Die Einsatzbereiche von Dashboards im betriebswirtschaftlichen und pädagogischen Kontext Masterarbeit - unipub
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Tatjana Puntigam, BA
Die Einsatzbereiche von Dashboards im
betriebswirtschaftlichen und pädagogischen
Kontext
Masterarbeit
zur Erlangung des akademischen Grades
eines Master of Science
der Studienrichtung Wirtschaftspädagogik
an der Karl-Franzens-Universität Graz
Betreuerin: Univ.-Prof. Mag. Dr. Michaela Stock
Institut: Institut für Wirtschaftspädagogik
Graz, Juli 2021
Inhaltsverzeichnis
1 Einleitung......................................................................................................... 1
1.1 Problemstellung und Forschungsfrage .................................................... 1
1.2 Zielsetzung und Methode ........................................................................ 3
1.3 Disposition .............................................................................................. 4
2 Theoretischer Hintergrund ............................................................................ 5
2.1 Begriffserklärung Dashboard und historische Entwicklung ................... 5
2.2 Einteilung von Dashboards im betriebswirtschaftlichen Kontext ........... 9
2.3 Einteilung von Dashboards im pädagogischen Kontext ....................... 12
2.3.1 Descriptive – predictive – prescriptive Dashboards .................. 13
2.3.2 Funktionale Einteilung .............................................................. 16
2.3.3 Teachers only – teachers and students – students only ............. 18
3 Einsatzbereiche von Dashboards im betriebswirtschaftlichen Kontext .. 20
3.1 Eine frühe Form des Dashboards – die Balanced Scorecard ................ 21
3.2 Executive Dashboard............................................................................. 26
3.3 Performance Dashboard ........................................................................ 30
3.4 Marketing Dashboard ............................................................................ 33
3.5 Stakeholder Dashboard ......................................................................... 37
4 Einsatzbereiche von Dashboards im pädagogischen Kontext .................. 43
4.1 Pflichtschule .......................................................................................... 44
4.1.1 Primarstufe ................................................................................ 44
4.1.2 Sekundarstufe 1 ......................................................................... 50
4.2 Sekundarstufe 2 ..................................................................................... 53
4.3 Tertiärer Bereich ................................................................................... 57
5 Implikationen für die Wirtschaftspädagogik ............................................. 63
5.1 Handlungsfeld Schule ........................................................................... 63
5.1.1 Betriebswirtschaft ...................................................................... 64
I
5.1.2 Unternehmensrechnung und Wirtschaftsinformatik.................. 65
5.1.3 Übungsfirma .............................................................................. 67
5.2 Handlungsfeld Wirtschaft ..................................................................... 68
5.3 Handlungsfeld Erwachsenenbildung und Forschung ............................ 70
6 Fazit ................................................................................................................ 74
Literaturverzeichnis ............................................................................................ 79
II
Abbildungsverzeichnis
Abbildung 1: Drei Stufen in der Einführung von Big Data ..................................... 8
Abbildung 2: Übersicht DBs im betriebswirtschaftlichen Bereich ....................... 10
Abbildung 3: Drei Formen zur Datenanalyse von Bildungseinrichtungen............ 15
Abbildung 4: Die vier Perspektiven der BSC ........................................................ 22
Abbildung 5: Mögliche Darstellung eines Executive DBs .................................... 28
Abbildung 6: Das Stakeholder Dashboard............................................................. 41
Abbildung 7: Einmaleins-Trainer – Lernendensicht eigene Leistungen ............... 46
Abbildung 8: Einmaleins-Trainer – Leistungen aus Lehrendensicht .................... 46
Abbildung 9: IDeRBlog – Grafische Fehleranalyse für Lehrpersonen ................. 49
Abbildung 10: Mathe-Multi-Trainer – Eingabeoberfläche .................................... 51
Abbildung 11: Mathe-Multi-Trainer – Ansicht für Lehrperson ............................ 52
Abbildung 12: IXL Learning – Auszeichnungen .................................................. 54
Abbildung 13: IXL Learning – Auswertung für Lehrende .................................... 55
Abbildung 14: Khan Academy – Zusammenfassung Abschlusstest für Lernende 57
Abbildung 15: StepUp! – Profilansicht ................................................................. 59
Abbildung 16: LDB einer bzw. eines Biologie-Studierenden ............................... 60
Abbildung 17: Übersicht Implikationen für die Wirtschaftspädagogik................. 73
Tabellenverzeichnis
Tabelle 1: Zielgruppen und Ziele von LDBs ......................................................... 19
Tabelle 2: Beispiel Kennzahlen für Abteilung und Art des DBs ........................... 32
Tabelle 3: Übersicht Learning Dashboards ........................................................... 62
III
Abkürzungsverzeichnis
BI Business Intelligence
BL Blended Learning
BPM Business Performance Management
BSC Balanced Scorecard
DB Dashboard
EDM Educational Data Mining
KPI Key Performance Indicator
LA Learning Analytics
LAD Learning Analytics Dashboard
LDB Learning Dashboard
LMS Learning Management System
BHS Berufsbildende höhere Schule
BMHS Berufsbildende mittlere und höhere Schulen
BMS Berufsbildende mittlere Schue
ROI Return on Investment
ROMI Return on Marketing Investment
TU Technische Universität
IV
1 Einleitung
Der Einsatz von Dashboards (DB) findet breit gefächert statt und wird u. a. im Gesundheitsbe-
reich eingesetzt, z. B. für die Organisation von Krankenbetten in Spitälern oder für die Organi-
sation in der Entwicklung von Produkten. In Unternehmen werden mit Hilfe von DBs außerdem
z. B. Verkaufszahlen und Leistungen von Mitarbeiterinnen bzw. Mitarbeitern visualisiert und
über die Zeit hinweg dargestellt.1
1.1 Problemstellung und Forschungsfrage
Bekannt als Vorrichtungen in Autos haben Organisationen mit der Zeit versucht, das Prinzip
von DBs zu übernehmen.2 DBs werden in den unterschiedlichsten Bereichen verwendet, wes-
halb nachfolgend auszugsweise Beispiele angeführt werden, um die Bandbreite der Anwen-
dungsfälle zu erläutern:
Bei sogenannten Clinical DBs handelt es sich um Dashboards im Gesundheitsbereich,
u. a. bei der Behandlung von Suchtmittelmissbrauch3 oder aktuell z. B. unterschiedliche
Dashboards über COVID-19.4
Das European Statistical Recovery Dashboard soll mithilfe von relevanten Indikatoren
die Erholung der Gesellschaft und Wirtschaft von den Folgen des Corona-Virus darstel-
len.5
Mithilfe sogenannter City DBs werden relevante Daten der jeweiligen Stadt für unter-
schiedliche Zielgruppen präsentiert.6 Beim City DB von London ist es z.B. möglich, auf
mehrere Verkehrskameras zuzugreifen oder zu prüfen, wie viele Fahrräder aktuell ver-
fügbar sind.7
Wie sich bereits dieser kleinen Auflistung entnehmen lässt, sind die Einsatzbereiche von unter-
schiedlichen DBs äußerst vielfältig. In dieser Masterarbeit die Verwendung von DBs aus allen
relevanten Bereichen zu behandeln, würde deren Rahmen sprengen. Da es sich bei der
1
Vgl. Muntean/Sabau/Bologa/Surcel/Florea (2010), 206.
2
Vgl. Eckerson (2010), 5.
3
Vgl. Patterson Silver Wolf/BlackDeer/Beeler-Stinn/Zheng/Stazrad (2021), 205-211.
4
Vgl. Land Salzburg (2021) und Österreichische Agentur für Gesundheit und Ernährungssicherheit (2021).
