6 Werkzeuge. 6.1 Einleitung. Holger Nohr, Hochschule der Medien

Größe: px
Ab Seite anzeigen:

Download "6 Werkzeuge. 6.1 Einleitung. Holger Nohr, Hochschule der Medien"

Transkript

1 6 Werkzeuge 6.1 Einleitung Holger Nohr, Hochschule der Medien Eine kaum überschaubare Vielfalt von Werkzeugen steht für die Unterstützung der Aufgaben des Wissensmanagements (Maier 2002) und der Analyseaufgaben im Rahmen von CRM durch Ansätze des Business Intelligence (Preuschoff 2002) zur Verfügung. Einzelne dieser Werkzeuge unterstützen dabei jeweils verschiedene Aufgaben und Phasen der beiden Managementansätze (Raimann & Back 2000). Im Rahmen des Forschungsvorhabens stehen Werkzeuge im Mittelpunkt, die es einerseits erlauben Wissen von Kunden eines Unternehmens zu gewinnen und andererseits Wissen über den Kunden aus den vorhandenen Daten- und Informationsbeständen zu erschließen. Für die Aufgabe, Wissen von Kunden zu gewinnen, wird im Projekt beispielhaft der Einsatz und Nutzen von Business Communities im Internet untersucht. Es stellt sich dabei die Frage, wie B2B-Partner diese Plattformen für eine gegenseitige Wissenskooperation sinnvoll anwenden können. Der Ansatz des Business Intelligence d.h. die Analyse der vorhandenen Daten- und Informationsbestände verfolgt das Ziel, Wissen über den Kunden zu erschließen. Aufsetzend auf Data Warehouse-Systeme wird dabei mit analytischen Anwendungen wie bspw. dem Data Mining versucht, das CRM mit relevantem Wissen zu versorgen. Die beiden folgenden Abschnitte geben jeweils eine grundlegende Einführung in die Anwendung von B2B-Communities und Vorgehensweise beim Business Intelligence. Literatur Maier, R. (2002): State-of-Practice of Knowledge Management Systems: Results of an Empirical Study, in: Informatik 1/2002, S Preuschoff, S. (2002): Business Intelligence Gegenstand, Ansätze und Technologien. Hochschule der Medien, Stuttgart (Arbeitspapiere Wissensmanagement 3/2002) Raimann, J.; Back, A. (2000): Software-Tools und Architekturmodell für das Wissensmanagement, in: Controller-News 3/2000, S

2 6.2 B2B-Communities Alexander Roos, Hochschule der Medien Unter Communities werden hier virtuelle Gemeinschaften verstanden, die sich im Internet bilden. Solche Communities sind aus dem Wissenschaftsbereich (open source), dem politisch/religiösen Bereich ( CyberChurch ) und dem Consumerbereich (z.b. Apple, Lego, Märklin) bekannt. Aus Sicht von Unternehmen stellen sich folgende Fragen: Lassen sich Communities bewusst aufbauen? Für welche Zielgruppe(n) und Produkte lassen sich solche Communities aufbauen? Wird dadurch eine höhere Kundenbindung erreicht? Welche Motivation der Beteiligten besteht, an der B2B-Community teilzunehmen? Lassen sich bestehende Erfahrungen aus dem B2C-Bereich auf den B2B- Bereich übertragen? Diese Fragestellungen sollen nachfolgend einführend erörtert werden. In der Literatur wird diese Thematik in Bezug auf den B2B-Bereich bislang wenig behandelt, einen guten Überblick bietet Bullinger, H.-J. et al. (2001). Die bewusste Schaffung von Communities ist sicherlich ein schwieriger und langwieriger Prozess, dies ist aus dem Consumer-Bereich bekannt. Dass sich fanatische Kunden kostenlos um die Verbesserung von Programmen des Herstellers kümmern, sich gegenseitig Tipps geben u.ä., ist schwer planbar, wie auch der Kultstatus bestimmter Produkte und Marken nur partiell durch Marketing-Maßnahmen zu beeinflussen ist. Im B2B-Bereich greift der Kultgedanke von Produkten sicherlich wenig, auch die Option Produkte exklusiv zu beziehen wie aus dem Spielwarenbereich bekannt, ist sicherlich nur von geringer Bedeutung, ebenso wie das Zusammengehörigkeitsgefühl. Außerdem ist die Durchdringung mit Internetzugang z.b. im Handwerksbereich zum Teil noch im Gange, auch sind die Produkte i.d.r. physischer Natur und nicht im Internet austauschbar. Hinzu kommt, dass die Teilnehmer an der B2B-Community potentielle oder tatsächliche Konkurrenten sind. Zu berücksichtigen ist auch, dass B2B-Communities immer Ergänzungen von Vertriebsaktivitäten über andere Kanäle sind, deshalb spielt die interne Anbindung der Community-Plattform eine große Rolle. Dennoch gibt es erfolgreiche Beispiele: z.b. das eines Heizungsherstellers, als Extranet realisiert. Kunden erhalten exklusive Informationen, einen Added Value durch Hilfestellungen des Herstellers bei der Montage in schwierigen Fällen oder bei der Heizungsdimensionierung. Dies führt zu gegenseitigen Tipps und Anregungen, 69

