ROLAND M. MÜLLER HANS-JOACHIM LENZ. Business Intelligence
|
|
- Martin Bretz
- vor 8 Jahren
- Abrufe
Transkript
1 ROLAND M. MÜLLER HANS-JOACHIM LENZ Business Intelligence
2 examen.press
3 examen.press ist eine Reihe, die Theorie und Praxis aus allen Bereichen der Informatik für die Hochschulausbildung vermittelt.
4 Roland M. Müller Hans-Joachim Lenz Business Intelligence
5 Roland M. Müller Hochschule für Wirtschaft und Recht Berlin Berlin, Deutschland Hans-Joachim Lenz Freie Universität Berlin Berlin, Deutschland ISSN ISBN DOI / ISBN (ebook) Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar. Springer Vieweg Springer-Verlag Berlin Heidelberg 2013 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichenund Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Springer Vieweg ist eine Marke von Springer DE. Springer DE ist Teil der Fachverlagsgruppe Springer Science+Business Media
6 Vorwort Business Intelligence (BI), ist nach wie vor ein Modewort, verkauft sich gut und ist zu Recht aus dem Unternehmensalltag kaum mehr wegzudenken. Dies gilt insbesondere dann, wenn man sich in die sechziger bis achtziger Jahre zurückversetzt, wo jede Datenauswertung vom jeweiligen Abteilungsleiter beantragt, vom Rechenzentrumsleiter eines Unternehmens genehmigt und dann dort einzeln programmiert werden musste. Schlimmer noch, der zweite Autor kann sich gut an den Sommer 1964 erinnern, wo er in einem namhaften deutschen Großunternehmen als Werkstudent beschäftigt war. Eine unzweckmäßige Programmierung von sog. Tabellierungen führte zu seitenlangen Papierausdrucken einen Papierstapel von gut 25 cm Höhe. Dieser Ausdruck enthielt die Kupferpreise auf den internationalen Weltmärkten gruppiert nach diversen Kriterien. Die Aufgabe bestand darin, die Daten manuell so zu komprimieren, dass der zuständige Abteilungsleiter imstande und bereit war, sie in Tabellenform zu analysieren. Medienbrüche wie diese waren übrigens bis weit in die neunziger Jahre hinein durchaus an der Tagesordnung in der deutschen Wirtschaft. Es stellt sich wie bei jedem Buch die Frage, wozu noch ein Buch über Business Intelligence geschrieben werden muss. Wir haben dazu, glauben wir, gute Gründe. Zuerst einmal wollen wir unseren ehemaligen Kollegen der Wirtschaftsinformatik an der Humboldt-Universität zu Berlin, den jetzigen Präsidenten der Universität Potsdam und in Personalunion der deutschen Gesellschaft für Informatik (GI), Oliver Günther, dafür verantwortlich machen; denn er war es, der den Anstoß zu diesem Projekt gab. Ohne seinen Motivationsschub am Anfang hätte unser Baby nie das Licht der Welt erblickt. Weiterhin trieb uns an, dass es zweifelsfrei ausgezeichnete englischsprachige Literatur zur BI gibt, diese aber oft von Informatikern geschrieben wurde und Business mehr Etikett oder Alibi ist als die betriebswirtschaftliche Anwendungsdomäne. Wie der Begriff Intelligence deutlich macht, spielt die Auswertung von Daten bei BI eine entscheidende Rolle und zwar im betrieblichen, nicht primär im technischen oder gar naturwissenschaftlichen Bereich. Wir bringen gern BI auf die Formel Business Intelligence = 50 % Betriebswirtschaft/Operations Research + 25 % Data Mining/Statistik + 25 % Data Warehousing. Dies bedeutet, dass die oben angesprochene Gruppe von Büchern unserer Einschätzung nach zu etwa 50 % Lücken an betriebswirtschaftlichen Anwendungen aufweisen. Diese zu V
7 VI Vorwort füllen bzw. eine Brücke zwischen Informatik, Statistik, Operations Research und Betriebswirtschaft (BWL) zu schlagen, sehen wir als eine wichtige Zielsetzung dieses Buches an. Zweifelsohne existieren gerade auch im deutschsprachigen Raum Bücher über BI. Diese sind aber aus unserer Sicht zu deskriptiv, d. h. sie gliedern, be- und umschreiben Phänomene anstatt die dahinter stehenden Probleme aufzugreifen, zu formalisieren und mit geeigneten Werkzeugen zu lösen. Auch mangelt es an illustrativen, methodisch nachvollziehbaren Beispielen und Fällen. Mit diesem Buch haben wir hartnäckig versucht, uns auf das Wie zu konzentrieren, und nicht nur auf das Was. Selbstverständlich haben wir die fachliche Einbettung der BI- Probleme in das betriebliche Umfeld nicht völlig außer Acht gelassen. Mit der Quantifizierung und Formalisierung der betrieblichen Fragestellungen und der Darstellung zugehöriger methodischer Lösungen von Business Intelligence, wie beispielsweise Data Mining, maschinelles Lernen, statistische Datenanalyse und Operations Research, haben wir uns ein vertracktes Darstellungsproblem eingehandelt: Die Vielfalt der Notationen in diesen Fachgebieten. So bezeichnet allein das Symbol π in der Mathematik eine Konstante, im Operations Research einen Schattenpreis beim linearen Optimieren, in der Datenbank- Theorie einen Projektionsoperator usw. In der Statistik werden Zufallsvariablen traditionell mit großen Buchstaben wie X, Y,... bezeichnet,imoperationsresearchüblicherweise nur in Ausnahmefällen, siehe Produktions- und Lagerhaltung bei stochastischer Nachfrage. Dafür werden wiederum (deterministische) Bestandsgrößen wie der Lagerbestand in Periode t, I t, mit großen Buchstaben bezeichnet. Nach reiflicher Überlegung haben wir uns entschlossen, in den einzelnen Kapiteln so weit wie möglich an den jeweiligen domänenspezifischen Bezeichnern festzuhalten. Die Idee einer einheitlichen, kapitelübergreifenden Notation haben wir bewusst verworfen. Unsere Herangehensweise an Business Intelligence ist natürlich durch etliche Forschungs- und Entwicklungsprojekte und die jahrzehntelange Lehrerfahrung im akademischen Bereich mitgeprägt. Dazu haben ganze Generationen von Studierenden beigetragen. Im Mittelpunkt stand dabei nie die reine Stoff- oder Faktenvermittlung, sondern eine spezifische Denkweise, wie BI in der Praxis erfolgversprechend einzusetzen ist: 1. Untersuchungsziele festlegen, 2. Datenbeschaffung durch Buchführung, Messen oder Schätzen, Herunterladen (engl. crawlen) von Inhalten aus dem Internet oder durch geplante Experimente, 3. Datenintegration in ein Data Warehouse in Verbindung mit effizienten Datenstrukturen für massive Datenmengen oder moderner ausgedrückt Big Data, 4. explorative Datenanalyse mittels statistischer, Data-Mining- oder maschineller Lernverfahren, sowie 5. Wissensgenerierung im Sinne von Knowledge Discovery in Databases (KDD) durch Interpretation, Visualisierung und Tabellierung der Ergebnisse. Wir wollen auch das an der Freien Universität Berlin in den Jahren durchgeführte kooperative Forschungsprojekt Global Business Intelligence Server (BussI) nicht
