Teil X Business Intelligence Anwendungen
|
|
- Louisa Kristin Graf
- vor 8 Jahren
- Abrufe
Transkript
1 Teil X Business Intelligence Anwendungen
2 Business Intelligence Anwendungen 1 Begriffsklärung c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
3 Business Intelligence Anwendungen 1 Begriffsklärung 2 c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
4 Business Intelligence Anwendungen 1 Begriffsklärung 2 3 Report & BSC c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
5 Begriffsklärung Business Intelligence Vielfältige Begrifflichkeit: 1989 Begriff Business Intelligence geprägt [Dresner 1989] ab den 60er Jahren (seit der Datenverarbeitung): Management-Informations-Systeme Management-Support-Systeme Executive-Information-Systeme Unterscheidung: Im engeren Sinne Analyseorientiert Im weiteren Sinne c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
6 Begriffsklärung Intelligence Begrifflichkeit: Auffinden von Ordnungen, Regeln für Gemeinsamkeiten (Zusammentreffen), Regeln für Neben- und Nacheinanderauftreten von Ereignissen, Gezielte Sammlung und Weitergabe von Informationen, Informationslogik c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
7 Begriffsklärung Wissenspyramide Können Wissen Verbesserte Entscheidungsfindung Wissensbasierte Systeme 4. Stufe 3. Stufe Information klassische Management- Informations-Systeme 2. Stufe Daten Data Warehouse 1. Stufe c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
8 Begriffsklärung Business Intelligence Daten- und Informationsverarbeitung für die Unternehmensleitung Informationslogistik: Filterung von Informationen MIS: schnelle und flexible Auswertungen Frühwarnsystem im Unternehmen ( Alerting ) BI = Data Warehousing Informations- und Wissensspeicherung Prozess von Erhebung Diagnose Therapie Prognose Kontrolle [Mertens 2002] c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
9 Begriffsklärung Business Intelligence Business Intelligence bezeichnet den analytischen Prozess, der fragmentierte Unternehmens- und Wettbewerbsdaten in handlungsgerichtetes Wissen über die Fähigkeiten, Positionen, Handlungen und Ziele der betrachteten internen oder externen Handlungsfelder (Akteure und Prozesse) transformiert. [Grothe & Gensch 2000] Analytischer Prozess: Planen, Entscheiden und Steuern Allgegenwärtige Datenintegration und -bereitstellung Handlungsgerichtetes Wissen: Kommunikation + Information + Wissensdarstellung c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
10 Begriffsklärung Business Intelligence Portfolio Unternehmens-, Markt, und Wettbewerbsanalyse Ausprägung der quantitativ überwiegend qualitativ Datengrundlage: strukturiert semi-strukturiert Entdeckungsprozess: hypothesengestützt hypothesenfrei Bereitstellung Data-Warehouse-Systeme Internet (data delivery) Multidimensionale Modelle für: Agententechnologie Planung, Budgetierung, (ex- und) implizites Wissen Analyse, Reporting Entdeckung OLAP Analysen, Business-Simulatoren (knowledge discovery) Balanced Scorecards Früherkennungssysteme ABC-Analyse, Data Mining, Text Mining Abweichungsanalyse Fallbasiertes Schließen Kommunikation standardisiertes und Interessenprofile (knowledge sharing) ereignisgesteuertes Reporting Issue Management Informationssysteme traditionelles Wissensmanagement Pull und Push-Service Competitive Intelligence: Unternehmens-, Markt- und Wettbewerbsanalyse c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
11 Begriffsklärung Business Intelligence Prozess Datenanalyse Präsentation, Analyse Applikation OLAP Informationsmodellierung Multidimensionale Berechnungen Data Warehouse Datenspeicherung Administration ETL Selektion, Extraktion Transformation, Laden Operative Systeme Transaktionsabwicklung Anbindung externer Quellen c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
12 Begriffsklärung Data Warehouse und Business Intelligence Data Warehouse ist zentraler Informationsspeicher BI: Methoden zur Verbindung quantitativer, qualitativer, interner und externer Informationen Menge der DW-Daten muss geeignet gefiltert und aggregiert werden, um personalisierte Informationen / Wissen darzustellen Data Mart stellt Ausgangspunkt für domänenspezifische Analyse dar Hohes Datenaufkommen: Datenbestände im OLAP-Bereich wachsen ständig Überblick über Strukturen der Daten mittels explorativen Verfahren Data Mining und Mustererkennung c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
