Uplift Modelling mitsas

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Uplift Modelling mitsas"

Transkript

1 Praktische Anwendung des Uplift Modelling mitsas Hintergründe, Voraussetzungen, Tipps& Tricks Udo Böhm

2 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung im analytischen CRM? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

3 Uplift-Modellierung : Ein weiterer Schritt in der Evolution des Analytischen CRM SAS SAS SAS SAS SAS EM, STAT, OR? MO, OR PASSIV Gesamtheitliche Kontakt Optimierung Analytischer Mehrwert KPIs Statische Reports BEOBACHTEN OLAP Adhoc Abfragen Drill downs Data Mining Prognose Modellierung Uplift Modellierung PROGNOSTIZEREN AKTIV Was ist passiert? Quelle: Business Insight 2/2012 Pitney Bowes Software Warum ist es passiert? Analytischer Reifegrad Was wird passieren? 2 Wie können wir beeinflussen, was passiert? Wie setzen wir unsere Ressourcen optimal ein?

4 Was ist das Problem? Eine wahre Geschichte, so geschehen in 2004: CRM-Analystin freut sich: Sie hat gerade ein Super-Modell zur Vorhersage von Kündigern von Mobilfunkverträgen erstellt. Marketeerfreut sich: er kann mit dem Modell endlich das Zielsegment der High-Risk-Kunden erkennen. Marketeerüberlegt sich Goodie zum Halten der High_Risk-Kunden CRM-Analystin selektiert die High-Risk-Kunden, die daraufhin das Mailing bekommen. Nach drei Monaten sind alle konfus und enttäuscht: Die Kündigungsquote ist gestiegen! Was ist passiert? 3

5 Prognose Modellierung : Regeln ableiten aus Beobachtung der Vergangenheit Kunden-Basis Beobachten Kundenverhalten Prognose-Modelle für zukünftiges Verhalten 1 Kauf Kündigung + Kunden-Daten Anwendung der Modelle auf ANDERE Kunden, für die wir Verhalten prognostizieren wollen? 4

6 Folie 5 1 Udo Boehm;

7 Beispiel für Prognose-Regel und deren Anwendung Beobachtet: >> Geschäftskunden kündigen eher als Privat-Kunden << Prognose: >>Geschäftskunden werden auch in der Zukunft eher kündigen <<? 40% 30% Kündigungswahrsscheinlichkeit Anwendung der Regel Geschäftskunden Privatkunden 5

8 Hilft Prognose Modell für Kündigung bei Entscheidung, wo Gegenmaßnahme anzuwenden ist? Gegenmaßnahme gegen Kündigung: Wo einsetzen? 40% 30% Kündigungswahrsscheinlichkeit Normaler Marketing-Ansatz: Gegenmaßnahmen zur Kündigung bei hoher Kündigungswahrscheinlichkeit optimal? Geschäftskunden Privatkunden 6

9 Nur Uplift-Regel hilft Maßnahme optimal einzusetzen A ) Prognose-Regel: >> Geschäftskunden kündigen eher als Privat-Kunden << B) Uplift-Regel >> hat Kündigungssenkenden Einfluss auf Privatkunden<< 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Anwendung Geschäftskunden Privatkunden Optimaler-Ansatz: Gegenmaßnahmen zur Kündigung bei Kunden mit positiver Beeinflussung NICHT mit höchster Kündigungswahrscheinlichkeit 7

10 Auch bei komplexeren Prognose-Modellen: Wer soll Maßnahme bekommen? P( )? Kündigungswahrsscheinlichkeit optimal? Jede Zuordnung Maßnahme zu Kunden basiert auf Hypothesen und Wunschdenken Kündigungs Prognose -Score Normaler Marketing-Ansatz: Gegenmaßnahmen zur Kündigung bei hoher Kündigungswahrscheinlichkeit 8

11 Effekt der Maßnahme muss vorhergesagt werden, um Entscheidung zu treffen Kündigungswahrsscheinlichkeit Wenn der Effekt vorhergesagt werden kann, kann auch eine Entscheidung optimiert werden Uplift-Modellierung = Modelle zur Prognose des Effekts einer Maßnahme Kündigungs Prognose -Score 9

12 . Uplift Modelling notwendig für Entscheidung Prognostizierter Effekt auf Kündigungswahrscheinlichkeit erhöhend neutral Uplift-Score senkend Kündigungs-Prognose-Score Geschätzte Kündigungswahrscheinlichkeit 10

13 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? 6. Appendix: FAQ, Links und Quellen Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing

14 Das Prinzip Uplift Modellierung Modellierung Wir haben gelernt: Verfahren zur Prognose des Effekts einer Maßnahme Begriff seit 1999 (Artikel von Redcliffeund Surry) Viele alternative Begriffe im Einsatz im analytical CRM und in der Medizin seit 2005 im Einsatz bei O 2 /Telefónica slide 12

15 Schritt 1 zur Erstellung: das kontrollierte Experiment Kunden-Basis Zufalls- Stichprobe Testgruppe: Welt mit Beobachten Kundenverhalten Theoretische* Segmente Einfluss Sleeping Dogs Lost Causes Sure Things Persuadables Kontrollgruppe: Welt ohne *nicht beobachtbar! 13

16 Schritt 2: Vergleich der Kunden mit dem selben Verhalten aber verschiedenen Behandlungen Testgruppe: Welt mit Uplift-Modellierung: Prognose-Modellierung: Kontrollgruppe: Welt ohne 14

17 Heuristische Herleitungeines eines Uplift-Modells mit Hilfe unseres Beispiels Wahrscheinlichkeit (Kündigung) = 40% 41% 30% 27% 30% +10% (falls Kunde Geschäftskunde) Kündigungswahrsscheinlichkeit -3% (falls Maßnahme ) +4% (falls Kunde Geschäftskunde und Maßnahme ) Prognose-Modell Uplift-Modell= Interaktions-Teil Geschäftskunden Privatkunden 15