8 Vorwort VII unerwähnt lassen, das von der IBM Deutschland GmbH und der Forschungsgruppe der DaimlerChrysler, Berlin, finanziell, soft- und hardwaremäßig unterstützt wurde. Dessen Zielsetzung bestand darin, ausgewählte marktgängige BI-Methoden, insbesondere der Anbieter IBM, Microsoft, Oracle und SAP, zu testen bzw. anhand von Literatur zu sichten, wissenschaftlich einzuordnen und auf methodische Solidität zu untersuchen. Dies geschah getreu dem Motto: Rerum cognoscere causas (dt. Die Ursachen der Dinge erkennen ). Die vom BussI-Projektteam im Rahmen von Forschungsberichten, Diplomarbeiten und Dissertationen gesammelten Erkenntnisse haben Struktur und teilweise Inhalt dieses Buches mit geprägt. Der erste Autor hatte erste internationale Erfahrungen als BI-Berater im Silicon Valley zu den Hochzeiten des Dot-Com-Booms 1999 und 2000 sammeln dürfen. Ihm ist noch lebhaft ein ER-Diagramm mit hunderten Entitäten bei einem Kunden vor Augen, das eine ganze Wand füllte. Die Möglichkeit am Graduiertenkolleg Verteilte Informationssysteme (GKVI) zu promovieren mit so inspirierenden Professoren wie O. Günther sowie Kollegiaten wie M. Schaal und D. Asonov hat ihn nachhaltig wissenschaftlich geprägt. Die Arbeit am EU-Projekt PARMENIDES mit M. Spiliopoulou und an der Universität Twente mit J. van Hillegersberg sind weitere Erfahrungsgrundlagen für dieses Buch. Den zweiten Autor haben drei internationale Workshops nachhaltig beeinflusst, eine der Business Intelligence angemessene Denkweise zu erlernen. Einmal handelt es sich um den später berühmt gewordenen Edinburgh-Workshop über Statistik und Künstliche Intelligenz Ende der achtziger Jahre, veranstaltet von D. Hand und D. Spiegelhalter. Zum anderen sinddie imzwei-jahres-rhythmus stattfindenden WorkshopsAI and Statistics in Ft. Lauderdale zu nennen, die 1986 von den Bell Labs, USA, initiiert wurden. Last but not least gehört hierzu auch die Folge von Workshops in Udine, Italien, die die International School for the Synthesis of Expert Knowledge (ISSEK) alle zwei Jahre durchführte und die unsere Kollegen G. Della Riccia und R. Kruse ins Leben riefen. Abschließend sei uns noch eine Bemerkung zur Rolle von Wissen und Wissensgenerierung speziell im unternehmerischen Umfeld gestattet, die in diesem Buch im Vordergrund zu stehen scheint. Als in den sechziger Jahren am berühmten Institute for Advanced Studies, Princeton, A. Einstein von seinen naturwissenschaftlichen Kollegen zum Slogan Knowledge is Power befragt wurde, brachte er seine Sicht auf den Punkt mit der Antwort Phantasie ist wichtiger als Wissen. Dem haben wir nichts hinzuzufügen; denn Schumpeters Aussagen, ohne die Ideen von Unternehmern im Sinne von etwas unternehmen läuft die Wirtschaft nicht, gilt nach wie vor. Kurzum, Wissen wird nie allein Ersatz für unternehmerische, d. h. menschliche Kreativität sein [219, 294]. Soft- undhardware führen nicht zu intelligenten Maschinen, sondern waren, sind und bleiben für die Manager wertvolle, unverzichtbare Assistenten und Rechenknechte. Denn Wissen allein ist zwar notwendig, aber bekanntlich nicht hinreichend für erfolgreiches (wirtschaftliches) Handeln. Schließen wir mit G.C. Lichtenberg, der den Autoren dieses Buches Hoffnung gibt: Die Neigung des Menschen, kleine Dinge für nützlich zu halten, hat sehr viel Großes hervorgebracht.
9 VIII Vorwort Wir danken vielen unserer Kollegen für kritische Hinweise auf unklar formulierte Passagen im Manuskript, insbesondere K. Lenz, F. Klawonn und M. Soeffky. Besonders hervorheben wollen wir die Mitarbeiter und Mitarbeiterinnen vom Springer Verlag, Heidelberg, für ihr Engagement, uns jederzeit behilflich zu sein, und für ihre Geduld beim Warten darauf, dass wir das Manuskript abliefern. Wir widmen dieses Buch KT und MHS für deren Verständnis und Unterstützung. Berlin, Juni 2013 Roland M. Müller Hans-J. Lenz
10 Inhaltsverzeichnis Abkürzungs- und Symbolverzeichnis...XIII 1 Einführung Datenbereitstellung: Data Warehousing Einführung Data Warehouse Architektur Architekturkomponenten Architekturvarianten Datenintegration ETL-Prozess Schemakonflikte Datenkonflikte Datenqualität Kenngrößen der Qualitätsmessung Qualitätssicherungsprozess Datenqualitätsberichte Online Analytical Processing (OLAP) Anforderungen an OLAP Systeme Fakten und Dimensionen OLAP Grundoperationen Summierbarkeit Speicherarten Multidimensionale Datenmodellierung Multidimensionale Modellierungssprachen Star-Schema Snowflake-Schema Galaxie-Schema Fact-Constellation-Schema Historisierung Vorgehensweisen für die multidimensionale Modellierung IX
11 X Inhaltsverzeichnis 3 Data Mining Einführung Data Mining Prozess Datentypen von Inputdaten Data Mining Aufgaben Voraussetzung und Annahmen des Data Mining Data Mining Verfahren Clustering Assoziationsanalyse Klassifikation Allgemeine Struktur von Data Mining Algorithmen Text und Web Mining Text Mining Web Mining Methoden der Unternehmenssteuerung Prognose- und Szenariotechnik Prognoseverfahren Szenariotechnik Planung und Konsolidierung Planungsaktivitäten Planungswerkzeuge Konsolidierung Entscheidungsunterstützung Regelbasierte Expertensysteme Fallbasiertes Schließen Risikomanagement Risikomanagement Prozess Risikomaße Monitoring Controlling und Kennzahlensysteme Controlling Betriebliche Kennzahlensysteme Fehlerrückverfolgung Betrugsaufdeckung Datenbetrug Prävention Simulation Lineare Optimierung Informationsverteilung Berichtswesen
