Teil X Business Intelligence Anwendungen

Größe: px
Ab Seite anzeigen:

Download "Teil X Business Intelligence Anwendungen"

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 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

Mehr

FernUniversität 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 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

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

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

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

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

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

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

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

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

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

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

Data Mining - Wiederholung

Data Mining - Wiederholung Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)

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

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

Business Intelligence im Krankenhaus

Business 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

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Masterarbeit. im Studiengang Informatik. Kombinationen von Data Mining-Verfahren: Analyse und Automatisierung. Ulf Mewe Matrikel.-Nr.

Masterarbeit. im Studiengang Informatik. Kombinationen von Data Mining-Verfahren: Analyse und Automatisierung. Ulf Mewe Matrikel.-Nr. LEIBNIZ UNIVERSITÄT HANNOVER FAKULTÄT FÜR ELEKTROTECHNIK UND INFORMATIK INSTITUT FÜR PRAKTISCHE INFORMATIK FACHGEBIET DATENBANKEN UND INFORMATIONSSYSTEME Masterarbeit im Studiengang Informatik Kombinationen

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

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

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

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

Business Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand

Business 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

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

1. Einführung und Grundbegriffe

1. Einführung und Grundbegriffe 1. Einführung und Grundbegriffe Business Intelligence 1. Einführung und Grundbegriffe Lernziele: Wichtige Grundbegriffe verstehen, einordnen und erläutern können; Grundlegende Merkmale von Decision Support

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

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Historie der analyseorientierten Informationssysteme

Historie der analyseorientierten Informationssysteme Gliederung MSS 1. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 1. Grundlagen zum

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

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar 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?

Mehr

1. Einführung und Grundbegriffe. Business Intelligence. Definitionsvielfalt

1. Einführung und Grundbegriffe. Business Intelligence. Definitionsvielfalt 1. Einführung und Grundbegriffe Lernziele: Wichtige Grundbegriffe verstehen, einordnen und erläutern können; Grundlegende Merkmale von Decision Support Systemen kennen; Arten von Wissen kennen und gegeneinander

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

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

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data 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

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

6. Überblick zu Data Mining-Verfahren

6. Überblick zu Data Mining-Verfahren 6. Überblick zu Data Mining-Verfahren Einführung Clusteranalyse k-means-algorithmus Canopy Clustering Klassifikation Klassifikationsprozess Konstruktion eines Entscheidungsbaums Assoziationsregeln / Warenkorbanalyse

Mehr

Exploration und Klassifikation von BigData

Exploration 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)

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was 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

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

Data Mining-Modelle und -Algorithmen

Data 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,

Mehr

Datenintegration mit Informatica PowerCenter

Datenintegration mit Informatica PowerCenter Datenintegration mit Informatica PowerCenter Mein Weg vom Studenten zum Consultant Christoph Arnold 03.07.2013 1 Agenda Von der THM zu Infomotion Datenschieberei oder doch mehr? Die weite Welt von Informatica

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

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

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

Vom Suchen und Finden individueller Empfehlungen aus großen Objektmengen. PD Dr.-Ing. habil. Meike Klettke meike.klettke@uni-rostock.

Vom Suchen und Finden individueller Empfehlungen aus großen Objektmengen. PD Dr.-Ing. habil. Meike Klettke meike.klettke@uni-rostock. Vom Suchen und Finden individueller Empfehlungen aus großen Objektmengen PD Dr.-Ing. habil. Meike Klettke meike.klettke@uni-rostock.de 1 Informationsflut Amazon: Alle lieferbaren Bücher (930.000 Titeln

Mehr

6. Überblick zu Data Mining-Verfahren

6. Überblick zu Data Mining-Verfahren 6. Überblick zu Data Mining-Verfahren Einführung Clusteranalse k-means-algorithmus Klassifikation Klassifikationsprozess Konstruktion eines Entscheidungsbaums Assoziationsregeln / Warenkorbanalse Support

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

DataMining in der polizeilichen Anwendung

DataMining in der polizeilichen Anwendung Hintergrund / Motivation DataMining in der polizeilichen Anwendung Heiko Held, BKA Wiesbaden Zur Zuständigkeit des Fachbereichs KI14 zählt u.a. die Marktbeobachtung und Toolauswahl im Bereich von Analysesoftware.