3 zumal die Business-Kunden in der Regel regional orientiert sind und wenig miteinander konkurrieren. Die Grenzen des Unternehmens zwischen und Innen und Außen verschwinden dabei im Idealfall. Ein Beispiel ist, wenn der geniale Tüftler (ein realer Fall eines Maschinenherstellers von der schwäbischen Alb) via Internet kostenlos einem Komponentenhersteller bei dessen Konstruktionen hilft, um seine eigenen Produkte indirekt mit zu verbessern. Allerdings wird dadurch die Frage der Information Policy des Unternehmens bedeutsam. Wie geht man mit Information um, wenn zum Beispiel Produkte der Konkurrenz in bestimmten Bereichen von Community-Teilnehmern in einem Diskussionsforum als vorteilhaft dargestellt werden? Ein weiterer möglicher Vorteil wird von Kelly beschrieben: Der Nebenmarkt ist der Markt (Kelly, Kevin (1999), S. 93). Das bedeutet, dass es in bestimmten Branchen schwierig wird, für das eigentliche Produkt Entgelt zu verlangen. Produkte wie Software werden in manchen Fällen verschenkt und durch Kunden in der Community weiterentwickelt, die Serviceleistungen im Umfeld erbringen den Umsatz. Für den Hersteller und Betreiber der B2B-Community-Plattform ergeben sich folgende Vorteile bzw. Nachteile/Risiken: pro contra + Kundenbindung durch verbesserten Service - Aufwand für Moderation und ständige Aktualisierungen: Gefahr des Hochschaukelns bei Problemen mit Produkten + geringer Aufwand für Schulungen und technische Auskünfte + Ansatzpunkte für Produktverbesserungen durch Kundenkritik + die Option einer hybriden B2B-Community (teilweise im Netz, teilweise physische Treffen und Kontakte) + die B2B-Community ist rund um die Uhr erreichbar. + Instrument des after sales marketing ( Gefühl, die richtige Entscheidung - wie andere auch - getroffen zu haben ) + Verbesserte Gewinnung von Kundenprofilen - Anbindung der Organisation an B2B-Community muss gewährleistet sein für Input und Lerneffekte, ebenso die Kopplung mit anderen Marketing-Aktivitäten (z.b. Call Center, Data Mining); die Vertriebskanäle brauchen den gleichen Datenbestand - Mehrsprachige Angebote sind mit hohem Aufwand verbunden Abb. 1: Vor- und Nachteile einer B2B-Community-Plattform für Hersteller und Betreiber 70

4 Vorteile bzw. Nachteile/Risiken für die Kunden / Teilnehmer an der B2B- Community sind: pro contra + ständig erreichbare Hilfestellungen - Risiko des Wissenstransfers an Konkurrenz + Anregungen für den Produkteinsatz + geringer Aufwand, um an Informationen zu kommen + Möglichkeit, die Produktweiterentwicklung zu beeinflussen Abb. 2: Vor- und Nachteile einer B2B-Community-Plattform für Kunden und Teilnehmer Literatur Bullinger, H.J. et al. (2001): Business Communities - Professionelles Beziehungsmanagement von Kunden, Mitarbeitern und B2B-Partnern im Internet, Galileo 2001 Kelly, Kevin (1999): NetEconomy, München Düsseldorf CRM-Analytics im Fokus von Business Intelligence Peter Lehmann, Hochschule der Medien Vom ERP zum Data Warehouse Als Folge einer angespannten Wirtschaftslage wandelt sich der Verkäufer- zu einem Käufermarkt. Damit wächst der Einfluss des Kunden auf die Produktion. Die Kunden erwarten qualitativ hochwertige Produkte, Verbesserungen im Bestell-, Lager-, Transport-, Versand- und Abnahmeservice. Diese Leistungen sowie der Wert einer Kundenbeziehung müssen in ihren geschäfts- und prozessrelevanten Dimensionen messbar sein, um eine Grundlage zur Analyse, Prognostizierung und Optimierung der Kundenbeziehungen erhalten zu können. Für diese kundenorientierten Leistungsmessungen können keine vollständigen vorherbestimmten DV-Lösungen erarbeitet werden, so dass neue Anforderun- 71