12 Inhaltsverzeichnis XI 5.2 Mobiles BI Visualisierung BI-Portale und Dashboards Integration von Wissensmanagement BI Tools und Anwendungsfelder BI Tools BI Anwendungsfelder Customer Relationship Analytics Web Analytics Competitive Intelligence Fallstudie Zusammenfassung und Ausblick Literatur Sachverzeichnis
13 Abkürzungs- und Symbolverzeichnis Abkürzungsverzeichnis 3D Drei Dimensionen ADAPT Application Design for Analytical Processing Technologies AktG Aktiengesetz ARC Administrative Record Census ARIMA Autoregressive Integrated Moving-Average Process ASA Aktivitäten-Scannen Ansatz avg arithmetisches Mittel B&B Branch and Bound BAM Business Activity Monitoring BASEL Regelungen der Basler Eigenkapitalvereinbarungen BDSG Bundesdatenschutzgesetz BI Business Intelligence BSC Balanced Scorecard BWL Betriebswirtschaftslehre CBR Case Based Reasoning CF Cash Flow CI Competitive Intelligence CLV Customer Lifetime Value count absolute Häufigkeit (Anzahl) CPM Corporate Performance Management CPT Conditional Probability Table CRISP-DM Cross-Industry Standard Process for Data Mining CRM Customer Relationship Management CSCW Computer Supported Cooperative Work DART Data Quality Reporting Tool DBMS Database Management System DBSCAN Dichtebasierte räumliche Clusteranalyse DIN Deutsche Industrienorm DM Data Mining XIII
14 XIV Abkürzungs- und Symbolverzeichnis DoE Design of Experiments DQ Data Quality DSS Decision Support System DW Data Warehousing EC Electronic Cash EIP Enterprise Information Portal EL Ereignisliste ERM Entity Relationship Model ERP Enterprise Ressource Planning ESA Ereignis Planungs Ansatz ETL Extraction Transformation Loading EUS Entscheidungsunterstützendes System F-Maß Harmonisches Mittel F&E Forschung und Entwicklung FASMI Fast Analysis of Shared Multidimensional Information FMEA Failure Mode and Effect Analysis FN False Negative Number FP False Positive Number GLS General Least Squares (Verallgemeinerte Kleinste-Quadrate) GmbHG GmbH Gesetz GPS Global Positioning System GuV Gewinn und Verlust HDFS Hadoop Distributed File System HGB Handelsgesetzbuch HOLAP Hybrid OLAP HR Human Ressources HTML Hypertext Mark-up Language i. i. d. Independent and identically distributed IAS International Accounting Standards IC Integrity Constraints IFRS International Financial Reporting Standards INZPLA Integrierte Zielverpflichtungsplanung IrDA Infrared Data Association IT Informationstechnik KDD Knowledge Discovery in Databases KFZ Kraftfahrzeug KI Künstliche Intelligenz knn k-nearest Neighbours KPI Key Performance Indicator LKW Lastkraftwagen LP Lineare Programmierung LTE Long Term Evolution
15 Abkürzungs- und Symbolverzeichnis XV MAD Median/Mean Absolute Deviation max Maximum MCMC Markov-Chain-Monte-Carlo MDX Multidimensional Expressions ME/RM Multidimensionales Entity Relationship Modell MED Median (50 %-Punkt) min Minimum Mio Million (10 6 ) MIP Mixed Integer Program ML Machine Learning MOLAP multi-dimensional OLAP NER Named-Entity Recognition NFC Near Field Communication NLP Natural Language Processing OC Operationscharakteristik ODS Operational Data Store OLAP Online Analytical Processing OLTP Online Transaction Processing OOMD Objektorientiertes multidimensionales Modell OOP Objekt-orientierte Programmierung ÖPNV Öffentlicher Personen-Nahverkehr OR Operations Research OWB Oracle Warehouse Builder PB Petabytes (10 15 Bytes) PDA Personal Digital Assistant PDF Portable Document Format PIA Prozess-Interaktionen Ansatz PKW Personenkraftwagen PLZ Postleitzahl POS Part of Speech PPC Pay Per Click QoS Quality of Service RFID Radio-Frequency Identification RHS Right Hand Side ROLAP Relational OLAP RP Right Positive Number SaaS Software as a Service SAETL Semi-automatic ETL SCM Supply Chain Management SEM Search Engine Marketing SMS Short Message System SOA Software Oriented Architecture
16 XVI Abkürzungs- und Symbolverzeichnis SOE Statistische Organisationseinheit SPC Statistische Prozesskontrolle SQL Structured Query Language SSD Solid State Drive sum Summe SVM Support Vector Machine TB Tera Bytes (10 12 Bytes) TF-IDF Term Frequency-Inverse Document Frequency UB Universal Baier Bäume UML Universal Modeling Language UMTS Universal Telecommunications System US-GAAP U.S. Generally Accepted Accounting Principles VaR Value at Risk VDA Verband der Automobilindustrie WLAN Wireless Local Area Network WPAN Wireless Personal Area Network WWW World Wide Web XML Extended Mark-up Language Liste der mathematischen Symbole t Zeitindex, Abschn d t Absatz in t,abschn p t Produktionsrate in t,abschn I t Lagerbestand am Ende von t,abschn range() Wertebereich eines Attributs, Abschn M Kardinalität der Menge M,Abschn cond() Boolesche Variable, Abschn χ Indikatorvariable, Abschn. 2.1 q() Prozentualer Anteil von Attributwerten, Abschn n Daten- oder Stichprobenumfang, Abschn I Einheitsmatrix, Abschn V Leontievsche Verflechtungsmatrix, Abschn d t Endnachfragevektor in t,abschn σ 2 Varianz, Abschn O() Komplexität (Rechenaufwand), Abschn N Anzahl, Abschn T Tabelle (flache Relation, Datenmatrix ), Abschn Id Kandidatenschlüssel, Primärschlüssel, Abschn p Kandidatenschlüsselwert, Abschn f Fremdschlüsselwert, Abschn
