Einführung - Knowledge Discovery in Databases - page 8

eines weltweit agierenden Automobilkonzerns. Mit Hilfe der Methoden der empirischen So-
zialforschung wurde zunächst die Domäne untersucht. Das gewählte qualitative Vorgehen zur
Domänenanalyse hilft, organisatorische und managementrelevante Inhalte zu untersuchen
(Myers 1997, 2011). Dies führt dazu, dass die empirische Analyse des Änderungsmanage-
ments (vgl. Kapitel 4 der Arbeit) der interpretativen Forschung zugeordnet wird. Denn der
Zugang zur Realität wird durch soziale Konstruktionen wie Sprache, Bewusstsein, miteinan-
der geteilte Bedeutungen, Dokumente und Werkzeuge geschaffen (Klein/Myers 1999, 69;
Myers 1997). Insbesondere wenn es darum geht, die wechselseitige Beeinflussung zwischen
Kontext und Informationssystemen zu verstehen, helfen interpretative Studien diese Phäno-
mene zu erfassen (Walsham 1993, 4f., 1995, 389). Dabei werden weniger Korrelationen zwi-
schen einzelnen Variablen, sondern Ereignisse, Situationen, Prozesse und Ergebnisse einer
relativ kleinen Zahl von Fällen beschrieben, interpretiert und erklärt (Kaplan/Maxwell 1994).
Im Gegensatz zur interpretativen Forschung wird beim Positivismus angenommen, dass die
Realität objektiv gegeben ist und durch messbare Eigenschaften unabhängig von Forscher und
seiner eingesetzten Instrumente beschrieben werden kann (Myers 1997, 2011;
Orlikowski/Baroudi 1991, 5). Dies trifft für den quantitativen Teil der Arbeit zu, der den gro-
ßen Datensatz aus dem Änderungsmanagement eines Automobilherstellers analysiert (vgl.
Kapitel 5 und 6). Nach Myers (1997, 2011) wird normalerweise entweder quantitativ oder
qualitativ geforscht. Einige Forscher schlagen jedoch die Kombination von Forschungsme-
thoden in einer Forschungsarbeit vor und sprechen von in diesem Fall von Triangulation (vgl.
auch Kapitel 4.2.3). Hinsichtlich guter Beispiele verweist Myers (2011) auf Gable (1994),
Kaplan/Duchon (1988), Lee (1991), Mingers (2001) und Ragin (1987).
Bortz/Döring (2009, 371, 380) beschreiben das in dieser Arbeit angewendete Konzept des
Knowledge Discovery in Databases als Methode und Vorgehen zur explorativen quantitativen
Datenanalyse (vgl. auch Riffert/Paschon (2008, 191)). Es dient dazu, interessante Muster zu
finden und wissenschaftlich und praktisch verwertbares Wissen zu schaffen (Bortz/Döring
2009, 380). Sie unterscheiden dabei zwischen einfachen deskriptiven Analysen , der
explorativen Datenanalyse und der multivariaten Explorationstechniken . Der dabei verfolgte
Ansatz zur Untersuchung des Datensatzes ist im engeren Sinn der explorativen Statis-
tik/Datenanalyse zuzuordnen, die im Gegensatz zur deskriptiven Statistik zunächst erfor-
schend eine Thematik bearbeitet, und in einem nächsten Schritt diese auch beschreibend
umfasst (Eckle-Kohler/Kohler 2011, 31). Für einige der durchgeführten Analysen werden
ergänzend multivariate Explorationstechniken wie die Clusteranalyse, die Klassifikation usw.
herangezogen.
Als Ziel der explorativen Datenanalyse nennen Eckle-Kohler/Kohler (2011, 31) und Fahr-
meier et al. (2011, 12) die Suche nach (unbekannten) Strukturen und Besonderheiten in Da-
ten, welche andererseits oft zu neuen Fragestellungen oder Hypothesen in den
Anwendungsbereichen führen können. Diese Erweiterung macht deutlich, dass es um viel
mehr geht als um die reine Darstellung der Daten. Die Methoden werden somit bezeichnend
immer dann eingesetzt, wenn die Fragestellung nicht genau definiert ist oder auch die Wahl
von geeigneten statistischen Modellen noch nicht faktenbasiert vollzogen werden kann