13 Begriffsklärung Knowledge Discovery Prozess Bewertung Wissen Datenbereinigung und -integration Data Warehouse Selektion und Transformation Data Marts Data Mining Muster Dok Dok Dok Datenquellen [Han & Kamber 2006] c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
14 Begriffsklärung Business Intelligence Business Intelligence ist die entscheidungsorientierte Sammlung, Aufbereitung und Darstellung geschäftsrelevanter Informationen. Entscheidungsgrundlagen verbessern, [Schrödl 2006] Datensammlung: heterogene Quellen und Anforderungen (z.b. Sicherheit) Rohdaten zu Informationen transformieren (z.b. mathematisch, regelbasiert) Informationsdarstellung für Anwender Konzentration auf Geschäftsrelevanz (Optimierung Nutzen & Aufwand) c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
15 Begriffsklärung BI-Zyklus 1 Quantifizieren und Qualifizieren von Unternehmensinformationen 2 Analyse der gewonnen Daten 3 Ableiten von Erkenntnissen, welche die geschäftlichen Vorgänge unterstützen 4 Bewerten der Erkenntnisse in Bezug auf die Ziele 5 Umsetzen der relevanten Erkenntnisse in konkrete Maßnahmen [Vitt et al. 2002] c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
16 Begriffsklärung Business Intelligence externe Datenquellen ERP-DB Planung Servicequalität: Monitoring + Steuerung Data Mining Data Warehouse Geschäftsoptimierung Problembehandlung + Riskomanagement Entscheidungsunterstützung Business Simulation c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
17 Typische DW Welche Kunden haben wir? Customer Relationship Management Wie entwickeln sich unsere Kosten? Supply Chain Management Wo existieren in unserem Produktsortiment weitere Potentiale? Warenkorbanalyse... c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
18 Typische Data Mining Verfahren Assoziationsregeln Was wurde gemeinsam in einem Warenkorb gekauft? Klassifikationsverfahren Welchen Kundengruppen sollen wir Aktionen vorschlagen? Clustering Welche Gemeinsamkeiten gibt es bei unseren Kunden / Lieferanten?... c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
19 Warenkorbanalyse Transaktionen an der Kasse (Transaktionsdatenbank): T1: {Müller-Thurgau, Riesling, Dornfelder} T2: {Riesling, Erfurter Bock, Ilmenauer Pils, Anhaltinisch Flüssig} T3: {Müller-Thurgau, Riesling, Erfurter Bock } Warenkorbanalyse: Welche Waren werden häufig miteinander gekauft? Ziele: Optimierung Laden-Layout Cross-Marketing Add-On Sales c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
20 Assoziationsregel Regeltyp: Rumpf Kopf [support, confidence] Beispiel: kauft(x, Rotwein ) kauft(x, Erfurter Bock ) [0.5%, 60%] 98% aller Kunden, die Müller-Thurgau und Riesling kaufen, bezahlen mit Kreditkarte. c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
21 Grundbegriffe nach [Agrawal und Srikant (1994)] Items I = {i 1, i 2,..., i m } Grundgesamtheit an Literalen Itemset X: X I Datenbank D Menge von Transaktionen X I X T Lexikografische Sortierung in T und X Länge k eines Itemsets: Anzahl der Elemente k-itemset: Itemset der Länge k c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
22 Grundbegriffe (2) Support der Menge X in D: Anteil der Transaktionen in D, die X enthalten: supp(x) = X D Assoziationsregel: A B, mit A I, B I und A B = Support s einer Assoziationsregel A B in D: s = supp(x Y) Konfidenz c einer Assoziationsregel A B in D: Anteil der Transaktionen, die B enthalten, wenn sie in A enthalten sind c = conf (B A) = supp(a B) supp(a) Problem: Bestimme alle Assoziationsregeln, die in D einen Support minsup und einen Konfidenz minconf besitzen. c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
23 Beispiel Assoziationsregeln minsup = 20 % TID Items 1 Erfurter Bock, MT, Riesling 2 Erfurter Bock, MT, Dornfelder 3 Ilmenauer Pils, MT 4 Anhaltinisch Flüssig, Dornfelder, Riesling 5 Berliner Bräu, Dornfelder, Riesling 6 Kölnische Weiße, MT 7 Anhaltinisch Flüssig, Dornfelder supp(mt) 57% supp(riesling) = supp(dornfelder) 43% supp(erfurter Bock) = supp(anhaltinisch Flüssig) 29% supp(ilmenauer Pils) = supp(berliner Bräu) = supp(köln. Weiße) 14%. potentielle Kandidaten: MT, Riesling, Dornfelder, Erfurter Bock, Anhaltinisch Flüssig c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