17 Abkürzungs- und Symbolverzeichnis XVII id Primärschlüsselwert, Abschn null Nullwert (missing value), Abschn F Fremdschlüssel, Abschn F Faktenmenge, Abschn A Attributmenge, Abschn D Dimensionenmenge, Abschn H Menge hierarchischer Attribute, Abschn F Faktum (Attribut), Abschn Agg SQL SQL-Aggregatfunktionen, Abschn H Hierarchie (Wurzelbaum), Abschn Kreuzprodukt (crossing), Abschn / Schachtelung (nesting), Abschn Ops Menge von Cube-Operationen, Abschn σ T Selektion (slice), Abschn π T Projektion (dice), Abschn ρ T Aggregation (roll-up), Abschn δ T Disaggregation (drill-down), Abschn h Knoten in H,Abschn f () Dichtefunktion, Abschn w κ Mischungsgewicht, Abschn C Cluster, Abschn N(μ, Σ) Mehrdimensionale Normalverteilung, Abschn μ Mittelwertsvektor, Abschn Kovarianzmatrix, Abschn R d d-dimensionaler Raum reeller Zahlen, Abschn dist Distanzmaß, Abschn x, y Beobachtungsvektoren im R d,abschn sim Ähnlichkeitsfunktion, Abschn δ(, ) Indikatorfunktion, Abschn C i Centroid im Cluster C, Abschn k Anzahl Cluster, Abschn X Y Assoziationsregel, Abschn k Anzahl Elemente in k-item-menge, Abschn D Datenbank von Transaktionen, Abschn n(d) Häufigkeit der Menge in D,Abschn Leere Menge, Abschn F Harmonisches Mittel, Abschn P(c x) Bedingte Wahrscheinlichkeit von c,abschn P(c) Marginale Wahrscheinlichkeit von c,abschn P Partition, Abschn P i i-te Teilmenge von P,Abschn E Entscheidungsmenge, Abschn
18 XVIII Abkürzungs- und Symbolverzeichnis D Trainingsdaten(bank), Abschn k Anzahl nächster Nachbarn, Abschn y i Boolesche Variable, Abschn θ Parametervektor der SVM, Abschn c Strafkostensatz bei SVM, Abschn ξ Variablenvektor von SVM, Abschn g Dimension-reduzierende Abbildung, Abschn n Anzahl Dokumente, Abschn w l Term im Dokumentenbestand D,Abschn x jl Termgewicht von Term l in Dokument j,abschn s j Länge von Dokument j,abschn tf jl Häufigkeit von Term l in Dokument j,abschn idf l inverse Dokumenthäufigkeit, Abschn n l Anzahl Dokumente, die Term l enthalten, Abschn c Normalisierungskonstante, Abschn cos Kosinus-Funktion, Abschn φ Winkel zwischen zwei Vektoren, Abschn N Menge der natürlichen Zahlen, Abschn H Entropie, Abschn log 2 Logarithmusfunktion (Basis 2), Abschn m upper Mindestwert der Term-Entropie, Abschn (x t, x t 1,...,x t n ) Zeitreihe der Länge n + 1, Abschn. 4.1 τ Prognosedistanz, Abschn. 4.1 (X t ) + t= Stochastischer Prozess, Abschn e t Fehlerterm im Zeitreihenmodell, Abschn ˆX t+τ Prognose in t von X t+τ,abschn E t (X t+τ ) Bedingter Erwartungswert von X t+τ in t,abschn α 0, α 1 Parameter im linearen Trendmodell, Abschn T Aktueller Zeitpunkt, Abschn M T Hilfsgröße für Achsenabschnitt bei Gleitendem Mittel, Abschn N T Steigungsparameter bei Gleitenden Mittel, Abschn ˆα 0 (T) Schätzwert des Achsenabschnitts, Abschn ˆα 1 (T) Schätzwert des Steigungsparameters, Abschn m Länge des Gleitenden Mittels, Abschn g τ Gewicht beim Geometrischen Glätten 1. Ordnung, Abschn λ Glättungsparameter, Abschn S t Glättungsoperator Geom. Glättung 1. Ordn., Abschn S t, Ŝt Wahre/geschätzte Saisonkomponente, Abschn λ G, λ T, λ S Glättungsparameter im Holt-Winter Modell, Abschn R 2 Bestimmheitsmaß, Abschn ˆα 1,0 Geschätzter Trendwert, Abschn ˆα 0,0 Geschätzter Grundwert, Abschn
19 Abkürzungs- und Symbolverzeichnis XIX S t Roher Saisonkoeffizient, Abschn S j Gemittelter Saisonkoeffizient, Abschn Ŝ j,0 Normierter Saisonkoeffizient, Abschn Differenzenoperator 1. Ordnung, Abschn us Unsicherheitsscore (siehe k ij ), Abschn dep Abhängigkeitsmaß für Knotenpaare, Abschn G =(V, E) Graph mit Knotenmenge V und Kantenmenge E, Abschn k ij Abhängigkeitsmaß zwischen Wertepaaren bei der Cross-Impact-Analyse, Abschn parent(x j ) Vorgängerknotenmenge des Knotens x j,abschn B, B 1, B 2 Unternehmen, Abschn F 1, F 2 Forderungen, Abschn V 1, V 2 Verbindlichkeiten, Abschn F Faktenbasis, Abschn R Regelbasis, Abschn r Regel, Abschn p Eintrittswahrscheinlichkeit, Abschn E(X) Erwartungswert von X,Abschn E(u(X)) Erwarteter Nutzen von X,Abschn σ Standardabweichung/(annualisierte) Volatilität, Abschn VaR Value at Risk, Abschn A Aktionenmenge, Abschn u Nutzenfunktion, Abschn x i Logarithmische Tagesrendite, Abschn ˆμ Mittelwert-Schätzer, Abschn ˆσ Standardabweichung-Schätzer, Abschn z 1 α (1 α)-quantil der Normalverteilung, Abschn α Sicherheitswahrscheinlichkeit/Konfidenz(niveau), Abschn ρ Pearsonsche Korrelationskoeffizient, Abschn cov(x, Y) Kovarianz zwischen den Zufallsvariablen X, Y, Abschn Δ t Abtastintervall, Abschn. 4.5 n Anzahl Stichproben der jeweiligen Länge m,abschn.4.5 m Stichprobenumfang, Abschn. 4.5 x-karte x-mittelwertskarte, Abschn. 4.5 R-Karte Spannweitenkarte, Abschn. 4.5 R = x max x min Spannweite, Abschn. 4.5 min Minimum, Abschn. 4.5 max Maximum, Abschn. 4.5 UEG x Untere Eingriffsgrenze einer x-karte, Abschn. 4.5 OEG x Obere Eingriffsgrenze einer x-karte, Abschn. 4.5 UEG R Untere Eingriffsgrenze einer R-Karte, Abschn. 4.5
20 XX Abkürzungs- und Symbolverzeichnis OEG R Obere Eingriffsgrenze einer R-Karte, Abschn. 4.5 R Mittelwert von Spannweiten R i, i = 1,2,...,m,Abschn.4.5 X t F 0 Wahrscheinlichkeitsverteilung von X t,abschn.4.5 F 0, F 1 Verteilungen für Prozess in (F 0 ) und außer (F 1 ) Kontrolle, Abschn. 4.5 σ 2 Fertigungsstreuung (Varianz), Abschn. 4.5 Δ μ Sprunghöhe der Fertigungslage μ,abschn.4.5 Bi(n, p t ) Binomialverteilung mit den Parametern (n, p t ),Abschn.4.5 Δ p Sprunghöhe im Ausschussanteil p,abschn.4.5 p Ausschussanteil/Ausschusswahrscheinlichkeit, Abschn. 4.5 S t Prüfgröße beim Monitoring, Abschn. 4.5 r Glättungsparameter der WESUM Karte, Abschn. 4.5 κ Glättungsparameter der CuSum-Karte, Abschn. 4.5 k Glättungsparameter der Gleitende Mittelwerte -Karte, Abschn. 4.5 δ Entscheidungsfunktion beim Monitoring, Abschn. 4.5 h 1, h + 1 Untere/obere Kontrollgrenze der x-karte, Abschn. 4.5 β(θ) Wahrscheinlichkeit für Kein Prozesseingriff, falls θ der aktuelle Prozessparameterwert ist, Abschn. 4.5 eet t,eaz t Erfolgswirksame Ein- und Auszahlungen in (t 1, t],abschn CF (1) Cash Flow berechnet nach Methode 1, Abschn CF (2) Cash Flow berechnet nach Methode 2, Abschn JE t Jahresergebnis in Periode (t 1, t],abschn naa t Nicht auszahlungswirksame Aufwendungen in (t 1, t],abschn nee t Nicht einzahlungswirksame Erträge in (t 1, t],abschn z Zielgröße abhängig von Einflussgrößen x 1, x 2,...,x p,abschn λ Steigerungs-/Mehrverbrauchsfaktor, Abschn λ Soll Sollwert-Steigerungsfaktor, Abschn λ Ist Istwert-Steigerungsfaktor, Abschn ε Vergleichs-/Schwellenwert, Abschn Δ Soll-Ist-Abweichung, Abschn Ω Urbildraum von Zufallsvariablen, Abschn φ Dichtefunktion der Standard-Normalverteilung, Abschn Φ Verteilungsfunktion der Standard-Normalverteilung, Abschn Φ 1 Inverse Normalverteilungsfunktion, Abschn v Spritverbrauch gemessen in l/100 km, Abschn KI u,ki o Konfidenzintervallgrenzen, Abschn ζ, ξ Unbekannte, messfehlerfreie ( wahre ) Parametervektoren, Abschn x, z Messfehlerbehaftete Variablenvektoren, Abschn u, v Messfehlervektoren im Fehler-in-den-Variablen-Modell, Abschn ˆζ, ˆξ GLS Schätzer von ζ, ξ,abschn ˆΣ Schätzer der Kovarianzmatrix Σ,Abschn.4.6.1