5
Vgl. Eurosat (2021).
6
Vgl. Young/Kitchin/Naji (2021), 289-290 und Balletto/Borruso/Donato (2018), 654.
7
Vgl. UCL Centre for Advanced Spatial Analysis (2021).
1
vorliegenden Arbeit um eine Masterarbeit im Bereich der Wirtschaftspädagogik handelt, fokus-
siert sich diese Arbeit auf die Anwendung von DBs im betriebswirtschaftlichen und im päda-
gogischen Kontext.
Durch den richtigen Einsatz von DBs in Unternehmen werden den entsprechenden Nutzerinnen
und Nutzern für sie relevante Informationen geliefert, damit richtige Entscheidungen gefällt
werden können. Laut Eckerson gab fast die Hälfte von knapp 500 befragten Unternehmen an,
das dort eingesetzte Performance DB hätte einen sehr hohen oder hohen positiven Einfluss auf
deren unternehmerische Ergebnisse.8
In zahlreichen Lehr-Lern-Settings kommen bereits seit längerer Zeit vermehrt sogenannte Lern-
Management-Systeme (LMS) zum Einsatz. Durch unterschiedliche Aktivitäten der Lernenden
werden auf diesen LMS beträchtliche Mengen an Daten generiert und gesammelt, die genutzt
werden können, um die Lernenden beim Lernprozess zu unterstützen.9 Learning Analytics (LA)
soll mithilfe dieser Daten Lernangebote verbessern und Feedback für relevante Personengrup-
pen geben.10 Ebner et al. schlagen sieben Bedingungen vor, die für den erfolgreichen Einsatz
von LA erfüllt sein müssen. Eine davon nennen sie visuelles Feedback, wobei jede Abbildung
leicht zu interpretieren sein müsse, um deren Verständlichkeit zu gewährleisten. Diese Grafiken
übermitteln relevante Informationen für Lernende, Lehrende und für die Forschung.11 In der
Literatur finden sich diesbezüglich die Bezeichnungen Learning Analytics Dashboard (LAD).12
Unter diesem Begriff verstehen Park und Jo eine Möglichkeit der Veranschaulichung, wie mit
Hilfe von Logfiles, die Studierende auf LMS erzeugen, deren Verhaltensmuster auf einen Blick
visualisiert werden können.13Ebenso wird der Begriff Learning Dashboard in der Literatur ge-
funden.14 Dieser wird in dieser Arbeit im Weiteren verwendet.
Die meisten Studien um LA sind im hochschulischen Bereich zu finden.15 Aber auch für die
Grundschule gibt es bereits erste Studien in diesem Forschungsfeld. Dort stellt z.B. das Erlernen
8
Vgl. Eckerson (2010), 4-8.
9
Vgl. Sin/Muthu (2015), 1035.
10
Vgl. Mayer/Ramsteck/Hoffmann (2017), 728.
11
Vgl. Ebner/Taraghi/Saranti (2015), 2.
12
Vgl. Park/Jo (2015), 110; Jivet/Scheffel/Specht/Drachsler (2018), 31; Valle/Antonenko/Valle/Sommer/Hug-
gins-Manley/Dawson/Kim/Baiser (2021), 1; Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014),
1500 und Kim/Jo/Park (2016), 13.
13
Vgl. Park/Jo (2015), 110.
14
Vgl. Jivet/Scheffel/Specht/Drachsler (2018), 31; Kokoç/Altun (2021), 161 und Verbert/Govaerts/Duval/San-
tos/Assche/Parra/Klerkx (2014), 1499.
15
Vgl. Maier/Ramsteck/Hoffmann (2017), 731.
2
des Einmaleins für manche Schülerinnen und Schüler ein grundlegendes Problem dar, welches
auch auf aufbauende mathematische Operationen Auswirkungen hat.16 Da immer mehr Ler-
nende Zugang zu Smartphones und anderen digitalen Medien haben17 und Geräte mit ständiger
Internetverbindung in das Leben von Schülerinnen und Schülern integriert sind, macht es
durchaus Sinn, LA bereits in diesem Alter zum Einsatz zu bringen.18
Auf Basis dieser Problemstellung bzw. der Relevanz von DBs soll in dieser Arbeit die folgende
Forschungsfrage beantwortet werden:
Welche Dashboards kommen im betriebswirtschaftlichen und im pädagogischen Kontext zum
Einsatz und welche Implikationen ergeben sich daraus für die Wirtschaftspädagogik?
1.2 Zielsetzung und Methode
Ziel dieser Masterarbeit ist es, mittels umfassender Literaturanalyse zu untersuchen, in welchen
Bereichen Dashboards im betriebswirtschaftlichen und im pädagogischen Kontext eingesetzt
werden und aus welchen Gründen dies geschieht. Darüber hinaus sollen daraus Handlungsemp-
fehlungen für die Wirtschaftspädagogik abgeleitet werden.
Um diese Zielsetzung zu erreichen, wird im Zuge der vorliegenden Masterarbeit eine umfas-
sende Literaturrecherche betrieben, für die relevante Publikationen aus frei zugänglichen Lite-
raturdatenbanken der Universität Graz, Online-Datenbanken und Fachzeitschriften herangezo-
gen werden. Um die Einsatzbereiche von DBs im betriebswirtschaftlichen Kontext zu untersu-
chen, werden insbesondere Beiträge aus Fachbüchern und Sammelbänden und Artikel aus
Fachzeitschriften, sowie Studien bzw. Fallstudien untersucht. Analog dazu wird für die Be-
trachtung des Bereiches LA und jener der DBs im pädagogischen Kontext für die einzelnen
Bildungseinrichtungen vorgegangen. Zusätzlich werden Bildungsangebote und Lehrpläne bil-
dungsrelevanter Institutionen für die Erstellung dieser Masterarbeit analysiert.
Nicht in dieser Masterarbeit behandelt wird der Einsatz von DBs in anderen als in wirtschaftli-
chen oder pädagogischen Bereichen. Es wäre in deren Rahmen nicht möglich, alle Einsatzbe-
reiche von DBs abzudecken. Des Weiteren wird nicht näher auf die ethische und rechtliche
Betrachtungsweise dieses Themas eingegangen.
16
Vgl. Ebner/Schön (2013), 14-15.
17
Vgl. Ebner/Nagler/Schön (2012), 346.
18
Vgl. Ebner/Ebner (2018), 1.
3
1.3 Disposition
Einleitend wurden in dieser Masterarbeit der Problemaufriss und die Relevanz des Themas dar-
gelegt. Danach wurde die Forschungsfrage, die daraus abgeleitete Zielsetzung und die Vorge-
hensweise dieser Arbeit vorgestellt. Im darauffolgenden Kapitel 2 wird zuerst dargestellt, wo-
rum es sich bei einem DB handelt bzw. eine Erklärung des Begriffes vorgenommen. Nach der
historischen Entwicklung wird näher darauf eingegangen, wie die Einteilung von DBs im be-
triebswirtschaftlichen Kontext, sowie die Einteilung von DBs im pädagogischen Kontext erfol-
gen kann: Zuerst wird näher auf die funktionale Einteilung von DBs eingegangen. Zusätzlich
wird die Einteilung von Learning Dashboards in die drei Formen descriptive – predictive –
prescriptive erläutert. Außerdem wird die Einteilung von Learning Dashboards in teachers only
– teachers and students – students only untersucht.
In Kapitel 3 werden verschiedene Einsatzbereiche von DBs im betriebswirtschaftlichen Kon-
text thematisiert. Hier werden die Balanced Scorecard (BSC), das Executive DB, das Perfor-
mance DB, das Marketing DB und das Stakeholder DB behandelt.