18 Uplift-Modelle sind Modelle mit Interaktion... Beispiel: Lineares Logit-Modell Y: binäre Response(0/1), P(Y=1): Wahrscheinlichkeit, dass Kündigung X 1..X n :UnabhängigeVariablen, X=(X 1..X n ) M: Indikator ob Maßnahme (1=Maßnahme, 0=keine Maßnahme) Y=1 Y=0 M=1 M=0 Logit( P(Y=1)) = a 0 + a 1 X a n X n + b 0 M + b 1 X 1 M+.. + b n X n M + ε Konstante Haupt - Effekte X Haupt- Effekt M Interaktions- Effekte X M Prognose-Modell Uplift-Modell= Interaktionsteil des Modells... alsonichts Neues für Analysten, die mitsas arbeiten! slide 16

19 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

20 Gute Prediktorenfür Prognose sind nicht unbedingt gute Prediktorenfür Uplift Guter Prediktor für Prognose und guter Prediktor für Uplift Guter Prediktor für Prognose schlechter Prediktor für Uplift 45% 44% =-1% 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Kündigungswahrsscheinlichkeit 25% 24% =-1% Geschäftskunden Privatkunden Frau Herr PROBLEM: normale Variablen-Selektion bevorzugt Haupteffekte 18

21 Trick für Variablen-Auswahl für Uplift-Modellierung Testgruppe: Welt mit Uplift-Modellierung: Prognose-Modellierung: Y=1 0 Y=1 Y=0 1 Y=0 Y=0 Y=1 TRICK: Umcodieren der Zielgröße mod(y+m,2) Kontrollgruppe: Welt ohne 19

22 Anwendungdes des Tricks: Umcodierenund Variablen- Auswahl in SAS Data Step Umcodierung Proc Logistic zur Variablen-Auswahl mit umcodierter Zielgröße Output: Beste Prediktoren für Uplift 20

23 Ergebnis der Vorselektion Guter Prediktor für Prognose und guter Prediktor für Uplift Guter Prediktor für Prognose schlechter Prediktor für Uplift 45% 44% =-1% 40% 41% 30% 27% Kündigungswahrsscheinlichkeit Kündigungswahrsscheinlichkeit 25% 24% =-1% Geschäftskunden Privatkunden Frau Mann 21

24 Verwendung Vorselektion in SAS EM Vorschlag: Extension-Node für Vorselektion der Prediktoren Neben Vorselektion: Insight, Profilierung Testdatensatz: SAMPSIO.DMRETAIL 22

25 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo benötigt man sonst noch Uplift- Modelle? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ, Links und Quellen

26 Erstellung eines Uplift-Modells mit SAS 1. Erstellung mit SAS-STAT / SAS-BASE 2. ErstellungmitSAS-EM a.... mit Hilfe traditionellen Knoten b.... mit Hilfe Incremental Response Knoten 24

27 1. Erstellung mit SAS-STAT STAT / SAS-BASE BASE (z.b z.b. Proc Logistic) Proc Logistic mit ursprünglicher Zielgröße Interaktionsterme X-Merkmale aus vorangegangenen Variablen-Auswahl Output: Prognose-Modell Uplift-Modell= Interaktionsteil 25

28 2. Erstellung mit SAS-EM a.... mit traditionellen Knoten Preselection: Notwendig Uplift-Modell = Interaktionsteil b...mit Knoten Incremental Response Preselection: Optional Uplift-Modell 26

29 SAS-EM: Wichtige Einstellungsoptionen für Incremental Response Knoten Combined-Model= Yes Modell mit Interaktion Combined-Model=No Zwei Modelle (M=0/1) und Differenz der Modelle Implizite Interaktion Selection: Net Information Value (im Prinzip ähnlich zur Vorselektion oben) 27

30 Beispiel für Ergebnis einer Uplift-Analyse mit SAS 32% 28% 24% Kündigungswahrsscheinlichkeit P ( Kündigung, Score) 20% P ( Kündigung Score) 16% Uplift-Modell / Score slide 28

31 FAZIT: Uplift-Modellierung wird durch SAS auch abgedeckt! SAS SAS SAS SAS EM, STAT, OR EM, STAT, OR SAS MO, OR PASSIV Gesamtheitliche Kontakt Optimierung Analytischer Mehrwert KPIs Statische Reports BEOBACHTEN OLAP Adhoc Abfragen Drill downs Data Mining Prognose Modellierung Uplift Modellierung AKTIV PROGNOSTIZIEREN Was ist passiert? Quelle: Business Insight 2/2012 Pitney Bowes Software Warum ist es passiert? Analytischer Reifegrad Was wird passieren? 29 Wie können wir beeinflussen, was passiert? Wie setzen wir unsere Ressourcen optimal ein?

