Business Intelligence im Unternehmen

Description
Business Intelligence im Unternehmen

Reifegradmodellbasierte Weiterentwicklung von
Business Intelligence im Unternehmen

DISSERTATION
der Universität St. Gallen,
Hochschule für Wirtschafts-,
Rechts- und Sozialwissenschaften
sowie Internationale Beziehungen (HSG)
zur Erlangung der Würde eines
Doktors der Wirtschaftswissenschaften

vorgelegt von

David Raber
aus
Deutschland

Genehmigt auf Antrag der Herren
Prof. Dr. Robert Winter
und
Prof. Dr. Reinhard Jung

Dissertation Nr. 4232
(Difo-Druck, Bamberg 2013)

Die Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissen-
schaften sowie Internationale Beziehungen (HSG), gestattet hiermit die Drucklegung
der vorliegenden Dissertation, ohne damit zu den darin ausgesprochenen Anschauun-
gen Stellung zu nehmen.

St. Gallen, den 21. Oktober 2013

Der Rektor:

Prof. Dr. Thomas Bieger

Vorwort i
Vorwort
Diese Dissertation ist im Rahmen meiner Tätigkeit als wissenschaftlicher Mitarbeiter
und Doktorand am Institut für Wirtschaftsinformatik der Universität St. Gallen (IWI-
HSG) entstanden. Die Entstehung dieser Dissertation war nur durch die Unterstützung
und tatkräftige Mithilfe einer Vielzahl von Personen möglich, bei denen ich mich an
dieser Stelle herzlich bedanken möchte.
An erster Stelle möchte ich mich hiermit ganz besonders bei meinem Doktorvater,
Prof. Dr. Robert Winter, bedanken. Durch seine persönliche Betreuung, die Unterstüt-
zung während des Entstehungsprozesses dieser Arbeit und die Schaffung von hervor-
ragenden Rahmenbedingungen für ein praxisorientiertes Forschen im Bereich der
Wirtschaftsinformatik, hat er massgeblich zum erfolgreichen Abschluss dieser Arbeit
beigetragen. Mein ausgesprochener Dank gilt auch Prof. Dr. Reinhard Jung, für die
Übernahme des Korreferats und seine konstruktive Kritik bei der Entstehung der Ar-
beit. Des Weiteren möchte ich mich bei meiner Projektleiterin Dr. Antonia Albani für
die Unterstützung bedanken. Insbesondere gilt mein Dank meinem ehemaligen Pro-
jektleiter Dr. Felix Wortmann für die Anleitung während der ersten Jahre meiner Dis-
sertation. Auf Seiten meiner zweiten professionellen Heimat, der SAP (Schweiz) AG,
gilt mein Dank vor allem meinem Manager Dr. Uli Eisert und meinem ehemaligen
Projektleiter Dr. Tobias Mettler. Da praxisorientierte Forschung nicht ohne Unterneh-
menspartner durchgeführt werden kann, möchte ich mich an dieser Stelle bei den in-
volvierten Unternehmen bedanken. Bei der Auswertung der abschliessenden qualitati-
ven Evaluierung haben mich ausserdem Prof. Dr. Marcus Rothenberger und mein Kol-
lege, Stefan Bischoff, tatkräftig unterstützt, denen ich zu Dank verpflichtet bin.
Meine Zeit in St. Gallen wurde auch vor allem durch meine Arbeitskollegen am IWI
und bei SAP massgeblich geprägt. Daher möchte ich mich bei allen ehemaligen Kolle-
gen für die interessante Zeit in St. Gallen bedanken, die mir in guter Erinnerung blei-
ben wird. Natürlich sei an dieser Stelle auch meinen Freunden im privaten Umfeld für
die Unterstützung auf persönlicher Ebene gedankt. Bei Sabrina Lauer möchte ich mich
darüber hinaus besonders für das Korrekturlesen meiner Arbeit bedanken.
Mein grösster persönlicher Dank gilt schliesslich meinen Eltern Angelika und Engel-
bert Raber, meiner Schwester Sarah und insbesondere meiner Partnerin Monika Do-
magala. Sie alle haben mich jederzeit uneingeschränkt unterstützt und mir jede erdenk-
liche Hilfe zukommen lassen.
David Raber
Beiträge der Arbeit iii
Beiträge der Arbeit
Beitrag A: Raber, David; Winter, Robert; Wortmann, Felix: Using Quantitative Ana-
lyses to Construct a Capability Maturity Model for Business Intelligence. In: 45th Ha-
waii International Conference on System Sciences 2012 (HICSS-45), Grand Wailea,
Maui, HI 2012, S. 4219-4228.
Beitrag B: Raber, David; Wortmann, Felix; Winter, Robert: Situational Business In-
telligence Maturity Models: An Exploratory Analysis. In: 46th Hawaii International
Conference on System Sciences 2013 (HICSS-46), Wailea, HI 2013, S. 3797-3806.
Beitrag C: Raber, David; Wortmann, Felix; Winter, Robert: Towards the Measure-
ment of Business Intelligence Maturity. In: 21st European Conference on Information
Systems (ECIS 2013), Paper 109, Utrecht 2013.
Beitrag D: Raber, David; Wortmann, Felix; Winter, Robert: Business Intelligence
Maturity – Developing a Strategic Tool Founded on IS Success Theory and Capability
Maturity. Working Paper, Institute of Information Management, University of St.
Gallen, St. Gallen 2013.
Beitrag E: Raber, David: Evaluation of a Business Intelligence Maturity Model: The
Reliability Perspective. In: 7th International Conference on Research and Practical
Issues of Enterprise Information Systems (Confenis 2013), Prague 2013.
Beitrag F: Raber, David; Rothenberger, Marcus; Winter, Robert: How Well Does the
Business Intelligence Maturity Model Assess Organizational Reality: A Case-Based
Evaluation. Working Paper, Institute of Information Management, University of St.
Gallen, St. Gallen 2013.

Inhaltsübersicht v
Inhaltsübersicht
Vorwort ........................................................................................................................... i 
Beiträge der Arbeit ...................................................................................................... iii 
Inhaltsübersicht ............................................................................................................. v 
Inhaltsverzeichnis ....................................................................................................... vii 
Abkürzungsverzeichnis ............................................................................................. xiii 
Abbildungsverzeichnis ................................................................................................ xv 
Tabellenverzeichnis .................................................................................................. xvii 
Kurzfassung ............................................................................................................... xxi 
Abstract .................................................................................................................... xxiii 
Teil A – Zusammenfassung der Beiträge der Arbeit ................................................. 1 
1  Einleitung ...................................................................................................... 1 
2  Konzeptionelle Grundlagen ......................................................................... 9 
3  Verwandte Ansätze ..................................................................................... 17 
4  Forschungsergebnis der vorliegenden Arbeit .......................................... 27 
5  Diskussion und Ausblick ............................................................................ 53 
Teil B – Beiträge der Arbeit ....................................................................................... 61 
Beitrag A – Using Quantitative Analyses to Construct a Capability Maturity
Model for Business Intelligence .................................................................................. 61 
Beitrag B – Situational Business Intelligence Maturity Models: An
Exploratory Analysis ................................................................................................... 77 
Beitrag C – Towards the Measurement of Business Intelligence Maturity ........... 93 
Beitrag D – Business Intelligence Maturity – Developing a Strategic Tool
Founded on IS Success Theory and Capability Maturity ..................................... 107 
Beitrag E – Evaluation of a Business Intelligence Maturity Model: The
Reliability Perspective ............................................................................................... 135 
Beitrag F – How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation ................................................ 149 
vi Inhaltsübersicht
Anhang I – Interviewleitfaden für die Validierung ............................................... clxi 
Literaturverzeichnis ................................................................................................ clxiii 


Inhaltsverzeichnis vii
Inhaltsverzeichnis
Vorwort ........................................................................................................................... i 
Beiträge der Arbeit ...................................................................................................... iii 
Inhaltsübersicht ............................................................................................................. v 
Inhaltsverzeichnis ....................................................................................................... vii 
Abkürzungsverzeichnis ............................................................................................. xiii 
Abbildungsverzeichnis ................................................................................................ xv 
Tabellenverzeichnis .................................................................................................. xvii 
Kurzfassung ............................................................................................................... xxi 
Abstract .................................................................................................................... xxiii 
Teil A – Zusammenfassung der Beiträge der Arbeit ................................................. 1 
1  Einleitung ...................................................................................................... 1 
1.1  Motivation des Forschungsvorhabens ............................................................ 1 
1.2  Problemstellung .............................................................................................. 2 
1.3  Zielsetzung und Abgrenzung.......................................................................... 3 
1.4  Forschungsmethodik ...................................................................................... 5 
1.5  Aufbau der Arbeit ........................................................................................... 7 
2  Konzeptionelle Grundlagen ......................................................................... 9 
2.1  Business Intelligence ...................................................................................... 9 
2.2  Reifegradmodelle ......................................................................................... 12 
3  Verwandte Ansätze ..................................................................................... 17 
3.1  Bestehende Reifegradmodelle für Business Intelligence ............................. 17 
3.2  Anforderungen an ein neues Business Intelligence Reifegradmodell .......... 23 
4  Forschungsergebnis der vorliegenden Arbeit .......................................... 27 
4.1  Konzeptionelle Gestaltung ........................................................................... 27 
4.2  Beiträge der Arbeit ....................................................................................... 29 
viii Inhaltsverzeichnis
4.2.1  Beitrag A: Using Quantitative Analyses to Construct a Capability
Maturity Model for Business Intelligence ............................................... 29 
4.2.2  Beitrag B: Situational Business Intelligence Maturity Models: An
Exploratory Analysis ................................................................................ 31 
4.2.3  Beitrag C: Towards the Measurement of Business Intelligence
Maturity .................................................................................................... 32 
4.2.4  Beitrag D: Business Intelligence Maturity – Developing a Strategic
Tool Founded on IS Success Theory and Capability Maturity ................ 33 
4.2.5  Beitrag E: Evaluation of a Business Intelligence Maturity Model:
The Reliability Perspective ...................................................................... 34 
4.2.6  Beitrag F: How Well Does the Business Intelligence Maturity
Model Assess Organizational Reality: A Case-Based Evaluation ........... 35 
4.3  Validierung des Lösungsartefakts ................................................................ 36 
4.3.1  Datenerhebung ......................................................................................... 36 
4.3.2  Auswertung der Daten ............................................................................. 37 
4.3.3  Ergebnisse ................................................................................................ 38 
4.3.3.1  Unternehmen 1 ..................................................................................... 38 
4.3.3.2  Unternehmen 2 ..................................................................................... 40 
4.3.3.3  Unternehmen 3 ..................................................................................... 43 
4.3.3.4  Unternehmen 4 ..................................................................................... 45 
4.3.4  Diskussion ................................................................................................ 47 
4.4  Zusammenfassung der Forschungsergebnisse ............................................. 48 
5  Diskussion und Ausblick ........................................................................... 53 
5.1  Kritische Würdigung .................................................................................... 53 
5.2  Ausblick auf den weitergehenden Forschungsbedarf .................................. 57 
Teil B – Beiträge der Arbeit ....................................................................................... 61 
Beitrag A – Using Quantitative Analyses to Construct a Capability Maturity
Model for Business Intelligence ................................................................................. 61 
A.1  Introduction .................................................................................................. 61 
Inhaltsverzeichnis ix
A.2  Foundations and conceptual background ..................................................... 63 
A.2.1  Business Intelligence ................................................................................ 63 
A.2.2  Maturity models ....................................................................................... 64 
A.2.3  Existing BI maturity models .................................................................... 65 
A.3  Research methodology ................................................................................. 66 
A.3.1  BI maturity concept .................................................................................. 66 
A.3.2  Maturity model construction .................................................................... 68 
A.4  Development of the BI MM ......................................................................... 69 
A.4.1  Data collection .......................................................................................... 69 
A.4.2  Data analysis and interpretation ............................................................... 69 
A.5  Evaluation ..................................................................................................... 74 
A.6  Discussion and limitations............................................................................ 75 
A.7  Conclusion and future work ......................................................................... 75 
Beitrag B – Situational Business Intelligence Maturity Models: An
Exploratory Analysis ................................................................................................... 77 
B.1  Introduction .................................................................................................. 77 
B.2  Conceptual background ................................................................................ 79 
B.2.1  Business intelligence ................................................................................ 79 
B.2.2  Contingency theory .................................................................................. 80 
B.2.3  Business intelligence maturity models ..................................................... 80 
B.3  Development of situational BI MMs ............................................................ 81 
B.3.1  Research Process ...................................................................................... 81 
B.3.2  Data Collection ......................................................................................... 83 
B.3.3  Data analysis ............................................................................................. 84 
B.4  Interpretation ................................................................................................ 87 
B.4.1  Contextual factor: Company size ............................................................. 88 
B.4.2  Contextual factor: Environment ............................................................... 89 
B.5  Discussion and limitations............................................................................ 91 
x Inhaltsverzeichnis
B.6  Conclusion and future work ......................................................................... 92 
Beitrag C – Towards the Measurement of Business Intelligence Maturity ........... 93 
C.1  Introduction .................................................................................................. 93 
C.2  Related work ................................................................................................ 95 
C.3  Operationalizing BI maturity for empirical research ................................... 97 
C.4  Exemplary empirical application of the BI maturity instrument ............... 100 
C.4.1  Data collection ....................................................................................... 100 
C.4.2  Data analysis and results ........................................................................ 101 
C.5  Conclusion and future research .................................................................. 104 
C.6  Appendix .................................................................................................... 106 
Beitrag D – Business Intelligence Maturity – Developing a Strategic Tool
Founded on IS Success Theory and Capability Maturity ..................................... 107 
D.1  Introduction ................................................................................................ 107 
D.2  Foundations and related work: Maturity models, development thereof,
and issues with BI maturity models ........................................................... 110 
D.2.1  Maturity models ..................................................................................... 110 
D.2.2  BI maturity models ................................................................................. 111 
D.3  Research design .......................................................................................... 113 
D.4  Developing the theoretical basis for BI maturity ....................................... 114 
D.4.1  Research model and hypotheses ............................................................ 114 
D.4.2  Research methodology ........................................................................... 117 
D.4.3  Data analysis and results ........................................................................ 118 
D.5  Developing the BI maturity model ............................................................. 119 
D.5.1  Research methodology ........................................................................... 120 
D.5.2  Data analysis and results ........................................................................ 122 
D.6  Developing the measurement instrument for BI maturity ......................... 124 
D.6.1  Research methodology ........................................................................... 125 
D.6.2  Data analysis and results ........................................................................ 126 
Inhaltsverzeichnis xi
D.7  Discussion .................................................................................................. 127 
D.8  Conclusion .................................................................................................. 129 
D.9  Appendix A ................................................................................................ 130 
D.10  Appendix B ................................................................................................. 132 
D.11  Appendix C ................................................................................................. 133 
Beitrag E – Evaluation of a Business Intelligence Maturity Model: The
Reliability Perspective ............................................................................................... 135 
E.1  Introduction ................................................................................................ 136 
E.2  Related work ............................................................................................... 137 
E.3  The business intelligence maturity model .................................................. 138 
E.4  Evaluation in design science research ........................................................ 140 
E.5  Evaluation of the business intelligence maturity model ............................ 142 
E.5.1  Evaluation strategy ................................................................................. 142 
E.5.2  Evaluation from a reliability perspective ............................................... 143 
E.5.2.1  Data collection .................................................................................... 144 
E.5.2.2  Analysis results ................................................................................... 144 
E.6  Discussion and limitations.......................................................................... 147 
E.7  Conclusion and future work ....................................................................... 148 
Beitrag F – How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation ................................................ 149 
F.1  Introduction ................................................................................................ 150 
F.2  Related work ............................................................................................... 151 
F.3  Development of the business intelligence maturity model ........................ 152 
F.4  Research methodology ............................................................................... 153 
F.4.1  Instrument refinement ............................................................................ 154 
F.4.2  Case selection ......................................................................................... 155 
F.4.3  Data collection ........................................................................................ 157 
F.5  Conclusions and next stage of research ...................................................... 158 
xii Inhaltsverzeichnis
F.6  Appendix .................................................................................................... 160 
Anhang I – Interviewleitfaden für die Validierung ............................................... clxi 
Literaturverzeichnis ................................................................................................ clxiii 


Abkürzungsverzeichnis xiii
Abkürzungsverzeichnis
AVE Average Variance Extracted
BI Business Intelligence
BICC Business Intelligence Competency Center
CEO Chief Executive Officer
CFO Chief Financial Officer
CIO Chief Information Officer
CMM Capability Maturity Model
CMMI Capability Maturity Model Integrated
CO Construct
CR Composite Reliability
DM Data Management
DSR Design Science Research
DSS Decision Support System
DWH Data Warehouse
EIS Executive Information System
ERP Enterprise Resource Planning
IL Informationslogistik
IM Informationsmanagement
IRT Item Response Theory
IS Informationssysteme
IT Informationstechnologie
KPI Key Performance Indicator
MIS Management Information System
MM Maturity Model
OCU Office for University Cooperation
OLAP Online Analytical Processing
PLS Partial Least Squares
PM Performance Management
RM Reifegradmodell
SEM Structural Equation Model
SLA Service Level Agreement
STT Social Technical Theory
WI Wirtschaftsinformatik


Abbildungsverzeichnis xv
Abbildungsverzeichnis
Abb. 1:  Gegenüberstellung der Forschungsprozesse .................................................. 6 
Abb. 2:  Klassische BI-Umgebung, adaptiert von [Wixom, Watson 2010] ............... 11 
Abb. 3:  Übersicht Reifebeurteilung der Unternehmen .............................................. 47 
Abb. 4:  Forschungsergebnis der Dissertation ........................................................... 52 
Abb. 5:  Concepts representing BI maturity ............................................................... 66 
Abb. 6:  Analytical approach ...................................................................................... 99 
Abb. 7:  Exemplary empirical application of BI maturity in SEM .......................... 104 
Abb. 8:  Research design .......................................................................................... 113 
Abb. 9:  Research model of the relationship between BI deployment and
organizational performance........................................................................ 115 
Abb. 10:  Structural PLS model ................................................................................. 119 
Abb. 11:  Overview of results .................................................................................... 127 
Abb. 12:  Radar charts illustrating the four different maturity clusters ..................... 156 


Tabellenverzeichnis xvii
Tabellenverzeichnis
Tab. 1:  Übersicht über die bestehenden Reifegradmodelle für BI ........................... 18 
Tab. 2:  Analyse der bestehenden BI-RM ................................................................. 21 
Tab. 3:  Zusammenfassung der Anforderungen an das neue BI-RM ........................ 24 
Tab. 4:  Adressierung der Forschungsfragen in den einzelnen Beiträgen ................. 28 
Tab. 5:  Übersicht Unternehmen und Interviewpartner ............................................. 37 
Tab. 6:  Vergleich der Reifebeurteilungen von Unternehmen 1................................ 40 
Tab. 7:  Vergleich der Reifebeurteilungen von Unternehmen 2................................ 42 
Tab. 8:  Vergleich der Reifebeurteilungen von Unternehmen 3................................ 45 
Tab. 9:  Vergleich der Reifebeurteilungen von Unternehmen 4................................ 46 
Tab. 10:  Zuordnung zu den Archetypen des BI-RM .................................................. 48 
Tab. 11:  Ergebnisse der Beiträge in Bezug auf die Forschungsfragen ....................... 49 
Tab. 12:  Bibliographische Angaben zum Beitrag „Using Quantitative Analyses
to Construct a Capability Maturity Model for Business Intelligence” ........ 61 
Tab. 13:  Characteristics of MMs ................................................................................ 64 
Tab. 14:  References for questionnaire development .................................................. 67 
Tab. 15:  Sample characteristics .................................................................................. 69 
Tab. 16:  Results of applying the Rasch algorithm ordered by maturity level ............ 70 
Tab. 17:  Condensed BI MM ....................................................................................... 72 
Tab. 18:  Overview of case companies ........................................................................ 74 
Tab. 19:  Bibliographische Angaben zum Beitrag „Situational Business
Intelligence Maturity Models: An Exploratory Analysis” ........................... 77 
Tab. 20:  Sample characteristics .................................................................................. 83 
Tab. 21:  Infit and outfit statistics ................................................................................ 84 
Tab. 22:  Results of the two BI MMs for the contextual factor company size
(BIMM
A
and BIMM
B
) ................................................................................. 85 
Tab. 23:  Results of the two BI MMs for the contextual factor environment
(BIMM
C
and BIMM
D
) ................................................................................. 86 
xviii Tabellenverzeichnis
Tab. 24:  Bibliographische Angaben zum Beitrag „Towards the Measurement of
Business Intelligence Maturity” .................................................................. 93 
Tab. 25:  Overview of existing BI maturity models .................................................... 96 
Tab. 26:  Sample characteristics ................................................................................ 100 
Tab. 27:  BI maturity level of organizations grouped by industry sector .................. 101 
Tab. 28:  Measurement instrument for business benefits of BI ................................ 102 
Tab. 29:  BI maturity measurement instrument ......................................................... 106 
Tab. 30:  Bibliographische Angaben zum Beitrag „Business Intelligence
Maturity – Developing a Strategic Tool Founded on IS Success
Theory and Capability Maturity” ............................................................... 107 
Tab. 31:  Characteristics of maturity models. ........................................................... 111 
Tab. 32:  Overview of existing BI maturity models. ................................................. 112 
Tab. 33:  The resulting BI MM ................................................................................. 123 
Tab. 34:  Characteristics of sample data .................................................................... 130 
Tab. 35:  Discriminant validity: AVEs versus squared correlations ......................... 130 
Tab. 36:  Measurement of constructs and items of first survey ................................ 131 
Tab. 37:  Characteristics of sample data .................................................................... 132 
Tab. 38:  Interview partners for evaluation of BI MM .............................................. 132 
Tab. 39:  BI Maturity Measurement Instrument ........................................................ 133 
Tab. 40:  Bibliographische Angaben zum Beitrag „Evaluation of a Business
Intelligence Maturity Model: The Reliability Perspective” ...................... 135 
Tab. 41.  Overview of existing BI maturity models .................................................. 138 
Tab. 42:  The assessment instrument for the BI MM to be evaluated ....................... 140 
Tab. 43:  Evaluation requirements adapted from Venable et al. [2012] ................... 143 
Tab. 44.  Sample characteristics ................................................................................ 144 
Tab. 45:  Item-total correlation and Cronbach‘s alpha .............................................. 145 
Tab. 46:  Results of factor analysis ........................................................................... 146 
Tabellenverzeichnis xix
Tab. 47:  Bibliographische Angaben zum Beitrag „How Well Does the Business
Intelligence Maturity Model Assess Organizational Reality: A Case-
Based Evaluation” ...................................................................................... 149 
Tab. 48:  Overview of existing BI maturity models .................................................. 151 
Tab. 49:  Results of factor analysis for refined instrument ....................................... 154 
Tab. 50:  Cluster centers of four cluster solution ...................................................... 155 
Tab. 51:  Candidate organizations for case analysis .................................................. 159 
Tab. 52:  Refined BI maturity measurement instrument ........................................... 160 
Tab. 53:  Interviewleitfaden für die Validierung ....................................................... clxi 

Kurzfassung xxi
Kurzfassung
Die Bedeutung von Business Intelligence (BI) ist im Unternehmensumfeld und der
Wissenschaft während der vergangenen zwanzig Jahre stetig gestiegen. Angetrieben
durch Innovationen im Bereich der Informationstechnologie (IT) wurde BI zu einem
essenziellen Bestandteil der Informationssystemlandschaft im Unternehmen. Aber
trotz der steigenden Bekanntheit existieren grosse Unterschiede, was den Grad der
Umsetzung von BI in Unternehmen angeht. In vielen Fällen sind Unternehmen nicht in
der Lage die Vorteile von BI gewinnbringend zu nutzen und benötigen daher Unter-
stützung bei der Umsetzung und Weiterentwicklung. Reifegradmodelle (RM) haben
sich für solche Zwecke im Bereich der Informationssysteme (IS) etabliert und doku-
mentieren Entwicklungspfade für Unternehmen. Diese Modelle ermöglichen eine kon-
sistente und holistische Sicht auf einen komplexen und mehrdimensionalen Gestal-
tungsbereich, indem sie verschiedene Gestaltungsdimensionen integrieren und somit
vergleichbar machen. Allerdings weisen bestehende RM im Bereich BI erhebliche De-
fizite auf, die den Erfolg von Weiterentwicklungsinitiativen beeinträchtigen können.
Diese kumulative Dissertation hat daher die Gestaltung eines Ansatzes zur reifegrad-
modellbasierten Weiterentwicklung von BI im Unternehmen zum Ziel. Der Ansatz soll
bestehende BI-RM verbessern, indem deren Schwachstellen adressiert werden. Dazu
werden in sechs Beiträgen, dem gestaltungsorientierten Forschungsprozess folgend,
einzelne Teilartefakte entwickelt, die zusammengefasst den reifegradmodellbasierten
Lösungsansatz bilden. Hierzu gehört zum einen ein theoretisch fundiertes Reifekon-
zept für BI, das mit Hilfe quantitativer Methoden validiert wird. Zum anderen wird ein
BI-RM auf Basis empirisch fundierter Entwicklungspfade konstruiert sowie eine Beur-
teilungsmethode entworfen, mit deren Hilfe der BI-Reifegrad eines Unternehmens
gemessen werden kann. Im Rahmen des gestaltungsorientierten Forschungsprozesses
wird die entwickelte Gesamtlösung zur reifegradmodellbasierten Weiterentwicklung
von BI im Unternehmen unter Anwendung eines multimethodischen Ansatzes erfolg-
reich evaluiert. Insgesamt leitet der kombinierte Lösungsansatz Unternehmen dabei an,
einen Ist-Zustand im BI-RM zu bestimmen und darauf aufbauend Weiterentwick-
lungsprojekte inhaltlich zu spezifizieren. Diese Arbeit leistet einen wissenschaftlichen
Beitrag durch die Entwicklung von neuen Artefakten, auf die bekannte Kritiken am
Konzept der RM nicht zutreffen.
Stichwörter: Business Intelligence, Informationslogistik, Reifegradmodell, gestal-
tungsorientierte Forschung
Abstract xxiii
Abstract
Over the past two decades the importance of business intelligence (BI) has been in-
creasing in academia and practice. Information technology (IT) innovations enabled BI
to become an essential component of the information system landscape (IS) in organi-
zations. However, despite its growing popularity, substantial differences exist with
respect to the degree of BI adoption in organizations. In many cases, organizations are
far from being able to realize the benefits associated with BI. Thus, they are in desper-
ate need of support regarding implementation of BI and improvement initiatives. In the
field of IS, maturity models (MMs) have been proposed as a viable instrument that
outlines evolution paths for specific IS in organizations. By integrating different di-
mensions into a single model and thereby making them comparable, MMs provide a
consistent and comprehensive view on complex, multifaceted artifacts. However, ex-
isting MMs in the field of BI show severe limitations, which could impair the success
of improvement initiatives.
This cumulative dissertation therefore aims at designing a MM based approach for the
evolution of BI in organizations. This approach is supposed to improve on existing BI
MMs by addressing major criticisms related to the MM concept. Following a design
science research (DSR) methodology, artifacts are developed in six individual articles,
which together constitute the solution artifact. First, this thesis develops and validates
a theoretically grounded BI maturity concept using quantitative research methods. Fur-
thermore, it presents the construction of a BI MM based on empirically well-founded
evolution paths, as well as the design of a maturity assessment method, intended to
measure the BI maturity of organizations. This dissertation also successfully evaluates
the developed MM-based approach for the evolution of BI in organizations by apply-
ing a multi-methods approach. Altogether, the combined solution guides organizations
to determine their as-is situation in the BI MM and based on that to define the content
of BI improvement projects. The scientific contribution of this thesis can primarily be
attributed to the development of new artifacts, to which well-known MM criticisms are
not applicable.
Keywords: Business Intelligence, Information Logistics, Maturity Model, Design Sci-
ence Research

Teil A: Einleitung 1
Teil A – Zusammenfassung der Beiträge der Arbeit
1 Einleitung
1.1 Motivation des Forschungsvorhabens
Die Bedeutung der Informationsversorgung zur Entscheidungsunterstützung in Unter-
nehmen ist in den vergangenen zwei Jahrzehnten stetig gestiegen. Ursache für diese
Entwicklung waren vor allem Innovationen im Bereich der Informationstechnologie
(IT), die Systeme zur Entscheidungsunterstützung zu einer wesentlichen Komponente
der Informationssysteme (IS) im Unternehmen werden liessen [Chen et al. 2012, S.
1166; Watson, Wixom 2007, S. 96]. Diese Systeme und Anwendungen, die Entschei-
dungen im Unternehmen auf Basis von Informationen unterstützen, werden seit den
1990er Jahren unter dem Begriff Business Intelligence (BI) zusammengefasst [Wixom,
Watson 2010, S. 13]. In heutigen Unternehmen ist der Beitrag, den BI zum Unterneh-
menserfolg leistet, unbestritten [Davenport et al. 2010; Wixom, Watson 2010, S. 14].
In vielen Unternehmen fungiert BI sogar als strategisches Werkzeug, um organisatori-
sche Veränderungen durchzuführen und das Geschäftsmodell nachhaltig zu beeinflus-
sen. Bei der First American Corporation spielte BI eine Schlüsselrolle im Rahmen der
Umstellung der Unternehmensstrategie [Cooper et al. 2000], Blue Cross und Blue
Shield of North Carolina wandelte sich mit Hilfe von BI zu einem informationsgetrie-
benen und kundenorientierten Unternehmen [Watson et al. 2004] und Continental Air-
lines erzielte durch die Nutzung von BI einen entscheidenden Wettbewerbsvorteil
[Wixom et al. 2008]. Wie eine aktuelle Studie weiter zeigt, liegt die Durchdringung
mit BI, von Unternehmen mit einem Umsatz von über 100 Millionen Dollar, bei 97
Prozent und steigt weiter [Bloomberg Businessweek 2011, S. 2]. Dieses Ergebnis wird
durch Umfragen bestätigt, in denen BI bereits seit mehreren Jahren als hochpriorisier-
tes Thema sowohl bei Leitern der IT-Abteilung als auch in der Geschäftsleitung identi-
fiziert wird [Kemper, Pedell 2008; Luftman, Ben-Zvi 2010; Pettey 2010]. Aber auch in
der Wissenschaft ist das Interesse am Forschungsbereich BI hoch und wird durch neue
Trends wie Big Data Analytics oder Mobile BI weiter aufrechterhalten [Chen et al.
2012].
Trotz der allgemein anerkannten Bedeutung von BI für Unternehmen und der erzielten
Erfolge, scheitern viele Unternehmen immer noch an der Umsetzung und Weiterent-
wicklung von BI sowie daran, das Nutzenpotenzial vollständig auszuschöpfen
[Bloomberg Businessweek 2011, S. 2; Luftman, Ben-Zvi 2010, S. 54; Wolff 2010, S.
2 Teil A: Einleitung
5]. Die Studie von Dittmar et al. [2013, S. 8] zeigt, dass Unternehmen generell profes-
sioneller mit dem Thema BI umgehen als noch vor acht Jahren. Komplexer gewordene
Anforderungen stellen die Unternehmen aber vor neue technische und organisatorische
Herausforderungen und lassen damit die Weiterentwicklung der BI stagnieren. Winter
et al. [2008, S. 1] haben schon seit mehreren Jahren zwei Ursachen für diese Probleme
erkannt: Zum einen wird die Herstellung einer umfassenden Gesamtsicht auf BI ver-
nachlässigt und zum anderen werden solche Vorhaben nicht mit der notwendigen stra-
tegischen Weitsicht betrachtet. Stattdessen muss beim Management und der Weiter-
entwicklung von IS die gesamte Bandbreite an fachlichen, technischen und personen-
bezogenen Aspekten berücksichtigt werden [DeLone, McLean 2003; Gable et al.
2008]. Dies trifft besonders für BI, als interdisziplinäre Domäne an der Schnittstelle
zwischen Fachbereich und IT-Abteilung, zu.
Für die Gestaltung und Weiterentwicklung solch mehrdimensionaler und heterogener
Gestaltungsbereiche wie BI, hat sich das Konzept der Reifegradmodelle (RM) etabliert
[Lahrmann et al. 2011, S. 176]. RM zeigen erwartete, typische oder logische Entwick-
lungspfade von einer initialen Stufe hin zu einem gewünschten Ziel auf [Kazanjian,
Drazin 1989]. Eine wertwolle Eigenschaft wohldefinierter RM ist es, die verschiede-
nen Dimensionen eines Konstrukts in einem Modell zu integrieren und miteinander
vergleichbar zu machen. Somit stellen RM ein adäquates Instrument zur Etablierung
einer konsistenten und holistischen Sicht für die Weiterentwicklung von BI im Unter-
nehmen dar, wie sie von Winter et al. gefordert wird [2008, S. 1]. Existierende RM im
Bereich BI offenbaren unterschiedliche Schwachstellen wie einen intransparenten
Entwicklungsprozess, fehlende theoretische Grundlagen und unzureichende Validie-
rung (vgl. Abschnitt 3), was ihre Nützlichkeit und Glaubwürdigkeit stark einschränkt.
Die Dissertation setzt sich daher zum Ziel, ein neues BI-RM zu entwickeln, das als
Basis für die Weiterentwicklung von BI im Unternehmen dienen soll.
1.2 Problemstellung
Die Weiterentwicklung von BI stellt für Unternehmen ein hochgradig komplexes und
relevantes Thema dar. Es gibt kaum noch grössere Unternehmen, die auf eine Ent-
scheidungsunterstützung durch BI verzichten [Bloomberg Businessweek 2011, S. 2].
Aber es zeigte sich, dass die Umsetzung und Weiterentwicklung von BI mittlerweile
vor allem von nicht-technologischen Herausforderungen und Fragestellungen begleitet
wird [Bitterer et al. 2011; Williams, Williams 2007]. Somit ergibt sich der Bedarf nach
einer konsistenten und gesamthaften Sicht auf BI, die mit Hilfe eines BI-RM erreicht
werden kann. Für die Weiterentwicklung von BI auf Basis eines RM wird in einem
Teil A: Einleitung 3
ersten Schritt die Ist-Situation des Unternehmens durch eine Reifegradbeurteilung er-
hoben und damit der BI-Reifegrad bestimmt. Unter Verwendung, der im RM doku-
mentierten Entwicklungspfade von BI, wird weiterhin eine gewünschte Soll-Situation
identifiziert und Verbesserungsmassnahmen zur Erreichung dieser Soll-Situation aus
der Differenz zwischen Ist- und Soll-Situation im BI-RM abgeleitet.
Damit das Ergebnis der Anwendung eines RM auch Nutzen erzeugt und glaubwürdig
ist, muss das RM bestimmte Anforderungen erfüllen, die in der wissenschaftlichen
Literatur bereits als Kritik an bestehenden RM geäussert wurden (vgl. Abschnitte 2.2
und 3.2). Die in der Wissenschaft und Praxis existierenden Ansätze im Kontext von
BI-RM basieren häufig nur auf praktischen Erfahrungen sowie Expertenwissen und
vernachlässigen ein ganzheitliches methodisches Vorgehen (vgl. Abschnitt 3.1). Der
Gestaltungsbereich BI wird oft nur ausschnittsweise betrachtet und eine theoretische
oder empirische Fundierung wird nur in den wenigsten Fällen angestrebt. Handlungs-
empfehlungen, die auf Basis eines RM abgeleitet werden, welches diese Anforderun-
gen nicht erfüllt, sind nur schwer nachvollziehbar und die Validität erscheint fragwür-
dig. Solche Handlungsempfehlungen können zwar zu einer erfolgreichen Weiterent-
wicklung von BI führen, aber sie können Unternehmen auch zum Misserfolg leiten. De
facto könnte ein wohldefiniertes und validiertes BI-RM im Gegensatz zu derzeit be-
stehenden BI-RM den Unternehmen Nachvollziehbarkeit der Ergebnisse sowie eine
gewisse Erfolgssicherheit bei der Anwendung bieten. Es besteht also Handlungsbe-
darf, einen Ansatz zur reifegradmodellbasierten Weiterentwicklung von BI im Unter-
nehmen zu entwickeln, der die Anforderungen an wohldefinierte RM erfüllt. Die Prob-
lemstellung der Dissertation kann somit folgendermassen zusammengefasst werden:
Wie kann die Weiterentwicklung von Business Intelligence im Unternehmen auf Basis
eines Reifegradmodells unterstützt werden?
1.3 Zielsetzung und Abgrenzung
Das Ziel der vorliegenden kumulativen Dissertation ist die Entwicklung eines Ansat-
zes zur reifegradmodellbasierten Weiterentwicklung von BI im Unternehmen. Dazu
verfolgt diese Arbeit einen gestaltungsorientierten Forschungsansatz (vgl. Abschnitt
1.4), in dessen Rahmen sich aus der beschriebenen Zielsetzung das primäre Gestal-
tungsziel der Entwicklung eines BI-RM ergibt, welches die Evolution von BI im Un-
ternehmen ganzheitlich unterstützt und anleitet. Im Bereich BI existieren bereits einige
RM, die aber erhebliche Schwachstellen aufweisen [Lahrmann et al. 2010]. Stärker
werdende Kritik am Konzept der RM hat in den letzten Jahren die Glaubwürdigkeit
und die vermeintliche Erfolgssicherheit bei der Nutzung von RM in Frage gestellt (vgl.
4 Teil A: Einleitung
Abschnitt 2.2). Daher baut das Gestaltungsziel auf dem Erkenntnisziel bezüglich der
wesentlichen Anforderungen auf, die ein neues BI-RM erfüllen muss, um die beste-
henden Kritiken zu adressieren. Zur Erreichung der Zielsetzung wird der gestaltungs-
orientierte Forschungsprozess zusätzlich an den generischen Entwicklungsprozess für
RM (vgl. Abschnitt 2.2) angepasst und bildet damit den Strukturierungsrahmen dieser
Dissertation. Darauf basierend leiten sich die folgenden Forschungsfragen der Disser-
tation ab:
Forschungsfrage I (FI):
Was sind Anforderungen an ein methodisch fundiertes
Reifegradmodell für den Bereich Business Intelligence?
FIa
Welche Anforderungen und Kritikpunkte existieren in
der Literatur in Bezug auf das Konzept Reifegradmo-
dell?
FIb
Welche Anforderungen muss das neue Business Intel-
ligence Reifegradmodell erfüllen, um eine Weiterent-
wicklung bestehender Reifegradmodelle darzustellen?
Forschungsfrage II (FII):
Wie sieht das Konzept für ein Business Intelligence Rei-
fegradmodell aus, das diese Anforderungen erfüllt?
FIIa
Wie kann ein wohldefiniertes und theoretisch fundier-
tes Reifekonzept für Business Intelligence entwickelt
werden?
FIIb
Wie kann das Business Intelligence Reifegradmodell
auf Basis von empirisch fundierten Entwicklungspfa-
den konstruiert werden?
FIIc
Wie kann der BI-Reifegrad eines Unternehmens mit
Hilfe des Reifegradmodells gemessen werden?
Forschungsfrage III (FIII):
Wie kann das konstruierte Business Intelligence Reife-
gradmodell evaluiert werden, um zu zeigen, dass das Mo-
dell das Richtige misst?
FIIIa
Wie kann die Reliabilität des Reifegradmodells evalu-
iert werden?
FIIIb
Wie kann die Nützlichkeit des Reifegradmodells evalu-
iert werden?

Forschungsfrage FI befasst sich mit Anforderungen an die Gestaltung eines neuen BI-
RM, die auf Basis publizierter Anforderungen und Kritikpunkte an bestehenden RM
abgeleitet werden sollen. Die identifizierten Anforderungen dienen als Grundlage für
die Gestaltung eines Konzepts, das ein neues BI-RM beschreibt. Dieses Gestaltungs-
ziel wird mit der Beantwortung von Forschungsfrage FII verfolgt. Im Detail sollen
durch die Beantwortung der drei Unterfragen vor allem die Aspekte Reifekonzept für
Teil A: Einleitung 5
BI, Konstruktion des BI-RM und Messung von BI-Reife adressiert werden. Das Reife-
konzept soll wohldefiniert und theoretisch fundiert sein. Ausserdem sollen die Ent-
wicklungspfade der Unternehmen im Bereich BI, die durch das RM beschrieben wer-
den, empirisch fundiert sein und situative Betrachtungen ermöglichen. Auch die Mes-
sung des BI-Reifegrads von Unternehmen zur Etablierung einer Ist-Situation spielt
eine wichtige Rolle im Kontext dieser Forschungsfrage. Um die Nützlichkeit und Reli-
abilität des neuen BI-RM zu demonstrieren, soll in den beiden Unterfragen zu For-
schungsfrage FIII durch rigorose Evaluierung gezeigt werden, dass das BI-RM auch
wirklich BI-Reife misst. Der Schritt der Evaluierung dient ebenfalls dazu, Glaubwür-
digkeit und Akzeptanz des RM herzustellen. Zusammengefasst wird durch die Beant-
wortung der drei übergeordneten Forschungsfragen ein Lösungsansatz für die reife-
gradmodellbasierte Weiterentwicklung von Business Intelligence im Unternehmen
entwickelt.
1.4 Forschungsmethodik
Die vorliegende Dissertation stellt einen Beitrag zum Forschungsbereich der Wirt-
schaftsinformatik (WI) beziehungsweise der anglo-amerikanischen Entsprechung In-
formation Systems Research dar. In dieser Forschungsdisziplin können zwei grundle-
gende Forschungsparadigmen unterschieden werden [Peffers et al. 2007; Winter
2008]. Das Ziel des verhaltensorientierten Forschungszweigs ist es, Erkenntnis durch
„Ermittlung und Validierung kausaler erklärender und/oder vorhersagender Beziehun-
gen zwischen existierenden IS-Phänomenen“ zu erlangen [Winter, Baskerville 2010a].
Die verhaltensorientierte WI versucht demnach mit Hilfe von quantitativen Methoden
Theorien oder allgemeine Gesetzmässigkeiten zu finden. Im Gegensatz dazu beschäf-
tigt sich die gestaltungsorientierte WI mit der Erstellung von Lösungen für reale Prob-
lemszenarien, die eine Verbesserung der aktuellen Situation bewirken [March, Smith
1995]. Genauer gesagt ist die „Entwicklung und Evaluation innovativer, nützlicher,
übertragbarer Lösungen für wichtige und relevante IS-Gestaltungsprobleme“ das er-
klärte Ziel dieses Forschungsparadigmas [Winter, Baskerville 2010a].
Die vorliegende Dissertation lässt sich primär dem gestaltungsorientierten For-
schungsansatz zuordnen, da das Ziel dieser Arbeit die Gestaltung eines Lösungsansat-
zes zur reifegradmodellbasierten Weiterentwicklung von BI im Unternehmen ist. Der
Forschungsprozess einer gestaltungsorientierten Forschungsarbeit weicht von dem tra-
ditionellen Forschungsprozess der verhaltensorientierten Forschung deutlich ab. Viele
Autoren haben zur Entwicklung eines gestaltungsorientierten Forschungsprozesses
beigetragen [Peffers et al. 2006; Rossi, Sein 2003; Vaishnavi, Kuechler 2007]. Aber
6 Teil A: Einleitung
trotz kleiner Unterschiede beschreiben alle Ansätze im Kern einen ähnlichen Ablauf.
Problemlösungstypen, die das Ergebnis eines solchen Forschungsprozesses darstellen,
werden allgemein als Artefakte bezeichnet. Im Grunde können vier Typen von Arte-
fakten unterschieden werden: Konstrukte, Modelle, Methoden und Instanziierungen
[Hevner et al. 2004; March, Smith 1995; Winter, Baskerville 2010a]. Zum Teil werden
Theorien als fünfter Artefakttyp von verschiedenen Autoren stark diskutiert [Venable
2006; Walls et al. 2004].
Das Ziel der vorliegenden Arbeit ist die Entwicklung eines reifegradmodellbasierten
Ansatzes zur Weiterentwicklung von BI im Unternehmen und vereint damit Elemente
der Artefakttypen Modell und Methode. Für solche komplexen Lösungsansätze stellen
Winter et al. [2009, S. 12] den Problemlösungstyp generisches Artefakt vor. Ein
generisches Artefakt vereint demnach Elemente von Konstrukten, Modellen,
Methoden und Instanziierungen [Winter et al. 2009, S. 12]. Das in dieser Dissertation
zu entwickelnde generische Artefakt wird im restlichen Teil der Arbeit als
reifegradmodellbasierter Ansatz zur Weiterentwicklung der BI im Unternehmen
bezeichnet. Die Gestaltung des generischen Artefakts im Rahmen der kumulativen
Dissertation lehnt sich dabei grob an das Vorgehensmodell von Winter et al. an [2009,
S. 8], sodass in jedem Beitrag zunächst Teilartefakte entwickelt werden und diese dann
zu einem neuen Ganzen kombiniert werden. Als Strukturierungsrahmen für die Be-
antwortung der Forschungsfragen und die Gestaltung des Lösungsansatzes dient der
gestaltungsorientierte Forschungsprozess von Peffers et al. [2007, S. 54], der aus den
Phasen identify problem & motivate, objectives of a solution, design & development,
demonstration, evaluation und communication besteht. Da aber das primäre Gestal-
tungsziel die Entwicklung eines BI-RM ist, wird der Forschungsprozess von Peffers et
al. durch Elemente des generischen Entwicklungsprozesses für RM [Lahrmann et al.
2011] ergänzt.

Abb. 1: Gegenüberstellung der Forschungsprozesse
FIII FI FII
FIa FIb FIIa, FIIb, FIIc FIIIa, FIIIb
Identify
Problem &
Motivate
Objectives of a
Solution
Design &
Development
Demonstration Evaluation Communication
Problem-
identifikation
Eingrenzung
und Zielsetzung
Modellgestaltung Evaluierung
Iterative
Nutzung und
Evolution
D
S
R
P
e
f
f
e
r
s
e
t

a
l
.
,

2
0
0
7
R
M
L
a
h
r
m
a
n
n
e
t

a
l
.
,

2
0
1
1
Teil A: Einleitung 7
Aufgrund des gestaltungsorientierten Charakters des generischen RM-
Entwicklungsprozesses, kann allerdings eine direkte Abbildung zwischen den Aktivi-
täten der Forschungsprozesse stattfinden. Abb. 1 illustriert die Gegenüberstellung der
beiden Forschungsprozesse und die Zuordnung der Forschungsfragen zu den einzelnen
Prozessschritten. Cao et al. [2006] folgend, werden zur Beantwortung der Forschungs-
fragen neben Forschungsmethoden der gestaltungsorientierten Forschung auch verhal-
tensorientierte Forschungsmethoden eingesetzt. Im Folgenden werden die angewende-
ten quantitativen und qualitativen Methoden und Analysetechniken den Forschungs-
fragen zugeordnet.
In Forschungsfrage FI geht es primär um die Analyse der bestehenden Literatur und
die Identifikation existierender BI-RM in Wissenschaft und Praxis. Daher wird für die
Beantwortung der beiden Unterfragen die Literaturanalyse als Forschungsmethode
eingesetzt, nach dem rigorosen Ansatz von Cooper [1988] und Webster & Watson
[2002]. Der Forschungsprozess zur Beantwortung von Forschungsfrage FII bedient
sich mehrerer quantitativer Forschungsmethoden. Im Kontext von Unterfrage FIIa
wird zur Analyse eines kausalen Modells in Beitrag D die Methode der Strukturglei-
chungsmodellierung verwendet [Hair Jr et al. 2011]. Des Weiteren wird bei der Kon-
struktion des BI-RM zur Beantwortung von Unterfrage FIIb der Rasch-Algorithmus
[Bond, Fox 2007] und eine Clusteranalyse [Hair et al. 2009] eingesetzt. In Forschungs-
frage FIII wird nach einem Weg zur Evaluation des neuen BI-RM gefragt. Zuerst dazu
wird mit Hilfe einer explorativen Faktoranalyse [Hair et al. 2009] die Reliabilität des
RM hergestellt (Verifikation). Des Weiteren werden auf Basis einer Clusteranalyse
vier Archetypen von Unternehmen abgeleitet, deren BI-Reifegrad dann mittels qualita-
tiver Analyse von Fallstudien mit dem gemessenen Reifegrad (FIIc) verglichen wird.
Auf diese Weise wird das BI-RM validiert.
1.5 Aufbau der Arbeit
Die vorliegende kumulative Dissertation gliedert sich in zwei Teile: Teil A präsentiert
eine Zusammenfassung der gesamten Arbeit, während Teil B aus den sechs wissen-
schaftlichen Beiträgen besteht.
Im ersten Abschnitt von Teil A werden die Dissertation motiviert und die Problemstel-
lung sowie Forschungsfragen und Forschungsmethodik erläutert. Die relevanten kon-
zeptionellen Grundlagen dieser Arbeit werden in Abschnitt 2 beschrieben. In Ab-
schnitt 3 werden der aktuelle Stand der Forschung präsentiert und darauf aufbauend
Anforderungen an die Gestaltung der Lösung zusammengefasst. In Abschnitt 4 wird
das Forschungsergebnis dieser Arbeit auf Basis der einzelnen Beiträge vorgestellt und
8 Teil A: Einleitung
die Auswertung, der in Beitrag F beschriebenen Validierung, des BI-RM durchgeführt.
Abschliessend erfolgt in Abschnitt 5 die Diskussion und kritische Würdigung dieser
Arbeit sowie eine Darstellung weiteren Forschungsbedarfs.
Im Publikationsteil (Teil B) werden die Zielsetzung und die Forschungsfragen der Ar-
beit durch mehrere eigenständige Forschungsbeiträge adressiert. Vier der insgesamt
sechs Beiträge (A, B, C und E) wurden bereits in Abhandlungen internationaler Konfe-
renzen veröffentlicht oder befinden sich im Druck. Die Beiträge D und F wurden als
Arbeitsbericht veröffentlicht. Im Rahmen dieser Dissertation wurden die sechs Beiträ-
ge konsistent formatiert, um eine einheitliche Präsentation zu gewährleisten. Dazu
wird ein einheitlicher Zitationsstil verwendet und die Referenzen der einzelnen Beiträ-
ge werden am Ende dieser Arbeit in einem gemeinsamen Literaturverzeichnis zusam-
mengefasst. Des Weiteren werden Tabellen und Abbildungen fortlaufend nummeriert
es wird jeweils ein gesamthaftes Abkürzungs-, Abbildungs- und Tabellenverzeichnis
geführt. In Teil B werden jedem Beitrag die bibliographischen Informationen sowie
eine Kurzfassung und Schlüsselwörter vorangestellt.