Kapitel 4 untersucht die unterschiedlichen Einsatzbereiche von DBs im pädagogischen Bereich.
Dabei werden zunächst die Forschungsfelder LA und Educational Data Mining (EDM) sowie
der Terminus eines LMS näher erklärt, um danach zuerst auf den Einsatzbereich von DBs in
der Pflichtschule – in Primarstufe und Sekundarstufe 1 geteilt – einzugehen. Darauffolgend
wird erläutert, wie DBs in der Sekundarstufe 2 bzw. im dualen Berufsbildungssystem zum Ein-
satz kommen, um abschließend den hochschulischen Bereich zu untersuchen. Anschließend
sollen in Kapitel 5 Implikationen für die Wirtschaftspädagogik abgeleitet werden, bevor ein
Fazit den Abschluss der Arbeit bildet.
4
2 Theoretischer Hintergrund
In diesem Kapitel wird zunächst erläutert, worum es sich bei einem DB handelt. Darüber hinaus
wird eine Begriffserklärung vorgenommen sowie auf die historische Entwicklung dieses Instru-
ments in den für diese Arbeit relevanten Bereichen eingegangen. Danach wird eine mögliche
Einteilung von DBs im betriebswirtschaftlichen Bereich bzw. im pädagogischen Kontext vor-
genommen. Im betriebswirtschaftlichen Kontext wird dabei näher auf die BSC, das Executive
DB, das Performance DB – welches in die drei Unterkategorien Strategic DB, Tactical DB und
Operational DB eingeteilt werden kann – das Marketing DB und das Stakeholder DB einge-
gangen. Im pädagogischen Kontext erfolgt die Einteilung zuerst in eine funktionale – darunter
wird die Einteilung in unterschiedliche Lehr-Lern-Formen verstanden. Danach wird die Eintei-
lung in descriptive, predictive und prescriptive DBs vorgenommen. Im Anschluss wird auf die
Unterschiede zwischen DBs für unterschiedliche Zielgruppen eingegangen. Dabei wird unter-
schieden in DBs, die lediglich Lehrpersonen ansprechen, solchen, die Lehrenden und Lernen-
den dienen, und schlussendlich solchen, die ausschließlich an Lernende gerichtet sind – tea-
chers only, teachers and students, students only.
2.1 Begriffserklärung Dashboard und historische Entwicklung
DBs in ihrer ursprünglichen Form sollen im unternehmerischen Bereich bis in die frühen
1950er-Jahre zurückgehen, in denen sie im Rahmen des Total Quality Management im Einsatz
waren. Dabei wurden mittels statistischer Hilfsmittel Daten generiert und zusammengefasst,
um anschließend visuell aufbereitet zu werden. Mithilfe dieser Visualisierungen und damit ver-
bundenen Diskussionen wurden wertvolle Einsichten gewonnen. Durch diese Diskussionen
wurden unter den Mitarbeitenden relevante Vorschläge zur Qualitätssteigerung erreicht. Unter-
suchungen mittels eines DBs seien zwar nicht zu vernachlässigen, Einsichten, die aufgrund von
Gesprächen über diese Darstellungen gewonnen werden, haben jedoch höchste Priorität.19 Die
Darstellung von Daten und Informationen auf digitalen DBs stammt von Systemen aus den
1970er-Jahren. Diese DBs sollten mittels Visualisierung in Prozessen zur Entscheidungsfin-
dung unterstützend wirken.20
19
Vgl. Mittal (2017), 23.
20
Vgl. Zagorecki/Ristvej/Comfort/Lovecek (2012), 82.
5Was auf einem DB angezeigt wird, ist das komprimierte Ergebnis eines Verfahrens, das im
Hintergrund arbeitet.21 Dabei handelt es sich um eine Darstellung von relevanten und leicht
verständlichen Informationen auf einer Seite bzw. einem Bildschirm.22
Der Terminus Dashboard entwickelte sich aus dem Begriff des Armaturenbretts eines Fahrzeu-
ges. Hier werden jene essenziellen Informationen angezeigt, über die der Fahrer auf einen Blick
Bescheid wissen muss,23 z. B. die Geschwindigkeit, die zurückgelegte Distanz und der verfüg-
bare Treibstoff.24 Laut Allio handelt es sich bei einem DB in Organisationen um ein Instrument,
auf dessen Anzeige regelmäßig geblickt wird, um direkt in der Bewegung bzw. während der
Fahrt in der Lage zu sein, das Unternehmen zu steuern – und dabei die Geschwindigkeit des
Unternehmens im Verhältnis zu dessen Umwelt festzustellen.25 Dabei muss der Fokus auf so
viele relevante Kennzahlen gelegt werden, wie auf einer Seite oder auf einem Bildschirm Platz
haben. Diese sind so zu wählen, dass die Nutzerin bzw. der Nutzer diese unterschiedlichen
Informationen verarbeiten kann. Die Autoren Ambler und Roberts liefern den Vergleich mit
den Anzeigen im Cockpit eines modernen Flugzeuges und geben an, die Anzahl der Anzeigen
in einem modernen Flugzeug hätte sich zwar einerseits verringert, während andererseits deren
Komplexität jedoch gestiegen sei. Nach weiterführender Information wird dann gesucht, wenn
aufgrund eines Problems ein Lämpchen als Warnsignal aufleuchtet.26
Auf Unternehmensebene entwickelte sich in den 1980er-Jahren unter Führungskräften die Idee
der sogenannten executive dashboards bzw. der executive cockpits, mit denen es möglich sein
sollte, ihre Unternehmen zu steuern. Diese Systeme setzten sich vorerst jedoch u. a. aus techni-
schen und Kostengründen nicht durch.27 Um 1985 wurden diese auch als sogenannte executive
information systems bekannt, die lediglich für das Top Management von gewinnorientierten
Unternehmen entwickelt wurden. Diesen wurde jedoch keine besondere Bedeutung zugeschrie-
ben und sie wurden dadurch wenig genutzt. Wegen der technischen Neuerungen konnten die
Kosten für die Entwicklung gesenkt werden. Executive DBs erschienen in weiterentwickelten
Formen wieder und wurden anstatt ausschließlich für höhere Managementebenen nun auch für
21
Vgl, Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 179.
22
Vgl. Ambler/Roberts (2007), 240.
23
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 175-176.
24
Vgl. LaPointe (2005), 17.
25
Vgl. Allio (2012), 24.
26
Vgl. Amber/Roberts (2007), 244.
27
Vgl. Eckerson (2010), 5.