32 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell?? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? 6. Appendix: FAQ, Links und Quellen Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing

33 AnwendungUplift 1: Optimale Kontaktoptimierung mit SAS-MO m mögliche Kontakte nkunden Client Camp A Camp B Camp C Lineare Nebenbedingungen für Kontakte/ Kunden maximal ein Kontakt pro Kunde mindestens drei Kunden pro Kampagne Ziel Ziel: Maximierungdes Gesamt-Ergebnis NOTWENDIG: Matrix enthält montäre Bewertungder Prognose-Werte des Uplifts: z.b. Angenommen, ich kontaktiere Kunde 4 mit AngebotB: Der wahrscheinliche Mehrwert ist

34 Anwendung Uplift 2: A/B- Testing Beispiel: Obama/Biden-Campaign 2008 Standard zur Optimierung von Klick-Raten A/B Testing ist Upft-Modelling mit normalerweise mehr als zwei Ausgängen 32

35 Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung? 2. Wie funktionieren Uplift-Modelle? 3. Wie finde ich geeignete Prediktorenfür ein Uplift-Modell? 4. Wie erstelle ich ein Uplift-Modell mit SAS? 5. Wo setzt man Uplift-Modelle ein? Lösung des Problems: Welche Kunden benötigen welche Maßnahme? Kontrollierte Tests Uplift-Modelle sind Interaktionsmodelle Trick: Variablen-Auswahl durch umcodieren Zielgröße SAS-STAT: Interaktion SAS-EM: Knoten IncrementalResponse z.b. SAS-MO (Marketing Optimizer) z.b. A/B Testing 6. Appendix: FAQ Fragen?, Links und Quellen

36 Danke! 34 Telefónica Servicios Audiovisuales S.A. / Telefónica España S.A. Título de la ponencia / Otros datos de interés /

37 APPENDIX 1. FAQs 2. Quellverzeichnis und Links 35

38 FAQ 1: Warum brauche ich eine Kontrollgruppe? Analog: Warum brauchen wir Kontrollgruppen in klinischen Tests? Wenn es einfache Alternativen zu klinischen Tests gäbe, wäre da nicht schon jemand draufgekommen? Beispiel: Zusammenhang Rauchen und Lungenkrebs Jahrzehnte bis Nachweis erbracht und von allen akzeptiert Exakte Größe des Einflusses bis heute nicht ausgewiesen Keine klinischen Studien bei Menschen aus ethischen Gründen Haupteffekte (Alter, sozioökonomischer Status...) stärker als Interaktions-Effekt Rauchen 36

39 FAQ 2: Was mache ich bei stetiger Zielgröße? z.b. Umcodieren und Arbeiten mit Gewicht Beispiel: Skala Zufriedenheit U.U. Umformulierung der Zielgröße Brauche ich wirklich eine komplexe? Beispiel: Uplift auf Umsatz Umsatz hat höhere Variabilität Umsatz = Durchschnittl.. Umsatz x Wahrscheinlichkeit Kauf BEACHTE: Interaktionsmodelle funktionieren mit jeder Art von General Linear Modell! z.b. ProcDMREG / Proc GLM 37

40 FAQ 4: Ich habe keine Zeit/Ressourcen für ein zusätzlichesmodell. Was tun? Motto des pragmatischen Analysten: Hauptsache es trennt Erfahrung: Mehr Glück bei cross/up up-selling sellingals bei retention-uplift Response-Rate Kündigungs -Rate Response-Rate mit Maßnahme Response-Rate ohne Maßnahme Kündigungsrate ohne Maßnahme Kündigungs-Rate mit Maßnahme niedrig Prognose-Score hoch low Churn-Predictive-Score ( Churn-Uplift-Score) high 38

41 FAQ 4: Ich bekomme aus meinen Daten kein Uplift- Modell. Was läuft schief? Mögliche Gründe: Kontrollgruppe zu klein (Ideal-Fall: Splitt 50:50) MERKE: Kontrollgruppe ist Investition zur Wissensgenerierung Keine Prediktorenfür Uplift TIP: Gespräch mit dem Experten aus Marketing Bei welchen Kunden denkst Du werden wir den besten Effekt haben? Ableitung von Prediktoren Konfrontation mit der Wahrheit: Die Maßnahme wirkt wahrscheinlich gar nicht oder hat nur negativen Effekt. 39

42 Links und Quellen Allgemein: Incremental Response Analysis in SAS with the EM: : Incremental Response Modeling Using SAS Enterprise

43

Portrait Uplift. Prognostizieren Sie die Änderungen im Verhalten Ihrer Kunden

Portrait Uplift. Prognostizieren Sie die Änderungen im Verhalten Ihrer Kunden Portrait Uplift Prognostizieren Sie die Änderungen im Verhalten Ihrer Kunden Nun können Sie vorhersagen, welche Kunden Sie mit ihren Angeboten überzeugen werden noch bevor sie angesprochen werden. Zusammenfassung

Mehr

Kundenmanagement im Multi-Channel-Zeitalter

Kundenmanagement im Multi-Channel-Zeitalter Kundenmanagement im Multi-Channel-Zeitalter Wie gut kennen Sie Ihre Kunden? München, 24. März 2015 Muna Hassaballah Senior Consultant Muna.Hassaballah@SHS-VIVEON.com 30.03.2015 Kurzvorstellung Senior Consultant

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

Innovatives Customer Analytics Uplift Modelling. Interview mit Customer Analytics Experte, Philipp Grunert

Innovatives Customer Analytics Uplift Modelling. Interview mit Customer Analytics Experte, Philipp Grunert Innovatives Customer Analytics Uplift Modelling Interview mit Customer Analytics Experte, Philipp Grunert Uplift Modelling Mehr Erfolg im Kampagnenmanagement Entscheidend für den Erfolg einer Marketing-Kampagne

Mehr

Online Intelligence Solutions TESTABLAUF. 7 Schritte für ein erfolgreiches Testing.

Online Intelligence Solutions TESTABLAUF. 7 Schritte für ein erfolgreiches Testing. Online Intelligence Solutions TESTABLAUF 7 Schritte für ein erfolgreiches Testing. SCHRITT1 DAS PROBLEM IDENTIFIZIEREN UND BESCHREIBEN Ein Problem, das auftritt, identifizieren Wenn es kein Problem gibt,

Mehr

Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling

Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling Mehr Erfolg im Kampagnenmanagement durch Uplift-Modelling Herkömmliche Marketingkampagnen Vorgehensweise: Je nach Kampagnenart erfolgt die Selektion der Kunden anhand bestimmter Kriterien (z.b. Alter,

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh?