Teil A: Konzeptionelle Grundlagen 9
2 Konzeptionelle Grundlagen
In diesem Abschnitt werden die relevanten Grundlagen für diese Dissertation erläutert.
Dazu wird in Abschnitt 2.1 das Konzept der BI vorgestellt, das die Entscheidungsun-
terstützung und Informationsversorgung im Unternehmen adressiert. Des Weiteren
werden in Abschnitt 2.2 das Thema RM eingeführt und die wichtigsten Eigenschaften
und Schwächen der RM betrachtet.
2.1 Business Intelligence
Der Begriff Business Intelligence (BI) wurde bereits 1958 [Luhn 1958] zum ersten
Mal in der Literatur erwähnt, aber erlangte erst während der 1990er Jahre grössere Be-
kanntheit [Wixom, Watson 2010]. Seit seiner Entstehung hat sich das Begriffsver-
ständnis allerdings von einem Sammelbegriff für einen eher technologiegetriebenen
Ansatz auf Basis von Datenanalyse-, Reporting- und Abfragewerkzeugen
[Anandarajan et al. 2004] hin zu einem Überbegriff für eine integrierte soziotechnische
Infrastruktur für die Entscheidungsunterstützung [Baars, Kemper 2008] weiterentwi-
ckelt. Das heutige Begriffsverständnis von BI baut deshalb auf Grundlagen wie Ma-
nagement Information Systems (MIS), Decision Support Systems (DSS) sowie Exe-
cutive Information Systems (EIS) auf. MIS entstanden in den 1960er Jahren und hatten
die Aufgabe strategische und taktische Entscheidungen zu unterstützen [Gallagher
1961]. Etwa ein Jahrzehnt später wurde mit dem Konzept der DSS ein breiteres Spekt-
rum der Entscheidungsunterstützung adressiert. DSS sind Systeme, die auf detaillier-
ten, problemspezifischen Datenanalysemodellen und Datenbanken basieren und Ent-
scheidungsträger bei semi-strukturierten Entscheidungsproblemen interaktiv unterstüt-
zen [Davis, Olson 1985; Laudon, Laudon 2006]. EIS richten sich dagegen ausdrück-
lich an die Unternehmensführung und die Entscheidungsunterstützung im Rahmen von
Planungs- und Führungsaufgaben [Rockart, Treacy 1980].
In Analogie zur Evolution der Terminologie hat sich ebenfalls die Rolle und die Be-
deutung von BI für Organisationen im Laufe der Zeit gewandelt [Wixom, Watson
2010]. IT-Innovationen wie Data Warehouse-Systeme (DWH-Systeme) und moderne
Analysewerkzeuge ebneten für BI den Weg, um zu einer essentiellen Komponente der
IS zu werden, deren Beitrag zum Erfolg von Organisationen mittlerweile unbestritten
ist [Davenport et al. 2010; Wixom, Watson 2010]. Die Rolle von BI hat sich von einer
„isolierten, analytischen Anwendung“ hin zu einer organisatorischen Fähigkeit von
strategischer Bedeutung weiterentwickelt [Negash, Gray 2008]. Immer öfter werden
technologische Herausforderungen von Fragen zur organisatorischen Umsetzung einer
10 Teil A: Konzeptionelle Grundlagen
unternehmensweiten Fähigkeit (z.B. Erstellung einer unternehmensweiten BI-
Strategie), Fragen zur geschäftlichen Ausrichtung oder Fragen zur Kompetenz in Nut-
zung, Betrieb und Weiterentwicklung einer umfassenden Lösungsarchitektur begleitet
[Richardson, Bitterer 2010; Williams, Williams 2007]. Der Wandel wird zusätzlich
dadurch verdeutlicht, dass BI heute in Managementumfragen als ein Thema höchster
Priorität bezeichnet wird [Luftman, Ben-Zvi 2010; McDonald 2010; Richardson,
Bitterer 2010].Aber trotz der allgemein anerkannten Bedeutung von BI, stellt die Um-
setzung im Unternehmen immer noch eine grosse Herausforderung dar [Luftman, Ben-
Zvi 2010], sowohl von technologischer als auch von organisatorischer Seite.
Aufgrund der komplexen Evolution von BI, lässt sich das Konzept weniger klar ab-
grenzen und es existieren mehrere Definitionen, die sich teilweise widersprechen. So
wird BI von bestimmten Autoren als die Gesamtheit aller analytischen Applikationen
inklusive der Infrastruktur zur Datenhaltung verstanden [Gluchowski 2001, S. 6;
Negash 2004, S. 178], wohingegen andere Autoren die nötigen Prozesse und Organisa-
tionsstrukturen ebenfalls dem Konzept BI zuordnen [Grothe, Gentsch 2000, S. 11;
Wixom, Watson 2010, S. 14]. Ein wesentlich konkreteres Begriffsverständnis für die
Aspekte, die von BI adressiert werden, bietet das St. Galler Konzept der Informations-
logistik (IL). Das Ziel der IL ist eine bereichsübergreifende, an fachlichen Zielen ori-
entierte Informationsversorgung und wird nach Winter et al. [2008, S. 2] als „Planung,
Steuerung, Durchführung und Kontrolle der Gesamtheit der Datenflüsse verstanden,
die über eine Betrachtungseinheit hinausgehen, sowie die Speicherung und Aufberei-
tung dieser Daten.“ Da die Beiträge dieser Dissertation sich an internationale wissen-
schaftliche Konferenzen und Zeitschriften wenden, wird im Rahmen dieser Arbeit die
Definition von Wixom und Watson [2010, S. 14] verwendet, die diesem umfassende-
ren Begriffsverständnis entspricht und den integrativen soziotechnischen Charakter
von BI verdeutlicht:
„Business intelligence (BI) is a broad category of technologies, applications, and pro-
cesses for gathering, storing, accessing, and analyzing data to help its users make bet-
ter decisions.”
Aufbauend auf diesem Begriffsverständnis werden in der vorliegenden Dissertation
Themenfelder von der Strategie über die organisatorische Aufstellung bis hin zu Nut-
zung und technischer Infrastruktur abgedeckt. Wird ein BI-System aus der technischen
Perspektive betrachtet, bildet in den meisten Fällen ein DWH die zentrale Komponente
(vgl. Abb. 2). Die technische Sicht auf die Datenhaltung beziehungsweise das DWH
wird auch unter dem Begriff „Data Warehousing“ zusammengefasst. Das DWH inte-
Teil A
grier
cke
tens
teme
Die
Werk
gern
le fü
Data
and-
und
viele
Umg
risch
pass
im B
die W
A: Konzept
rt üblicherw
[Inmon et
transaktio
e extrahiert
Abb. 2:
rechte Se
rkzeugen u
n wertvolle
ür solche A
a Mining. D
-Spoke-Ans
den Quell
en Unterne
gebung. Zu
h und umfa
ter Form z
Bereich BI
Weiterentw
tionelle Gru
weise Date
al. 2008; K
nale System
t, transform
Klassis
eite von A
und BI-Anw
Informatio
Anwendun
Die hier da
satz [Ariya
lsystemen
ehmen als
u beachten
assend ist u
zum Einsat
erweitern u
wicklung v
undlagen
en aus eine
Kimball et
me. Bei de
miert und d
sche BI-Um
Abb. 2 zei
wendungen
onen zur V
ngen sind
argestellte D
achandra, W
sowie Dat
erfolgreic
ist, dass d
und daher
tz kommt. A
und veränd
von BI vor
er Vielzahl
t al. 2008].
er Datenint
dann in das
mgebung, a
igt, wie d
n genutzt w
Verfügung z
SQL-Abfr
DWH-Arc
Watson 20
ta Marts a
ch erwiese
die in Abb
in vielen U
Auch neue
dern die be
allem von
von Quell
Zu diesen
tegration w
s DWH gel
adaptiert v
das DWH
wird, um P
zu stellen [
ragen, Beri
chitektur en
005], mit e
als Spokes.
en und die
. 2 abgebil
Unternehm
e Technolo
estehenden
n drei gros
lsystemen
n Quellsyst
werden die
aden.
on [Wixom
von analy
Planern un
[Negash 20
ichte, OLA
ntspricht de
einem zent
Diese Arc
ent oft als
ldete BI-U
men in abge
ogien und W
BI-Landsc
sen Treibe
für analyti
temen gehö
Daten der
m, Watson 2
lytischen F
nd Entsche
004]. Einig
AP, Dashb
em klassis
tralen DWH
rchitektur h
s Grundlag
Umgebung
ewandelter
Weiterentw
chaften. Zu
ern und He
11
ische Zwe-
ören meis-
r Quellsys-
2010]
Front-End-
eidungsträ-
ge Beispie-
boards und
chen Hub-
H als Hub
hat sich in
ge der BI-
sehr gene-
und ange-
wicklungen
urzeit wird
erausforde-

-
-
-

-
-
-
d
-
b
n
-
-
-
n
d
-
12 Teil A: Konzeptionelle Grundlagen
rungen bestimmt. Zum einen ermöglichen In-Memory-Datenbanken, dass Analysen
von Daten direkt auf den transaktionalen Systemen ausgeführt werden können [Winter
et al. 2011, S. 26], zum anderen stellt die Analyse von grossen Datenmengen („Big
Data Analytics“) eine Quelle neuer Erkenntnisse für Unternehmen dar. Seit einigen
Jahren werden riesige Mengen an webbasierten, mobilen oder sensorgenerierten Daten
geschaffen, aus denen wichtige Informationen gewonnen werden können [Chen et al.
2012, S. 1168]. Des Weiteren gelten orts- und kontextbezogene Techniken der Samm-
lung, Verarbeitung, Analyse und Visualisierung von mobilen und sensorgenerierten
Daten als dritter Treiber [Chen et al. 2012, S. 1168].
2.2 Reifegradmodelle
Reifegradmodelle (RM) sind eine spezielle Form der Referenzmodelle, die die Ent-
wicklung und Transformation von Organisationen, Prozessen oder IS auf Basis von
bewährten Methoden dokumentieren und anleiten. Der Begriff Reife wird in diesem
Zusammenhang als Messgrösse verstanden, die es Organisationen erlaubt ihre Fähig-
keiten in Bezug auf einen bestimmten Problembereich zu evaluieren [Rosemann, De
Bruin 2005, S. 2]. Das Konzept der RM wurde in den 1970er Jahren auf Basis der the-
oretischen Grundlage des „Stages-of-Growth“-Modells von Nolan [Nolan 1973], das
den Fortschritt der IT in Unternehmen beschreibt und dem Qualitätsmanagementmo-
dells von Crosby [Crosby 1979] entwickelt.
Dank des Erfolgs einiger prominenter Beispiele, wie des Capability Maturity Model
(CMM) Ende der 1980er Jahre [Humphrey 1988] und dessen Weiterentwicklung Cap-
ability Maturity Model Integrated (CMMI) Ende der 1990er Jahre [Ahern et al. 2003;
Crawford 2006], wuchs die Popularität der RM schnell an und es folgte die Entwick-
lung unzähliger RM durch Akademiker und Praktiker. Meistens adressieren RM dabei
Technologien oder Systeme [Popovic et al. 2009], Prozesse [Chrissis et al. 2003; Paulk
et al. 1993b], Menschen oder Arbeitskräfte [Curtis et al. 2010] und Management Fä-
higkeiten wie Projekt- oder Wissensmanagement [Crawford 2006; Paulzen et al.
2002]. Im Bereich der IS wurden bisher zum Beispiel über 100 RM-Instanzen veröf-
fentlicht [Mettler, Rohner 2009].
Ein RM besteht aus einer Abfolge von Reifestufen (Reifelevels) für eine Klasse von
Objekten und beschreibt dadurch einen antizipierten, gewünschten oder typischen
Entwicklungspfad dieser Objekte [Becker et al. 2009b, S. 1]. Diese Objekte repräsen-
tieren üblicherweise Organisationen, Prozesse oder Technologien [Becker et al. 2009b,
S. 1] und werden durch die im RM definierten Dimensionen detaillierter erfasst. Die
Dimensionen eines RM stellen spezifische Fähigkeitsbereiche dar, welche verschiede-
Teil A: Konzeptionelle Grundlagen 13
ne Aspekte des zu beurteilenden Objekts beschreiben. Deshalb sollten Dimensionen
sowohl vollständig als auch überschneidungsfrei sein [Mettler, Rohner 2009]. Für jede
Dimension des RM definieren die unterschiedlichen Reifestufen bestimmte charakte-
ristische Bedingungen, die ein Objekt auf dieser Stufe erfüllen muss [Fraser et al.
2002, S. 246]. Die Stufen des RM sind sequentiell geordnet und beschreiben die Evo-
lution von einer initialen Stufe hin zu einer finalen Stufe, dem Level der Perfektion
[Klimko 2001, S. 171]. Jede Stufe sollte eine unterschiedliche Menge an Charakteris-
tiken besitzen, die empirisch getestet werden können [Nolan 1973, S. 400]. Um eine
Beurteilung des Reifegrads einer Organisation durchzuführen, sollten entweder quali-
tative (zum Beispiel Interviews) oder quantitative Methoden (zum Beispiel Fragebö-
gen) verwendet werden.
Grundsätzlich können zwei Arten von RM unterschieden werden: Kontinuierliche
Modelle und Stufenmodelle [Fraser et al. 2002, S. 246]. In Stufenmodellen kann die
nächste Reifestufe nur dann erreicht werden, wenn alle Kriterien der aktuellen Stufe
erfüllt sind. Die einzelnen Stufen stellen damit Innovationsschübe dar und beschreiben
einen Entwicklungspfad. Im Gegensatz zu dieser statischen Betrachtung von Reife
basieren kontinuierliche Modelle auf der Annahme, dass Reife nicht statisch beschrie-
ben werden kann sondern von situativen Faktoren abhängig ist [King, Kraemer 1984].
Eine Organisation kann deshalb in einem kontinuierlichen Modell für unterschiedliche
Dimensionen verschiedene Reifegrade erreichen. Eine weitere Unterscheidung kann
auf Basis des Einsatzzwecks der RM vorgenommen werden [de Bruin et al. 2005, S. 3;
Mettler 2010, S. 44]:
? Beschreibende Modelle: Ein rein beschreibendes RM stellt keine Möglichkeiten
zur Messung des Reifegrads zur Verfügung und stellt keine Verbindung zu
Verbesserungsmassnahmen her.
? Optimierungsmodelle: Sie geben Gestaltungsempfehlungen für anzustrebende
Entwicklungsstufen ab. Diese Gestaltungsempfehlungen stehen in Verbindung
mit einer Steigerung der Leistungsfähigkeit der Organisation [Paulk et al.
1993b, S. 18].
? Bewertungsmodelle: werden dazu eingesetzt, eine bestimmte Domäne regel-
mässig auf Qualitätsmerkmale hin zu prüfen. Dabei wird versucht Verbesse-
rungspotenziale abzuleiten, die aber keinen definitiven Entwicklungspfad spezi-
fizieren, sondern die Umsetzung der Verbesserung als dynamisch betrachten
[European Foundation for Quality 1999]. Ein solches Modell wird oft auch als
14 Teil A: Konzeptionelle Grundlagen
„comparative“ beschrieben und ermöglicht das Benchmarking von Reife zwi-
schen Unternehmen oder Industrien [de Bruin et al. 2005, S. 3].
Für die Entwicklung von RM existieren mehrere Gestaltungsprozesse [Becker et al.
2009a; de Bruin et al. 2005; Maier et al. 2009; Mettler 2010; van Steenbergen et al.
2010], die im Kern aber ähnliche Gestaltungsschritte beinhalten. Laut Lahrmann et al.
[Lahrmann et al. 2011, S. 4], werden die folgenden fünf generischen Schritte in jedem
dieser Gestaltungsprozesse durchlaufen:
1. Problemidentifikation: In einem ersten Schritt wird der Bedarf nach einer neuen
oder verbesserten Problemlösung identifiziert. Dabei spielt vor allem die Reife
des Anwendungsgebiets eine grosse Rolle, da etablierte Domänen typischer-
weise weniger Erklärung benötigen als neue Anwendungsgebiete [Lahrmann et
al. 2011, S. 179].
2. Eingrenzung und Zielsetzung: Für die Entwicklung eines RM ist es wichtig, den
Gestaltungsbereich (Domäne) und die Zielsetzung des RM festzulegen. Dies
kann auf Basis einer Literaturanalyse oder Erfahrungen mit dem Gestaltungsbe-
reich erfolgen [de Bruin et al. 2005]. Des Weiteren bestimmen die Einsatzvo-
raussetzungen, welche Annahmen und Charakteristiken in den Entwicklungs-
prozess einfliessen [van Steenbergen et al. 2010].
3. Modellgestaltung: Die Modellgestaltung kann auf zwei Arten erfolgen: Im Top-
Down-Ansatz werden die Reifestufen als erstes definiert und erst danach wer-
den die Eigenschaften, die die verschiedenen Dimensionen beschreiben, herge-
leitet. Im Gegensatz dazu werden bei der Bottom-Up-Methode als erstes die
Dimensionen und Eigenschaften erstellt und auf dieser Basis die Definition der
Reifestufen abgeleitet. Diese Grundstruktur dient als Basis für die weitere Aus-
gestaltung des RM. Die Gestaltungsobjekte zur Ausgestaltung der einzelnen
Dimensionen und Reifestufen werden üblicherweise mit Hilfe einer Literatur-
analyse oder auf Basis von Fallstudien hergeleitet [Mettler 2010, S. 136]. Bei
der Bottom-Up-Methode dient die Erstellung der Modellinhalte ausserdem als
erster Schritt zur Erhebung der Daten für die Ableitung der Reifestufen. Gene-
rell werden die Gestaltungsobjekte als Frage formuliert und in einem Fragenka-
talog zusammengefasst.
4. Evaluierung: Ein wichtiger Schritt in der Modellentwicklung ist die Evaluation
des RM, die sicherstellt, dass die Anforderungen an das Modell erfüllt werden
[Becker et al. 2009a]. In diesem Kontext kann das RM auf Validität, Reliabili-
tät, Generalisierbarkeit und Qualität überprüft werden [de Bruin et al. 2005, S.
9; Mettler 2010, S. 136].
Teil A: Konzeptionelle Grundlagen 15
5. Iterative Nutzung und Evolution: Für den kontinuierlichen Einsatz muss das
RM anwenderspezifisch operationalisiert werden, indem geeignete Transfermit-
tel zur Verfügung gestellt werden, die das Modell dokumentieren [Becker et al.
2009a]. Ausserdem müssen Fragestellungen wie die weitere Verbreitung des
Modells, Evolution und die Sicherstellung der Nutzung adressiert werden.
Die Entwicklung der im letzten Abschnitt beschriebenen Gestaltungsprozesse, erfolgte
unter anderem als Antwort auf die immer stärker werdende Kritik am Konzept der
RM. Vor allem der Entwicklungs- und Designprozess von RM wurde als intransparent
und subjektiv geprägt beschrieben [Becker et al. 2009a, S. 214; Mettler, Rohner 2009].
Dazu gehört sowohl die Definition der Dimensionen als auch die Definition der Reife-
stufen. Da die Richtlinien der Gestaltungsprozesse allerdings sehr generisch sind und
nur selten konkrete Techniken und Methoden präsentieren, stellen zuverlässige und
rigorose Entwicklungsmethoden die Ausnahmen dar [Lahrmann et al. 2011, S. 177].
Die theoretische und methodische Fundierung der Entwicklung der RM stellt einen
weiteren Kritikpunkt dar. Pöppelbuss et al. [2011, S. 510] fanden auf Basis einer Lite-
raturanalyse heraus, dass Theorien in der Vergangenheit im Bereich der Wirtschaftsin-
formatik bei Forschung im Kontext von RM vernachlässigt wurden. Diese Aussage
deckt sich mit den Ergebnissen von McCormack et al. [2009, S. 793], die anmerken,
dass die meisten existierenden RM auf vereinzelten Belegen und Erfolgsgeschichten
beruhen. Auch Biberoglu und Haddad [2002, S. 150] kommen zu dem Schluss, dass es
an methodischen und theoretischen Grundlagen mangelt.
Methodisch wird vor allem der hohe Anteil an rein konzeptuellen Arbeiten und die
fehlende empirische Fundierung kritisiert [Solli-Sæther, Gottschalk 2010, S. 280]. Die
fragwürdige empirische Basis war ebenfalls einer der Hauptkritikpunkte von King und
Kraemer [1984] am Stages-of-Growth-Modell von Nolan [1973]. Weitere Kritik und
Forderungen nach einer stärkeren empirischen Fundierung bei der Entwicklung von
RM folgten [Benbasat et al. 1984; de Bruin et al. 2005; McCormack et al. 2009].
Die Analyse von zehn BI-RM im Artikel von Lahrmann et al. [2010] zeigt des Weite-
ren, dass der inhaltliche Umfang der BI-RM ebenfalls eine Schwachstelle vieler Mo-
delle darstellt. Traditionelle IT-Themen wie zum Beispiel Anwendungen, Daten und
Infrastruktur zeigen eine hohe Präsenz in den analysierten Modellen. Im Gegensatz
dazu werden Themen wie Organisationsstruktur der BI, BI-Strategie und Kosten in
den meisten Fällen vernachlässigt. Allerdings steht dies im Kontrast zur aktuellen
Entwicklung in der IS-Literatur, in der diese Themen stark vertreten sind [Gansor et al.
2010; Vierkorn, Friedrich 2010].
16 Teil A: Konzeptionelle Grundlagen
Eine weitere Kritik am Konzept der RM bezieht sich auf die Vernachlässigung von
situativen Einflussfaktoren (wie z. B. Unternehmensgrösse oder Branche). Zur Verein-
fachung unterliegt den meisten RM die Annahme, dass sich alle Unternehmen auf dem
gleichen Evolutionspfad bewegen [Mettler, Rohner 2009, S. 3]. Eine ähnliche Kritik
bezieht sich auf die, den RM zu Grunde liegende, lineare Sequenz der Reifestufen, die
in der Praxis nicht existieren soll [Solli-Sæther, Gottschalk 2010, S. 281]. Es wird des
Weiteren von Pfeffer und Sutton [1999, S. 87] kritisiert, dass RM eine Erfolgssicher-
heit suggerieren, die nicht gegeben ist. RM zeigen zwar einen Verbesserungsbedarf
auf, allerdings wird keine Aussage über den Veränderungsprozess getroffen, der zur
Verbesserung führen soll.

Teil A: Verwandte Ansätze 17
3 Verwandte Ansätze
Dieser Abschnitt stellt eine Übersicht bestehender RM für den Bereich BI zusammen.
Auf Basis einer Literaturrecherche werden existierende BI-RM aus Wissenschaft und
Praxis identifiziert. Die bestehenden RM werden auf ihre Eigenschaften und die an-
wendbaren Kritikpunkte aus Abschnitt 2.2 hin analysiert. Die Analyse der bestehenden
Ansätze hilft dabei, die Anforderungen an ein neues BI-RM abzuleiten. Eine detaillier-
tere und themenspezifische Analyse erfolgt in den einzelnen Beiträgen dieser kumula-
tiven Dissertation (vgl. Teil B).
3.1 Bestehende Reifegradmodelle für Business Intelligence
Im Themenbereich BI wurde bisher eine grosse Anzahl von RM vorgeschlagen
[Wixom, Watson 2010] und auch bereits in mehreren Literaturrecherchen analysiert
[Chuah, Wong 2011; Lahrmann et al. 2010]. Die Literaturanalyse von Lahrmann et al.
basiert auf den rigorosen Ansätzen zur Literaturanalyse von Cooper [1988] und Webs-
ter & Watson [2002] und stellt die umfangreichste Analyse im Bereich der BI-RM dar.
Diese Analyse identifiziert zehn BI-RM bis zum Jahr 2010. Diese BI-RM wurden im
Hinblick auf Methodologie und Inhalt analysiert. Im Verlauf dieses Abschnitts wird
auf den Ergebnissen von Lahrmann et al. aufgebaut und die Literaturanalyse bis zum
Jahr 2013 ergänzt. Dazu wird der methodische Ansatz zur Identifikation der relevanten
Literatur von Lahrmann et al. grundlegend übernommen. Im Detail wird eine Daten-
banksuche mit folgendem Suchbegriff durchgeführt:
(("maturity" OR "capability" OR "assessment") AND "model" OR "Reifegradmodell")
AND ("business intelligence" OR "BI" OR "data warehousing" OR "data warehouse"
OR "DW" OR "business analytics" OR “Informationslogistik”)
Als Datenbanken wurden für die Suche AIS Electronic Library, Emerald, EBSCOhost
BSP, IEEE Xplore, JSTOR, ProQuest und ScienceDirect verwendet. Zusätzlich wurde
mit Google Web ebenfalls nach Ergebnissen aus der Praxis gesucht. Diese Datenban-
ken decken den Grossteil der wichtigen IS-Journale ab [Association for Information
Systems 2011]. Für die weitere Analyse wurden die Beiträge ausgewählt, die ein RM
in den Bereichen BI und DWH beschreiben. Insgesamt konnten so 19 veröffentlichte
BI-RM identifiziert werden, die in die folgende Analyse mit einbezogen werden. Tab.
1 enthält eine Übersicht dieser Modelle.
18 Teil A: Verwandte Ansätze
Tab. 1: Übersicht über die bestehenden Reifegradmodelle für BI
# Modell/
Autor
Referenz Thema Beschreibung
1
Watson
et al.
[Watson et
al. 2001]
DWH
Das RM von Watson et al. besteht aus drei Stufen und neun
DWH-spezifischen Dimensionen. Zur Entwicklung des RM
auf Basis einer Studie mit acht DWH-Experten wurde der
Stages-of-Growth-Ansatz von Nolan [1973] als theoretische
Grundlage verwendet. Die Stufen des RM sind „initiation“,
„growth“ und „maturity“.
2 SAS
[Hatcher,
Prentice
2004; Sas
Institute
2009]
IM
1

Das Information Evolution Model von SAS hilft Organisa-
tionen dabei ein Assessment durchzuführen, das aufzeigt
wie die Organisation Informationen benutzt, um das Ge-
schäft voranzutreiben. Das RM besitzt vier Dimensionen
und unterscheidet fünf Levels. Da der Entwicklungsprozess
nicht dargestellt wird, kann keine Aussage über die Zuver-
lässigkeit des Modells gemacht werden.
3 TDWI
[Eckerson
2004;
Eckerson
2009]
BI
Im TDWI-Reifegradmodell werden sieben Dimensionen
unterschieden und die Evolution wird auf sechs Stufen dar-
gestellt. Die Reifestufen wurden nach den Stufen der
menschlichen Evolution von „prenatal“ bis „sage“ benannt.
Das RM dient ausserdem als Basis für den TDWI BI
Benchmark Report, der seit 2006 jährlich veröffentlicht
wird.
4 SMC
[Chamoni,
Gluchowski
2004;
Schulze et
al. 2009]
BI
Das BI-RM von Steria Mummert Consulting ist ein für die
Praxis entwickeltes RM, das die Messung von BI-Reife in
die drei Dimensionen „business“, „system“ und „organiza-
tion“ unterteilt. Die Messung erfolgt mit Hilfe eines Frage-
bogens. Als Ergebnis werden die Unternehmen einer von
fünf Reifestufen zugewiesen. Die Reliabilität des Modells
ist nicht dokumentiert.
5
Cates et
al.
[Cates et al.
2005]
BI
Das „Ladder of Business Intelligence“-Reifegradmodell
(LOBI) besitzt sechs Levels und drei Dimensionen. Cates et
al. entwickelten das RM, um die Effektivität und Effizienz
der Entscheidungsfindung in Unternehmen zu beschreiben.
Das LOBI-RM ist Teil eines umfangreichen Frameworks,
das die Erstellung einer IT-Roadmap und die Entwicklung
von IT-Architekturen unterstützen soll.
6 Dataflux
[Fisher
2005]
DM
2

Das Enterprise Data Management RM dient Unternehmen
dazu, ihre Reife in Bezug auf das Management von Daten
zu quantifizieren. Die Grundstruktur bilden die vier Dimen-
sionen „people“, process“, „technology“ und „risk & re-
ward“ gemeinsam mit den vier Reifestufen „unaware“,
„reactive“, proactive“ und „predictive“. Eine Validierung
des RM ist nicht dokumentiert, allerdings ist das RM frei
verfügbar.
7 Sen et al.
[Sen et al.
2011; Sen et
al. 2006]
DWH
Sen et al. betrachten den Themenbereich DWH als Prozess,
der aus verschiedenen Komponenten besteht. Das RM baut
mit diesem Verständnis direkt auf den Grundkonzepten des
CMMI auf [Ahern et al. 2003]. Nach einer ersten Studie im

1
Information Management
2
Data Management
Teil A: Verwandte Ansätze 19
# Modell/
Autor
Referenz Thema Beschreibung
Jahr 2006 wurde die finale Version des Modells 2011 veröf-
fentlicht. Das RM besitzt fünf Reifestufen und unterscheidet
zwei Dimensionen. Das Ziel des Modells ist es, unter-
schiedliche Reifestufen des DWH-Entwicklungsprozesses
darzustellen.
8 HP
[Henschen
2007;
Hewlett
2009]
BI
Das BI-RM von Hewlett-Packard teilt BI in die drei Dimen-
sionen „business enablement“, „strategy & program ma-
nagement“ und „information management“ ein. Die fünf
Reifestufen wurden auf Basis der jahrelangen Erfahrung mit
Kunden erstellt. Da das RM als Produkt für potenzielle
Kunden verwendet wird, ist es nicht frei verfügbar und auch
die Zuverlässigkeit ist nicht dokumentiert.
9 Gartner
[Rayner,
Schlegel
2008]
BI &
PM
3

Dieses RM fasst die Bereiche BI und Performance Ma-
nagement in einem einzigen Modell zusammen. Insgesamt
werden fünf Levels definiert, die textuell beschrieben sind.
Allerdings werden keine Dimensionen definiert, sondern
pro Level bestimmte Aspekte detailliert beschrieben. Infor-
mationen über die Reliabilität liegen nicht vor.
10 Teradata
[Töpfer
2008]
BI &
DWH
Teradata entwickelt ein RM für BI und DWH, das vor allem
die Prozessperspektive betont. Es werden die Dimensionen
„data sophistication“ und „workload complexity“ unter-
schieden. Des Weiteren ist das RM in fünf Reifestufen ge-
gliedert. Teradata verwendet das RM als Instrument zur
Dokumentation der aktuellen Situation eines Unternehmens
und als Basis für mögliche BI-Projekte. Die Reliabilität ist
nicht dokumentiert.
11 EBI2M
[Chuah
2010;
Chuah,
Wong 2012]
BI
Chuah et al. entwickeln ein RM für BI im Unternehmens-
umfeld. Das RM besteht aus fünf Levels und drei Dimensi-
onen. Das Ziel des EBIMM ist es den CMM-Ansatz für die
BI-Domäne zu adaptieren. Die Zuverlässigkeit des Modells
ist unklar, da der Entwicklungsprozess und auch die theore-
tische Fundierung nicht adressiert werden. Im Jahr 2012
wird das erweiterte EBI2M veröffentlicht, das auf einer
Delphi-Studie basiert.
12
DW
CMM
[Sacu 2010] DWH
Das RM von Sacu besteht aus sechs Dimensionen und fünf
Reifestufen für den Bereich DWH. Analog zum CMMI
basiert das Modell ebenfalls auf Fähigkeiten. Das DW
CMM wird ausserdem durch einen Fragebogen als Assess-
mentinstrument operationalisiert. Des Weiteren wurde eine
erste Verifizierung mit fünf Experten durchgeführt und in
Folge kleinere Verbesserungen am RM vorgenommen.
13 BIDM
[Sacu,
Spruit 2010]
BI
Sacu & Spruit präsentieren ein BI-RM, das auf sechs Stufen
und 20 Charakteristiken basiert. Allerdings wird die Herlei-
tung der verwendeten Charakteristiken nicht beschrieben.
Des Weiteren existiert auch keine empirische Fundierung,
was den Nutzen des Modells unklar erscheinen lässt.
14
Lukman
et al.
[Lukman et
al. 2011]
BI
Das BI-RM von Lukman et al. enthält drei Dimensionen
und fünf Levels. Es wurde mit Hilfe einer Cluster-Analyse
auf Basis von empirischen Daten entwickelt. Allerdings
wird die Entwicklung und Validierung des Fragebogens

3
Performance Management
20 Teil A: Verwandte Ansätze
# Modell/
Autor
Referenz Thema Beschreibung
nicht im Detail beschrieben.
15
Ong et
al.
[Ong et al.
2011]
BI
Ong et al. präsentieren erste Ergebnisse ihres BI-RM, die
auf Basis von vier befragten Unternehmen entstanden sind.
Das RM wird als Fragebogen mit den vier Dimensionen
„organizational“, „process“, „technology“ und „outcome“
entwickelt, sodass die Kriterien, die von den Unternehmen
erfüllt werden müssen, als Fragen formuliert sind. Reifestu-
fen bestehen nur implizit durch die Verwendung einer 5-
Punkt-Likert-Skala für jede Frage.
16
Tan et
al.
[Tan et al.
2011]
BI
Das von Tan et al. entwickelte BI-RM besteht aus fünf Rei-
festufen und den vier Dimensionen „information quality“,
„master data management“, „warehousing architecture“ und
„analytics“. Der Entwicklungsprozess basiert zum Teil auf
quantitativen Methoden, ist aber nur sehr rudimentär doku-
mentiert. Auch dieses RM befindet sich noch in einem initi-
alen Zustand.
17
Cosic et
al.
[Cosic et al.
2012]
BI
Das Business Analytics Capability Maturity Model von
Cosic et al. baut auf der theoretischen Basis der Resource-
Based-View-Theorie auf und definiert ein Framework mit
den vier Dimensionen “Governance”, “Culture”, „Techno-
logy” und „People“. Insgesamt existieren fünf generisch
benannte Reifestufen. Eine Validierung des Modells ist
geplant.
18
Brooks
et al.
[Brooks et
al. 2013]
BI
Brooks et al. präsentieren ebenfalls erste Forschungsergeb-
nisse im Rahmen ihrer BI-RM Entwicklung für den
Healthcare-Sektor. Auf Basis bestehender Modelle und
Literatur werden sechs Anforderungen an ein solches BI-
RM abgeleitet. In weiterführender Forschung sollen die
Dimensionen und Levels des RM entwickelt und eine Vali-
dierung durchgeführt werden.
19 OCU [Ocu 2013] BI
Das BI-RM des spanischen Unternehmens „Office for Uni-
versity Cooperation“ (OCU) richtet sich speziell an Univer-
sitäten. Im Modell sind neun Dimensionen und fünf Reife-
stufen definiert. Ein Assessmentinstrument ist frei verfüg-
bar, mit dessen Hilfe Universitäten ihren BI-Reifegrad fest-
stellen können. Eine Validierung ist nicht dokumentiert und
das Modell basiert auf Erfahrungswerten.

Die inhaltliche Analyse bestehender Modelle wurde bereits von Lahrmann et al.
[2010] detailliert durchgeführt und zeigte vor allem, dass primär technische Themen
adressiert werden, wohingegen wichtige Aspekte von BI wie Strategie und Organisati-
onsstrukturen keine Beachtung finden. Da die methodische Analyse von Lahrmann et
al. [2010, S. 9] nicht alle relevanten Kriterien abdeckt, konzentriert sich die folgende
Analyse der bestehenden BI-RM auf die Erweiterung der methodischen und konzepti-
onellen Perspektive. Dazu wird das Klassifikationsschema von Mettler et al. verwen-
det, das verschiedene Kriterien zum Entwurf und Design eines RM beschreibt [Mettler
et al. 2009, S. 4]. Im Detail werden die Kriterien Herkunft, Architektur, Anwendung
Teil A: Verwandte Ansätze 21
und Zuverlässigkeit zur Analyse herangezogen. Zum Teil baut die Analyse dabei auf
der Literaturanalyse von Lahrmann et al. auf [2010]. Zusätzlich werden die bestehen-
den RM auf die Anwendbarkeit der in Abschnitt 2.2 aufgeführten Kritiken am Kon-
zept der RM hin untersucht.
Tab. 2: Analyse der bestehenden BI-RM
#
Modell/
Autor
Herkunft Architektur Anwendung
Zuver-
lässigkeit
Anwendbare
Kritikpunkte


W
i
s
s
e
n
s
c
h
a
f
t

P
r
a
x
i
s

R
a
s
t
e
r

(
M
a
t
u
r
i
t
y

G
r
i
d
)

S
t
r
u
k
t
.

F
r
a
g
e
b
o
g
e
n

F
o
r
m
a
l
e

A
r
c
h
.

(
v
g
l
.

C
M
M
)

S
e
l
b
s
t
b
e
u
r
t
e
i
l
u
n
g

B
e
u
r
t
e
i
l
u
n
g

d
u
r
c
h

D
r
i
t
t
e

Z
e
r
t
i
f
i
z
i
e
r
u
n
g

V
e
r
i
f
i
z
i
e
r
t

V
a
l
i
d
i
e
r
t

I
n
t
r
a
n
s
p
.

E
n
t
w
i
c
k
l
u
n
g
s
p
r
o
z
e
s
s

F
e
h
l
e
n
d
e

t
h
e
o
r
e
t
i
s
c
h
e

F
u
n
d
i
e
r
u
n
g

F
e
h
l
e
n
d
e

e
m
p
i
r
i
s
c
h
e

F
u
n
d
i
e
r
u
n
g

S
i
t
u
a
t
i
v
i
t
ä
t

w
i
r
d

n
i
c
h
t

b
e
a
c
h
t
e
t

1 Watson et al. ? ? ? ? ? ?
2 SAS ? ? ? ? ? ?
3 TDWI ? ? ? ? ? ? ?
4 SMC ? ? ? ? ? ? ? ? ?
5 Cates et al. ? ? ? ? ? ? ? ?
6 Dataflux ? ? ? ? ? ? ?
7 Sen et al. ? ? ? ? ? ? ? ?
8 HP ? ? ? ? ? ?
9 Gartner ? ? ? ? ? ?
10 Teradata ? ? ? ? ? ?
11 EBI2M ? ? ?
12 DW CMM ? ? ? ? ? ? ? ?
13 BIDM ? ? ? ? ? ?
14 Lukman et al. ? ? ? ? ?
15 Ong et al. ? ? ? ? ? ?
16 Tan et al. ? ? ? ? ? ? ?
17 Cosic et al. ? ? ? ?
18 Brooks et al. ? ? ? ? ? ?
19 OCU ? ? ? ? ? ? ? ?

Als Kritikpunkte wurden ein intransparenter Entwicklungsprozess [Becker et al.
2009a, S. 214; Lahrmann et al. 2011, S. 177; Mettler, Rohner 2009], fehlende theoreti-
sche Fundierung [Biberoglu, Haddad 2002, S. 150; McCormack et al. 2009, S. 793;
Poeppelbuss et al. 2011, S. 510], fehlende empirische Fundierung [Benbasat et al.
22 Teil A: Verwandte Ansätze
1984; de Bruin et al. 2005; King, Kraemer 1984; McCormack et al. 2009; Solli-
Sæther, Gottschalk 2010, S. 280] und Nichtbetrachtung von situativen Einflussfakto-
ren [Mettler, Rohner 2009, S. 3] ausgewählt. Das Ergebnis der Analyse wird in Tab. 2
dargestellt. Die Bewertung eines Modells mit dem Kästchen-Symbol (?) bedeutet in
diesem Fall, dass ein Aspekt vom Modell adressiert oder eine Kritik anwendbar ist.
Über den genauen Umfang oder die Qualität der Bewertung wird durch das Symbol
keine Aussage getroffen.
Die Analyse der bestehenden BI-RM zeigt, dass bereits ein breites Spektrum an RM
im Bereich BI existiert. Es sind sowohl Modelle mit einem wissenschaftlichen Hinter-
grund als auch praxisgetriebene Modelle vorhanden. In den letzten drei Jahren wurden
allerdings fast ausschliesslich neue RM mit akademischem Hintergrund veröffentlicht.
Betrachtet man die Architektur oder den grundlegenden Aufbau der RM fällt auf, dass
kein Modell eine formale Architektur mit definierten Zielen und Kernpraktiken auf-
weist. Die existierenden RM wurden entweder als Raster oder Fragebogen entwickelt,
manche sogar in beiden Formen. Die Anwendung der BI-RM zur Beurteilung der Rei-
fe eines Unternehmens kann bei RM mit akademischer Herkunft in den meisten Fällen
vom Unternehmen selbst durchgeführt werden, da alle Informationen frei zur Verfü-
gung stehen. Die BI-RM mit Praxisbezug dienen vor allem Beratungsunternehmen als
Instrument zur Akquise potenzieller Kunden und erlauben daher nur eine Beurteilung
durch Dritte. Die nötigen Informationen für eine Selbstbeurteilung stehen in der Regel
nicht öffentlich zur Verfügung. Keines der Modelle bietet die Möglichkeit einer Zerti-
fizierung an.
Wie schon die Kurzbeschreibungen der BI-RM in Tab. 1 zeigen, sind die meisten Mo-
delle nur sehr schlecht dokumentiert und in den meisten Fällen wird über die Zuverläs-
sigkeit der Modelle keine Aussage getroffen. Die Analyse offenbart, dass nur sechs der
19 BI-RM eine Verifizierung durchführen. Verifizierung bedeutet im Kontext der RM,
sicherzustellen, dass das RM den konzeptuellen Anforderungen und Spezifikationen
des Entwicklers mit ausreichender Genauigkeit entspricht [Conwell et al. 2000]. In
allen sechs Fällen wurde die Verifizierung auf Basis qualitativer Methoden mit Hilfe
einer Gruppe von Experten durchgeführt. Eine zusätzliche empirische Verifizierung
fand nicht statt. Validierung hingegen bedeutet, zu zeigen, dass das RM eine akkurate
Abbildung der realen Welt aus der Perspektive der beabsichtigten Nutzung darstellt
[Conwell et al. 2000]. Die Analyse zeigt, dass trotz einiger Verifizierungsansätze kei-
nes der analysierten Modelle eine Validierung in diesem Sinne durchführt. Zusammen-
fassend lässt sich daher in Bezug auf die Zuverlässigkeit der Modelle feststellen, dass
diese in keinem Fall ausreichend bestätigt wurde.
Teil A: Verwandte Ansätze 23
Bei Analyse der bestehenden BI-RM auf die Anwendbarkeit der vier ausgewählten
Kritikpunkte zeigt sich, dass kein Modell alle Kritikpunkte ausreichend adressiert.
Mindestens zwei der Kritiken treffen für jedes der Modelle zu. In diesem Zusammen-
hang fallen vor allem die aus der Praxis stammenden RM negativ auf. Alle diese BI-
RM haben gemeinsam, dass weder der Entwicklungsprozess transparent beschrieben
wird, noch eine theoretische oder empirische Fundierung besteht oder situative Aspek-
te betrachtet werden. Die RM mit wissenschaftlichem Hintergrund beschreiben in der
Regel zumindest den Entwicklungsprozess im Detail. Allerdings weisen nur das
DWH-RM von Watson et al. [2001] und das BI-RM von Cosic et al. [2012] eine ex-
plizite theoretische Fundierung auf. Dem Modell von Watson et al liegt der Stages-of-
Growth-Ansatz zu Grunde [Nolan 1973] und Cosic et al. verwenden die Resource-
Based-View-Theorie [Barney 1991]. Des Weiteren weisen nur drei Modelle eine em-
pirische Grundlage bei der Entwicklung auf. Für die Entwicklung des EBI2M wird
eine Delphi-Studie durchgeführt [2012], Lukman et al. setzen eine Clusteranalyse ein
[2011] und Tan et al. verwenden eine Faktoranalyse für die Konstruktion [2011]. In
keinem der analysierten Modelle wird der Einfluss von situativen Aspekten wie zum
Beispiel Firmengrösse oder Branche betrachtet.
3.2 Anforderungen an ein neues Business Intelligence Reifegradmo-
dell
Auf Basis des Abschnitts 2.2 zu den Grundlagen von RM und der Analyse bestehender
RM im Bereich BI lassen sich für die Dissertation sieben zentrale Anforderungen an
ein neues wohldefiniertes BI-RM ableiten. Tab. 3 präsentiert eine Zusammenfassung
der Anforderungen, die ebenfalls in den einzelnen Beiträgen dieser Arbeit detailliert
beschrieben werden (vgl. Teil B).
Anforderung A1 leitet sich direkt aus den Kritiken von Becker et al. [Knackstedt et al.
2009, S. 214] sowie Mettler und Rohner [Mettler, Rohner 2009] ab, die den Entwick-
lungsprozess von RM als intransparent und zum Teil willkürlich beschreiben. Die An-
forderung hat zum Ziel, dass die Entwicklung des BI-RM auf Basis rigoroser For-
schungsmethoden erfolgt und detailliert dokumentiert wird. Anforderung A2 adressiert
die von mehreren Autoren geäusserte Kritik an der unzureichenden theoretischen Fun-
dierung der Entwicklung von RM [Biberoglu, Haddad 2002, S. 150; McCormack et al.
2009, S. 793; Pöppelbuß, Röglinger 2011, S. 510]. Für den Bereich BI wird diese Kri-
tik durch die Ergebnisse der Literaturanalyse bestätigt (vgl. Tab. 2). Insbesondere auf
den Bereich BI bezogen wurde auch der begrenzte inhaltliche Umfang existierender
BI-RM als eine Schwachstelle identifiziert [Lahrmann et al. 2010]. Die weitere Analy-
24 Teil A: Verwandte Ansätze
se bestehender RM in Abschnitt 3.1 zeigt vor allem eine Fokussierung auf technische
Themen, woraus sich der Bedarf nach einer gesamthaften Betrachtung aller Themen-
gebiete von BI im neuen RM ergibt (Anforderung A3). Analog zur theoretischen Fun-
dierung wurde die fehlende empirische Fundierung in bestehenden RM von vielen Au-
toren stark kritisiert [Benbasat et al. 1984; de Bruin et al. 2005; King, Kraemer 1984;
McCormack et al. 2009; Solli-Sæther, Gottschalk 2010, S. 280]. Aus dieser Kritik lei-
tet sich Anforderung A4 ab, die eine empirische Fundierung des RM vorschreibt, um
damit von einzelnen subjektiven Erfahrungen oder Expertenmeinungen unabhängig zu
sein.
Tab. 3: Zusammenfassung der Anforderungen an das neue BI-RM
# Name Beschreibung
A1
Transparenter
Entwicklungs-
prozess
Die Entwicklung des RM soll einem transparenten und rigorosen
Prozess folgen, der detailliert dokumentiert wird. Auf diese Weise
wird die Nachvollziehbarkeit der Konstruktion sichergestellt.
A2
Theoretische
Fundierung
Die Entwicklung des RM soll auf einem theoretisch fundierten Rei-
fekonzept aufbauen.
A3
Inhaltliche
Abdeckung
Das RM soll inhaltlich die gesamte „Business-to-IT“-Bandbreite der
BI-Themengebiete abdecken wie in Abschnitt 2.1 definiert.
A4
Empirische
Fundierung
Die Reifestufen und Entwicklungspfade des RM sollen empirisch
fundiert sein, sodass subjektive Einflüsse auf die Konstruktion mini-
miert werden.
A5 Situativität
Der Entwicklungsprozess soll es möglich machen, situative Aspekte
zu betrachten und im RM umzusetzen.
A6
Beurteilungsme-
thode
Für das RM soll eine Beurteilungsmethode entwickelt werden, mit
deren Hilfe die BI-Reife von Unternehmen auf Basis eines Berech-
nungsalgorithmus gemessen werden kann.
A7 Evaluierung
Das RM soll nach Abschluss der Entwicklung verifiziert und vali-
diert werden, um die Zuverlässigkeit zu zeigen.

Anforderung A5 bezieht sich auf die Aussagen von Mettler und Rohner [2009, S. 3],
die kritisieren, dass situative Einflussfaktoren wie Unternehmensgrösse oder Branche
bei der Konstruktion von RM vernachlässigt werden. Die Ergebnisse der Analyse exis-
tierender BI-RM bestätigen diese Aussage, da keines der RM solche Einflussfaktoren
beachtet (vgl. Tab. 2). In Anforderung A6 wird schliesslich auf einen wichtigen Be-
standteil eines RM eingegangen. Zur Bestimmung der Reifestufe eines Unternehmens
wird eine Beurteilungsmethode benötigt, die Anforderung A1 folgend, nachvollziehbar
und deterministisch sein sollte. Des Weiteren ergab die Analyse bestehender BI-RM,
dass nur etwa 30 Prozent dieser RM verifiziert wurden und in keinem Fall eine Vali-
dierung durchgeführt wurde. Um aber zu zeigen, dass der Inhalt des RM auch wirklich
die Realität widerspiegelt und durch Anwendung des RM valide Handlungsempfeh-
Teil A: Verwandte Ansätze 25
lungen abgeleitet werden können, ist eine Evaluierung im Sinne von Verifikation und
Validierung essenziell (Anforderung A7).

Teil A: Forschungsergebnis der vorliegenden Arbeit 27
4 Forschungsergebnis der vorliegenden Arbeit
Das Forschungsergebnis der vorliegenden Arbeit setzt sich im Kern aus sechs eigen-
ständigen Forschungsbeiträgen zusammen und beschreibt einen reifegradmodellbasier-
ten Ansatz zur Weiterentwicklung von BI im Unternehmen. Dieser Ansatz wird kon-
zeptionell in Abschnitt 4.1 vorgestellt. In Abschnitt 4.2 werden die einzelnen Beiträge
der Dissertation zusammengefasst, um einen Überblick über die Ergebnisse zu geben.
Ergänzend wird in Abschnitt 4.3 noch die Auswertung der Validierung des Lösungsar-
tefakts präsentiert. Abschliessend wird das übergreifende Forschungsergebnis der ku-
mulativen Dissertation in Abschnitt 4.4 vorgestellt.
4.1 Konzeptionelle Gestaltung
Die Dissertation verfolgt die Gestaltung eines Lösungsansatzes zur reifegradmodellba-
sierten Weiterentwicklung von BI im Unternehmen. Zur Erreichung dieses Ziels wird
die gegebene Problemstellung durch die Forschungsfragen (vgl. Abschnitt 1.3) in ein-
zelne, abgrenzbare Problemlösungskomponenten zerlegt, die auf Basis des gestal-
tungsorientierten Forschungsprozesses (vgl. Abschnitt 1.4) erarbeitet werden. Dazu
steuern die Beiträge der Dissertation Teilartefakte bei, die sich den
Problemlösungskomponenten zuordnen lassen. Im Folgenden werden die
Problemlösungskomponenten beschrieben und die Beantwortung der
Forschungsfragen den Beiträgen der Dissertation zugeordnet. Tab. 4 enthält eine
Übersicht, zu welchem Ausmass
4
die Forschungsfragen in den einzelnen Beiträgen
adressiert werden.
Den Kern dieser Dissertation stellt die Beantwortung von Forschungsfrage FII dar.
Ihre Komplexität wird durch die Gliederung in drei Problemlösungskomponenten
heruntergebrochen. Zentral ist dabei die Problemlösungskomponente BI-
Reifegradmodell (FIIb), die dem Artefakttyp Modell entspricht [Hevner et al. 2004, S.
77]. Das BI-RM wird grundsätzlich im Rahmen der Beiträge A, B und D entwickelt.
Dabei legt Beitrag A die methodischen Grundlagen für die Modellentwicklung,
wohingegen in Beitrag B basierend auf diesen Grundlagen situative Aspekte der
Entwicklung analysiert werden. In Beitrag D konzentriert sich die Entwicklung des BI-

4
Das Ausmass der Adressierung kann wie folgt interpretiert werden: Ein zu einem Viertel ausgefüllter
Kreis bedeutet „nur teilweise Adressierung“, ein zur Hälfte ausgefüllter Kreis bedeutet „detaillierte
Adressierung von Teilaspekten“ und ein vollständig ausgefüllter Kreis lässt auf „vollständige Adres-
sierung aller Aspekte“ schliessen.
28 Teil A: Forschungsergebnis der vorliegenden Arbeit
RM vor allem auf die theoretische Grundlage des RM. Auch in Beitrag A werden
theoretisch fundierte Dimensionen als Basis für das theoretische Reifekonzept für BI
abgeleitet, das eine weitere Problemlösungskomponente darstellt (FIIa). In Beitrag D
erfolgt zusätzlich die Gestaltung und Validierung einer Erweiterung des
Reifekonzepts, die den Zusammenhang zwischen Umsetzung von BI im Unternehmen
und Leistung des Unternehmens erfasst.
Tab. 4: Adressierung der Forschungsfragen in den einzelnen Beiträgen
Beitrag und Titel
FI FII FIII
L
i
t
e
r
a
t
u
r
a
n
a
l
y
s
e

A
n
f
o
r
d
e
r
u
n
g
e
n

R
e
i
f
e
k
o
n
z
e
p
t

B
I
-
R
e
i
f
e
g
r
a
d
m
o
d
e
l
l

M
e
s
s
u
n
g

V
e
r
i
f
i
k
a
t
i
o
n

V
a
l
i
d
i
e
r
u
n
g

FIa FIb FIIa FIIb FIIc FIIIa FIIIb
A
Using Quantitative Analyses to
Construct a Capability Maturity Model
for Business Intelligence
? ? ? ? ? ? ?
B
Situational Business Intelligence
Maturity Models: An Exploratory
Analysis
? ? ? ? ? ? ?
C
Towards the Measurement of Business
Intelligence Maturity ? ? ? ? ? ? ?
D
Business Intelligence Maturity –
Developing a Strategic Tool Founded
on IS Success Theory and Capability
Maturity
? ? ? ? ? ? ?
E
Evaluation of a Business Intelligence
Maturity Model: The Reliability
Perspective
? ? ? ? ? ? ?
F
How Well Does the Business
Intelligence Maturity Model Assess
Organizational Reality: A Case-Based
Evaluation
? ? ? ? ? ? ?

Teil A der Dissertation
? ? ? ? ? ? ?