6untere Führungsebenen konzipiert und wegen ihres erhöhten Nutzens auch vermehrt herange-
zogen.28 Aufgrund der technischen Entwicklungssprünge seit den 1990ern entwickelte sich die
sogenannte Business Intelligence (BI). Diese erlaubte es, relevanten Personen Zugriff auf In-
formationen des Unternehmens zu gewähren. Ebenso entwickelte sich das Feld des Business
Performance Management (BPM) – dieses beschreibt die Entwicklung, wonach sich Führungs-
kräfte aktuellen Techniken widmeten, um die Unternehmensleistung zu verbessern. Nach eini-
ger Zeit entstand aus den beiden Feldern BI und BPM das sogenannte Performance DB.29
Southwest Airlines entwickelte ein erfolgreiches Executive DB mit dem Namen Digital Cock-
pit, das dazu dienen sollte, die Entwicklungen im Geschäftsbereich der Ersatzteile für Flug-
zeuge zu beobachten. Microsoft brachte in den 90er-Jahren das Konzept des Digital Nervous
Systems auf den Markt, in dem auch digitale DBs inkludiert waren.30
Managerinnen und Manager nutzen DBs, um über den aktuellen Stand der Unternehmensleis-
tung informiert zu sein, ziehen diese aber auch als Entscheidungshilfe für die Zukunft heran.31
Darüber hinaus werden DBs auch in sogenannten Non-Profit-Organisationen genutzt. Um mög-
lichst effizient arbeiten zu können, werden Instrumente aus der Privatwirtschaft auch in diesem
Bereich zur Kontrolle herangezogen.32
Daniel zufolge sind drei Schritte notwendig, um Big Data erfolgreich in einer Organisation
anwenden zu können. Der erste Schritt umfasst die Sammlung von Daten. Dazu müssen rele-
vante Daten identifiziert und effizient gespeichert werden. Zu hohe Kosten für unnötig ver-
brauchten Speicherplatz sind zu vermeiden. Deshalb muss darauf geachtet werden, dass die
gespeicherten Daten auch nützlich sind. Es sollen deswegen lediglich jene Daten gespeichert
werden, die benötigt werden. Im nächsten Schritt müssen die gesammelten Daten analysiert
werden, um Informationen daraus filtern zu können. In diesem komplexen Prozess müssen die
unterschiedlichen Daten vernetzt werden, um die daraus vermittelten Informationen verstehen
zu können. Mithilfe von Visualisierung werden im letzten Schritt die ausgewerteten Daten in
verständlicher Weise den relevanten Personen zugänglich gemacht und dienen zur Unterstüt-
zung in der Entscheidungsfindung.33 Eine solche Visualisierung kann mittels eines DBs
28
Vgl. Zagorecki/Ristvej/Comfort/Lovecek (2012), 82-83.
29
Vgl. Eckerson (2010), 5-6.
30
Vgl. Zagorecki/Ristvey/Comfort/Lovecek (2012), 83.
31
Vgl. Ambler/Roberts (2007), 240.
32
Vgl. Allio (2012), 24.
33
Vgl. Daniel (2015), 908.
7erfolgen. Die nachfolgende Grafik soll diese drei notwendigen, aufeinander aufbauenden
Schritte zur erfolgreichen Anwendung von Big Data in Organisationen veranschaulichen.
Abbildung 1: Drei Stufen in der Einführung von Big Data34
Unter dem Begriff DB im betriebswirtschaftlichen Bereich wird in der vorliegenden Masterar-
beit die Darstellung einer ausgewählten Sammlung von Kennzahlen verstanden, welche unter-
einander in Verbindung stehen. Damit werden sowohl kurz- als auch langfristige Ziele einer
Organisation verfolgt.35
Ein sogenanntes Learning Dashboard (LDB) kann als ein Mittel gesehen werden, mit welchem
Lernaktivitäten, welche hauptsächlich online stattfinden, überwacht und anschließend visuali-
siert werden. Für Lernende stellt ein LDB insofern eine individuelle Unterstützung dar, als dass
ihre Lernaktivitäten für sie aufgrund der visuellen Darstellung sichtbar gemacht werden. Auf
diese Weise ist es ihnen möglich, ihre Lernaktivitäten, die sie online tätigen, besser wahrzuneh-
men. Einige LDBs liefern auch Handlungsvorschläge, um das Bewusstsein der Lernenden be-
züglich ihrer Leistungen zu wecken und so den Lernprozess zu fördern.36 Die meisten LDBs
stellen die Leistungen der Studierenden bzw. der Lernenden ausschließlich für Lehrpersonen
grafisch dar, während einige wenige ihre Handlungsempfehlungen dahingehend abgeben, in-
dem die Lernenden auch in die erbrachten Leistungen anderer Lernender einsehen können. Auf
diese Weise ist es möglich, die eigene Leistung zu kontrollieren, indem sich die einzelnen Ler-
nenden mit der Leistung der gesamten Gruppe vergleichen können. So können Empfehlungen
34
Abbildung entnommen aus Daniel (2015), 909.
35
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 177.
36
Vgl. Kokoç/Altun (2021), 162.
8oder Warnungen für weitere Schritte basierend auf dem Lernverhalten gegeben werden, um die
Leistung zu steigern.37
2.2 Einteilung von Dashboards im betriebswirtschaftlichen Kontext
Neben DBs sind auch Scorecards oder Report Cards beliebte Instrumente, die von Unterneh-
men genutzt werden, um die eigene Leistung zu messen. Der Begriff Scorecard kommt aus dem
Bereich der Spiele und wie der Name impliziert, ist hierbei das Ziel, möglichst viele Punkte zu
sammeln. Der Terminus Report Card hat seine Herkunft im Bildungsbereich und liefert eine
Art Benotung, während ein DB aus dem Bereich der Fahrzeugindustrie stammt und die Füh-
rungsebene eines Unternehmens bei dessen Steuerung unterstützt.38 In Unternehmen soll ein
DB durch das Bereitstellen relevanter Informationen zu besseren Entscheidungen führen und
so Leistungssteigerung ermöglichen.39 Nicht selten sind Managerinnen und Manager jedoch
der Meinung, dass es nicht möglich sei, ihr Unternehmen auf einige wenige Messgrößen zu
reduzieren. Dass Daten oft fehlerhaft, unvollständig oder nicht aktuell sind und so bestimmte
Leistungen nicht korrekt reflektieren, ist ein weiterer Grund, warum DBs auf Management-
ebene abgelehnt werden. Des Weiteren sind diese DBs oft überladen mit Zahlen, was gemein-
sam mit einer unzureichenden Darstellung relevante Personengruppen überfordert. Als rele-
vante Personengruppen werden bei Allio Führungskräfte bzw. Managerinnen und Manager ge-
nannt. Oft geben z. B. Unternehmensberaterinnen bzw. -berater sowie Vorstände Ziele vor,
ohne die dafür Verantwortlichen näher dahingehend zu beraten.40
Sowohl Scorecards als auch DBs dienen der Visualisierung innerhalb eines Performance Ma-
nagement Systems, welche wichtige Informationen auf einen Blick liefern. Obwohl die Instru-
mente DB und Scorecard häufig gleichgestellt werden, gibt es zwischen diesen Instrumenten
wesentliche Unterschiede. DBs dienen dazu, betriebliche Abläufe zu überwachen, während
Scorecards zur Überwachung von strategischen Zielen genutzt werden.41
37
Vgl. Kokoç/Altun (2021), 162.
38
Vgl. Allio (2012), 24.
39
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 179.
40
Vgl. Allio (2012), 24-25.
41
Vgl. Eckerson (2010), 11.
9Die nachfolgende Grafik gibt einen Überblick über die Einteilung der DBs im betriebswirt-
schaftlichen Bereich, welche in dieser Masterarbeit näher behandelt werden.
DBs im
betriebswirtschaftlichen
Bereich
Balanced Executive Performance Marketing Stakeholder
Scorecard DB DB DB DB
Strategic
DB
Tactical
DB
Operaional
DB
Abbildung 2: Übersicht DBs im betriebswirtschaftlichen Bereich42
Die BSC ist in einem Unternehmen nach innen ausgerichtet, das DB hingegen bezieht den
Markt mit ein. Obwohl auch die Kundenzufriedenheit bei der BSC berücksichtigt wird, werden
bei diesem Instrument hauptsächlich interne Daten herangezogen und z. B. der Mitbewerb wird
vernachlässigt. Des Weiteren misst eine BSC den Ist-Zustand, während ein DB einen Weg an-
zeigt.43 Somit ist ein DB aufgrund seiner Prognosen zukunftsorientiert.44
Ein Executive DB ist hauptsächlich an Führungskräfte gerichtet – was bei anderen DBs nicht
zwingend der Fall ist. Es soll diese dabei unterstützen, Mitarbeitende zu führen, unternehmeri-
sche Abläufe zu optimieren, das Unternehmen als lernende Organisation zu fördern sowie Ent-
scheidungen zu treffen, um vor dem Mitbewerb bestehen zu können.45
Mithilfe eines sogenannten Performance DBs wird die Strategie eines Unternehmens herunter-
gebrochen auf einzelne Ziele und Aufgaben, welche an die relevanten Personengruppen eines
Unternehmens angepasst sind. Außerdem soll es mittels eines Performance DBs möglich sein,
42
Eigene Darstellung.