5 gen an eine neue Art von Informationstechnologie entstehen (vgl. Strotz/Müller (1998), S. 202). Mit dem Begriff Business Intelligence (BI) wird der analytische Prozess zur intelligenten Überwachung, Steuerung und Optimierung der Geschäftsprozesse eines Unternehmens bezeichnet. Business Intelligence umfasst Verfahren, Methoden und Werkzeuge, um entscheidungs- und analyserelevante Daten aus unternehmensinternen und externen Quellen zusammenzufassen und für Analysezwecke optimiert aufzubereiten (vgl. Grothe/Gensch (2000), S ) Die nachfolgende Abbildung 1 zeigt den klassischen Architekturansatz eines Business-Intelligence-Prozesses (in Anlehnung an Gluchowski (2001), S. 10). Operative Daten Staging Data Warehouse HyperCube Anwender Data Mart Datenextraktion und -Transformation Datenspeicherung Datennutzung Abb. 1: klassischer Architekturansatz eines Business-Intelligence-Prozesses Der erste (Prozess-) Schritt ist die Datenextraktion und -transformation. Hierbei werden aus operativen Anwendungssystemen (z. B. ERP-, SCM-, CRM-Systeme) auf Basis von Transformationsregeln alle für den Analyseprozess relevanten Daten extrahiert und entsprechend eines Regelwerks transformiert. Die Daten selbst werden im zweiten Prozessschritt in einer Sekundärdatenbank dem Data Warehouse abgespeichert (Datenspeicherung). In der Regel werden relationale oder multidimensionale Datenbanksysteme verwendet, die die Speicherung in Form von mehrdimensionalen Datenstrukturen (Hypercubes) erlauben und so die adäquate Grundlage für die Analyse der Daten bilden. In 72

6 manchen Fällen erfolgt der Zugriff direkt auf die Daten der (logischen) Datenbankstrukturen bzw. auf fachbezogene Subschemata (Data Marts). Im dritten Prozessschritt steht die Datennutzung mit Auswertungen und Analyse der Daten durch den Endanwender in seiner Terminologie im Vordergrund. Moderne Analysewerkzeuge ermöglichen die Beantwortung von (analytischen) Fragestellungen wie z. B. Was ist passiert?, Warum ist es passiert?, Was wird passieren? oder Was könnte passieren, wenn...?. Hier-bei können die unterschiedlichsten BI-Werkzeuge und BI-Anwendungen wie z. B. Berichtssysteme oder Data-Mining-Werkzeuge eingesetzt werden. In der nachfolgenden Abbildung 2 sind typische Business-Intelligence-Nutzungsformen klassifiziert dargestellt (vgl. Gartner Group (1999), S. 15). BI-Nutzungsformen BI-Werkzeuge BI-Anwendungen Berichtssysteme spezialisierte BI-Werkzeuge horizontale Applikationen vertikale Applikationen Einfache Abfragewerkzeuge Berichtsgeneratoren Managed Query Environments OLAP-Werkzeuge etc. Data Mining Führungsinformationssysteme Geografische Informationssysteme Statistiken Datenvisualisierung etc. Verkaufsanalyse Balance Scorecard Unternehmensbudgetierung Enterprise Performance Management CRM-Analytics etc Gesundheitswesen, Versicherungen, Nachweis von Betrug Financial Services, Verkaufsanalyse Telefongesellschaften Risikoanalyse etc. Abb. 2: Klassifikation von BI-Nutzungsformen CRM-Analytics Unter CRM-Analytics (oder analytisches CRM) versteht man eine BI-Anwendung, um Kundenbeziehungen zu messen, zu prognostizieren und zu optimieren (Gluchowski (2001), S. 13ff.). Die Architektur eines Data Warehouses erlaubt es, alle relevanten Kundeninformationen zu sammeln und konsequent 73