21 Abkürzungs- und Symbolverzeichnis XXI ˆβ T =(ˆξ, ˆζ) T GLS Schätzer von β,abschn μ x Zugehörigkeitsfunktion der Fuzzy Set von x,abschn α-schnitt α-höhenschnitt durch Zugehörigkeitsfunktion μ x,abschn a, b, c, d Intervallgrenzen, Abschn ỹ, z Schätzer von y, z mittels FuzzyCalc, Abschn p AB /p CD AB Marginale/bedingte Wahrscheinlichkeitsverteilungen, Abschn. 4.7 p A, p B Korrosionsrisiken, Abschn. 4.7 D i Zufallsvariable der i-ten Stelle von Zahlen gem. Benford s Law, Abschn. 4.8 log 10 Logarithmusfunktion zur Basis 10, Abschn. 4.8 P(D i = d) Wahrscheinlichkeit von D i = d gem. Beford s Law, Abschn. 4.8 λ A, λ H Kalibrierungsparamter zum Ausgleich des Maskierungseffekts, Abschn x Median, Abschn MAD() Median absoluter Abweichungen, Abschn OUT((x ν ) ν=1 n, α n) α n -Ausreißerbereich, Abschn c n,αn Schwellenwert für α n -Ausreißerbereich, Abschn α n Kalibriertes α für Ausreißertest, Abschn χ 2 p;1 α n Mittels MCMC-Simulation berechneter Schwellenwert, Abschn z =(x μ)/σ Standardisierter Messwert x,abschn z 2 Quadrierter z-wert, Abschn sz 2 Summe der quadrierten z-werte, Abschn ln sz 2 Logarithmische Transformation der sz 2,Abschn ln sz 2 Mittelwert der ln sz 2 -Werte, Abschn A(t) Anzahl Ankünfte im Intervall (0, t],abschn.4.9 N(t) Anzahl Wartender in t,abschn.4.9 W(t) Wartezeit der Kunden in (0, t],abschn.4.9 k Kapazität (Anzahl Frisöre), Abschn. 4.9 Kost(k) Kostenfunktion bezogen auf [T Start, T Ende ],Abschn.4.9 Wart(k) Wartezeitfunktion bezogen auf [T Start, T Ende ],Abschn.4.9 T Start Zeitpunkt Simulationsbeginn, Abschn. 4.9 T Ende Zeitpunkt Simulationsende, Abschn. 4.9 ρ Verkehrsintensität im Warteschlangenmodell, Abschn. 4.9 f Zielfunktion im LP, Abschn x Vektor der Entscheidungsvariablen, Abschn c Vektor der Zielfunktionskoeffizienten (Deckungsbeiträge), Abschn A =(a ij ) Koeffizientenmatrix, Abschn b Vektor der Beschränkungsparameter, Abschn x Optimale Lösung, Abschn I, J Indexmengen, Abschn. 4.10
22 XXII Abkürzungs- und Symbolverzeichnis Z Zulässiger Bereich, Abschn λ Parameter einer Linearkombination, Abschn O(m, n) Obere Schranke für Anzahl Eckpunkte im LP, Abschn n Anzahl Variablen im LP, Abschn m Anzahl Nebenbedingungen (Restriktionen) im LP, Abschn c, x, Ã c, x, A in LP-Normalform, Abschn E m (m, m)-einheitsmatrix, Abschn π i Opportunitätskosten (Schattenpreis) im LP, Abschn Z n n-dimensionaler Raum der ganzen Zahlen, Abschn č Koeffizientenvektor für ganzzahliges x in IP, MIP, Abschn x, y Obergrenzen für x, y in LP, MIP, Abschn x, y Untergrenzen für x, y in LP, MIP, Abschn n Anzahl reellwertiger Variablen in MIP, Abschn m Anzahl ganzzahliger VariableninMIP,Abschn.4.10 F 1 (3) Floskel Nr. 1 für Report bezogen auf 3 Quartale, Abschn. 5.1 Q t Quartalsumsatz in t = 1, 2, 3, 4, Abschn. 5.1 CR Erfolgsrate (engl. conversion rate), Abschn CAC Kundenakquisekosten, Abschn r Abzinsungsfaktor, Abschn NPV Abgezinster Wert des Zahlungsstroms über n Perioden, Abschn ˆπ (A), ˆπ (B) Geschätzte Konversionsraten von A, B, Abschn
Rüdiger Zarnekow Lutz Kolbe. Green IT. Erkenntnisse und Best Practices aus Fallstudien
Rüdiger Zarnekow Lutz Kolbe Green IT Erkenntnisse und Best Practices aus Fallstudien Green IT Rüdiger Zarnekow Lutz Kolbe Green IT Erkenntnisse und Best Practices aus Fallstudien Rüdiger Zarnekow Fachgebiet
MehrIndustrie 4.0 in Produktion, Automatisierung und Logistik
Industrie 4.0 in Produktion, Automatisierung und Logistik Thomas Bauernhansl Michael ten Hompel Birgit Vogel-Heuser (Hrsg.) Industrie 4.0 in Produktion, Automatisierung und Logistik Anwendung Technologien
MehrGelassenheit gewinnen 30 Bilder für ein starkes Selbst
Gelassenheit gewinnen 30 Bilder für ein starkes Selbst Barbara Burghardt Gelassenheit gewinnen 30 Bilder für ein starkes Selbst Wie Sie Ihren inneren Reichtum neu entdecken 2., verbesserte Auflage Barbara
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
MehrSEO Strategie, Taktik und Technik
SEO Strategie, Taktik und Technik Andre Alpar Markus Koczy Maik Metzen SEO Strategie, Taktik und Technik Online-Marketing mittels effektiver Suchmaschinenoptimierung Andre Alpar Maik Metzen Markus Koczy
MehrThomas Meuser Hrsg. Promo-Viren. Zur Behandlung promotionaler Infekte und chronischer Doktoritis 3., kurierte Auflage
Thomas Meuser Hrsg. Promo-Viren Zur Behandlung promotionaler Infekte und chronischer Doktoritis 3., kurierte Auflage Promo-Viren Thomas Meuser Herausgeber Promo-Viren Zur Behandlung promotionaler Infekte
MehrVirtual Roundtable: Business Intelligence - Trends
Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,
MehrBig Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC
Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von
MehrSpezialisierung Business Intelligence
Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business
MehrTHE KNOWLEDGE PEOPLE. CompanyFlyer.indd 1 07.03.2016 11:48:05
THE KNOWLEDGE PEOPLE CompanyFlyer.indd 1 07.03.2016 11:48:05 BE SMART IT-CONSULTING Smartes IT-Consulting für die Zukunft: Agilität, Dynamische IT, Komplexitätsreduzierung, Cloud, Industrie 4.0, Big Data