43
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 179.
44
Vgl. Fiege (2012), 137.
45
Vgl. Resnick (2003), 1639.
10Abläufe und Entscheidungen zu verbessern.46 Dazu notwendige Informationen zum Erreichen
von strategischen Zielen werden von einem solchen DB geliefert. Diese dienen den Nutzerinnen
und Nutzern als Basis, um relevante Abläufe zu überwachen und organisatorische Maßnahmen
setzen zu können. Damit ein Performance DB seinen Zweck erfüllt, müssen einige Vorausset-
zungen gegeben sein: Die Managerinnen und Manager müssen in der Lage sein, das DB zweck-
mäßig bedienen zu können und auch andere relevante Nutzende sollen mit Motivation bei der
Sache sein, um ausreichend Unterstützung bei der Nutzung des DBs zu bieten. Des Weiteren
darf das Zusammenspiel mit der EDV nicht vernachlässigt werden. Ein Performance DB kann
in die drei Unterkategorien Strategic, Tactical und Operational DB eingeteilt werden.47 In ei-
nem Strategic DB wird mithilfe bestimmter Kennzahlen der Fortschritt dargestellt, mit dem
eine Strategie eingeführt wird. Damit soll die Aufmerksamkeit von Führungskräften erlangt
werden, Auswertungen und Reflexion angeregt sowie Entscheidungen gefördert werden, wel-
che die Unternehmensleistung verbessern.48 Mit Hilfe eines Tactical DB wird der Fortschritt
der einzelnen strategischen Initiativen überprüft und ein Operational DB stellt Geschäftsabläufe
grafisch dar und überprüft diese regelmäßig auf Neuerungen.49
In einem sogenannten Marketing DB werden die für Marketingaktivitäten relevanten Informa-
tionen angezeigt. Mithilfe dieses DBs wird die Effizienz des Marketings in einem Unternehmen
untersucht und Unterstützung bei Entscheidungsfindung geboten. Bei erfolgreicher Implemen-
tierung und laufender Führung kann durch die Nutzung eines dementsprechenden DBs der Ein-
fluss auf Entscheidungen im Managementbereich für das Marketing steigen.50 Dabei handelt es
sich um eine zusammenfassende Darstellung von einfach verständlichen Marketing-Kennzah-
len.51
Heutzutage haben Unternehmen einen weit größeren geographischen Einfluss als nur das ei-
gene regionale Umfeld, was dazu führt, dass unterschiedliche Interessensgruppen – die soge-
nannten Stakeholder eines Unternehmens – in unterschiedlichen Ländern angesiedelt sind. Sol-
che Stakeholder sind u. a. Mitarbeitende, Eigentümerinnen bzw. Eigentümer, Kundinnen bzw.
Kunden und Lieferantinnen bzw. Lieferanten eines Unternehmens. Zusätzlich wird der Kontakt
46
Vgl. Eckerson (2010), 4.
47
Vgl. Eckerson (2010), 22.
48
Vgl. Allio (2012), 24.
49
Vgl. Rasmussen/Bansal/Chen (2009), 19.
50
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 175-176.
51
Vgl. Ambler/Roberts (2007), 240.
11zu solchen Stakeholdern dadurch erschwert, dass sich Unternehmen durch verschiedene, direkt
von ihnen angebotene Dienstleistungen für Mitarbeitende, z. B. ein Fitnesscenter, in jenen Re-
gionen selbst von ihrer Umwelt trennen, in denen sie angesiedelt sind. Das Bewusstsein für die
Wichtigkeit von Beziehungen zu den verschiedenen Interessensgruppen eines Unternehmens
ist gestiegen – Unternehmen müssen jedoch noch an der Umsetzung arbeiten, diese Verbindun-
gen zu verbessern. Das Stakeholder DB nach Strand stellt eine Möglichkeit dar, wie Unterneh-
men die Wahrnehmung ihrer Stakeholder der Organisation gegenüber messen können und wie
diese in einem DB dargestellt werden können. Außerdem erfolgt die Visualisierung dieser
Wahrnehmungen über die Zeit hinweg und bietet so für das Unternehmen eine ganzheitliche
Sichtweise über die relevanten Stakeholder.52
2.3 Einteilung von Dashboards im pädagogischen Kontext
Aufgrund der modernen Ausgestaltung von Lehr-Lern-Settings, die heutzutage eingesetzt wer-
den, wie z. B. Blended Learning (BL), finden Lernaktivitäten immer mehr auf Lernplattformen
bzw. LMS statt. Im Zuge von LA werden mithilfe von EDM Daten von Lernenden gesammelt,
wie z. B. die Zeit, die sie auf einer Website verbringen oder die Anzahl der Klicks darauf.53
Unter BL wird die Kombination von unterschiedlichen Methoden und Medien verstanden, wo-
bei die Autoren Bonk und Graham zusätzlich die Wichtigkeit von computerbasierten Techno-
logien in BL hervorheben.54 EDM bezeichnet das Forschungsfeld, welches die große Anzahl
an Daten untersuchen möchte, die in Bildungs-Settings generiert werden. Außerdem soll mit-
hilfe von EDM die Vorgehensweise von Lernenden besser verstanden werden. Bei diesen Daten
kann es sich einerseits um solche handeln, die von Bildungseinrichtungen stammen, anderer-
seits um Nutzungsdaten von Lernenden, u. a. von computerunterstützten Methoden.55 Um Be-
wusstsein bezüglich der Lernaktivitäten zu erwecken, werden diese im Zuge von LA verfolgt
sowie der Zusammenhang untersucht, in dem diese Lernaktivitäten getätigt werden.56 LA ist
ein aufstrebender Forschungszweig, mit dessen Hilfe diese Daten verstanden und daraus Nut-
zen für den Lernprozess gezogen werden sollen. So können z. B. universitäre Einrichtungen
diese Daten nutzen, um bessere Lernergebnisse zu erzielen oder die Qualität ihrer Angebote
sicherzustellen. Auf diese Weise kann der aktuelle Wissensstand der Studierenden erfasst und
52
Vgl. Strand (2008), 24-26.
53
Vgl. Daniel (2015), 912.
54
Vgl. Bonk/Graham (2012), 4-5.
55
Vgl. International Educational Data Mining Society (2021).
56
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1499.