7 zu ordnen. Dazu gehören nicht nur strukturierte, (alpha-) numerische Daten, die meist Antworten auf die Fragen nach dem Wer, Wie und Was geben, nicht aber Fragen nach dem Warum beantworten können. Auch semi-strukturierte und unstrukturierte Daten werden benötigt, um z. B. das in einem Text verborgene Wissen aufzudecken. So verrät etwa die Verkaufsanalyse, dass ein ehemaliger Stammkunde die Unternehmensfiliale nur noch selten aufsucht, nicht jedoch, warum er fernbleibt. Die Antwort liefert aber die Analyse der Korrespondenz, falls sich der Kunde über mangelhaften Service beschwert hat (Reincke (2003)). In der nachfolgenden Abbildung 3 ist ein Data Warehouse im seinem Kontext zwischen kundenbezogenen Informationsquellen und analytischen CRM-Anwendungen dargestellt. Informationsquellen CRM-Anwendungen Stammdaten Kundendemographie Kundenzufriedenheit Kundenkontakte Transaktionsdaten Kundenreaktionen Kundenreklamationen Marktdaten zu Kunden Unternehmensdaten von Wettbewerbern, die mit unseren Kunden Geschäfte machen Umfragen CRM Analytics Data Warehouse Modellierung des Kundenverhalten Beurteilung des Kundenwertes Kundenprofitabilität Customer Lifetime Value Kundenprofile Kundenscoring Optimierung des Kundenportfolios Kundenplanung und Prognose Abb. 3: CRM-Analytics im Kontext einer Data-Warehouse-Anwendung 74

8 6.3.3 Data Mining und analytische Applikationen Mit Data Mining wird der automatische oder semiautomatische Prozess bezeichnet, um unbekannte, verständliche und potentiell nützliche Muster, Regeln und Abhängigkeiten aus (großen) Datenmengen herauszufinden. Dabei kommen Methoden aus den Bereichen Statistik, Datenbanktechnologie, Neuronalen Netzen und Maschinellem Lernen zu Einsatz (Hagedorn et al. (1997), S. 601f.). Data-Mining-Verfahren lassen sich auf die Analyse von Kundendaten im Data Warehouse anwenden (Berry/Linoff (1997)). Einige Beispiele: Definition homogener Kundensegmente im Marketing, Vertrieb und Kundenservice: Dabei werden Analysemethoden wie Clustering und Klassifikation angewendet. Beim Clustering werden Datensätze (Kundendaten) mit ähnlichen Eigenschaften ohne Vorgaben von Attributseigenschaften ( intelligent ) gruppiert, während bei der Klassifikation Datensätze aufgrund von zuvor festgelegten Klassifikationsregeln zu Gruppen zusammengefasst werden. Ein Verfahren dazu ist die Verwendung von Entscheidungsbäumen. Aus einem Entscheidungsbaum lassen sich Falls-Dann-Regeln ableiten, um Kunden zu klassifizieren (z. B. wenn ein Kunde älter als 40 ist und ein Einkommen > hat, dann ist er kreditwürdig ). Entscheidungsbäume werden häufig bei der ABC- Analyse von Kundenprofilen eingesetzt. Identifikation von Top-Kunden. Beim RFM-Scoring (Recency, Frequency, Moneytary Value) wird versucht, nach einem gewichteten Berechnungsschema das Kaufverhalten eines Kunden zu bewerten. Aktive Kunden etwa erhalten mehr Punkte als Kunden, die keine Transaktionen getätigt haben. Über mathematische lineare und nicht-lineare Regressionsverfahren können beim Vorliegen von kontinuierlichen (Punkt-) Werten Vorhersagen getroffen werden. Steigerung des Kundenumsatzes durch exakt auf den Kunden zugeschnittene Angebote. Analysemethoden wie z. B. die Untersuchung auf Produktassoziationen (welche Produkte werden häufig zusammen gekauft?) unterstützen beim Cross-Selling und Up-Selling. Eine der Methoden ist die Warenkorbanalyse. Dabei werden die Einkäufe von Kunden analysiert, um Rückschlüsse auf das Kaufverhalten zu ziehen. Die nachfolgende Abbildung 4 zeigt einige Beispiele für die Verwendung von Data-Mining-Verfahren in Verbindung mit CRM-Analytics. 75