Teil A: Forschungsergebnis der vorliegenden Arbeit 29
Die dritte Problemlösungskomponente ist die Beurteilungmethode zur Berechnung des
Reifegrads. Die Entwicklung des Teilartefakts und damit die Beantwortung der
Forschungsfrage FIIc erfolgt in Beitrag C und wird in Beitrag D an die entsprechende
Version des BI-RM angepasst. In Beitrag F wird eine verbesserte Version der
Beurteilungsmethode erarbeitet. Die Kombination der drei Problemlösungskomponen-
ten und damit der Ergebnisse der einzelnen Beiträge liefert einen
reifegradmodellbasierten Lösungsansatz zur Weiterentwicklung der BI im
Unternehmen in Form eines generischen Artefakts (vgl. Abschnitt 1.4). Des Weiteren
werden in Teil A der Dissertation die Problemstellung für das generische Artefakt
beschrieben (vgl. Abschnitt 1.2) und die Anforderungen an ein neues BI-RM
zusammengefasst (vgl Abschnitt 3.2). Damit wird Forschungsfrage FI in Teil A der
Dissertation gesamthaft beantwortet, wohingegen diese Aspekte in den Beiträgen A-F
nur themenspezifisch behandelt werden. Die Evaluierung des generischen Artefakts
erfolgt in den Beiträgen E und F sowie Teil A der Dissertation. Insgesamt werden
somit alle sieben detaillierten Forschungsfragen in mindestens einem der Beiträge
vollständig adressiert. Folglich wird durch die Beantwortung der Forschungsfragen der
gesamte gestaltungsorientierte Forschungsprozess im Rahmen dieser Dissertation
durchlaufen.
4.2 Beiträge der Arbeit
Jeder der sechs Beiträge der Dissertation stellt für sich genommen einen inhaltlich und
formal eigenständigen wissenschaftlichen Beitrag dar. Im Folgenden wird ein zusam-
menfassender Überblick über die Beiträge der Arbeit gegeben. Dabei werden die As-
pekte Motivation, Inhalte & Methodik und Ergebnisse der einzelnen Beiträge zusam-
mengefasst.
4.2.1 Beitrag A: Using Quantitative Analyses to Construct a Capability Maturity
Model for Business Intelligence
Motivation:
Für die Gestaltung und Weiterentwicklung der BI-Funktion im Unternehmen ist eine
gesamthafte Sicht auf das Thema BI notwendig, die die gesamte Bandbreite an fachli-
chen sowie technologischen Fragestellungen adressiert. Das Konzept der RM stellt ein
etabliertes Werkzeug dar, um das effektive Management und die kontinuierliche Ver-
besserung von solch komplexen und mehrdimensionalen Phänomenen zu unterstützen
[Ahern et al. 2003]. Die bestehenden RM im Bereich BI vernachlässigen aber wichtige
Anforderungen an ein nachhaltiges und wohldefiniertes RM (vgl. Abschnitt 3). Daher
30 Teil A: Forschungsergebnis der vorliegenden Arbeit
werden in Beitrag A die Grundlagen für die Konstruktion eines BI-RM entwickelt und
ein erstes BI-RM konstruiert, welches diese Anforderungen (vgl. Abschnitt 3.2) erfüllt.
Inhalte & Methodik:
Auf Grundlage der Betrachtung bestehender BI-RM werden die wichtigsten Anforde-
rungen an ein neues BI-RM abgeleitet. Dabei wird auch auf den Ergebnissen der Ana-
lyse von Lahrmann et al. aufgebaut [2010]. In Beitrag A werden ein transparenter
Konstruktionsprozess, ein explizites Reifekonzept, eine theoretische Fundierung, eine
empirische Grundlage und die inhaltliche Adressierung der gesamten „Business-to-
IT“-Bandbreite als wichtigste Anforderungen identifiziert.
Zunächst wird dann das Reifekonzept expliziert und die theoretische Fundierung auf
Basis der „IS-Success“-Modelle [DeLone, McLean 2003] beschrieben (vgl. Abschnitt
A.3.1). Auf Grundlage der theoretischen Fundierung werden die fünf Dimensionen
Strategy, Social System, Technical System, Quality und Use abgeleitet, die inhaltlich
die gesamte Bandbreite der BI abdecken. Des Weiteren werden für die einzelnen Di-
mensionen Fähigkeiten unterschiedlicher Reife definiert, die als Fragebogen operatio-
nalisiert werden. Mit Hilfe des Fragebogens werden die Daten für die Konstruktion
des BI-RM auf Basis von quantitativen Methoden gesammelt. Das resultierende BI-
RM (vgl. Tab. 16) wird daraufhin in einer ersten Evaluation auf die Erfüllung der defi-
nierten Anforderungen geprüft.
Ergebnisse:
In Beitrag A werden die Grundlagen für die Konstruktion eines neuen BI-RM gelegt.
Es werden bereits die wichtigsten Anforderungen, die ein neues RM erfüllen muss,
definiert und die grundlegende Struktur des BI-RM (die Dimensionen) abgeleitet.
Ausserdem wird inhaltlich ein Katalog von BI-Fähigkeiten entwickelt, der auch in den
folgenden Beiträgen Anwendung findet. Die Konstruktion der ersten Version des BI-
RM dient als Basis für die weitere Forschungsarbeit. Beitrag A bildet vor allem die
Grundlage für die Beantwortung von Forschungsunterfrage FIIb, aber adressiert eben-
falls die Anforderungen (FI) und Evaluation (FIII).
Teil A: Forschungsergebnis der vorliegenden Arbeit 31
4.2.2 Beitrag B: Situational Business Intelligence Maturity Models: An Explora-
tory Analysis
Motivation:
Beitrag B adressiert die Kritik von Mettler & Rohner [Mettler, Rohner 2009, S. 3],
wonach situative Aspekte bei der Entwicklung von RM meist keine Beachtung finden.
Allerdings ist die Wirkung von Kontextfaktoren auf Unternehmen bereits seit längerer
Zeit Gegenstand wissenschaftlicher Untersuchungen und sollte nicht ignoriert werden
[Weill, Olson 1989]. Im Kontext von BI-RM sollte daher hinterfragt werden, wie be-
stimmte Kontextfaktoren die Evolutionspfade im RM beeinflussen. Ein kleines mittel-
ständisches Unternehmen entwickelt sich nicht automatisch auf demselben Weg wie
ein internationaler Konzern.
Inhalte & Methodik:
Um die Wirkung von situativen Faktoren auf das BI-RM, welches in Beitrag A entwi-
ckelt wurde zu analysieren, werden in Beitrag B zuerst zwei der sieben, in der Litera-
tur etablierten [Weill, Olson 1989], situativen Faktoren ausgewählt. Diese Faktoren
sind Unternehmensgrösse und Unternehmensumfeld, wobei der erste Faktor zwischen
Unternehmen mit weniger als eintausend Mitarbeitern und Unternehmen mit mehr als
eintausend Mitarbeitern unterscheidet. Letzterer Faktor differenziert zwischen Unter-
nehmen aus der verarbeitenden Industrie und der Dienstleistungsbranche. Auf Grund-
lage dieser zwei Faktoren werden vier situative BI-RM konstruiert (vgl. Tab. 22 und
Tab. 23), die den vier Ausprägungen der Kontextfaktoren entsprechen. Zur Konstruk-
tion wird die in Beitrag A vorgestellte quantitative Methodik auf Teilmengen der Da-
tenbasis angewendet. Zur Identifikation der Teilmengen werden die demographischen
Angaben der Unternehmen benutzt. Ein Vergleich der beiden situativen BI-RM pro
Kontextfaktor zeigt die Unterschiede in der Reifeentwicklung auf.
Ergebnisse:
Beitrag B liefert die Basis für die Konstruktion situativer BI-RM und adressiert damit
eine weitere Anforderung an das neue BI-RM (vgl. Abschnitt 3.2). Die Methodik
zeigt, dass mit Hilfe der gleichen Daten sowohl ein allgemeines BI-RM konstruiert
werden kann als auch ein BI-RM, das ausgewählten situativen Anforderungen ent-
spricht. Damit trägt Beitrag B zur Beantwortung von Unterfrage FIIb bei und teilweise
zu Forschungsfrage FI.
32 Teil A: Forschungsergebnis der vorliegenden Arbeit
4.2.3 Beitrag C: Towards the Measurement of Business Intelligence Maturity
Motivation:
Für die Gestaltung und Weiterentwicklung der BI-Funktion im Unternehmen, mit Hil-
fe eines BI-RM, ist zunächst die genaue Kenntnis des aktuellen Reifegrads notwendig.
Auf dieser Basis können dann die im BI-RM beschriebenen Entwicklungspfade ge-
nutzt werden, um einen gewünschten Zielreifegrad zu definieren und eine konkrete BI-
Roadmap abzuleiten. Die dazu benötigte Beurteilungsmethode sollte möglichst einfach
anzuwenden sein, aber trotzdem den BI-Reifegrad mit der nötigen Genauigkeit messen
können. Der berechnete Reifegrad könnte des Weiteren als neue Variable in zukünfti-
ger empirischer Forschung verwendet werden.
Inhalte & Methodik:
Um eine Beurteilungsmethode für BI-Reife zu entwickeln werden in Beitrag C drei
Phasen vorgeschlagen. In der ersten Phase wird das BI-RM, das in Beitrag A entwi-
ckelt wurde (vgl. Tab. 16), in Form eines Fragebogens operationalisiert. Dabei werden
Fähigkeiten aus dem BI-RM zusammengefasst und insgesamt 25 Fragen unter Ver-
wendung einer Fünfpunkt-Likert-Skala definiert (vgl. Tab. 29). Für die Messung des
Reifegrads auf Basis der 25 Fragen werden ausserdem für jeden der fünf Reifegrade
„ideale“ Reifeprofile definiert. In der zweiten Phase wird ein Algorithmus entwickelt,
der durch eine zweifache Anwendung des Euklidischen Distanzmasses den BI-
Reifegrad eines Unternehmens berechnet. Im Detail wird in einem ersten Schritt der
BI-Reifegrad für jede Dimension des RM bestimmt. Dazu wird die Euklidische Dis-
tanz zwischen den beantworteten Fragen einer Dimension und den fünf idealen Reife-
profilen berechnet. Das Reifeprofil mit minimaler Distanz repräsentiert den Reifegrad
der Dimension. Analog dazu wird der BI-Reifegrad des Unternehmens bestimmt. Zu-
erst wird die Euklidische Distanz zwischen den fünf Reifegraden der Dimensionen und
den fünf idealen Reifeprofilen bestimmt und dann das Reifeprofil mit der geringsten
Distanz als BI-Reifegrad des Unternehmens berechnet.
Die beschriebene Beurteilungsmethode wird in einer dritten Phase für 92 Unternehmen
angewendet. Die Ergebnisse zeigen, dass 85 Prozent der Unternehmen bereits einen
Reifegrad von mindesten drei erreicht haben. Allerdings besitzen nur zwei Unterneh-
men einen BI-Reifegrad von fünf. Um die Verwendung der berechneten Variable BI-
Reifegrad zu demonstrieren, wird ausserdem ein kausales Strukturgleichungsmodell
mit Hilfe der quantitativen Partial-Least-Squares-Methode [Hair Jr et al. 2011] vali-
diert (vgl. Abschnitt C.4). Dieses Modell stellt Hypothesen über den Zusammenhang
zwischen BI-Reifegrad und dem wirtschaftlichen Nutzen von BI auf.
Teil A: Forschungsergebnis der vorliegenden Arbeit 33
Ergebnisse:
In Beitrag C wird eine erste Version der Beurteilungsmethode für den BI-Reifegrad
eines Unternehmens entworfen. Die exemplarische Anwendung der Methode demons-
triert die Nützlichkeit. Beitrag C legt damit die Grundlage für die Beantwortung von
Forschungsfrage FIIc und erfüllt eine weitere Anforderung an das BI-RM. Der Ist-
Zustand eines Unternehmens in Bezug auf das BI-RM kann somit bestimmt werden.
Dies bildet die Basis für die weitere Verwendung des BI-RM in der Praxis. Wissen-
schaftlich betrachtet kann die neue Variable in weiterer empirischer Forschung ver-
wendet werden, was am Beispiel des Strukturgleichungsmodells gezeigt wird.
4.2.4 Beitrag D: Business Intelligence Maturity – Developing a Strategic Tool
Founded on IS Success Theory and Capability Maturity
Motivation:
In den vorhergehenden Beiträgen wurden vor allem die Forschungsfragen FIIb (BI-
Reifegradmodell) und FIIc (Messung von BI-Reife) adressiert. Forschungsfrage FIIa
wurde bisher nur teilweise mit der ersten Version des BI-RM beantwortet. Daher wird
in Beitrag D der theoretischen Fundierung des BI-RM besondere Bedeutung zugemes-
sen und ein theoretisches Modell als Basis für das Reifekonzept entwickelt. Des Wei-
teren ist das Ziel von Beitrag D die bisherigen Teilartefakte in einen gemeinsamen
Entwicklungsprozess einzubetten. Dieser Entwicklungsprozess demonstriert wie ein
BI-RM, das den Anforderungen aus Abschnitt 3.2 entspricht, von der theoretischen
Basis bis zur Beurteilungsmethode konstruiert werden kann.
Inhalte & Methodik:
Das Forschungsdesign von Beitrag D dient dazu, das kombinierte Wissen von Wissen-
schaft und Praxis zu nutzen [Ward 2012] und besteht aus drei Schritten. Im ersten
Schritt wird das theoretische Modell entwickelt und validiert, das die Basis für das BI-
RM bildet, das in einem zweiten Schritt konstruiert wird. Im dritten Schritt wird das
BI-RM operationalisiert und eine Beurteilungsmethode entwickelt.
Das theoretische Modell (vgl. Abb. 9) wird auf Basis einer strukturierten Analyse be-
stehender Arbeiten abgeleitet und beschreibt den Zusammenhang zwischen der Um-
setzung von BI und Leistung des Unternehmens. Hauptsächlich basiert das Modell auf
den IS-Success-Modellen und zielt darauf ab, die methodischen Stärken dieser etab-
lierten Theorien als Grundlage für das BI-RM zu nutzen. Die Konzepte des Modells
(BI capabilities, BI practices, BI IT-artifact, BI use und BI impact) werden als Frage-
bogen operationalisiert und damit Daten von 104 Unternehmen gesammelt. Die Vali-
34 Teil A: Forschungsergebnis der vorliegenden Arbeit
dierung des Modells und die Bestätigung der Hypothesen werden mit Hilfe der Partial-
Least-Squares-Methode (PLS-Methode) durchgeführt. Auf Basis dieser theoretischen
Fundierung wird nachfolgend das BI-RM konstruiert (vgl. Tab. 33). Dabei bilden die
beeinflussbaren Konzepte des theoretischen Modells die Dimensionen des RM. Ana-
log zu Beitrag A erfolgt die Konstruktion mit Hilfe quantitativer Methoden (Rasch-
Analyse auf Basis einer Umfrage). Im letzten Schritt wird die aus Beitrag C bekannte
Methodik angepasst, um eine Beurteilungsmethode für das BI-RM zu entwickeln. Die
resultierende Beurteilungsmethode (vgl. Abschnitt D.6) wird angewendet und evalu-
iert.
Ergebnisse:
Das Forschungsergebnis von Beitrag D ist ein theoretisch fundiertes BI-RM inklusive
einer Beurteilungsmethode. Mit diesem Modell kann der Ist-Reifegrad von Unterneh-
men im Bereich BI berechnet werden und es kann ein anzustrebender Soll-Zustand
bestimmt werden. Das zusammengesetzte Artefakt kann somit als Mittel zur inhaltli-
chen Gestaltung der Weiterentwicklung von BI verwendet werden. Beitrag D trägt also
ebenfalls zu Forschungsfragen FIIb und FIIc bei. Vor allem aber wird in Beitrag D die
Entwicklung eines theoretischen Modells als Grundlage des BI-RM thematisiert. Da-
mit adressiert Beitrag D Unterfrage FIIa von Forschungsfrage FII und schliesst somit
die Entwicklungsphase des Forschungsprozesses ab.
4.2.5 Beitrag E: Evaluation of a Business Intelligence Maturity Model: The Reli-
ability Perspective
Motivation:
In den Beiträgen A bis D wurden die Forschungsfragen FI und FII weitgehend beant-
wortet und die identifizierten Teilartefakte (vgl. Abschnitt 4.1), die zur reifegradmo-
dellbasierten Weiterentwicklung von BI im Unternehmen benötigt werden, entwickelt.
Weitere wichtige Anforderungen an das BI-RM, die bisher nur nebensächlich betrach-
tet wurden, sind Verifikation und Validierung (vgl. Abschnitt 3.2) und beziehen sich
auf die Evaluationsphase des Forschungsprozesses. Dazu bedarf es einer Evaluations-
strategie und der Verifikation der Beurteilungsmethode in einem ersten Schritt. Insge-
samt soll gezeigt werden, dass das BI-RM auch wirklich den BI-Reifegrad von Unter-
nehmen korrekt misst.
Inhalte & Methodik:
In Beitrag E wird zunächst die Literatur zur Evaluation im Rahmen eines gestaltungs-
orientierten Forschungsprozesses analysiert. Obwohl die Evaluationsphase als essenti-
Teil A: Forschungsergebnis der vorliegenden Arbeit 35
ell beschrieben wird [Hevner et al. 2004; Peffers et al. 2007], existieren nur wenige
Ansätze, die Richtlinien zur Auswahl der richtigen Strategien und Methoden bieten.
Auf Basis der Analyse wird ein passendes Framework zur Evaluierung ausgewählt.
Die Anwendung des Frameworks liefert eine Evaluationsstrategie, die sich in die zwei
Phasen Verifikation und Validierung gliedert (vgl. Abschnitt E.5.1). In Beitrag E wird
allerdings nur die Verifikation, das heisst die Prüfung der Reliabilität, mit Hilfe quanti-
tativer Methoden durchgeführt. Im Detail wird das Beurteilungsinstrument auf Basis
des Trennschärfekoeffizienten, des Reliabilitätskoeffizienten und der Konvergenzvali-
dität geprüft (vgl. [Mettler 2010, S. 232]). Die Ergebnisse der Analyse zeigen den Be-
darf, das Beurteilungsinstrument in den Bereichen Organization und Quality zu über-
arbeiten.
Ergebnisse:
Die Forschungsergebnisse von Beitrag E sind eine Evaluationsstrategie für RM und
die Verifikation der Beurteilungsmethode des BI-RM. Somit trägt Beitrag E zur Be-
antwortung von Forschungsfrage FIII bei und legt die Basis zur Verbesserung des Be-
urteilungsinstruments.
4.2.6 Beitrag F: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
Motivation:
Beitrag F stellt die Weiterführung der Evaluierung des BI-RM dar, die in Beitrag E
vorgestellt und begonnen wurde. Das Ziel von Beitrag F ist daher, eine verbesserte
Version des Beurteilungsinstruments zu entwickeln und die Validierung des BI-RM
und der Beurteilungsmethode mit Hilfe qualitativer Analysen durchzuführen. Somit
würde das BI-RM die in Abschnitt 3.2 formulierten Anforderungen erfüllen.
Inhalte & Methodik:
In einem ersten Schritt wird, basierend auf den Ergebnissen der Verifikation aus Bei-
trag E, das Beurteilungsinstrument weiterentwickelt. Dazu werden Indikatoren aus
dem Instrument entfernt, sofern der Reliabilitätskoeffizient oder die Konvergenzvalidi-
tät zu gering sind. Die verbesserte Version des Beurteilungsinstruments besitzt 22 In-
dikatoren, die auf fünf Dimensionen verteilt sind (vgl. Tab. 52). Um weiterhin das BI-
RM und die Beurteilungsmethode zu validieren wird in Beitrag F ein Ansatz präsen-
tiert, der das Ergebnis der Beurteilungsmethode mit dem Ergebnis von detaillierten
Fallstudien-Analysen in den gleichen Unternehmen gegenüberstellt. Wenn Rangfolge
und Ausprägung beider Beurteilungsmethoden bei den Unternehmen übereinstimmen,
36 Teil A: Forschungsergebnis der vorliegenden Arbeit
wäre ein wichtiger Schritt in Richtung Validierung getan. Für diese Art der Validie-
rung sollten die Unternehmen so ausgewählt werden, dass alle Reifegrade des BI-RM
abgedeckt sind. Mit Hilfe einer Clusteranalyse werden deshalb vier Archetypen von
Unternehmen identifiziert, die im RM vorkommen (vgl. Tab. 50). Für jeden dieser Ar-
chetypen wird auf Basis der Beurteilungsmethode des BI-RM ein konkretes Unter-
nehmen zur detaillierten Analyse mittels Fallstudie ausgewählt. Eine Fallstudie bein-
haltet die Durchführung von semi-strukturierten Interviews mit drei Mitarbeitern der
BI-Abteilung pro Unternehmen. Um basierend auf den Interviews den BI-Reifegrad
eines Unternehmens zu ermitteln, werden die Interviews transkribiert und unter An-
wendung qualitativer Forschungsmethodik ausgewertet.
Ergebnisse:
Beitrag F adressiert Forschungsfrage FIII und stellt einen multi-methodischen Ansatz
zur Evaluierung beziehungsweise Validierung des BI-RM vor. Die vier Unternehmen
für die Validierung werden im Beitrag bereits ausgewählt. Allerdings ist die Auswer-
tung nicht Bestandteil von Beitrag F, da Beitrag F nur einen Research-in-Progress-
Artikel darstellt. Die Auswertung der Validierung wird in Abschnitt 4.3 ausgeführt.
Des Weiteren wird in Beitrag F die Beurteilungsmethode weiterentwickelt und somit
auch die Beantwortung von Forschungsfrage FIIc weiter vorangetrieben.
4.3 Validierung des Lösungsartefakts
In diesem Abschnitt wird die Validierung des zusammengesetzten generischen Arte-
fakts durchgeführt, das aus Reifekonzept, BI-RM und Beurteilungsmethode besteht. In
Beitrag F wird für die Validierung ein multimethodischer Ansatz vorgeschlagen, der
die Ergebnisse der Beurteilungsmethode mit Ergebnissen aus detaillierten Fallstudien
vergleicht. Wenn Rangfolge und Ausprägung beider Beurteilungsmethoden bei mehre-
ren Unternehmen übereinstimmen, wird dadurch gezeigt, dass der gestaltete Lösungs-
ansatz die Realität widerspiegelt und wirklich BI-Reife misst.
4.3.1 Datenerhebung
Auf Basis der in Beitrag F identifizierten Archetypen wurden vier Unternehmen aus-
gewählt, die grob jeweils einem der Archetypen zugeordnet werden können. In jedem
Unternehmen wurden semistrukturierte Einzelinterviews mit einem leitenden Mitar-
beiter im Bereich BI und zwei weiteren Mitarbeitern aus diesem Bereich durchgeführt.
Detailliertere Informationen zu den Unternehmen und den Interviewpartnern werden
in Tab. 5 präsentiert. Jedes Interview dauerte zwischen 30 und 50 Minuten und wurde
aufgezeichnet, transkribiert und analysiert [Eisenhardt 1989]. Der Ablauf der semi-
Teil A: Forschungsergebnis der vorliegenden Arbeit 37
strukturierten Interviews basierte auf einem Interviewleitfaden, der neben den Fragen
zu den fünf Dimensionen des BI-RM, auch Fragen zu Vollständigkeit und Demogra-
phie beinhaltet (vgl. Anhang I, Tab. 53). Des Weiteren wurden die Interviews in deut-
scher Sprache durchgeführt. Durch die Befragung von drei unterschiedlichen Personen
pro Unternehmen basiert die Analyse auf konsistenten Informationen und die interne
Validität der entstandenen Aussagen wird sichergestellt [Morse 1994]. Es zeigte sich
in den Interviews, dass die Aussagen der drei Teilnehmer eines Unternehmens im All-
gemeinen übereinstimmten, sodass keine Rückfragen nötig waren. Unterschiedliche
Meinungen traten nur selten auf und bezogen sich auf Aussagen geringer Tragweite,
die keinen Einfluss auf die Analyse hatten. Zusammengenommen zielten die Inter-
views darauf ab, die Ist-Situation der Unternehmen im BI-RM zu bestimmen. Fallstu-
dien auf Grundlage von Interviews eignen sich dafür gut, da diese Methode der Daten-
erhebung nicht auf den subjektiven Aussagen des Teilnehmers beruht, sondern auf den
hintergründigen Mechanismen und Ursachen [Stuart et al. 2002; Yin 2009].
Zusätzlich wurde in jedem Unternehmen die Beurteilungsmethode des BI-RM ange-
wendet, um die Ergebnisse beider Methoden vergleichen zu können.
Tab. 5: Übersicht Unternehmen und Interviewpartner
Branche
Einschätzung Stel-
lenwert BI Interviewpartner
Erfahrung
(BI)
Unter-
nehmen 1
Stahlerzeu-
gung
Sehr wichtig aber
Anerkennung teil-
weise noch nicht
ausreichend.
BI-Entwickler;
BI-Modellierer;
BI-Entwickler
12 Jahre;
13 Jahre;
10 Jahre
Unter-
nehmen 2
Handel und
Konsumgüter
Sehr wichtig, gros-
ser Stellenwert von
CEO anerkannt.
Leiter BICC;
BI-Analyst
Leiter Softwareentwicklung
5 Jahre;
10 Jahre;
10 Jahre
Unter-
nehmen 3
Softwareher-
stellung
Sehr wichtig, zeit-
kritische Unterstüt-
zung und Basis für
Effizienz.
Mitarbeiter Enterprise-Analytics;
Leiter Enterprise-Analytics;
Leiter Business-Services (Reporting)
14 Jahre;
14 Jahre;
12 Jahre
Unter-
nehmen 4
Werkzeug-
herstellung
Sehr wichtiges und
strategisches The-
ma, Planungssicht
wird immer wichti-
ger.
Mitarbeiter Reporting-Abteilung;
Senior Kontrollerin;
Leiter BI-Entwicklung
1 Jahr;
6 Jahre;
7 Jahre
4.3.2 Auswertung der Daten
Das primäre Ziel der qualitativen Datenauswertung ist in diesem Fall die Beurteilung
des BI-Reifegrads der vier Unternehmen, im Gegensatz zur Theoriebildung, dem übli-
chen Ziel der Fallstudienforschung [Eisenhardt 1989]. Auf Basis der transkribierten
und kodierten Interviews sollen detaillierte Fallbeschreibungen entwickelt werden, die
38 Teil A: Forschungsergebnis der vorliegenden Arbeit
erklären, warum ein Unternehmen in einer bestimmten Dimension des BI-RM einen
bestimmten BI-Reifegrad besitzt. Des Weiteren können die Interviews Aufschluss dar-
über geben, ob die fünf Dimensionen des BI-RM den Bereich BI vollständig abdecken.
Sollten zusätzliche Dimensionen bei der Auswertung der Daten identifiziert werden,
hat das Auswirkungen auf den weitergehenden Forschungsbedarf.
Die Auswertung der zwölf transkribierten Interviews erfolgte durch die Kodierung von
Aussagen, die sich den BI-Fähigkeiten des BI-RM zuordnen lassen. Dazu wurden die
einzelnen Interviews von zwei Forschern unabhängig voneinander, unter Anwendung
des Open-Coding-Verfahrens, kodiert [Strauss, Corbin 1998]. Die Unterschiede, die
während der Kodierung auftraten, bezogen sich auf weniger als zehn Prozent der ko-
dierten Konstrukte und eine Einigung konnte schnell erreicht werden. Dazu wurden
die Unterschiede identifiziert und beide Forscher erklärten sich gegenseitig ihre jewei-
lige Argumentation. Im Zuge dieses Prozesses wurde in allen Fällen eine Einigung
erreicht. Dadurch, dass zwei Personen die Interviews unabhängig voneinander kodiert
haben, wird die Wahrscheinlichkeit von Fehlinterpretationen reduziert [Miles,
Hubermann 1994]. Für die Beurteilung des Reifegrads werden hauptsächlich Codes
herangezogen, die in mindestens zwei Interviews auftreten. Alle weiteren Codes die-
nen als ergänzende Informationen, um sicherzustellen, dass nur konsistente Aussagen
Gewichtung erhalten. Die Beschreibung der Fallstudien zielt darauf ab, die Codes so
zu formulieren, dass sie direkt den BI-Fähigkeiten des BI-RM zugeordnet werden
können. Auf dieser Grundlage kann dann die Reifebeurteilung erfolgen.
Die Auswertung der Beurteilungsmethode des BI-RM erfolgt wie in Beitrag C be-
schrieben. Auf Basis der Daten des Fragebogens wird mit Hilfe des entwickelten Al-
gorithmus (vgl. Abschnitt C.3) der BI-Reifegrad für jedes Unternehmen in jeder der
fünf Dimensionen berechnet.
4.3.3 Ergebnisse
Im Folgenden wird für jedes Unternehmen eine detaillierte Fallbeschreibung auf
Grundlage der fünf Dimensionen des BI-RM aus Beitrag A (vgl. Tab. 16) entwickelt
und der BI-Reifegrad bestimmt. Zusätzlich wird das Ergebnis jeder Fallstudie mit dem
Ergebnis der Beurteilungsmethode verglichen.
4.3.3.1 Unternehmen 1
Unternehmen 1 ist ein stahlproduzierendes und -verarbeitendes Unternehmen. Der
Aufbau einer BI-Funktion erfolgte erst vor circa zehn Jahren und zum Zeitpunkt der
Teil A: Forschungsergebnis der vorliegenden Arbeit 39
Datenerhebung wurde diese Funktion von vier Mitarbeitern ausgeübt. Der Stellenwert
der BI wird bei Unternehmen 1 allerdings teilweise noch nicht ausreichend anerkannt.
? Strategie (Strategy): In der Dimension Strategie stimmen alle drei Teilnehmer
überein, dass kein Strategiedokument existiert, sondern die BI-Strategie implizit
aus der IT-Strategie abgeleitet wird. Des Weiteren hat diese implizite BI-
Strategie einen rein technischen Fokus, der sich im Ziel der Schaffung eines
„Single-Point-of-Truth“ niederschlägt. Finanziell wir die BI von der IT getra-
gen, aber ein einflussreicher Sponsor, der die Weiterentwicklung der BI voran-
treibt, existiert nicht. In Bezug auf das BI-RM stellen diese Aussagen BI-
Fähigkeiten dar, die zwischen Level eins und zwei liegen.
? Organisation (Social System): Prinzipiell ist die BI-Funktion in der IT zentrali-
siert aufgestellt. Allerdings wird auf Basis der organisatorischen Aufstellung
zwischen betriebswirtschaftlichen Daten und Daten aus den technischen Pro-
duktionssystemen unterschieden, sodass die technischen Daten dezentral ver-
waltet werden. Die organisatorische Aufstellung der BI in Unternehmen 1 kann
daher auf Reifestufe zwei eingestuft werden. In Sachen Prozesse und Standardi-
sierung wird Stufe zwei noch nicht erreicht. Es existieren zwar teilweise Stan-
dards in der BI-Entwicklung und agile Entwicklungsmethoden werden einge-
setzt, aber dies ist nicht durchgängig der Fall wie eine Aussage des BI-
Entwicklers belegt: „Es gibt Entwicklungsprozesse, die abgesprochen und ab-
gestimmt sind. Die sind aber nicht dokumentiert.“ Insgesamt kann Unterneh-
men 1 in der Dimension Organisation knapp der Reifestufe zwei zugeordnet
werden.
? IT (Technical System): Aufgrund der Aufteilung in betriebswirtschaftliche und
technische Daten, existiert zwar ein zentrales DWH für die Analyse der be-
triebswirtschaftlichen Daten, aber es bestehen daneben auch dezentrale Syste-
me. Nach Aussagen der drei Interviewpartner, stellt das DWH bereits teilweise
einen „Single-Point-of-Truth“ dar und somit ein globales System, in dem parti-
ell Daten integriert wurden. Als analytische Funktionen werden vor allem stati-
sche Berichte und OLAP-Werkzeuge zur Verfügung gestellt, wie die folgende
Aussage beweist: „Wir stellen zu 99% ganz normale Berichte bzw. Workbooks
zur Verfügung. Weniger liefern wir Dashboards aus, aber wir haben ein biss-
chen was auf Crystal-Reports-Basis, das heisst formatiertes Reporting, wo eben
Druckberichte versendet werden. Aber das meiste passiert immer noch in
Excel.“ Die BI-Fähigkeiten im Bereich BI-IT erfüllen somit die Anforderungen
für Level zwei des BI-RM
40 Teil A: Forschungsergebnis der vorliegenden Arbeit
? Qualität (Quality): Im Bereich Qualität profitiert die BI von Unternehmen 1 vor
allem von einem ERP-System als Datenquelle, das die Datenqualität zu einem
gewissen Masse bereits sicherstellt. Ansonsten wird die Datenqualität stichpro-
benartig für wichtige Berichte geprüft und als einzige Standardisierungsmass-
nahme ein DWH-Architekturframework eingesetzt. Bei der Systemqualität sieht
es ähnlich aus. Die Verfügbarkeit wird als hoch und die Leistung der BI-
Systeme als ausreichend beschrieben, aber es bestehen keine expliziten Service-
Level-Agreements. Im BI-RM kann Unternehmen 1 daher auf Reifestufe zwei
eingeordnet werden.
? Nutzung (Use): Bei Unternehmen 1 wird BI hauptsächlich von der Marketing-
und der Controlling-Abteilung genutzt. Zum einen existieren operative Nutzer,
die BI für ihr Tagesgeschäft benötigen, zum anderen aber auch spezialisierte
Analysten, die im Fachbereich die Verbindung zur BI-Funktion herstellen. Die
Nutzung von BI im Management erfolgt eher passiv: „die sind nicht direkt am
System, sondern das Management bekommt die Zahlen aufbereitet ausge-
druckt.“ Da das obere Management BI nur passiv nutzt und das mittlere Ma-
nagement nicht explizit erwähnt wurde, wird die Dimension Nutzung mit Level
3 beurteilt.
In Tab. 6 wird das Ergebnis der Reifebeurteilung auf Basis der Interviews und der Be-
urteilungsmethode präsentiert.
Tab. 6: Vergleich der Reifebeurteilungen von Unternehmen 1
Strategie Organisation IT Qualität Nutzung
Fallstudie 1.5 2 2 2 3
Beurteilungsmethode 2 3 2 2 4

Das Auswertungsergebnis der Fallstudie zeigt, dass Unternehmen 1 dem BI-RM-
Archetyp „low BI maturity“ zugeordnet werden kann (vgl. Tab. 50). Das Resultat der
Beurteilungsmethode weicht nur geringfügig davon ab. In den Dimensionen Strategie,
Organisation und Nutzung ergibt sich eine Abweichung von maximal einer Reifestufe.
4.3.3.2 Unternehmen 2
Unternehmen 2 stammt aus der Handels- und Konsumgüterbranche und betreibt BI
schon seit über zehn Jahren. Vor etwa drei Jahren wurden grössere organisatorische
und technische Veränderungen eingeleitet, um die BI-Funktion aufzuwerten und stra-
tegisch zu positionieren.
Teil A: Forschungsergebnis der vorliegenden Arbeit 41
? Strategie (Strategy): Die Aussage: „Wir haben ein BI Projektportfolio in dem
Bereich (BI), was uns natürlich sehr stark unterstützt. Wir haben ein Organisa-
tionsmodell mit einem Steering-Committee, das für die Strategie verantwortlich
ist. Wir prüfen im Steering-Committee mit CIO (Chief Information Officer) und
CFO (Chief Financial Officer), dass man die Strategie einhält, dass man auf
dieser Roadmap bleibt und dazu dient eben das Projektportfolio (…)“, des Lei-
ters BICC (Business Intelligence Competency Center), fasst die Situation im
Bereich BI-Strategie gut zusammen. Es wurden viele Fähigkeiten der Reifestu-
fen vier und fünf des BI-RM umgesetzt. Dazu gehören neben dem Steering-
Commitee und dem BI-Portfoliomanagement auch einflussreiche Sponsoren
aus dem Management (CFO) sowie die regelmässig aktualisierte und dokumen-
tierte BI-Strategie. Der Reifegrad kann somit als Stufe zwischen Level vier und
fünf beurteilt werden.
? Organisation (Social System): Organisatorisch ist die BI-Funktion in Form ei-
nes BICC zentral aufgestellt. Die IT agiert als Betreiber der Infrastruktur. Im
Rahmen der Umsetzung einer Standardisierungsinitiative wurden für die Ent-
wicklung im Bereich BI Vorgehensmodelle und Vorlagen vorgegeben. Generell
richtet sich der Entwicklungsprozess nach dem IT-Standardvorgehen auf Basis
des Wasserfallmodells, aber es werden zum Teil agilere Methoden wie ein „Ra-
pid-Prototyping-Ansatz“ eingesetzt. Insgesamt erfüllt Unternehmen 2 damit die
Anforderungen für Level zwei und plant die Umsetzung erster Fähigkeiten hö-
herer Stufen.
? IT (Technical System): Die technische Infrastruktur der BI besteht aus mehreren
dezentralen Systemen. Als Grund für die dezentrale Aufstellung identifiziert der
Leiter BICC vor allem die „stark historisch gewachsene Architektur“. Zur BI-
Systemlandschaft des Unternehmens gehören ein MIS mit eigenem DWH, ein
Planungssystem und ein neu aufgebautes DWH. Das zuletzt genannte DWH ist
strategisch als unternehmensweites DWH vorgesehen und integriert bereits Da-
ten aus dem Bereich Waren und Wertschöpfungskette. Als analytische Funktio-
nen werden hauptsächlich statische Berichte und OLAP-Werkzeuge zur Verfü-
gung gestellt, die aber zum Teil in einem Frontend integriert sind. Zusammen-
gefasst kann die technische Infrastruktur mit Level zwei beurteilt werden.
? Qualität (Quality): Für das neue DWH existieren definierte Massnahmen und
Prozesse zur Sicherung der Datenqualität. Die Ursache für auftretende Proble-
me sind laut Aussagen der Interviewpartner meistens die Quellsysteme. Aussa-
gen wie, „Es gibt jetzt seit 2 Monaten ein Gremium welches sich kontinuierlich
42 Teil A: Forschungsergebnis der vorliegenden Arbeit
um das Thema Stammdaten kümmert.“, zeigen erste Fortschritte in der Umset-
zung eines Datenqualitätsmanagements. Des Weiteren ist die Konsolidierung
der Werkzeuglandschaft geplant. In Bezug auf die Systemqualität gibt es unter-
schiedliche Aussagen. Der Leiter BICC spricht von „vielleicht zehn bis 20 Ta-
gen an denen es (das DWH) nicht verfügbar ist“, wohingegen der Leiter der
Softwareentwicklung sagt: „Das Datawarehouse ist hochverfügbar.“ Durch das
Vergleichen der drei Interviews kann allerdings darauf geschlossen werden,
dass das DWH trotz fehlender detaillierter Service-Level-Agreements eine hohe
Verfügbarkeit besitzt. Unternehmen 2 setzt einige Fähigkeiten im Bereich BI-
Qualität um und befindet sich zwischen Level zwei und drei.
? Nutzung (Use): Etwa 30 bis 40 Prozent der potenziellen BI-Anwender von Un-
ternehmen 2 nutzen die BI-Systeme regelmässig. BI wird vor allem zu operati-
ven Zwecken verwendet. Aber auch das Management nutzt insbesondere das
MIS zur täglichen Steuerung und Budgetierung. Wobei das mittlere Manage-
ment eine aktivere Nutzerrolle einnimmt als das obere Management. Eine
durchgehende Nutzung von spezialisierten Analysten wird gerade in Form einer
„Key-User-Organisation“ etabliert, „die die Verbindung in die einzelnen Fach-
bereiche sicherstellen soll.“ Die Nutzung der BI kann somit als anwenderüber-
greifend beschrieben und mit Reifegrad vier beurteilt werden.
In Tab. 11 wird das Ergebnis der Reifebeurteilung auf Basis der Interviews und der
Beurteilungsmethode präsentiert.
Tab. 7: Vergleich der Reifebeurteilungen von Unternehmen 2
Strategie Organisation IT Qualität Nutzung
Fallstudie 4.5 2 2 2.5 4
Beurteilungsmethode 4 3 3 3 4

Das Auswertungsergebnis der Fallstudie zeigt, dass Unternehmen 2 dem BI-RM-
Archetyp „medium BI maturity“ entspricht (vgl. Tab. 50). Das Resultat der Beurtei-
lungsmethode weicht nur geringfügig davon ab. Der Vergleich zeigt, dass das generel-
le Reifemuster von Unternehmen 2: Hohe Reife in Strategie und Nutzung gegenüber
niedrigerer Reife in Organisation, IT und Qualität, von der Beurteilungsmethode eben-
falls aufgedeckt wurde.
Teil A: Forschungsergebnis der vorliegenden Arbeit 43
4.3.3.3 Unternehmen 3
Unternehmen 3 ist ein weltweit agierendes Unternehmen aus der Softwarebranche, das
unter anderem eigene BI-Lösungen herstellt. Die Nutzung der eigenen Werkzeuge er-
folgt daher oft im Sinne einer Vorreiterrolle. Die BI-Funktion in Unternehmen 3 wur-
de durch organisatorische Veränderungen als unternehmensweite strategische Funkti-
on positioniert, allerdings sind diese Veränderungen noch nicht abgeschlossen. Damit
Unternehmen 3 als Fallstudie für ein Unternehmen mit höherer BI-Reife dienen kann,
wurde nur die zentrale Corporate-Controlling-Abteilung als Analyseeinheit ausge-
wählt.
? Strategie (Strategy): Die BI-Strategie von Unternehmen 3 ist an die Unterneh-
mensstrategie angepasst und adressiert Themen wie relevante Steuerungsdi-
mensionen, die organisatorische Aufstellung sowie die technische Umsetzung.
Des Weiteren zeigt die Aussage: „Darüber gibt es ein Strategiepapier, das ist
auch vom Vorstand abgesegnet, inklusive (…) als Aufsichtsratsvorsitzender.“,
dass die BI-Strategie auf höchster Ebene Beachtung findet und der Vorstand ei-
nen einflussreichen Sponsor darstellt. Um die Weiterentwicklung der BI letzt-
endlich voranzutreiben, wurde eine BI-Roadmap operationalisiert. Damit wer-
den die Anforderungen an die Reifestufen drei und vier erfüllt. Da aber nur der
holistische Umfang der Strategie eine Fähigkeit auf Level fünf darstellt, wird
die BI-Strategie von Unternehmen 3 noch auf Level vier des BI-RM eingeord-
net.
? Organisation (Social System): Bezogen auf die Controlling-Abteilung ist die
BI-Funktion sehr zentralisiert in Form eines „Center-of-Expertise“ aufgestellt.
Dadurch werden Standards in den Bereichen Entwicklung, Werkzeuge und In-
halte durchgesetzt. Die Entwicklung erfolgt auf Basis von zwei verschiedenen
Prozessen: Zum einen gibt es den innovationsgetriebenen Prozess, der agile
Methoden nutzt, um in kurzer Zeit Prototypen zu realisieren und zum anderen
wird ein klassischer Entwicklungsprozess mit der IT als Business-Partner ein-
gesetzt. Es existiert also ein BI-spezifischer, standardisierter Entwicklungspro-
zess: „Wir haben unsere Standardprozesse und die beiden (Prozessarten) sind
aber miteinander verwoben, BI-spezifisch.“ Somit werden in der Dimension
Organisation die Anforderungen an Reifestufe vier erfüllt.
? IT (Technical System): Die Controlling-Abteilung bezieht ihre Daten aus einem
zentralen DWH, das die finanzrelevanten Daten global integriert. Als analyti-
sche Funktionen werden hauptsächlich statische Berichte und OLAP-
44 Teil A: Forschungsergebnis der vorliegenden Arbeit
Werkzeuge angeboten. Im Zuge der Standardisierung wurden die verschiedenen
Berichte in ein Frontend integriert und sind über ein zentrales Portal zugäng-
lich. Die analytischen Funktionen werden zurzeit in Richtung vorausschauender
Analysen und Simulationsumgebungen ausgebaut. Ansonsten ergibt die Reife-
beurteilung der technischen Infrastruktur der BI, Level drei.
? Qualität (Quality): Die Bedeutung der Datenqualität, vor allem für den Bereich
Controlling, wird vom Leiter Enterprise-Analytics zusätzlich bekräftigt: „Die
Daten, die hier berichtet werden sind essentiell für das Unternehmen, sprich
auch für die Abschlüsse und da gibt es (…) gar keine Toleranz bezüglich der
Qualität der Inhalte. Darauf ist auch der ganze Prozess ausgerichtet. Änderun-
gen finden fast alle im Vier-Augen-Prinzip statt. Dinge die getan werden, wer-
den mit langem Vorlauf geplant, getestet, verifiziert, validiert und sehr stark auf
einer Businessebene abgestimmt.“ Es ist daher nicht verwunderlich, dass bei
Unternehmen 3 Kennzahlen, Geschäftsobjekte sowie Stammdaten standardisiert
sind. Die Datenqualität wird bereits in den Quellsystemen auf Grundlage von
definierten Prozessen sichergestellt. Der Betrieb des DWH erfolgt auf definier-
ten Service-Level-Agreements und ist als hochverfügbar charakterisiert. Darauf
aufbauend werden zurzeit detailliertere, BI-spezifische Service-Level-
Agreements etabliert. Da Unternehmen 3 Vorreiter für die eigene BI-
Technologie sein will, werden weitestgehend aktuelle Werkzeuge und Anwen-
dungen eingesetzt. Insgesamt befindet sich Unternehmen 3 damit auf Reifestufe
drei.
? Nutzung (Use): „Aber von der Usergruppe kann man wirklich sagen, bieten wir
am Ende des Tages die ganze Pyramide an. Vom Controller unten, der ja dann
die Masse darstellt, bis oben eben zum Vorstand“, diese Aussage fasst die ver-
schiedenen Arten der Nutzung gut zusammen. Im direkten Umfeld der Control-
ling-Abteilung findet vor allem operative Nutzung statt, mit einem wesentlichen
Anteil an spezialisierten und technikaffinen Analysten. Aber auch die regiona-
len Manager und der Vorstand nutzen BI in grossem Masse. Auf Vorstandsebe-
ne dominiert dabei die Nutzung von BI auf mobilen Endgeräten. Somit werden
die Anforderungen von Level 4 erfüllt.
In Tab. 8 wird das Ergebnis der Reifebeurteilung auf Basis der Interviews und der Be-
urteilungsmethode präsentiert. Das Auswertungsergebnis der Fallstudie zeigt, dass
Unternehmen 3 dem BI-RM-Archetyp „high BI maturity“ entspricht (vgl. Tab. 50). In
diesem Fall weicht das Resultat der Beurteilungsmethode nur in der Dimension Orga-
nisation um eine Reifestufe ab.
Teil A: Forschungsergebnis der vorliegenden Arbeit 45
Tab. 8: Vergleich der Reifebeurteilungen von Unternehmen 3
Strategie Organisation IT Qualität Nutzung
Fallstudie 4 4 3 3 4
Beurteilungsmethode 4 3 3 3 4

4.3.3.4 Unternehmen 4
Unternehmen 4 operiert im Bereich der Werkzeugherstellung und investiert stetig in
die Weiterentwicklung der BI-Funktion. Dabei wurden auch einige organisatorische
Umstrukturierungen durchgeführt. Der hohe Stellenwert der BI-Funktion beruht auf
dem Geschäftsmodell von Unternehmen 4, das im Direktvertrieb der Produkte besteht.
? Strategie (Strategy): Unternehmen 4 verfügt über eine regelmässig aktualisierte
BI-Strategie, die alle Aspekte der BI adressiert. Diese langfristige Planung für
die Weiterentwicklung der BI wird von einem Steering-Committee durchge-
führt, das „von einer Untergruppe des CFO geführt wird“. Aber CIO und CFO
werden gemeinsam als starke Sponsoren der BI angesehen. Des Weiteren setzt
Unternehmen 4 eine systematische Messung der Nutzung von BI ein und erfüllt
damit die Anforderungen des höchsten Reifegrades.
? Organisation (Social System): Die organisatorische Aufstellung der BI reprä-
sentiert einen Mix aus einer zentralen und mehreren dezentralen Einheiten, der
am Geschäftsmodell ausgerichtet ist: „Wir haben in ausgewählten grossen
Standorten (…) einen Reporting-Hub, der zuständig ist für vier oder fünf Län-
der.“ Diese dezentralen „Hubs“ werden zentral verwaltet, aber besitzen eigene
Zuständigkeitsbereiche und Kompetenzen. Die zentrale Einheit kann auch als
BICC beschrieben werden und setzt globale Standards für Werkzeuge, Betrieb
und Inhalte um. Auch die BI-Entwicklung ist stark standardisiert und passt sich
zum Teil an die Prozesse der IT an. Allerdings existieren, ähnlich wie bei Un-
ternehmen 3, ein klassischer und ein agiler BI-spezifischer Entwicklungspro-
zess. Insgesamt entsprechen die umgesetzten BI-Fähigkeiten Level vier des BI-
RM.
? IT (Technical System): Auch die technische Infrastruktur von Unternehmen 4
ist hochzentralisiert aufgebaut, wie der Leiter BI-Entwicklung bemerkt: „Wir
haben eine globale Struktur, zentralisiert. Sowohl Datenhaltung als auch Sys-
teme. Wir haben ein Enterprise (Data)-Warehouse.“ Trotzdem werden für spe-
zifische Analysen lokale Daten an die „Hubs“ verteilt, was einer Anpassung an
die organisatorische Aufstellung entspricht. Da aber nur eine DWH-Instanz
46 Teil A: Forschungsergebnis der vorliegenden Arbeit
existiert, kann von einer globalen Integration der Daten gesprochen werden.
Des Weiteren werden analytische Funktionen wie statische Berichte und
OLAP-Werkzeuge zur Verfügung gestellt, wobei die Berichte in einer globalen
Plattform integriert und bereitgestellt werden. Damit wird Stufe drei im BI-RM
erreicht.
? Qualität (Quality): Der Mitarbeiter aus der Reporting-Abteilung sagt zum
Thema Qualität: „Es gibt eine Stelle bei uns, die eigentlich auch ziemlich hoch
angesiedelt ist, die heißt Business-Warehouse-Governance und die kümmert
sich um alle technischen Aspekte. Das heisst also auch, dass das System immer
verfügbar ist, klar definierte Maintenance-Windows eingehalten werden und
ein Release nur zweimal im Jahr erfolgt. Aber vor allem auch darum, die Da-
tenqualität sicherzustellen und auch bei den Queries und Reports selber, dass
es da ein klares Service-Lifecycle-Management gibt.“ Die Auswertung der an-
deren Interviews zeigt ausserdem, dass das DWH auf Basis definierter Service-
Level-Agreements betrieben wird und hochverfügbar ist. Die Systemleistung
findet weitestgehend Akzeptanz bei den Nutzern. Im Bereich Datenqualität
werden durch die Governance-Stelle Prozesse, Rollen und Verantwortlichkeiten
definiert. Für Kennzahlen, Geschäftsobjekte und Stammdaten existieren Stan-
dards, insbesondere aufgrund der zentralisierten Systemlandschaft. Somit steht
Unternehmen 4 kurz vor der Erreichung von Reifegrad vier.
? Nutzung (Use): Einer der Interviewpartner bezeichnete Unternehmen 4 als „In-
formation Enabled Company“ und begründet damit, dass jeder Mitarbeiter BI
nutzen kann. Die Auswertung der Interviews ergibt, dass BI wirklich auf allen
Ebenen genutzt wird, von der operativen Nutzung über das mittlere Manage-
ment bis hin zum oberen Management. Auf Vorstandsebene findet die Nutzung
allerdings nur zu etwa 15 Prozent elektronisch statt, da BI vor allem passiv kon-
sumiert wird. Anders sieht es in den Fachbereichen aus, dort wird BI auch von
spezialisierten Analysten genutzt. Zusammengenommen kann die Dimension
Nutzung mit Reifegrad vier beurteilt werden.
In Tab. 9 wird das Ergebnis der Reifebeurteilung auf Basis der Interviews und der Be-
urteilungsmethode präsentiert.
Tab. 9: Vergleich der Reifebeurteilungen von Unternehmen 4
Strategie Organisation IT Qualität Nutzung
Fallstudie 5 4 3 3.5 4
Beurteilungsmethode 4 4 4 4 4
Teil A: Forschungsergebnis der vorliegenden Arbeit 47
Das Auswertungsergebnis der Fallstudie zeigt, dass Unternehmen 4 ebenfalls dem BI-
RM-Archetyp „high BI maturity“ entspricht (vgl. Tab. 50). Das Resultat der Beurtei-
lungsmethode weicht wiederum nur geringfügig in den Dimensionen Strategie, IT und
Qualität ab.

Abb. 3: Übersicht Reifebeurteilung der Unternehmen
4.3.4 Diskussion
Die Auswertung der Fallstudien und der Vergleich beider Methoden zur Beurteilung
des BI-Reifegrads der Unternehmen zeigen, dass die entwickelte quantitative Beurtei-
lungsmethode tatsächlich BI-Reife mit ausreichender Genauigkeit misst. Der Ver-
gleich der Ergebnisse wird in Abb. 3 präsentiert. Die Abbildung macht deutlich, dass
zwar Unterschiede zwischen den Beurteilungen bestehen, aber die grundlegenden Rei-
femuster in allen vier Fällen übereinstimmen. Damit wird demonstriert, dass die quan-
titative Beurteilungsmethode sowohl die Ausprägung von BI-Reife in den einzelnen
Fällen, als auch die Rangfolge der vier Unternehmen, offensichtlich korrekt beurteilt.
0
1
2
3
4
5
Strategie
Organisation
IT Qualität
Nutzung
Unternehmen 1
Fallstudie Beurteilungsmethode
0
1
2
3
4
5
Strategie
Organisation
IT Qualität
Nutzung
Unternehmen 2
Fallstudie Beurteilungsmethode
0
1
2
3
4
5
Strategie
Organisation
IT Qualität
Nutzung
Unternehmen 3
Fallstudie Beurteilungsmethode
0
1
2
3
4
5
Strategie
Organisation
IT Qualität
Nutzung
Unternehmen 4
Fallstudie Beurteilungsmethode
48 Teil A: Forschungsergebnis der vorliegenden Arbeit
Des Weiteren zeigt Tab. 10, dass mit den vier analysierten Unternehmen drei der vier
Archetypen des BI-RM abgedeckt werden. Damit wird die Validität der quantitativen
Beurteilungsmethode zusätzlich betont, da so gezeigt wird, dass nicht nur ein be-
stimmtes Reifemuster korrekt beurteilt werden kann, sondern die gesamte Bandbreite
an auftretenden Reifemustern. Allerdings wird der Archetyp „Medium BI maturity
with advances in operational areas” nicht abgedeckt, was aber durch die grosse Ähn-
lichkeit zum Archetyp „Medium BI maturity“ für die Bewertung des Erfolgs der Vali-
dierung vernachlässigt werden kann.
Tab. 10: Zuordnung zu den Archetypen des BI-RM
Archetyp Unternehmen 1 Unternehmen 2 Unternehmen 3 Unternehmen 4
Medium BI maturity 1.69 2.29 2.08 2.98
Medium BI maturity
with advances in op-
erational areas
2.92 3.00 1.59 2.51
High BI maturity 4.37 2.99 1.13 1.19
Low BI maturity 0.55 3.66 3.88 4.81

Im Rahmen der Interviews wurde ausserdem die Vollständigkeit der Dimensionen des
BI-RM überprüft. Dazu wurde bei der qualitativen Auswertung darauf geachtet, ob
Aussagen der Teilnehmer den bestehenden Dimensionen zugeordnet werden können
oder eine neue Dimension erstellt werden muss. Zusätzlich wurden die Teilnehmer
indirekt nach fehlenden Dimensionen befragt. In jedem Fall konnten die Aussagen der
Interviewpartner bestehenden Dimensionen zugeordnet und die fünf Dimensionen des
BI-RM somit bestätigt werden.
4.4 Zusammenfassung der Forschungsergebnisse
In den vorhergehenden Abschnitten wurden die einzelnen Beiträge der Dissertation
kurz zusammengefasst und Motivation, Inhalte und Methodik sowie Ergebnisse darge-
stellt. Um das zentrale Forschungsergebnis dieser Dissertation gebündelt zu präsentie-
ren, werden die Ergebnisse der Beiträge den in Abschnitt 1.3 formulierten Forschungs-
fragen gegenübergestellt (vgl. Tab. 11). Dabei werden die Ergebnisse pro Forschungs-
frage durchnummeriert, die Ergebnisse kurz beschrieben und ein Verweis auf die ent-
sprechende Stelle der Dissertation eingefügt.
Teil A: Forschungsergebnis der vorliegenden Arbeit 49
Tab. 11: Ergebnisse der Beiträge in Bezug auf die Forschungsfragen
Nr. Forschungsfrage und -ergebnisse Vgl.
FI Was sind Anforderungen an ein methodisch fundiertes
Reifegradmodell für den Bereich Business Intelligence?

FIa Welche Anforderungen und Kritikpunkte existieren in der
Literatur in Bezug auf das Konzept Reifegradmodell?

FIa.1 Die Analyse der Literatur zu RM hat ergeben, dass eine
Reihe von Kritikpunkten am Konzept der RM bestehen.
Besonders kritisiert wurde der intransparente Entwick-
lungsprozess, die fehlende theoretische und empirische
Fundierung und ausgelassene Evaluierung der RM.
Teil A, Ab-
schnitt 2.2
FIb Welche Anforderungen muss das neue Business Intelli-
gence Reifegradmodell erfüllen, um eine Weiterentwick-
lung bestehender Reifegradmodelle darzustellen?

FIb.1 Es werden sieben Anforderungen an das neue BI-RM
identifiziert, um bestehende Modelle zu verbessern und
die Kritikpunkte zu adressieren.
Teil A, Ab-
schnitt 3.1, 3.2
FII Wie sieht das Konzept für ein Business Intelligence Reife-
gradmodell aus, das diese Anforderungen erfüllt?

FIIa Wie kann ein wohldefiniertes und theoretisch fundiertes
Reifekonzept für Business Intelligence entwickelt werden?

FIIa.1 Das theoretische Modell des BI-RM setzt massgeblich auf
den IS-Success-Modellen auf. Des Weiteren werden zur
theoretischen Fundierung die soziotechnische Theorie und
IT-Business-Alignment herangezogen. Konzeptionell
werden mit Hilfe dieser Theorien die Dimensionen des BI-
RM abgeleitet und somit die grundlegenden inhaltlichen
Gestaltungsobjekte festgelegt.
Beitrag A, Ab-
schnitt A.3.1,
Abb. 2
FIIa.2 Die BI-spezifische theoretische Fundierung als Basis für
das BI-RM wird als kausales Modell erstellt, das den Zu-
sammenhang zwischen der Umsetzung von BI und der
Leistung des Unternehmens beschreibt. Auch dieses Mo-
dell basiert auf den IS-Success-Modellen und zielt darauf
ab, die methodischen Stärken dieser etablierten Theorien
als Grundlage für das BI-RM zu nutzen. Die Konzepte des
Modells sind BI capabilities, BI practices, BI IT-artifact,
BI use und BI impact.
Beitrag D, Ab-
schnitt D.4,
Abb. 9
FIIb Wie kann das Business Intelligence Reifegradmodell auf
Basis von empirisch fundierten Entwicklungspfaden kon-
struiert werden?

FIIb.1 Die Konstruktion des BI-RM erfolgt unter Anwendung
des etablierten Ansatzes von Lahrmann et al. [2011], der
dazu den Rasch-Algorithmus und Clusteranalyse verwen-
det. Auf diese Weise werden die im BI-RM zusammenge-
fassten Entwicklungspfade empirisch mittels einer Umfra-
Beitrag A, Tab.
16
50 Teil A: Forschungsergebnis der vorliegenden Arbeit
Nr. Forschungsfrage und -ergebnisse Vgl.
ge abgeleitet. Das resultierende BI-RM besitzt fünf Levels
und beschreibt die Dimensionen Strategy, Social System,
Technical System, Quality und Use.
FIIb.2 Das BI-RM aus Beitrag D operationalisiert das BI-
spezifische theoretische Modell und ist in fünf Reifegrade
und die vier Dimensionen BI capabilities, BI strategy
practices, BI operations practices, und BI IT artifact
strukturiert.
Beitrag D, Tab.
33
FIIb.3 Vier situative BI-RM demonstrieren die Verwendung situ-
ativer Aspekte bei der Konstruktion. Dies wird durch Fil-
terung der demographischen Daten und erneute Konstruk-
tion erreicht.
Beitrag B, Tab.
22, Tab. 23
FIIc Wie kann der BI-Reifegrad eines Unternehmens mit Hilfe
des Reifegradmodells gemessen werden?

FIIc.1 Die Beurteilungsmethode zur Messung des BI-Reifegrads
eines Unternehmens setzt sich aus einem Messinstrument
mit 25 Fragen und dem Algorithmus zur Berechnung des
Reifegrads zusammen. Der Algorithmus nutzt zur Berech-
nung das Euklidische Distanzmass. Dadurch kann die Ist-
Situation eines Unternehmens im BI-RM für jede Dimen-
sion und gesamthaft bestimmt werden. Die Verortung im
BI-RM bildet die Grundlage für die Ableitung eines ge-
wünschten Soll-Zustandes.
Beitrag C, Ab-
schnitt C.3,
Tab. 29
FIIc.2 Die Beurteilungsmethode wird ebenfalls an das BI-RM,
das auf dem BI-spezifischen theoretischen Modell basiert,
angepasst.
Beitrag D, Ab-
schnitt D.6,
Tab. 39
FIIc.3
Im Rahmen der Evaluierung des BI-RM wird die Beurtei-
lungsmethode verfeinert, um die Reliabilität zu steigern.
Beitrag F, Ab-
schnitt F.4.1,
Tab. 52
FIII Wie kann das konstruierte Business Intelligence Reife-
gradmodell evaluiert werden, um zu zeigen, dass das Mo-
dell das Richtige misst?

FIIIa Wie kann die Reliabilität des Reifegradmodells evaluiert
werden?

FIIIa.1 Die Evaluationsstrategie dient als Basis für die Verifikati-
on und Validierung des BI-RM. Somit wird eine der wich-
tigsten Anforderungen an das RM erfüllt. Die Strategie
gibt vor, das BI-RM mit Hilfe quantitativer Methoden zu
verifizieren und die Validierung auf Basis eines multime-
thodischen Ansatzes durchzuführen.
Beitrag E, Ab-
schnitt E.5.1,
Beitrag F, Ab-
schnitt F.4.3
FIIIa.2 Die Prüfung der Reliabilität des BI-RM und der Beurtei-
lungsmethode basierend auf drei Kriterien ist ein wichtiger
Schritt der Evaluierung.
Beitrag E, Ab-
schnitt E.5.2
FIIIb Wie kann die Nützlichkeit des Reifegradmodells evaluiert
werden?