12darauf abgestimmte Programme angeboten werden, um die Ergebnisse zu verbessern, die Aus-
fallsquote zu verringern und die Abschlussquote zu erhöhen.57 Während EDM sich hauptsäch-
lich mit Interpretieren von gesammelten Daten beschäftigt, unterstützt LA Lehrpersonen dabei,
Lernende individuell zu unterstützen und deren Lernaktivitäten damit zu erhöhen bzw. zu ver-
bessern.58 Das Interesse an Educational Data wurde in den letzten Jahrzehnten größer und Ler-
nenden und Lehrenden soll mithilfe von LA hilfreiches Feedback gemeldet werden. LDBs in
Unterrichtsformen mit Unterstützung von Aktivitäten, welche online stattfinden, stellen Hilfs-
mittel von LA dar.59 LDBs auf tertiärer Ebene wurden u. a. entwickelt, um Lösungsvorschläge
bzw. Verbesserungen bei unzureichend vorbereiteten Studierenden und längeren Studienzeiten
aufzuzeigen, aber gleichzeitig hervorragenden Service zu bieten, um Studierenden Erfolgser-
lebnisse näherzubringen.60
Nachfolgend werden Einteilungsmöglichkeiten von DBs erläutert, wie diese im pädagogischen
Bereich vorgenommen werden. Zuerst wird dabei auf die einzelnen Aspekte descriptive, pre-
dictive und prescriptive eingegangen, die ein LDB erfüllen soll. Danach wird die funktionale
Einteilung nach unterschiedlichen Lehr-Lern-Settings bzw. -Methoden erläutert. Abschließend
wird eine Einteilung der LDBs in Zielgruppen vorgenommen, an welche diese gerichtet sind:
Entweder ausschließlich an Lehrpersonen, an Lehrende und Lernende oder lediglich an Ler-
nende.61
2.3.1 Descriptive – predictive – prescriptive Dashboards
Die Einteilung von LDBs als Hilfsmittel zur Untersuchung von Logfiles kann in den drei For-
men descriptive (beschreibend), predictive (vorhersagend) oder prescriptive (vorschreibend)
erfolgen. Ziel der beschreibenden, deskriptiven Analyse ist es, bereits vorhandene Daten aus
dem Lernprozess zu untersuchen und daraus wertvolle Erkenntnisse zu gewinnen. Dabei liegt
das Augenmerk auf der Frage: Was ist bereits passiert?62 Es werden Ergebnisse dargestellt,
welche z. B. anhand von Cluster- oder Korrelationsanalysen entdeckt wurden. Durch diese Er-
gebnisse sollen Muster erkannt, Wissen erweitert und Verständnis für die untersuchte Materie
57
Vgl. Daniel (2015), 912-913.
58
Ebner/Schön (2013), 1.
59
Vgl. Kokoç/Altun (2021), 161.
60
Vgl. Arnold/Pistilli (2012), 268.
61
Vgl. Kokoç/Altun (2021), 162.
62
Vgl. Kokoç/Altun (2021), 162 und May (2011), zitiert nach Dietz-Uhler/Hurn (2013), 22.
13generiert werden.63 Hierbei werden vergangene Daten von unterschiedlichen Standpunkten aus
betrachtet und z. B. Daten von Studierenden, aus der Lehre, Forschung und administrativen
Vorgängen herangezogen. Aus diesen Stichproben sollen Muster hergeleitet werden, um über
aktuelle Entwicklungen, wie etwa die Absolvierungsrate berichten zu können. Diese Form der
Analyse bietet außerdem die Möglichkeit, Daten über Aktivitäten dahingehend zu untersuchen,
um bestimmte Muster zu erkennen, die eine Konversation über gegenwärtige oder zukünftige
Unklarheiten ermöglichen.64 Bildungseinrichtungen können mithilfe der beschreibenden Ana-
lyse speziell jene Daten untersuchen, die durch die Nutzung von Studierenden auf LMS gene-
riert werden. Diese Daten werden auch Logfiles genannt. Dabei können u. a. die Anzahl der
Aufrufe einer Website, die Ausfallsquote an Studierenden in einem bestimmten Kurs oder die
Eigenschaften von Studierenden, die einen bestimmten Kurs bestanden haben gegenüber jenen,
die diesen nicht bestanden haben, untersucht werden – aber z. B. auch, welche Kursinhalte wie
oft aufgerufen wurden.65
Mithilfe der vorhersagenden – predictive – Analyse soll es möglich sein, zukünftige Entwick-
lungen bzw. Trends leichter erkennen zu können. Dies betrifft die Wahrscheinlichkeit, mit der
zukünftige Ereignisse eintreten werden. Hierbei kann es sich etwa um die Ausfallswahrschein-
lichkeit oder die Quote an Studierenden, die einen Kurs positiv abschließen wird, handeln. Da-
mit soll die Frage nach zukünftigen Ereignissen – Was wird passieren? – beantwortet werden.66
Anhand vergangener Daten wird Wissen z. B. mit Hilfe der Regressionsanalyse in einer Form
generiert, dass dieses für neue Situationen angewendet werden kann.67 Diese Form der Analyse
soll es ermöglichen, aufgrund der vorhandenen Daten bessere Entscheidungen zu treffen68 und
mit Hilfe von Warnsignalen und Benachrichtigungen die zukünftigen Vorhaben zu beeinflus-
sen.69 Zusätzlich zur Einschätzung der Wahrscheinlichkeit, mit der bestimmte Ereignisse ein-
treffen werden, werden auch zukünftige Chancen und Risiken identifiziert. Mit Unterstützung
einer vorhersagenden Analyseform können Verbindungen aufgedeckt werden, die aufgrund der
beschreibenden Analyseverfahren nicht erkannt werden, wie z. B. die Abschlussquote eines
Kurses. Ebenso sollen bestimmte Verhaltensweisen von Studierenden frühzeitig erkannt
63
Vgl. Williams (2011), 175.
64
Vgl. Daniel (2015), 913.
65
Vgl. Daniel (2015), 913-915.
66
Vgl. Kokoç/Altun (2021), 162 und May (2011), zitiert nach Dietz-Uhler/Hurn (2013), 22.
67
Vgl. Williams (2011), 175.
68
Vgl. Daniel (2015), 915 und Schawell/Billing (2018), 263.
69
Vgl. Adra (2016), 3647.
14werden, die ansonsten u. U. zu einem Ausfall oder Misserfolg im Kurs führen. Lehrende können
durch diese Methode einen Zusammenhang zwischen der Erfolgsquote und den Materialien,
die im Kurs bereitgestellt werden, herstellen.70 Eine gute Vorhersage allein führt jedoch noch
zu keiner guten Entscheidung.71 An diesem Punkt setzt die dritte Analyseform an.
Die beiden bereits genannten Methoden der Analyseformen werden kombiniert in der dritten
Form, der vorscheibenden – prescriptive – Analyse. Anhand dieser sollen Empfehlungen ge-
troffen werden, welche Handlungen Lehrende für den Unterricht bzw. Lernende für ihren Lern-
erfolg setzen sollen, um ein optimales Ergebnis zu erreichen.72 Aufgrund der vorschreibenden
Analyseform können Bildungseinrichtungen ihre Ist-Situation bewerten und gegebenenfalls
Änderungen in ihrem Kursangebot vornehmen. Die Umsetzung neuer Möglichkeiten soll da-
hingehend bewertet werden, inwiefern diese zum gewünschten Ergebnis führen. Entschei-
dungsträger können durch die vorschreibende Analyse Möglichkeiten und Risiken erkennen,
welche für ihre zukünftige Entwicklung entscheidend sein können. Darüber hinaus wird die
beste Handlungsalternative aufgezeigt, um aus diesem Ausblick rechtzeitig einen Vorteil zu
erlangen.73 Der Fokus bei dieser Analyseform liegt auf der Frage: Was soll getan werden?74
Die nachfolgende Grafik soll veranschaulichen, wie die drei soeben beschriebenen Analysefor-
men ineinandergreifen.
Abbildung 3: Drei Formen zur Datenanalyse von Bildungseinrichtungen75
70
Vgl. Daniel (2015), 915.
71
Vgl. Bertsimas/Kallus (2020), 1026.
72
Vgl. Kokoç/Altun (2021), 162.
73
Vgl. Daniel (2015), 915.