9 Anforderungen an CRM-Analytics Modellierung des Kundenverhalten Beurteilung des Kundenwertes Kundenprofitabilität Customer Lifetime Value Kundenprofile Kundenscoring Verfahren des Data-Mining Clustering hierarchisch partitionierend Klassifikation Entscheidungsbäume K-nächste Nachbarn Neuronale Netze Regression Optimierung des Kundenportfolios Kundenplanung und Prognose Assoziation Warenkorbanalyse Assoziationsregeln Sequenzanalyse Abb. 4: Beispiele für die Verwendung von Data-Mining-Verfahren in Verbindung mit CRM-Analytics Markttendenzen und Forschungsbedarf Untersuchungen der Meta Group zufolge verschieben sich die Anforderungen an das analytische CRM vom Abteilungsprojekt weg und hin zur Unternehmensstrategie (Meta Group, 2001). Das analytische CRM wird laut Meta Group zukünftig von folgenden Trends beeinflusst: Von der Kundenanalyse zur Beziehungsanalyse Die Tendenz in Richtung unternehmensübergreifende Zusammenarbeit schafft einen wachsenden Bedarf an Analysemöglichkeiten. Lieferanten, Partner und Mitarbeiter sind in die Analyse von Kundenbeziehungen einzubeziehen. Die Zusammenarbeit über Unternehmensgrenzen hinweg erfordert, Informationen mit den Partnern und Lieferanten zu teilen. Dazu gehört beispielsweise der Austausch und die Pflege von gemeinsamen Stammdaten, die in den jeweiligen Data-Warehouse-Systemen abgespeichert werden. 76

10 CRM-Analytics für das Business Performance Measurement Die Balanced Scorecard (Kaplan/Norton (2001)) ist eine Methode, mit der man die Strategie eines Unternehmens in Form von definierten Zielen beschreiben und messen kann. CRM-Kenngrößen werden dabei als übergeordnete Indikatoren für die Leistungsfähigkeit von Unternehmen betrachtet. Kundenbezogene Maßnahmen wie Kundenzufriedenheit und Kundenprofitabilität sind wichtige Faktoren für die Kommunikation und Messung der Strategie im Unternehmen. Planungsmethoden im Marketing, Vertrieb und Kundenservice Viele Unternehmen entwickeln die momentbezogene und retrospektive Planung von Budgets hin zu einer rollierenden, kontinuierlichen Planung mit Prognosemodellen. Beispielsweise werden die aus Vergangenheitsdaten gewonnenen Verhaltensmuster genutzt, um zukünftiges Verhalten vorherzusagen. Das Zusammenspiel von Data Mining und Prognosemodelle für das analytische CRM in Verbidung mit Data-Warehouse-Technologie steht im Fokus der zukünftigen Forschungsaktivitäten Literatur Bauer, A.; Günzel, H. (Hrsg., 2001): Data Warehouse Systeme. Architektur, Entwicklung, Anwendung. 1. Auflage, Heidelberg 2001 Berry, M. J. A., Linoff, G. (1997), Data Mining Techniques : For Marketing, Sales and Customer Support, New York 1997 Gartner Group (1999): Business Intelligence. In: Computerwoche, Heft 20, S. 15 Gluchowski, P. (2001): Business Intelligence: Konzepte, Technologien und Einsatzbereich. In: HMD, 222, Dez Grothe, M.; Gentsch, P. (2000): Business Intelligence aus Informationen Wettbewerbsvorteil gewinnen. Addison-Wesley, München 2000 Hagedorn, J.; Bissantz, N.; Mertens, P. (1997): Data Mining (Datenmustererkennung): Stand der Forschung und Entwicklung, in: Wirtschaftsinformatik, 39/1997, S Kaplan, R. S.; Norton, D. (2001): Balanced Scorecard, Stuttgart 2001 Meta Group (2001): Putting Marketing Wheels to the Customer Life Cycle, Research Note, ADS 886, abgefragt am

11 Reincke, U. (2003): Analyse-Tools klassifizieren Texte nach dem Inhalt. In: Computerzeitung, Nr. 6, S. 20 Strotz, W; Müller, H.-D. (1998): Das skalierbare Data Warehouse - ein Anwenderbericht. In: Chamoni, P.; Gluchowski, P.: Analytische Informationssysteme - Data 78

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder.

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. Präsenzübung Service 2.1. CRM Customer-Relationship Management a) Anliegen des CRM Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. CRM, auch Beziehungsmanagement

Mehr

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Customer Relationship Management CRM

Customer Relationship Management CRM Customer Relationship Management CRM 1.1 Zielsetzung von CRM...2 1.2 Komponenten einer CRM-Lösung...4 1.2.1 Aufgabenbereiche eines CRM-Systems...4 1.2.2 Analytisches CRM...7 1.2.3 Operatives CRM...7 1.2.4

Mehr

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing Feedback-Management als Daten-Schatz für das Multi-Channel- - Strategische CRM-Unternehmensberatung Vortrag im Rahmen des MTP-Alumni Forums Erfolgsfaktor Kundendialog warum Kunden wiederkommen, Darmstadt,

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Infografik Business Intelligence