MehrÜbungen zur Kosten-, Erlösund Ergebnisrechnung
Übungen zur Kosten-, Erlösund Ergebnisrechnung Wolfgang Becker Robert Holzmann Christian Hilmer Übungen zur Kosten-, Erlösund Ergebnisrechnung Für Bachelor-Studierende Wolfgang Becker Robert Holzmann Christian
MehrKundenmanagement im Krankenhaus
Kundenmanagement im Krankenhaus Volker Nürnberg Barbara Schneider Kundenmanagement im Krankenhaus Service Qualität Erreichbarkeit Volker Nürnberg Hochschule für angewandtes Management Erding Deutschland
MehrNetzwerkorientiertes Supply Chain Controlling und Risikomanagement
Kiril Kiryazov Netzwerkorientiertes Supply Chain Controlling und Risikomanagement Diplomica Verlag Kiril Kiryazov Netzwerkorientiertes Supply Chain Controlling und Risikomanagement ISBN: 978-3-8428-0997-0
MehrVerpasst der Mittelstand den Zug?
Industrie 4.0: Verpasst der Mittelstand den Zug? SCHÜTTGUT Dortmund 2015 5.11.2015 Ergebnisse einer aktuellen Studie der Technischen Hochschule Mittelhessen 1 Industrie 4.0 im Mittelstand Ergebnisse einer
MehrSupply Chain Management
Guntram Wette Supply Chain Management in kleinen und mittleren Unternehmen Können KMU erfolgreich ein SCM aufbauen? Diplomica Verlag Guntram Wette Supply Chain Management in kleinen und mittleren Unternehmen
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrAll for One Steeb. Das SAP Haus. ALL FOR ONE STEEB DAS SAP HAUS
All for One Steeb. Das SAP Haus. ALL FOR ONE STEEB DAS SAP HAUS DAS SAP HAUS FÜHREND IM MITTELSTAND All for One Steeb ist die Nummer 1 unter den SAP-Partnern im deutschsprachigen Mittelstandsmarkt. 900
MehrHuman Capital Management
Human Capital Management Raimund Birri Human Capital Management Ein praxiserprobter Ansatz für ein strategisches Talent Management 2., überarbeitete Auflage Raimund Birri Zürich, Schweiz ISBN 978-3-8349-4574-7
MehrInterview zum Thema Management Reporting &Business Intelligence
Interview zum Thema Management Reporting &Business Intelligence Das ist ja interessant. Können Sie etwas näher beschreiben, wie ich mir das vorstellen kann? Jens Gräf: In einem Technologieunternehmen mit
MehrInfografik Business Intelligence
Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz
MehrWie wirksam wird Ihr Controlling kommuniziert?
Unternehmenssteuerung auf dem Prüfstand Wie wirksam wird Ihr Controlling kommuniziert? Performance durch strategiekonforme und wirksame Controllingkommunikation steigern INHALT Editorial Seite 3 Wurden
MehrData Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse
Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher
MehrSeniorenbüros im Land Brandenburg
Nancy Bauer Seniorenbüros im Land Brandenburg Innovative und zukunftsorientierte Kommunalpolitik unter dem Aspekt des demographischen Wandels Diplomarbeit BACHELOR + MASTER Publishing Bauer, Nancy: Seniorenbüros
Mehr360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf
360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf Von der Entstehung bis heute 1996 als EDV Beratung Saller gegründet, seit 2010 BI4U GmbH Firmensitz ist Unterschleißheim (bei München)
MehrKompakt Edition: Immobilienfinanzierung
Kompakt Edition: Immobilienfinanzierung Michael Trübestein Michael Pruegel Kompakt Edition: Immobilienfinanzierung Grundbegriffe und Definitionen Michael Trübestein Bad Orb, Deutschland Michael Pruegel
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
MehrErfolgsfaktoren von Customer Relationship Management Strategien
Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen
Mehr.. für Ihre Business-Lösung
.. für Ihre Business-Lösung Ist Ihre Informatik fit für die Zukunft? Flexibilität Das wirtschaftliche Umfeld ist stärker den je im Umbruch (z.b. Stichwort: Globalisierung). Daraus resultierenden Anforderungen,
MehrEinfache und effiziente Zusammenarbeit in der Cloud. EASY-PM APPs und Add-Ins
Einfache und effiziente Zusammenarbeit in der Cloud EASY-PM APPs und Add-Ins 1 Microsoft Office Microsoft Office ist der Standard für Bürosoftware. Mit den EASY-PM APP's können Sie direkt aus Ihren Office-
MehrStressmanagement im Fernstudium
Stressmanagement im Fernstudium Viviane Scherenberg Petra Buchwald Stressmanagement im Fernstudium Ein Praxisratgeber für nebenberuflich Aktive Viviane Scherenberg Prävention & Gesundheitsförderung Apollon
MehrChristian Kremer. Kennzahlensysteme für Social Media Marketing. Ein strategischer Ansatz zur Erfolgsmessung. Diplomica Verlag
Christian Kremer Kennzahlensysteme für Social Media Marketing Ein strategischer Ansatz zur Erfolgsmessung Diplomica Verlag Christian Kremer Kennzahlensysteme für Social Media Marketing: Ein strategischer
MehrErfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management
Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrData Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrOLAP und Data Warehouses
OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting
MehrDue Diligence als Instrument des Akquisitionscontrollings
Lars Remy Due Diligence als Instrument des Akquisitionscontrollings Diplomica Verlag Lars Remy Due Diligence als Instrument des Akquisitionscontrollings ISBN: 978-3-8428-0672-6 Herstellung: Diplomica Verlag
MehrGrundmann Rathner Abschlussprüfungen Bankwirtschaft, Rechnungswesen und Steuerung, Wirtschafts- und Sozialkunde
Grundmann Rathner Abschlussprüfungen Bankwirtschaft, Rechnungswesen und Steuerung, Wirtschafts- und Sozialkunde Prüfungstraining für Bankkaufleute Die Bücher der Reihe Prüfungstraining für Bankkaufleute
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrSpeicher in der Cloud
Speicher in der Cloud Kostenbremse, Sicherheitsrisiko oder Basis für die unternehmensweite Kollaboration? von Cornelius Höchel-Winter 2013 ComConsult Research GmbH, Aachen 3 SYNCHRONISATION TEUFELSZEUG
MehrInside. IT-Informatik. Die besseren IT-Lösungen.