24 Beispiel Assoziationsregeln (2) mögliche Kombinationen aller Kandidaten: Itemset Support in % (Erfurter Bock, MT) 29 (Erfurter Bock, Riesling) 14 (Erfurter Bock, Dornfelder) 14 (Erfurter Bock, Anhaltinisch Flüssig) 0 (MT, Riesling) 14 (MT, Dornfelder) 14 (MT, Anhaltinisch Flüssig) 0 (Riesling, Dornfelder) 29 (Riesling, Anhaltinisch Flüssig) 0 (Dornfelder, Anhaltinisch Flüssig) 29 c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
25 Apriori Algorithmus Input I, D, minsup Output k L k C k : zu zählende Kandidaten-Itemsets der Länge k L k : Menge aller häufig vorkommenden Itemsets der Länge k initialisiere L 1 := 1-Itemsets aus I, k:= 2 WHILE L k 1 C k := AprioriKandidatenGenerierung(L k 1 ); FOR EACH Transaktion T D CT := Subset(C k, T) // alle Kandidaten aus C k, die in T enthalten FOR jeden Kandidat c CT c.count++ L k := {c C k (c.count/ D ) minsup} k++ c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
26 Effizienzsteigerung Apriori Algorithmus Zählen des Supports mittels Hashtabelle [Park, Chen, Yu 1995] Hashtabelle statt Hashbaum k-itemset, dessen Bucket einen Zähler kleiner den minimalen Support aufweist, kann nicht häufig auftreten effizienterer Zugriff auf Kandidaten, ungenauere Zählung Transaktionsreduktion [Agrawal & Srikant 1994] Transaktionen, die kein häufiges k-itemset aufweisen, werden nicht benötigt, d.h. können entfernt werden Datenbank-Scan effizienter, aber Schreibaufwand c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
27 Effizienzsteigerung Apriori Algorithmus (2) Partitionierung [Savasere, Omiecinski & Navathe 1995] Itemset nur häufig, wwenn es in einer Partition häufig ist Ausnutzung des Hauptspeichers (Partition) Partitionseffizient, aber Aufwand beim Zusammensetzen Sampling [Toivonen 1996] Anwendung Apriori auf Ausschnitt (Sample) Zählen der gefundenen Regeln auf Gesamtdatenbank c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
28 Clusterverfahren Identifikation einer endlichen Menge von Gruppen in Daten Suche nach Partitionierung Ähnlichkeit innerhalb Gruppe Möglichst Verschieden zwischen den Gruppen Auftretende Muster (Größe, Form, Dichte): c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
29 Distanzfunktionen Ähnlichkeitsmaß sim(objekt 1, objekt 2 ) Distanzfunktion dist(objekt 1, objekt 2 ) O O R + kleine Distanz ähnlich, große Distanz unähnlich dist(objekt1, objekt 2 ) = 0, genau dann wenn objekt 1 = objekt 2 Symmetrie: dist(objekt 1, objekt 2 ) = dist(objekt 2, objekt 1 ) Bei Metriken: dist(objekt 1, objekt 3 ) dist(objekt 1, objekt 2 ) + dist(objekt 2, objekt 3 ) c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
30 Partitionierendes Clustering ClusteringDurchVarianzMinimierung Input:Tupelmenge D, Klassenanzahl k Output: Cluster C Erzeuge eine Anfangs-Zerlegung von D in k Klassen Berechne Menge C = {C 1,..., C k } der Centroide für die k Klassen C := {} repeat C := C Partioniere: Bilde k Klassen durch Zuordnung jedes Punktes zum nächstliegenden Centroid aus C Berechne Centroide: Berechne die Menge C = {C1,..., C k } der Centroide für die neu bestimmten Klassen until C = C c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
31 Clusterverfahren: Illustration Berechnung der neuen Centroide Berechnung der neuen Centroide Zuordnung zum nächsten Centroid c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
32 Vor- und Nachteile Vorteile: linearer Aufwand pro Iteration, wenige Iterationen einfache Implementierung k-means [MacQueen 1967]: populärster Clusteralgorithmus Nachteile: Rauschen- und Ausreißeranfällig konvexe Form der Cluster Bestimmung Anzahl der Cluster Initialaufteilung wichtig für Laufzeit und Ergebnis c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
33 Klassifikation: Beispiel Schmeckt uns der Wein? Alkoholgehalt Lernalgorithmen TID Weinart Restsüße g/l Alkoholgehalt Class 1 Weiß Yes 2 Rot 20 9 Yes 3 Rose 22 9 No 4 Rose 15 8 No 5 Rot 30 5 Yes 6 Weiß Yes 7 Rot No 8 Weiß 45 5 Yes 9 Weiß Yes 10 Rot 8 10 No Trainings Set Induktion Lerne Modell Modell Modell Modell TID Weinart Restsüße g/l Class 11 Rot 23 10? 12 Rose 15 12? 13 Weiß 22 10? 14 Weiß 30 6? 15 Rot 12 14? Deduktion Wende Modell an Inferenz 17 Weiß 5 16? Test Set c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