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? best-reactions GmbH Hirschberger Straße 33 D 90559 Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer Alexander P.

Mehr

Mehr oder weniger versenden? Wege zur optimalen Newsletter-Versendefrequenz

Mehr oder weniger versenden? Wege zur optimalen Newsletter-Versendefrequenz Mehr oder weniger versenden? Wege zur optimalen Newsletter-Versendefrequenz Präsentation der XQueue GmbH auf der CO-REACH 2014 Nürnberg, den 25. Juni 2014 Unternehmensprofil Eckdaten Gründung: 2002 Standorte:

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

Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt

Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt Poster Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt Timm Euler Tobias Otte viadee GmbH viadee GmbH Anton-Bruchausen-Str. 8 Anton-Bruchausen-Str. 8 48147 Münster 48147 Münster Timm.Euler@viadee.de

Mehr

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr.

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr. Mining the Web Analyse von Benutzerpfaden und Nutzertypen im Internet Dr. Frank Säuberlich Business Unit CRM Solutions SAS Deutschland Agenda 1. Einleitung: Der Lebenszyklus eines e-kunden Begriffsdefinition

Mehr

BIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE. make connections share ideas be inspired. Wolfgang Schwab SAS D

BIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE. make connections share ideas be inspired. Wolfgang Schwab SAS D make connections share ideas be inspired BIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE Wolfgang Schwab SAS D Copyright 2013, SAS Institute Inc. All rights reserved. BIG DATA: BEDROHUNG ODER CHANCE?

Mehr

Business Intelligence Center of Excellence

Business Intelligence Center of Excellence Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).

Mehr

Verhandeln mit S.C.O.R.E. & 5-Schritte-Prozess

Verhandeln mit S.C.O.R.E. & 5-Schritte-Prozess Verhandeln mit S.C.O.R.E. & 5-Schritte-Prozess Innovationswerkstatt Wirtschaft Deal! Erstgespräch, Verhandlung, Kundenbindung DPMC Dr. Robert Peschke www.dpmc-coaching.de robert.peschke@dpmc-oaching.de

Mehr

Churn Prediction. Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen. CRM & Research / Ing. Werner WIDHALM.

Churn Prediction. Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen. CRM & Research / Ing. Werner WIDHALM. Churn Prediction Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen CRM & Research / Ing. Werner WIDHALM Juni 2012 Datamining in der Bank Austria Datamining Anwendungsgebiete im CRM der

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Vorwort zur 6. Auflage 11 Einleitung 13. Kapitel 1 Psychologie als Wissenschaft 15

Vorwort zur 6. Auflage 11 Einleitung 13. Kapitel 1 Psychologie als Wissenschaft 15 5 Inhalt Vorwort zur 6. Auflage 11 Einleitung 13 Kapitel 1 Psychologie als Wissenschaft 15 1.1 Alltagspsychologie und wissenschaftliche Psychologie 15 1.2 Sammlung von Tatsachenwissen Erforschung von Gesetzmäßigkeiten

Mehr

Kaufkräftige Zielgruppen gewinnen

Kaufkräftige Zielgruppen gewinnen Kaufkräftige Zielgruppen gewinnen Wie Sie Besucher auf Ihre Webseite locken, die hochgradig an Ihrem Angebot interessiert sind 2014 David Unzicker, alle Rechte vorbehalten Hallo, mein Name ist David Unzicker

Mehr

Ein SAS-Makro Paket für die Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression

Ein SAS-Makro Paket für die Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression Poster Ein SAS-Makro Paket für die Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression Rainer Muche, Christina Ring Christoph Ziegler Abteilung Biometrie und Med. Boehringer

Mehr

Customer Experience Management / IBM Tealeaf

Customer Experience Management / IBM Tealeaf Customer Experience Management / IBM Tealeaf Steigerung von Umsatz und Kundenzufriedenheit in Online Kanälen Thomas Eherer, Tealeaf Sales D/A/CH 2013 IBM Corporation Relevante Fragestellungen im Online

Mehr

Das Ansprechen. - so geht s -

Das Ansprechen. - so geht s - Das Ansprechen - so geht s - 1. Ansprechen Direkt Indirekt 2. Unterhaltung 3 Fragen Kurzgeschichte Unterhaltungsverlängerung - Minidate 3. Telefonnummer Nummer in unter 1 Minute Nummer nach Gespräch holen

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

Social Business Erfolgsmessung

Social Business Erfolgsmessung Social Business Erfolgsmessung Praxisbericht aus dem Social Business Projekt bei der Robert Bosch GmbH 8.10.2013, Cordula Proefrock (Robert Bosch GmbH), Dr. Christoph Tempich (inovex GmbH) 1 The Bosch

Mehr

Was wir richtig messen, können wir managen http://blog.drkpi.de/?p=2447

Was wir richtig messen, können wir managen http://blog.drkpi.de/?p=2447 Was wir richtig messen, können wir managen http://blog.drkpi.de/?p=2447-102% - mehr Dialogue mit den Lesern des Corporate Blog - 51% - höhere Social Shares (z.b. Facebook, LinkedIn, Twitter) - 28% - höhere

Mehr

Vorwort von Bodo Schäfer

Vorwort von Bodo Schäfer Vorwort von Bodo Schäfer Vorwort von Bodo Schäfer Was muss ich tun, um erfolgreich zu werden? Diese Frage stellte ich meinem Coach, als ich mit 26 Jahren pleite war. Seine Antwort überraschte mich: Lernen

Mehr

Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt.

Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt. Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt. Gewinnen Sie entscheidungsrelevantes Wissen mit Data Mining Warum sich Data Mining für kleine und mittelständische Unternehmen

Mehr

SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013

SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013 SAS VISUAL ANALYTICS DER EINSTIEG IN (BIG) DATA ANALYTICS JOO-HYUNG MAING, SAS DEUTSCHLAND, 16. APRIL 2013 SAS INSTITUTE EIN UNTERNEHMEN IN ZAHLEN SAS is the first company to call when you need to solve

Mehr

Experiment vs. Beobachtungsstudie. Randomisiertes, kontrolliertes Experiment

Experiment vs. Beobachtungsstudie. Randomisiertes, kontrolliertes Experiment Experiment vs. Beobachtungsstudie Randomisiertes, kontrolliertes Experiment Ursache und Wirkung Opfer durch Ertrinken 2 Ursache und Wirkung Opfer durch Ertrinken Eisverkauf 3 Ursache und Wirkung Opfer

Mehr

F.A.Q. Fragen und Antworten. Inhalt

F.A.Q. Fragen und Antworten. Inhalt F.A.Q. Fragen und Antworten Hier finden Sie eine Auswahl von Antworten rund um das Thema W DSL. Sollten Sie hier keine passende Antwort finden, so haben Sie die Möglichkeit uns unter der kostenfreien Service

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Die 7 größten Fehler die Frauen machen wenn sie ihren Traummann kennenlernen und für sich gewinnen wollen

Die 7 größten Fehler die Frauen machen wenn sie ihren Traummann kennenlernen und für sich gewinnen wollen Die 7 größten Fehler die Frauen machen wenn sie ihren Traummann kennenlernen und für sich gewinnen wollen Hey, mein Name ist Jesco und ich kläre Frauen über die Wahrheit über Männer auf. Über das was sie

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

General Management FFHS Adaption Pro-Szenario Version 13.1 FFHS Adaption

General 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

Mehr

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Copyright 2005, SAS Institute Inc. All rights reserved. Ulrich Reincke, SAS Deutschland Agenda Der Neue Enterprise Miner 5.2 Der Neue Text Miner 2.3

Mehr

2.Tutorium Generalisierte Regression

2.Tutorium Generalisierte Regression 2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte

Mehr

Risikoanalyse. 13. September 2007. Ing. Monika Böhm AMA

Risikoanalyse. 13. September 2007. Ing. Monika Böhm AMA Risikoanalyse 13. September 2007 Ing. Monika Böhm AMA Inhalt des Vortrags AMA Data Mining Datenmanagement Modellierung Scoring Optimierung Reports Auswahlverfahren Ergebnisse und Nutzen Aufgabenstellung

Mehr

Quick Guide. The Smart Coach. Was macht einen Smart Coach eigentlich aus? Christina Emmer

Quick Guide. The Smart Coach. Was macht einen Smart Coach eigentlich aus? Christina Emmer Quick Guide The Smart Coach Was macht einen Smart Coach eigentlich aus? Christina Emmer Was macht einen Smart Coach aus? Vor einer Weile habe ich das Buch Smart Business Concepts gelesen, das ich wirklich

Mehr

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04.

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04. Folie Retargeting intelligent Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Big Data Analytics Roadshow Düsseldorf, 24.04.2012 Nils Grabbert Director Data Science Der Retargeting

Mehr

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K.

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. badger Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. Die www.bawagpskfonds.at neue Bank. Die neue BAWAG. www.bawagpsk.com Montag, 25. Februar 2013 BAWAG P.S.K. EINE BANK

Mehr

Einladung zu den IBM SPSS Data und Text Mining Tagen. Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining

Einladung zu den IBM SPSS Data und Text Mining Tagen. Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining Einladung zu den IBM SPSS Data und Text Mining Tagen Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining Lassen Sie Daten und Texte für sich arbeiten mit Smarter Analytics

Mehr

Logistische Regression

Logistische Regression Grundideen Logistische Regression Exkurs Logistische Regression Auch nachzulesen bei: http://www.psychologie.uniwuerzburg.de/methoden/lehre/skripten/hs_meth_evaluation/hs_evaluation_logistisch eregression.pdf

Mehr

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz 2015 SAS Education Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz Anmeldung bei SAS Education Deutschland www.sas.de/education Tel. +49 6221 415-300 education@ger.sas.com Fax

Mehr

acquinterion the quintessence in acquisition!

acquinterion the quintessence in acquisition! acquinterion the quintessence in acquisition! QUINTESSENZ acquinterion ist eine international agierende Agentur und Beratungsgesellschaft für Vertriebsentwicklung und vertriebsspezifische Dienstleistungen.

Mehr

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc. Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken

Mehr

«Inhaltsverzeichnis» Auf den folgenden Seiten erwarten Sie spannende Informationen

«Inhaltsverzeichnis» Auf den folgenden Seiten erwarten Sie spannende Informationen «Inhaltsverzeichnis» Auf den folgenden Seiten erwarten Sie spannende Informationen Intro Lösungsorientiertes Personal Coaching Einsatzmöglichkeiten Wahlmöglichkeiten Voraussetzungen für ein Coaching Zeit

Mehr

BRAINAGENCY NEWSLETTER. Studien Januar 2016

BRAINAGENCY NEWSLETTER. Studien Januar 2016 BRAINAGENCY NEWSLETTER Studien Januar 2016 Agenda Studien Januar 2016 01 Best of Display Advertising 2015 02 Best of Native Advertising 2015 03 REM 2015: Entscheider im Mittelstand 04 Die Wirkung von Bewegtbild

Mehr

Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung

Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung Management Briefing Unsere vier hilfreichsten Tipps für szenarienbasierte Nachfrageplanung Erhalten Sie die Einblicke, die Sie brauchen, um schnell auf Nachfrageschwankungen reagieren zu können Sales and