Inside IT-Informatik Die Informationstechnologie unterstützt die kompletten Geschäftsprozesse. Geht in Ihrem Unternehmen beides Hand in Hand? Nutzen Sie Ihre Chancen! Entdecken Sie Ihre Potenziale! Mit
MehrSo importieren Sie einen KPI mithilfe des Assistenten zum Erstellen einer Scorecard
1 von 6 102013 18:09 SharePoint 2013 Veröffentlicht: 16.07.2012 Zusammenfassung: Hier erfahren Sie, wie Sie einen KPI (Key Performance Indicator) mithilfe des PerformancePoint Dashboard Designer in SharePoint
MehrKill Keyword Density. Weshalb die Keyword Density blanker Unsinn ist.
Kill Keyword Density Weshalb die Keyword Density blanker Unsinn ist. Kill Keyword Density» & Karl Kratz Das ist. Jana ist Diplom- Mathematikerin und Controlling-Leiterin bei der Innovation Group AG. Ihr
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrMobile Intranet in Unternehmen
Mobile Intranet in Unternehmen Ergebnisse einer Umfrage unter Intranet Verantwortlichen aexea GmbH - communication. content. consulting Augustenstraße 15 70178 Stuttgart Tel: 0711 87035490 Mobile Intranet
MehrCall Center Lexikon. Die wichtigsten Fachbegriffe der Branche verständlich erklärt
Call Center Lexikon Call Center Lexikon Die wichtigsten Fachbegriffe der Branche verständlich erklärt Bibliografische Information Der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet
MehrDIE ANWENDUNG VON KENNZAHLEN IN DER PRAXIS: WEBMARK SEILBAHNEN IM EINSATZ
Kurzfassung DIE ANWENDUNG VON KENNZAHLEN IN DER PRAXIS: WEBMARK SEILBAHNEN IM EINSATZ Mag. Klaus Grabler 9. Oktober 2002 OITAF Seminar 2002 Kongresshaus Innsbruck K ennzahlen sind ein wesentliches Instrument
MehrControllerPreis 2009 des des ICV ICV Seite 1
ControllerPreis 2009 des des ICV ICV Seite 1 LOGISTIK CONTROLLING VOM REPORTER ZUM BERATER 1 ANGABEN ZUM UNTERNEHMEN Adresse: Branche: Umsatz: Mitarbeiterzahl: FIEGE Stiftung & Co. KG Joan-Joseph-Fiege-Straße
MehrSurvival Guide für Ihr Business Intelligence-Projekt
Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren
MehrW.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik)
Modulbeschrieb Business Intelligence and Analytics 16.10.2013 Seite 1/5 Modulcode Leitidee Art der Ausbildung Studiengang Modultyp W.WIINM42.13 Information ist eine derart wichtige Komponente bei der Entscheidungsfindung,
MehrInstitut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.
Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrVeit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
MehrNutzung dieser Internetseite
Nutzung dieser Internetseite Wenn Sie unseren Internetauftritt besuchen, dann erheben wir nur statistische Daten über unsere Besucher. In einer statistischen Zusammenfassung erfahren wir lediglich, welcher
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
MehrVersorgungskonzepte für Menschen mit Demenz
Versorgungskonzepte für Menschen mit Demenz Katja Sonntag Dr. Christine von Reibnitz Versorgungskonzepte für Menschen mit Demenz Praxishandbuch und Entscheidungshilfe Mit 15 Abbildungen 1 C Katja Sonntag
MehrProzessoptimierung in der Einzelteilproduktion
Michael Ristau Prozessoptimierung in der Einzelteilproduktion Diplomica Verlag Michael Ristau Prozessoptimierung in der Einzelteilproduktion ISBN: 978-3-8428-1586-5 Herstellung: Diplomica Verlag GmbH,
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrIT-basierte Kennzahlenanalyse im Versicherungswesen
Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:
MehrApache HBase. A BigTable Column Store on top of Hadoop
Apache HBase A BigTable Column Store on top of Hadoop Ich bin... Mitch Köhler Selbstständig seit 2010 Tätig als Softwareentwickler Softwarearchitekt Student an der OVGU seit Oktober 2011 Schwerpunkte Client/Server,
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrBusiness Intelligence
Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrSMART Newsletter Education Solutions April 2015
SMART Education Newsletter April 2015 SMART Newsletter Education Solutions April 2015 Herzlich Willkommen zur aktuellen Ausgabe des Westcon & SMART Newsletters jeden Monat stellen wir Ihnen die neuesten
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrDieter Specht (Hrsg.) Insourcing, Outsourcing, Offshoring
Dieter Specht (Hrsg.) Insourcing, Outsourcing, Offshoring GABLER EDITION WISSENSCHAFT Beiträge zur Produktionswirtschaft Herausgegeben von Professor Dr.-Ing. habil. Dieter Specht Die Reihe enthält Forschungsarbeiten
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
MehrSICHERN DER FAVORITEN
Seite 1 von 7 SICHERN DER FAVORITEN Eine Anleitung zum Sichern der eigenen Favoriten zur Verfügung gestellt durch: ZID Dezentrale Systeme März 2010 Seite 2 von 7 Für die Datensicherheit ist bekanntlich
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrDeutschland-Check Nr. 35
Beschäftigung älterer Arbeitnehmer Ergebnisse des IW-Unternehmervotums Bericht der IW Consult GmbH Köln, 13. Dezember 2012 Institut der deutschen Wirtschaft Köln Consult GmbH Konrad-Adenauer-Ufer 21 50668
MehrIT- Wir machen das! Leistungskatalog. M3B Service GmbH Alter Sportplatz Lake 1 57392 Schmallenberg
IT- Wir machen das! Leistungskatalog M3B Service GmbH Alter Sportplatz Lake 1 57392 Schmallenberg Tel.: 02972 9725-0 Fax: 02972 9725-92 Email: info@m3b.de www.m3b.de www.systemhaus-sauerland.de Inhaltsverzeichnis
MehrOUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten
Outsourcing Advisor Bewerten Sie Ihre Unternehmensanwendungen auf Global Sourcing Eignung, Wirtschaftlichkeit und wählen Sie den idealen Dienstleister aus. OUTSOURCING ADVISOR Der Outsourcing Advisor ist
Mehr1 PIVOT TABELLEN. 1.1 Das Ziel: Basisdaten strukturiert darzustellen. 1.2 Wozu können Sie eine Pivot-Tabelle einsetzen?