34 Klassifikation Gegeben sind Menge von Objekten mit Attributen o = (x 1,..., x d ) und Zugehörigkeit zu Klassenmenge C Gesucht: Klassifikator K für neue Objekte K : Objekte neu C Klassenzugehörigkeit a-priori bekannt Abgrenzung zu Clusterverfahren Ähnlich zu Prognose (z.b. lineare Regression) c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
35 Klassifikationsergebnis TID Weinart Restsüße g/l Alkoholgehalt Ja/Nein 1 Rot Ja 2 Weiß Nein 3 Rose Ja 4 Weiß 30 6 Ja 5 Rot Nein <=15 Restsüße >15 Weinart Ja Weiß Rose Rot Nein Ja Nein c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
36 Klassifikationsgüte Vorhersage wahre Werte Klasse zugehörig Klasse nicht zugehörig Klasse zugehörig True Positive False Negative Klasse nicht zugehörig False Positive True Negative Accuracy: Precision: p = Recall: r = F-Measure: F = TP+TN TP+FN+FP+TN TP TP+FP TP TP+FN 2 TP 2 TP+FN+FP c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
37 Klassifikationsmethoden Entscheidungsbaum Regelbasiert Lineare Diskriminanz nach Fisher Kategorielle Regression, Log-Lineare Modelle Neuronale Netzwerke Naive Bayes und Bayesian Belief Networks Support-Vektor-Maschinen c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
38 Entscheidungsbaum Vorgehen: Splitting und Partitionieren Explizites Wissen wird gefunden Leicht verständlich Gut visualisierbar c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
39 Algorithmus für Entscheidungsbaum Input: Trainingsdatensätze Initialisierung: alle Datensätze gehören zum Wurzelknoten WHILE Splitattribut vorhanden OR Datensätze eines Knoten in unterschiedlichen Klassen Wähle Splitattribut (Splittingstrategie) Partitioniere Datensätze des Knoten anhand Attribut Rekursion für alle Partitionen c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
40 Entscheidungsbaum: Ergebnis E(z a 1 ) = (-2500) x (-2500) x ( ) = E(z a 2 ) = ( ) x x ( ) = p 1 z 1 (-2500) a 1 All p 2 p 1 z 2 (-2500) z 1 ( ) a 2 p 2 z 2 (0) c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
41 Prognose: Beispiel Monatlicher Tankbierabsatz einer Brauerei (khl) khl Jan Feb Mär Apr Mai Jun Jul Aug Sept Okt Nov Dez Monatlicher Bierabsatz Absatzentwicklung je Monat Januar khl khl Februar März April Mai Juni Juli August September Oktober November Dezember lfd. Monat c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
42 Zeitreihenmodelle Additiv: X t = G t + S t + e t Multiplikativ: X t = G t S t e t Gemischt: X t = G t S t + e t Komponenten: Konstant: dx t /ds t = 1 Niveauabhängig: dx t /ds t = G t X t : Ausprägung zum Zeitpunkt t G t : Trend, Wachstum S t : Saison, Konjunktur, Zyklen e t : Fehlerterm c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
43 Report & BSC Reporting Report Jahr 2011 Verkauf von Rotwein: 12,2 Mio. Verkauf von Weißwein: 9,4 Mio. Verkauf von Rosewein: 6,8 Mio. 1.Halbjahr Verkauf von Rotwein: 6,8 Mio. Verkauf von Weißwein: 6 Mio. Verkauf von Rosewein: 2,5 Mio. Umsatz: 10,3 Mio Gewinn: 2,1 Mio 2.Halbjahr Verkauf von Rotwein: 5,4 Mio. Verkauf von Weißwein: 3,4 Mio. Verkauf von Rosewein: 4,3 Mio. Weißwein Herstellung Rose Rotwein Mitarbeiterzufriedenheit Kundenzufriedenheit Marktentwicklung Vertrieb c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
44 Report & BSC Balanced Scorecard Finanzielle Perspektive Wie sollen wir gegenüber Teilhabern auftreten, um finanziellen Erfolg zu haben? Kundenperspektive Wie sollen wir gegenüber unseren Kunden auftreten, um unsere Visionen zu verwirklichen? Vision & Strategie Lern- und Entwicklungs- Perspektive Interne- (Geschäftsprozess) Perspektive In welchen Geschäftsprozessen müssen wir die Besten sein, um unsere Teilhaber und Kunden zu befriedigen? Wie können wir unsere Veränderungs- und Wachstumspotentiale fördern, um unsere Vision zu verwirklichen? c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
45 Report & BSC Wirkungszusammenhänge Ursache- Wirkungskette Return on Capital Employed Finanzielle Perspektive Kundentreue Kundenperspektive Interne Perspektive Pünktliche Lieferung Interne Perspektive Prozessqualität Prozessdurchlaufzeit Fachwissen der Mitarbeiter Lernperspektive c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