Mehr

Think Big Start Small Grow Fast

Think Big Start Small Grow Fast BIG DATA: ADRESSING THE TOP 5 QUESTIONS THAT BEGINN WITH «BUT,» Think Big Start Small Grow Fast Robert Schumacher Customer Intelligence Solutions SAS Institute AG ROBERT SCHUMACHER CUSTOMER INTELLIGENCE

Mehr

Das Schritt für Schritt Handbuch zur eigenen Homepage

Das Schritt für Schritt Handbuch zur eigenen Homepage Seite 1 Inhaltsverzeichnis von Das Schritt für Schritt Handbuch zur eigenen Homepage Hier einen Einblick darüber, was Sie in diesem Handbuch alles lernen werden... (Anleitung zur eigenen Homepage in Kapitel

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

A/B-Testing aber richtig. Marketing on Tour 2013, Volker Wieskötter, etracker GmbH

A/B-Testing aber richtig. Marketing on Tour 2013, Volker Wieskötter, etracker GmbH A/B-Testing aber richtig Marketing on Tour 2013, Volker Wieskötter, etracker GmbH Tag 1 nach dem Relaunch Online Marketing Website Management Produkt Management 2013 etracker GmbH 2 1 Jahr nach dem Relaunch

Mehr

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung Evaluieren & Erkennen, Weiterentwickeln & Reporten Datenerhebung, Datenanalyse und Data Mining

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen

Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Vortrag für die Regionalgruppe München der Gesellschaft für Informatik 15.10.2007 O 2 (Germany) GmbH & Co. OHG Business Intelligence

Mehr

Welche Gedanken wir uns für die Erstellung einer Präsentation machen, sollen Ihnen die folgende Folien zeigen.

Welche Gedanken wir uns für die Erstellung einer Präsentation machen, sollen Ihnen die folgende Folien zeigen. Wir wollen mit Ihnen Ihren Auftritt gestalten Steil-Vorlage ist ein österreichisches Start-up mit mehr als zehn Jahren Erfahrung in IT und Kommunikation. Unser Ziel ist, dass jede einzelne Mitarbeiterin

Mehr

Alles im Fluss Verträge flexibel gestalten mit FlexibleFLOW.

Alles im Fluss Verträge flexibel gestalten mit FlexibleFLOW. Alles im Fluss Verträge flexibel gestalten mit. FLEXIBLE Die neue Flexibilität. Alles fließt 2.500 Jahre alt ist diese Erkenntnis des Philosophen Heraklit. Es scheint, als ob sie erst recht für unsere

Mehr

Lineare Regression 1 Seminar für Statistik

Lineare Regression 1 Seminar für Statistik Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken

Mehr

CDC CRAZY DIFFERENT CONSULTING

CDC CRAZY DIFFERENT CONSULTING for more profit and more knowledge CDC CRAZY DIFFERENT CONSULTING BUSINESS COACHES «We make great people greater and great brands greater.» René Gut about René Gut René Gut hat als General Manager bei

Mehr

CONSIDEO PROCESS-MODELER

CONSIDEO PROCESS-MODELER CONSIDEO PROCESS-MODELER Modellaufbau Bei komplexen bzw. parallelen Prozessen, welche sich Ressourcen teilen müssen, ermöglicht der CONSIDEO PROCESS MODELER aufschlussreiche Was-Wäre-Wenn- Betrachtungen.

Mehr

Teil III: Maßnahmen ableiten

Teil III: Maßnahmen ableiten Einleitung faden, an dem Sie sich entlangarbeiten können, um so Schritt für Schritt an die relevanten Informationen zu kommen. Zunächst geht es darum, einzelne Kundengruppen samt ihrer Bedürfnisse (im

Mehr

Exklusivität von Werbemitteln Eine Studie von TOMORROW FOCUS Media in Kooperation mit der Hamburg Media School

Exklusivität von Werbemitteln Eine Studie von TOMORROW FOCUS Media in Kooperation mit der Hamburg Media School Exklusivität von Werbemitteln Eine Studie von TOMORROW FOCUS Media in Kooperation mit der Hamburg Media School Implizite Wirkung von Online-Werbemitteln am Beispiel einer FMCG-Kampagne Agenda 1 Zielsetzungen

Mehr

Plug-n-Play-Lösungen für Ihren Internetauftritt

Plug-n-Play-Lösungen für Ihren Internetauftritt Plug-n-Play-Lösungen für Ihren Internetauftritt Das Internet bietet unendlich viele Möglichkeiten um sich zu präsentieren, Unternehmen zu gründen und Geld zu verdienen. Fast ohne Aufwand kann jeder dort

Mehr

Es ist nicht gesagt, dass es besser wird, wenn es anders wird. Wenn es aber besser werden soll, muss es anders werden. G.

Es ist nicht gesagt, dass es besser wird, wenn es anders wird. Wenn es aber besser werden soll, muss es anders werden. G. Es ist nicht gesagt, dass es besser wird, wenn es anders wird. Wenn es aber besser werden soll, muss es anders werden. G. Lichtenberg Seite 1 IBM Forum Switzerland, 25. Oktober 2011 Auf dem Weg zum realen

Mehr

Schlüsselkunden auswählen und systematisch

Schlüsselkunden auswählen und systematisch Schlüsselkunden auswählen und systematisch entwickeln Wie Sie begrenzte Vertriebs-Ressourcen optimal einsetzen 1 Wir unterstützen Unternehmen seit 2002 weltweit dabei, mit Strategie profitabel zu wachsen

Mehr

Um Glück zu haben, musst du ihm eine Chance geben.