Teil A: Forschungsergebnis der vorliegenden Arbeit 51
Nr. Forschungsfrage und -ergebnisse Vgl.
FIIIb.1 Die Validierung des BI-RM erfolgt durch einen multime-
thodischen Ansatz. Das Ergebnis der Beurteilungsmethode
wird mit dem Ergebnis der Analyse von detaillierten Fall-
studien in den gleichen Unternehmen gegenüberstellt. Das
Ergebnis demonstriert die Nützlichkeit und die Validität
des generischen Artefakts, das in dieser Dissertation ent-
wickelt wurde.
Beitrag F, Ab-
schnitt F.4
Teil A, Ab-
schnitt 4.3

Zusammengefasst ergeben die Forschungsergebnisse aus Tab. 11 einen reifegradmo-
dellbasierten Ansatz, der die Weiterentwicklung von BI im Unternehmen unterstützt
und anleitet. In dieser Arbeit wurden systematisch Anforderungen an die zu gestalten-
de Lösung abgeleitet (vgl. Abschnitt 3.2), sodass die Lösung in Form eines generi-
schen Artefakts eine Weiterentwicklung bestehender Ansätze (vgl. Abschnitt 3.1) dar-
stellt.
Insgesamt setzt sich das generische Lösungsartefakt aus den drei Problemlösungskom-
ponenten theoretisch fundiertes Reifekonzept für BI, BI-Reifegradmodell und Beurtei-
lungsmethode zusammen. Die Umsetzung der Anforderungen durch die Forschungser-
gebnisse und Teilartefakte der Beiträge sowie die Adressierung der Forschungsfragen
sind in Abb. 4 illustriert. Der generische gestaltungsorientierte Entwicklungsprozess
für RM [Lahrmann et al. 2011, S. 4] bildet dazu den Strukturierungsrahmen. Zur de-
taillierteren Darstellung wird die zentrale Aktivität der Modellgestaltung in die drei
Problemlösungskomponenten unterteilt. Durch die rigorose Durchführung des Ent-
wicklungsprozesses und die transparente Entwicklung der Teilartefakte im Rahmen
dieser Dissertation wird Anforderung A1 erfüllt (vgl. Abschnitt 3.2). Die letzte Phase
des Entwicklungsprozesses stellt die Anwendung des generischen Artefakts und damit
auch die Nutzung in der Unternehmenspraxis dar. Die Nutzung erfolgt durch die kom-
binierte Anwendung der einzelnen Teilartefakte. In den Beiträgen C und D wird bei-
spielsweise demonstriert, wie die Beurteilungsmethode angewendet wird. Dabei wer-
den 92 Unternehmen den einzelnen Reifegraden des BI-RM zugeordnet. Im Detail
erfolgt die Unternehmensbewertung mit Hilfe des Fragebogens, der als Teil der Beur-
teilungsmethode vorgestellt wurde (vgl. Tab. 52). Die dann berechnete Ist-Situation
des Unternehmens dient als Ausgangsbasis für die Zieldefinition durch Ableitung einer
gewünschten Soll-Situation im BI-RM. Die Zieldefinition kann einfach anhand der
Reifegrade erfolgen aber auch durch Vergleich mit Ergebnissen anderer Unternehmen
im BI-RM (z.B. Branchenbenchmark). Unter Verwendung der im BI-RM dokumen-
tierten BI-Fähigkeiten können dann der Unterschied zwischen Ist- und Soll-Situation
52
identifizie
niert werd
ternehmen
ert und Ve
den. Ein so
n wird als B
Ab
erbesserung
o definierte
BI-Roadma
bb. 4:
Te
gsmassnah
er Projektp
ap bezeich
Forschun
eil A: Forsc
hmen zur E
plan für die
hnet.
ngsergebni
chungsergeb
Erreichung
e Weiterent
is der Disse
bnis der vorl
g der Soll-
twicklung
ertation
rliegenden A
-Situation
von BI im
Arbeit
defi-
m Un-

Teil A: Diskussion und Ausblick 53
5 Diskussion und Ausblick
Dieser Abschnitt schliesst den zusammenfassenden Teil (Teil A) der Dissertation ab.
Dazu werden in Abschnitt 5.1 die Ergebnisse der Arbeit diskutiert und einer kritischen
Würdigung unterzogen. In Abschnitt 5.2 wird abschliessend ein Ausblick auf weiter-
gehenden Forschungsbedarf gegeben.
5.1 Kritische Würdigung
Die Zielsetzung dieser Dissertation (vgl. Abschnitt 1.3), einen reifegradmodellbasier-
ten Ansatz zur Weiterentwicklung von BI im Unternehmen zu entwickeln, wurde wie
in Abschnitt 4 beschrieben, erfolgreich umgesetzt. Aus gestaltungsorientierter Sicht
hat das Forschungsvorhaben des Weiteren zum Ziel, dass das Forschungsergebnis ei-
nen Erkenntnisfortschritt darstellt und damit effektiver oder effizienter als bereits be-
stehenden Lösungen sein sollte [Hevner et al. 2004, S. 81]. Im Rahmen der kritischen
Würdigung werden deshalb die Adressierung der Forschungsfragen sowie die zwei
zentralen Qualitätsanforderungen der gestaltungsorientierten Forschung, Nützlichkeit
und wissenschaftliche Stringenz [Winter 2008, S. 470], in Bezug auf die einzelnen
Teilartefakte und das gesamte Forschungsergebnis untersucht.
Laut Hevner et al. wird in der gestaltungsorientierten Forschung wissenschaftliche
Stringenz durch die Anwendung rigoroser wissenschaftlicher Methoden zur Konstruk-
tion und Evaluierung des Artefakts erreicht [2004, S. 87,88]. In Forschungsfrage FI
wird nach den Anforderungen an ein methodisch fundiertes BI-RM gefragt, die erstens
aus der wissenschaftlichen Literatur stammen und zweitens eine Weiterentwicklung
bestehender RM darstellen. Die einzelnen Beiträge leisten jeweils einen themenspezi-
fischen Anteil an der Beantwortung dieser Forschungsfrage, die in Abschnitt 3 zu-
sammenfassend beantwortet wird. Als Forschungsmethodik wird dazu eine rigorose
Literaturanalyse auf Basis der Ansätze von Cooper [1988] und Webster & Watson
[2002] eingesetzt, die in der Ableitung sieben zentraler Anforderungen an ein neues
BI-RM resultiert (vgl. Abschnitt 3.2). Bis auf Anforderung A3, die inhaltlicher Natur
ist und sich auf die Domäne BI bezieht, gelten die übrigen Anforderungen generell für
RM. Daraus ergibt sich ein generalisierbarer Anforderungskatalog für wohldefinierte
RM. Zusammengenommen kann die Beantwortung von Forschungsfrage FI dem zwei-
ten Schritt, „Anforderungen einer Lösung“ (objectives of a solution), des Forschungs-
prozesses von Peffers et al. [Peffers et al. 2007, S. 54] zugeordnet werden.
54 Teil A: Diskussion und Ausblick
Die Gestaltung der Lösung, die in Schritt drei des Forschungsprozesses (design & de-
velopment) durchgeführt wird, stellt die Beantwortung von Forschungsfrage FII dar.
Forschungsfrage FII fragt nach einem Konzept für ein BI-RM, das die identifizierten
Anforderungen erfüllt. Dabei werden vor allem die Aspekte theoretische Fundierung
des Reifekonzepts, empirische Grundlage der Entwicklungspfade und Messung des
Reifegrads hervorgehoben. Aufgrund der Komplexität dieser zusammengesetzten For-
schungsfrage werden verschiedene Forschungsmethoden zur Beantwortung eingesetzt.
Um die theoretische Fundierung des Reifekonzepts zu adressieren, wird in einem ers-
ten Schritt ein theoretisches Modell von BI-Reife auf Basis bestehender Theorien der
Wissensbasis in Beitrag A abgeleitet. Im Rahmen einer Studie werden als Erweiterung
kausale Zusammenhänge spezifiziert und das resultierende theoretische Modell mit
Hilfe der PLS-Methode validiert (vgl. Beitrag D). Zur Validierung wurde die quantita-
tive statistische Analysemethode PLS ausgewählt, da diese eine etablierte For-
schungsmethode für die Analyse kausaler Zusammenhänge darstellt [Hair et al. 2009].
Die beiden theoretischen Modelle demonstrieren, wie das Reifekonzept eines RM the-
oretisch fundiert werden kann und welche Dimensionen für die Domäne BI die Grund-
lage eines wohldefinierten RM bilden (Anforderungen A2 und A3). Auf Basis dieser
Grundlage erfolgt die Konstruktion des BI-RM mit Hilfe des Rasch-Algorithmus und
einer Clusteranalyse, um die Entwicklungspfade empirisch zu fundieren. Sowohl der
Rasch-Algorithmus als auch die Clusteranalyse sind anerkannte quantitative Metho-
den, deren Anwendung und Kombination zur Konstruktion von RM von Lahrmann et
al. [2011] vorgeschlagen wird. Die Anwendung dieser Methodik in den Beiträgen A, B
und D zeigt, dass die Entwicklungspfade des BI-RM empirisch fundiert werden kön-
nen (Anforderung A4) und dass sich die Entwicklungspfade situativ unterscheiden
(vgl. Beitrag B, Anforderung A5). Um situative Aspekte des BI-RM zu analysieren
wurde die Konstruktionsmethodik von Lahrmann et al. [2011] erweitert. Diese Erwei-
terung kann ebenfalls auf das Konzept der RM generalisiert werden. Anschliessend an
die Konstruktion des BI-RM, wird in den Beiträgen C und D eine Beurteilungsmetho-
de zur Messung des BI-Reifegrads entwickelt, um den dritten Teilaspekt von For-
schungsfrage FII zu adressieren. Zur Berechnung des Reifegrads im Rahmen der Beur-
teilungsmethode wird das Euklidische Distanzmass verwendet, da die Ist-Situation
eines Unternehmens im BI-RM als Punkt im n-dimensionalen Raum aller BI-
Konfigurationen interpretiert werden kann (Anforderung A6). Die Generalisierbarkeit
der Beurteilungsmethode ist gegeben, da in Beitrag C zwar eine spezifische Instanziie-
rung für das BI-RM gezeigt wird, aber die Beurteilungsmethode generell auf jegliches
RM anpassbar ist. Im Rahmen der Beantwortung von Forschungsfrage FII wurden die
Teil A: Diskussion und Ausblick 55
entwickelten Konzepte ausserdem umgesetzt und angewendet, was dem vierten Schritt
des Forschungsprozesses entspricht (demonstration).
Forschungsfrage FIII adressiert die Evaluierung des in Forschungsfrage FII entwickel-
ten generischen Artefakts, das sich aus Reifekonzept, BI-RM und Beurteilungsmetho-
de zusammensetzt (Schritt fünf: evaluation). Dazu wird basierend auf der Wissensba-
sis zur Evaluierung von gestaltungsorientierter Forschung in Beitrag E eine Evaluati-
onsstrategie für RM entwickelt. Die Evaluationsstrategie beinhaltet sowohl quantitati-
ve als auch qualitative Forschungsmethoden, um beide Aspekte der Forschungsfrage
abzudecken. Die Reliabilität des generischen Lösungsartefakts wird durch drei etab-
lierte Messgrössen für Reliabilität und die Verbesserung der Beurteilungsmethode
hergestellt (vgl. Beiträge E und F). Die Nützlichkeit des Ansatzes für die reifegradmo-
dellbasierte Weiterentwicklung von BI im Unternehmen wird anhand der Validierung
des BI-RM und der Beurteilungsmethode demonstriert. Hierzu wird in Beitrag F ein
multimethodischer Ansatz vorgeschlagen, der auf der Beurteilungsmethode und detail-
lierten Fallstudien aufbaut. Im Gegensatz zur BI-RM-Beurteilungsmethode unterliegen
die Fallstudien nicht den Beeinflussungen, denen die quantitative Datenerhebung der
Beurteilungsmethode ausgesetzt sind, da Fallstudien nicht auf der Aussage des Teil-
nehmers beruhen, sondern auf den hintergründigen Mechanismen und Ursachen
[Stuart et al. 2002; Yin 2009]. Die Auswertung der Validierung zeigt, dass die Beurtei-
lungsmethode sowohl die Ausprägung von BI-Reife in den einzelnen Fallstudien, als
auch die Rangfolge der vier analysierten Unternehmen offensichtlich korrekt beurteilt
(Anforderung A7).
Zusammengefasst wurden alle Forschungsfragen durch die Anwendung rigoroser wis-
senschaftlicher Methoden beantwortet und jeder einzelne Beitrag dürfte daher die An-
forderung der wissenschaftlichen Stringenz erfüllen. Zusätzlich zu den bereits aufge-
führten Schritten des gestaltungsorientierten Forschungsprozesses, wird der erste
Schritt (identify problem & motivate) gesamthaft in Abschnitt 1 beschrieben und der
letzte Schritt (communication) ergibt sich durch die Veröffentlichung der Beiträge und
der Dissertation selbst. Durch die Aggregation der einzelnen Beiträge im Rahmen die-
ser Dissertation zum Ansatz für die reifegradmodellbasierte Weiterentwicklung von BI
im Unternehmen, wird insgesamt der komplette gestaltungsorientierte Forschungspro-
zess durchlaufen (vgl. Abschnitt 1.4, Anforderung A1). Des Weiteren bezieht sich die
Evaluierung im Rahmen von Forschungsfrage FIII gewissermassen auf das gesamthaf-
te Forschungsergebnis dieser Dissertation (vgl. Abschnitt 4), da das zusammengesetzte
generische Artefakt evaluiert wird. Allerdings demonstriert die Evaluierung nur, ob
das generische Artefakt auch wirklich zuverlässig BI-Reife misst. In zukünftigen For-
56 Teil A: Diskussion und Ausblick
schungsarbeiten sollte daher kritisch hinterfragt werden, welche anderen Aspekte im
Zuge der Validierung adressiert werden müssen.
Die Nützlichkeit der entwickelten Lösung kann zum einen anhand der Erfüllung der
definierten Anforderungen und zum anderen auf Basis des Nutzen für die Praxis be-
messen werden [Winter, Baskerville 2010b, S. 269]. In Bezug auf die Adressierung
der Forschungsfragen zeigen die vorangehenden Absätze und das integrierte For-
schungsergebnis in Abschnitt 4, dass die Forschungsfragen erfolgreich beantwortet
wurden. Ebenfalls wurden die in Abschnitt 3.2 definierten Anforderungen erfüllt. Für
die Praxis besteht der Nutzen des entwickelten Ansatzes in der inhaltlichen und me-
thodischen Unterstützung von Initiativen, die die Weiterentwicklung von BI im Unter-
nehmen zum Ziel haben. Die Anwendung des reifegradmodellbasierten Ansatzes lie-
fert einem Unternehmen einen Ist-Zustand, der es im BI-RM lokalisiert. Da sowohl die
Konstruktion des BI-RM als auch die Berechnung des Ist-Zustandes transparent erfol-
gen und auf einer empirischen Grundlage basieren, hat der entwickelte Ansatz das Po-
tenzial, eine grössere Glaubwürdigkeit als bestehende Ansätze zu bieten. Des Weiteren
basiert das BI-RM auf einer breiten Definition von BI und führt damit fachliche und
technische Aspekte über fünf Dimensionen hinweg konsistent zusammen. Eine derart
informierte Weiterentwicklung der BI-Funktion profitiert von den Vorteilen dieses
neuen reifegradmodellbasierten Ansatzes und somit ergibt sich eine potenzielle Ver-
besserung zu anderweitig getriebenen Weiterentwicklungsinitiativen. Für die Wissen-
schaft stellt der entwickelte Ansatz einen Erkenntnisfortschritt und eine Erweiterung
der Wissensbasis dar, da Kritikpunkte an bestehenden RM erfolgreich adressiert wer-
den. Trotzdem gilt es an dieser Stelle kritisch zu hinterfragen, ob die Weiterentwick-
lung von BI im Unternehmen ausreichend unterstützt wird. Die Bestimmung der Ist-
Situation im BI-RM wird durch den entwickelten Ansatz detailliert angeleitet und bil-
det die Grundlage für Weiterentwicklungsprojekte. Der Ansatz erlaubt auch eine klare
Zieldefinition auf Basis der Entwicklungspfade des BI-RM und die Identifizierung von
Fähigkeiten, die umgesetzt werden müssen, um diesen Zielzustand zu erreichen. Somit
wird ein essentieller Beitrag zum Erfolg von Weiterentwicklungsinitiativen geleistet,
der aber die Kritik von Pfeffer und Sutton [1999, S. 87] nur teilweise adressieren kann.
Der entwickelte Ansatz zur reifegradmodellbasierten Weiterentwicklung von BI im
Unternehmen bietet nicht die Möglichkeit konkrete, auf ein spezifisches Unternehmen
zugeschnittene Aktivitäten abzuleiten, die die Umsetzung der Fähigkeiten im Unter-
nehmen durchführen und damit den gesamthaften Erfolg der Weiterentwicklungsinitia-
tive sicherstellen. Weitere Ansatzpunkte zur Erweiterung und Weiterführung werden
im folgenden Abschnitt aufgeführt.
Teil A: Diskussion und Ausblick 57
5.2 Ausblick auf den weitergehenden Forschungsbedarf
Das Forschungsergebnis dieser Arbeit bildet die Grundlage für weiterführende For-
schungsaktivitäten in den Themengebieten RM und BI. In den einzelnen Beiträgen
werden jeweils themenspezifische Ansatzpunkte für weiterführende Forschung identi-
fiziert. Im Folgenden werden diese zukünftigen Forschungsmöglichkeiten zusammen-
gefasst und vor dem Hintergrund des aggregierten Forschungsergebnisses der kumula-
tiven Dissertation betrachtet.
? Umsetzung konkreter Massnahmen auf Basis der Anwendung des entwickelten
Ansatzes: Um die Kritik von Pfeffer und Sutton [1999, S. 87] vollständig auf-
zuarbeiten, sollte in weiterführender Forschung ein Konzept für die Umsetzung
der durch die Anwendung des BI-RM abgeleiteten Handlungsempfehlungen
entwickelt werden. Dazu könnten eine oder mehrere Methoden als ergänzende
Teilartefakte entworfen werden, welche Unternehmen auf Basis der konkreten
Handlungsempfehlungen schrittweise bei der Umsetzung unterstützen. Lahr-
mann [2011] stellt in seiner Dissertation zum Beispiel eine methodische Unter-
stützung für die Strategieentwicklung im Bereich IL vor, die genutzt werden
könnte, um die Umsetzung von Handlungsempfehlungen in der RM-Dimension
Strategie anzuleiten.
? Wartung und Evolution des BI-RM: Die Wartung und Evolution eines RM sind
Bestandteil des von de Bruin et al. [2005] präsentierten Entwicklungsprozesses
für RM. Die kontinuierliche Relevanz des entwickelten BI-RM kann somit nur
aufrechterhalten werden, indem die Weiterentwicklung im Laufe der Zeit si-
chergestellt wird [de Bruin et al. 2005, S. 9]. Dieser Bedarf ergibt sich aus der
Weiterentwicklung der im BI-RM enthaltenen Fähigkeiten und Aspekte von BI.
Ein Beispiel dafür sind die in Abschnitt 2.1 aufgeführten aktuellen Trends im
Bereich BI, Big Data Analytics, Mobile BI und In-Memory-Datenbanken. In
weiterführender Forschung sollten diese emergenten BI-Fähigkeiten im Rah-
men der Evolution des BI-RM in das RM integriert werden. Aus methodischen
Gesichtspunkten eignet sich die gewählte Konstruktionsmethode von Lahrmann
et al. [2011] dazu sehr gut. Die neuen Fähigkeiten könnten auf Basis einer Lite-
raturanalyse und Expertenbefragungen erfasst werden und durch eine erneute
Datensammlung empirisch in das BI-RM integriert werden. Durch Anwendung
dieser Evolutionsmethode ergeben sich dynamische Effekte im BI-RM, die im
folgenden Punkt detailliert betrachtet werden.
58 Teil A: Diskussion und Ausblick
? Analyse der dynamischen Effekte in RM: Die Reife von Unternehmen in Bezug
auf ein bestimmtes Konzept kann nicht als statisch angesehen werden. Unter-
nehmen befinden sich in einem Stadium ständiger Weiterentwicklung und
Transformation [Miller, Friesen 1980; Romanelli, Tushman 1994, S. 1141]. Da
die Reifestufen des BI-RM empirisch, auf Basis des Grads der Umsetzung der
BI-Fähigkeiten in den befragten Unternehmen, abgeleitet werden, ist auch das
BI-RM Änderungen unterworfen. Genauer entspricht die aktuelle Version des
BI-RM einer Momentaufnahme zur Zeit der Datenerhebung. Eine weitere Da-
tenerhebung zu einem späteren Zeitpunkt würde die Reifestufen und die Zutei-
lung der BI-Fähigkeiten mit grosser Wahrscheinlichkeit verändern. Durch diese
besonderen Eigenschaften der Konstruktionsmethode ergeben sich verschiedene
dynamische Effekte im BI-RM. Der erste dieser dynamischen Effekte entsteht
durch die Evolution des BI-RM. Wenn neue BI-Fähigkeiten in das RM inte-
griert werden sollen, muss dies auf Basis einer erneuten Datenerhebung ge-
schehen. Dadurch wird eine neue Momentaufnahme in Bezug auf die Umset-
zung der BI-Fähigkeiten in Unternehmen erstellt. Da sich einige Unternehmen
mit grosser Wahrscheinlichkeit in der Zwischenzeit weiterentwickelt haben,
nimmt die durch den Rasch-Algorithmus berechnete Schwierigkeit, die Fähig-
keit im Unternehmen umzusetzen, ab (vgl. [Lahrmann et al. 2011]). Solche BI-
Fähigkeiten werden im neuen RM auf einem niedrigeren Reifelevel eingestuft.
Da neue Fähigkeiten eine eher geringe Umsetzung erfahren, werden diese auf
höheren Reifegraden integriert. Für Unternehmen, die sich nicht weiterentwi-
ckeln, hat das zur Folge, dass ihr Reifegrad höchstwahrscheinlich sinkt. Unter-
nehmen auf Reifestufe fünf fallen zum Beispiel zurück auf Reifestufe vier,
wenn neue BI-Fähigkeiten der fünften Reifestufe noch nicht umgesetzt wurden.
Dadurch akkumulieren sich natürlich die „einfachen“ Fähigkeiten auf Stufe eins
des BI-RM. Diese Fähigkeiten sollten im Rahmen der Wartung des BI-RM auf
ihre Eignung, ins neue RM übernommen zu werden, überprüft werden. Ein wei-
terer dynamischer Effekt betrifft den Aufstieg von Unternehmen in Bezug auf
die Reifestufen des BI-RM. Die im BI-RM enthaltenen Fähigkeiten können zu
Unterkategorien zusammengefasst werden, in denen durch Anwendung des
Rasch-Algorithmus eine probabilistische Guttman-Struktur identifiziert werden
kann [Andrich 1985, S. 74]. Das impliziert, dass Unternehmen, die sich auf
Reifestufe n befinden, auch alle Fähigkeiten der Stufen x, für x < n, mit grosser
Wahrscheinlichkeit umgesetzt oder übertroffen haben. Dadurch können Unter-
nehmen keine Stufe im BI-RM „überspringen“. Selbst im Rahmen einer fun-
Teil A: Diskussion und Ausblick 59
damentalen Transformation der BI, die ein Unternehmen von Stufe zwei auf
Stufe vier bringt, würden dabei auch implizit alle Fähigkeiten auf Stufe drei
umgesetzt werden. Zusammengefasst gelten die am Beispiel des BI-RM be-
schriebenen dynamischen Effekte im Allgemeinen für RM, die mit Hilfe der in-
duktiven Rasch-Methodik (vgl. [Lahrmann et al. 2011]) konstruiert werden. Da
die dynamischen Effekte in RM durch diese Diskussion nur kurz aufgegriffen
wurden, sollte eine detailliertere Betrachtung Gegenstand zukünftiger For-
schung sein.
? Langzeitstudien zur Evaluierung des BI-RM: Die Evaluierung des BI-RM, die
in den Beiträgen E und F präsentiert wurde, stellt einen Fortschritt gegenüber
bisherigen Evaluierungsansätzen für RM dar. Es werden sowohl die Reliabilität
als auch die Validität des RM überprüft. Allerdings ist das Hauptziel dieser
Evaluierung zu zeigen, dass das BI-RM mit Hilfe der Beurteilungsmethode
auch wirklich BI-Reife misst. Neben diesem Aspekt der Evaluierung existieren
noch weitere Aspekte, die überprüft werden müssen. Ein Beispiel dafür ist die
Validierung der empirisch fundierten Entwicklungspfade des BI-RM. Dazu
könnte in weiterführenden Arbeiten die Weiterentwicklung von BI in mehreren
Unternehmen über einen längeren Zeitraum beobachtet werden. Die Ergebnisse
aus diesen Langzeitstudien könnten dann mit den Entwicklungspfaden des BI-
RM verglichen werden.

Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 61
Teil B – Beiträge der Arbeit
Beitrag A – Using Quantitative Analyses to Construct a Capa-
bility Maturity Model for Business Intelligence
Tab. 12: Bibliographische Angaben zum Beitrag „Using Quantitative Analyses to
Construct a Capability Maturity Model for Business Intelligence”
Titel Using Quantitative Analyses to Construct a Capability Ma-
turity Model for Business Intelligence
Autoren Raber, David; Winter, Robert; Wortmann, Felix
Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
david.raber ¦ robert.winter ¦ [email protected]
Publikationsorgan Proceedings of the 45th Annual Hawaii International Confer-
ence on System Sciences (HICSS-45), Computer Society
Press, 2012, S. 4219-4228
Jahr 2012

Abstract:
One important means to explore the strengths and weaknesses of Business Intelligence
(BI) initiatives is a comprehensive and accurate BI maturity assessment instrument. It
is important that the assessment instrument is transparently developed using the cur-
rent BI knowledge base. This paper proposes a BI maturity model that is based on an
explicit BI maturity concept and using empirical data. The data is transformed into
maturity levels by applying the Rasch algorithm and cluster analysis. The resulting BI
maturity model is constructed on the basis of 58 items (capabilities) and consists of
five levels named initiate, harmonize, integrate, optimize and perpetuate. An evalua-
tion of the model demonstrates its utility.
Keywords:
Business Intelligence, Maturity Model
A.1 Introduction
Business Intelligence (BI) resembles one of the major topics in modern information
systems (IS) literature. Having been coined as a widely used term during the early
1990s [Wixom, Watson 2010], BI is regarded as strategic capability for most organiza-
62 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
tions when it comes to creating, collecting, analyzing and applying information and
knowledge.
While being understood and managed as a technology approach in the 1990ies, today
BI is regarded as an organizational capability of strategic importance having the ability
to enhance the competitiveness of organizations [Negash, Gray 2008; Services 2009].
Implementation challenges were more and more replaced by questions like strategic
business alignment, business value improvement or optimization of the solution archi-
tecture [Richardson, Bitterer 2010, S. 78; Williams, Williams 2007]. In fact, BI has
recently been denominated as top business priority instead of being a top technology
priority in previous years [Richardson, Bitterer 2010].
In order to cope with the broad ‘business-to-IT’ scope of BI, i.e. the wide array of
business as well as technology related issues, a comprehensive view of its design and
transformation is essential. A concept that is able to provide holistic support for such
broad design and transformation tasks is the maturity model (MM). Being successfully
used in the software engineering domain [Paulk et al. 1993a], MMs represent an estab-
lished means to support effective management and continuous improvement for com-
plex, multi-faceted phenomena [Ahern et al. 2003; Crawford 2006]. MMs are also
used as an instrument for self or third party assessment [Fraser et al. 2002; Hakes
1996]. We therefore develop a BI MM that focuses on BI capabilities of organizations.
The aim of our BI MM is to identify and explore strengths and weaknesses of organi-
zations as well as to provide support to both evaluate their current state and to identify
necessary improvements with respect to their BI capabilities.
In the context of BI, a large number of MMs has been proposed. The recent state-of-
the-art analysis in [Lahrmann et al.] however reveals a lack of theoretical foundation,
inadequate documentation and especially the dismissal of methodical requirements as
common shortcomings of existing MMs in this domain. This conforms to the findings
of [Biberoglu, Haddad 2002] for the MM concept in general. Furthermore, the under-
lying BI maturity concept (i.e. the fundamental understanding of BI maturity) is often
not specified sufficiently and transparently.
In order to consider the core issues identified by [Biberoglu, Haddad 2002; Lahrmann
et al. 2010], the goal of this paper is to develop a BI MM which (a) comprehensively
covers BI ‘business-to-IT’ and (b) is developed in a transparent way based on a explic-
it maturity concept. We believe that the difficulty of a capability should be directly
related to maturity, i.e. that a mature BI approach differs from a less mature BI ap-
proach by comprising more difficult capabilities. The Rasch algorithm has been suc-
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 63
cessfully used to determine the difficulty of a capability. Hence, the development of
our BI MM is based on a quantitative approach that applies the Rasch algorithm and a
subsequent cluster analysis [Lahrmann et al. 2011]. In order to provide a solid founda-
tion for capability difficulty assessment, a rigorous conceptualization of BI maturity is
based on IS kernel theories.
The remainder of this paper is structured as follows. Next, foundations of BI and MMs
are presented and related work is analyzed. Subsequently, we introduce our conceptu-
alization of BI maturity and briefly describe the applied methodology for developing
the BI MM. The constructed BI MM is presented in detail thereafter, followed by an
initial evaluation of the model. Concluding, we discuss the model as well as limita-
tions of the proposal and give an outlook on future research.
A.2 Foundations and conceptual background
A.2.1 Business Intelligence
Since its first mentioning in 1958 [Luhn 1958], the understanding of BI broadened
from a collective term for data analysis, reporting and query tools [Anandarajan et al.
2004] towards an encompassment of all components of an integrated decision support
infrastructure [Baars, Kemper 2008]. BI is used as an umbrella term for both BI appli-
cations (e.g. dashboards) and BI technologies (e.g. online analytical processing
(OLAP)), which are used to develop the BI applications [Wixom, Watson 2010]. A
central component of BI systems is the data warehouse (DWH), which integrates data
from various transactional IS for analytical purposes [Inmon et al. 2008; Kimball et al.
2008]. The DWH is used by analytical frontends to “present complex and competitive
information to planners and decision makers” [Negash 2004].
Even though there exist best practices for many topics in BI, e.g. reference application
architectures or certain processes, “there is no universally accepted definition of BI”
[Wixom, Watson 2010]. In the context of this paper, the following BI definition of
Wixom and Watson is used: ”Business intelligence (BI) is a broad category of tech-
nologies, applications, and processes for gathering, storing, accessing, and analyzing
data to help its users make better decisions” [Wixom, Watson 2010]. This definition
emphasizes our understanding of BI in a way that BI represents a complex socio-
technical system for which organizational as well as technical aspects need to be con-
sidered.
64 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
A.2.2 Maturity models
MMs – or correctly maturity assessment models – are a widely accepted instrument for
systematically documenting and guiding the development and transformation of organ-
izations on the basis of best or common practices [Paulk et al. 1993b]. The concept of
MMs has initially been proposed during the 1970s [Gibson, Nolan 1974]. Driven by
the success of prominent examples (e.g. [Ahern et al. 2003; Crawford 2006;
Humphrey 1988]), numerous MMs have been developed by academics as well as prac-
titioners since then. In the field of IS, over a hundred MM instantiations have been
published [Mettler, Rohner 2009].
Tab. 13: Characteristics of MMs
Characteristic Description
Object of maturity
assessment
MMs allow for the maturity assessment of a variety of different
objects. Most frequently assessed objects are technologies / sys-
tems [Popovic et al. 2009], processes [Chrissis et al. 2003; Paulk
et al. 1993b], people / workforce [Curtis et al. 2010] and manage-
ment capabilities like project or knowledge management
[Crawford 2006; Paulzen et al. 2002].
Dimension Dimensions are specific capability areas which describe different
aspects of the maturity assessment’s object. Dimensions should
preferably be both exhaustive and distinct [Mettler, Rohner 2009].
Each dimension of a MM is further specified by a number of char-
acteristics (practices, measures or activities) at each level [Fraser
et al. 2002].
Level Levels are archetypal states of maturity of the object that is as-
sessed. Each level should have a set of distinct characteristics
(practices, measures or activities per dimension) that are empiri-
cally testable [Nolan 1973].
Maturity principle MMs can be continuous or staged. While continuous models allow
a scoring of characteristics at different levels, staged models re-
quire that all elements of one distinct level are achieved [Fraser et
al. 2002]. Hence, in continuous MMs a maturity rank may be de-
termined as either the (weighted) sum of the individual scores or
the individual levels in different dimensions. In contrast, staged
MMs clearly specify a set of goals and key practices that need to
be implemented in order to reach a certain level.
Assessment In order to pursue a maturity assessment either qualitative (e.g.
interviews) or quantitative approaches (e.g. questionnaires with
Likert scales) may be used.
A MM typically consists of a sequence of maturity levels for a class of objects [Becker
et al. 2009a; Klimko 2001]. Each level requires the objects on that level to achieve
certain requirements. Maturity in this context is understood as a “measure to evaluate
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 65
the capabilities of an organization” [de Bruin et al. 2005], while the term capability is
understood as the ability to achieve a predefined goal [van Steenbergen et al.]. Tab. 13
briefly summarizes the most important characteristics of MMs.
With increasing popularity of MMs, criticism addressed a certain arbitrariness and
fuzziness of the MM development and design process [Becker et al. 2009a; Mettler,
Rohner 2009]. In order to address this drawback, de Bruin et al. proposed a MM
lifecycle model that is comprised of a scope, design, populate, test, deploy, and main-
tain phase [de Bruin et al. 2005]. For this paper, the design and populate phase are of
particular interest. Regarding the design phase, two different approaches exist. Where-
as in the top-down approach levels are defined first and afterwards characteristics that
describe the different dimensions are derived, the bottom-up approach first derives
dimensions and characteristics which are afterwards assigned to maturity levels. For
the derivation of characteristics, dimensions and levels, various exploratory methods
such as Delphi studies, case studies, and focus groups [Becker et al. 2009a; de Bruin et
al. 2005] have been proposed. As quantitative methods require valid data sets and
knowledge of statistical methods, they are less often used for designing MMs [Fraser
et al. 2002]. However, a lack of theoretical foundation has been identified as one of the
major weaknesses of most MMs [Lahrmann et al. 2011] because an explicated theoret-
ical foundation, i.e. a rigorous derivation of the underlying maturity concept makes the
relationships between different parts of the MM more comprehensible.
A.2.3 Existing BI maturity models
In the field of BI, quite a high number of MMs has been proposed [Lahrmann et al.
2010; Wixom, Watson 2010]. In a recent literature review, ten BI MMs were identified
and analyzed with respect to methodology and content [Lahrmann et al. 2010]. Most
of these MMs have their origin in practice and are poorly documented. Only four out
of ten MMs have been developed based on empirical data. None of MMs has been
evaluated with real world scenarios. Even for the empirically grounded MMs, no de-
tails about the construction process have been published.
Not only the construction process, but also the underlying BI maturity concept should
be explicated. The maturity concept outlines what exactly is measured and what the
MM’s purpose is. Also remarkable in this context is the fact, that only one out of the
ten analyzed BI MMs has a theoretical foundation, i.e. only one model is explicitly
based on (kernel) theories [Biberoglu, Haddad 2002]: In their stage model for data
warehousing, Watson et al. [Watson et al. 2001] refer to the stages of growth approach
66

[Gibson, N
understan
As the an
MMs seem
structure
widely ne
high visib
MM shou
even thou
A.3 Re
A.3.1
Maturity i
ready” or
inition, tw
has to ref
ized.” On
indicators
only on e
the object
on the imp
Teil B
Nolan 197
d how the
nalysis of L
ms to be an
are highly
eglected. T
bility [Gan
uld therefor
ugh BI repr
esearch m
BI matur
is defined b
the “fullne
wo aspects
flect cause
n the other
s are consi
ffects do n
t to be mea
pact that is
A
B: Using Qu
74]. As in
different c
Lahrmann
n issue, too
y present w
This contra
nsor et al.
re address
esents a ve
methodol
rity concep
by Soanes
ess of deve
of maturit
es, e.g. “D
hand, effe
stent and
not offer an
asured. MM
s achieved b
Abb. 5:
uantitative A
this case,
oncepts of
et al. furth
o. Tradition
whereas to
asts current
2010; Vie
the “busin
ery heterog
logy
pt
and Steve
elopment”
ty need to
Definitions
ects need t
transparen
ny valuabl
Ms that are
by followin
Concep
Analyses to
an explica
f an MM in
her shows
nal IT topic
opics as B
t IS literat
erkorn, Fri
ness-to-IT”
geneous fie
enson as a “
[Soanes, S
be differe
of key pe
to be reflec
nt beyond f
le informat
limited to
ng their gu
ts represen
Construct a
ated theore
nfluence ea
, comprehe
cs, e.g. app
I organiza
ture where
edrich 200
” range of
eld.
“state of b
Stevenson 2
entiated. O
erformance
cted as we
functional
tion on how
causes, do
uidelines.
nting BI ma
a Capability
for Busin
etical foun
ach other.
ensiveness
plications,
ation and B
e these two
08]. A com
f BI topics
eing comp
2008]. Foll
On the one
e indicators
ell, e.g. ”ke
borders.”
w to impro
o not provi
aturity
y Maturity M
ness Intellig
ndation hel
s of existin
data, and i
BI strategy
o topics ga
mprehensiv
s in its ent
plete, perfe
lowing this
hand, mat
rs are stand
ey perform
MMs focu
ove the sta
ide any ins
Model
gence
ps to
ng BI
infra-
y are
ained
ve BI
irety,
ct, or
s def-
turity
dard-
mance
using
ate of
sights

Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 67
Based on this argumentation, we utilize IS success models and their underlying theo-
retical foundations in order to develop our concept of BI maturity [DeLone, McLean
2003; Gable et al. 2008; Petter et al. 2008]. Thereby, we intend to complement the rel-
evance of MMs with the rigor of IS theory.
Tab. 14: References for questionnaire development
Source ST SO T Q U
Baars and Kemper 2008 [Baars, Kemper 2008] X
Davenport 2010 [Davenport 2010] X
Geiger et al. 2010 [Geiger et al. 2010] X
Matney and Larson 2004 [Matney, Larson 2004] X X
Negash and Gray 2008 [Negash, Gray 2008] X X X
Watson et al. 2001 [Watson et al. 2001] X X X
Wixom and Watson 2001 [Wixom, Watson 2001] X X X X
Wixom and Watson 2010 [Wixom, Watson 2010] X X

The intention of IS success models is to explain which variables or capabilities affect
(better: cause) IS success. Hence, they are giving guidance on how to conceptualize IS
success and the corresponding success drivers. Briefly summarized, IS success is con-
ceptualized on the basis of “IS use”, which comprises the intention to use as well as
the usage itself, and “IS impact”, i.e. the combined IS net benefits. “IS use” is directly
affected by “IS quality”, i.e. system quality, information quality and service quality,
which is driven by the capabilities of the information system itself (“IS”). As we want
to focus especially on IS capabilities that foster IS success, we have to conceptualize
“IS” in more detail. According to the strategic alignment model [Henderson,
Venkatraman 1993], “IS” is more than technology, i.e. it has to be understood as a
combination of “strategy” and “processes and infrastructure”. Moreover, following
socio-technical theory [Bostrom, Heinen 1977] (STT) “processes and infrastructure”
may not solely be comprehended as a collection of different IT components. However,
STT postulates that the social IS subsystems (people, methodological capabilities and
organizational practices) and the technical IS subsystems are interdependent and need
to be working in conformity with each other in order to maximize the system’s bene-
fits. As outlined in the introduction, we want to focus our analysis on the causes of IS
success, i.e. the BI capabilities of organizations. Thereby, we follow the practice of
prominent MMs like the Capability Maturity Model Integration (CMMI) [Chrissis et
al. 2003]. Hence, we form the basis for our MM by the five concepts “strategy” (ST),
68 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
“social system” (SO), “technical system” (T), “quality” (Q), and “use/impact” (U) (cf.
Abb. 5). The development of the questionnaire was driven by the conceptual results
we derived on the basis of the IS success model, the strategic alignment model and
STT. Tab. 14 lists the references that were used for developing the questionnaire.
A.3.2 Maturity model construction
Basing on the BI maturity concept outlined in the previous section, the next step to-
wards the development of a methodically sound BI MM is the empirically grounded
MM construction. We apply the inductive design approach described in [Lahrmann et
al. 2011] to construct our MM in a transparent way based on empirical methods. In
fact, the Rasch algorithm as an Item Response Theory (IRT)-based approach is used in
combination with cluster analysis. This approach adapts and extends the original work
of [Dekleva, Drehmer 1997] for maturity models in the IS domain.
In the following, the main BI MM construction steps are briefly summarized. These
steps are documented in detail in [Lahrmann et al. 2011]. The applied method differs
from traditional Rasch-based MM constructions in three ways: Firstly, the Rasch algo-
rithm is used in combination with rating scales, e.g. a Likert scale from one to five.
Due to the complexity of socio technical systems, in this case BI, the expressive power
of rating scales is preferred over dichotomous scales. Secondly, not only the actual
situation (as-is) of an item at an organization, but also the desired situation (to-be) is
addressed in the questionnaire. In accordance to [Lahrmann et al. 2011], the input for
the Rasch algorithm is then computed by first taking the delta value between the as-is
situation of an item and the median of the to-be situation of this item for all organiza-
tions. A positive delta value represents a difficult and desired item whereas negative
delta values express more easy-to-achieve items. These values are recoded to a Likert
scale where five represents the easiest items and 1 represents the most difficult items.
Using such data, the Rasch algorithm yields a single ordinal value that represents the
logit measure of each item and organization, but not distinct maturity levels. The third
modification is therefore to apply an agglomerative cluster analysis on the basis of the
item logit measure in order to derive distinct maturity levels (i.e. item clusters). As
most maturity models use five maturity levels [Becker et al. 2010; Lahrmann et al.
2010], the number of clusters is set to five. Using cluster analysis overcomes subjec-
tivity problems in defining maturity levels.
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 69
A.4 Development of the BI MM
A.4.1 Data collection
Data was collected using a paper questionnaire distributed at a practitioner conference
in Switzerland in May 2010. In addition, an online version of the questionnaire was
distributed. It was ensured that participant segments did not overlap.
Tab. 15: Sample characteristics
Industry sector Abs. % Employees Abs. %
Automotive 4 6 0-500 21 30
Chem. & pharmacy 4 6 500-5.000 17 24
Services 17 24 5.000-10.000 9 13
Utilities 7 10 > 10.000 19 27
Finance & banking 13 18 Not available 5 7
Healthcare 1 1 Sum 71 100
Wholesale & retail
5 7
Respondent’s
Function Abs. %
Techn. & telecom. 8 11 Business 10 14
Logistics 2 3 IT 36 51
Others 7 10 Mixed 23 32
Not available 3 4 Not available 2 3
Sum 71 100 Sum 71 100

The paper questionnaire was returned by 51 out of 144 participants of the conference,
yielding a response rate of 35.4%. The conference was attended by BI/DWH special-
ists and executives working in business, management, and IT functions. The online
questionnaire was sent to a focus group consisting of 28 people. Focus groups are an
established approach to explore new ideas and to check the applicability of a research
object by practitioners [Tremblay et al. 2010]. In this case, the members of the focus
group were also BI practitioners, who meet on a regular basis three times a year to dis-
cuss latest developments in BI, as well as their experiences. 20 members of the focus
group completed the questionnaire, resulting in a response rate of 71.4%. Tab. 15
summarizes the characteristics of the overall sample.
A.4.2 Data analysis and interpretation
The BIGSTEPS software version 2.82 [Linacre, Wright 1998] was used to obtain
Rasch item calibration. Important output statistics are the measure (of difficulty), the
standard error, and a set of standardized fit statistics (infit and outfit) for each item.
Infit is more sensitive to unexpected behavior affecting responses to items near the
70 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
organization’s capability level, whereas outfit is more sensitive to unexpected behavior
of organizations on items far from the organization’s capability level. Values of both
fit statistics are expected to be close to one. The data is considered productive for
measurement when infit and outfit are between 0.5 and 1.5. Regarding the model at
hand, about 98% of infit and outfit values are considered productive for measurement.
Therefore, our data set meets the quality criterion described in [Dekleva, Drehmer
1997] and we conclude that the data conforms to the model. Tab. 16 exhibits the re-
sults of applying the Rasch algorithm.
Tab. 16: Results of applying the Rasch algorithm ordered by maturity level
Meas-
ure Error Infit
Out-
fit Level
Con-
cept Short description
1.1 0.14 0.96 1.25 5 ST
Comprehensive BI strategy with focus on organiza-
tion, processes as well as technology and tools
0.88 0.13 0.58 0.63 5 Q Proactive data quality management
0.72 0.12 1.25 1.49 5 ST
Balanced Scorecard incl. quality, cost and user satis-
faction
0.69 0.12 1.09 1.3 5 ST
Systematic and comprehensive measurement of actu-
al BI usage
0.63 0.12 1.08 1.13 5 ST BI steering committee within business
0.52 0.11 0.96 1.14 5 ST BI strategy is updated on a regular basis
0.41 0.11 1.03 1.08 4 SO
Development of BI solutions based on standardized
BI specific process
0.4 0.11 0.8 0.8 4 ST Portfolio management for systematic BI roadmap
0.39 0.11 0.79 0.84 4 SO Defined governance & standards for content
0.35 0.12 0.76 0.75 4 ST
Value-oriented development of BI, e.g. using busi-
ness cases
0.35 0.11 0.66 0.68 4 Q
Defined and documented roles for data quality man-
agement
0.35 0.11 0.81 0.82 4 Q Cost efficient BI operations
0.33 0.11 0.62 0.64 4 U Use of BI by middle-management
0.33 0.11 1.16 1.17 4 T Flexible, proactive analytics
0.21 0.11 1.13 1.13 3 Q
BI operations based on well-defined service-level-
agreements (SLAs)
0.2 0.11 0.83 0.87 3 SO Central operation of BI applications based on ITIL
0.2 0.11 1.18 1.16 3 Q
Standardized definitions for key performance indica-
tors
0.18 0.11 0.81 0.83 3 SO Defined governance & standards for management
0.17 0.11 0.68 0.68 3 Q Defined processes for data quality management
0.17 0.11 0.87 0.88 3 Q Performance is satisfying for users
0.14 0.11 0.93 0.94 3 ST Central, influential sponsor from business
0.13 0.11 1.38 1.38 3 ST Multitude of decentralized sponsors from business
0.09 0.11 1.03 1.06 3 ST BI strategy with focus on technology and tools
0.09 0.11 1.16 1.15 3 SO
Role of IT: Business partner - consulting of business
lines
0.08 0.12 1.12 1.11 3 ST BI steering committee within IT
0.07 0.11 0.79 0.81 3 Q
Core business objects are consistently defined for
whole enterprise
0.07 0.11 0.85 0.86 3 Q Usage of up-to-date tools and frontends
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 71
Meas-
ure Error Infit
Out-
fit Level
Con-
cept Short description
0.04 0.11 0.84 0.84 3 SO
Development of BI solutions using agile develop-
ment methods (e.g. SCRUM)
0.04 0.11 0.97 0.97 3 Q Standardized definitions for master data
0.02 0.11 1.5 1.62 3 U Use of BI by specialized analysts
0.02 0.11 0.87 0.87 3 T
Integration of different frontends, e.g. "drill-through"
from standard reports into OLAP cubes
0.02 0.11 0.85 0.85 3 T
Partial integration of data in global systems (e.g.
finance data warehouse)
0.02 0.11 1.07 1.09 3 Q Homogeneity: Usage of a few and coherent BI tools
0.01 0.11 0.98 0.97 3 T
Balanced mix of central and decentralized systems
based on organizational structure
-0.02 0.11 1.3 1.29 2 T Highly centralized data warehouse
-0.03 0.12 1.09 1.1 2 SO
Hybrid development of BI solutions combining agile
development and waterfall methods
-0.05 0.11 0.8 0.8 2 SO Defined governance & standards for development
-0.07 0.11 1.19 1.17 2 U Operational usage of BI
-0.1 0.11 0.92 0.94 2 SO
Balanced mix of central and decentralized organiza-
tional units
-0.11 0.11 0.54 0.53 2 T Static reports
-0.13 0.11 0.75 0.74 2 SO Role of IT: Operator of infrastructure
-0.13 0.11 1.08 1.06 2 SO
Decentralized BI organization with central CIO or-
ganization
-0.16 0.11 1.02 1.03 2 SO Role of IT: Provider of standardized services
-0.17 0.11 1.21 1.19 2 SO Centralized BI organization and responsibilities
-0.18 0.11 1.13 1.18 2 U Use of BI by top-management
-0.25 0.11 0.76 0.75 2 SO Defined governance & standards for operations
-0.29 0.12 0.91 0.9 2 SO
Development of BI solutions based on standardized
IT process
-0.29 0.11 0.86 0.88 2 Q
High availability: No breakdowns, maintenance in
well-defined and short time slots
-0.31 0.11 0.89 0.88 2 SO
Defined governance & standards for tools and appli-
cations
-0.38 0.12 1.42 1.4 2 ST Central, influential sponsor from IT
-0.4 0.12 1.02 1.08 2 T
Decentralized, but harmonized systems (e.g. stand-
ardized master data)
-0.52 0.12 1.2 1.15 1 SO Central operation of BI applications
-0.57 0.12 1.29 1.25 1 SO Project oriented development
-0.66 0.12 1.22 1.14 1 T Ad-hoc analyses (OLAP)
-0.68 0.13 1.29 1.39 1 ST Multitude of decentralized sponsors from IT
-0.69 0.13 1.16 1.22 1 T
Decentralized data warehouses and central enterprise
data warehouse
-0.74 0.13 1.29 1.37 1 ST Standardized cost and profit calculation for BI
-0.77 0.13 1.33 1.32 1 SO decentralized BI organization and responsibilities

The items are arranged using the levels derived by the subsequent cluster analysis.
These results provide the content for an initial MM that can be built based on the con-
ceptual structure developed in section A.3.1. The matrix form of the complete BI MM,
consisting of all items assigned to their respective levels is omitted here due to space
72 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
limitations. Nonetheless, we developed a condensed and more comprehensible version
of our model where the capabilities are summarized for each level and each concept.
This summarized model is presented in Tab. 17. Several terms have been used in prior
MM development efforts for labeling maturity levels. The CMMI labels “Initial”,
“Managed”, “Defined”, “Quantitatively managed”, and “Optimizing” [8] for example
are well-known. But in the situation at hand, item assignments to levels have been de-
rived bottom-up. Therefore maturity levels need to be found by semantic interpretation
of the clustered items. We decided to use verbs as labels, which reflect the main goal
and effect of each level, having the management perspective in mind.
Tab. 17: Condensed BI MM


Level 1 Level 2 Level 3 Level 4 Level 5
Initiate Harmonize Integrate Optimize Perpetuate
Strategy
Decentralized
IT-driven BI
Centralized IT-
driven BI
Business
sponsor,
initial BI
strategy
BI portfolio
management
and BI busi-
ness cases
Comprehensive
BI strategy and
BI performance
management
Social system
(organization)
Decentralized,
individually
acting BI or-
ganization
Standardization
of operations,
tools, applica-
tions and de-
velopment
Centralized
with re-
spect to
business
model
Well-
defined gov-
ernance and
business
content

Technical sys-
tem (IT)
Decentralized,
non-
standardized
BI infrastruc-
ture
Decentralized,
but harmonized
systems
Centralized
with re-
spect to
business
model
Flexible,
pro-active
analytics

Quality of
service
High availabil-
ity and proper
maintenance
Data and
system
quality is
guaranteed
Cost-
efficient BI
operations
Pro-active data
quality man-
agement
Use /impact

Top manage-
ment and oper-
ational usage
Specialized
analysts
Middle
management

Level 1 of the BI MM is characterized by a high degree of decentralism with almost no
standardization efforts, representing an early and immature state of BI, and is thus ti-
tled “initiate”. In more detail, the BI organization, responsibilities, and sponsorship are
decentralized, rendering standardization initiatives nearly inapplicable. From a tech-
nical point of view, the BI infrastructure is already operated centrally and basic capa-
bilities as ad-hoc analyses are provided. Organizations that achieve level 2 are clearly
oriented towards centrally managed BI in terms of governance and organizational set-
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 73
up. Standardization efforts regarding operations, development, tools, processes, and
applications support this development by providing consistent policies and transparen-
cy beyond functional borders. The BI infrastructure at this level of maturity is still
mainly decentralized. But central components as the DWH and the use of standardized
master data are important steps towards a harmonized system landscape. We thus label
level 2 “harmonize”. Additional reporting functionalities together with a high overall
availability of BI systems create an increased business value potential of BI which is
widely used in top management and for operational business by companies on this lev-
el. Level 3 of the BI MM, represents the final step towards centralization and integra-
tion, as well as an intermediate stage with respect to optimization. This level is there-
fore designated “integrate”. A BI steering committee located within IT centrally de-
fines an initial BI strategy that is focused on technology and tools. Various forms of
sponsorship, both from IT and business, are available showing the corporate ac-
ceptance of BI. Organizational setup of BI as well as BI systems are centralized with
respect to organizational structure. An enhanced system and data integration together
with standardized definitions of key performance indicators achieve consistency across
functional and system boundaries. A further improvement is the organization of BI
operations according to ITIL [Office of Government 2007]. In terms of quality, the
professional stage of BI maturity is characterized by usage of SLAs and defined pro-
cesses for data quality management. The organization now also employs specialized
BI analysts.
On level 4, organizations are realizing the full potential of BI and drive advanced stra-
tegic topics such as BI portfolio management and business cases for BI. Governance is
now well-defined also with regards to content. On the technical side, flexible and pro-
active analytics are provided to achieve business impact, whereas the quality of BI
systems is increased by improving cost-efficiency of BI operations. We designate this
level as “optimize”. At stage 4, middle management is widely engaged in BI usage.
For achieving the highest level of BI maturity, a sustainable and continuous manage-
ment of BI needs to be established. In terms of capabilities, this stage of maturity re-
quires a comprehensive BI strategy to be specified and regularly updated. In addition,
BI performance management and pro-active data quality management need to be es-
tablished. Hence this stage is designated “perpetuate”.
74 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
A.5 Evaluation
In the following, an initial evaluation of the developed BI MM is presented. The pur-
pose of the evaluation is to field test the BI MM and to demonstrate its applicability in
a real-world scenario. We therefore conducted three interviews with BI experts. The
interviews started with documenting general information of the represented company
and explaining the general setting and objective of the interview. Then the proposed BI
MM was presented to the interviewees and they were asked whether the model (a) is
comprehensive with respect to content, (b) allows for a valid self-assessment, and (c)
supports the development of a BI roadmap. An overview of the case companies is giv-
en in Tab. 18.
Tab. 18: Overview of case companies
Description
Companies
#1 #2 #3
Function/Team of
interviewee
Head of controlling
Senior project man-
ager IT
BI strategy and gov-
ernance
Industry sector Finance Manufacturing Telecom.
Employees 2000 8000 3000
Headquarters Germany Germany Germany

Briefly summarized, the general reactions to the proposed model were positive. The
interviewees emphasized the comprehensiveness as regards to content as well as the
well-balanced mix of technical and business related items. However, all three inter-
viewees criticized the fact that no “use/impact” items exist on level 1. After brief dis-
cussions, it was concluded that the absence of items at this level makes sense because
the items represent rather organization wide usage of BI, whereas only few users use
BI on level 1.
One interviewee was missing BI staff related items (e.g. BI staff is highly specialized).
Regarding BI staff, the inclusion of corresponding items at the current level of detail is
out of scope, but might be considered in future iterations.
When it came to self-assessment, all interviewees were quickly able to position their
respective company by using the BI MM. Company #3 for example was positioned on
level 1 with respect to “technical system”, on level 2 for “quality of service” and “so-
cial system”, and on level 3 regarding the maturity of “strategy” and “use/impact”.
Since BI improvement activities can be easily identified by analyzing capabilities at
Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence 75
the next higher level, the BI MM was found particularly useful as foundation for BI
roadmap development and as basis for investment decisions.
A.6 Discussion and limitations
The approach proposed by [Lahrmann et al. 2011] for developing maturity models in
the domain of IS which was applied in this work, represents a rather innovative and
unconventional method compared to MM development processes described elsewhere
[Becker et al. 2009a] [de Bruin et al. 2005]. A great advantage of this approach repre-
sents the fact that subjectivity issues, i.e. a certain arbitrariness when assigning capa-
bilities to different maturity levels, can be eliminated. Being based on the theoretically
sound conceptualization of BI maturity, the proposed BI MM overcomes many weak-
nesses inherent to existing MMs in the field of BI [Biberoglu, Haddad 2002;
Lahrmann et al. 2010].
However, there are two limitations which need to be mentioned. First, the data set is
comprised of only 71 questionnaires. A larger data set would provide a better empiri-
cal basis for our quantitative analyses. Second, the number of different levels of the
MM (e.g. the number of clusters to be created by cluster analysis) should be subject to
further discussion. In our case, we followed previous and common practice by choos-
ing five clusters – but this number was decided subjectively. Finding an appropriate
way to determine the optimal number of clusters for the method of Lahrmann et al.
[Lahrmann et al. 2011] could avoid this arbitrariness, but could lead to MMs that
might not meet user expectations due to an un-conventional number of maturity levels,
at the same time.
A.7 Conclusion and future work
MMs have become an established means in the IS community to support organizations
when it comes to effective management and continuous improvement for complex,
multi-faceted phenomena [Ahern et al. 2003; Crawford 2006]. In this paper, we pro-
posed a MM for assessing and evaluating capabilities of organizations in the field of
BI. Being constructed in a transparent way and being based on an explicit maturity
concept, the proposed BI MM overcomes weaknesses of related work in this domain.
It also features a broad ‘business to IT’ scope which covers technical as well as busi-
ness related aspects of BI. A first evaluation at three companies showed the potential
of our model. Nonetheless, future work might be addressing the choice of maturity
76 Teil B: Using Quantitative Analyses to Construct a Capability Maturity Model
for Business Intelligence
level numbers, e.g. based on quality criteria for cluster analysis. Moreover, the pro-
posed MM needs further extensive testing and validation in practice.

Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 77

Beitrag B – Situational Business Intelligence Maturity Mod-
els: An Exploratory Analysis
Tab. 19: Bibliographische Angaben zum Beitrag „Situational Business Intelli-
gence Maturity Models: An Exploratory Analysis”
Titel Situational Business Intelligence Maturity Models: An Ex-
ploratory Analysis
Autoren Raber, David; Wortmann, Felix; Winter, Robert
Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
david.raber ¦ felix.wortmann ¦ [email protected]
Publikationsorgan Proceedings of the 46th Annual Hawaii International Confer-
ence on System Sciences (HICSS-46), Computer Society
Press, 2013, S. 3797-3806
Jahr 2013

Abstract:
Maturity models (MMs) are an established instrument to identify strengths and weak-
nesses of certain domains. Having constructed such a maturity model for the domain
of Business Intelligence (BI) in prior research, we explore the influence of contextual
factors on the evolution of BI maturity in organizations in this paper. Therefore, four
different BI maturity models were constructed on the basis of two contextual factors
company size and environment. Analyzing the four models, we found that both factors
strongly affect the evolution of BI maturity in organizations.
Keywords:
Business Intelligence, Maturity Model, Contingency Factors
B.1 Introduction
Business intelligence (BI) is a “broad category of technologies, applications, and pro-
cesses for gathering, storing, accessing, and analyzing data to help its users make bet-
ter decisions” [Wixom, Watson 2010, S. 14]. IT innovations like data warehouse sys-
tems and analytical front-end tools have allowed BI to develop into an essential com-
ponent of information systems (IS) in organizations whose contribution to overall or-
ganizational success is undisputed [Davenport et al. 2010, S. 3; Wixom, Watson 2010,
S. 14].
78 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
Over time, the role of BI has changed from a ‘single analytical application’ view to an
organizational capability of strategic importance [Negash, Gray 2008, S. 175]. Tech-
nological challenges are more and more accompanied by questions of organizational
implementation of an enterprise capability (e.g. crafting of an enterprise wide BI strat-
egy), IT/business alignment, as well as competence in usage, operations, and further
development of a broad solution architecture [Richardson, Bitterer 2010, S. 2;
Williams, Williams 2007, S. 11]. Having been denominated as a top technology priori-
ty by chief information officers for several years, BI has recently been named as a top
business priority, too [Luftman, Ben-Zvi 2010, S. 54; McDonald 2010; Richardson,
Bitterer 2010]. However, despite its widely acknowledged importance, putting BI into
place still remains challenging [Luftman, Ben-Zvi 2010, S. 54] – both from a techno-
logical and an organizational perspective.
Senior executives and managers need guidance about the pathways of organizational
innovation and success through IS [ICIS 2012]. In order to address this challenge, ma-
turity models (MMs) have been proposed as a viable instrument. MMs outline antici-
pated, typical, logical, and desired evolution paths from an initial to a desired target
stage [Kazanjian, Drazin 1989]. Due to their distinctive nature, well-defined MMs are
capable of integrating diverse dimensions for measuring, designing and controlling
complex, multi-faceted artifacts. Such diverse dimensions covering a wide range of
business, technical as well as people-related aspects need to be considered in IS design
and IS management on a regular basis. In fact, MMs provide a consistent design and
management view on the subject at hand. Over time, MMs have become an established
means to identify and explore the strengths and weaknesses of organizations as a
whole [e.g. Benbasat et al. 1980; Galbraith 1982; Kazanjian, Drazin 1989] or certain
domains thereof (e.g. software development [Paulk et al. 1993b; Ramasubbu et al.
2008]).
While various models for assessing BI maturity were developed during the last years
[e.g. Eckerson 2009; Sacu, Spruit 2010; Watson et al. 2001], none of these models has
reflected contextual factors. Thus, existing models follow the paradigm of “one size
fits all”. Situational models for assessing the BI maturity level of organizations are
therefore not available. In this paper, we will address this research gap and propose
situational maturity models on the basis of two contextual factors: company size and
environment. The development of the corresponding BI MMs is based on a quantita-
tive approach that applies the Rasch algorithm and a subsequent cluster analysis [26].
The underlying conceptualization of BI maturity was described in prior research
[Raber et al. 2012].
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 79

Ultimately, we address the question: how do company size and environment affect BI
maturity? While we develop and discuss different situational BI MMs, we do not vali-
date them. We see our exploratory research as a first step towards a deeper understand-
ing of BI maturity and its influencing factors.
The remainder of this paper is structured as follows. Next, foundations of BI, contin-
gency theory as well as MMs in the field of BI are presented. Subsequently, we intro-
duce our research approach and construct our situational BI MMs. The constructed BI
MMs are analyzed and compared in detail thereafter. Concluding, we discuss the in-
fluence of the contextual factors on BI maturity as well as limitations of the proposal
and give an outlook on future research.
B.2 Conceptual background
B.2.1 Business intelligence
Since its first mentioning in 1958 [Luhn 1958], the understanding of BI broadened
from a collective term for data analysis, reporting and query tools [Anandarajan et al.
2004] towards an encompassment of all components of an integrated decision support
infrastructure [Baars, Kemper 2008]. BI is used as an umbrella term for both BI appli-
cations (e.g. dashboards) and BI technologies (e.g. online analytical processing
(OLAP)), which are used to develop the BI applications [Wixom, Watson 2010]. A
central component of BI systems is the data warehouse (DWH), which integrates data
from various transactional IS for analytical purposes [Inmon et al. 2008; Kimball et al.
2008]. The DWH is used by analytical frontends to “present complex and competitive
information to planners and decision makers” [Negash 2004].
Even though there exist best practices for many topics in BI, e.g. reference application
architectures or certain processes, “there is no universally accepted definition of BI”
[Wixom, Watson 2010]. In the context of this paper, the following BI definition of
Wixom and Watson is used: ”Business intelligence (BI) is a broad category of tech-
nologies, applications, and processes for gathering, storing, accessing, and analyzing
data to help its users make better decisions” [Wixom, Watson 2010]. This definition
emphasizes our understanding of BI in a way that BI represents a complex socio-
technical system for which organizational as well as technical aspects need to be con-
sidered.
80 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
B.2.2 Contingency theory
Contingency theory stems from organizational research being developed as a response
to prior theories of management, which commonly emphasize "one best way" to or-
ganize [Weill, Olson 1989]. Instead of “one size fits all” the contingency approach
“attempts to understand the interrelationships … between the organizational system as
an entity and its environments” [Wallace et al. 1980]. Thereby, it addresses “the multi-
variate nature of organizations and attempts to interpret and understand how they op-
erate under varying conditions” [Wallace et al. 1980]. One of the key principles of
contingency theory is fit [Weill, Olson 1989]. Contingency theory postulates fit be-
tween some contingency variables and some characteristics of the IS. Moreover, con-
tingency theory also implies a fit (relationship) between IS characteristics, IS perfor-
mance, as well as organizational performance.
Over the last decades, contingency theory has become an established basis of IS re-
search [Weill, Olson 1989]. There are seven well established contingency variables in
IS also known as contextual factors [Weill, Olson 1989]: (1) Size refers to measures of
magnitude, e.g. number of employees or revenue. (2) Environment refers to the sur-
roundings of a system or organization, e.g. the industry an organization is competing
in. (3) Strategy refers to information assets and how they are addressed in corporate
strategy. (4) Structure refers to the fit between organizational and IS structure. (5)
Technology refers to the type of technology or sophistication of technology deployed.
(6) Task refers to types of activities and their characteristics. (7) Individual character-
istics refer to differences of individuals and their fit with various IS activities.
Throughout this paper we will focus on the first two contextual factors: size (more
specifically: number of employees) and environment (more specifically: industry
type), thereby following prior research (cf. section B.3.1).
B.2.3 Business intelligence maturity models
The concept of MMs has initially been proposed during the 1970s [Gibson, Nolan
1974]. Driven by the success of prominent examples (e.g. the CMM [Ahern et al.
2003; Crawford 2006; Humphrey 1988]), numerous MMs have been developed by
academia as well as practitioners. In the field of BI, various MMs have been proposed
[Lahrmann et al. 2010; Wixom, Watson 2010]. In a recent literature review, ten BI
MMs were identified and analyzed with respect to methodology and content
[Lahrmann et al. 2010]. We updated Lahrmann et al.’s analysis by one revised model
[Sen et al. 2011] and three recently developed models [Chuah 2010; Lukman et al.
2011; Sacu, Spruit 2010]. Most of these MMs have their origin in practice and are
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 81

hardly documented. Furthermore, none of the MMs has been subject to a thorough
evaluation. Moreover, the respective construction processes have not been published.
Not only the construction process, but also the underlying BI maturity concept should
be explicated. The maturity concept outlines what exactly is measured and what the
MM’s purpose is. Also remarkable in this context is the fact, that only one out of the
13 analyzed BI MMs features a theoretical foundation, i.e. only one model is explicitly
based on (kernel) theories [Biberoglu, Haddad 2002]: in their stage model for data
warehousing, Watson et al. [Watson et al. 2001] refer to the stages of growth approach
[Gibson, Nolan 1974]. As in this case, an explicated theoretical foundation helps to
understand how the different concepts of an MM influence each other. As the analysis
of Lahrmann et al. further shows, comprehensiveness of existing BI MMs seems to be
an issue, too. Traditional IT topics, e.g. applications, data, and infrastructure are highly
present whereas topics as BI organization and BI strategy are widely neglected. This
contrasts current IS literature where these two topics gain high visibility, e.g. [Gansor
et al. 2010; Vierkorn, Friedrich 2008].
To address the aforementioned shortcomings of existing MMs in the field of BI we
constructed a BI MM in prior research [Raber et al. 2012], which (a) comprehensively
conceptualizes BI, (b) is developed in a transparent way based on an explicit maturity
concept and (c) is informed by theory. This non-situational BI MM, which serves as a
basis for the research described in this paper, is comprised of five levels and is struc-
tured according to the five maturity dimensions strategy (S), social system (SO), tech-
nical system (T), quality of service (Q), and use (U).
B.3 Development of situational BI MMs
B.3.1 Research Process
In order to analyze the situational influence of different contextual factors on BI MMs,
we will develop four BI MMs for two contextual factors. We defined two main re-
quirements for our exploratory approach. First of all, the contextual factors must be
intuitively comprehensible in order to be assessed in the form of a questionnaire. Sec-
ondly, the contextual factors should represent objective and easily measurable or ob-
servable organizational variables. Thus by following prior BI research [e.g. Elbashir et
al. 2008; Ramamurthy et al. 2008; Yeoh, Koronios 2010], we identified two key con-
textual factors, company size and environment. In organization theory, these factors are
frequently used as contingency variables due to their important moderating influence
[Weill, Olson 1989]. Moreover, the two factors provide two different perspectives,
82 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
with company size being an internal factor whereas environment represents an external
one.
(1) Company size is used in prior IS literature as approximation for the size of the or-
ganizations resource base that can affect IT respectively BI [Elbashir et al. 2008;
Subramani 2004; Zhu et al. 2004]. The median of the coded values for company
size defined in the questionnaire indicated that a split at 1’000 employees will re-
sult in two balanced data sets. Thus, we decided for a differentiation between
smaller companies with less than 1’000 employees and large companies with more
than 1’000 employees.
(2) Environment (industry type) can effectively proxy for the competitive and business
environment in which a company operates [Elbashir et al. 2008]. In literature there
exists only little guidance for choosing an industry typology [Elbashir et al. 2008].
Though, we decided to use a distinction between service and non-service industries
for our exploratory analysis following the works of Elbashir et al. and Chatterjee et
al. [Chatterjee et al. 2002; Elbashir et al. 2008]. But as there is no proven ad-
vantage over other typologies, the evaluation of further industry typologies is sub-
ject to future work. In our data, service companies include financial services, health
care services, and consulting and professional services, while non-service indus-
tries include retail and wholesale, manufacturing and automotive companies.
BIMM
A
and BIMM
B
are built upon data sets distinguished by company size (number
of employees ? 1’000, number of employees > 1’000). BIMM
C
and BIMM
D
relate to
environment the organization is operating in (service industry, non-service industry).
Items and maturity domains for these four models are identical to our MM model con-
structed in prior research [Raber et al. 2012].
We apply the inductive design approach described in [Lahrmann et al. 2011] to con-
struct our situational MMs in a transparent way based on empirical methods. In fact,
the Rasch algorithm as an Item Response Theory (IRT)-based approach is used in
combination with cluster analysis. This approach adapts and extends the original work
of [Dekleva, Drehmer 1997] for maturity models in the IS domain. In the following,
the main BI MM construction steps are briefly summarized. These steps are docu-
mented in detail in [Lahrmann et al. 2011]. The applied method differs from traditional
Rasch-based MM constructions in three ways: Firstly, the Rasch algorithm is used in
combination with rating scales, e.g. a Likert scale from one to five. Due to the com-
plexity of socio technical systems, in this case BI, the expressive power of rating
scales is preferred over dichotomous scales. Secondly, not only the actual situation (as-
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 83

is) of an item at an organization, but also the desired situation (to-be) is addressed in
the questionnaire. In accordance to [Lahrmann et al. 2011], the input for the Rasch
algorithm is then computed by first taking the delta value between the as-is situation of
an item and the median of the to-be situation of this item for all organizations. A posi-
tive delta value represents a difficult and desired item whereas negative delta values
express more easy-to-achieve items. These values are recoded to a Likert scale where
five represents the easiest items and 1 represents the most difficult items. Using such
data, the Rasch algorithm yields a single ordinal value that represents the logit measure
of each item and organization, but not distinct maturity levels. The third modification
is therefore to apply an agglomerative cluster analysis on the basis of the item logit
measure in order to derive distinct maturity levels (i.e. item clusters). As most maturity
models use five maturity levels [Becker et al. 2010; Lahrmann et al. 2010], the number
of clusters is set to five. Using cluster analysis overcomes subjectivity problems in
defining maturity levels.
B.3.2 Data Collection
Data was collected using a paper questionnaire distributed at a practitioner conference
in November 2010. In addition, an online version of the questionnaire was distributed.
It was ensured that participant segments did not overlap.
Tab. 20: Sample characteristics
Industry type Abs. % Employees Abs. %
Service 39 55 1-50 6 8
Non-service 29 41 50-500 15 21
Not available 3 4 500-1.000 5 7
Sum 71 100 1.000-5.000 12 17
Respondent’s Function Abs. % 5.000-10.000 9 13
Business 10 14 10.000-50.000 15 21
IT 36 51 >50.000 4 6
Mixed 23 32 Not available 5 7
Not available 2 3 Sum 71 100
Sum 71 100

The paper questionnaire was returned by 51 out of 144 participants of the conference,
yielding a response rate of 35.4%. The conference was attended by BI/DWH special-
ists and executives working in business, management, and IT functions. The online
questionnaire was sent to a focus group consisting of 28 people. Focus groups are an
established approach to explore new ideas and to check the applicability of a research
84 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
object by practitioners [Tremblay et al. 2010]. In this case, the members of the focus
group were also BI practitioners, who meet on a regular basis three times a year to dis-
cuss latest developments in BI, as well as their experiences. 20 members of the focus
group completed the questionnaire, resulting in a response rate of 71.4%. Tab. 20
summarizes the characteristics of the overall sample. The situational BI MMs are de-
veloped by dividing the overall data set according to their respective contextual fac-
tors. The individual data set size for BIMM
A
is 26 and 40 for BIMM
B
, 29 for BIMM
C

and 39 for BIMM
D.
B.3.3 Data analysis
The BIGSTEPS software version 2.82 [Linacre, Wright 1998] was used to obtain
Rasch item calibration for all MMs. Important output statistics are the measure (of dif-
ficulty) and a set of standardized fit statistics (infit and outfit) for each item.
Tab. 21: Infit and outfit statistics
BIMM
A
BIMM
B
BIMM
C
BIMM
D
0.5?Outfit?1.5 93% 97% 90% 95%
0.5?Infit?1.5 90% 97% 93% 97%

Infit is more sensitive to unexpected behavior affecting responses to items near the
organization’s capability level, whereas outfit is more sensitive to unexpected behavior
of organizations on items far from the organization’s capability level. Values of both
fit statistics are expected to be close to one. The data is considered productive for
measurement when infit and outfit are between 0.5 and 1.5. Regarding the four mod-
els, Tab. 21 summarizes the percentages of productive items for each MM. A mini-
mum of 90% of infit and outfit values are considered productive for measurement.
Therefore, our data set meets the quality criterion described in [Dekleva, Drehmer
1997] and we conclude for each BI MM that the data conforms to the model. Tab. 22
exhibits the results of applying the Rasch algorithm for the models BIMM
A
and
BIMM
B
ordered by measure of BIMM
A
(M
A
), whereas Tab. 23 shows the results for
BIMM
C
and BIMM
D
ordered by measure of BIMM
C
(M
C
). Each table also includes the
respective maturity level for each item (L
A
, L
B,
L
C
and L
D
) derived from the subse-
quent cluster analysis as well as the maturity concept (dimension) to which the item
belongs.
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 85

Tab. 22: Results of the two BI MMs for the contextual factor company size (BIM-
M
A
and BIMM
B
)
M
A
M
B
L
A
L
B
Concept Short description
1.31 1.14 5 5 S Comprehensive BI strategy with focus on organization, processes
as well as technology and tools
0.9 0.64 5 4 S Systematic and comprehensive measurement of actual BI usage
0.9 0.84 5 5 Q Proactive data quality management
0.86 0.81 5 5 S Balanced Scorecard incl. quality, cost and user satisfaction
0.79 0.38 5 4 S BI steering committee within business
0.58 0.56 4 4 S BI strategy is updated on a regular basis
0.53 0.41 4 4 S Portfolio management for systematic BI roadmap
0.5 0.38 4 4 U Use of BI by middle-management
0.47 0.31 4 3 T Flexible, proactive analytics
0.43 0.24 4 3 Q Defined and documented roles for data quality management
0.36 -0.01 3 2 S Multitude of decentralized sponsors from business
0.36 0.45 3 4 SO Development of BI solutions based on standardized BI specific
process
0.32 -0.07 3 2 S BI strategy with focus on technology and tools
0.25 0.44 3 4 S Value-oriented development of BI, e.g. using business cases
0.25 -0.03 3 2 SO Central operation of BI applications based on ITIL
0.25 -0.06 3 2 U Use of BI by specialized analysts
0.25 0.01 3 2 T Integration of different frontends, e.g. "drill-through" from stand-
ard reports into OLAP cubes
0.23 -0.14 3 2 S BI steering committee within IT
0.18 0.06 3 3 SO Defined governance & standards for management
0.17 0.15 3 3 S Central, influential sponsor from business
0.15 0.5 3 4 SO Defined governance & standards for content
0.15 0.2 3 3 Q Standardized definitions for key performance indicators
0.1 0.18 3 3 Q BI operations based on well-defined service-level-agreements
(SLAs)
0.08 0.13 3 3 Q Defined processes for data quality management
0.07 -0.22 3 2 T Balanced mix of central and decentralized systems based on or-
ganizational structure
0.06 0.26 3 3 Q Cost efficient BI operations
0.04 -0.08 3 2 U Operational usage of BI
0.04 0.02 3 2 T Partial integration of data in global systems (e.g. finance data
warehouse)
0.03 0.01 3 2 Q Usage of up-to-date tools and frontends
0.01 -0.06 3 2 Q Core business objects are consistently defined for whole enter-
prise
-0.06 -0.05 2 2 SO Defined governance & standards for development
-0.06 0.25 2 3 Q Performance is satisfying for users
-0.09 -0.55 2 1 SO Defined governance & standards for tools and applications
-0.09 -0.01 2 2 Q Standardized definitions for master data
-0.13 0.32 2 3 SO Role of IT: Business partner - consulting of business lines
-0.13 0 2 2 SO Development of BI solutions using agile development methods
(e.g. SCRUM)
-0.14 -0.14 2 2 SO Role of IT: Operator of infrastructure
-0.17 -0.2 2 2 T Highly centralized data warehouse
-0.2 -0.03 2 2 T Static reports
-0.24 0.09 2 3 Q Homogeneity: Usage of a few and coherent BI tools
-0.26 -0.5 2 1 S Central, influential sponsor from IT
86 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
M
A
M
B
L
A
L
B
Concept Short description
-0.27 0.03 2 2 SO Decentralized BI organization with central CIO organization
-0.27 -0.15 2 2 SO Balanced mix of central and decentralized organizational units
-0.31 0.03 2 2 SO Role of IT: Provider of standardized services
-0.31 -0.32 2 1 SO Defined governance & standards for operations
-0.39 -0.1 1 2 U Use of BI by top-management
-0.39 -0.45 1 1 Q High availability: No breakdowns, maintenance in well-defined
and short time slots
-0.45 -0.64 1 1 T Decentralized, but harmonized systems (e.g. standardized master
data)
-0.46 -0.32 1 1 SO Development of BI solutions based on standardized IT process
-0.54 -0.56 1 1 SO Project oriented development
-0.54 0 1 2 SO Centralized BI organization and responsibilities
-0.54 -0.75 1 1 T Ad-hoc analyses (OLAP)
-0.59 -0.86 1 1 S Multitude of decentralized sponsors from IT
-0.63 0.22 1 3 SO Hybrid development of BI solutions combining agile develop-
ment and waterfall methods
-0.76 -0.74 1 1 S Standardized cost and profit calculation for BI
-0.85 -0.41 1 1 SO Central operation of BI applications
-0.87 -0.81 1 1 SO decentralized BI organization and responsibilities
-0.9 -0.8 1 1 T Decentralized data warehouses and central enterprise data ware-
house
Tab. 23: Results of the two BI MMs for the contextual factor environment (BIMM
C

and BIMM
D
)
M
C
M
D
L
C
L
D
Concept Short description
1.06 1.33 5 5 S Comprehensive BI strategy with focus on organization, pro-
cesses as well as technology and tools
0.82 0.96 5 5 Q Proactive data quality management
0.8 0.85 5 5 S Balanced Scorecard incl. quality, cost and user satisfaction
0.71 0.14 5 3 S Value-oriented development of BI, e.g. using business cases
0.64 0.88 5 5 S Systematic and comprehensive measurement of actual BI usage
0.62 0.33 5 4 S Portfolio management for systematic BI roadmap
0.51 0.26 4 4 T Flexible, proactive analytics
0.5 -0.02 4 3 SO Role of IT: Business partner - consulting of business lines
0.48 0.43 4 4 SO Development of BI solutions based on standardized BI specific
process
0.41 0.72 4 5 S BI strategy is updated on a regular basis
0.39 0.45 4 4 SO Defined governance & standards for content
0.36 0.74 4 5 S BI steering committee within business
0.33 -0.37 4 1 SO Hybrid development of BI solutions combining agile develop-
ment and waterfall methods
0.23 -0.25 4 2 SO Development of BI solutions using agile development methods
(e.g. SCRUM)
0.22 0.5 4 4 U Use of BI by middle-management
0.22 0.4 4 4 Q Defined and documented roles for data quality management
0.22 0.13 4 3 Q Standardized definitions for key performance indicators
0.19 0.06 4 3 T Partial integration of data in global systems (e.g. finance data
warehouse)
0.19 -0.15 4 2 Q Defined processes for data quality management
0.17 -0.26 4 2 T Balanced mix of central and decentralized systems based on
organizational structure
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 87

M
C
M
D
L
C
L
D
Concept Short description
0.13 0.23 4 4 S Central, influential sponsor from business
0.08 -0.19 3 2 SO Role of IT: Provider of standardized services
0.06 0.08 3 3 Q Performance is satisfying for users
0.05 0.11 3 3 S Multitude of decentralized sponsors from business
0.04 -0.19 3 2 Q Homogeneity: Usage of a few and coherent BI tools
0.03 0.33 3 4 SO Defined governance & standards for management
0.03 0.07 3 3 T Integration of different frontends, e.g. "drill-through" from
standard reports into OLAP cubes
0 0.3 3 4 Q Standardized definitions for master data
0 -0.09 3 2 Q Costefficient BI operations
-0.01 0.23 3 4 SO Decentralized BI organization with central CIO organization
-0.01 -0.17 3 2 Q BI operations based on well-defined service-level-agreements
(SLAs)
-0.05 -0.13 3 2 SO Role of IT: Operator of infrastructure
-0.07 0.02 3 3 U Operational usage of BI
-0.07 -0.02 3 3 Q Usage of up-to-date tools and frontends
-0.09 -0.25 3 2 SO Centralized BI organization and responsibilities
-0.1 -0.01 3 3 Q Core business objects are consistently defined for whole enter-
prise
-0.13 0.19 3 4 S BI steering committee within IT
-0.13 0.14 3 3 SO Development of BI solutions based on standardized IT process
-0.13 -0.16 3 2 U Use of BI by specialized analysts
-0.13 -0.54 3 1 T Static reports
-0.15 0.31 3 4 SO Central operation of BI applications based on ITIL
-0.16 -0.2 3 2 T Highly centralized data warehouse
-0.17 -0.21 3 2 SO Balanced mix of central and decentralized organizational units
-0.28 0.16 2 3 SO Defined governance & standards for development
-0.35 0.4 2 4 S Central, influential sponsor from IT
-0.35 -0.45 2 1 S BI strategy with focus on technology and tools
-0.41 -0.12 2 2 SO Project-oriented development
-0.41 -0.59 2 1 U Use of BI by top-management
-0.48 -0.68 1 1 T Decentralized, but harmonized systems (e.g. standardized mas-
ter data)
-0.52 -1.1 1 1 T Decentralized data warehouses and central enterprise data
warehouse
-0.53 -0.93 1 1 S Multitude of decentralized sponsors from IT
-0.56 -0.14 1 2 SO Defined governance & standards for operations
-0.6 -0.95 1 1 T Ad-hoc analyses (OLAP)
-0.61 -0.62 1 1 SO Central operation of BI applications
-0.67 -0.29 1 2 Q High availability: No breakdowns, maintenance in well-defined
and short time slots
-0.68 -0.07 1 2 SO Defined governance & standards for tools and applications
-0.76 -0.9 1 1 SO decentralized BI organization and responsibilities
-0.88 -0.76 1 1 S Standardized cost and profit calculation for BI
B.4 Interpretation
In the following we will briefly describe each developed situational BI MM first. In
addition we interpret the differences and similarities of the models belonging to the
same contextual factor.
88 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
B.4.1 Contextual factor: Company size
At first, the two situational BI MMs for the contextual factor company size (number of
employees) are analyzed, i.e. BIMM
A
and BIMM
B
(cf. Tab. 22)
Level one of the BIMM
A
for companies with less than 1’000 employees is character-
ized by a decentralized technical infrastructure with almost no standardization efforts.
However, BI organization and responsibilities are already a mix between centralized
and decentralized instances. Remarkable are the facts that small and medium sized
companies on level one develop BI solutions using a hybrid approach combining agile
and waterfall methods, and that top management uses BI already on level one for deci-
sion making. Organizations that achieve level two are clearly oriented towards central-
ly managed BI in terms of governance and organizational setup. Also the technical
infrastructure becomes more centralized and standardization efforts support this devel-
opment. IT infrastructure BI services are aligned and provide valuable services for the
business lines. Level three of BIMM
A
represents the final step towards centralization
and integration. Various forms of sponsorship, both from IT and business are availa-
ble, more elaborate BI applications are provided and BI is broadly used by specialized
analysts and for operational decision making. A BI steering committee located within
IT defines a first BI strategy with technical focus. In addition, efforts for improving the
quality of BI systems are undertaken. On level four, the BI strategy is updated on a
regular basis and advanced topics as portfolio management are realized. On the tech-
nical side, flexible and proactive analytics are provided. Middle management now uses
BI. For achieving the highest level (five) of BI maturity, small and medium sized en-
terprises need to establish a comprehensive BI strategy, systematic measurement of BI
performance indicators, proactive data quality management as well as having a BI
steering committee within business.
In contrast to BIMM
A
, the MM for large companies with more than 1’000 employees,
BIMM
B
, can be described as follows. Level one is characterized by a high degree of
decentralization with almost no standardization efforts. From a technical point of view,
BI systems are also decentralized. BI solutions are developed based on a standardized
IT process. Large organizations that achieve level two already make a huge leap to-
wards centrally managing BI. A BI steering committee in IT drives various govern-
ance and standardization efforts and defines a first BI strategy with technical focus. At
the same time, BI applications as static reports and integrated frontends foster the use
of BI by most user groups already on level two. On level three of BIMM
B,
BI is widely
accepted throughout the organization and receives support from influential business
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 89

sponsors. Final integration and standardization measures are conducted and proactive
analytics enable advanced analyses already on this level. On level four, organizations
are realizing the full potential of BI and drive advanced strategic topics such as BI
portfolio management and business cases for BI. Governance is now well-defined also
with regards to content. The highest level (five) of BI maturity requires large compa-
nies to define a comprehensive BI strategy, to use a balanced scorecard approach for
measuring BI and to establish proactive data quality management.
Comparing both BI MMs, it becomes obvious that in general most capabilities are eas-
ier to implement for large companies. E.g. the evolution of the technical system di-
mension for large companies is finished on level three, whereas small and medium
sized companies do not finish the evolution before level four. This observation is also
true for BI strategy-related items, e.g. in the context of BI sponsorship and governance
bodies.
However, there are also capabilities, which are sooner implemented by smaller organi-
zations. This is especially true for organizational items. The combination of agile and
waterfall development methods can serve as an example here. Smaller companies usu-
ally achieve this already on level one, whereas larger companies usually require level
three to gradually apply agile development methodologies throughout the organization
B.4.2 Contextual factor: Environment
In the following, the two BI MMs for the contextual factor environment (non-service
or service) are briefly described and analyzed, i.e. BIMM
C
and BIMM
D
(cf. Tab. 23).
BIMM
C
represents the BI MM for companies from the non-service industry. Level one
is characterized by a high degree of decentralism with almost no standardization ef-
forts. In more detail, the BI organization, responsibilities, and sponsorship are decen-
tralized, rendering standardization initiatives nearly inapplicable. From a technical
point of view, the BI infrastructure is already operated centrally and basic capabilities
as ad-hoc analyses are provided. Level two features only five capabilities and thus rep-
resents rather an intermediate stage for non-service companies. Important on this level
are the introduction of a first BI strategy with technical focus and the definition of first
standardization efforts regarding development. At this level, BI is used by top man-
agement. On level three, a BI steering committee drives further standardization initia-
tives regarding data, management and development. Moreover, BI organization and
responsibilities are more and more centralized. BI applications as static reports and
integrated frontends help to extend the user groups to operational users and specialized
90 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
analysts. Organizations achieving level four finally finish their standardization initia-
tives resulting in well-defined governance that is managed by a BI steering committee
within business. The steering committee is also responsible for regularly updating the
BI strategy. Now, BI is used by middle management as well. To achieve level five,
companies from the non-service industry are required to establish advanced strategic
topics such as BI portfolio management and business cases for BI. But also a compre-
hensive BI strategy, comprehensive measurement of BI and proactive data quality
management are subject to this level.
In the BI MM for organizations from the service industry BIMM
D
level one is de-
scribed by a decentralized BI in terms of infrastructure and organization. First stand-
ardization efforts are driven and sponsorship is available from influential partners from
IT. For development activities hybrid methods are already utilized. Level two is ori-
ented towards centralization and standardization initiatives. These initiatives are main-
ly supported by IT and focus on the technical infrastructure, development and BI ap-
plications. Support from business and more strategic topics are still missing on level
two but top management now uses BI. In contrast to level one and two, level three rep-
resents a major stage for service companies because sponsorship from business drives
first strategic topics as business cases for BI and further standardization and integra-
tion initiatives. Due to technological enhancements and new integrated frontends, op-
erational users and specialized analysts broadly embrace BI applications for decision
making. Level four is again a comprehensive stage in BIMM
D
on which most of the
potential of BI is realized by service companies. At first, governance and standards are
now defined by a steering committee in IT, finalizing standardization and integration
efforts. Now, a first BI strategy with technical focus is defined. Proactive analytics are
available and middle management joins the BI user groups. Furthermore, first ad-
vanced topics such as a BI portfolio management are addressed. For achieving the
highest level (five) of BI maturity, a sustainable and continuous management of BI
needs to be established. A BI steering committee that defines a comprehensive and
regularly updated BI strategy represents one of the success factors for this. Others are
systematic measurement of BI as well as proactive data quality management.
Looking at both BI MMs, it can be concluded that service companies show in general
earlier adoption of BI capabilities especially with respect to technical infrastructure
and organizational aspects. Strong and influential support from IT, as it can be seen on
level one and two of BIMM
D
might be the cause for this focus. Though, on maturity
levels three and four the advantage of service companies is diminished. In fact, when it
comes to more advanced business and strategic topics, the non-service companies
Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis 91

adopt relevant BI capabilities earlier. Examples for this development are the definition
of a first BI strategy or the formation of a BI steering committee located within IT.
Furthermore, non-service companies seem to focus from early on towards the defini-
tion of proper governance and standards for all areas of BI. In three of four cases, non-
service companies are one or two levels ahead of service companies with respect to
governance and standardization initiatives.
B.5 Discussion and limitations
The goal of the exploratory analysis we conducted in this paper was to determine the
influence of contextual factors, i.e. company size and environment, on BI MMs. The
two models for the factor company size show: “Size does matter”. Organizations with
less than 1’000 employees proved to utilize agile development methods at an earlier
stage, whereas larger organizations benefit from their man power especially with re-
gards to complex initiatives in the context of BI strategy and technical infrastructure.
These differences affect organizational implementation of BI in various ways. As the
two BI MMs show, it depends on the size of the company whether specific topics
should be addressed at an earlier or later stage of BI implementation. The use of agile
development methods can serve as a good example here: Smaller companies are able
to successfully implement agile methods already on level one.
The analysis of the environment contextual influence showed that the environment in
which organizations compete and operate influences the evolution of BI maturity as
well. We found that the BI evolution of service companies has a strong technical focus
during the first two levels and is driven from within IT. Non-service companies, in
contrast, address technical topics later while focusing on governance and standardiza-
tion topics during early stages of BI implementation.
In summary, the four situational BI MMs demonstrate that contextual factors as com-
pany size and environment seem to matter in the evolution of BI maturity.
However, there are two limitations which need to be mentioned. First, the data set is
comprised of only 71 questionnaires. A larger data set would provide a better empiri-
cal basis for our quantitative analyses. For the individual situational BI MMs the data
sets are even smaller. Second, the number of different levels of the MM (e.g. the num-
ber of clusters to be created by cluster analysis) should be subject to further discussion.
In our case, we followed previous and common practice by choosing five clusters –
but this number was decided upfront with no empirical evidence. However, this num-
ber might not be related to the natural evolution of BI, e.g. small companies might de-
92 Teil B: Situational Business Intelligence Maturity Models: An Exploratory Analysis
velop their BI capabilities in four stages (maturity levels), whereas large companies
might mature in five or even more stages. Finding an appropriate way to determine the
“appropriate” number of clusters for the method of Lahrmann et al. [Lahrmann et al.
2011] could avoid this arbitrariness, but could lead to MMs that might not meet user
expectations due to an unconventional number of maturity levels, at the same time.
Furthermore, as there is practically no guidance in choosing an industry typology, our
decision for a distinction between service and non-service companies for the contextu-
al factor environment was based on the fact that this dichotomy had been successfully
used in prior research. Though, there exist other industry typologies, e.g. a distinction
between companies that operate complex systems and high volume companies [Moore
2002], which should be evaluated as well.
B.6 Conclusion and future work
MMs have become an established means in the IS community to support organizations
when it comes to effective management and continuous improvement for complex,
multi-faceted phenomena [Ahern et al. 2003; Crawford 2006]. In this paper, we ex-
plored a situational approach for developing BI MMs that takes contextual factors into
account. Our approach therefore contrasts the “one size fits all” approach of existing
MMs in the field of BI. According to two contextual factors company size and envi-
ronment, four different BI MMs were developed in this paper using a quantitative ap-
proach based on prior research [Raber et al. 2012]. Analysis of these models showed
significant differences between models corresponding to the same contextual factor.
These differences would lead to divergent evolution paths of BI implementation, thus
demonstrating the importance of situational factors for the design of BI MMs.
Nonetheless, future work might be addressing the choice of maturity level numbers,
e.g. based on quality criteria for cluster analysis. Moreover, the influence of contextual
factors on BI maturity should be addressed in more detail in future research. This in-
cludes the exploration of further contextual factors as well as evaluating different ty-
pologies for these factors. In fact, a question that directly arises from the work present-
ed in this paper is: Which industry typology would cause the two situational BI MMs
(environment) to contain the most differences?

Teil B: Towards the Measurement of Business Intelligence Maturity 93

Beitrag C – Towards the Measurement of Business Intelli-
gence Maturity
Tab. 24: Bibliographische Angaben zum Beitrag „Towards the Measurement of
Business Intelligence Maturity”
Titel Towards the Measurement of Business Intelligence Maturity
Autoren Raber, David; Wortmann, Felix; Winter, Robert
Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
david.raber ¦ felix.wortmann ¦ [email protected]
Publikationsorgan Proceedings of the European Conference on Information Sys-
tems 2013. Paper 109.
Jahr 2013

Abstract:
For the systematic evolution of interdisciplinary socio-technical systems, such as busi-
ness intelligence (BI), artifacts are needed that comprehensively address multifaceted
challenges. To support these strategic improvement initiatives, we proposed a BI ma-
turity model (MM) in prior research. In this paper, we develop an approach to measure
maturity of BI in organizations, thereby operationalizing our existing BI MM. In fact,
a new maturity measurement instrument is developed that can be used in empirical
research. According to the proposed approach, BI maturity can be calculated on the
basis of 25 items and organizations are classified into five maturity levels. An exem-
plary application, using data from 92 organizations, shows that most organizations re-
side on maturity level three. Furthermore, we investigate the relationship between BI
maturity and business benefits of BI. Findings showed that mature organizations have
achieved significantly higher business benefits from BI than organizations on lower
maturity levels.
Keywords:
Business Intelligence, Maturity Model, Maturity Measurement
C.1 Introduction
Over the past two decades the importance of business intelligence (BI) has been ever
increasing in academia and practice. Information technology (IT) innovations like data
94 Towards the Measurement of Business Intelligence Maturity
warehouse systems and analytical front-end tools have allowed BI to develop into an
essential component of information systems (IS) in organizations whose contribution
to overall organizational success is undisputed [Davenport et al. 2010, S. 3; Wixom,
Watson 2010, S. 14].
BI is a “broad category of technologies, applications, and processes for gathering, stor-
ing, accessing, and analyzing data to help its users make better decisions” Over time,
the role of BI has changed from a ‘single analytical application’ view to an organiza-
tional capability of strategic importance [Negash, Gray 2008, S. 175]. Technological
challenges are more and more accompanied by questions of organizational implemen-
tation of an enterprise capability (e.g. crafting of an enterprise wide BI strategy),
IT/business alignment, as well as competence in usage, operations, and further devel-
opment of a broad solution architecture [Richardson, Bitterer 2010, S. 2; Williams,
Williams 2007, S. 11]. Having been denominated as a top technology priority by chief
information officers for several years, BI has recently been named as a top business
priority, too [Luftman, Ben-Zvi 2010, S. 54; McDonald 2010; Richardson, Bitterer
2010]. However, despite its widely acknowledged importance, putting BI into place
still remains challenging [Luftman, Ben-Zvi 2010, S. 54] – both from a technological
and an organizational perspective.
Senior executives and managers need guidance about the pathways of organizational
innovation and success through IS [ICIS 2012]. In order to address this challenge, ma-
turity models (MMs) have been proposed as a viable instrument. MMs outline antici-
pated, typical, logical, and desired evolution paths from an initial to a desired target
stage [Kazanjian, Drazin 1989]. Due to their distinctive nature, well-defined MMs are
capable of integrating diverse dimensions for measuring, designing and controlling
complex, multi-faceted artifacts. Such diverse dimensions covering a wide range of
business, technical as well as people-related aspects need to be considered in IS design
and IS management on a regular basis. In fact, MMs provide a consistent design and
management view on the subject at hand. Over time, MMs have become an established
means to identify and explore the strengths and weaknesses of organizations as a
whole [e.g. Benbasat et al. 1980; Galbraith 1982; Kazanjian, Drazin 1989] or certain
domains thereof (e.g. software development [Paulk et al. 1993b; Ramasubbu et al.
2008]). While various models for assessing BI maturity were developed during the last
years [e.g. Eckerson 2009; Sacu, Spruit 2010; Watson et al. 2001], none of these have
been operationalized in order to be used in empirically grounded research [Lahrmann
et al. 2010]. Reliable instruments for measuring the BI maturity level of organizations
according to the various models are therefore not available.
Teil B: Towards the Measurement of Business Intelligence Maturity 95

In this paper, we will address this research gap and develop an instrument for measur-
ing BI maturity. Deriving this instrument is part of a continuous research endeavor in
which we intend to explore different aspects of BI MMs from theoretical foundation
over construction until application and evaluation. Thus, we base our instrument on a
BI MM, which we developed in prior research. More precisely, we focus in this paper
on operationalizing the existing BI MM in a transparent way to provide an instrument
for empirical research. Thereby, we address the question: how can BI maturity of an
organization be measured as a basis for further empirical research? In an exemplary
empirical application, we analyze the relationship between BI maturity and business
benefits of BI using the proposed measurement instrument. However, validating the
instrument in detail and applying it to more complex scenarios is subject to future re-
search.
The remainder of this paper is structured as follows. In section C.2, existing BI MMs
are analyzed and our BI MM from prior research is briefly described. We then expli-
cate the approach to operationalize our BI MM in order to measure BI maturity. Af-
terwards, an example of how our instrument could be employed for empirical analyses
is provided before the paper concludes with implications and future work.
C.2 Related work
MMs – or maturity assessment models – are a widely accepted instrument for system-
atically documenting and guiding the development and transformation of organizations
on the basis of best or common practices [Paulk et al. 1993b]. The concept of MMs
has initially been proposed during the 1970s [Gibson, Nolan 1974]. Driven by the suc-
cess of prominent examples (e.g. [Ahern et al. 2003; Crawford 2006; Humphrey
1988]), numerous MMs have been developed by academics as well as practitioners
since then. In the field of IS, a huge number of MM instantiations has been published
[Poeppelbuss et al. 2011].
A MM typically consists of a sequence of maturity levels for a class of objects [Becker
et al. 2009a; Klimko 2001]. Each level requires the objects on that level to achieve
certain requirements. Maturity in this context is understood as a ‘measure to evaluate
the capabilities of an organization’ [de Bruin et al. 2005], while the term capability is
understood as the ability to achieve a predefined goal [van Steenbergen et al.]. With
increasing popularity of MMs, criticism addressed a certain arbitrariness and fuzziness
of the MM development and design process [Becker et al. 2009a; Mettler, Rohner
2009]. In order to address this drawback, de Bruin et al. proposed a MM lifecycle
model that is comprised of a scope, design, populate, test, deploy, and maintain phase
96 Towards the Measurement of Business Intelligence Maturity
[de Bruin et al. 2005]. Regarding the design phase, two different approaches exist.
Whereas in the top-down approach levels are defined first and afterwards characteris-
tics that describe the different dimensions are derived, the bottom-up approach first
derives dimensions and characteristics which are afterwards assigned to maturity lev-
els.
In the field of BI, various MMs have been proposed [Lahrmann et al. 2010; Wixom,
Watson 2010]. In a recent literature review, ten BI MMs were identified and analyzed
with respect to methodology and content [Lahrmann et al. 2010]. Tab. 25 presents a
brief overview of these models. We updated Lahrmann et al.’s analysis by one revised
model and three recently developed models. Most of these MMs have their origin in
practice and are hardly documented. Furthermore, none of the MMs has been subject
to a thorough evaluation. Moreover, the respective construction processes have not
been published.
Tab. 25: Overview of existing BI maturity models
No. Name (year(s)) Source Origin
1 Watson et al. (2001) [Watson et al. 2001] Academia
2 SAS (2004, 2009) [Hatcher, Prentice 2004; Sas Institute 2009] Practice
3 Eckerson (2004, 2009) [Eckerson 2004; Eckerson 2009] Practice
4 SMC (2004, 2009)
[Chamoni, Gluchowski 2004; Schulze et al.
2009]
Practice
5 Cates et al. (2005) [Cates et al. 2005] Academia
6 Dataflux (2005) [Dataflux 2005] Practice
7 Sen et al. (2006, 2011) [Sen et al. 2011; Sen et al. 2006] Academia
8 HP (2007, 2009) [Henschen 2007; Hewlett 2009] Practice
9 Gartner (2008) [Rayner, Schlegel 2008] Practice
10 Teradata (2008) [Töpfer 2008] Practice
11 BIDM (2010) [Sacu, Spruit 2010] Academia
12 EBIMM (2010) [Chuah 2010] Academia
13 Lukman et al. (2011) [Lukman et al. 2011] Academia

Not only the construction process, but also the underlying BI maturity concept should
be explicated. The maturity concept outlines what exactly is measured and what the
MM’s purpose is. Also remarkable in this context is the fact, that only one out of the
13 analyzed BI MMs features a theoretical foundation, i.e. only one model is explicitly
based on (kernel) theories [Biberoglu, Haddad 2002]: in their stage model for data
warehousing, Watson et al. [2001] refer to the stages of growth approach [Gibson,
Nolan 1974]. As in this case, an explicated theoretical foundation helps to understand
how the different concepts of an MM influence each other. As the analysis of Lahr-
mann et al. further shows, comprehensiveness of existing BI MMs seems to be an is-
Teil B: Towards the Measurement of Business Intelligence Maturity 97

sue, too. Traditional IT topics, e.g. applications, data, and infrastructure are highly pre-
sent whereas topics as BI organization and BI strategy are widely neglected. This con-
trasts current IS literature where these two topics gain high visibility, e.g. [Boyer et al.
2010; Vierkorn, Friedrich 2008].
To address the aforementioned shortcomings of existing MMs in the field of BI we
constructed a BI MM in prior research, which (a) comprehensively conceptualizes BI,
(b) is developed in a transparent way based on an explicit maturity concept and (c) is
informed by theory. For detailed information on our BI MM and its construction the
reader can refer to [Raber et al. 2012]. In summary, our BI MM is comprised of five
levels and the five maturity dimensions strategy, organization, information technology
(IT), quality and use. In the following, the five levels of our BI MM are briefly de-
scribed. Level one of the BI MM is characterized by a high degree of decentralism
with almost no standardization efforts, representing an early and immature state of BI.
Organizations that achieve level two are clearly oriented towards centrally managed BI
in terms of governance and organizational setup. Level three of the BI MM, represents
the final step towards centralization and integration, as well as an intermediate stage
with respect to optimization. On level four, organizations are realizing the full poten-
tial of BI and drive advanced strategic topics such as BI portfolio management and
business cases for BI. For achieving the highest level five of BI maturity, a sustainable
and continuous management of BI needs to be established. In terms of capabilities, this
stage of maturity requires a comprehensive BI strategy to be specified and regularly
updated. In addition, BI performance management and pro-active data quality man-
agement need to be fully deployed. In the paper at hand, we develop a measurement
instrument for this BI MM.
C.3 Operationalizing BI maturity for empirical research
As a measure for BI maturity, the most straightforward candidate is the level an organ-
ization has reached in the BI MM. For assessing which of the five maturity levels is
reached by an organization, we built upon an approach used for classifying companies
into their corresponding business and IS strategy types [Sabherwal, Chan 2001], which
was refined in the field of service oriented architectures [Joachim et al. 2011]. First of
all, we create a set of 25 items as a basis to measure BI maturity across the five maturi-
ty levels. Furthermore, using ideal maturity profiles, we calculate the distance of an
organization to each maturity level by applying the Euclidean metric in two steps. The
maturity level having the smallest Euclidean distance represents the overall BI maturi-
98 Towards the Measurement of Business Intelligence Maturity
ty level of the organization. This approach is summarized in Abb. 6 and presented in
detail in the following.
The goal of phase A of our analytical approach is to develop a survey instrument that
is based on essential characteristics of the existing BI MM (cf. [Raber et al. 2012]). BI
capabilities included in the existing BI MM form several item groups of progressively
more difficult indicators of BI maturity. However, the approach we describe in the fol-
lowing requires these capability groups to be summarized into a single item to enable
measurement. Therefore, capabilities of the five maturity dimensions (i.e. strategy,
organization, IT, quality, and use) have been analyzed and condensed resulting in a
total of 25 items. In principal, the challenge was to derive a limited set of coherent
items from the BI MM, which summarize all aspects of the original capabilities of the
BI MM and could measure BI maturity. Thus this approach was also aimed at balanc-
ing effort to measure, i.e. number of items and comprehensiveness of the measurement
instrument. After creation, the list of items was structured into a survey using a five-
point Likert scale from (1) “strongly disagree” to (5) “strongly agree”. This survey
instrument represents the initial version of our BI maturity measurement instrument
and is shown in the Appendix. Thorough evaluation and validation of the instrument is
subject to future research and not in scope of the paper at hand presenting the devel-
opment and a first application of the instrument.
In order to measure the survey responses against the maturity levels of the MM, ideal
maturity profiles, i.e. characteristic values, were defined for each maturity level. We
thereby follow a theoretical approach developed by Sabherwal & Chan [2001], which
was later adapted by Joachim et al. [2011]. These characteristic values are based on the
assumption that BI maturity increases in a linear manner in equidistant steps and on
the fact that items are measured using a five-point Likert scale. Thus characteristic
values v
li
for each item i and all levels l are defined as follows: v
1i
=1 (Level 1), v
2i
=2
(Level 2), v
3i
=3 (Level 3), v
4i
=4 (Level 4), v
5i
=5 (Level 5). The ideal maturity profile
for level one for example is then represented by all 25 items having a rating of one.
Teil B: Towards the Measurement of Business Intelligence Maturity 99


Abb. 6: Analytical approach
In the second phase, a twofold application of the Euclidean metric is utilized and
yields the BI maturity level of an organization as a result. While the squared statistical
distance used by Joachim et al. [2011] provides greater flexibility in regards to item
scales, there is no need for us to build upon a sophisticated metric as all of our items
are measured on a five-point Likert scale. To measure BI maturity, the Euclidean dis-
tance is computed for the specific BI maturity dimension d of an organization o be-
tween the answers x
oi
given to the specific items i belonging to the set of items of this
dimension I
d,
and their defined characteristic values for the specific maturity level v
li
.
This results in a total of five distance values DistD
od
for each organization o per ma-
turity level:
? ?
l d
I i
li oi od
n l and n d for v x l DistD
d
? ? ? ? ? ?
?
?
1 1 ) (
2

With the total number of dimensions n
d
and the total number of levels n
l
, i.e. n
d
=5 and
n
l
=5 in the case of our BI MM. Next, each BI maturity dimension of an organization
can be classified into one of the five maturity levels by using these distance values.
Simply the level with the least distance is attributed to every maturity dimension yield-
A.1: Develop set of items and a
scale tobe used as survey
instrument.
? Items are derivedfrom our BI MM
A.2: Define characteristic values
for eachmaturity level
? Profiles of characteristic values
have to be defined for the items
and each maturity level
? Equidistant steps from one to five
are used to reflect the maturity
levels
B.1: Calculate distances to each
maturity level (scope:
maturity dimension)
? For an organization, Euclidean
distances are calculatedbetween
each maturitydimensiondefined
in the BI MM and the
characteristic values of the items
for each maturity level
B.2: Classify maturity
dimensions
? Each maturity dimension of an
organization is classified into the
maturity level with least distance
B.3: Calculate distances to each
maturity level (scope
organization)
? Euclidean distances are calculated
between an organization and the
characteristic values for each
maturity level
? Basis for calculation are the
classified maturity dimensions
B.4: Classify organizations
? Each organization is classified into
the maturity level withleast
distance
C: Applicationof BI maturity
instrument in empirical
research
? The calculated BI maturitylevel
can be used for various empirical
research methods, e.g. cluster
analysis, regressions, structural
equation models (SEM)
Phase A: Development of survey
instrument and characteristic values
Phase B: Classification of each
organization into a BI maturity level
Phase C: Exemplary empirical application
of BI maturity instrument
100 Towards the Measurement of Business Intelligence Maturity
ing five integer values for each organization, which characterize the organization’s BI
maturity:
? ?
l od
n l
od od
n m l DistD m DistD m LevelD
l
? ? ? ?
? ?
1 for )) ( ( min that such ,
1

To compute the overall BI maturity level LevelO
o
for an organization o, the Euclidean
distance is again applied to calculate the distance between the five maturity values
LevelD
od
of each dimension, and the characteristic value of the specific maturity di-
mension d for each level l, u
ld
, which is simply l. Again, the least distance of the five
resulting distance values DistO
o
per organization determines the organization’s respec-
tive BI maturity level:
? ? ? ?
? ? ? ? ? ?
l o
n l
o o
l
n
d
ld od o
n m l DistO m DistO m LevelO
n l u LevelD l DistO
l
d
? ? ? ?
? ? ? ?
? ?
?
?
1 for min such that ,
then , 1 for Let
1
1
2

Phase C of our analytical approach finally yields an exemplary empirical application
of the developed BI maturity instrument.
C.4 Exemplary empirical application of the BI maturity instrument
C.4.1 Data collection
In this section an exemplary empirical application of the BI maturity instrument is pre-
sented. Data was collected using a paper questionnaire distributed at a BI practitioner
event and an online version of the questionnaire. It was ensured that participant seg-
ments did not overlap and participants were provided with a short introduction to the
subject of the questionnaire.
Tab. 26: Sample characteristics
Industry sector No. % Employees No. %
Automotive industry 11 12.0 1-250 20 21.7
Services 20 21.7 251-1000 9 9.8
Financial services 17 18.5 1001-5.000 16 17.4
Public administrations 4 4.3 5.001-10.000 10 10.9
IT and communications 15 16.3 > 10.000 35 38.0
Wholesale & retail 7 7.6 Not available 2 2.2
Other industries 18 19.6 Sum 92 100
Sum 92 100

Teil B: Towards the Measurement of Business Intelligence Maturity 101

The paper questionnaire was returned by 44 out of 89 participants of the conference,
yielding a response rate of 49.4%. The conference was attended by BI/data warehous-
ing specialists and executives working in business, management, and IT functions. In
addition, the online questionnaire was sent to 78 practitioners who attended the con-
ference in previous years and was completed by 48 recipients resulting in a response
rate of 61.5%. Tab. 26 summarizes the characteristics of the overall sample.
C.4.2 Data analysis and results
Using this data, we applied phase B of our analytical approach (cf. Abb. 6), i.e. the
measurement algorithm, in order to compute the BI maturity level of each organiza-
tion. To determine the quality of the measurement instrument, reliability was assessed
on the basis of Cronbach’s alpha. The Cronbach alpha coefficient computed for the
instrument was .905. Therefore, according to established research practice reliability
of the instrument can be judged as ‘excellent’ [Kline 1999]. Tab. 27 provides an over-
view of the results and classifies the organizations according to their BI maturity level
grouped by industry. 60% of the overall respondent organizations have been classified
into maturity level three, and around 85% of the organizations have already reached
level three or more. Face validity of these results is given. By today, BI is a mature
domain: indeed, 70% of participating organizations indicated that they had been using
BI for more than five years at the time of the survey. This correlates with the fact that
1% of organizations are on maturity level one and 14% on maturity level two. The IT
and communications sector appears to be the most mature industry in our sample. Or-
ganizations from this sector have reached at least BI maturity level three and the IT
and communications industry also has the only organizations that reached the highest
level.
Tab. 27: BI maturity level of organizations grouped by industry sector

Automo-
tive in-
dustry
Ser-
vices
Finan-
cial ser-
vices
Public
Admin-
istrations
IT and
communi-
cations
Whole-
sale &
retail
Other
indus-
tries Total
Level 1 0% 5% 0% 0% 0% 0% 0% 1
Level 2 18% 25% 12% 50% 0% 0% 11% 13
Level 3 45% 55% 71% 50% 40% 57% 83% 55
Level 4 36% 15% 18% 0% 47% 43% 6% 21
Level 5 0% 0% 0% 0% 13% 0% 0% 2
Total 11 20 17 4 15 7 18 92

102 Towards the Measurement of Business Intelligence Maturity
With the exemplary empirical application of our BI maturity instrument we intend to
answer the question: “How is BI maturity related to business benefits?” We assume
that organizations at a high level of BI maturity are able to generate greater business
benefits than organizations at a lower level of BI maturity. In order to investigate these
relationships, we construct a structural equation model. The model relates the output of
our BI maturity instrument, i.e. the BI maturity level, as an independent variable and
three different business benefits of BI that we derived from literature, as dependent
variables. In fact, we take the instrument for assessing business value of BI proposed
by Elbashir et al. [2008] as a basis for our exemplary research model. The model of
Elbashir et al. was slightly adapted to overcome the fact that some characteristics are
specific to the manufacturing industry (e.g. reduced inventory levels). According to the
instrument of Elbashir et al. [2008], benefits of BI at the business process level can be
measured on the basis of three key concepts: (1) internal process efficiency benefits
refer to benefits that arise from improvement in the efficiency of internal processes, (2)
business supplier/partner relation benefits include benefits that organizations gain from
improved relations with their business partners and suppliers, and (3) customer intelli-
gence benefits that arise from a better understanding of the customer and the market.
These three concepts were also assessed in our questionnaire. In order to validate the
model we employed Partial Least Square (PLS) analysis using the SmartPLS software
(version 2) [Ringle et al. 2005]. PLS is a regression-based technique that allows for
estimating and testing relationships between constructs [Chin 1998]. The PLS tech-
nique was chosen to conduct the analyses due to its ability to handle a wide range of
sample sizes and constructs with fewer items [Hair et al. 2009].
Tab. 28: Measurement instrument for business benefits of BI
Construct Label
Indicator (five-point Likert scale from "strongly disagree" to
"strongly agree") Loadings
BI maturity BIM BI maturity level based on computations from step 2 (cf. Abb. 6) 1.000
Internal pro-
cess efficiency
benefits
IB1 Improved efficiency of internal processes 0.816
IB2 Increased staff productivity 0.845
IB3 Reduction in the cost of effective decision-making 0.747
IB4 Reduced operational costs 0.708
Business sup-
plier/partner
relation bene-
fits
SB1
Reduction in the cost of transactions with business part-
ners/suppliers
0.767
SB2 Improved coordination with business suppliers/partners 0.946
SB3 Increased responsiveness to/from suppliers 0.931
Customer in-
telligence ben-
efits
CB1 Increased revenues 0.798
CB2 Reduction of lost sales 0.833
CB3 Increased geographic distribution of sale 0.840
CB4 Reduced marketing costs 0.681
CB5 Reduced time-to-market products/services 0.729
Teil B: Towards the Measurement of Business Intelligence Maturity 103

The corresponding items to measure business benefits of BI are listed in Tab. 28. In
accordance to the original model from Elbashir et al., our model was specified as a
reflective model following the criteria of Jarvis et al. [2003]. As the main contribution
of this paper is developing a BI maturity measurement instrument and showing its
general applicability, the quality criteria of the exemplary application are not described
in detail here. However, reliability and validity criteria have been met: Cronbach’s ?
exceeds 0.79 for every latent variable and all composite reliability values are higher
than 0.86, which clearly exceeds the requested value of 0.7 [Nunnally, Bernstein
1994], thus proving internal consistency reliability of our model. Furthermore, the reli-
abilities of the indicators (i.e.item loadings) fulfil the demanded 0.7 [Nunnally,
Bernstein 1994] in all but one case (cf. Tab. 28).
However, the loading of CB
4
(0.681) is still sufficiently larger than 0.6 [Bradley et al.
2006; Hair Jr et al. 1998]. Our model exhibits an average variance extracted (AVE) for
every latent variable of at least 0.6, which satisfies the 0.5 threshold [Chin 1998]. To-
gether with the item loadings, this establishes convergent validity of the research mod-
el. As each AVE value is higher than the squared correlations with all other latent var-
iables, the Fornell-Larcker criterion is also met showing discriminant validity [Fornell,
Larcker 1981]. The cross-loadings support this observation, as for every indicator the
correlation with its respective latent variable is significantly higher than with any other
latent variable [Chin 1998; Götz et al. 2010]. Having established measurement validity
and reliability, the next step is to test the structural model for the hypothesized paths.
Primary evaluation criteria for this purpose are the R
2
measures as well as level and
significance of the path coefficients [Hair Jr et al. 2011]. R
2
values indicate the amount
of variance of a dependent variable explained by the model [Chin 2010]. Path coeffi-
cients indicate the strengths of the relationships between the dependent and independ-
ent variables. Following Chin [2010], we performed the bootstrapping sampling meth-
od to generate 500 samples to estimate path coefficient’s significance. Abb. 7 depicts
the results of our exemplary research model, which indicates positive and significant
relationships between our BI maturity construct and the three business benefits of BI.
The research model explained 30.2% of the variance in the dependent variable “inter-
nal process efficiency”, 19.5% in “business supplier/partner relations, as well as 18.2%
in customer intelligence. The R
2
values indicate that BI maturity is only one of many
organizational factors influencing the three aspects of business benefits included in our
model.
104
A
C.5 Co
By develo
construct
of BI. For
instrumen
the BI ma
this BI m
survey dri
In order t
mented an
used as a
benefits a
result sho
business b
ment instr
confirmed
number of
has its ow
and the un
affecting e
assumptio
there are a
limitation
may occur
future, we
the organi
Abb. 7:
onclusion
oping an in
that can b
r this purp
nt comprisi
aturity leve
maturity me
iven studie
to demonst
n exemplar
an indepen
as dependen
ows a posi
benefits of
rument. H
d in more e
f organizat
wn limitati
nderlying s
external va
on that BI
any specifi
is that the
r when dat
e plan to us
izations, w
Exempla
n and futu
nstrument t
e used in f
ose, we op
ing 25 item
el of an org
easurement
es.
trate the ap
ry applicat
ndent varia
nt variable
itive and s
f BI. This c
owever, va
elaborate a
tions need
ions: The s
sample is c
alidity. Fol
maturity i
ics inheren
e data coul
ta are colle
se qualitati
which have
Towards th
ary empiric
ure resea
o measure
future emp
perationaliz
ms (cf. App
ganization
t instrumen
pplicability
tion in this
able in a st
es. The qua
significant
can be seen
alidity and
and more d
to be anal
study relie
comprised
llowing ex
increases in
t to BI mat
ld potential
cted via on
ive intervie
participate
he Measure
cal applica
arch
the BI ma
pirically dr
zed an exi
pendix). Th
with respe
nt can be
y and usef
s paper. Th
tructural e
ality criteri
t relation b
n as a first
d reliability
detailed an
lyzed. In a
es on subje
of custom
xisting rese
n equidista
turity that c
lly be subj
nly one me
ews to asse
ed in our su
ement of Bu
ation of BI
aturity of or
riven resear
sting BI M
hese 25 ite
ect to the f
easily used
fulness of o
he calculat
equation m
ia in PLS a
between B
t proof for
y of our in
nalyses. For
ddition, th
ective “per
mers of only
earch appro
ant steps.
challenge t
ject to com
ethod [Cam
ess the BI
urvey, in or
usiness Intel
maturity in
rganization
rch on the
MM by mea
ems enable
five BI MM
d in future
our instrum
ted BI mat
model to ex
analysis we
BI maturity
the BI ma
nstrument
r future res
e model of
rception-ba
y one BI s
oaches, we
It should b
this assump
mmon meth
mpbell, Fisk
maturity le
rder to con
lligence Ma

n SEM
ns, we crea
business v
ans of a su
e us to calc
M levels. T
e empirical
ment, we d
turity level
xplain bus
ere met an
y and achi
aturity mea
have yet t
search, a l
f Elbashir
ased” mea
software ve
build upo
be examin
ption. A fu
hod bias, w
ke 1959]. I
evel of som
nfirm the re
aturity
ated a
value
urvey
culate
Thus,
l and
docu-
l was
siness
nd the
ieved
asure-
to be
arger
et al.
sures
endor
n the
ned if
urther
which
In the
me of
esults
Teil B: Towards the Measurement of Business Intelligence Maturity 105

of the proposed maturity measurement instrument. Comparing the results from our
instrument and the outcomes of the qualitative interviews can eventually lead to ad-
justments of the instrument. Furthermore, quantitative validation can complement the
depicted qualitative validation. Finally, this instrument represents one part of our on-
going research process around the topic of BI MM. It extends and complements our
existing BI MM and we intend to use our instrument in order to validate the BI MM
itself. Indeed, the measurement instrument provides a basis for validation, because it
“applies” the MM to organizations to calculate their as-is position with respect to the
MM. How this as-is position, i.e. the BI maturity level, can then be used to evaluate
the BI MM is subject to future research.
The implications for practice are manifold. First of all, our work provides a basis for
determining the level of BI maturity in a systematic, transparent and grounded way.
Our exemplary empirical application indicates that BI maturity is a driver for business
benefits. Therefore, regularly applying our instrument as a basis for continuous benefit
improvement is a viable practice for managers in charge of BI. Second, our approach
of measuring maturity can be leveraged by professionals from various domains to
overcome methodological weaknesses of the MMs they apply. Since our approach is
not BI specific, it can be used for other domains where MMs are suitable design or
management instruments, e.g. because the phenomenon at hand is complex and multi-
faceted. Third, the survey results can be leveraged by individual organizations for a
rudimentary benchmark. Organizations often lack a reliable basis or “reference” for
assessing their performance. Tab. 27 depicting the maturity levels across industries can
serve as a starting point to create such a basis for performance assessment.