46 Report & BSC Entscheidungsunterstützung Realität Entscheidungsfeld Informationen Aktionen Informationssystem Entscheidungslogik Zielsystem Modellwelt c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung:
Teil X Business Intelligence Anwendungen
Teil X Business Intelligence Anwendungen Business Intelligence Anwendungen 1 Begriffsklärung 2 3 Report & BSC c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung: 20.01.2012 10 1 Begriffsklärung
MehrTeil X Business Intelligence Anwendungen
Teil X Business Intelligence Anwendungen Business Intelligence Anwendungen Begriffsklärung 1 Report & BSC c Sattler / Saake / Köppen Data-Warehouse-Technologien Letzte Änderung: 13.01.2015 10 1 Begriffsklärung
MehrData 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
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
MehrErmittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung
Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.
MehrTiefgreifende 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
MehrBusiness 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
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
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,
MehrHäufige Item-Mengen: die Schlüssel-Idee. Vorlesungsplan. Apriori Algorithmus. Methoden zur Verbessung der Effizienz von Apriori
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
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
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
MehrFühren mit Zielen und Meßgrößen
Führen mit Zielen und Meßgrößen Der erste Führungsleitsatz der Firma X lautet: Wir vereinbaren präzise Ziele und kontrollieren konsequent deren Umsetzung Ziele geben Führungskräften und Mitarbeitern Orientierung
MehrBusiness Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand
Business Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand 2. Fachtagung Dynamisierung des Mittelstandes durch IT, 09.09.2008 Was ist Business Intelligence
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
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
MehrWarum sich das Management nicht für agile Softwareentwicklung interessieren sollte - aber für Agilität
Warum sich das Management nicht für agile Softwareentwicklung interessieren sollte - aber für Agilität Marcus Winteroll oose GmbH Agenda I. Ziele und Zusammenarbeit II. Was wir vom agilen Vorgehen lernen
Mehr2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating
Performance Management Markterfolg dank Kundenrating Welches sind Ihre besten Kunden? Frage 1: Kennen Sie die Umsatzentwicklung jedes Kunden über die letzten 5 Jahre? Frage 2: Kennen Sie den Produkte-Mix
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
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
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
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
MehrWarum. Natural AnalyticsTM. wichtig ist
Warum Natural AnalyticsTM wichtig ist Wir sind alle geborene Analytiker. Die Menschheit entwickelte sich in einer Welt voll komplexer Informationen und wichtiger Entscheidungen. Wir erkennen Muster und
MehrData 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
MehrNon-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
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)
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,
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrKapitel 7: Assoziationsregeln
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2007/2008 Kapitel
MehrBusiness Intelligence in NRW
Fragebogen zur Erhebung von Unternehmensdaten für die Business Intelligence Studie in Nordrhein-Westfalen ishot, wwwphotocasede Sehr geehrte Teilnehmerin, sehr geehrter Teilnehmer, wir führen für das Land
MehrGeneral Management FFHS Adaption Pro-Szenario Version 13.1 FFHS Adaption
General Management General Management FFHS Adaption Pro-Szenario Version 13.1 FFHS Adaption M. Ursprung 1.9.2014 www.net-plus.ch Ablauf Planspiel Erwartung Realität Eintrittstest Pause 10 Einführung 4h
MehrBusiness Intelligence Data Warehouse. Jan Weinschenker
Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data
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...............