74
Vgl. Kokoç/Altun (2021), 162.
75
Abbildung entnommen aus: Daniel (2015), 914.
15Die Grafik zeigt, dass es sich bei allen drei Methoden um Analyseverfahren handelt, wobei
sowohl die vorschreibende als auch die vorhersagende Methode einen bewertenden Aspekt be-
inhalten. Die beschreibende und die vorschreibende Methode sollen Dinge auslösen. Sie haben
gemeinsam, dass sie Verbindungen herstellen sollen.
2.3.2 Funktionale Einteilung
Nach Verbert et al. (2014) können LDBs nach ihrem funktionalen Nutzen eingeteilt werden.
Diese Einteilung bezieht sich auf das Lehr-Lern-Setting bzw. die Methode, in dem das Lernen
stattfindet. Dabei können LDBs in klassischen Vorlesungen und in Gruppenarbeiten unterstüt-
zend wirken. Diese können sowohl in Präsenz als auch in Lehr-Lern-Bereichen stattfinden,
welche zur Gänze online oder mittels BL durchgeführt werden, und hier das notwendige Be-
wusstsein und u. U. auch eine Verhaltensänderung hervorrufen.76
LDBs, die in Präsenz-Veranstaltungen eingesetzt werden, sollen es ermöglichen, der bzw. dem
Lehrenden Rückmeldungen von Studierenden in Echtzeit zu geben, damit diese die Lehre an-
passen können. Ein Beispiel dafür ist ein LDB, welches es der Lehrperson ermöglicht, in Echt-
zeit Zustimmung oder Ablehnung unter den Lernenden zu realisieren. Signale wie Nicken oder
Kopfschütteln und die Stimme werden dabei über die Kamera und das Mikrofon eines PCs
aufgenommen.77 Andere LDBs sollen die Beteiligung der Studierenden während der Lehre an-
regen. Das LDB Classrom Salon z. B. visualisiert Zusammenarbeit unter den Studierenden,
indem Lehrende die Möglichkeit haben, Gruppen zu erstellen, diese zu organisieren und zu
analysieren. Lernende können in dieser Gruppe an Dokumenten arbeiten und die Lehrperson
hat Einsicht, wie groß die Beteiligung einer bzw. eines jeden einzelnen Studierenden war. An-
wendung findet dieses LDB in Präsenz-Lehrveranstaltungen, in denen Studierende Unterrichts-
folien der bzw. des Vortragenden gemeinschaftlich kommentieren.78 Ein weiteres Beispiel für
ein solches LDB ist Slice 2.0. Bei diesem Tool werden Vortragsfolien der Lehrperson mit den
Endgeräten der Studierenden verbunden. Bei dieser Anwendung werden Notizen, die Studie-
rende bezüglich der Folien gemacht haben, für die Lehrperson dargestellt. Diese kann u. a. die
Notiz oder Frage einer bzw. eines Studierenden für alle Beteiligten zur Diskussion projizieren.79
76
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1500.
77
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1501.
78
Vgl. Barr/Gunawardena (2012), zitiert nach Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1501.
79
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1501.
16Andere LDBs unterstützen Lehrpersonen dabei, Gruppenarbeiten während des Präsenzunter-
richts zu organisieren. Als Beispiel nennen Verbert et al. ein LDB, welches die gerade durch-
geführte Aktivität einer Gruppe visualisiert. Diese kann z. B. ein Quiz lösen – und dabei wird
die Intensität veranschaulicht, mit der daran gearbeitet wird. Weiters beschreiben sie das LDB
Class-on – dieses bietet Lehrpersonen bei Laborübungen in Präsenz die Hilfestellung, jene
Gruppe als nächstes auszuwählen, die am dringendsten eine Hilfestellung benötigt. Dabei wer-
den einerseits Anfragen und andererseits der Fortschritt der einzelnen Gruppen für Lehrende
auf einem Tablet dargestellt.80
Die dritte Gruppe an LDBs nach dieser Einteilung wurde entwickelt, um Lernende und Leh-
rende in einem Online- oder BL-Setting zu unterstützen. Diese Thematik betreffend werden
von Verbert et al. eine Vielzahl von Beispielen angeführt. Demgegenüber stehen jedoch wenige
Beispiele, die sie bei den Präsenz-Veranstaltungen und den Präsenz-Gruppenarbeiten behandelt
haben.81 Daraus lässt sich schließen, dass es im Online- bzw. BL-Bereich das größte Angebot
an LDBs gibt. Eines dieser LDBs trägt den Namen Course Signals, welches stellvertretend für
diese Vielzahl an dieser Stelle erläutert wird. Course Signals ist ein vorausschauendes – ein
predictive – LDB. Nachfolgend werden jene vier Komponenten dargelegt, aus denen ein Algo-
rithmus das Risiko eines Studierenden berechnet:82
Leistung, bestehend aus den Punkten bzw. dem Prozentwert an Punkten, die im Kurs
erreicht wurden;
Bemühungen – bestehend aus den Aktivitäten auf dem LMS;
Akademische Erfahrung der Studierenden – inklusive Vorbereitung;
Bestimmte Merkmale der Studierenden, z. B. Wohnsitz und Alter;
Auf diese Weise wird sichergestellt, dass die bzw. der Studierende nicht aufgrund einer einzi-
gen Komponente einem Risiko zugeordnet wird. Aufgrund des Ergebnisses, welches aus dem
Algorithmus berechnet wird, ist die Anzeige des LDBs ein rotes, gelbes oder grünes Licht. Ein
rotes Licht signalisiert eine hohe Wahrscheinlichkeit für die teilnehmende Person, den Kurs
nicht zu bestehen, während ein gelbes Licht ein mögliches Risiko darstellt, den betreffenden
Kurs nicht positiv abzuschließen. Ein grünes Licht bedeutet eine hohe Wahrscheinlichkeit, den
Kurs erfolgreich abzuschließen. Es obliegt der Lehrperson, der bzw. dem Studierenden dieses
80
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1501-1502.
81
Vgl. Verbert/Govaerts/Duval/Santos/Assche/Parra/Klerkx (2014), 1501-1504.
82
Vgl. Arnold/Pistilli (2012), 267.
17Ampellicht mitzuteilen. Als Übermittlungsformen dienen E-Mails, eine Textnachricht oder ein
persönliches Treffen. Eine weitere Möglichkeit besteht darin, das Ergebnis auf der Startseite
des LMS-Kurses der bzw. des Studierenden anzuzeigen. Course Signals wurde als LDB entwi-
ckelt, um das mögliche Risiko von Studierenden, einen Kurs negativ abzuschließen, rechtzeitig
zu erkennen. Auf diese Weise können Lehrende Handlungsalternativen für betroffene Studie-
rende vorschlagen, um deren Erfolgschancen zu vergrößern.83
2.3.3 Teachers only – teachers and students – students only
Die Darstellungen basierend auf LDBs haben das Ziel, die Handlungen der Zielgruppen so zu
beeinflussen, dass beides – sowohl Lehr- als auch Lernprozess – verbessert wird.84 Die jewei-
lige Zielgruppe hängt von den bestimmten Zielen ab, die mit einem LDB verfolgt werden sol-
len. So informieren z. B. LDBs, welche speziell für Lehrpersonen entwickelt wurden, jene in
Echtzeit über den aktuellen Leistungsstand der teilnehmenden Person, welcher messbar sein
muss. Auf diese Weise ist es möglich, den Leistungsstand von zahlreichen Studierenden zu
überblicken und die Lehre zu verbessern. Diese Verbesserungen finden sich in Klassenmanage-
ment, Feedback, Evaluierung und Leistungsbeurteilung wieder. Darüber hinaus ist es mitunter
möglich, jene Studierenden zu erkennen, die Gefahr laufen, den Kurs nicht zu bestehen, und
die Lehre dahingehend anzupassen.85 LDBs, welche lediglich auf Lernende selbst ausgerichtet
sind, sollen motivieren und ihnen dabei helfen, ihre eigenen Lernstrategien anzupassen. Ebenso
sollen sie Feedback in Echtzeit bieten. Durch die sofortige Rückmeldung des bereits genannten
LDBs Course Signals z. B. sollen Studierende motiviert werden, ihre Leistung zu steigern.86 Es
gibt nur wenige LDBs, die speziell an Lernende gerichtet sind.87
Nachfolgend werden in einer Tabelle einige Ziele von bestimmten LDBs angeführt, die an die
einzelnen Zielgruppen gerichtet sind.