Infografik 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

Mehr

Business Intelligence

Business 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

Mehr

CRM im Online-Bereich für die Druck- und Medienindustrie

CRM im Online-Bereich für die Druck- und Medienindustrie CRM im Online-Bereich für die Druck- und Medienindustrie Vorlesung an der Berufsakademie Mannheim Dr. Gerald Lembke www. 30.03.2007 Was ist noch mal Customer-Relationship-Management? CRM ist eine kundenorientierte

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort 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

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Wachstumsförderung mit CRM

Wachstumsförderung mit CRM Wachstumsförderung mit CRM Computerwoche CRM Initiative Feb. 2007 Dr. Wolfgang Martin Analyst, Mitglied im CRM-Expertenrat und Research Advisor am Institut für Business Intelligence Wachstumsförderung

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Entwicklung eines CRM Systems

Entwicklung eines CRM Systems Entwicklung eines CRM Systems In diesem Skript werden alle möglichen Elemente die zur Entwicklung eines CRM Systems notwendig sind angesprochen. Im Rahmen Ihrer Analyse Ihres Beispielunternehmens/ Ihrer

Mehr

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Hauptseminar im WS 03/04 Neue Ansätze im IT-Service-Management- Prozessorientierung (ITIL/eTOM) Thema: Customer Relationship Management in etom Name: Wen-Wang Wu Betreuer:

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES]

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] NOW YOU KNOW [ SERIES] Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Potential ontologiebasierter Wissens- Lösungen

Mehr

«Liebe LeserInnen». Unser Ziel >> Ihr wirtschaftlicher Erfolg heute und morgen.

«Liebe LeserInnen». Unser Ziel >> Ihr wirtschaftlicher Erfolg heute und morgen. daneco «Liebe LeserInnen». Ihre Anforderungen >> Sie suchen einen Berater, der Ihr Geschäft versteht. Einen Partner, der Ihre Lösung aus einer Hand liefert. Eine Lösung mit dem grössten Nutzen, dem kleinsten

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI 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

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

CRM und Mittelstand Passt das zusammen?

CRM und Mittelstand Passt das zusammen? CRM und Mittelstand Passt das zusammen? Erfahrungen bei Dipl.-Wirt.-Ing. Nils Frohloff AGENDA Die Firma MIT Moderne Industrietechnik GmbH Ausgangssituation im Mittelstand Was bedeutet CRM? Anforderungen

Mehr

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung

Begleitende Online-Lernkontrolle als Prüfungszulassungsvoraussetzung Modulbezeichnung: Modulnummer: IWBI Business Intelligence Semester: -- Dauer: Minimaldauer 1 Semester Modultyp: Wahlpflicht Regulär angeboten im: WS, SS Workload: 300 h ECTS Punkte: 10 Zugangsvoraussetzungen:

Mehr

Kundenbeziehungsmanagement im Mittelstand

Kundenbeziehungsmanagement im Mittelstand Kundenbeziehungsmanagement im Mittelstand Mit Vernetzung zum Erfolg Prof. Dr.-Ing. Andreas Schmidt Lehrgebiet Wirtschaftsinformatik Hochschule Osnabrück 1 by Hilbring Cartoons, Oliver Hilbring, http://www.oli-hilbring.de/

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Was ist aktives Kundenmanagement? Wie installiere ich eine Kundenbewertung? Wie beschreite ich Wege zum erfolgreichen CRM?

Was ist aktives Kundenmanagement? Wie installiere ich eine Kundenbewertung? Wie beschreite ich Wege zum erfolgreichen CRM? Dialog verbindet. mit Beispielen aus der Praxis Ein Vortrag von Bernt Penderak soit GmbH durch CRM 1 von 27 Gliederung Was ist aktives Kundenmanagement? Was bedeutet? Wie installiere ich eine? Wie beschreite

Mehr

BARC-Studie Data Warehousing und Datenintegration

BARC-Studie Data Warehousing und Datenintegration Ergebnisse der BARC-Studie Data Warehouse Plattformen Dr. Carsten Bange BARC-Studie Data Warehousing und Datenintegration Data-Warehouse -Plattformen und Datenintegrationswerkzeuge im direkten Vergleich

Mehr

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren

Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management - Kundenwert steigern, Kommunikation vereinfachen, Risiken minimieren Customer Relationship Management Lösungen von ERM sind flexible Komplettlösungen, mit denen Sie Ihre

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

Business Intelligenceein Überblick

Business Intelligenceein Überblick Exkurs Business Intelligenceein Überblick Folie 1 Januar 06 Literatur Kemper, Hans-Georg; Mehanna, Walid; Unger, Carsten (2004): Business Intelligence: Grundlagen und praktische Anwendungen Eine Einführung