Um Glück zu haben, musst du ihm eine Chance geben. Um Glück zu haben, musst du ihm eine Chance geben. Du musst offen für das Glück sein, um es zu erfahren und ihm zu begegnen. Und du musst daran glauben, dass du es verdient hast, was da draußen an Positivem

Mehr

mit einem Partner bitte überlegen: "Teambuilding" für agile Teams - OHNE etwas von "Teamdynamiken" verstehen zu wollen www.korn.ch

mit einem Partner bitte überlegen: Teambuilding für agile Teams - OHNE etwas von Teamdynamiken verstehen zu wollen www.korn.ch SCRUM Breakfast 4. Februar 2009 Zürich "Teambuilding" für agile Teams - OHNE etwas von "Teamdynamiken" verstehen zu wollen www.korn.ch mit einem Partner bitte überlegen: Wie gut funktioniert (Bereich von

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

Kann ich als Empfehlungsgeber (Tippgeber) bei Werbeturbo.net pro Monat 1.476,15 & mehr verdienen, ohne große Investition?

Kann ich als Empfehlungsgeber (Tippgeber) bei Werbeturbo.net pro Monat 1.476,15 & mehr verdienen, ohne große Investition? Kann ich als Empfehlungsgeber (Tippgeber) bei Werbeturbo.net pro Monat 1.476,15 & mehr verdienen, ohne große Investition? JA! Werde Empfehlungsgeber und baue dir dein Grundeinkommen monatlich steigend

Mehr

Marketing mit Facebook. ContentDay Salzburg

Marketing mit Facebook. ContentDay Salzburg Marketing mit Facebook ContentDay Salzburg Jens Wiese Blogger, Berater, Gründer allfacebook.de Warum Facebook Marketing wichtig ist Stand April 2015 Facebook Fakten: Über 1,3 Mrd. monatlich aktive Nutzer

Mehr

Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS

Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS Response-Analysen im Database Marketing der Bertelsmann Buch AG mit SAS Meinert Mellows - Michael Nachtigäller DER CLUB Bertelsmann Database Marketing Der Club in der Bertelsmann Buch AG Bertelsmann AG

Mehr

BI - Der strategische Erfolgsfaktor im Unternehmen

BI - Der strategische Erfolgsfaktor im Unternehmen BI - Der strategische Erfolgsfaktor im Unternehmen Kunde: Universität Oldenburg, Department für Informatik Ort: Oldenburg, 26.09.2008 Referent: Dirk Vahlkamp Gedruckt: 28.09.2008, [Version 0.1] 2007-2008

Mehr

masventa - XRM Strategien und Lösungen

masventa - XRM Strategien und Lösungen masventa - XRM Strategien und Lösungen Ganzheitliches Beziehungsmanagement masventa Business GmbH Von-Blanckart-Str. 9 52477 Alsdorf Tel. 02404 91391-0 Fax 02404 91391 31 crm@masventa.de www.masventa.de

Mehr

RISIKO- UND KRISENMANAGEMENT

RISIKO- UND KRISENMANAGEMENT RISIKO- UND KRISENMANAGEMENT INHALTSVERZEICHNIS Risikomanagement...1...3 GOLD - Das Handbuch für Gruppenleiter und Gruppenleiterinnen Risikomanagement No Risk no fun ist wohl ein bekannter Ausspruch in

Mehr

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke

Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt

Mehr

F.A.Q. Fragen und Antworten W-DSL Funknetze. Inhalt

F.A.Q. Fragen und Antworten W-DSL Funknetze. Inhalt F.A.Q. Fragen und Antworten W-DSL Funknetze Hier finden Sie eine Auswahl von Antworten rund um das Thema W-DSL. Sollten Sie hier keine passende Antwort finden, so rufen Sie uns einfach an: 04421 380 99

Mehr

Manuel Schmalz. Abteilungsleiter Vertragsmanagement. Düsseldorf, 25.02.2015

Manuel 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

Mehr

Explore. Share. Innovate.

Explore. Share. Innovate. Explore. Share. Innovate. Vordefinierte Inhalte & Methoden für das Digitale Unternehmen Marc Vietor Global Consulting Services Business Development and Marketing Vordefinierte Inhalte & Methoden für das

Mehr

Traffik jenseits von Google Wachstumsstrategien für Ihre Website

Traffik jenseits von Google Wachstumsstrategien für Ihre Website Traffik jenseits von Google Wachstumsstrategien für Ihre Website SMX 2013 - Traffik jenseits von Google: Wachstumsstrategien für Ihre Website Octobo Knut Barth Seite 1 Kurze Vorstellung: Knut Barth 44

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

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

Mehr

Projekte erfolgreich führen mit den richtigen Entscheidungen

<Insert Picture Here> Projekte erfolgreich führen mit den richtigen Entscheidungen Projekte erfolgreich führen mit den richtigen Entscheidungen Jürgen Stobinski Oracle Primavera Sales Consultant Agenda Vorstellung Entscheidungsgrundlage Entscheidungshilfsmittel

Mehr

USABILITY - WIE AUS WEBSEITEN ERFOLGREICHE VERKÄUFER WERDEN

USABILITY - WIE AUS WEBSEITEN ERFOLGREICHE VERKÄUFER WERDEN USABILITY - WIE AUS WEBSEITEN ERFOLGREICHE VERKÄUFER WERDEN Swiss Online Marketing 2013 I 10.4.2013 PRUVAR GmbH Cosenzstrasse 14 7204 Untervaz Schweiz Kontakt Telefon: +41 81 322 24 29 Telefax: +41 44

Mehr

Herausforderung Digital Citizen Konsequenzen für Dienstleister in einer neuen Welt