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrMehrwert durch 3D-Druck generieren
Mehrwert durch 3D-Druck generieren Zwei fundamentale Unterschiede von 3D-Druck zu traditionellen Produktionsverfahren No economies of scale Complexity for free Stückkosten Stückkosten Stückzahl Stückzahl
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,
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrSQL Server 2012 und SharePoint im Unternehmenseinsatz. Referent Daniel Caesar
SQL Server 2012 und SharePoint im Unternehmenseinsatz Referent Daniel Caesar sqlxpert Daniel Caesar Publikationen Themen SQL Server Admin, Entwicklung SharePoint Admin, Entwicklung.NET Entwicklung Rechtssichere
MehrUmfrage Aktuell Neukundengewinnung und Lead Management in mittelständischen Unternehmen: Status quo, Chancen und Potentiale.
Neukundengewinnung und Lead Management in mittelständischen Unternehmen: Status quo, Chancen und Potentiale. Seite 1 Ergebnisse Lead Management - aber bitte mit Strategie! Lead Management B2B Thema Nr.1
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
MehrBest Practice Infor PM 10 auf Infor Blending
Best Practice Infor PM 10 auf Infor Blending, 11.11.2008 Infor Performance Management Best Practice Infor PM 10 auf Infor Blending Leistungsübersicht Infor PM 10 auf Infor Blending eine Data Warehouse
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...
MehrBig, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen
Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrBig Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr.
Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr. Florian Johannsen AGENDA 1. Big Data Projekt der freenet Group Dr. Florian Johannsen
Mehrsage Office Line und cobra: die ideale Kombination!
sage Office Line und cobra: die ideale Kombination! 1 Sage und cobra: Die Kombination und ihre Synergieeffekte! Unternehmen brauchen eine ERP-Lösung zur Verwaltung und Abwicklung ihrer Geschäftsprozesse.
MehrQualität ist, was der Kunde dafür hält - intern und extern!
Qualität ist, was der Kunde dafür hält - intern und extern! Ein Diskussionsbeitrag von Mannesmann Mobilfunk Balanced Scorecards & Kennzahlen im Kundenmanagement, Management Circle 2000 MC 2.10.ppt -js-1-
MehrDas Ziel ist Ihnen bekannt. Aber was ist der richtige Weg?
FOCAM Family Office Das Ziel ist Ihnen bekannt. Aber was ist der richtige Weg? Im Bereich der Finanzdienstleistungen für größere Vermögen gibt es eine Vielzahl unterschiedlicher Anbieter und Lösungswege.
MehrTitel BOAKdurch Klicken hinzufügen
Titel BOAKdurch Klicken hinzufügen Business Objects Arbeitskreis 2015 Aufbau einer BI-Strategie Referent Stefan Weber, ZIS Verkehrsbetriebe Zürich 15.09.2015 Hotel UTO KULM Thema Um was geht es! C1: Aufbau
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
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
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
MehrAbschnitt: Algorithmendesign und Laufzeitanalyse
Abschnitt: Algorithmendesign und Laufzeitanalyse Definition Divide-and-Conquer Paradigma Divide-and-Conquer Algorithmen verwenden die Strategien 1 Divide: Teile das Problem rekursiv in Subproblem gleicher
MehrFernUniversität in Hagen. Seminar 01912 Data Mining im Sommersemester 2008 Häufige Muster und Assoziationsregeln. Thema 1.1.1 Der Apriori-Algorithmus
FernUniversität in Hagen Seminar 01912 Data Mining im Sommersemester 2008 Häufige Muster und Assoziationsregeln Thema 1.1.1 Der Apriori-Algorithmus Referentin: Olga Riener Olga Riener. Thema 1.1.1. Der
MehrEntscheidungsunterstützungssysteme
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
Mehritestra Software Tuning Mehr Leistung. Weniger Kosten. Software Productivity
itestra Software Productivity Software Tuning Mehr Leistung. Weniger Kosten. Fit für die Zukunft Performance-Defizite in Software-Systemen verursachen jedes Jahr Mehrausgaben für Betrieb und Nutzung in
MehrCustomer Relationship Ana lyt ics
Peter Necke1 Bernd Knobloch Customer Relationship Ana lyt ics Praktische Anwendung des Data Mining im CRM d p u n kt.ve r I ag 1 1.1 1.2 1.3 Customer Relationship Management. ein Bezugsrahmen Die Entwicklung
MehrVon BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor
Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung
MehrBusiness Intelligence für Controller
Controllers Best Practice Fachbuch Business Intelligence für Controller Hermann Hebben und Dr. Markus Kottbauer Verlag für ControllingWissen ÄG, Freiburg und Wörthsee Ein Unternehmen der Haufe Mediengruppe
MehrI N F O R M A T I O N V I R T U A L I S I E R U N G. Wir schützen Ihre Unternehmenswerte
I N F O R M A T I O N V I R T U A L I S I E R U N G Wir schützen Ihre Unternehmenswerte Wir schützen Ihre Unternehmenswerte Ausfallsicherheit durch Virtualisierung Die heutigen Anforderungen an IT-Infrastrukturen
MehrVerborgene Schätze heben
Verborgene Schätze heben Data Mining mit dem Microsoft SQL Server Martin Oesterer Leiter Vertrieb HMS Analytical Software GmbH Data Mining. Was ist eigentlich wichtig? Data Mining ist: die Extraktion von
MehrIndustrial Data Intelligence. Datenbasierte Produktionsoptimierung
!DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte
MehrINFRA-XS, die E2E-Monitoring-Lösung für ITIL Implementierungen
Geyer & Weinig INFRA-XS, die E2E-Monitoring-Lösung für ITIL Implementierungen 2005 Geyer Geyer & Weinig & Weinig EDV-Unternehmensberatung GmbH GmbH INFRA-XS ITIL V3 Unterstützung INFRA-XS unterstützt die
MehrSkript zur Vorlesung. Knowledge Discovery in Databases. im Wintersemester 2009/2010. Assoziationsregeln
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2009/2010 Kapitel
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrBusiness Intelligence im Krankenhaus
Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence
MehrBachelor Prüfungsleistung
FakultätWirtschaftswissenschaftenLehrstuhlfürWirtschaftsinformatik,insb.Systementwicklung Bachelor Prüfungsleistung Sommersemester2008 EinführungindieWirtschaftsinformatik immodul GrundlagenderWirtschaftswissenschaften
MehrTeil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3
xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable
MehrBusiness 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
MehrWissensmanagement. in KMU. Beratung und Produkte GmbH
Wissensmanagement in KMU Warum Wissen in KMU managen? Motive von Unternehmern (KPMG 2001) Produktqualität erhöhen Kosten senken Produktivität erhöhen Kreativität fördern Wachstum steigern Innovationsfähigkeit
MehrGESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013
OPEN SYSTEMS CONSULTING IT-KOMPLETTDIENSTLEISTER IM MITTELSTAND GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 Business Analytics Sascha Thielke AGENDA Die Geschichte des Reporting Begriffe im BA Umfeld
MehrIDV Assessment- und Migration Factory für Banken und Versicherungen
IDV Assessment- und Migration Factory für Banken und Versicherungen Erfassung, Analyse und Migration von Excel- und AccessAnwendungen als User-Selfservice. Sind Ihre Excel- und Access- Anwendungen ein
MehrGeFüGe Instrument I07 Mitarbeiterbefragung Arbeitsfähigkeit Stand: 31.07.2006
GeFüGe Instrument I07 Stand: 31.07.2006 Inhaltsverzeichnis STICHWORT:... 3 KURZBESCHREIBUNG:... 3 EINSATZBEREICH:... 3 AUFWAND:... 3 HINWEISE ZUR EINFÜHRUNG:... 3 INTEGRATION GESUNDHEITSFÖRDERLICHKEIT:...
MehrManuel Schmalz. Abteilungsleiter Vertragsmanagement. Düsseldorf, 25.02.2015
Manuel Schmalz Abteilungsleiter Vertragsmanagement Düsseldorf, 25.02.2015 Standardisierung der Vereinbarung zwischen Provider und Consumer über die Nutzung von technischen Services, insbesondere BiPRO-WebServices
MehrInformationssystemanalyse Problemstellung 2 1. Trotz aller Methoden, Techniken usw. zeigen Untersuchungen sehr negative Ergebnisse:
Informationssystemanalyse Problemstellung 2 1 Problemstellung Trotz aller Methoden, Techniken usw. zeigen Untersuchungen sehr negative Ergebnisse: große Software-Systeme werden im Schnitt ein Jahr zu spät
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrSchluss mit langweiligen Papierexposees! Die Zukunft heißt immodisplay. Vision Displays GmbH Schnackenburgallee 41b 22525 Hamburg
Schluss mit langweiligen Papierexposees! Die Zukunft heißt immodisplay. Vision Displays GmbH Schnackenburgallee 41b 22525 Hamburg Tel.: 040-500 505 60 Fax: 040-500 505 61 E-Mail: info@visiondisplays.de
Mehr1 Ihre BI-Galaxie von BITMARCK!