Mehr

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Pressemitteilung. Produktoptimierung mittels Data-Mining BMW setzt auf ClearVu Analytics. Dortmund, 30.01.2012

Pressemitteilung. Produktoptimierung mittels Data-Mining BMW setzt auf ClearVu Analytics. Dortmund, 30.01.2012 Pressemitteilung ANSCHRIFT Joseph-von-Fraunhofer-Str.20 44227 Dortmund TEL +49 (0)231 97 00-340 FAX +49 (0)231 97 00-343 MAIL kontakt@divis-gmbh.de WEB www.divis-gmbh.de Dortmund, 30.01.2012 Produktoptimierung

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

CRM von Luxusmarken. Zusammenfassung der Studienergebnisse. Juli 2010. Eine empirische Studie deutscher Luxusmarken

CRM von Luxusmarken. Zusammenfassung der Studienergebnisse. Juli 2010. Eine empirische Studie deutscher Luxusmarken CRM von Luxusmarken Eine empirische Studie deutscher Luxusmarken Zusammenfassung der Studienergebnisse Juli 2010 Inhalt 1 Management Summary 2 Zielsetzung und Studiendesign 3 Studienergebnisse 4 Handlungsempfehlungen

Mehr

Business Analytics im E-Commerce

Business Analytics im E-Commerce Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten

Mehr

Grundlagen des CRM. Dr.-Ing. Jubran Rajub

Grundlagen des CRM. Dr.-Ing. Jubran Rajub Grundlagen des CRM Dr.-Ing. Literatur H. Hippner, K. D. Wilde (Hrsg.): Grundlagen des CRM, Konzepte und Gestaltung, Gabler Verlag, Wiesbaden (2007). K.C. Laudon, J.P. Laudon, D. Schoder: "Wirtschaftsinformatik

Mehr

Vortrag. Kollaboratives Customer Relationship Management

Vortrag. Kollaboratives Customer Relationship Management Vortrag Kollaboratives Customer Relationship Management 1 Überblick Wortbedeutung Grundlagen CRM Abgrenzung Analytisches / Operatives und kollaboratives CRM Kollaboration Unternehmen und Kunden Kollaboration

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

Big 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: 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

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars 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

Mehr

Trends in der IT-Dienstleistung

Trends in der IT-Dienstleistung Trends in der IT-Dienstleistung Dr. Kyrill Meyer Forum IT-Dienstleisterkreis Chemnitz 16. September 2009 Kurzvorstellung Die Professur (BIS) besteht am der Universität Leipzig seit dem Wintersemester 2000/2001

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

Mehr

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen VIADEE CRM VIEL MEHR ALS EIN STÜCK SOFTWARE Eine Vielzahl von unterschiedlichen

Mehr

Customer Relationship Management Der Weg zu erfolgreichen Kundenbeziehungen

Customer Relationship Management Der Weg zu erfolgreichen Kundenbeziehungen Customer Relationship Management Der Weg zu erfolgreichen Kundenbeziehungen Marketing-Club Siegen e.v. Vortrag am 04.02.2003 Präsentation als PDF Universität Siegen Wirtschaftsinformatik Fachbereich Wirtschaftswissenschaften

Mehr

DISKUSSIONSBEITRÄGE 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 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance

Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance Inhaltliche Ausrichtung und organisatorische Sicherstellung Business Intelligence Governance Ralf Heim Consultant Strategy and Technology Management Ralf.Heim@heimr.de Markus Linden Wissenschaftlicher

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

ebusiness Heiko Armbruster Olbricht, Seehaus & Co. Consulting GmbH Tattersallstr. 15-17 D - 68165 Mannheim

ebusiness Heiko Armbruster Olbricht, Seehaus & Co. Consulting GmbH Tattersallstr. 15-17 D - 68165 Mannheim Heiko Armbruster Olbricht, Seehaus & Co. Consulting GmbH Tattersallstr. 15-17 D - 68165 Mannheim Tel.: +49 621 156 20-35 Fax: +49 621 156 20-44 email: harmbruster@osco.de www.osco.de Warum e-business?