106 Towards the Measurement of Business Intelligence Maturity
C.6 Appendix
Tab. 29: BI maturity measurement instrument
Maturity Dimensions

S
t
r
a
t
e
g
y


U
s
e


O
r
g
.


I
T


Q
u
a
l
i
t
y

Item (five-point Likert scale from (1) “strongly disagree” to (5) “strong-
ly agree”)
BI is characterized by:
X BI is financially supported/led by influential persons from business
X
Significant BI decisions are made by a BI steering committee within
business
X BI is based on a comprehensive BI strategy that is regularly updated
X
BI management is based on elaborated methods such as cost accounting,
balanced scorecard or portfolio management
X
IT acts as a business partner and takes an active role in improving busi-
ness practices on the basis of BI
X BI organization and responsibilities are centralized inside the enterprise
X
Development of BI solutions is based on a BI specific standard develop-
ment process
X Agile concepts are used to develop BI solutions
X BI applications are operated on the basis of standards such as ITIL
X
Standard reports and dashboards ensure a high quality information sup-
ply
X
Advanced analytical requirements are addressed on the basis of existing
OLAP tools and software for pro-active analyses
X Frontends are integrated and enable a seamless access to information
X BI backend systems are centralized and standardized
X Information is integrated across departmental borders
Clearly defined responsibilities, standards and principles do exist in the following areas of BI –
average of these five items is used:
X
Tools and applications
Business content, i.e. KPIs and dimensions
Management and sourcing processes
Development processes
Operations processes
BI applications are used by the following group of people:
X Top management
X Middle management
X Analysts, data scientists
X Operative users
Data quality is ensured by the following means:
X
Roles, tasks and responsibilities are clearly defined and document in the
context of data quality
X
Core business objects, performance indicators and dimensions are con-
sistently defined
X
Data quality is continuously measured in order to pro-actively manage
data quality
BI systems have the following properties:
X Operation of BI systems is based on defined service-level agreements
X State of the art BI frontends are used
X Response times of BI systems enable efficient and effective usage
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 107

Beitrag D – Business Intelligence Maturity – Developing a
Strategic Tool Founded on IS Success Theory and Capability
Maturity
Tab. 30: Bibliographische Angaben zum Beitrag „Business Intelligence Maturity
– Developing a Strategic Tool Founded on IS Success Theory and Capability Maturi-
ty”
Titel Business Intelligence Maturity – Developing a Strategic Tool
Founded on IS Success Theory and Capability Maturity
Autoren Raber, David; Wortmann, Felix; Winter, Robert
Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
david.raber ¦ felix.wortmann ¦ [email protected]
Publikationsorgan Working Paper, Institute of Information Management, Uni-
versity of St. Gallen, St. Gallen 2013
Jahr 2013

Abstract:
For the systematic evolution of interdisciplinary socio-technical systems, such as busi-
ness intelligence (BI), concepts are needed that comprehensively address multifaceted
challenges. To support such strategic improvement initiatives, we propose two arti-
facts: (i) a BI maturity model that is grounded on existing theories on information sys-
tems success, and (ii) a measurement instrument for evaluation and application of the
developed maturity model. Regarding the relevancy of our contribution, we provide a
readily available apparatus to strategically advance organizational decision making
capabilities; regarding its rigor, we present an empirically grounded approach to meas-
ure BI maturity.
Keywords:
Business Intelligence, Maturity Model, IS Success, IS Management, IS Planning
D.1 Introduction
Over the past two decades the importance of business intelligence (BI) has been ever
increasing in academia and practice. Information technology (IT) innovations like data
warehouse systems and analytical front-end tools have allowed BI to develop into an
essential component of information systems (IS) in organizations whose contribution
108 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
to overall organizational success is undisputed [Davenport et al. 2010, S. 3; Wixom,
Watson 2010, S. 14]. More than once BI was successfully used as strategic means to
enable and support organizational change and to impact business: At First American
Corporation BI played a key role in transforming corporate strategy towards customer
centricity [Cooper et al. 2000], at Blue Cross and Blue Shield of North Carolina deci-
sion support was improved using BI yielding an information-driven and customer-
focused company on the long term [Watson et al. 2004], and at Continental Airlines
great business benefits were realized employing a BI approach for revenue manage-
ment and marketing [Wixom et al. 2008], just to name a few.
BI is a ‘broad category of technologies, applications, and processes for gathering, stor-
ing, accessing, and analyzing data to help its users make better decisions’ [Wixom,
Watson 2010, S. 14]. Over time, the role of BI has changed from a ‘single analytical
application’ view to an organizational capability of strategic importance [Negash,
Gray 2008, S. 175]. Technological challenges are more and more accompanied by
questions of organizational implementation of an enterprise capability (e.g. crafting of
an enterprise wide BI strategy), IT/business alignment, as well as competence in us-
age, operations, and further development of a broad solution architecture [Richardson,
Bitterer 2010, S. 2; Williams, Williams 2007, S. 11]. Having been denominated as a
top technology priority by chief information officers for several years, BI as a driver
for transparency and foundation for fact-based decision making has recently been
named as a strategic tool and top business priority, too [Luftman, Ben-Zvi 2010, S. 54;
McDonald 2010; Richardson, Bitterer 2010]. Recent developments in the field of BI
and analytics like the rise of ‘big data’ underline its strategic importance [Chen et al.
2012]. It is therefore even more important for organizations to establish adequate pro-
cesses and infrastructure to handle the huge amount of available data on a continuous
basis [Davenport et al. 2012]. However, despite its widely acknowledged importance,
putting BI into place still remains challenging [Luftman, Ben-Zvi 2010, S. 54] – both
from a technological and an organizational perspective.
In IS design and IS management a wide range of business, technical as well as people-
related aspects need to be considered [DeLone, McLean 2003; Gable et al. 2008]. This
is especially valid for BI being a true interdisciplinary domain [Clark Jr et al. 2007;
Wixom, Watson 2010; Zheng et al. 2012]. In order to address multifaceted design
challenges, maturity models (MMs) have been proposed as a viable instrument. MMs
outline anticipated, typical, logical, and desired evolution paths from an initial to a
desired target stage [Kazanjian, Drazin 1989]. Due to their distinctive nature, well-
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 109

defined MMs are capable of integrating diverse dimensions for measuring, designing
and controlling complex artifacts. In fact, MMs provide a consistent design and man-
agement view on the subject at hand. Over time, MMs have become an established
means to identify and explore the strengths and weaknesses of organizations as a
whole [e.g. Benbasat et al. 1980; Galbraith 1982; Kazanjian, Drazin 1989] or certain
domains thereof (e.g. software development [Paulk et al. 1993b; Ramasubbu et al.
2008]). While various models for assessing BI maturity were developed during the last
years [e.g. Eckerson 2009; Sacu, Spruit 2010; Watson et al. 2001], these models show
severe limitations, i.e. a lack of theoretical foundation, unsatisfying comprehensive-
ness, and undisclosed construction processes [Lahrmann et al. 2010]. Reliable instru-
ments for measuring the BI maturity level of organizations are therefore not available.
In this paper, we will address this research gap and develop a sound BI maturity model
as well as an instrument for measuring BI maturity. Having a strategic scope, these
tools are intended to systematically create or improve prerequisites for effective and
efficient decision making in organizations. Thus, applying the taxonomy of Gable
[2010], our contribution can be attributed to the IS management and IS planning cate-
gories. We further follow the latest JSIS call of Ward [2012] to address ‘the low im-
pact criticism of IS’: ‘Perhaps it is time for the IS academic community [to] adapt to
the new ‘Web 2.0’ paradigm of collective rather than centralized intelligence by en-
couraging engaged scholarship and research that harnesses the combined knowledge of
both practitioner and academic communities’. We indeed combine the knowledge of
practitioners and the academic community in this work by first developing a theoreti-
cal basis, while focusing on relevance aspects when constructing the BI MM.
The remainder of this paper is structured as follows. The second section sets the foun-
dations and presents a brief overview of related work. In outlining the research design
and process, section three provides the basis for MM construction. Section four is ded-
icated to the development of a theoretical basis for BI maturity. This is followed by
construction of the BI MM in section five and derivation of a measurement instrument
in section six. Finally, a reflective discussion on implications, limitations and future
research concludes the article.
110 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
D.2 Foundations and related work: Maturity models, development
thereof, and issues with BI maturity models
D.2.1 Maturity models
MMs – or maturity assessment models – are a widely accepted instrument for system-
atically documenting and guiding the development and transformation of organizations
on the basis of best or common practices [Paulk et al. 1993b]. The concept of MMs
has initially been proposed during the 1970s [Gibson, Nolan 1974]. Driven by the suc-
cess of prominent examples (e.g. [Ahern et al. 2003; Crawford 2006; Humphrey
1988]), numerous MMs have been developed by academics as well as practitioners
since then. In the field of IS, over a hundred MM instantiations have been published
[Mettler, Rohner 2009].
A MM typically consists of a sequence of maturity levels for a class of objects [Becker
et al. 2009a; Klimko 2001]. Each level requires the objects on that level to achieve
certain requirements. Maturity in this context is understood as a ‘measure to evaluate
the capabilities of an organization’ [de Bruin et al. 2005], while the term capability is
understood as the ability to achieve a predefined goal [van Steenbergen et al.]. Tab. 31
briefly summarizes the most important characteristics of MMs.
With increasing popularity of MMs, criticism addressed a certain arbitrariness and
fuzziness of the MM development and design process [Becker et al. 2009a; Mettler,
Rohner 2009]. In order to address this drawback, de Bruin et al. proposed a MM
lifecycle model that is comprised of a scope, design, populate, test, deploy, and main-
tain phase [de Bruin et al. 2005]. Regarding the design phase, two different approaches
exist. Whereas in the top-down approach levels are defined first and afterwards char-
acteristics that describe the different dimensions are derived, the bottom-up approach
first derives dimensions and characteristics which are afterwards assigned to maturity
levels. For the derivation of characteristics, dimensions and levels, various exploratory
methods such as Delphi studies, case studies, and focus groups [Becker et al. 2009a;
de Bruin et al. 2005] have been proposed. As quantitative methods require sound data
sets and knowledge of statistical methods, they are less often used for designing MMs
[Fraser et al. 2002]. However, a lack of theoretical foundation has been identified as
one of the major weaknesses of most MMs [Lahrmann et al. 2011] because an expli-
cated theoretical foundation, i.e. a rigorous derivation of the underlying maturity con-
cept makes the relationships between different parts of the MM more comprehensible.

Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 111

Tab. 31: Characteristics of maturity models.
Characteristic Description
Object of ma-
turity assessment
MMs allow for the maturity assessment of a variety of different ob-
jects. Most frequently assessed objects are technologies / systems
[Popovic et al. 2009], processes [Chrissis et al. 2003; Paulk et al.
1993b], people / workforce [Curtis et al. 2010] and management ca-
pabilities like project or knowledge management [Crawford 2006;
Paulzen et al. 2002].
Dimension Dimensions are specific capability areas which describe different
aspects of the maturity assessment’s object. Dimensions should pref-
erably be both exhaustive and distinct [Mettler, Rohner 2009]. Each
dimension of a MM is further specified by a number of characteris-
tics (practices, measures or activities) at each level [Fraser et al.
2002].
Level Levels are archetypal states of maturity of the object that is assessed.
Each level should have a set of distinct characteristics (practices,
measures or activities per dimension) that are empirically testable
[Nolan 1973].
Maturity prin-
ciple
MMs can be continuous or staged. While continuous models allow a
scoring of characteristics at different levels, staged models require
that all elements of one distinct level are achieved [Fraser et al.
2002]. Hence, in continuous MMs a maturity rank may be deter-
mined as either the (weighted) sum of the individual scores or the
individual levels in different dimensions. In contrast, staged MMs
clearly specify a set of goals and key practices that need to be im-
plemented in order to reach a certain level.
Assessment In order to pursue a maturity assessment either qualitative (e.g. inter-
views) or quantitative approaches (e.g. questionnaires with Likert
scales) may be used.
D.2.2 BI maturity models
In the field of BI, various MMs have been proposed [Lahrmann et al. 2010; Wixom,
Watson 2010]. In a recent literature review, ten BI MMs were identified and analyzed
with respect to methodology and content [Lahrmann et al. 2010]. Tab. 32 presents a
brief overview of these models. We updated Lahrmann et al.’s analysis by one revised
model and three recently developed models. Most of these MMs have their origin in
practice and are hardly documented. Furthermore, none of the MMs has been subject
to a thorough evaluation. Moreover, the respective construction processes have not
been published. To ensure transparency, not only the construction process, but also the
underlying BI maturity concept should be explicated. The maturity concept outlines
what exactly is measured and what the MM’s purpose is, i.e. to which ends the MM
112 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
should be the means. Also remarkable in this context is the fact, that only one out of
the 13 analyzed BI MMs features a theoretical foundation, i.e. only one model is ex-
plicitly based on (kernel) theories [Biberoglu, Haddad 2002]. In their stage model for
data warehousing, Watson et al. [Watson et al. 2001] refer to the stages of growth ap-
proach [Gibson, Nolan 1974]. As in this case, an explicated theoretical foundation
helps to understand how the different concepts of an MM influence each other. As the
analysis of Lahrmann et al. further shows, comprehensiveness of existing BI MMs
seems to be an issue, too. Traditional IT topics, e.g. applications, data, and infrastruc-
ture dominate whereas topics like BI organization and BI strategy are widely neglect-
ed. This contrasts current IS literature where these two topics gain high visibility, e.g.
[Boyer et al. 2010; Vierkorn, Friedrich 2008].
Tab. 32: Overview of existing BI maturity models.
No. Name (year(s)) Source Origin
1 Watson et al. (2001) [Watson et al. 2001] Academia
2 SAS (2004, 2009) [Hatcher, Prentice 2004; Sas Institute 2009] Practice
3 Eckerson (2004, 2009) [Eckerson 2004; Eckerson 2009] Practice
4 SMC (2004, 2009) [Chamoni, Gluchowski 2004; Schulze et al. 2009] Practice
5 Cates et al. (2005) [Cates et al. 2005] Academia
6 Dataflux (2005) [Dataflux 2005] Practice
7 Sen et al. (2006, 2011) [Sen et al. 2011; Sen et al. 2006] Academia
8 HP (2007, 2009) [Henschen 2007; Hewlett 2009] Practice
9 Gartner (2008) [Rayner, Schlegel 2008] Practice
10 Teradata (2008) [Töpfer 2008] Practice
11 BIDM (2010) [Sacu, Spruit 2010] Academia
12 EBIMM (2010) [Chuah 2010] Academia
13 Lukman et al. (2011) [Lukman et al. 2011] Academia

Summing up, our analysis of thirteen BI MMs shows that research should pay special
attention to the theoretical foundation, the explication of the underlying maturity con-
cept, and the comprehensiveness of BI MMs. Due to the missing theoretical founda-
tion in most of the analyzed MMs, the linkages between BI maturity and organization-
al success remain unclear. The maturity concept outlines the fundamental understand-
ing of BI maturity. A methodically sound BI MM should explicate its maturity concept
in order to be clear what exactly is measured and what the MM’s purpose is. Regard-
ing the comprehensiveness of the BI MM content, our results show that traditional IT
topics should be accompanied by managerial topics. A comprehensive BI MM should
integrate these aspects in a well-balanced setup.
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 113

D.3 Research design
Following suggestions by Ward [2012], our research design is intended to ‘harness the
combined knowledge of both practitioner and academic communities’. Our research
process covers the path towards measuring BI maturity from developing a theoretical
foundation, over constructing the actual BI MM, as well as specifying an instrument
for measuring BI maturity. Therefore, our research is conducted using a threefold ap-
proach.
In the first phase, we perform a structured analysis of related work in order to derive
the theoretical model that explains the relationship between BI deployment and organ-
izational performance. On the basis of this theoretical model a survey is conducted,
which represents the basis for validating the model. In the second phase, the BI MM
artifact is developed. The BI MM is comprehensive but still compact and provides
clear guidance on how to improve BI in order to enhance overall organizational per-
formance.

Abb. 8: Research design
Following the research process proposed by [Peffers et al. 2006], the second phase is
organized in three main steps. First, a second survey instrument is developed on the
basis of the results from phase one. The BI MM artifact is then constructed using
quantitative analyses on this survey data. Eventually, the BI MM artifact is evaluated
in a third step.
In phase three, the measurement instrument is developed, which allows to measure BI
maturity of organizations according to the maturity levels defined in the BI MM. First,
the developed BI MM is operationalized in a survey instrument. This instrument
serves as the basis for developing a measurement instrument that allows calculating
the BI maturity level of organizations. In a last step, an exemplary application of the
measurement instrument is conducted. Furthermore, the instrument is evaluated and
the implications of our research are discussed.
Literature
review
Survey
instrument
design
Model
validation
MM
demonstration
and evaluation
MM
development
Survey
instrument
design
Theoretical
Model
Survey
Instrument I
Validated
Model
Survey
Instrument II
Maturity
Model
Evaluated
Model
Phase 1 – Theory Building Phase 2 – Maturity Model Design
Phase 3 – Maturity Measurement
Instrument Development
Instrument
demonstration
and evaluation
Measurement
instrument
development
Survey
instrument
design
Survey
Instrument III
Measurement
Instrument
Evaluated
Instrument
114 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
D.4 Developing the theoretical basis for BI maturity
D.4.1 Research model and hypotheses
A basic requirement of our research is, that maturity as a ‘state of being complete, per-
fect or ready’ [Simpson, Weiner 1989] has to be analyzed in the context of causes, e.g.
‘BI technology deployed’, as well as effects, e.g. ‘organizational impact of BI real-
ized’. MMs focusing solely on effects do not give any insights on how to improve the
situation at hand. Therefore, they are of limited practical utility. MMs focusing solely
on causes do not give any insights on the value realized, thereby facing similar chal-
lenges. Another important aspect is that technical maturity on its own does not lead to
overall BI success. In the context of BI, ‘technologies, applications, and processes for
gathering, storing, accessing, and analyzing data’ are used to ‘help […] users make
better decisions’ [Wixom, Watson 2010, S. 14]. Advanced system architecture does
not imply overall BI value per se, as there might be no usage of the BI technologies
and applications and therefore no impact on organizational performance. For IS in
general, these ideas have been formalized in various IS success models [Gable et al.
2008; Petter et al. 2008; Sabherwal et al. 2006]. To understand causes as well as ef-
fects in the domain of BI and their impact on organizational performance, we draw
upon IS success models and their underlying theory [Gable et al. 2008; Petter et al.
2008; Sabherwal et al. 2006] as well as the IS nomological net [Benbasat, Zmud 2003]
to develop our research model (cf. Abb. 9). We thereby aim at combining the rigor of
IS success models with the practical relevance of MMs.
In more detail, we follow a similar approach as in [Gable et al. 2008] by mapping the
six IS success constructs [DeLone, McLean 1992] in the IS nomological net
[Benbasat, Zmud 2003]. System quality and information quality can obviously be em-
ployed as measures of the IT artifact as well as individual impact and organizational
impact can be used as measures of overall impact. Since we regard IS impact as a
measure at a point in time, i.e. a snapshot of the system [Gable et al. 2008], we expand
and flatten the nomological net by eliminating feedback loops, hereby following
[Gable et al. 2008]. The resulting research model with wording adapted to the BI con-
text (depicted in Abb. 9) nicely supports our understanding of BI as a comprehensive
concept. In contrast to many that understand BI as an IT artifact, we believe that not
only the IT artifact needs to be examined, but also other aspects should be considered
like e.g. people and their capabilities, or organizations (structures) and their practices.
We thereby follow the BI definition of Wixom and Watson [Wixom, Watson 2010].
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 115


Abb. 9: Research model of the relationship between BI deployment and organi-
zational performance
Our research model comprises five constructs. Capabilities in the context of the IS
nomological net refer to the managerial, methodological, and technological capabili-
ties involved in planning, designing, constructing, and implementing IT artifacts
[Benbasat, Zmud 2003]. Furthermore, capabilities are described as skills, competen-
cies, and abilities, upon which the value of the physical IT resource can be leveraged
[Doherty, Terry 2009]. In the context of BI, only few studies examined capabilities in
depth. In their stages of growth model for data warehouse success [Watson et al.
2001], and further in their empirical investigation of factors affecting data warehouse
success [Wixom, Watson 2001], BI capabilities were rather referred to as team skills.
Practices are described as the managerial, methodological, and operations practices
involved in planning, designing, constructing, and implementing IT artifacts
[Benbasat, Zmud 2003]. In fact, these practices represent the organizational processes,
guidelines and knowledge concerned with the IT artifact. BI is not just about technolo-
gies and applications, but as well concerned with processes [Wixom, Watson 2010].
Measurement items were adapted from [Sen et al. 2006; Watson et al. 2001]. There
exists a clear relationship between BI capabilities and BI practices as without appro-
priate skills, the BI team will not be able to execute the organizational practices effi-
ciently [Negash, Gray 2008]. Thus we posit:
H1: BI capabilities are positively associated with BI practices.
In the IS nomological net, the IT artifact is conceptualized ‘as the application of IT to
enable or support some task embedded within a structure that itself is embedded within
a context’ [Benbasat, Zmud 2003]. The IT artifact is central to most studies in the field
of IS. Widely accepted is the use of the two dimensions system quality and infor-
mation quality (e.g. [DeLone, McLean 1992; Gable et al. 2008]. In order to measure
the BI IT artifact using these dimensions we included items from [Sen et al. 2006;
Watson et al. 2001] in our instrument. Due to its central role, BI capabilities and BI
BI
Capabilities
BI Practices
BI IT-
Artifact
BI Impact BI Use
H1
H2
H3
H4
H5
H6
116 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
practices are connected to the BI IT artifact in the proposed research model. The ra-
tionale behind the relationship with BI capabilities is that without the right capabilities,
i.e. team skills, the BI team will not be able to manage, design, construct, and imple-
ment the BI IT artifact efficiently [Negash, Gray 2008]. Moreover, the BI IT artifact
can never exist without BI practices [Wixom, Watson 2001].Development, support,
and training are examples for practices being vital for the existence of the BI IT arti-
fact. Thus we hypothesize:
H2: BI capabilities are positively associated with BI IT artifact.
H3: BI practices are positively associated with BI IT artifact.
The use construct was frequently deployed as an IS success measure in the past
[DeLone, McLean 1992]. It has also been criticized as not being appropriate to meas-
ure IS success (e.g. [Seddon 1997]), though following [DeLone, McLean 2003] and
other researchers, we believe that the use construct is an important mediator between
the IT artifact and impact. In our instrument, BI use is measured using items developed
on the basis of works from [Chin et al. 2008; Gable et al. 2008; Petter et al. 2008;
Sabherwal et al. 2006]. Obviously, there is a link between BI IT artifact and BI use
[Wixom, Todd 2005]. If the BI IT artifact, e.g. an analytical application, delivers
wrong or inaccurate information or requires long waiting times, has poor system and
data quality, users will not accept the system and usage will suffer. Vice versa, a high
quality BI application will foster BI use. Therefore we posit:
H4: BI IT artifact is positively related with BI use.
Moreover, the use of BI IT artifacts can be influenced by the guidelines and manage-
ment processes of the BI organization, i.e. the BI practices. Well-defined training and
roll-out processes are just one example for having a major effect on use, whereas a
lack of such processes can have the opposite effect and can lead to rejection [Wixom
et al. 2004]. Thus, we hypothesize:
H5: BI practices are positively associated with BI use.
Impact represents the realisation of firm-level benefits by an organization. It is a con-
sequence of use of IS applications [Benbasat, Zmud 2003]. In the context of BI, BI
impact was operationalized on an individual level, i.e. BI value is created by enabling
better individual decisions [Davenport et al. 2010; Wixom, Watson 2001; Wixom,
Watson 2010], as well as on an organizational level, i.e. improved overall organiza-
tional performance which leads to business value [Elbashir et al. 2008]. As a BI appli-
cation that is not used can have no impact on business value, we hypothesize the fol-
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 117

lowing relationship in accordance to the existing body of knowledge ([DeLone,
McLean 1992] [Benbasat, Zmud 2003]. [Gable et al. 2008]):
H6: BI use is positively associated with BI impact.
D.4.2 Research methodology
To test the research model and hypotheses, we collected survey data from specialists
and executives working in the field of BI and DW in business, management and IT
functions. The survey was distributed in May 2010 as a written questionnaire to 168
participants of a practitioner conference in Switzerland. The conference was attended
by representatives of companies of different industry sectors, size, and BI experience.
Tab. 31 (Appendix A) presents the characteristics of the respondents in the sample. A
total of 114 questionnaires were returned. This correlates to a response rate of 68 %.
Because of missing values and contradictory values in control questions, ten question-
naires had to be excluded from the analysis. On the basis of these criteria, 104 ques-
tionnaires were selected for further analysis.
For the design of the survey, we adhered to the process as proposed by [Moore,
Benbasat 1991]. Based on validated instruments [Elbashir et al. 2008; Gable et al.
2008; Petter et al. 2008; Sabherwal et al. 2006; Sen et al. 2006; Watson et al. 2001],
we first compiled question groups for each construct. Second, we converted all of the
questions to semantic differential scale format from their Likert scale format following
the guidelines as provided by [Chin et al. 2008]. Semantic differential scales have been
shown to yield a reduction in survey completion time leading to superior efficiency,
provide a better SEM fit for research models than using equivalent Likert scales, and
statistical analyses can be performed on these scales in the same way as for Likert
scales [Chin et al. 2008]. Third, the questionnaire was pre-tested with several senior
researchers and experienced practitioners to increase face validity of the research in-
strument. These researchers were asked to identify poorly or ambiguous worded items
and to suggest areas of improvement in multiple iterations. The overall consensus of
the pre-test group with respect to both the constructs and items showed that the meas-
urement scales had adequate face validity. In addition to demographic items, the final
questionnaire included items for the representation of the five constructs of the re-
search model. Regarding these items, the respondents were to give their perceptions on
a 5-point semantic differential scale, for statements such as ‘In general, the effect of BI
in my organization is high/low efficiency of internal processes’. The specific items,
organized by construct, are documented in Tab. 36 (Appendix A).
118 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
D.4.3 Data analysis and results
To test the psychometric properties of the constructs, we employed partial least
squares (PLS) analysis using the SmartPLS software (version 2.0) [Ringle et al. 2005].
PLS is a regression-based technique that allows for estimating and testing relationships
between constructs [Chin 1998]. The PLS technique was chosen to conduct the anal-
yses due to its ability to handle a wide range of sample sizes and constructs with fewer
items [Hair et al. 2009].
We applied PLS modeling to validate the constructs of BI capabilities, BI practices, BI
IT artifact, BI use, and BI impact and to test our hypotheses. Following the criteria of
[Jarvis et al. 2003], all variables in the research model were modeled as reflective con-
structs. To determine the quality of the reflective measurement model internal con-
sistency (construct reliability), convergent validity, and discriminant validity were as-
sessed [Straub et al. 2004]. As regards internal consistency of constructs, values for
composite reliability (CR) are at least 0.88 and values for Cronbach’s alpha are higher
than 0.81 for each construct (cf. Tab. 36). These values clearly exceed the required
threshold of 0.70 and thus demonstrate reliability of the five scales. Convergent validi-
ty can be examined in terms of item loadings and average variance extracted (AVE)
[Fornell, Larcker 1981]. In general, item loadings greater than 0.70 are considered ac-
ceptable [Fornell, Larcker 1981]. As can be observed from Tab. 36, all but one item
meet these requirements. Though, this item is also considered acceptable as it is above
0.60 [Bradley et al. 2006; Hair Jr et al. 1998]. Furthermore, all items were significant
at p<0.001 and all AVEs exceeded 0.50 (the minimum AVE was 0.56), thus establish-
ing convergent validity. To assess discriminant validity, first the square root of AVE
for each construct should be larger than their corresponding inter-construct correlation
coefficients, and second individual items should load above 0.50 on their associated
construct and load more strongly on their associated construct than on any other con-
struct in the model [Chin 1998]. According to Tab. 35 (Appendix A), depicting the
inter-factor correlations, each square root of AVE is much larger than the correspond-
ing inter-construct correlations. Furthermore, all items load more highly on their own
construct than on any other constructs. Thus, the results provide evidence for discrimi-
nant validity of the model.
Having established measurement validity and reliability, the next step is to test the
structural model for the hypothesized paths. Primary evaluation criteria for this pur-
pose are the R
2
measures as well as level and significance of the path coefficients
[Hair Jr et al. 2011]. R
2
values indicate the amount of variance of a dependent variable
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 119

explained by the model [Chin 2010]. Path coefficients indicate the strengths of the re-
lationships between the dependent and independent variables. Following [Chin 2010],
we performed the bootstrapping sampling method to generate 1000 samples to esti-
mate path coefficient’s significance. Abb. 10 shows path coefficients for each hypoth-
esized path and the corresponding t-statistics that determine significance of the coeffi-
cients as well as R
2
values.

Abb. 10: Structural PLS model
The research model explained 58% of the variance in the dependent variable BI use.
46% in the dependent variables BI IT artifact and 45 % in the dependent variable BI
impact, respectively. Variance explained in BI practices was 32%. As can be seen
from Abb. 10, all hypothesized paths were found significant at p<0.001. Furthermore,
directionality of all paths was confirmed as hypothesized in the proposed model.
The central intention of this study and of the validated structural model was to create a
theoretically sound basis for the construction of the BI MM. Overall, our findings
show that the proposed research model is fully supported by the collected data. The
following construction of the BI MM can therefore be based on this model.
D.5 Developing the BI maturity model
From a methodological point of view, the above developed research model ‘informs’
the development of the designed artifact [Hevner et al. 2004, S. 76]. In the develop-
ment of our BI MM, we adhere to calls for relevance, simplicity and power of design
research artifacts [Hevner et al. 2004, S. 86-87] at the same time, which is reflected by
the development of a second survey instrument in cooperation with a focus group of
BI experts. Focus groups are an established approach to explore new ideas and to test
the applicability of a research object with practitioners [Tremblay et al. 2010]. In this
case, the members of the focus group were also BI practitioners, who meet on a regu-
lar basis three times a year to discuss latest developments in BI, as well as their expe-
riences.
BI
Capabilities
BI Practices
R
2 =
0.32
BI IT Artifact
R
2 =
0.46
BI Use
R
2=
0.58
BI Impact
R
2 =
0.45
0.34 (3.70)***
0.56 (9.06)*** 0.37 (4.03)***
0.48 (5.76)*** 0.67 (12.61)***
0.43 (4.54)***
Path significance: *** p<0.001
120 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
Two key principles were applied to derive this survey instrument: (1) the BI MM and
therefore the corresponding survey instrument should focus on concepts which can be
directly influenced. Thus the constructs BI use and BI impact were not incorporated
into the instrument. (2) Our theoretical model provided evidence that the constructs BI
capabilities, BI IT artifact, and BI practices can be used as means to improve BI use
and BI impact. Therefore, these constructs should be (re)operationalized and refined
with a focus on practical relevance in close cooperation with BI experts. Furthermore,
BI capabilities, BI IT artifact, and BI practices serve as dimensions for our BI MM.
Besides the maturity concept and the dimensions (which are determined by the theoret-
ical model), further fundamental design decision of a MM concern the number of lev-
els, the maturity principle, and the assessment approach (cf. Tab. 31). In early MM
research, different numbers of maturity levels were used and there appeared a lengthy
discussion regarding the appropriate number of maturity levels. Due to the prominence
of the various CMM-based MMs [e.g. Curtis et al. 2010; Ramasubbu et al. 2008; Sen
et al. 2006], the use of five different maturity levels has become the de-facto standard.
Therefore, we will adopt five maturity levels as a working hypothesis. As regards the
maturity principle, continuous and staged models can be differentiated. While continu-
ous models require a more detailed assessment approach to allow a fine-grained scor-
ing of measures at different levels, staged models specify a number of key measures
which need to be fulfilled to reach a certain level. They are more concise than continu-
ous models, their levels have a more distinct character, and they better elaborate what
changes cause an organization to move from one stage to the next [Nolan 1973, S.
400]. Therefore, they better address calls for simplicity and power of design research
artifacts [Hevner et al. 2004, S. 86-87].
D.5.1 Research methodology
For constructing the BI MM, three constructs of our theoretical model (BI capabilities,
BI IT artifact, and BI practices) were re-operationalized together with a focus group of
28 BI experts. For each of the three constructs, items were developed that reflect the
original items from a practitioner perspective and that are assumed to be progressively
more difficult indicators of BI maturity (i.e. they have a probabilistic Guttman struc-
ture [Andrich 1985]). Sets of these items can be used to describe stages of the MM.
Together with the focus group it was decided to focus on the capability of the BI (de-
livery) organization as a whole, i.e. it’s competencies, role and setup rather than on
specific characteristics of BI staff. Furthermore, the focus group proposed to split the
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 121

BI practices dimension into strategy practices (ensuring long term success) and opera-
tions practices (geared towards development and operation) for the sake of clarity.
The resulting items are included in a questionnaire using a five-point Likert scale for-
mat from (1) ‘strongly disagree’ to (5) ‘strongly agree’. For each item, the respondents
were asked to specify the current as-is situation as well as the desired to-be situation,
which represents a requirement of our quantitative design approach described in the
following. Data was collected using a paper questionnaire distributed at a practitioner
conference in November 2010. In addition, an online version of the questionnaire was
distributed. It was ensured that participant segments did not overlap. The paper ques-
tionnaire was returned by 51 out of 144 participants of the conference, yielding a re-
sponse rate of 35.4%. The conference was attended by BI/DW specialists and execu-
tives working in business, management, and IT functions. The online questionnaire
was sent to our BI focus group. 20 members of the focus group completed the ques-
tionnaire, resulting in a response rate of 71.4%. Tab. 37 (Appendix B) summarizes the
characteristics of the overall sample.
We apply the inductive design approach described in [Lahrmann et al. 2011] to con-
struct our MM in a transparent way. In fact, the Rasch algorithm as an Item Response
Theory (IRT)-based approach is used in combination with cluster analysis. This ap-
proach adapts and extends the original work of [Dekleva, Drehmer 1997] for maturity
models in the IS domain. In the following, the main BI MM construction steps are
briefly summarized. These steps are documented in detail in [Lahrmann et al. 2011].
The applied method represents an advancement over traditional Rasch-based MM con-
structions in three ways:
First of all, the Rasch algorithm is used in combination with rating scales, e.g. a Likert
scale from one to five. Due to the complexity of socio technical systems, in this case
BI, the expressive power of rating scales is preferred over dichotomous scales.
Secondly, not only the actual situation (as-is) of an item at an organization, but also
the desired situation (to-be) is addressed in the questionnaire, thus allowing for more
precise measurement of item difficulty. In accordance to [Lahrmann et al. 2011], the
input for the Rasch algorithm is then computed by first taking the delta value between
the as-is situation of an item and the median of the to-be situation of this item for all
organizations. A positive delta value represents a difficult and desired item whereas
negative delta values express more easy-to-achieve items. These values are recoded to
a Likert scale where five represents the easiest items and 1 represents the most difficult
122 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
items. Using such data, the Rasch algorithm yields a single ordinal value that repre-
sents the logit measure of each item and organization, but not distinct maturity levels.
The third modification is therefore to apply an agglomerative cluster analysis on the
basis of the item logit measure in order to derive distinct maturity levels (i.e. item clus-
ters). As argued above, we decided to use five maturity levels and the number of clus-
ters is therefore set to five. Using cluster analysis overcomes subjectivity problems in
defining maturity levels.
D.5.2 Data analysis and results
The BIGSTEPS software version 2.82 [Linacre, Wright 1998] was used to obtain
Rasch item calibrations. Important output statistics are the measure (of difficulty) and
a set of standardized fit statistics (infit and outfit) for each item. Infit is more sensitive
to unexpected behavior affecting responses to items near the organization’s capability
level, whereas outfit is more sensitive to unexpected behavior of organizations on
items far from the organization’s capability level. Both fit statistics are approximately
normally distributed with an expectation of zero and a standard deviation of one. If the
data conforms to the model, infit and outfit values greater than two are not expected in
more than five percent of the items [Dekleva, Drehmer 1997]. Regarding the con-
structed MM, there are only two items with an outfit value greater than two and only
one item with an infit value greater than two. Thus, we conclude that the data con-
forms to the model. Tab. 33 exhibits the results of the Rasch analysis, ordered by
measure. Furthermore, the maturity level (L) derived from the subsequent cluster anal-
ysis as well as the theoretical construct, i.e. the maturity dimension (CO), to which the
items belong are included. As described above, these dimensions are BI capabilities
(C), BI strategy practices (S), BI operations practices (O), and BI IT artifact (I).
Level 1 of the BI MM is characterized by a high degree of decentralism with regards
to organization and infrastructure. There are almost no standardization efforts, only BI
operations are emphasized representing an early and immature state of BI. Thus, level
1 is titled ‘initiate’. Organizations that achieve level 2 are clearly oriented towards cen-
trally managed BI in terms of governance and organizational setup. Standardization
efforts regarding operations, development, tools, processes, and applications support
this development by providing consistent policies and transparency beyond functional
borders. The BI infrastructure at this level of maturity is still mainly decentralized but
on a good way towards a harmonized system landscape. We thus label level 2 ‘harmo-
nize’.
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 123

Tab. 33: The resulting BI MM
L CO Measure Item Infit Outfit
5 O 1.04 Proactive data quality management -2.9 -2.8
5 S 1.03
Balanced Scorecard for BI management incl. quality, cost and user satis-
faction
1.6 1.4
5 S 1.02 Systematic and comprehensive measurement/mgmt of actual BI usage 0.9 0.6
5 S 0.82 BI steering committee within business 0.4 0.1
5 S 0.79 BI strategy is updated on a regular basis -0.9 -0.9
4 C 0.36 Role of IT: Business partner - consulting of business lines 0.2 0.2
4 I 0.53 BI systems provide flexible, proactive analytics functionalities 1 0.8
4 O 0.56 Defined governance & standards for content -2.3 -2.1
4 O 0.55 Development of BI solutions based on standardized BI specific process 1.4 2
4 O 0.41 Defined and documented roles for data quality management -1.3 -1.3
4 S 0.6 Portfolio management for systematic BI development -1.6 -1.7
4 S 0.4 Value-oriented development of BI, e.g. using business cases -1.1 -1
3 I 0.2 Standardized definitions for key performance indicators 0 -0.2
3 I 0.13 BI systems provide ad-hoc analyses (OLAP) functionalities 1.9 1.7
3 I 0.13
BI systems provide integration of different frontends, e.g. ‘drill-through’
from standard reports into OLAP cubes
0.2 -0.1
3 O 0.29 Defined governance & standards for management -1.8 -1.8
3 O 0.21 Central operation of BI applications based on ITIL 0.6 0.4
3 O 0.18 Defined processes for data quality management -1 -1.1
3 O 0.12 Cost efficient BI operations -1.2 -1.2
3 O 0.12 BI operations based on well-defined service-level-agreements (SLAs) 1.5 1.3
3 O 0.07 Standardized cost and profit calculation for BI 2 2.9
3 S 0.12 Central, influential sponsor from business -0.5 -0.6
3 S 0.11 BI strategy with focus on technology and tools 1.4 1.1
3 S 0.04 BI steering committee within IT -2.1 -1.8
2 C -0.07 Role of IT: Provider of standardized services 0.1 0.1
2 C -0.1 Decentralized BI organization within central CIO organization -0.2 -0.2
2 C -0.13 Centralized BI organization and responsibilities 2.1 1.6
2 C -0.26 Balanced mix of central and decentralized organizational units -0.1 0.3
2 C -0.4 Role of IT: Operator of infrastructure 1.2 0.8
2 I -0.06 Core business objects are consistently defined for whole enterprise -0.1 -0.2
2 I -0.09
Balanced mix of central and decentralized systems based on organiza-
tional structure
-0.2 0.4
2 I -0.11 Standardized definitions for master data -0.3 -0.5
2 I -0.2 Homogeneity: Usage of a few and coherent BI tools -0.8 -0.4
2 I -0.4 BI systems provide static reporting functionalities 2 2.1
2 O -0.01 Development of BI solutions using agile development methods -1.6 -1.5
2 O -0.05 Defined governance & standards for development -1.5 -1.7
2 O -0.19
Hybrid development of BI solutions combining agile development and
waterfall methods
-0.7 -0.1
2 O -0.37 Defined governance & standards for operations -1.8 -1.7
2 O -0.46 Defined governance & standards for tools and applications 1 0.6
2 O -0.46 Development of BI solutions based on standardized IT process -0.3 0
1 C -1.15 Decentralized BI organization and responsibilities -1 -0.6
1 I -0.67
High system availability: No breakdowns, maintenance in well-defined,
short time slots
1.1 1.3
1 I -0.91 Decentralized, but harmonized systems (e.g. standardized master data) -1.7 0
1 I -1.1 Decentralized data warehouses and central enterprise data warehouse -1 0.2
1 O -0.84 Central operation of BI applications 0.4 0.1
1 S -0.63 Central, influential sponsor from IT 0.6 0.9
1 S -1.18 Multitude of decentralized sponsors from IT -1.3 0.4
124 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
Level 3 of the BI MM, represents the final step towards centralization and integration,
as well as an intermediate stage with respect to optimization. This level is therefore
designated ‘integrate’. A BI steering committee located within IT centrally defines an
initial BI strategy that is focused on technology and tools. An enhanced system and
data integration together with standardized definitions of key performance indicators
achieve consistency across functional and system boundaries. On level 4, organiza-
tions are realizing the full potential of BI and drive advanced strategic topics such as
BI portfolio management and business cases for BI. Governance is now well-defined
also with regards to content. On the technical side, flexible and pro-active analytics are
provided to achieve business impact and data quality management is improved. We
designate this level as ‘optimize’. For achieving the highest level of BI maturity, a sus-
tainable and continuous management of BI needs to be established. This stage of ma-
turity requires a comprehensive BI strategy to be specified and regularly updated. In
addition, BI performance management and pro-active data quality management need
to be established. Hence this stage is designated ‘perpetuate’.
An evaluation was conducted to field test the BI MM and to demonstrate its applicabil-
ity in a real-world scenario. Therefore, five in-depth interviews with BI experts were
carried out (cf. Tab. 38 (Appendix B)). The interviews started with documenting gen-
eral information of the represented company and explaining the general setting and
objective of the interview. Then the proposed BI MM was presented to the interview-
ees and they were asked whether the model (a) is comprehensive with respect to con-
tent, (b) allows for a valid self-assessment, and (c) supports the development of a BI
roadmap to improve the BI function. Briefly summarized, the general reactions to the
proposed model were positive. The interviewees emphasized the comprehensiveness
as regards to content as well as the well-balanced mix of technical and business related
items. Moreover, the BI MM was found particularly useful as a foundation for BI
roadmap development and as basis for investment decisions. However, while the in-
terviewees acknowledge the BI MM as a useful strategic tool they do not see it as a
direct blueprint for implementation.
D.6 Developing the measurement instrument for BI maturity
After having developed the BI MM, the last step of our overall research process (cf.
Abb. 8) is the measurement of BI maturity. To reach this goal we intend to develop a
measurement instrument, which allows for determining an organization’s BI maturity
on the basis of a questionnaire. As a measure for BI maturity, the most straightforward
candidate is the level an organization has reached in the BI MM developed in phase
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 125

two. For assessing which of the five maturity levels is reached by an organization, we
built upon an approach used for classifying companies into their corresponding busi-
ness and IS strategy types [Sabherwal, Chan 2001], which was refined in the field of
service oriented architectures [Joachim et al. 2011]. The result is an algorithm, which
yields a single value for an organization’s BI maturity, thereby leveraging BI maturity
as a new variable that can be used in empirical research.
D.6.1 Research methodology
The first step of our approach is to develop a third survey instrument that is based on
essential characteristics of the existing BI MM (cf. Tab. 33). On the basis of focus
group feedback (cf. section D.5.1) items of the four dimensions (i.e. BI capabilities, BI
strategy practices, BI operations practices, and BI IT artifact) have been selected and
condensed resulting in a total of 22 items (cf. Tab. 39 (Appendix C)). In principal, the
challenge was to derive a limited set of coherent items from the second survey instru-
ment, which cover all aspects of the BI MM and could measure BI maturity. The over-
all idea behind this approach was to balance effort to measure, i.e. number of items
and comprehensiveness of measurement instrument. After creation, the list of items
was structured into a survey using a five-point Likert scale from (1) ‘strongly disagree’
to (5) ‘strongly agree’. In addition, characteristic values of these items, which repre-
sent threshold values for each maturity level, need to be defined in this step. Following
[Joachim et al. 2011], a linearly increasing BI maturity and the five-point Likert scale
lead to the following characteristic values v
li
for each item i and all levels l when as-
suming equidistant steps: v
1i
=1 (Level 1), v
2i
=2 (Level 2), v
3i
=3 (Level 3), v
4i
=4 (Level
4), v
5i
=5 (Level 5).
In the second step, a twofold application of the Euclidean metric is utilized and yields
the BI maturity level of an organization as a result. In more detail, the Euclidean dis-
tance is computed for the specific BI maturity dimension d of an organization o be-
tween the answers x
oi
given to the specific items i belonging to the set of items of this
dimension I
d,
and their defined characteristic values for the specific maturity level v
li
.
This results in a total of five distance values DistD
od
for each organization o per ma-
turity level:
? ?
l d
I i
li oi od
n l and n d for v x l DistD
d
? ? ? ? ? ?
?
?
1 1 ) (
2

With the total number of dimensions n
d
and the total number of levels n
l
, i.e. n
d
=4 and
n
l
=5 in the case of our BI MM. Next, each BI maturity dimension of an organization
126 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
can be classified into one of the five maturity levels by using these distance values.
Simply the level with the least distance is attributed to every maturity dimension yield-
ing four integer values for each organization, which characterize the organization’s BI
maturity:
? ?
l od
n l
od od
n m l DistD m DistD m LevelD
l
? ? ? ?
? ?
1 for )) ( ( min that such ,
1

To compute the overall BI maturity level LevelO
o
for an organization o, the Euclidean
distance is again applied to calculate the distance between the four maturity values
LevelD
od
of each dimension, and the characteristic value of the specific maturity di-
mension d for each level l, u
ld
, which is simply l. Again, the least distance of the four
resulting distance values DistO
o
per organization determines the organization’s respec-
tive BI maturity level:
? ? ? ?
? ? ? ? ? ?
l o
n l
o o
l
n
d
ld od o
n m l DistO m DistO m LevelO
n l u LevelD l DistO
l
d
? ? ? ?
? ? ? ?
? ?
?
?
1 for min such that ,
then , 1 for Let
1
1
2

D.6.2 Data analysis and results
Data was collected from 92 BI experts, managers and executives using a paper ques-
tionnaire distributed at a BI practitioner event in 2012 and an online version of the
questionnaire. It was ensured that participant segments did not overlap and participants
were provided with a short introduction to the subject of the questionnaire. Using this
data, we applied our measurement instrument in order to compute the BI maturity level
of each organization. To determine the quality of the measurement instrument reliabil-
ity was assessed on the basis of Cronbach’s alpha. The Cronbach alpha coefficient
computed for the instrument was .905. Therefore, according to established research
practice reliability of the instrument can be judged as ‘excellent’ [Kline 1999]. Abb.
11 provides an overview of the results and classifies the organizations according to
their BI maturity level grouped by key industries. 64% of the overall respondent or-
ganizations have been classified into maturity level three, and around 74% of the or-
ganizations have already reached level three or more. Face validity of these results is
given. By today, BI is a mature domain: indeed, 70% of participating organizations
indicated that they had been using BI for more than five years at the time of the sur-
vey. However, still 2% of organizations are on maturity level one and 24% on maturity
level two. The IT and communications sector appears to be the most mature industry
in our sample. Organizations from this sector have reached at least BI maturity level
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 127

two and the IT and communications industry also has the most organizations that
reached level four or five.