Herausforderung Digital Citizen Konsequenzen für Dienstleister in einer neuen Welt Herausforderung Digital Citizen Konsequenzen für Dienstleister in einer neuen Welt Bedürfnis Service Policy und Prozess IT Provider Mensch Agenda Marktumbrüche und Hyperwettbewerb Der Sturm beginnt Digitalisierung

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

Logistische Regression in SAS

Logistische Regression in SAS Logistische Regression in SAS Oliver Kuß Medizinische Universitätsklinik, Abt. Klinische Sozialmedizin, Bergheimer Str. 58, 69115 Heidelberg, email: okuss@med.uni-heidelberg.de 3. Konferenz für SAS -Anwender

Mehr

Wie sexy muss eine Marke für Social Media sein? Der erfolgreiche Social Media-Start von claro

Wie sexy muss eine Marke für Social Media sein? Der erfolgreiche Social Media-Start von claro Wie sexy muss eine Marke für Social Media sein? Der erfolgreiche Social Media-Start von claro Wir helfen Unternehmen, Social Media erfolgreich zu nutzen Unser Social Media Marketing Buch für Einsteiger

Mehr

Motivieren und beeinflussen. Steeep Workshop 4 30. September 2015 Martin Musil matrix Partnerschaft für Training Coaching Mediation

Motivieren und beeinflussen. Steeep Workshop 4 30. September 2015 Martin Musil matrix Partnerschaft für Training Coaching Mediation Motivieren und beeinflussen Steeep Workshop 4 30. September 2015 Martin Musil matrix Partnerschaft für Training Coaching Mediation Motive und Motivation Erkenne, was Menschen motiviert. Sprich die stark

Mehr

Market Basket Analysis oder: isst man Salat zum Schnitzel?

Market Basket Analysis oder: isst man Salat zum Schnitzel? Market Basket Analysis oder: isst man Salat zum Schnitzel? SAS Forum Switzerland, 07. Mai 2013 Ralph Wenzl Migros-Genossenschafts-Bund Customer & Web Intelligence Agenda 1 2 3 4 Muster in Warenkörben 3

Mehr

Titel. System Center Service Manager 2012 R2 Anleitung zur Installation

Titel. System Center Service Manager 2012 R2 Anleitung zur Installation Autor: Thomas Hanrath Microsoft Certified Trainer Titel System Center Service Manager 2012 R2 Anleitung zur Installation Eine beispielhafte Installationsanleitung zur Verwendung im Testlab Quelle: System

Mehr

Predictive Modeling Markup Language. Thomas Morandell

Predictive Modeling Markup Language. Thomas Morandell Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML

Mehr

hhhhdirk-michael lambertusinesscoaching24.com

hhhhdirk-michael lambertusinesscoaching24.com hhhhdirk-michael lambertusinesscoaching24.com Praxis-Report Copyright LAMBERT AKADEMIE GmbH www.internet-marketing-akademie.de Telefon: 06151-785 780 Fax: 06151-785 789 Email: info@lambert-akademie.de

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

Die Möglichkeiten von E-Mail Marketing zur effektiven Kundenbindung

Die Möglichkeiten von E-Mail Marketing zur effektiven Kundenbindung Die Möglichkeiten von E-Mail Marketing zur effektiven Kundenbindung Jörg Arnold mailingwork GmbH Gründer und geschäftsführender Gesellschafter der mailingwork GmbH 42 Jahre verheiratet, 2 Töchter online

Mehr

Trendforschung Die Zukunft der Verführung

Trendforschung Die Zukunft der Verführung Trendforschung Die Zukunft der Verführung K. Fratz 1 Trendforschung Die Zukunft der Verführung Kirstine Fratz Trendlehre und Forschung. DE-Hamburg 2 Trendforschung Die Zukunft der Verführung K. Fratz 10.

Mehr

Multi-Kanal-Steuerung im Privatkundengeschäft der Landesbank Baden-Württemberg. Ermittlung onlinebanking-affiner Kunden

Multi-Kanal-Steuerung im Privatkundengeschäft der Landesbank Baden-Württemberg. Ermittlung onlinebanking-affiner Kunden Multi-Kanal-Steuerung im Privatkundengeschäft der Ermittlung onlinebanking-affiner Kunden 7. KSFE in Potsdam Freitag, 21. Februar 2003 Elke Kasper, LBBW Gliederung 1 Multi-Kanal-Steuerung der (LBBW) 2

Mehr

Luftballons. Einführung. Scratch. Wir wollen ein Spiel machen, bei dem man Luftballons platzen lässt! Activity Checklist.

Luftballons. Einführung. Scratch. Wir wollen ein Spiel machen, bei dem man Luftballons platzen lässt! Activity Checklist. Scratch 1 Luftballons All Code Clubs must be registered. Registered clubs appear on the map at codeclubworld.org - if your club is not on the map then visit jumpto.cc/ccwreg to register your club. Einführung

Mehr

FOR MORE PROFIT AND MORE KNOWLEDGE CDC CRAZY DIFFERENT CONSULTING BUSINESS COACHES

FOR MORE PROFIT AND MORE KNOWLEDGE CDC CRAZY DIFFERENT CONSULTING BUSINESS COACHES FOR MORE PROFIT AND MORE KNOWLEDGE CDC CRAZY DIFFERENT CONSULTING BUSINESS COACHES «We make great people greater and great brands greater.» René Gut ABOUT RENÉ GUT René Gut hat als General Manager bei

Mehr

Lesen macht reich! 60 Euro am Tag

Lesen macht reich! 60 Euro am Tag Lesen macht reich! 60 Euro am Tag Zwei wertvolle Ratgeber mit Lizenz. Mit der Lizenz dürfen Sie diese Ratgeber verkaufen oder verschenken. Mehr Geld, wer hat daran kein Interesse? Mehr Geld, ohne Risiko,

Mehr