Pivot Tabellen PIVOT TABELLEN. Das Ziel: Basisdaten strukturiert darzustellen Jeden Tag erhalten wir umfangreiche Informationen. Aber trotzdem haben wir oft das Gefühl, Entscheidungen noch nicht treffen
MehrFeedback in Echtzeit. Social Media Monitoring Services von Infopaq. SOCIAL MEDIA
MEDIENBEOBACHTUNG MEDIENANALYSE PRESSESPIEGELLÖSUNGEN Feedback in Echtzeit. Social Media Monitoring Services von Infopaq. SOCIAL MEDIA Risiken kennen, Chancen nutzen. So profitiert Ihr Unternehmen von
MehrModul 1 STATISTIK Eine erste Einführung
Kassel Modul 1 STATISTIK Eine erste Einführung 2009 Alphadi - www.alphadi.de Copyright Die Informa@onen in diesem Produkt werden ohne Rücksicht auf einen eventuellen Patentschutz veröffentlicht. Warennamen
MehrVorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII
Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte
MehrMulticheck Schülerumfrage 2013
Multicheck Schülerumfrage 2013 Die gemeinsame Studie von Multicheck und Forschungsinstitut gfs-zürich Sonderauswertung ICT Berufsbildung Schweiz Auswertung der Fragen der ICT Berufsbildung Schweiz Wir
MehrLars Priebe Senior Systemberater. ORACLE Deutschland GmbH
Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele
MehrBI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit
BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon
Mehrinfach Geld FBV Ihr Weg zum finanzellen Erfolg Florian Mock
infach Ihr Weg zum finanzellen Erfolg Geld Florian Mock FBV Die Grundlagen für finanziellen Erfolg Denn Sie müssten anschließend wieder vom Gehaltskonto Rückzahlungen in Höhe der Entnahmen vornehmen, um
MehrExecutive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie
Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren
MehrX.systems.press ist eine praxisorientierte Reihe zur Entwicklung und Administration von Betriebssystemen, Netzwerken und Datenbanken.
X. systems.press X.systems.press ist eine praxisorientierte Reihe zur Entwicklung und Administration von Betriebssystemen, Netzwerken und Datenbanken. Rafael Kobylinski MacOSXTiger Netzwerkgrundlagen,
MehrDominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH
Dominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH Peter Cullen, Microsoft Corporation Sicherheit - Die Sicherheit der Computer und Netzwerke unserer Kunden hat Top-Priorität und wir haben
MehrHandbuch Kundenmanagement
Handbuch Kundenmanagement Armin Töpfer (Herausgeber) Handbuch Kundenmanagement Anforderungen, Prozesse, Zufriedenheit, Bindung und Wert von Kunden Dritte, vollständig überarbeitete und erweiterte Auflage
MehrZeit lässt sich nicht wie Geld für schlechte Zeiten zur Seite legen. Die Zeit vergeht egal, ob genutzt oder ungenutzt.
Zeitmanagement Allgemeine Einleitung Wie oft haben Sie schon gehört Ich habe leider keine Zeit? Und wie oft haben Sie diesen Satz schon selbst gesagt? Wahrscheinlich nahezu jeden Tag. Dabei stimmt der
MehrÜBERGABE DER OPERATIVEN GESCHÄFTSFÜHRUNG VON MARC BRUNNER AN DOMINIK NYFFENEGGER
GOOD NEWS VON USP ÜBERGABE DER OPERATIVEN GESCHÄFTSFÜHRUNG VON MARC BRUNNER AN DOMINIK NYFFENEGGER In den vergangenen vierzehn Jahren haben wir mit USP Partner AG eine der bedeutendsten Marketingagenturen
MehrEin Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse?
Ein Beispiel Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Dipl.-Kfm. Claus Häberle WS 2015 /16 # 42 XML (vereinfacht) visa
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrInteraktive Whiteboards im Unterricht
Stefan Hohlfeld Interaktive Whiteboards im Unterricht Wie kann guter Unterricht mit multimedialer Unterstützung aussehen? Bachelorarbeit BACHELOR + MASTER Publishing Hohlfeld, Stefan: Interaktive Whiteboards
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
Mehrbima -Studie 2012: Schwerpunkt Personalcontrolling
è bima -Studie 2012: Schwerpunkt Personalcontrolling Zusammenfassung Steria Mummert Consulting AG è Wandel. Wachstum. Werte. bima -Studie 2012: Schwerpunkt Personalcontrolling Datum: 20.09.12 Team: Björn
MehrFolge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12
Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
Mehrit-check EGELI nutzen sie ihr gesamtes it-potenzial informatik
it-check nutzen sie ihr gesamtes it-potenzial EGELI informatik optimieren sie ihre it-welt Dr. Eliane Egeli Mit unseren IT-Checks profitieren Sie in mehrfacher Hinsicht. Etwa durch die bessere Nutzung
MehrEinleitung. Für wen ist dieses Buch
i Willkommen! Dieses Buch aus der Reihe Schritt für Schritt wurde so konzipiert, dass Sie mit dem Buch leicht und einfach die wesentlichen Aspekte beim Einsatz von vier der Microsoft Office 2016- Apps
MehrAlina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag
Alina Schneider Erfolg in Data-Warehouse-Projekten Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse
MehrTraditionelle Suchmaschinenoptimierung (SEO)
Traditionelle Suchmaschinenoptimierung (SEO) Mit der stetig voranschreitenden Veränderung des World Wide Web haben sich vor allem auch das Surfverhalten der User und deren Einfluss stark verändert. Täglich
Mehr