Abb. 11: Overview of results
D.7 Discussion
Basically, the results of our research can be regarded from a practice as well as re-
search perspective. First, from a practice perspective, the BI MM represents a strategic
tool that can be used by organizations to improve the organization’s decision making
capabilities. As postulated by Nolan [1973, S. 400], each maturity level of the BI MM
has distinct and empirically testable characteristics. On a certain level, the characteris-
tics of the next level represent the ‘dominant problems’ an organization is usually fac-
ing [Kazanjian 1988]. Therefore, the model can help practitioners to focus on im-
portant, dominating problems they will face in the near future when further developing
their BI function towards a more mature level and to ignore problems, which will only
become important in the far future. In practice, bypassed stages and reverse evolution,
though observed, are uncommon [Teo, King 1997, S. 185]. Therefore, the BI MM
might enable practitioners to effectively address the multifaceted design challenges
inherent to BI and to create realistic plans for the successful evolution of their organi-
zation’s BI function. This becomes especially valuable when considering recent trends
like ‘big data’ analytics that require a certain baseline BI organization, i.e. continuous
processes for gathering, analyzing and interpreting data [Davenport et al. 2012], to be
in place.
Staged MMs have been widely discussed and criticized since their publication
[Holland, Light 2001, S. 38]. Constructs may not consistently map onto stages and an
organization may display characteristics of multiple stages [Benbasat et al. 1984;
Holland, Light 2001, S. 38-39]. Furthermore, they have been termed as too simplistic
[Benbasat et al. 1984; King, Kraemer 1984]. But in our opinion, it is their purposeful
simplicity that makes MMs a powerful tool to identify and explore the strengths and
weaknesses of organizations or certain domains thereof. The structure, i.e. the dimen-
Automotive
Industry
Services Financial
Services
IT and
communi-
cations
Wholesale
& retail
Other
industries
Total
Level 1 0% 5% 0% 0% 0% 5% 2
Level 2 18% 30% 24% 7% 29% 32% 22
Level 3 73% 60% 76% 60% 57% 59% 59
Level 4 9% 5% 0% 27% 14% 5% 8
Level 5 0% 0% 0% 7% 0% 0% 1
Total 11 20 17 15 7 22 92
128 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
sions, of our BI MM also contributes to simplicity and comprehensiveness as it repre-
sents the important elements of an organization. This is in line with Galliers and Suth-
erland [1991] who proposed to combine the early stages of growth models (e.g.
[Gibson, Nolan 1974], [Bhabuta 1988]) with such a structure to increase the usefulness
of the models.
For practitioners, the novelty of our research may also be found in the proposed meas-
urement instrument for BI maturity. The measurement instrument allows for determin-
ing the actual level of BI maturity an organization possesses, i.e. the current position
within the BI MM. Using this position and the BI MM, practitioners might be able to
identify suitable evolution paths for the BI function of their organization as stated
above. Thus this paper delivers a fully realized strategic tool, ready to be used in prac-
tice.
Besides the above mentioned practical contributions, this paper has implications for
research as well. Throughout the paper, we described and applied a segmented ap-
proach to design the desired BI MM from the beginning on as a strategic tool. Starting
off with a rigorous analysis of the extant literature, we subsequently derived require-
ments for the BI MM and validated theoretical relationships between BI and organiza-
tional performance, which form the basis for further construction. For the construction
itself, a quantitative approach was employed, using the Rasch algorithm and cluster
analysis. Finally, a measurement instrument was developed in a last step to be used
together with the BI MM. As to the best of our knowledge, a similar approach cover-
ing the complete process of MM development has not been published to date.
Moreover, by developing an instrument to measure the BI maturity of organizations,
we created a measure that can be used in future empirically driven research. In fact, as
result of the measurement instrument the maturity level is calculated, which yields a
single number per organization. Using these values as a variable in empirical research
might foster the understanding of the implications that BI maturity has for organiza-
tions. We employed our BI maturity measure to investigate the relationship between
BI maturity and organizational performance following the approach of [Elbashir et al.
2008]. First results show a significant relationship between our BI maturity measure
and organizational performance, however these results need to be yet analyzed in de-
tail.
Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 129

D.8 Conclusion
The central result developed throughout this paper is the BI MM. In the construction
process, we adhered to the requirements analysis described in section D.2 and thus
used structural equation modeling techniques to develop a sound theoretical founda-
tion for our understanding of BI maturity. As regards comprehensiveness of our BI
MM, a focus group approach was used on the basis of the theoretical model to ensure
that all relevant aspects of BI were captured. Using a survey and quantitative analyses
for constructing the BI MM, we followed calls for transparent construction processes.
The final BI MM has five levels and four dimensions (i.e. BI capabilities, BI strategy
practices, BI operations practices, and BI IT artifact) and was constructed from 47
items. However, in order to be used as a strategic tool for improving BI in organiza-
tions, the BI MM has to be accompanied by a measurement instrument. This meas-
urement instrument, which we proposed in section D.6, represents the key for using
the BI MM: it allows for assessing an organization’s BI maturity level, i.e. current po-
sition in the BI MM. Based on the current position and a desired target level, the set of
required capabilities for the target level can be derived from the BI MM. Using this set
of capabilities, evolution paths can be designated for this organization [Kazanjian,
Drazin 1989] by aligning capabilities on a strategic roadmap.
Future research should focus on the measurement instrument and thorough evaluation
of the BI MM. First, we have in mind to employ the new measure as a variable in
structural equation modeling to investigate relationships between BI maturity and or-
ganizational performance respectively business value of BI. Though, validity and reli-
ability of our instrument have yet to be confirmed in more elaborated and more de-
tailed analyses. For future research, a larger number of organizations need to be ana-
lyzed. Moreover, we plan to use qualitative interviews to assess the BI maturity level
of some of the organizations, which have participated in our survey, in order to con-
firm the results of the proposed maturity measurement instrument. Comparing the re-
sults from our instrument and the outcomes of the qualitative interviews can eventually
lead to adjustments of the instrument. In fact, qualitative validation could complement
the depicted quantitative validation. Finally, we see potential that our instrument could
be used in order to validate the BI MM itself. Indeed, the measurement instrument
provides a basis for validation, because it ‘applies’ the MM to organizations to calcu-
late their as-is position with respect to the MM.
130 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
D.9 Appendix A
Tab. 34: Characteristics of sample data
Industry sector No. % Employees No. %
Finance & banking 22 21% 1-199
18 17%
Software and IT 13 13% 200-999
15 14%
Insurance 12 12% 1000-5000
35 33%
Services 12 12% > 5000
36 35%
Manufacturing 8 8% Sum 104 100%
Public government 7 7% BI experience in years No. %
Utilities 7 7% < 1
5 5%
Wholesale & retail 6 6% 1-5
31 30%
Technology & telecommunications 5 5% 6-10
26 25%
Others 5 5% > 10
40 39%
Not available 7 7% Not available 2 1%
Sum 104 100% Sum 104 100%

Tab. 35: Discriminant validity: AVEs versus squared correlations
BI capabilities BI IT artifact BI impact BI practices BI use
BI capabilities 0.83
BI IT artifact 0.58 0.75
BI impact 0.54 0.52 0.81
BI practices 0.56 0.62 0.4 0.75
BI use 0.65 0.71 0.67 0.66 0.79

Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 131

Tab. 36: Measurement of constructs and items of first survey
Construct/Item Key literature
Loadings
(t-values)
Cronbach's
alpha
Composite
reliability
BI capabilities
[Watson et al.
2001, S. 44;
Wixom,
Watson 2001,
S. 29]
0.85 0.90
high / low experience of (internal) BI
staff
0.82 (23.4)
high / low business competency of (in-
ternal) BI staff
0.86 (26.2)
high / low technical competency of (in-
ternal) BI staff
0.87 (31)
high / low social competency of (inter-
nal) BI staff
0.78 (15.2)
BI practices
[Sen et al.
2006, S. 444,
447; Watson et
al. 2001, S. 48]
0.84 0.88
planned / chaotic further development 0.77 (19.8)
clearly / not clearly defined business
activities
0.76 (19.5)
distinct / non distinct measurement of
BI success
0.62 (7)
standardized / non standardized BI de-
velopment processes
0.81 (19.6)
standardized / non standardized BI op-
erations processes
0.78 (21.9)
distinct / non distinct BI management
processes
0.74 (12.8)
BI IT artifact
[Sen et al.
2006, S. 444;
Watson et al.
2001, S. 44]
0.81 0.87
many / few analytical applications 0.77 (23.2)
homogeneous / heterogeneous analytical
applications
0.75 (12)
standardized / non standardized (in-
tegration-) infrastructure
0.77 (14)
integrated / non-integrated data 0.77 (16.1)
high / low data quality 0.7 (12)
BI use
[Chin et al.
2008; Gable et
al. 2008; Petter
et al. 2008;
Sabherwal et al.
2006]
0.88 0.91
high / low number of covered business
topics
0.76 (17)
high / low spread throughout the organ-
ization
0.78 (18.9)
universal / insular usage 0.78 (19.9)
efficient / inefficient 0.8 (19.3)
effective / ineffective 0.84 (28.7)
quite useful / quite useless 0.77 (23.9)
BI impact
[Davenport et
al. 2010;
Elbashir et al.
2008; Wixom,
Watson 2001,
S. 31; Wixom,
Watson 2010]
0.82 0.88
productivity increasing / productivity
decreasing
0.85 (34.3)
good / bad decisions 0.83 (16.9)
high / low efficiency of internal pro-
cesses
0.75 (14.4)
good / bad organizational performance 0.79 (14.4)
132 Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity
D.10 Appendix B
Tab. 37: Characteristics of sample data
Industry sector No. % Employees No. %
Services 17 24% 0-500 21 30%
Finance & banking 13 18% 500-5.000 17 24%
Technology & telecom-
munications 8 11% 5.000-10.000 9 13%
Others 8 11% > 10.000 19 27%
Utilities 7 10% Not available 5 7%
Wholesale & retail 5 7% Sum 71 100%
Automotive 4 6% Respondent’s Function No. %
Chemistry & pharmacy 4 6% Business 10 14%
Logistics 2 3% IT 36 51%
Not available 3 4% Mixed 23 32%
Sum 71 100% Not available 2 3%
Sum 71 100%
Tab. 38: Interview partners for evaluation of BI MM
# Company Participant
1 Leading manufacturing company with about
20,000 employees
Head of Business Intelligence
Competence Center
2 Large international software company with
about 50,000 employees
Head of Business Intelligence
Strategy
3 Large international chemical company with
about 150,000 employees
Head of Reporting Environment
4 Financial services company with about 2,000
employees
Head of Business Intelligence
5 Large manufacturer of luxury products company
with about 25,000 employees
Head of Business Intelligence
Strategy

Teil B: Business Intelligence Maturity – Developing a Strategic Tool Founded on
IS Success Theory and Capability Maturity 133

D.11 Appendix C
Tab. 39: BI Maturity Measurement Instrument
B
I

c
a
p
a
b
i
l
i
t
i
e
s

B
I

s
t
r
a
t
e
g
y

p
r
a
c
t
i
c
e
s

B
I

o
p
e
r
a
t
i
o
n
s

p
r
a
c
t
i
c
e
s

B
I

I
T

a
r
t
i
f
a
c
t

Item
BI is characterized by:
X BI is financially supported/led by influential persons from business
X Significant BI decisions are made by a BI steering committee within business
X BI is based on a comprehensive BI strategy that is regularly updated

X

BI management is based on elaborated methods such as cost accounting, bal-
anced scorecard or portfolio management
X

IT acts as a business partner and takes an active role in improving business prac-
tices on the basis of BI
X BI organization and responsibilities are centralized inside the enterprise

X

Development of BI solutions is based on a BI specific standard development
process
X Agile concepts are used to develop BI solutions
X BI applications are operated on the basis of standards such as ITIL
X Operation of BI systems is based on defined service-level agreements
X Cost efficient operation of BI systems
X Standard reports and dashboards ensure a high quality information supply

X
Advanced analytical requirements are addressed on the basis of existing OLAP
tools and software for pro-active analyses
X Frontends are integrated and enable a seamless access to information
X BI backend systems are centralized and standardized
X Information is integrated across departmental borders
X Homogeneity: Usage of a few and coherent BI tools
X
High system availability: No breakdowns, maintenance in well-defined, short
time slots
Clearly defined responsibilities, standards and principles do exist in the following areas of BI – aver-
age of these five items is used:

X

Tools and applications
Business content, i.e. KPIs and dimensions
Management and sourcing processes
Development processes
Operations processes
Data quality is ensured by the following means:

X

Roles, tasks and responsibilities are clearly defined and document in the context
of data quality

X
Core business objects, performance indicators and dimensions are consistently
defined

X

Data quality is continuously measured in order to pro-actively manage data qual-
ity

Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 135

Beitrag E – Evaluation of a Business Intelligence Maturity
Model: The Reliability Perspective
Tab. 40: Bibliographische Angaben zum Beitrag „Evaluation of a Business Intel-
ligence Maturity Model: The Reliability Perspective”
Titel Evaluation of a Business Intelligence Maturity Model: The
Reliability Perspective
Autoren Raber, David
Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
[email protected]
Publikationsorgan Proceedings of the 7th International Conference on Research
and Practical Issues of Enterprise Information Systems (Con-
fenis 2013)
Jahr 2013

Abstract:
To support the systematic evolution and improvement of business intelligence (BI) as
an enterprise-wide capability of strategic importance, a BI maturity model (MM) and a
maturity measurement instrument were proposed in prior research. But to demonstrate
that the developed maturity model achieves the design purpose, evaluation is an essen-
tial step. In this paper, a comprehensive evaluation strategy is proposed to evaluate the
artifact in two steps. In addition, the first phase of evaluation, which deals with relia-
bility of the measurement instrument, is performed. In fact, reliability of the maturity
measurement instrument is established using the three measures internal consistency,
item-total correlation, and convergent validity. The evaluation therefore represents a
cross-research paradigm, bringing additional benefits, as results are used to inform the
second phase of evaluation concerned with utility of the artifact. Findings are that the
BI MM together with its measurement instrument can be considered reliable, although
issues were discovered regarding the maturity dimensions organization and use. These
issues are subject to further investigation and improvement in the second phase of
evaluation.
Keywords:
Business Intelligence, Maturity Model, Evaluation

136 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
E.1 Introduction
Without doubt, evaluation of design science research (DSR) artifacts represents an
essential step in the overall research process. This fact is well supported in literature
and emphasized by several researchers, e.g. [Cleven et al. 2009; Nunamaker Jr et al.
1991; Son et al. 2005; Walls et al. 2004]. Evaluation is moreover identified as “cru-
cial” by Hevner et al. [Hevner et al. 2004] as well as Peffers et al. [Peffers et al. 2007],
and is one of the key DSR activities described in March and Smith [March, Smith
1995]. Its goal is to provide evidence that a new artifact developed in DSR achieves
the purpose for which it was designed [Venable et al. 2012].
The artifact to be evaluated in this paper is a business intelligence (BI) maturity model
(MM) in combination with its accompanying maturity measurement (or assessment)
instrument. The BI MM was developed in prior research [Raber et al. 2012] as a tool
to systematically create or improve prerequisites for effective and efficient decision
making in organizations, i.e. the BI performance. Especially for improving BI as an
enterprise-wide capability, senior executives and managers need guidance since tech-
nological challenges are more and more accompanied by questions of organizational
implementation of this enterprise capability (e.g. crafting of an enterprise wide BI
strategy), IT/business alignment, as well as competence in usage, operations, and fur-
ther development of a broad solution architecture [Richardson, Bitterer 2010, S. 2;
Williams, Williams 2007, S. 11]. Despite its widely acknowledged importance, putting
BI into place still remains challenging [Luftman, Ben-Zvi 2010, S. 54] – both from a
technological and an organizational perspective. To address such challenges maturity
models have been proposed as a viable instrument. MMs outline anticipated, typical,
logical, and desired evolution paths from an initial to a desired target stage [Kazanjian,
Drazin 1989]. Due to their distinctive nature, well-defined MMs are capable of inte-
grating diverse dimensions for measuring, designing and controlling complex, multi-
faceted artifacts. Such diverse dimensions covering a wide range of business, technical
as well as people-related aspects need to be considered in BI and have been captured
by the BI MM. The current instantiation of the BI MM represents the result of the first
iteration of the build-evaluate cycle of our DSR process and may therefore be consid-
ered a preliminary outcome.
In this paper the framework of Venable et al. [Venable et al. 2012] is used to devise a
comprehensive evaluation strategy for the developed artifact. In fact two steps are pro-
posed to address reliability of the artifact as well as utility thereby following a cross-
research paradigm approach [Cao et al. 2006]. The paper at hand is concerned with the
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 137

first part of evaluation by answering the research question: “can the assessment in-
strument for the BI MM be considered reliable?” For evaluating the reliability the
three measures internal consistency, item-total correlation, and convergent validity are
used.
The next section of this paper discusses relevant literature on BI maturity models and
briefly summarizes existing approaches. Section E.3 presents the BI MM and the as-
sessment instrument developed in prior work and in section E.4, necessary background
on evaluation in design science research is presented. In section E.5, the evaluation
strategy is proposed and a first step towards evaluation is taken. Finally sections E.6
and E.7 discuss the findings and present conclusions.
E.2 Related work
Since its first mentioning in 1958 [Luhn 1958], the understanding of BI broadened
from a collective term for data analysis, reporting and query tools [Anandarajan et al.
2004] towards an encompassment of all components of an integrated decision support
infrastructure [Baars, Kemper 2008]. BI is used as an umbrella term for both BI appli-
cations (e.g. dashboards) and BI technologies (e.g. online analytical processing
(OLAP)), which are used to develop BI applications [Wixom, Watson 2010]. The fol-
lowing definition of Wixom and Watson emphasizes our understanding of BI as it rep-
resents BI as a complex socio-technical system for which organizational as well as
technical aspects need to be considered: ”Business intelligence (BI) is a broad category
of technologies, applications, and processes for gathering, storing, accessing, and ana-
lyzing data to help its users make better decisions” [Wixom, Watson 2010].
The concept of MMs has initially been proposed during the 1970s [Gibson, Nolan
1974]. Driven by the success of prominent examples (e.g. the CMM [Ahern et al.
2003; Crawford 2006; Humphrey 1988]), numerous MMs have been developed by
academia as well as practitioners. In the field of BI, various MMs have been proposed
[Lahrmann et al. 2010; Wixom, Watson 2010]. In a recent literature review, ten BI
MMs were identified and analyzed with respect to methodology and content
[Lahrmann et al. 2010]. Tab. 41 presents a brief overview of these models. Lahrmann
et al.’s analysis was updated by one revised model [Sen et al. 2011] and three recently
developed models [Chuah 2010; Lukman et al. 2011; Sacu, Spruit 2010]. Most of the-
se MMs have their origin in practice and are hardly documented. Furthermore, none of
the MMs has been subject to a thorough evaluation. Moreover, the respective construc-
tion processes have not been published.
138 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
Not only the construction process, but also the underlying BI maturity concept should
be explicated. The maturity concept outlines what exactly is measured and what the
MM’s purpose is. Also remarkable in this context is the fact, that only one out of the
13 analyzed BI MMs features a theoretical foundation, i.e. only one model is explicitly
based on (kernel) theories [Biberoglu, Haddad 2002]: in their stage model for data
warehousing, Watson et al. [Watson et al. 2001] refer to the stages of growth approach
[Gibson, Nolan 1974]. As in this case, an explicated theoretical foundation helps to
understand how the different concepts of an MM influence each other. As the analysis
of Lahrmann et al. further shows, comprehensiveness of existing BI MMs seems to be
an issue, too. Traditional IT topics, e.g. applications, data, and infrastructure are highly
present whereas topics as BI organization and BI strategy are widely neglected. This
contrasts current information systems (IS) literature where these two topics gain high
visibility, e.g. [Gansor et al. 2010; Vierkorn, Friedrich 2008].
Tab. 41. Overview of existing BI maturity models
No. Name (year(s)) Source Origin
1 Watson et al. (2001) [Watson et al. 2001] Academia
2 SAS (2004, 2009) [Hatcher, Prentice 2004; Sas Institute 2009] Practice
3 Eckerson (2004, 2009) [Eckerson 2004; Eckerson 2009] Practice
4 SMC (2004, 2009) [Chamoni, Gluchowski 2004; Schulze et al. 2009] Practice
5 Cates et al. (2005) [Cates et al. 2005] Academia
6 Dataflux (2005) [Dataflux 2005] Practice
7 Sen et al. (2006, 2011) [Sen et al. 2011; Sen et al. 2006] Academia
8 HP (2007, 2009) [Henschen 2007; Hewlett 2009] Practice
9 Gartner (2008) [Rayner, Schlegel 2008] Practice
10 Teradata (2008) [Töpfer 2008] Practice
11 BIDM (2010) [Sacu, Spruit 2010] Academia
12 EBIMM (2010) [Chuah 2010] Academia
13 Lukman et al. (2011) [Lukman et al. 2011] Academia
E.3 The business intelligence maturity model
These shortcomings were addressed as part of a research effort on BI MM over the last
years. In the course of this research, articles have been published on the construction
of a BI MM and the development of an assessment instrument for this BI MM [Raber
et al. 2012; Raber et al. 2013].In this section, these papers are briefly summarized to
explain the context. All other sections represent original contributions.
At first, the goal was to construct a BI MM, which (a) comprehensively conceptualizes
BI, (b) is developed in a transparent way based on an explicit maturity concept and (c)
is informed by theory. Quantitative analyses were used for constructing the BI MM to
eliminate subjectivity. In fact, the Rasch algorithm was employed [Bond, Fox 2007] as
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 139

an item response theory-based approach to order 58 BI capabilities items by difficulty.
On the basis of the ordered items, cluster analysis was applied to assign items to five
maturity levels. The resulting BI MM is comprised of five levels and the five maturity
dimensions strategy, organization, information technology (IT), quality and use. Be-
low, the five levels of our BI MM are briefly described. Level one of the BI MM is
characterized by a high degree of decentralism with almost no standardization efforts,
representing an early and immature state of BI. Organizations that achieve level two
are clearly oriented towards centrally managed BI in terms of governance and organi-
zational setup.
Level three of the BI MM, represents the final step towards centralization and integra-
tion, as well as an intermediate stage with respect to optimization. On level four, or-
ganizations are realizing the full potential of BI and drive advanced strategic topics
such as BI portfolio management and business cases for BI. For achieving level five of
BI maturity, a sustainable and continuous management of BI needs to be established.
In terms of capabilities, this stage of maturity requires a comprehensive BI strategy to
be specified and regularly updated. In addition, BI performance management and pro-
active data quality management need to be fully deployed.
To be used as a strategic tool for improving the BI function of organizations, the BI
MM needs to be complemented by a maturity measurement or assessment instrument.
This instrument enables organizations to assess their current state of the BI function
according to the BI MM and thus represents the basis for improvement activities. The
required instrument was developed as a questionnaire with 25 items by operationaliz-
ing our existing BI MM. The questionnaire is shown in Tab. 42. In order to measure
the questionnaire responses against the maturity levels of the MM, ideal maturity pro-
files were defined for each maturity level. In a first application of the Euclidean met-
ric, maturity levels for each maturity dimension of an organization are calculated. In
more detail, the ideal maturity profile having the least distance to the questionnaire
profile represents the resulting maturity level. Applying the Euclidean metric once
more on the basis of dimensional maturity levels yields the overall maturity level of an
organization. To test our approach, data from 92 organizations were collected. Appli-
cation of the algorithm to compute maturity levels showed that most organizations re-
side on maturity level three, whereas only one organization achieved level five.

140 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
Tab. 42: The assessment instrument for the BI MM to be evaluated
Maturity
Dimension Item (five-point Likert scale from (1) “strongly disagree” to (5) “strongly agree”)
BI is characterized by:
Strategy S1 BI is financially supported/led by influential persons from business
Strategy S2 Significant BI decisions are made by a BI steering committee within business
Strategy S3 BI is based on a comprehensive BI strategy that is regularly updated
Strategy S4
BI management is based on elaborated methods such as cost accounting, balanced
scorecard or portfolio management
IT I1 Standard reports and dashboards ensure a high quality information supply
IT I2
Advanced analytical requirements are addressed on the basis of existing OLAP
tools and software for pro-active analyses
IT I3 Frontends are integrated and enable a seamless access to information
IT I4 BI backend systems are centralized and standardized
IT I5 Information is integrated across departmental borders
Org. O1
IT acts as a business partner and takes an active role in improving business prac-
tices on the basis of BI
Org. O2 BI organization and responsibilities are centralized inside the enterprise
Org. O3
Development of BI solutions is based on a BI specific standard development pro-
cess
Org. O4 Agile concepts are used to develop BI solutions
Org. O5 BI applications are operated on the basis of standards such as ITIL
Clearly defined resp., standards and principles do exist in the following areas of BI – avg. of
these items is used:
Org. O6 Tools and applications
Org. O7 Business content, i.e. KPIs and dimensions
Org. O8 Management and sourcing processes
Org. O9 Development processes
Org. O10 Operations processes
BI applications are used by the following group of people:
Use U1 Top management
Use U2 Middle management
Use U3 Analysts, data scientists
Use U4 Operative users
Data quality is ensured by the following means:
Quality Q1
Roles, tasks and resp. are clearly defined and documented in the context of data
quality
Quality Q2
Core business objects, performance indicators and dimensions are consistently
defined
Quality Q3 Data quality is continuously measured in order to pro-actively manage data quality
BI systems have the following properties:
Quality Q4 State of the art BI frontends are used
Quality Q5 Response times of BI systems enable efficient and effective usage
Quality Q6 Operation of BI systems is based on defined service-level agreements
E.4 Evaluation in design science research
Evaluation is identified in literature as “crucial” [Hevner et al. 2004; Peffers et al.
2007] and is described as one of the key DSR activities of the design science research
cycle by March and Smith [1995]. According to Hevner et al. researchers are required
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 141

to demonstrate the utility, and efficacy of a design artifact using well-executed and
rigorous evaluation methods [Hevner et al. 2004].
There are several aspects and characteristics that are subject to evaluation in DSR such
as functionality, completeness, accuracy, performance, reliability, usability, fit and
other relevant quality attributes [Hevner et al. 2004]. All of these characteristics are
candidates for evaluating the overall utility of the artifact, i.e. how well it achieves its
design purpose. For each evaluation, the right characteristics have to be carefully cho-
sen, depending on the artifact and the goals of the evaluation. Venable et al. [Venable
et al. 2012] identify three goals for the design of the evaluation: Rigor, efficiency, and
ethics. As it comes to evaluation methods in DSR, a whole range of quantitative as
well as qualitative methods have been proposed by different authors, e.g. [Hevner et
al. 2004; Nunamaker Jr et al. 1991; Vaishnavi, Kuechler 2004]. These methods include
case studies, field studies, static analysis, controlled experiments, informed arguments,
testing, and simulation. Although evaluation is obviously a highly present theme in
DSR, little work has addressed how these different aspects of evaluation can be effi-
ciently and effectively combined, i.e. there is only little guidance on the choice of
strategies and methods for evaluation [Peffers et al. 2012; Venable et al. 2012].
As an exception, Venable et al. [Venable et al. 2012] recently proposed a comprehen-
sive framework for evaluation in DSR building upon their previous work [Pries-Heje
et al. 2008]. The basis is a framework that combines one dimension contrasting artifi-
cial against naturalistic evaluation with a second dimension contrasting ex ante and ex
post evaluation. Ex post evaluation refers to evaluation of an instantiated artifact,
whereas ex ante evaluation is evaluation before instantiation. In their recent publica-
tion, three extensions to the basic framework were proposed. The first extension re-
sembles a selection framework for DSR evaluation strategy, which given an under-
standing of the context of the DSR evaluation maps that understanding to evaluation
criteria and eventually lets the researcher select an appropriate evaluation strategy. In
the second extension, the selected evaluation strategy is then mapped to different eval-
uation methods. Finally, the third extension is a four-step DSR evaluation research
design method that helps the researcher to design evaluation components of a DSR
project.
Another example of recent research in the area of evaluation in DSR was proposed by
Sonnenberg and vom Brocke [Sonnenberg, vom Brocke 2012]. They compiled three
principles for evaluating DSR artifacts from prior literature: Distinction between inte-
rior and exterior modes of DSR inquiry, documentation of prescriptive knowledge as
142 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
design theories and continuous assessment of the DSR progress achieved through ex
ante and ex post evaluations. For the latter principle a set of evaluation criteria for
DSR artifacts is combined with suitable evaluation methods to an evaluation pattern,
i.e. best practices [Sonnenberg, vom Brocke 2012].
E.5 Evaluation of the business intelligence maturity model
E.5.1 Evaluation strategy
Following Sonnenberg et al. [Sonnenberg, vom Brocke 2012], the appropriate evalua-
tion activity at the current state of research is obviously the “eval3 activity”. This ac-
tivity “serves to initially demonstrate if and how well the artifact performs while inter-
acting with organizational elements” [Sonnenberg, vom Brocke 2012] and is consid-
ered an ex post evaluation, i.e. evaluation after the artifact’s construction. However the
artifact is not required to be in its final form because subsequent iterations of the de-
sign (build) activity are expected. Main goals of this evaluation phase are demonstrat-
ing the applicability of the artifact and its consistency. In the following, the framework
of Venable et al. [2012] is used to obtain a matching set of evaluation methods and a
suitable strategy.
Applying the first step of the DSR evaluation research design method resulted in Tab.
43, summarizing important evaluation requirements. In the next step, these require-
ments and goals should be matched to evaluation criteria partitioned into four quad-
rants to select an appropriate evaluation strategy, i.e. ex ante vs. ex post and artificial
vs. naturalistic evaluation. Since the BI MM has already been instantiated the evalua-
tion is of ex post nature. Furthermore, the evaluand is a socio-technical model and
evaluation is required to be rigorous (cf. Tab. 43). In this case the framework of Vena-
ble et al. proposes a naturalistic ex post evaluation strategy. There is a variety of appli-
cable evaluation methods for this strategy like action research, case study, focus group,
participant observation, ethnography, phenomenology and survey [Venable et al.
2012]. For evaluating the BI MM including the assessment instrument, a two steps
approach is chosen using survey as evaluation method. Evaluation is split into two
separate parts: first an evaluation concerning reliability of the BI MM and the assess-
ment instrument is conducted and in the second step both artifacts are evaluated from a
utility point of view. In step one, a quantitative survey instrument is being developed
to assess internal consistency, convergent validity and item-total correlation, i.e. an-
swering the question “is the assessment instrument for the BI MM reliable?” Further-
more, the assessment instrument is refined based on the findings of step one. After
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 143

refining the instrument, step two of the evaluation is conducted using qualitative anal-
yses on the basis of in-depth case studies to answer the question whether “the results
of the assessment instrument are reflecting organizational reality”, i.e. demonstrating
utility of the artifact. Results of the first evaluation are facilitated to support the evalu-
ation activities in step two. Having evaluated the BI MM and assessment instrument
from both perspectives, outcomes will be used in the next iteration of the build phase
to improve the artifacts. However, the paper at hand solely focuses on the first step of
evaluation, i.e. the reliability perspective.
Tab. 43: Evaluation requirements adapted from Venable et al. [2012]
Evaluation requirement question Answer
What are the evaluands? BI MM and assessment instrument, i.e. a
model
What is the nature of the artifact? The artifact represents a product of socio-
technical nature
What properties should be evaluated? Reliability and utility
What is the goal of the evaluation? Evaluation of artifact against design goals
Is the evaluation required to be rigorous? Evaluation is preliminary but should be
detailed and rigorous
E.5.2 Evaluation from a reliability perspective
Reliability concerns the degree of repeatability and consistency of empirical measure-
ments [Zeller, Carmines 1980]. In order to evaluate the reliability of the assessment
instrument in combination with the BI MM several statistical reliability measures can
be employed. Referring to [Nunnally, Bernstein 1994; Straub et al. 2004], the follow-
ing three measures were identified to suit this purpose:
? Internal consistency measures a construct through a variety of items within the
same instrumentation [Straub et al. 2004]. Consistency of measurements is af-
fected by ambiguities in wording and misinterpretations of respondents [Zeller,
Carmines 1980]. Cronbach’s alpha (?) is a commonly used statistic to evaluate
internal consistency [Grover et al. 1996; Straub et al. 2004] and is thus used in
the present work.
? Item-total correlation (r) test is performed to check if any item is inconsistent
with the score of the overall assessment [Churchill Jr 1979]. In more detail, the
correlation between the item score and the score of the overall assessment is
computed.
? Convergent validity is observed when items that are intended to measure the
same construct show significant, high correlations with each other, i.e. converge
144 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
[Straub et al. 2004]. Applied to the BI MM this means that items belonging to
the same maturity dimension should be highly correlated. To examine conver-
gent validity exploratory factor analysis is used.
E.5.2.1 Data collection
Data was collected using a paper questionnaire distributed at a BI practitioner event
and an online version of the questionnaire. It was ensured that participant segments did
not overlap and participants were provided with a short introduction to the subject of
the questionnaire. The paper questionnaire was returned by 44 out of 89 participants of
the conference, yielding a response rate of 49.4%. The conference was attended by
BI/data warehousing specialists and executives working in business, management, and
IT functions. In addition, the online questionnaire was sent to 78 practitioners who
attended the conference in previous years and was completed by 48 recipients resulting
in a response rate of 61.5%. In total, 92 valid responses from these organizations were
used to assess their BI maturity. Tab. 44 summarizes the characteristics of the overall
sample.
Tab. 44. Sample characteristics
Industry sector No. % Employees No. %
Automotive industry 11 12.0 1-250 20 21.7
Services 20 21.7 251-1000 9 9.8
Financial services 17 18.5 1001-5.000 16 17.4
Public administrations 4 4.3 5.001-10.000 10 10.9
IT and communications 15 16.3 > 10.000 35 38.0
Wholesale & retail 7 7.6 Not available 2 2.2
Other industries 18 19.6 Sum 92 100
Sum 92 100
E.5.2.2 Analysis results
At first, Cronbach’s alpha and item-total correlations are computed using the statistics
software SPSS version 20. Results of this analysis are shown in Tab. 45. Having an
overall Cronbach’s alpha value of .894, the degree of internal consistency of the as-
sessment instrument exceeds the threshold of .70 recommended for confirmatory re-
search [Nunnally, Bernstein 1994]. When looking at single items in the Cronbach’s
alpha values have to be interpreted in the following way: if ? < .894, then the overall
Cronbach’alpha value will decrease when deleting the item and the item should there-
fore be kept. In contrast, if ? > .894, the overall alpha will increase resulting in a better
internal consistency of the instrument. Such items should be subject to further investi-
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 145

gation. In this case, only items O2, O7, O8, O9, and U4 have slightly lower values of
Cronbach’s alpha. Though, it seems that there is a problem with the consistency of the
organization dimension, since four out of ten items are salient.
Analyzing corrected item-total correlations, the satisfactory value of at least .40
[Nunnally, Bernstein 1994] is exceeded in most cases, further confirming reliability of
the assessment instrument. However, it is striking that again seven items from the or-
ganization dimension, namely O1, O2, and O6 to O10 as well as three items from the
use dimension U1, U3, and U4 lie below this threshold.
Tab. 45: Item-total correlation and Cronbach‘s alpha
Item
Corrected item-
total correlation
Cronbachs alpha,
if item deleted Item
Corrected item-
total correlation
Cronbachs alpha,
if item deleted
S1 0.541 0.889 I1 0.523 0.890
S2 0.523 0.889 I2 0.530 0.889
S3 0.622 0.887 I3 0.561 0.889
S4 0.565 0.888 I4 0.497 0.890
O1 0.376 0.892 I5 0.602 0.887
O2 0.232 0.895 Q1 0.590 0.888
O3 0.652 0.886 Q2 0.559 0.888
O4 0.565 0.888 Q3 0.491 0.890
O5 0.406 0.892 Q4 0.652 0.887
O6 0.375 0.892 Q5 0.520 0.889
O7 0.138 0.896 Q6 0.410 0.892
O8 0.195 0.895 U1 0.391 0.892
O9 0.185 0.896 U2 0.448 0.891
O10 0.276 0.894 U3 0.336 0.893
U4 0.240 0.895

An important aspect for evaluation of a maturity model is the question whether the
items correlate higher with the hypothesized dimension, i.e. construct, than with other
dimensions. As a means to validate these relationships, exploratory factor analysis is
applied with principal component extraction and Varimax rotation using SPSS version
20. In Tab. 46, the results of the factor analysis are exhibited, showing factor loadings
for each item and dimension. The extraction of factors was based on an eigenvalues
greater than one [Hair Jr et al. 1998]. In this case it was decided against using a fixed
number of factors, e.g. the number of dimensions, because this is the first evaluation of
the instrument and some dimensions were expected to contain sub-dimensions. For
exploratory research factor loadings of at least .60 are desirable but values as low as
.40 may be accepted [Hair Jr et al. 1998].
146 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
Tab. 46: Results of factor analysis
Item Strategy Organization IT Quality Use
Processes Governance Data System Management Analysts
S1 0.615 -0.162 0.12 0.385 0.178 0.064 0.255 -0.162
S2 0.796 0.202 0.129 0.068 0.296 -0.105 0.062 0.07
S3 0.713 0.076 -0.024 0.227 0.183 0.281 0.181 0.202
S4 0.296 0.119 -0.071 0.178 0.717 0.012 0.148 0.14
O1 -0.141 0.273 0.191 0.071 0.398 -0.015 -0.112 0.645
O2 0.109 0.845 0.024 0.07 0.107 0.064 0.108 -0.122
O3 0.144 0.334 -0.02 0.581 0.235 0.357 0.147 0.065
O4 0.208 -0.048 0.027 0.294 0.435 0.406 -0.046 0.297
O5 0.092 0.164 0.216 0.045 0.015 0.805 0.127 -0.005
O6 0.049 -0.145 0.715 -0.017 0.247 0.179 0.157 -0.096
O7 0.266 -0.024 0.641 -0.114 -0.08 0.111 -0.326 0.162
O8 0.065 -0.031 0.792 0.074 -0.025 0.034 -0.15 -0.042
O9 -0.057 0.07 0.8 -0.083 -0.043 0.095 0.145 0.073
O10 -0.043 0.195 0.719 0.348 -0.206 -0.073 -0.006 0.037
I1 0.009 0.027 -0.103 0.646 0.102 0.417 0.015 0.192
I2 0.049 -0.145 0.026 0.693 0.096 0.286 0.202 0.068
I3 0.079 0.156 -0.088 0.471 0.377 0.075 0.292 0.331
I4 0.019 0.075 0.093 0.699 0.25 -0.244 0.271 0.002
I5 0.218 0.063 0.032 0.691 0.282 -0.175 0.239 0.058
Q1 0.329 0.203 -0.099 0.225 0.609 0.244 0.077 0.1
Q2 0.308 -0.162 0.015 0.301 0.607 0.072 0.13 -0.036
Q3 -0.003 0.042 0.021 0.185 0.902 0.019 0.087 -0.024
Q4 0.288 0.064 0.224 0.676 0.138 0.146 -0.046 0.246
Q5 0.284 -0.092 -0.014 0.519 0.205 0.041 -0.028 0.348
Q6 -0.043 -0.281 0.369 0.192 0.227 0.533 0.023 0.152
U1 0.148 0.115 0.033 0.229 0.163 0.043 0.824 -0.052
U2 0.18 0.016 -0.094 0.193 0.113 0.15 0.775 0.278
U3 0.073 -0.208 0.146 0.206 -0.067 0.024 0.253 0.668
U4 0.216 -0.234 -0.283 0.265 -0.016 0.226 0.046 0.596

The table highlights the hypothesized dimension an item should be highly correlated
with using a thick border box and displays factor loadings above .60 with a grey shade.
In total, eight factors were identified that could be easily assigned to the dimensions of
the BI MM. The factor analysis uncovered that the dimensions organization, quality,
and use contain each two sub-dimensions. In general the results show most items are
loading correctly and highly on the hypothesized dimension. Exceptions are most no-
tably found in the organization dimension (O1, O3, O4, and O5) where four items load
on different factors. Moreover, items S3, Q4, and Q5 have factor loadings below the
.40 threshold with respect to their hypothesized factor and factor loadings of items I3,
Q6, and U4 lie below .60 but still above the .40 threshold. Interesting is the fact that it
Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective 147

is again the organization dimension, which has a low convergent validity whereas the
assessment instrument in general shows a rather good validity. Furthermore, items
from the system quality sub-dimension seem to be higher correlated with the IT dimen-
sion than with the quality dimension. Investigating this issue during the next iteration
of the build phase should either lead to assigning these items to the IT dimension or
reformulating them to better fit the hypothesized model.
E.6 Discussion and limitations
The results of the first step of evaluation suggest that the BI MM and its accompany-
ing assessment instrument are reliable to a satisfying extent regarding that this is the
first iteration of the build-evaluate cycle. The three applied reliability measures for
internal consistency, item-total correlation, and convergent validity generally satisfy
constraints described in literature. However, uncovered issues that are mainly related
to the organization and use dimensions need to be addressed in the refinement of the
assessment instrument.
Assessing the reliability of the BI MM measurement instrument by using methods that
can be attributed to social sciences or behavioral research, this work follows the pro-
posal of Cao et al. [2006] to conduct research in a multi-methodological, cross-
paradigm fashion that may result in better IS research. Therefore the results of the first
evaluation step are utilized to support the second step of evaluation, which takes a pure
design science perspective and focuses on the utility of the artifact. In fact, the prob-
lems discovered with the organization and use dimension will impact the way utility is
evaluated in the second step. In the end, learnings from both evaluation steps will pro-
vide a valuable basis for improvement activities during the next iteration of the build-
evaluate cycle.
There are however limitations to the presented evaluation, which need to be men-
tioned. First, the data set is comprised of only 92 questionnaires. A larger data set
would provide a better empirical basis for the applied quantitative analyses. Further-
more the data was not checked for common method bias, which may occur when data
are collected via only one method [Campbell, Fiske 1959]. For a first evaluation as in
this case it is acceptable to disregard common method bias, but it must be addressed in
any further build-evaluate cycles. Moreover, as the analysis results show, the process-
es factor is very heterogeneous because four out of five items are loading on different
factors. Therefore, the indicators of the organization dimension, which are related to
processes probably need to be disregarded for the refined assessment instrument.
148 Teil B: Evaluation of a Business Intelligence Maturity Model: The Reliability Perspective
E.7 Conclusion and future work
The BI MM and the maturity assessment instrument developed in prior research fulfill
the design requirements derived from review of literature. But for proving that the new
BI MM really “works” and achieves the purpose for which it was designed [Venable et
al. 2012], thorough evaluation is necessary. In this paper an evaluation strategy is pro-
posed and a first step towards evaluation is taken, regarding reliability of the evalu-
ands. The evaluation strategy combines perspectives from both social sciences and
design science, thereby following a cross-paradigm approach as described in [Cao et
al. 2006]. The approach of evaluating reliability together with utility can be applied in
general for evaluation of artifacts that incorporate a quantitative measurement instru-
ment.
In future work, the discovered problems with the assessment instrument need to be
addressed before moving on to the next step of evaluation. In fact, the assessment in-
strument requires refinement, by removing indicators that exhibit low Cronbach’s al-
pha coefficients and cross loading indicators. At the same time it must be ensured, that
the refined assessment instrument is still able to capture all aspects of the BI MM.

Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 149

Beitrag F – How Well Does the Business Intelligence Maturity
Model Assess Organizational Reality: A Case-Based Evalua-
tion
Tab. 47: Bibliographische Angaben zum Beitrag „How Well Does the Business
Intelligence Maturity Model Assess Organizational Reality: A Case-Based Evalua-
tion”
Titel How Well Does the Business Intelligence Maturity Model
Assess Organizational Reality: A Case-Based Evaluation
Autoren Raber, David*, Rothenberger, Marcus**; Winter, Robert*
*Universität St. Gallen, Institut für Wirtschaftsinformatik,
Müller-Friedberg-Strasse 8, 9000 St. Gallen, Schweiz
david.raber ¦ [email protected]
**University of Nevada Las Vegas, Lee Business School,
4505 Maryland Pkwy, Las Vegas, NV 89154-6009
Publikationsorgan Working Paper, Institute of Information Management, Uni-
versity of St. Gallen, St. Gallen 2013
Jahr 2013

Abstract:
Maturity models are a viable means to integrate diverse dimensions for measuring,
designing and controlling complex, multi-faceted artifacts as they occur in the field of
information systems. To support the systematic improvement of business intelligence
functions in organizations, we have proposed a business intelligence maturity model
and a maturity measurement instrument in prior research. In this study, we further re-
fine this model and devise a comprehensive evaluation strategy. Through cluster anal-
ysis on the maturity assessments of 92 organizations, we identify four characteristic
business intelligence maturity scenarios and select one organization for each scenario.
For the model evaluation, maturity insights obtained from in-depth case analyses of
these four organizations are compared with the results of our measurement instrument
for the same companies. A close match between our model’s maturity assessments and
the maturity levels from case analyses is expected to provide evidence that the maturi-
ty model correctly assesses business intelligence maturity.
Keywords:
Business Intelligence, Maturity Model, Evaluation, Case Analyses
150 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
F.1 Introduction
Over the past two decades the importance of business intelligence (BI) has been in-
creasing in academia and practice. Information technology (IT) innovations like data
warehouse systems and analytical front-end tools have allowed BI to develop into an
essential component of information systems (IS). BI’s contribution to overall organiza-
tional success is now undisputed [Davenport et al. 2010, S. 3; Wixom, Watson 2010,
S. 14].
In prior research, we have proposed a business intelligence (BI) maturity model (MM)
and its accompanying maturity measurement (or assessment) instrument [Raber et al.
2013]. The BI MM was developed as a strategic tool to systematically create and im-
prove prerequisites for effective and efficient decision making in organizations, i.e. BI
performance. Senior executives and managers need guidance to improve BI since
technological challenges are increasingly paired with questions of organizational im-
plementation of enterprise capabilities (e.g. crafting of enterprise wide BI strategies),
IT/business alignment, as well as competence in usage, operations, and further devel-
opment of a broad solution architecture [Richardson, Bitterer 2010, S. 2; Williams,
Williams 2007, S. 11]. Despite its widely acknowledged importance, BI implementa-
tions remain challenging [Luftman, Ben-Zvi 2010, S. 54] – both from a technological
and an organizational perspective. To address such challenges maturity models have
been proposed as a viable instrument. MMs outline anticipated, typical, logical, and
desired evolution paths from an initial to a desired target stage [Kazanjian, Drazin
1989]. Because of their distinctive nature, well-defined MMs are capable of integrat-
ing diverse dimensions for measuring, designing and controlling complex, multi-
faceted artifacts. Such diverse dimensions covering a wide range of business, technical
as well as people-related aspects need to be considered in BI and have been captured
by the BI MM.
In this paper, we refine and evaluate the BI MM and the assessment instrument to
demonstrate that the application of the assessment instrument results in a maturity as-
sessment that accurately reflects BI maturity levels in organizations. We plan to com-
pare the BI MM-based maturity assessments of multiple organizations with the BI ma-
turity levels obtained from in-depth case analyses in the same organizations. A match
in magnitude and rank order between the two assessment approaches in these organi-
zations will provide evidence that the BI MM correctly assesses BI maturity.
Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 151

F.2 Related work
MMs – or maturity assessment models – are a widely accepted instrument for system-
atically documenting and guiding the development and transformation of organizations
on the basis of best or common practices [Paulk et al. 1993b]. The concept of MMs
has initially been proposed during the 1970s [Gibson, Nolan 1974]. Driven by the suc-
cess of prominent examples (e.g. the CMM [Ahern et al. 2003; Crawford 2006;
Humphrey 1988]), numerous MMs have been developed by academia as well as prac-
titioners. A MM typically consists of a sequence of maturity levels for a class of ob-
jects [Becker et al. 2009a; Klimko 2001]. Each level requires the objects on that level
to achieve certain requirements. Maturity in this context is understood as a ‘measure to
evaluate the capabilities of an organization’ [de Bruin et al. 2005], while the term ca-
pability is understood as the ability to achieve a predefined goal [van Steenbergen et
al.].
In BI, various MMs have been proposed as well [Lahrmann et al. 2010; Wixom,
Watson 2010]. In a recent literature review, ten BI MMs were identified and analyzed
with respect to methodology and content [Lahrmann et al. 2010]. Tab. 48 presents a
brief overview of these models. We have updated Lahrmann et al.’s analysis by adding
one revised and three recently developed models. Most of these MMs have their origin
in practice and are scarcely documented, thus the respective construction processes
have not been published. Furthermore, none of these MMs has been subject to a thor-
ough evaluation or validation to ensure that the MM accurately represents the real
world.
Tab. 48: Overview of existing BI maturity models
No. Name (year(s)) Source Origin
1 Watson et al. (2001) [Watson et al. 2001] Academia
2 SAS (2004, 2009) [Hatcher, Prentice 2004; Sas Institute 2009] Practice
3 Eckerson (2004, 2009) [Eckerson 2004; Eckerson 2009] Practice
4 SMC (2004, 2009)
[Chamoni, Gluchowski 2004; Schulze et al.
2009]
Practice
5 Cates et al. (2005) [Cates et al. 2005] Academia
6 Dataflux (2005) [Dataflux 2005] Practice
7 Sen et al. (2006, 2011) [Sen et al. 2011; Sen et al. 2006] Academia
8 HP (2007, 2009) [Henschen 2007; Hewlett 2009] Practice
9 Gartner (2008) [Rayner, Schlegel 2008] Practice
10 Teradata (2008) [Töpfer 2008] Practice
11 BIDM (2010) [Sacu, Spruit 2010] Academia
12 EBIMM (2010) [Chuah 2010] Academia
13 Lukman et al. (2011) [Lukman et al. 2011] Academia
152 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
A BI MM should include documentation of its construction process and its underlying
BI maturity concept. A maturity concept explains what exactly is measured and what
the MM’s purpose is. Only one out of the 13 analyzed BI MMs provides a theoretical
foundation, i.e. only one model is explicitly based on (kernel) theories [Biberoglu,
Haddad 2002]: in their stage model for data warehousing, Watson et al. [2001] refer to
the stages of growth approach [Gibson, Nolan 1974]. As in this case, a theoretical
foundation helps to understand how the different concepts of an MM influence each
other. As the analysis of Lahrmann et al. further shows, comprehensiveness of existing
BI MMs seems to be an issue as well. Traditional IT topics, e.g. applications, data, and
infrastructure are highly present whereas topics as BI organization and BI strategy are
widely neglected. This is in contrast to current IS literature where these two topics
have gained high visibility, e.g.[Boyer et al. 2010; Vierkorn, Friedrich 2008].
F.3 Development of the business intelligence maturity model
We address these shortcomings as part of our research effort on BI MM over the last
years. In the course of this research, we have published articles on the construction of
a BI MM, the development of an assessment instrument for this BI MM, and a first
step towards an evaluation of the two previous artifacts [Raber 2013; Raber et al.
2012; Raber et al. 2013]. In this section, we briefly summarize these three papers to
explain the context. All other sections represent original contributions.
At first, the goal was to construct a BI MM, which (a) comprehensively conceptualizes
BI, (b) is developed in a transparent way based on an explicit maturity concept and (c)
is informed by theory. We used quantitative analyses for constructing the BI MM to
eliminate subjectivity. In fact, we employed the Rasch algorithm [Bond, Fox 2007] as
an item response theory-based approach to order 58 BI capabilities items by difficulty.
On the basis of the ordered items, cluster analysis was applied to assign items to five
maturity levels. The resulting BI MM is comprised of five levels and the five maturity
dimensions strategy, organization, information technology (IT), quality and use. Be-
low, the five levels of our BI MM are briefly described. Level one of the BI MM is
characterized by a high degree of decentralism with almost no standardization efforts,
representing an early and immature state of BI. Organizations that achieve level two
are clearly oriented towards centrally managed BI in terms of governance and organi-
zational setup. Level three of the BI MM, represents the final step towards centraliza-
tion and integration, as well as an intermediate stage with respect to optimization. On
level four, organizations are realizing the full potential of BI and drive advanced stra-
tegic topics such as BI portfolio management and business cases for BI. For achieving
Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 153

level five of BI maturity, a sustainable and continuous management of BI needs to be
established. In terms of capabilities, this stage of maturity requires a comprehensive BI
strategy to be specified and regularly updated. In addition, BI performance manage-
ment and pro-active data quality management need to be fully deployed.
To be used as a strategic tool for improving the BI function of organizations, the BI
MM needs to be complemented by a maturity measurement or assessment instrument.
This instrument enables organizations to assess their current state of the BI function
according to the BI MM and thus represents the basis for improvement activities. We
realized such an instrument as a questionnaire with 25 items by operationalizing our
existing BI MM. In order to measure the questionnaire responses against the maturity
levels of the MM, ideal maturity profiles were defined for each maturity level. In a
first application of the Euclidean metric, maturity levels for each maturity dimension
of an organization are calculated. In more detail, the ideal maturity profile having the
least distance to the questionnaire profile represents the resulting maturity level. Ap-
plying the Euclidean metric once more on the basis of dimensional maturity levels
yields the overall maturity level of an organization. To test our approach, data was col-
lected using a paper questionnaire distributed at a BI practitioner event and an online
version of the questionnaire. It was ensured that participant segments did not overlap
and participants were provided with a short introduction to the subject of the question-
naire. The paper questionnaire was returned by 44 out of 89 participants of the confer-
ence, yielding a response rate of 49.4%. The conference was attended by BI/data
warehousing specialists and executives working in business, management, and IT
functions. In addition, the online questionnaire was sent to 78 practitioners who at-
tended the conference in previous years and was completed by 48 recipients resulting
in a response rate of 61.5%. In total, 92 valid responses from these organizations were
used to assess their BI maturity.
In a first approach to validate our measurement instrument following Churchill [1979]
and Gerbing and Anderson [1988], exploratory factor analysis and Cronbach’s alpha
were used. The analyses yielded mixed results, showing that the organization and use
dimensions require refinement.
F.4 Research methodology
As discussed earlier, the MM evaluated in this paper represents a comprehensive BI
MM effort that incorporates strategic, as well as operational aspects. Thus, if we can
demonstrate that our BI MM accurately measures BI maturity levels of organizations,
154 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
we will have shown that our research makes a contribution that moves the maturity
assessment of BI functions forward. As part of the iterative development of the BI
MM, we had applied it to 92 organizations and we refined the assessment instrument
based on the outcome of a factor analysis as shown in the following section.
Tab. 49: Results of factor analysis for refined instrument
Item Strategy Use Organi-
zation
IT Quality
Manage
age-
ment
Opera-
tional Frontend Backend Data System
S1 0.578 0.208 0.093 0.099 0.177 0.282 0.238 0.054
S2 0.827 0.063 0.052 0.134 -0.015 0.077 0.291 -0.126
S3 0.775 0.155 0.101 -0.009 0.224 0.111 0.07 0.3
U1 0.191 0.878 -0.115 0.042 0.105 0.147 0.105 0.011
U2 0.117 0.804 0.286 -0.079 0.176 0.097 0.128 0.066
U3 0 0.125 0.82 0.132 0.082 0.248 -0 0.049
U4 0.279 -0.01 0.723 -0.227 0.275 -0.131 -0.05 0.044
O1 0.07 0.192 -0.003 0.715 0.046 -0.066 0.294 0.08
O2 0.15 -0.281 0.076 0.741 0.109 -0.264 -0.03 -0.079
O3 -0.007 -0.149 -0.09 0.808 -0.009 0.201 -0.03 0.134
O4 0.014 0.156 0.035 0.801 -0.074 -0.127 -0.02 0.147
O5 0.028 -0.014 -0.023 0.694 0.146 0.373 -0.21 0.042
I1 0.084 0.086 0.205 -0.064 0.849 0.045 0.155 0.148
I2 0.035 0.284 0.107 0.059 0.731 0.168 0.155 0.145
I3 0.342 -0.045 0.046 0.254 0.656 0.249 0.118 0.018
I4 0.148 0.148 0.118 -0.001 0.127 0.832 0.196 0.028
I5 0.31 0.155 0.065 -0.035 0.316 0.676 0.273 -0.098
Q1 0.397 0.05 0.022 -0.087 0.237 0.025 0.684 0.148
Q2 0.331 0.123 0.043 0.01 0.12 0.216 0.642 0.131
Q3 0.06 0.111 -0.062 0.039 0.109 0.168 0.875 -0.053
Q4 0.183 0.109 -0.002 0.174 0.183 -0.052 0.02 0.886
Q5 -0.14 -0.115 0.364 0.346 0.162 0.08 0.328 0.559
F.4.1 Instrument refinement
The results of the first validation of our assessment instrument unveiled issues regard-
ing indicators of the organization dimension, therefore we revised and improved the
instrument by removing indicators according to the Cronbach’s alpha coefficient and
with factor loadings below .50 and cross-loading indicators [Hair et al. 2009]. Tab. 52
in the appendix exhibits the revised instrument, whereas Tab. 49 presents the results of
the factor analysis of the revised instrument. A factor solution with eight factors re-
veals moreover that there are sub-dimensions for the Use, IT, and Quality dimension
of our BI MM. The use dimension is split in management use and operational use, the
IT dimension is divided in frontend and backend and the quality dimension is separat-
Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 155

ed in data quality and system quality. This separation in sub-dimensions can be seen
on the questionnaire. The objective of the MM evaluation is to demonstrate that the
application of this validated and refined assessment instrument results in a maturity
assessment that accurately reflects the BI maturity levels in different organizations. To
do so, we compare the BI MM-based assessments of BI maturity levels in multiple
organizations, representing the major BI maturity scenarios, with the BI maturity lev-
els obtained from in-depth case analyses in the same organizations. A match in magni-
tude and rank order between the two assessment approaches in these organizations will
provide evidence that the BI MM correctly assesses BI maturity.
F.4.2 Case selection
In order to evaluate the model in the context of different maturity level scenarios, case
organizations should be selected, so that organizations with the most characteristic BI
maturity levels across the five dimensions are included, rather than by random sam-
pling. To further ensure that different organization types are covered, we shall also
select from different industries and company sizes. Such purposeful sampling is not
only the prevailing case selection approach in qualitative research [Miles, Hubermann
1994; Seawright, Gerring 2008], but it is necessary to evaluate whether the BI MM
correctly assesses organizations with different characteristics and maturity levels.
From the instrument development stage, we know the BI MM assessment results of 92
organizations from which we can select appropriate cases for the evaluation; to deter-
mine, how many organizations to include, in order to have the important and unique
maturity scenarios captured, we have conducted a cluster analysis that has identified
four such scenarios; we then have selected one organization from each of these clus-
ters for the BI MM evaluation.
Tab. 50: Cluster centers of four cluster solution
Cluster
Cluster
Interpretation Strategy Use
Organi-
zation IT Quality
No.
cases
1 Medium BI maturity 2.74 3.07 2.89 2.67 2.26 27
2
Medium BI maturity
with advances in op-
erational areas
2.67 3.83 3.53 3.69 3.14 36
3 High BI maturity 4.26 4.13 4.00 3.91 3.61 23
4 Low BI maturity 1.00 3.00 2.17 2.00 2.17 6

Clusters are derived from the calculated BI maturity assessment results of the 92 or-
ganizations from our pre-test of the maturity measurement instrument [Raber et al.
156 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
2013] to identify characteristic maturity scenarios. In fact the data set contains five
variables for every organization, each representing a maturity dimension with an inte-
ger value between 1 and 5. A two-stage clustering approach is adopted as advised by
Hair et al. [2009] to combine benefits of hierarchical and non-hierarchical methods.

Abb. 12: Radar charts illustrating the four different maturity clusters
Following this approach, the number of clusters and initial cluster centers are estab-
lished using a hierarchical cluster analysis. Based on these results, a k-means non-
hierarchical analysis is conducted that delivers the final four cluster solution. For the
initial hierarchical cluster analysis, the average linkage method is used instead of
Ward’s method since we do not expect equally sized clusters [Hair et al. 2009] be-
cause of the nature of our data. Determining the number of clusters most representative
of the sample’s data structure is often considered problematic [Dubes 1987]. There-
fore, we follow an established approach [Hair et al. 2009] by comparing a range of
cluster solutions, three to eight clusters in this case, with respect to different criteria.
Looking at the percentage changes in heterogeneity, i.e. in the agglomeration coeffi-
2.74
3.07
2.89
2.67
2.26
1.00
2.00
3.00
4.00
5.00
Strategy
Use
Organization IT
Quality
1. Medium Maturity
2.67
3.83
3.53
3.69
3.14
1.00
2.00
3.00
4.00
5.00
Strategy
Use
Organization IT
Quality
2. Medium Maturity with Advances 
in Operational Areas
4.26
4.13
4.00
3.91
3.61
1.00
2.00
3.00
4.00
5.00
Strategy
Use
Organization IT
Quality
3. High Maturity
1.00
3.00
2.17
2.00
2.17
1.00
2.00
3.00
4.00
5.00
Strategy
Use
Organization IT
Quality
4. Low Maturity
Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 157

cient, the largest change happens when moving from a four cluster solution to a three
cluster solution. Further interpretation of the dendrogram and agglomeration schedule
confirms a four cluster solution. In the next step, a k-means cluster analysis is con-
ducted using the hierarchical cluster centers as initial seeds. The four resulting cluster
centers represent the unique maturity scenarios and are shown in Tab. 50. To summa-
rize the results, the characteristic scenarios to select organizations for evaluation from
are: (1) A medium BI maturity organization, (2) an organization with medium BI ma-
turity but advances in operational areas, (3) an organization having a highly mature BI
function and (4) one on a low BI maturity level. To allow for better interpretation of
cluster centers, the four clusters centers are illustrated in separate radar charts in Abb.
12.
F.4.3 Data collection
For the comparison of the BI maturity assessments in the four evaluation organiza-
tions, it is important to avoid any accidental match between the pairs of assessments
that may occur, because of incorrect responses that may be attributable to the desire to
answer what is socially desirable, a prevailing (false) sense of maturity level may exist
in the organizations that both methods may pick up, etc. The multi-methods approach
of our evaluation alleviates this concern: Ensuring anonymity and confidentiality to
the participants reduces the impact of such response bias in quantitative data collection
[Podsakoff et al. 2003]. Moreover, the use of qualitative methods in our study allevi-
ates this concern further: in-depth case investigations do not rely on the participant’s
answer to a question about an issue (in this research, BI maturity), but seeks to obtain
explanations of the underlying mechanisms and reasons for the presence of such issue
[Stuart et al. 2002; Yin 2009]. Thus, the qualitative maturity evaluation is not exclu-
sively based on the participants’ responses to what the maturity levels are, but it is
based on the background information that participants provide about the organization
and on how they relate such company specifics to the different maturity dimensions.
Such explanation building, together with basing the results on consistent responses of
several participants in each company, ensures the internal validity of the information
obtained [Morse 1994; Yin 2009]. The investigation of the underlying facts relating to
the different BI maturity levels obtained from consistent responses of multiple partici-
pants in each organization makes the case investigation the more objective method for
assessing BI maturity; however, it is substantially more labor intensive to obtain ma-
turity assessments using in-depth case analyses, than it is to obtain such assessments
through the use of the BI MM questionnaire. Thus, demonstrating that the easily ob-
158 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
tainable BI MM assessments are comparable to the assessments resulting from labor-
intensive case investigations will support the utility of the BI MM.
To qualitatively assess BI maturity in the four case organizations, we will conduct
semi-structured interviews with three interviewees in each organization. While the
primary purpose of these case analyses is the assessment of BI maturity and not the
building of theory, the question of which maturity dimensions must be assessed is a
theory-building tangent of our analysis. Thus, consistent with the notion that semi-
structured interviews shall be informed by prior theory [Eisenhardt 1989], the inter-
view outline will be structured based on the maturity dimensions that were identified
from the literature and were already incorporated into the BI MM. This is in contrast to
the earlier clean slate philosophy that was promoted by Glaserian school of grounded
theory research [Glaser, Strauss 1967], however, later work on qualitative theory-
building explicitly allowed existing theory to guide research [Strauss, Corbin 1990].
The use of open ended questions and the option to add or refine questions in semi-
structured interviews enables us to confirm existing dimensions and to probe for addi-
tional maturity dimensions, should they emerge. Such flexible interview strategy is
legitimate, as each case is to be understood and analyzed individually; further, addi-
tions to the questionnaire that contribute to a better understanding of the investigated
domain are desirable [Eisenhardt 1989]. Each maturity assessment will be based on
consistent information obtained from three participants in each organization. We also
will allow for follow-up clarification of the information obtained, in case of disagree-
ment between the respondents on important issues. Consistent with Yin [2009] inter-
views will be transcribed and detailed case write-ups will be developed that focus on
explaining why each organization may be on specific BI maturity levels with regards
to the different maturity dimensions. The maturity level insights obtained from the in-
depth case write-ups then will be compared side-by-side to the quantitative BI MM
assessments to conclude the evaluation of the BI MM. If additional maturity dimen-
sions emerge from the case analysis, implications with regards to the BI MM and fu-
ture research will be discussed.
F.5 Conclusions and next stage of research
Our BI maturity effort is a contribution over existing BI MMs in several ways: first,
we have used quantitative analyses to construct the BI MM based on a theoretical
foundation. Moreover, we have developed a maturity assessment instrument and an
algorithm to calculate maturity levels based on the BI MM. Further, we evaluate the BI
MM and validate the assessment instrument, which has not been done for any of the
Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation 159

existing approaches [Lahrmann et al. 2010]. In fact, the evaluation will demonstrate
that the application of the BI MM results in a maturity assessment that accurately re-
flects the BI maturity levels in real-world organizations. The results of this research
therefore show the utility of our model. Moreover, the proposed evaluation approach
can be applied to MMs in general, as long as these models provide assessment instru-
ments. Thus, we are contributing to the current academic discussion on the challenge
of validating MMs [Poeppelbuss et al. 2011], as findings may enable researchers to
adapt our process to their own MMs.
There are also limitations to our approach. Additional dimensions may emerge from
the case analyses. If they do, it will be a limitation of our study, as the current version
of the BI MM would not capture them. Further, we are not able to compare the accura-
cy of other BI MMs (cf. Tab. 48) against our BI MM as comparable assessment in-
struments do not exist or are not publicly available. Although the Data Warehousing
Institute provides an assessment instrument for one of the MMs cited [Eckerson 2009],
the available information is not sufficient to assess BI maturity for our case organiza-
tions.
Tab. 51: Candidate organizations for case analysis
BI maturity scenario No. of employees Turnover Industry
Low maturity 7.000 2.7 bn. Euro Primary materials
Medium maturity 10.600 2.3 bn. Euro Retail & trade
Medium maturity with
advances in operation-
al areas
21.000 3.4 bn. Euro
Mechanical
engineering
High maturity 62.600 20.7 bn. Euro Financial services

In the next stage of this research, the BI maturity assessment instrument will be used to
assess the BI maturity of the four selected organizations. Then, interviews will be con-
ducted in these organizations and data will be analyzed. Following Yin [2009], the
case analyses will be based on transcribed interviews and detailed case write-ups that
will be compared to the quantitative BI MM assessments. Should further maturity di-
mensions arise from case analysis, they will be subject to future work to adjust the BI
MM accordingly. In Tab. 51, the current candidate organizations for our in-depth case
analyses are listed, which were chosen on the basis of the four characteristic maturity
scenarios derived from the cluster analysis. The evaluation will be completed by De-
cember and final results will be presented at ICIS.
160 Teil B: How Well Does the Business Intelligence Maturity Model Assess
Organizational Reality: A Case-Based Evaluation
F.6 Appendix
Tab. 52: Refined BI maturity measurement instrument
Maturity
Dimension Item (five-point Likert scale from (1) “strongly disagree” to (5) “strongly agree”)
BI is characterized by:
Strategy S1 BI is financially supported/led by influential persons from business
Strategy S2 Significant BI decisions are made by a BI steering committee within business
Strategy S3 BI is based on a comprehensive BI strategy that is regularly updated
IT I1 Standard reports and dashboards ensure a high quality information supply
IT I2 Advanced analytical requirements are addressed on the basis of existing OLAP
tools and software for pro-active analyses
IT I3 State of the art BI frontends are used
IT I4 BI backend systems are centralized and standardized
IT I5 Information is integrated across departmental borders
Clearly defined resp., standards and principles do exist in the following areas of BI – avg. of
these five items is used:
Org. O1 Tools and applications
Org. O2 Business content, i.e. KPIs and dimensions
Org. O3 Management and sourcing processes
Org. O4 Development processes
Org. O5 Operations processes
BI applications are used by the following group of people:
Use U1 Top management
Use U2 Middle management
Use U3 Analysts, data scientists
Use U4 Operative users
Data quality is ensured by the following means:
Quality Q1 Roles, tasks and resp. are clearly defined and documented in the context of data
quality
Quality Q2 Core business objects, performance indicators and dimensions are consistently
defined
Quality Q3 Data quality is continuously measured in order to pro-actively manage data quality
BI systems have the following properties:
Quality Q4 Operation of BI systems is based on defined service-level agreements
Quality Q5 BI applications are operated on the basis of standards such as ITIL

Anhang I – Interviewleitfaden für die Validierung clxi

Anhang I – Interviewleitfaden für die Validierung
Tab. 53: Interviewleitfaden für die Validierung
# Kategorie / Frage
1 Strategie
1.a Welche Aspekte der BI in Ihrem Unternehmen würden Sie der BI-Strategie zuordnen?
1.b
Was von dem, das Ihr Unternehmen im Bereich BI-Strategie unternimmt würden Sie als beson-
ders wichtig beschreiben?
1.c Gibt es Aktivitäten im Bereich BI-Strategie, die Ihr Unternehmen konkret für die Zukunft plant?
2. Organisation (Social System)
2.a
Welche Aussagen können Sie über die organisatorische Aufstellung der BI in Ihrem Unterneh-
men treffen?
2.b
Welche Aussagen können Sie über die Prozesse der BI-Organisation in Ihrem Unternehmen
treffen?
2.c
Was von dem, das Ihr Unternehmen im Bereich BI-Organisation unternimmt würden Sie als
besonders wichtig beschreiben?
2.d
Gibt es Aktivitäten im Bereich BI-Organisation, die Ihr Unternehmen konkret für die Zukunft
plant?
3 IT-Unterstützung (Technical System)
3.a
Welche Aussagen können Sie über die BI-IT (technische Infrastruktur der BI) in Ihrem Unter-
nehmen treffen?
3.b
Was von dem, das Ihr Unternehmen im Bereich BI-IT unternimmt würden Sie als besonders
wichtig beschreiben?
3.c Gibt es Aktivitäten im Bereich BI-IT, die Ihr Unternehmen konkret für die Zukunft plant?
4 Qualität
4.a Welche Aussagen können Sie über Qualität im Bereich BI in Ihrem Unternehmen machen?
4.b
Was von dem, das Ihr Unternehmen im Bereich BI-Qualität unternimmt würden Sie als beson-
ders wichtig beschreiben?
4.c Gibt es Aktivitäten im Bereich BI-Qualität, die Ihr Unternehmen konkret für die Zukunft plant?
5 Nutzung
5.a Welche Aussagen können Sie über die Nutzung im Bereich BI in Ihrem Unternehmen machen?
5.b Welche Nutzergruppen nutzen BI in welchem Masse?
5.c Wo glauben Sie besteht Ausbaupotenzial im Bereich Nutzung von BI?
6 Vollständigkeit
6.a
Gibt es Tätigkeiten, Projekte oder Fähigkeiten in Ihrem Unternehmen im Kontext der BI, die Sie
bisher in keinem der genannten Bereiche erwähnen konnten?
6.b Gibt es Aspekte der BI, die aus Ihrer Sicht bisher zu kurz gekommen sind?
7 Demographische Fragen
7.a Können Sie mir bitte einen kurzen Überblick über Ihren Verantwortungsbereich geben?
7.b
Wie lange befassen Sie sich bereits mit dem Themenbereich BI?