1 Ihre BI-Galaxie von BITMARCK! Die Summe aller Sterne ist die Galaxie Ihre BI-Galaxie von BITMARCK! Michael Heutmann, Peter Hernold, Markus Jankowski Neuss, 4. November 2013 Sie haben uns mit auf den
MehrC09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl
C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl Ein Seminar der DWH academy Seminar C09 Einsatz SAP BW im Vergleich zur Best-of-Breed- Produktauswahl Befasst man sich im DWH mit der Auswahl
MehrProf. Dr.-Ing. Rainer Schmidt 1
Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2
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
MehrHannover, 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
MehrMitarbeiterbefragung als PE- und OE-Instrument
Mitarbeiterbefragung als PE- und OE-Instrument 1. Was nützt die Mitarbeiterbefragung? Eine Mitarbeiterbefragung hat den Sinn, die Sichtweisen der im Unternehmen tätigen Menschen zu erkennen und für die
MehrBigData Wie wichtig ist die Datenqualität bei der Analyse und Auswertung von großen Daten Praxisbeispiel. Christin Otto
BigData Wie wichtig ist die qualität bei der Analyse und Auswertung von großen Praxisbeispiel Christin Otto Was ist Big Data? Der Big Data Prozess Sammlung und Speicherung von Analyse der zum Gewinn von
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrAgrartechnik als Zukunftsaufgabe 15. März 2013
Agrartechnik als Zukunftsaufgabe 15. März 2013 Follow the Cash: Was verbindet die Getreideernte und das Liquiditätsmanagement bei einem internationalen Konzern? Tobias Pfuderer und Verena Westrup AGENDA
MehrDER SELBST-CHECK FÜR IHR PROJEKT
DER SELBST-CHECK FÜR IHR PROJEKT In 30 Fragen und 5 Tipps zum erfolgreichen Projekt! Beantworten Sie die wichtigsten Fragen rund um Ihr Projekt für Ihren Erfolg und für Ihre Unterstützer. IHR LEITFADEN
MehrInhalt. 1 Übersicht. 2 Anwendungsbeispiele. 3 Einsatzgebiete. 4 Systemanforderungen. 5 Lizenzierung. 6 Installation. 7 Key Features.
Inhalt 1 Übersicht 2 Anwendungsbeispiele 3 Einsatzgebiete 4 Systemanforderungen 5 Lizenzierung 6 Installation 7 Key Features Seite 2 von 11 1. Übersicht MIK.mobile for ipad ist eine Business Intelligence
MehrAufbau von Informations- management- Systemen
Aufbau von Informations- management- Systemen Agenda 1. Das deutsche Krankenhauswesen im Umbruch 2. Einführung eines Informationsmanagement-Systems im Krankenhaus 3. Projektvorgehensweise am Beispiel von
MehrMit Business Analytics zur ergebnis- und wirkungsorientierten. Copyright 2010, SAS Institute Inc. All rights reserved.
Mit Business Analytics zur ergebnis- und wirkungsorientierten Steuerung Herausforderungen 1. Finanzkrise 2. Demografischer Wandel 3. Innovationsfähigkeit der öffentlichen Verwaltung 4. Leistungsorientierung
MehrMicrosoft SharePoint 2013 Designer
Microsoft SharePoint 2013 Designer Was ist SharePoint? SharePoint Designer 2013 Vorteile SharePoint Designer Funktionen.Net 4.0 Workflow Infrastruktur Integration von Stages Visuelle Designer Copy & Paste
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrOrdner Berechtigung vergeben Zugriffsrechte unter Windows einrichten
Ordner Berechtigung vergeben Zugriffsrechte unter Windows einrichten Was sind Berechtigungen? Unter Berechtigungen werden ganz allgemein die Zugriffsrechte auf Dateien und Verzeichnisse (Ordner) verstanden.
MehrInhaltsverzeichnis: Definitionen Informationssysteme als Kommunikationssystem Problemlösende Perspektiven Allgemeine System Annäherung Fazit
Informationssysteme Inhaltsverzeichnis: Definitionen Informationssysteme als Kommunikationssystem Problemlösende Perspektiven Allgemeine System Annäherung Fazit Definitionen: Informationen Informationssysteme
MehrFallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data
Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Institut für Finanz- und Aktuarwissenschaften Lise-Meitner-Str. 14 89081 Ulm Oktober 2015 www.ifa-ulm.de Einführung Mit
Mehr