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Zusammenfassung der Dissertation "Convenience im Handel"

Zusammenfassung der Dissertation Convenience im Handel Zusammenfassung der Dissertation " im Handel" im Handel ist das vom Kunden wahrgenommene Ausmaß der Vermeidung von Einkaufskosten in Form von Zeit sowie physischer, kognitiver und emotionaler Mühe. Dieses

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

Mehr

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015 BICE Business Intelligence in the Cloud for Energy Zwischenpräsentation Oldenburg, 25.02.205 Verfasser: Projektgruppe Business Intelligence as a Service Gliederung Projektgruppe Meilensteinplan Problemstellung

Mehr

Big Data Herausforderungen für Rechenzentren

Big Data Herausforderungen für Rechenzentren FINANCIAL INSTITUTIONS ENERGY INFRASTRUCTURE, MINING AND COMMODITIES TRANSPORT TECHNOLOGY AND INNOVATION PHARMACEUTICALS AND LIFE SCIENCES Big Data Herausforderungen für Rechenzentren RA Dr. Flemming Moos

Mehr

Geschäftsdaten auswerten

Geschäftsdaten auswerten Geschäftsdaten auswerten Schwachstellen erkennen, Ursachen analysieren und gezielter steuern Thomas Menner thomas.menner@eloum.net ebusiness-lotse Oberschwaben-Ulm IHK Bodensee-Oberschwaben, Weingarten,

Mehr

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Titel des Lernmoduls: Customer Relationship Management Themengebiet: New Economy Gliederungspunkt im Curriculum: 2.2.1.3.7 Zum Inhalt: Diese Modul befaßt sich mit der Vorgehensweise

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen Fabian Geist, B.Sc. Dipl.-Wirtsch.-Ing. Torsten Kluin Prof. Dr. Harald Ritz Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Mehr

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement CMC-KOMPASS: CRM Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement 1 CROSSMEDIACONSULTING 18.05.2010 Unser Verständnis von CRM: Customer Relationship Management ist weit mehr als ein IT-Projekt

Mehr

S-CRM: Strategisches Customer Relationship Management

S-CRM: Strategisches Customer Relationship Management S-CRM: Strategisches Customer Relationship Management - Strategien, Prozesse, Menschen und IT - CRM ist eine Geschäftsstrategie (Philosophie) basierend auf dem Umgang mit Kunden und Mitarbeitern. Value

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

connect and get connected Wachstum durch CRM dank neuen Kunden

connect and get connected Wachstum durch CRM dank neuen Kunden connect and get connected Wachstum durch CRM dank neuen Kunden Swiss CRM Forum 2011 rbc Solutions AG, General Wille-Strasse 144, CH-8706 Meilen welcome@rbc.ch, www.rbc.ch, +41 44 925 36 36 Agenda Einleitung

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

OLAP und Data Warehouses

OLAP 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

Mehr

Vertriebssteuerung & Controlling Konkrete Vertriebsziele, passend zur Unternehmensstrategie

Vertriebssteuerung & Controlling Konkrete Vertriebsziele, passend zur Unternehmensstrategie Konkrete Vertriebsziele, passend zur Unternehmensstrategie Wir ermöglichen Ihnen mit dem Service Vertriebssteuerung die erfolgreiche Umsetzung Ihrer Unternehmensstrategie in operativ umsetzbare Vertriebsziele.

Mehr

Kundenbeziehungenerfolgreich gestalten. Ein Workshop für BPW-Glarus

Kundenbeziehungenerfolgreich gestalten. Ein Workshop für BPW-Glarus Kundenbeziehungenerfolgreich gestalten Ein Workshop für BPW-Glarus Inhalt Vom Kundenwert und Kundenpotential Grundlagen des Kundenbeziehungsmarketings. Treue und zufriedene Kunden sind die Lebensader jedes

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

Mehr

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Dr. Thomas Bernard 6. Karlsruher Automations-Treff (KAT) Leit- und Automatisierungstechnik der Zukunft Karlsruhe,

Mehr

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

Mehr

Ergebnisse einer explorativen Studie

Ergebnisse einer explorativen Studie Dr. Henning Baars Integration von CRM-Systemen für den Außendienst des industriellen Mittelstandes Ergebnisse einer explorativen Studie Präsentation auf der MKWI 2006 20.02.2006 Prof. Dr. Hans-Georg Kemper,

Mehr

Hinführung zum Thema CRM Was ist CRM & Was habe ich davon?

Hinführung zum Thema CRM Was ist CRM & Was habe ich davon? Hinführung zum Thema CRM Was ist CRM & Was habe ich davon? NIK Veranstaltung in Nürnberg / 07. Mai 2014 Referent Matthias Bär sales do Gründer / Strategieberater und Umsetzungsbegleiter Was erwartet uns

Mehr

Customer Relationship Management...

Customer Relationship Management... Customer Relationship Management... Wissen Kunde E-Technologien Informationsmanagement Transaktionsmarketing CAS- System Wissensmanagement Beziehungsmarketing CRM- System...integriert Wissensmanagement,

Mehr