7.c
Hat es im Bereich BI in der Vergangenheit grosse Veränderungen gegeben in Ihrem Unterneh-
men?
7.d Wie würden Sie die Organisationsstruktur Ihres Unternehmens grundsätzlich beschreiben?
7.e Wie wichtig ist die BI-Funktion in Bezug auf das Geschäftsmodell Ihres Unternehmens?


Literaturverzeichnis clxiii

Literaturverzeichnis
[Ahern et al. 2003]
Ahern, D. M.; Clouse, A.; Turner, R.: CMMI Distilled: A Practical Introduction
to Integrated Process Improvement. 2. Aufl., Addison-Wesley, Boston 2003.
[Anandarajan et al. 2004]
Anandarajan, Murugan; Anandarajan, Asokan; Srinivasan, Cadambi A.:
Business Intelligence Techniques - A Perspective from Accounting and
Finance. Springer, Berlin 2004.
[Andrich 1985]
Andrich, David: An Elaboration of Guttman Scaling with Rasch Models for
Measurement. In: Sociological Methodology 15 (1985), S. 33-80.
[Ariyachandra, Watson 2005]
Ariyachandra, Thilini R.; Watson, Hugh J.: Key Factors in Selecting a Data
Warehouse Architecture. In: Business Intelligence Journal 10 (2005) Spring (2),
S. 19-27.
[Association for Information Systems 2011]
Association for Information Systems: Senior Scholars' Basket of Journals.
http://home.aisnet.org/displaycommon.cfm?an=1&subarticlenbr=346, Abruf
am 20.01.2012.
[Baars, Kemper 2008]
Baars, Henning; Kemper, Hans-Georg: Management Support with Structured
and Unstructured Data – An Integrated Business Intelligence Framework. In:
Information Systems Management 25 (2008) 2, S. 132-148.
[Barney 1991]
Barney, Jay B.: Firm Ressources and Sustained Competitive Advantage. In:
Journal of Management 17 (1991) 1, S. 99-120.
[Becker et al. 2009a]
Becker, Jörg; Knackstedt, Ralf; Pöppelbuß, Jens: Developing Maturity Models
for IT Management - A Procedure Model and its Application. In: Business &
Information Systems Engineering 1 (2009a) 3, S. 213-222.
[Becker et al. 2009b]
Becker, Jörg; Knackstedt, Ralf; Pöppelbuß, Jens: Entwicklung von
Reifegradmodellen für das IT-Management: Vorgehensmodell und praktische
Anwendung. In: Wirtschaftsinformatik 51 (2009b) 3, S. 249-260.
[Becker et al. 2010]
Becker, Jörg; Niehaves, Björn; Pöppelbuß, Jens; Simons, Alexander: Maturity
Models in IS Research. In: 18th European Conference on Information Systems
(ECIS 2010), Pretoria, South Africa 2010.
[Benbasat et al. 1984]
Benbasat, Izak; Dexter, Albert S.; Drury, D. H.; Goldstein, R. C.: A Critique of
the Stage Hypothesis: Theory and Empirical Evidence. In: Communications of
the ACM 27 (1984) 5, S. 476-485.
[Benbasat et al. 1980]
clxiv Literaturverzeichnis
Benbasat, Izak; Dexter, Albert S.; Mantha, Robert W.: Impact of Organizational
Maturity on Information System Skill Needs. In: MIS Quarterly 4 (1980) 1, S.
21-34.
[Benbasat, Zmud 2003]
Benbasat, Izak; Zmud, Robert W.: The Identity Crisis Within the IS Discipline -
Defining and Communicating the Discipline's Core Properties. In: MIS
Quarterly 27 (2003) 2, S. 183-194.
[Bhabuta 1988]
Bhabuta, L.: Sustaining Productivity and Competitiveness by Marshalling IT.
In: IFIP TC-8 Open Conference, Singapore 1988.
[Biberoglu, Haddad 2002]
Biberoglu, E.; Haddad, H.: A Survey of Industrial Experiences with CMM and
the Teaching of CMM Practices. In: Journal of Computing Sciences in Colleges
18 (2002) 2, S. 143-152.
[Bitterer et al. 2011]
Bitterer, Andreas; Schlegel, Kurt; Laney, Douglas: Predicts 2012: Business
Intelligence Still Subject to Nontechnical Challenges. Gartner Inc., Stamford,
CT 2011.
[Bloomberg Businessweek 2011]
Bloomberg Businessweek: The Current State of Business Analytics: Where Do
We Go From Here. Bloomberg Businessweek Research Services 2011.
[Bond, Fox 2007]
Bond, Trevor G.; Fox, Christine M.: Applying the Rasch Model. Fundamental
Measurement in the Human Sciences. 2. Aufl., Lawrence Erlbaum Associates
Publishers, Mahwah 2007.
[Bostrom, Heinen 1977]
Bostrom, Robert P.; Heinen, Stephen: MIS Problems and Failures - A Socio-
Technical Perspective. Part I - The Causes. In: MIS Quarterly 1 (1977) 3, S. 17-
32.
[Boyer et al. 2010]
Boyer, John; Frank, Bill; Green, Brian; Harris, Tracy; Van De Vanter, Kay:
Business Intelligence Strategy - A Practical Guide for Achieving BI Excellence.
MC Press Online, Ketchum, ID 2010.
[Bradley et al. 2006]
Bradley, Randy V.; Pridmore, Jeannie L.; Byrd, Terry Anthony: Information
Systems Success in the Context of Different Corporate Cultural Types: An
Empirical Investigation. In: Journal Of Management Information Systems 23
(2006) 2, S. 267-294.
[Brooks et al. 2013]
Brooks, Patti; El-Gayar, Omar; Sarnikar, Surendra: Towards a Business
Intelligence Maturity Model for Healthcare. In: Hicss 46, Kuala Lumpur,
Malaysia 2013.
[Campbell, Fiske 1959]
Campbell, D. T.; Fiske, D. W.: Convergent and discriminant validation by the
multitrait-multimethod matrix. In: Psychological Bulletin 56 (1959) 2, S. 81-
105.
[Cao et al. 2006]
Literaturverzeichnis clxv

Cao, Jinwei; Crews, Janna M.; Lin, Ming; Deokar, Amit; Burgoon, Judee K.;
Nunamaker Jr, Jay F.: Interactions between System Evaluation and Theory
Testing - A Demonstration of the Power of a Multifaceted Approach to
Information Systems Research. In: Journal of Management Information
Systems 22 (2006) 4, S. 207-235.
[Cates et al. 2005]
Cates, James E.; Gill, Sam S.; Zeituny, Natalie: The Ladder of Business
Intelligence (LOBI): a framework for enterprise IT planning and architecture.
In: International Journal of Business Information Systems 1 (2005) 1-2, S. 220-
238.
[Chamoni, Gluchowski 2004]
Chamoni, Peter; Gluchowski, Peter: Integrationstrends bei Business-
Intelligence-Systemen - Empirische Untersuchung auf Basis des Business
Intelligence Maturity Model. In: Wirtschaftsinformatik 46 (2004) 2, S. 119-128.
[Chatterjee et al. 2002]
Chatterjee, Debabroto; Grewal, Rajdeep; Sambamurthy, V.: Shaping up for E-
Commerce: Institutional Enablers of the Organizational Assimilation of Web
Technologies. In: MIS Quarterly 26 (2002) 2, S. 65-89.
[Chen et al. 2012]
Chen, Hsinchun; Chiang, Roger H. L.; Storey, Veda C.: Business Intelligence
and Analytics: From Big Data to Big Impact. In: MIS Quarterly 36 (2012) 4, S.
1165-1188.
[Chin 1998]
Chin, Wynne W.: The Partial Least Squares Approach to Structural Equation
Modeling. In: Marcoulides, George A. (Hrsg.): Modern Methods for Business
Research. Lawrence Erlbaum Associates, Mahwah 1998, S. 295-336.
[Chin 2010]
Chin, Wynne W.: How to Write Up and Report PLS Analyses. In: Vinzi,
Vincenzo Esposito et al. (Hrsg.): Handbook of Partial Least Squares. Concepts,
Methods and Applications. Springer, Berlin, Heidelberg 2010, S. 655-690.
[Chin et al. 2008]
Chin, Wynne W.; Johnson, Norman; Schwarz, Andrew: A Fast Form Approach
to Measuring Technology Acceptance and Other Constructs. In: MIS Quarterly
32 (2008) 4, S. 687-703.
[Chrissis et al. 2003]
Chrissis, Mary Beth; Konrad, Mike; Shrum, Sandy: CMMI: Guidelines for
Process Integration and Product Improvement. 2. Aufl., Addison-Wesley 2003.
[Chuah 2010]
Chuah, Min-Hooi: An enterprise business intelligence maturity model
(EBIMM): Conceptual framework. Fifth International Conference on Digital
Information Management. IEEE 2010, S. 303-308.
[Chuah, Wong 2011]
Chuah, Min-Hooi; Wong, Kee-Luen: A review of business intelligence and its
maturity models. In: African Journal of Business Management 5 (2011) 9, S.
3424-3428.
[Chuah, Wong 2012]
clxvi Literaturverzeichnis
Chuah, Min-Hooi; Wong, Kee-Luen: A framework for accessing an enterprise
business intelligence maturity model (EBI2M): Delphi study approach. In:
African Journal of Business Management 6 (2012) 23, S. 6880-6889.
[Churchill Jr 1979]
Churchill Jr, Gilbert A.: A Paradigm for Developing Better Measures of
Marketing Constructs. In: Journal of Marketing Research 16 (1979) 1, S. 64-73.
[Clark Jr et al. 2007]
Clark Jr, Thomas D.; Jones, Mary C.; Armstrong, Curtis P.: The Dynamic
Structure of Management Support Systems: Theory Development, Research
Focus, and Direction. In: MIS Quarterly 31 (2007) 3, S. 579-615.
[Cleven et al. 2009]
Cleven, Anne; Gubler, Philipp; Hüner, Kai: Design Alternatives for the
Evaluation of Design Science Research Artifacts. 4th International Conference
on Design Science Research in Information Systems and Technology
(DESRIST), Malvern, PA 2009.
[Conwell et al. 2000]
Conwell, C. L.; Enright, R.; Stutzman, M. A.: Capability Maturity Models
support of modeling and simulation verification, validation, and accreditation.
In: 2000 Winter Simulation Conference, Orlando, FL 2000, S. 819-828.
[Cooper et al. 2000]
Cooper, Brian L.; Watson, Hugh J.; Wixom, Barbara H.; Goodhue, Dale L.:
Data warehousing supports corporate strategy at First American Corporation.
In: MIS Quarterly 24 (2000) 4, S. 547-567.
[Cooper 1988]
Cooper, Harris M.: Organizing knowledge syntheses: A taxonomy of literature
reviews. In: Knowledge in Society 1988 (1988) 1, S. 104–126.
[Cosic et al. 2012]
Cosic, Ranko; Shanks, Graeme; Maynard, Sean: Towards a Business Analytics
Capability Maturity Model. In: Acis 2012, Geelong, Australia 2012.
[Crawford 2006]
Crawford, J. Kent: The Project Management Maturity Model. In: Information
Systems Management 23 (2006) 4, S. 50-58.
[Crosby 1979]
Crosby, Philip B.: Quality Is Free – The Art of Making Quality Certain.
McGraw-Hill, New York, NY 1979.
[Curtis et al. 2010]
Curtis, Bill; Hefley, William E.; Miller, Sally A.: The People Capability
Maturity Model – Guidelines for Improving the Workforce. 2. Aufl., Addison-
Wesley, Boston, MA 2010.
[Dataflux 2005]
Dataflux: Enterprise Data Management Maturity Model.
http://www.dataflux.com, Abruf am 16.04.2013.
[Davenport 2010]
Davenport, Thomas H.: Business Intelligence and Organizational Decisions. In:
International Journal of Business Intelligence Research 1 (2010) 1, S. 1-12.
[Davenport et al. 2012]
Literaturverzeichnis clxvii

Davenport, Thomas H.; Barth, Paul; Bean, Randy: How ‘Big Data’ Is Different.
In: MIT Sloan Management Review 54 (2012) 1.
[Davenport et al. 2010]
Davenport, Thomas H.; Harris, Jeanne G.; Morison, Robert: Analytics at Work:
Smarter Decisions, Better Results. Harvard Business Press, Boston 2010.
[Davis, Olson 1985]
Davis, Gordon Bitter; Olson, Margrethe H.: Management Information Systems:
Conceptual Foundations, Structure, and Development. 2. Aufl., Mcgraw-Hill
College, New York 1985.
[de Bruin et al. 2005]
de Bruin, Tonia; Rosemann, Michael; Freeze, Ronald; Kulkarni, Uday:
Understanding the Main Phases of Developing a Maturity Assessment Model.
In: Campbell, B. et al. (Hrsg.): 16th Australasian Conference on Information
Systems (ACIS 2005), Sydney, Australia 2005, S. 1-10.
[Dekleva, Drehmer 1997]
Dekleva, Sasa; Drehmer, David: Measuring Software Engineering Evolution: A
Rasch Calibration. In: Information Systems Research 8 (1997) 1, S. 95-104.
[DeLone, McLean 1992]
DeLone, William H.; McLean, Ephraim R.: Information Systems Success - The
Quest for the Dependent Variable. In: Information System Research 3 (1992) 1,
S. 60-95.
[DeLone, McLean 2003]
DeLone, William H.; McLean, Ephraim R.: The DeLone and McLean Model of
Information Systems Success - A Ten-Year Update. In: Journal of Management
Information Systems 19 (2003) 4, S. 9-30.
[Dittmar et al. 2013]
Dittmar, Carsten; Ossendoth, Volker; Schulze, Klaus-Dieter: Business
Intelligence: Status Quo in Europa. Europäische biMA Studie 2012/13. Steria
Mummert Consulting AG, Hamburg 2013.
[Doherty, Terry 2009]
Doherty, Neil F.; Terry, Mark: The role of IS capabilities in delivering
sustainable improvements to competitive positioning. In: The Journal of
Strategic Information Systems 18 (2009) 2, S. 100-116.
[Dubes 1987]
Dubes, Richard C.: How many clusters are best?—an experiment. In: Pattern
Recognition 20 (1987) 6, S. 645-663.
[Eckerson 2004]
Eckerson, Wayne W.: Gauge Your Data Warehouse Maturity. In: DM Review
14 (2004) 11, S. 34.
[Eckerson 2009]
Eckerson, Wayne W.: TDWI's Business Intelligence Maturity Model.
Chatsworth 2009.
[Eisenhardt 1989]
Eisenhardt, Kathleen M.: Building Theories from Case Study Research. In:
Academy of Management Review 14 (1989) 4, S. 532-550.
[Elbashir et al. 2008]
clxviii Literaturverzeichnis
Elbashir, Mohamed Z.; Collier, Philip A.; Davern, Michael J.: Measuring the
effects of business intelligence systems: The relationship between business
process and organizational performance. In: International Journal of
Accounting Information Systems 9 (2008) 3, S. 135–153.
[European Foundation for Quality 1999]
European Foundation for Quality, Management: The EFQM Excellence
Modell. EFQM Representative Office, Brüssel 1999.
[Fisher 2005]
Fisher, Tony: How Mature Is Your Data Management Environment? In:
Business Intelligence Journal 10 (2005) 3, S. 20-26.
[Fornell, Larcker 1981]
Fornell, C.; Larcker, D.: Evaluating structural equation models with
unobservable variables and measurement error. In: Journal of Marketing
Research 18 (1981) 1, S. 39-50.
[Fraser et al. 2002]
Fraser, Peter; Moultrie, James; Gregory, Mike: The Use of Maturity
Models/Grids as a Tool in Assessing Product Development Capability. In:
IEEE International Engineering Management Conference, 2002 (IEMC 2002),
Cambridge, UK 2002, S. 244-249.
[Gable 2010]
Gable, Guy: Strategic information systems research: An archival analysis. In:
The Journal of Strategic Information Systems 19 (2010) 1, S. 3-16.
[Gable et al. 2008]
Gable, Guy G.; Sedera, Darshana; Chan, Taizan: Re-conceptualizing
Information System Success: The IS-Impact Measurement Model. In: Journal
of the Association for Information Systems 9 (2008) 7, S. 377-408.
[Galbraith 1982]
Galbraith, Jay: The stages of growth. In: Journal of Business Strategy 3 (1982)
1, S. 70-79.
[Gallagher 1961]
Gallagher, James D.: Management Information Systems and the Computer.
American Management Association, New York, NY 1961.
[Galliers, Sutherland 1991]
Galliers, Robert D.; Sutherland, A. R.: Information Systems Management and
Strategy Formulation: The ‘Stages of Growth’ Model revisited. In: Information
Systems Journal 1 (1991) 1, S. 89-114.
[Gansor et al. 2010]
Gansor, Tom; Totok, Andreas; Stock, Steffen: Von der Strategie zum Business
Intelligence Competency Center (BICC): Konzeption - Betrieb - Praxis. Hanser
Fachbuchverlag, München, Wien 2010.
[Geiger et al. 2010]
Geiger, Jonathan G.; Maydanchik, Arkady; Russom, Philip: BI Experts’
Perspective: Pervasive BI. In: Business Intelligence Journal 15 (2010), S. 36-
40.
[Gerbing, Anderson 1988]
Literaturverzeichnis clxix

Gerbing, D. W.; Anderson, J. C.: An updated paradigm for scale development
incorporating unidimensionality and its assessment. In: Journal of Marketing
Research 25 (1988) 2, S. 186-192.
[Gibson, Nolan 1974]
Gibson, Cyrus F.; Nolan, Richard L.: Managing the four stages of EDP growth.
In: Harvard Business Review 52 (1974) 1, S. 76-88.
[Glaser, Strauss 1967]
Glaser, Barney G.; Strauss, Anselm L.: The Discovery of Grounded Theory:
Strategies for Qualitative Research. Aldine Publishing, Chicago 1967.
[Gluchowski 2001]
Gluchowski, Peter: Business Intelligence - Konzepte, Technologien und
Einsatzbereiche. In: HMD - Praxis der Wirtschaftsinformatik 222 (2001), S. 5-
15.
[Götz et al. 2010]
Götz, Oliver; Liehr-Gobbers, Kerstin; Krafft, Manfred: Evaluation of Structural
Equation Models Using the Partial Least Squares (PLS) Approach. In: Vinzi,
Vincenzo Esposito et al. (Hrsg.): Handbook of Partial Least Squares. 1. Aufl.,
Springer, Berlin Heidelberg 2010, S. 691-711.
[Grothe, Gentsch 2000]
Grothe, Martin; Gentsch, Peter: Business Intelligence – Aus Informationen
Wettbewerbsvorteile gewinnen. 1. Aufl., Addison-Wesley, München 2000.
[Grover et al. 1996]
Grover, Varun; Cheon, Myun Joong; Teng, James T. C.: The Effect of Service
Quality and Partnership on the Outsourcing of Information Systems Functions.
In: Journal Of Management Information Systems 12 (1996) 4, S. 89-116.
[Hair et al. 2009]
Hair, Joseph F.; Black, William C.; Babin, Barry J.; Anderson, Rolph E.:
Multivariate Data Analysis. seventh. Aufl., Prentice Hall, Upper Saddle River,
NJ 2009.
[Hair Jr et al. 1998]
Hair Jr, Joseph F.; Anderson, Rolph E.; Tatham, Ronald L.; Black, William C.:
Multivariate Data Analysis. Prentice Hall, Upper Saddle River (New Jersey)
1998.
[Hair Jr et al. 2011]
Hair Jr, Joseph F.; Ringle, Christian M.; Sarstedt, Marko: PLS-SEM: Indeed a
Silver Bullet. In: Journal of Marketing Theory and Practice 19 (2011) 2, S. 139-
151.
[Hakes 1996]
Hakes, Chris: The corporate self assessment handbook: For measuring business
excellence. 3. Aufl., Chapman & Hall, London 1996.
[Hatcher, Prentice 2004]
Hatcher, Don; Prentice, Bill: The Evolution of Information Management. In:
Business Intelligence Journal 9 (2004) 2, S. 49-56.
[Henderson, Venkatraman 1993]
Henderson, John C.; Venkatraman, Natarajan: Strategic alignment: Leveraging
information technology for transforming organizations. In: IBM Systems
Journal 32 (1993) 1, S. 4-16.
clxx Literaturverzeichnis
[Henschen 2007]
Henschen, Doug: HP Touts Neoview Win, Banking Solution, BI Maturity
Model. In: Intelligent Enterprise 10 (2007) 10, S. 9.
[Hevner et al. 2004]
Hevner, Alan R.; March, Salvatore T.; Park, Jinsoo; Ram, Sudha: Design
Science in Information Systems Research. In: MIS Quarterly 28 (2004) 1, S.
75-105.
[Hewlett 2009]
Hewlett, Packard: The HP Business Intelligence Maturity Model: Describing
the BI journey. Hewlett-Packard Development Company L.P. 2009.
[Holland, Light 2001]
Holland, Christopher P.; Light, Ben: A stage maturity model for enterprise
resource planning systems use. In: SIGMIS Database 32 (2001) 2, S. 34-45.
[Humphrey 1988]
Humphrey, W. S.: Characterizing the Software Process: A Maturity
Framework. In: IEEE Software 5 (1988) 2, S. 73-79.
[ICIS 2012]
ICIS: ICIS 2012 Track Description: Economics and Value of IS.
http://icis2012.aisnet.org/index.php/tracks/78-economics-and-value-of-is, Abruf
am 25.04.2012.
[Inmon et al. 2008]
Inmon, William H.; Strauss, Derek; Neushloss, Genia: DW 2.0: The
Architecture for the Next Generation of Data Warehousing. Elsevier Science,
Amsterdam 2008.
[Jarvis et al. 2003]
Jarvis, Cheryl Burke; MacKenzie, Scott B.; Podsakoff, Philip M.: A Critical
Review of Construct Indicators and Measurement Model Misspecification in
Marketing and Consumer Research. In: Journal of Consumer Research 30
(2003) 2, S. 199-218.
[Joachim et al. 2011]
Joachim, Nils; Beimborn, Daniel; Weitzel, Tim: An Instrument for Measuring
SOA Maturity. In: Icis 2011 2011.
[Kazanjian 1988]
Kazanjian, Robert K.: Relation of dominant problems to stages growth in
technology-based new ventures. In: Academy of Management Journal 31
(1988) 2, S. 257-279.
[Kazanjian, Drazin 1989]
Kazanjian, Robert K.; Drazin, Robert: An empirical test of a stage of growth
progression model. In: Management Science 35 (1989) 12, S. 1489-1503.
[Kemper, Pedell 2008]
Kemper, Hans-Georg; Pedell, Burkhard: Business Intelligence im Controlling -
Ergebnisse einer empirischen Studie. Lehrstühle Wirtschaftsinformatik 1 und
Controlling Universität Stuttgart, Stuttgart 2008.
[Kimball et al. 2008]
Kimball, Ralph; Ross, Margy; Thornthwaite, Warren; Mundy, Joy; Becker,
Bob: The Data Warehouse Lifecycle Toolkit. 2. Aufl., John Wiley & Sons,
New York 2008.
Literaturverzeichnis clxxi

[King, Kraemer 1984]
King, John Leslie; Kraemer, Kenneth L.: Evolution and Organizational
Information Systems: An Assessment of Nolan's Stage Model. In:
Communications of the ACM 27 (1984) 5, S. 466-475.
[Klimko 2001]
Klimko, Gabor: Knowledge Management and Maturity Models: Building
Common Understanding. In, Bled, Slovenien 2001, S. 269–278.
[Kline 1999]
Kline, Paul: Handbook of Psychological Testing. 2. Aufl., Routledge, London
1999.
[Knackstedt et al. 2009]
Knackstedt, Ralf; Pöppelbuß, Jens; Becker, Jörg: Vorgehensmodell zur
Entwicklung von Reifegradmodellen. In, Wien 2009, S. 535-544.
[Lahrmann 2011]
Lahrmann, Gerrit: Strategieentwicklung für die effektive und effiziente
Informationsversorgung in Unternehmen - Ein integrierter Ansatz für die
Informationslogistik. Dissertation, Institut fürWirtschaftsinformatik Universität
St. Gallen, St. Gallen 2011.
[Lahrmann et al. 2011]
Lahrmann, Gerrit; Marx, Frederik; Mettler, Tobias; Winter, Robert; Wortmann,
Felix: Inductive Design of Maturity Models: Applying the Rasch Algorithm for
Design Science Research. In: Jain, Hemant et al. (Hrsg.): Proc. DESRIST 2011
2011, S. 176-191.
[Lahrmann et al. 2010]
Lahrmann, Gerrit; Marx, Frederik; Winter, Robert; Wortmann, Felix: Business
Intelligence Maturity Models: An Overview. In: D'Atri, Alessandro et al.
(Hrsg.): VII Conference of the Italian Chapter of AIS (itAIS 2010). Italian
Chapter of AIS, Naples, Italy 2010.
[Laudon, Laudon 2006]
Laudon, Kenneth C.; Laudon, Jane P.: Management Information Systems -
Managing the Digital Firm. 10. Aufl., Prentice-Hall, Upper Saddle River, NJ
2006.
[Linacre, Wright 1998]
Linacre, John M.; Wright, Benjamin D.: Bigsteps Rasch Software, Version
2.82. http://www.winsteps.com/bigsteps.htm, Abruf am 06.05.2013.
[Luftman, Ben-Zvi 2010]
Luftman, Jerry N.; Ben-Zvi, Tal: Key Issues for IT Executives 2009. In: MISQ
Executive 9 (2010) 1, S. 49-59.
[Luhn 1958]
Luhn, Hans Peter: A Business Intelligence System. In: IBM Journal of
Research and Development 2 (1958) 4, S. 314-319.
[Lukman et al. 2011]
Lukman, Tomaz; Hackney, Ray; Popovic, Ales; Jaklic, Jurij; Irani, Zahir:
Business Intelligence Maturity: The Economic Transitional Context Within
Slovenia. In: Information Systems Management 28 (2011) 3, S. 211-222.
[Maier et al. 2009]
clxxii Literaturverzeichnis
Maier, Anja M.; Moultrie, James; Clarkson, P. John: Developing maturity grids
for assessing organisational capabilities: Practitioner guidance. Engineering
Design Centre Engineering Department University of Cambridge, Cambridge,
England 2009.
[March, Smith 1995]
March, Salvatore T.; Smith, Gerald F.: Design and Natural Science Research on
Information Technology. In: Decision Support Systems 15 (1995) 4, S. 251-
266.
[Matney, Larson 2004]
Matney, Denise; Larson, Deanne: The Four Components of BI Governance. In:
Business Intelligence Journal 9 (2004) 3, S. 29-36.
[McCormack et al. 2009]
McCormack, Kevin; Willems, Jurgen; van den Bergh, Joachim;
Deschoolmeester, Dirk; Willaert, Peter; Štemberger, Mojca Indihar; Škrinjar,
Rok; Trkman, Peter; Bronzo Ladeira, Marcelo; Valadares de Oliveira, Marcos
Paulo; Bosilj Vuksic, Vesna; Vlahovic, Nikola: A Global Investigation of Key
Turning Points in Business Process Maturity. In: Business Process Management
Journal 15 (2009) 5, S. 792-815.
[McDonald 2010]
McDonald, Mark: Without the Business in Business Intelligence, BI Is Dead!
http://blogs.gartner.com/mark_mcdonald/2010/02/11/without-the-business-in-
business-intelligence-bi-is-dead/, Abruf am 05.01.2012.
[Mettler 2010]
Mettler, Tobias: Supply Management im Krankenhaus: Konstruktion und
Evaluation eines konfigurierbaren Reifegradmodells zur zielgerichteten
Gestaltung. Dissertation, Institut für Wirtschaftsinformatik / Universität St.
Gallen 2010.
[Mettler, Rohner 2009]
Mettler, Tobias; Rohner, Peter: Situational Maturity Models as Instrumental
Artifacts for Organizational Design. In: 4th International Conference on Design
Science Research in Information Systems and Technology (DESRIST 2009),
Philadelphia, PA 2009, S. 9.
[Mettler et al. 2009]
Mettler, Tobias; Rohner, Peter; Winter, Robert: Towards a Classification of
Maturity Models in Information Systems. In: D'Atri, Alessandro et al. (Hrsg.):
itAIS 2009 - 6th Conference of the Italian Chapter of AIS, Costa Smeralda,
Italy 2009.
[Miles, Hubermann 1994]
Miles, Matthew B.; Hubermann, Michael A.: Qualitative Data Analysis: A
Sourcebook of New Methods. Sage, Newburry Park, CA 1994.
[Miller, Friesen 1980]
Miller, Danny; Friesen, Peter H.: Momentum and Revolution in Organizational
Adaptation. In: Academy Of Management Journal 23 (1980) 4, S. 591-614.
[Moore, Benbasat 1991]
Moore, Gary; Benbasat, Izak: Development of an instrument to measure the
perceptions of adopting an information technology innovation. In: Information
Systems Research 2 (1991) 3, S. 192-222.
Literaturverzeichnis clxxiii

[Moore 2002]
Moore, Geoffrey A.: Crossing the Chasm: Marketing and Selling Disruptive
Products to Mainstream Customers. Revised Edition. Aufl., HarperBusiness
2002.
[Morse 1994]
Morse, Janice M.: Designing Funded Qualitative Research. In: Denzin, N. K.;
Lincoln, Y. S. (Hrsg.): Handbook of Qualitative Research. Sage Publications,
Thousand Oaks, CA 1994, S. 220-135.
[Negash 2004]
Negash, Solomon: Business Intelligence. In: Communications of the
Association for Information Systems 13 (2004), S. 177-195.
[Negash, Gray 2008]
Negash, Solomon; Gray, Paul: Business Intelligence. In: Burstein, Frada;
Holsapple, Clyde W. (Hrsg.): Handbook on Decision Support Systems 2.
Springer, Berlin, Heidelberg 2008, S. 175-193.
[Nolan 1973]
Nolan, Richard L.: Managing the Computer Resource: A Stage Hypothesis. In:
Communications of the ACM 16 (1973) 7, S. 399-405.
[Nunamaker Jr et al. 1991]
Nunamaker Jr, Jay F.; Chen, Minder; Purdin, Titus D. M.: Systems
Development in Information Systems Research. In: Journal of Management
Information Systems 7 (1991) 3, S. 89-106.
[Nunnally, Bernstein 1994]
Nunnally, J. C.; Bernstein, I. H.: Psychometric theory. 3rd. Aufl., McGraw-Hill,
New York 1994.
[Ocu 2013]
Ocu: Maturity Model for Institutional Intelligence v1.0. Oficina de Cooperación
Universitaria, Madrid, Spain 2013.
[Office of Government 2007]
Office of Government, Commerce: ITIL - Official Introduction to the ITIL
Service Lifecycle. TSO, London 2007.
[Ong et al. 2011]
Ong, In Lih; Siew, Pei Hwa; Wong, Siew Fan: Assessing Organizational
Business Intelligence Maturity. In: Icimu 2011, Kuala Lumpur, Malaysia 2011.
[Paulk et al. 1993a]
Paulk, Mark C.; Curtis, Bill; Chrissis, Mary Beth; Weber, Charles V.:
Capability Maturity Model (SM) for Software, Version 1.1. Pittsburgh, PA
1993a.
[Paulk et al. 1993b]
Paulk, Mark C.; Curtis, Bill; Chrissis, Mary Beth; Weber, Charles V.:
Capability Maturity Model, Version 1.1. In: IEEE Software 10 (1993b) 4, S.
18-27.
[Paulzen et al. 2002]
Paulzen, Oliver; Doumi, Maria; Perc, Primoz; Cereijo-Roibas, Anxo: A
Maturity Model for Quality Improvement in Knowledge Management. In: Acis
2002, Melbourne, Australia 2002.
[Peffers et al. 2012]
clxxiv Literaturverzeichnis
Peffers, Ken; Rothenberger, Marcus; Kuechler, Bill: Design Science Research
Evaluation. In, 14.05.2012 2012, S. 398-410.
[Peffers et al. 2006]
Peffers, Ken; Tuunanen, Tuure; Gengler, Charles E.; Rossi, Matti; Hui, Wendy;
Virtanen, Ville; Bragge, Johanna: The Design Science Research Process: A
Model for Producing and Presenting Information Systems Research. In:
Chatterjee, Samir; Hevner, Alan (Hrsg.): 1st International Conference on
Design Science in Information Systems and Technology, Claremont, CA 2006,
S. 83-106.
[Peffers et al. 2007]
Peffers, Ken; Tuunanen, Tuure; Rothenberger, Marcus A.; Chatterjee, Samir: A
Design Science Research Methodology for Information Systems Research. In:
Journal of Management Information Systems 24 (2007) 3, S. 45–77.
[Petter et al. 2008]
Petter, Stacie; DeLone, William H.; McLean, Ephraim: Measuring information
systems success: models, dimensions, measures, and interrelationships. In:
European Journal of Information Systems 17 (2008), S. 236-263.
[Pettey 2010]
Pettey, Christy; van der Meulen, Rob: Gartner EXP Worldwide Survey of
Nearly 1,600 CIOs Shows IT Budgets in 2010 to be at 2005 Levels.
http://www.gartner.com/it/page.jsp?id=1283413, Abruf am 16.04.2013.
[Pfeffer, Sutton 1999]
Pfeffer, Jeffrey; Sutton, Robert: Knowing "What" To do is not enough: Turning
knowledge into action. In: California Management Review 42 (1999) 1, S. 83-
108.
[Podsakoff et al. 2003]
Podsakoff, Philip M.; MacKenzie, Scott B.; Lee, Jeong-Yeon; Podsakoff,
Nathan P.: Common Method Biases in Behavioral Research - A Critical Review
of the Literature and Recommended Remedies. In: Journal of Applied
Psychology 88 (2003) 5, S. 879-903.
[Poeppelbuss et al. 2011]
Poeppelbuss, Jens; Niehaves, Björn; Simons, Alexander; and Becker, Jörg:
Maturity Models in Information Systems Research: Literature Search and
Analysis. In: Communications Of The Association For Information Systems 29
(2011) 1, S. 505-532.
[Popovic et al. 2009]
Popovic, Ales; Coelho, Pedro Simões; Jakli?, Jurij: The impact of business
intelligence system maturity on information quality. In: Information Research
14 (2009) 4.
[Pöppelbuß, Röglinger 2011]
Pöppelbuß, Jens; Röglinger, Maximilian: What Makes a Useful Maturity
Model? A Framework of General Design Principles for Maturity Models and Its
Demonstration in Business Process Management. In: Tuunainen, Virpi Kristiina
et al. (Hrsg.): European Conference on Information Systems (ECIS), Helsinki,
Finland 2011, S. 336-347.
[Pries-Heje et al. 2008]
Literaturverzeichnis clxxv

Pries-Heje, Jan; Baskerville, Richard L.; Venable, John: Strategies for design
science research evaluation. 16th European Conference on Information
Systems, Galway, Ireland 2008, S. 255-266.
[Raber 2013]
Raber, David: Evaluation of a Business Intelligence Maturity Model: The
Reliability Perspective. In: 7th International Conference on Research and
Practical Issues of Enterprise Information Systems (Confenis 2013), Prague
2013.
[Raber et al. 2012]
Raber, David; Winter, Robert; Wortmann, Felix: Using Quantitative Analyses
to Construct a Capability Maturity Model for Business Intelligence. In: 45th
Hawaii International Conference on System Sciences 2012 (HICSS-45), Grand
Wailea, Maui, HI 2012, S. 4219-4228.
[Raber et al. 2013]
Raber, David; Wortmann, Felix; Winter, Robert: Towards the Measurement of
Business Intelligence Maturity. In: 21st European Conference on Information
Systems (ECIS 2013), Utrecht 2013.
[Ramamurthy et al. 2008]
Ramamurthy, Keshavamurthy; Sen, Arun; Sinha, Atish P.: An empirical
investigation of the key determinants of data warehouse adoption. In: Decision
Support Systems 44 (2008) 4, S. 817-841.
[Ramasubbu et al. 2008]
Ramasubbu, Narayan; Mithas, Sunil; Krishnan, M. S.; Kemerer, Chris F.: Work
Dispersion, Process-based Learning, and Offshore Software Development
Performance. In: MIS Quarterly 32 (2008) 2, S. 437-458.
[Rayner, Schlegel 2008]
Rayner, Nigel; Schlegel, Kurt: Maturity Model Overview for Business
Intelligence and Performance Management. Gartner, Stamford 2008.
[Richardson, Bitterer 2010]
Richardson, James; Bitterer, Andreas: Findings: The Risks of Losing Faith in
BI. Gartner, Stamford 2010.
[Ringle et al. 2005]
Ringle, Christian; Wende, Sven; Will, Alexander: SmartPLS 2.0. University of
Hamburg, Hamburg 2005.
[Rockart, Treacy 1980]
Rockart, John F.; Treacy, Michael E.: Executive Information Support Systems.
Cambridge, MA 1980.
[Romanelli, Tushman 1994]
Romanelli, Elaine; Tushman, Michael L.: Organizational Transformation as
Punctuated Equilibrium: An Empirical Test. In: Academy Of Management
Journal 37 (1994) 5, S. 1141-1166.
[Rosemann, De Bruin 2005]
Rosemann, Michael; De Bruin, Tonia: Towards a Business Process
Management Maturity Model. In: Bartmann, D. et al. (Hrsg.): Thirteenth
European Conference On Information Systems (Ecis2005), Regensburg 2005.
[Rossi, Sein 2003]
clxxvi Literaturverzeichnis
Rossi, Matti; Sein, Maung K.: Design Research Workshop: A Proactive
Research Approach. In, Haikko 2003.
[Sabherwal, Chan 2001]
Sabherwal, Rajiv; Chan, Yolande E.: Alignment Between Business and IS
Strategies: A Study of Prospectors, Analyzers, and Defenders. In: Information
Systems Research 12 (2001) 1, S. 11-33.
[Sabherwal et al. 2006]
Sabherwal, Rajiv; Jeyaraj, Anand; Chowa, Charles: Information System
Success: Individual and Organizational Determinants. In: Management Science
52 (2006) 12, S. 1849-1864.
[Sacu 2010]
Sacu, Catalina: DWCMM: The Data Warehouse Capability Maturity Model.
Diploma, Utrecht University 2010.
[Sacu, Spruit 2010]
Sacu, Catalina; Spruit, Marco: BIDM - The Business Intelligence Development
Model. 12th International Conference on Enterprise Information Systems.
SciTePress 2010.
[Sas Institute 2009]
Sas Institute, Inc: Information Evolution Model.
http://www.sas.com/software/iem/, Abruf am 02.05.2013.
[Schulze et al. 2009]
Schulze, Klaus-Dieter; Besbak, Ursula; Dinter, Barbara; Overmeyer,
Alexander; Schulz-Sacharow, Christoph; Stenzel, Elmar: Business Intelligence-
Studie 2009. Steria Mummert Consulting AG, Hamburg 2009.
[Seawright, Gerring 2008]
Seawright, J.; Gerring, J.: Case selection techniques in case study research. In:
Political Research Quarterly 61 (2008) 2, S. 294-308.
[Seddon 1997]
Seddon, Peter B.: A Respecification and Extension of the DeLone and McLean
Model of IS Success. In: Information Systems Research 8 (1997) 3, S. 240-253.
[Sen et al. 2011]
Sen, Arun; Ramamurthy, K.; Sinha, Atish P.: A Model of Data Warehousing
Process Maturity. In: IEEE Transactions On Software Engineering 99 (2011).
[Sen et al. 2006]
Sen, Arun; Sinha, Atish P.; Ramamurthy, Keshavamurthy: Data Warehousing
Process Maturity: An Exploratory Study of Factors Influencing User
Perceptions. In: IEEE Transactions on Engineering Management 53 (2006) 3,
S. 440-455.
[Services 2009]
Services, I. B. M. Global Business: The New Voice of the CIO. IBM Global
Services, Somers, NY 2009.
[Simpson, Weiner 1989]
Simpson, John A.; Weiner, Edmund S. C.: The Oxford English Dictionary. 2.
Aufl., Oxford University Press, Oxford, UK 1989.
[Soanes, Stevenson 2008]
Soanes, Catherine; Stevenson, Angus: Concise Oxford English Dictionary. 11th
revised. Aufl., Oxford University Press Inc., New York, NY 2008.
Literaturverzeichnis clxxvii

[Solli-Sæther, Gottschalk 2010]
Solli-Sæther, Hans; Gottschalk, Petter: The modeling process for stage models.
In: Journal of Organizational Computing and Electronic Commerce 20 (2010)
3, S. 279-293.
[Son et al. 2005]
Son, Sertac; Weitzel, Tim; Laurent, Francois: Designing a Process-Oriented
Framework for IT Performance Management Systems. In: The Electronic
Journal Information Systems Evaluation 8 (2005) 3, S. 219-228.
[Sonnenberg, vom Brocke 2012]
Sonnenberg, Christian; vom Brocke, Jan: Evaluations in the Science of the
Artificial - Reconsidering the Build-Evaluate Pattern in Design Science
Research. In: 2012, S. 381-397.
[Straub et al. 2004]
Straub, Detmar; Boudreau, Marie-Claude; and Gefen, David: Validation
Guidelines for IS Positivist Research. In: Communications Of The Association
For Information Systems 13 (2004) 1.
[Strauss, Corbin 1990]
Strauss, Anselm L.; Corbin, Juliet: Basics of Qualitative Research: Grounded
Theory Procedures and Techniques. Sage, Newbury Park 1990.
[Strauss, Corbin 1998]
Strauss, Anselm L.; Corbin, Juliet: Basics of Qualitative Research: Techniques
and Procedures for Developing Grounded Theory. 2. Aufl., Sage, Newbury
Park 1998.
[Stuart et al. 2002]
Stuart, I.; McCutcheon, D.; Handfield, R.; McLachlin, R.; Samson, D.:
Effective case research in operations management: a process perspective. In:
Journal of Operations Management 20 (2002) 5, S. 419-433.
[Subramani 2004]
Subramani, Mani: How Do Suppliers Benefit from Information Technology
Use in Supply Chain Relationships? In: MIS Quarterly 28 (2004) 1, S. 45-73.
[Tan et al. 2011]
Tan, Chee-Sok; Sim, Yee-Wai; Yeoh, William: A Maturity Model of Enterprise
Business Intelligence. In: Communications of the IBIMA 2011 (2011), S. 1-11.
[Teo, King 1997]
Teo, Thompson S. H.; King, William R.: Integration between Business
Planning and Information Systems Planning: An Evolutionary-Contingency
Perspective. In: Journal of Management Information Systems 14 (1997) 1, S.
185-214.
[Töpfer 2008]
Töpfer, Jochen: Active Enterprise Intelligence. In: Töpfer, Jochen; Winter,
Robert (Hrsg.): Active Enterprise Intelligence. Springer, Berlin, Heidelberg
2008, S. 1-28.
[Tremblay et al. 2010]
Tremblay, Monica Chiarini; Hevner, Alan R.; Berndt, Donald J.: Focus Groups
for Artifact Refinement and Evaluation in Design Research. In:
Communications of the Association for Information Systems 26 (2010) 27, S.
599-618.
clxxviii Literaturverzeichnis
[Vaishnavi, Kuechler 2004]
Vaishnavi, Vijay K.; Kuechler, William: Design Research in Information
Systems.
http://ais.affiniscape.com/displaycommon.cfm?an=1&subarticlenbr=279, Abruf
am 06.05.2013.
[Vaishnavi, Kuechler 2007]
Vaishnavi, Vijay K.; Kuechler, William, Jr.: Design Science Research Methods
and Patterns: Innovating Information and Communication Technology.
Auerbach Publications, New York, NY 2007.
[van Steenbergen et al. 2010]
van Steenbergen, Marlies; Bos, Rik; Brinkkemper, Sjaak; van de Weerd, Inge;
and Bekkers, Willem: The design of focus area maturity models. In: 5th
International Conference on Design Science Research in Information Systems
and Technology (DESRIST 2010), St. Gallen, Switzerland 2010, S. 317-332.
[Venable 2006]
Venable, John: The Role of Theory and Theorising in Design Science Research.
In: Chatterjee, Samir; Hevner, Alan (Hrsg.): Desrist 2006, Claremont, CA 2006,
S. 1-18.
[Venable et al. 2012]
Venable, John; Pries-Heje, Jan; Baskerville, Richard L.: A Comprehensive
Framework for Evaluation in Design Science Research. In: 2012, S. 423-438.
[Vierkorn, Friedrich 2008]
Vierkorn, Steffen; Friedrich, Dirk: Organization of Business Intelligence.
BARC Institute, Würzburg 2008.
[Vierkorn, Friedrich 2010]
Vierkorn, Steffen; Friedrich, Dirk: Organization of Business Intelligence.
BARC Institute, Würzburg 2010.
[Wallace et al. 1980]
Wallace, Marc J.; Szilagyi, Andrew D.; Ivancevich, John M.: Organizational
Behaviour and Performance. Goodyear, Santa Monica 1980.
[Walls et al. 2004]
Walls, Joseph G.; Widmeyer, George R.; El Sawy, Omar A.: Assessing
Information Systems Design Theory in Perspective: How Useful was our 1992
Initial Rendition? In: Journal of Information Technology Theory and
Application 6 (2004) 2, S. 43-58.
[Ward 2012]
Ward, John M.: Information systems strategy: Quo vadis? In: Journal Of
Strategic Information Systems 21 (2012) 2, S. 165-171.
[Watson et al. 2001]
Watson, Hugh J.; Ariyachandra, Thilini R.; Matyska Jr, Robert J.: Data
Warehousing Stages of Growth. In: Information Systems Management 18
(2001) 3, S. 42-50.
[Watson et al. 2004]
Watson, Hugh J.; Fuller, Celia; Ariyachandra, Thilini R.: Data warehouse
governance: best practices at Blue Cross and Blue Shield of North Carolina. In:
Decision Support Systems 38 (2004) 3, S. 435-450.
[Watson, Wixom 2007]
Literaturverzeichnis clxxix

Watson, Hugh J.; Wixom, Barbara H.: The Current State of Business
Intelligence. In: IEEE Computer 40 (2007) 9, S. 96-99.
[Webster, Watson 2002]
Webster, Jane; Watson, Richard T.: Analyzing the Past to prepare for the
Future: Writing a Literature Review. In: MIS Quarterly 26 (2002) 2, S. 13-23.
[Weill, Olson 1989]
Weill, Peter; Olson, Margrethe H.: An Assessment of the Contingency Theory
of Management Information Systems. In: Journal of Management Information
Systems 6 (1989) 1, S. 59-85.
[Williams, Williams 2007]
Williams, Steve; Williams, Nancy: The profit impact of business intelligence.
Morgan Kaufmann, San Francisco, CA 2007.
[Winter 2008]
Winter, Robert: Design Science Research in Europe. In: European Journal of
Information Systems 17 (2008) 5, S. 470-475.
[Winter, Baskerville 2010a]
Winter, Robert; Baskerville, Richard L.: Methodik der Wirtschaftsinformatik.
In: Wirtschaftsinformatik 52 (2010a) 5, S. 257-258.
[Winter, Baskerville 2010b]
Winter, Robert; Baskerville, Richard L.: Science of Business & Information
Systems Engineering. In: Business & Information Systems Engineering 2
(2010b) 5, S. 269-270.
[Winter et al. 2011]
Winter, Robert; Bischoff, Stefan; Wortmann, Felix: Revolution or Evolution?
Reflections on In-Memory Appliances from an Enterprise Information Logistics
Perspective. In: Lehner, Wolfgang; Piller, Gunther (Hrsg.): Tagung Innovative
Unternehmensanwendungen mit In-Memory Data Management (IMDM 2011),
Mainz 2011, S. 23-34.
[Winter et al. 2009]
Winter, Robert; Gericke, Anke; Bucher, Tobias: Method versus Model – Two
Sides of the Same Coin? In: Albani, Antonia et al. (Hrsg.): 5th International
Workshop, CIAO! 2009, and 5th International Workshop, EOMAS 2009,
Amsterdam 2009, S. 1-15.
[Winter et al. 2008]
Winter, Robert; Schmaltz, Moritz; Dinter, Barbara; Bucher, Tobias: Das St.
Galler Konzept der Informationslogistik. In: Dinter, Barbara; Winter, Robert
(Hrsg.): Integrierte Informationslogistik. Springer, Berlin 2008, S. 1-16.
[Wixom, Todd 2005]
Wixom, Barbara H.; Todd, Peter A.: A Theoretical Integration of User
Satisfaction and Technology Acceptance. In: Information Systems Research 16
(2005) 1, S. 85-102.
[Wixom, Watson 2001]
Wixom, Barbara H.; Watson, Hugh J.: An Empirical Investigation of the
Factors Affecting Data Warehousing Success. In: MIS Quarterly 25 (2001) 1, S.
17-41.
[Wixom, Watson 2010]
clxxx Literaturverzeichnis
Wixom, Barbara H.; Watson, Hugh J.: The BI-Based Organization. In:
International Journal of Business Intelligence Research 1 (2010) 1, S. 13-28.
[Wixom et al. 2004]
Wixom, Barbara H.; Watson, Hugh J.; Anderson-Lehman, Ron; Hoffer, Jeffrey
A.: Continental Airlines Flies High with Real-Time Business Intelligence. In:
MIS Quarterly Executive 3 (2004) 4, S. 163-176.
[Wixom et al. 2008]
Wixom, Barbara H.; Watson, Hugh J.; Reynolds, Anne Marie; Hoffer, Jeffrey
A.: Continental Airlines Continues to Soar with Business Intelligence. In:
Information Systems Management 25 (2008) 2, S. 102-112.
[Wolff 2010]
Wolff, Tanja: McKinsey: Die CIO-Agenda 2011.
http://www.cio.de/strategien/2255915/index3.html, Abruf am 07.12.2012.
[Yeoh, Koronios 2010]
Yeoh, William; Koronios, Andy: Critical Success Factors for Business
Intelligence Systems. In: Journal Of Computer Information Systems 50 (2010)
3, S. 23-32.
[Yin 2009]
Yin, Robert K.: Case Study Research: Design and Methods. 4. Aufl., Sage
Publications, Los Angeles 2009.
[Zeller, Carmines 1980]
Zeller, Richard A.; Carmines, Edward G.: Measurement in the Social Sciences:
The Link Between Theory and Data. Cambridge University Press, Cambridge
1980.
[Zheng et al. 2012]
Zheng, Zhiqiang; Fader, Peter; Padmanabhan, Balaji: From Business
Intelligence to Competitive Intelligence: Inferring Competitive Measures Using
Augmented Site-Centric Data. In: Information Systems Research 23 (2012) 3,
S. 698-720.
[Zhu et al. 2004]
Zhu, Kevin; Kraemer, Kenneth L.; Dedrick, Jason: Information Technology
Payoff in E-Business Environments: An International Perspective on Value
Creation of E-Business in the Financial Services Industry. In: Journal Of
Management Information Systems 21 (2004) 1, S. 17-54.


Curriculum Vitae


Personal Information

Name David Raber
Date of Birth 06.11.1984
Place of Birth Saarbrücken, Germany
Nationality German

Education

2010-2013 University of St. Gallen, Switzerland
Ph.D. Program in Management (Business Innovation)

2008-2009 Saarland University, Germany
Master's Program in Computer Science

2005-2008 Saarland University, Germany
Bachelor's Program in Computer Science

1995-2004 Warndt-Gymnasium Völklingen, Germany
A-Levels

Work Experience

2010-2014 SAP (Schweiz) AG, St. Gallen, Switzerland
Research Associate

2010-2013 University of St. Gallen (Chair of Prof. Dr. R. Winter)
Institute of Information Management, St. Gallen, Switzerland
Research Assistant

2007-2009 Saarstahl AG, Völklingen, Germany
Student assistant at the department for information and
communication systems.


doc_701452723.pdf