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Prozessorientiertes Management Cockpit und Frühwarnsystem mit dem Income Monitor

Prozessorientiertes Management Cockpit und Frühwarnsystem mit dem Income Monitor Prozessorientiertes Management Cockpit und Frühwarnsystem mit dem Income Monitor Gaston Russi, Business Development, Get Process AG e-business-akademie Lörrach Unternehmenssteuerung und Controlling im

Mehr

Menschen entscheiden über Geschäftserfolg

Menschen entscheiden über Geschäftserfolg 1C01 Die Microsoft Business Intelligence- Plattform: SQL Server 2005, das 2007 Office System und Office Business Applications Steffen Krause Technologieberater Microsoft Deutschland GmbH http://blogs.technet.com/steffenk

Mehr

Übungsaufgaben zur Lehrveranstaltung. Data Mining. im Studiengang Informatik

Übungsaufgaben zur Lehrveranstaltung. Data Mining. im Studiengang Informatik Übungsaufgaben zur Lehrveranstaltung Data Mining im Studiengang Informatik modifizierte Version (einige Aufgaben entfernt und eigene Aufgaben hinzugefügt) der Aufgaben aus Tan/Steinbach/Kumar: Introduction

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

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

Verborgene Schätze heben

Verborgene 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

Mehr

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen

OLAP und Data Mining. On-Line Analytical Processing. Coddsche Regeln OLAP. Data Mining. Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen OLAP und Data Mining OLAP Begriff Coddsche Regeln FASMI Operationen und Anfragesprachen Data Mining Begriff und Prozeß Verfahren Vorlesung Data-Warehouse-Technologien 9-1 On-Line Analytical Processing

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

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

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

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

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

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

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

Data-Mining und Knowledge Discovery in Databases (KDD) Ein Überblick

Data-Mining und Knowledge Discovery in Databases (KDD) Ein Überblick Institut für Angewandte Informatik Professur für Technische Informationssysteme Fakultätsname XYZ Fachrichtung XYZ Institutsname XYZ, Professur XYZ Data-Mining und Knowledge Discovery in Databases (KDD)

Mehr

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 sverzeichnis Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg Ihre PRAXIS Software AG a t o s - nalytisch - aktisch - perativ - trategisch Unser atos Konzept für Ihren Erfolg Das atos Konzept macht geschäftskritische Daten und Abläufe transparent ermöglicht einfache

Mehr

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Technische Integration des Informationssystems über SAP (1/6)

Technische Integration des Informationssystems über SAP (1/6) Technische Integration des Informationssystems über SAP (1/6) Software Systemsoftware Anwendungssoftware Betriebssysteme Standardsoftware Individualsoftware Übersetzungsprogramme Dienstprogramme andere

Mehr

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Aufbaustudium 3. Musterklausur IT-gestützte

Mehr

Spezialisierung Business Intelligence

Spezialisierung 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

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

Komponenten und Architekturen von Analytischen Informationssystemen

Komponenten und Architekturen von Analytischen Informationssystemen Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

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

Stand 2008.08. Vorstellung der EXXETA

Stand 2008.08. Vorstellung der EXXETA Stand 2008.08 Vorstellung der EXXETA Unternehmensprofil EXXETA optimiert ausgewählte Geschäftsprozesse ihrer Kunden auf Fach- und IT-Ebene. EXXETA bietet Fach- und Technologie-Beratung mit Branchen-, Prozessund

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

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

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption

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

Vorlesung. Datenschutz und Privatheit in vernetzten Informationssystemen

Vorlesung. Datenschutz und Privatheit in vernetzten Informationssystemen Vorlesung Datenschutz und Privatheit in vernetzten Informationssystemen Kapitel 7: Privacy Preserving Data Mining Thorben Burghardt, Erik Buchmann buchmann@ipd.uka.de Thanks to Chris Clifton & Group IPD,

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

Mehr

Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden

Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden Dr. Thomas Bernard Fraunhofer-Institut für Systemtechnik, Optronik und Bildauswertung Karlsruhe HANNOVER

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

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