83
Vgl. Arnold/Pistilli (2012), 268.
84
Vgl. Park/Jo (2015), 112.
85
Vgl. Park/Jo (2015), 113.
86
Vgl. Park/Jo (2015), 113-114.
87
Vgl. Verbert/Duval/Klerkx/Govaerts/Santos (2013), 1502.
18Zielgruppe Ziele
Teachers only Feedback für Studierende bezüglich Lernak-
tivitäten und Leistungen
Studierende erkennen, die Gefahr laufen, den
Kurs nicht zu bestehen und entsprechende
Handlungen setzen
Beobachtung der Entstehung und Entwick-
lung von Verbindungen unter den Studieren-
den in Diskussionsforen
Teachers and Students E-Learning-Aktivitäten von Studierenden
beobachten
Visualisierung der eigenen Leistung im Ver-
gleich zur gesamten Gruppe
Erhöhung von Selbstreflexion in Bezug auf
die Lernaktivitäten
Students only Verbessern von Gruppenarbeiten durch
Sichtbarmachen des eigenen Beitrags für die
Studierenden
Gedächtnis- und Lernleistung verbessern
Tabelle 1: Zielgruppen und Ziele von LDBs88
88
Tabelle in Anlehnung an: Park/Jo (2015), 113.
193 Einsatzbereiche von Dashboards im betriebswirtschaftli-
chen Kontext
Die richtigen Entscheidungen für ein Unternehmen zu treffen, war schon immer ein schwieriges
Unterfangen. Mit steigender Komplexität aufgrund des globalen Handels wurde dieses Verfah-
ren nicht gerade einfacher. Die Anzahl der Daten, die es dabei zu untersuchen gilt, ist gestiegen,
während die Zeit, die zur Entscheidungsfindung zur Verfügung steht, abgenommen hat. Hin-
sichtlich dieses Aspektes werden wichtige Entscheidungen in einem Unternehmen gelegentlich
auf Basis reiner Intuition getroffen. Grund hierfür ist, dass das Abwägen von Fakten äußerst
mühsam und zeitaufwendig ist.89 Mithilfe von DBs ist es möglich, relevante Kennzahlen zu
verfolgen. Diese werden als sogenannte Key Performance Indicators (KPI) bezeichnet.90 Dabei
handelt es sich um relevante Leistungskennzahlen, auf deren Basis idealerweise Entscheidun-
gen getroffen werden können und von denen jedes Unternehmen in der Regel nur wenige hat.
Diese sind sowohl finanzieller als auch nicht-finanzieller Natur und dienen der Messung, in-
wiefern Unternehmensziele erreicht werden. Die verschiedenen DBs unterscheiden sich darin,
welche Kennzahlen darin aufgenommen werden.91
DBs in Organisationen helfen relevanten Personengruppen, wie z. B. Führungskräften, bei der
Entscheidungsfindung.92 Obwohl Intuition und Bewusstsein beim Treffen von Entscheidungen
nicht zur Gänze vernachlässigt werden sollten, bieten diese dennoch keine alleinige Basis zur
Entscheidungsfindung. Je mehr unterschiedliche Daten es zu analysieren gilt, desto mehr soll-
ten diese auch berücksichtigt werden. Die ständig steigende Menge an Daten kann mithilfe von
Technologie untersucht werden – genauer gesagt mit Instrumenten, die im Entscheidungspro-
zess unterstützen.93 In diesem Kapitel sollen nachfolgend einige dieser Instrumente, die bei der
Entscheidungsfindung unterstützen sollen, näher vorgestellt werden: Die BSC, das Executive
DB, das Performance DB, das Marketing DB und das Stakeholder DB.
89
Vgl. Bonabeau (2003), 116-117.
90
Vgl. Allio (2012), 24.
91
Vgl. Rasmussen/Bansal/Chen (2009), 23-26.
92
Vgl. Resnick (2003), 1640; Zagorecki/Ristvej/Comfort/Lovecek (2012), 84 und Eckerson (2010), 4.
93
Vgl. Bonabeau (2003), 116-117.
203.1 Eine frühe Form des Dashboards – die Balanced Scorecard
DBs und die BSC teilen sich einige Gemeinsamkeiten – denn auch der BSC zufolge ist es nicht
ausreichend, eine einzelne Kennzahl zu betrachten, um den Zusammenhang zwischen finanzi-
ellen und nicht-finanziellen Aspekten erkennen zu können.94 Anfang der 1990er Jahre entwi-
ckelten Kaplan und Norton die sogenannte BSC als Instrument zur Messung von Unterneh-
mensleistung. In ihrem ursprünglichen Artikel darüber vergleichen sie dieses Instrument – wie
es auch bei einem DB häufig der Fall ist – mit dem Cockpit eines Flugzeuges, welches mit
detaillierten Informationen den Pilotinnen bzw. Piloten dazu dient, das Flugzeug zu steuern.
Damit soll verdeutlicht werden, dass es nicht ausreicht, sich auf eine Anzeige bzw. eine Mess-
größe zu verlassen – und ähnlich ist es bei der Führung einer Organisation. Auch hier müssen
mehrere Gesichtspunkte gleichzeitig beachtet werden.95 Somit können sowohl eine BSC als
auch ein DB zur Steuerung eines Unternehmens herangezogen werden.
Hinter der Entwicklung der BSC stand das Bestreben, die Leistung in einer Organisation nicht
nur anhand finanzieller Aspekte zu messen, sondern auch nichtmonetäre Aspekte in die Be-
trachtung miteinzubeziehen.96 Die BSC soll mehr als ein bloßes Kennzahlensystem sein. Es
handelt sich um ein strategisches Instrument, welches vorausschauende Führung ermöglicht
und unterstützt, also mehr als ein bloßes Kennzahlensystem.97 Die BSC bezieht folgende vier
Teilbereiche mit ein:98
Perspektive aus Kundinnen- bzw. Kundensicht – damit soll die Frage beantwortet wer-
den, wie diese das Unternehmen wahrnehmen;
Interne Perspektive – diese soll näher betrachten, was es aus Unternehmenssicht zu ver-
bessern gilt;
Perspektive des Lernens und der Innovation – mithilfe dieser Perspektive soll das Ver-
besserungspotenzial einer Organisation untersucht werden;
Finanzielle Perspektive – berücksichtigt die Sicht des Unternehmens auf die Eigentü-
merinnen und Eigentümer;
94
Vgl. Pauwels/Ambler/Clark/LaPointe/Reibstein/Skiera/Wierenga/Wiesel (2009), 179.
95
Vgl. Kaplan/Norton (1992), 72.
96
Vgl. Fiege (2012), 112.
97
Vgl. Schmidt/Friedag (2012), 28-29.
98
Vgl. Kaplan/Norton (1992), 72.
21Sie können auch lesen
