Webseiten zur Verbesserung des Rankings in den Suchergebnissen.
38 Controlling & Management Review Sonderheft 1 | 2016
Nutzung | Datenquellen

8. 1/1 Seite Anzeige