Uplift Modelling mitsas

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Was wir vorhersagen, soll auch eintreffen! Kündigeranalyse für eine Direktbank mit dem Blick für das richtige Timing

Was wir vorhersagen, soll auch eintreffen! Kündigeranalyse für eine Direktbank mit dem Blick für das richtige Timing Case Study // Kündigeranalyse für eine Direktbank mit dem Blick für das richtige Timing Management Summary Stichworte Kündigeranalyse, Kundenrückgewinnung, Churn Management, Customer Analytics, Data Mining

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

Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung

Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung Als Unternehmen vor einigen Jahren Systeme für das Customer Relationship Management (CRM) einführten, handelte es sich meist um strategische Investitionen,

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

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

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

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

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

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting.

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Schober Group Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Mag. (FH) Alexandra Vetrovsky-Brychta Wien, 23.10.2012 Mehr IQ für Ihre Kundendaten Seite 2 Agenda Themen

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

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

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

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

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

Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern

Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern whitepaper Scoring: Kaufwahrscheinlichkeiten ermitteln und gezielt Umsätze steigern INHALT S. 1. Was ist Scoring? 2 2. Fallstudie: Response-Scoring 3 3. Wirtschaftlich Arbeiten mit D&B Business Scoring

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

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

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

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

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner Agenda Universitätsrechenzentrum Heidelberg Data Mining SAS Mining Challenge Einführung in 14. November 2003 Hussein Waly URZ Heidelberg Hussein.Waly@urz.uni-heidelberg.de SAS Mining Challenge Generelle

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

E-Mail Personalisierung 2.0. Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014

E-Mail Personalisierung 2.0. Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014 E-Mail Personalisierung 2.0 Präsentation der XQueue GmbH auf der Swiss Online Marketing 2014 Zürich, den 10. April 2014 Unternehmensprofil Eckdaten Gründung: 2002 Standorte: Offenbach am Main, Freiburg

Mehr

Predictive Analytics / Data Mining im Controlling

Predictive Analytics / Data Mining im Controlling Predictive Analytics / Data Mining im Controlling Sprecher: Dr. Karsten Oehler 1 Das Buch zum Film Erscheint im Controlling Berater, Ende 2011, PDF vorab über karsten.oehler@de.ibm.com erhältlich. Agenda

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

1 Predictive Analytics mit Random Forest

1 Predictive Analytics mit Random Forest Predictive Analytics Demokratie im Wald 1 Agenda 1. Predictive Analytics Übersicht 2. Random Forest Grundkonzepte und Anwendungsfelder 3. Entscheidungsbaum Classification and Regression Tree (CART) 4.

Mehr

MIT HIGH PERFORMANCE IN DIE ANALYTIK VON SAS 9.4 GERHARD SVOLBA

MIT HIGH PERFORMANCE IN DIE ANALYTIK VON SAS 9.4 GERHARD SVOLBA MIT HIGH PERFORMANCE IN DIE ANALYTIK VON SAS 9.4 GERHARD SVOLBA AGENDA SAS High Performance Analytics Neuigkeiten in den klassischen SAS Analytik Produkten SAS 9.4 VERSIONSNUMMERN FÜR DIE SAS ANALYTIK-PRODUKTE

Mehr

PROC LOGISTIC: Warum sind die Koeffizienten nicht mit den Odds Ratios konsistent?

PROC LOGISTIC: Warum sind die Koeffizienten nicht mit den Odds Ratios konsistent? Anwendungen PROC LOGISTIC: Warum sind die Koeffizienten nicht mit den Odds Ratios konsistent? Ulrike Braisch, Rainer Muche Institut für Epidemiologie und Medizinische Biometrie Universität Ulm Schwabstraße

Mehr

BOARD Deutschland GmbH

BOARD Deutschland GmbH BOARD Deutschland GmbH Roger Schymik Senior PreSales Consultant BOARD Deutschland GmbH Better decisions. Better business. Der Wendepunkt WETTBEWERBSFÄHIGKEIT BI & CPM WENDEPUNKT Entscheidungs -effektivität

Mehr

Inhaltsverzeichnis TABELLENVERZEICHNIS. Nagengast, Liane Kunden erfolgreich binden 2011

Inhaltsverzeichnis TABELLENVERZEICHNIS. Nagengast, Liane Kunden erfolgreich binden 2011 V Inhaltsverzeichnis VORWORT III INHALTSVERZEICHNIS V ABBILDUNGSVERZEICHNIS XI TABELLENVERZEICHNIS XIII ABKÜRZUNGSVERZEICHNIS XVI TEIL A EINLEITUNG 1 1. EINFÜHRUNG IN DIE PROBLEMSTELLUNG 1 1.1 Hohe Investitionen

Mehr

Wünschen Bürger mehr Transparenz? Eine Forsa-Studie im Auftrag von SAS Deutschland

Wünschen Bürger mehr Transparenz? Eine Forsa-Studie im Auftrag von SAS Deutschland Wünschen Bürger mehr Transparenz? Eine Forsa-Studie im Auftrag von SAS Deutschland 1 Open Data - Open Government Monitor 2010: Wünschen Bürger mehr Transparenz? Die politische Steuerung hat einen ernsthaften

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

BIG DATA FÜR BESSERE KUNDENBEZIEHUNGEN IN DER TELEKOMMUNIKATION

BIG DATA FÜR BESSERE KUNDENBEZIEHUNGEN IN DER TELEKOMMUNIKATION BIG DATA FÜR BESSERE KUNDENBEZIEHUNGEN IN DER TELEKOMMUNIKATION HERAUSFORDERUNGEN UND LÖSUNGSBEISPIELE VON MOBILFUNKANBIETERN STUTTGART, 09. JUNI 2016 T. FRITZ, CENIT AG, R. KRÄMER, PITNEY BOWES AGENDA

Mehr

LINGO: Eine kleine Einführung

LINGO: Eine kleine Einführung LINGO: Eine kleine Einführung Jun.-Prof.Dr. T. Nieberg Lineare und Ganzzahlige Optimierung, WS 2009/10 LINDO/LINGO ist ein Software-Paket, mit dessen Hilfe (ganzzahlige) lineare Programme schnell und einfach

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:

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

Faktenbasiert entscheiden auf Knopfdruck: Mythos oder Realität?

Faktenbasiert entscheiden auf Knopfdruck: Mythos oder Realität? Faktenbasiert entscheiden auf Knopfdruck: Mythos oder Realität? CommonSense Dr. Andreas Becks Senior Business Architect CoE Information Management & Analytics DACH SAS Institute Copyr i g ht 2012, SAS

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

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

Analytisches CRM im Dialogmarketing

Analytisches CRM im Dialogmarketing Analytisches CRM im Dialogmarketing Von Marco Denzl und Hauke Friedrich, gkk DialogGroup, München Das Dialogmarketing ist eine dynamische und interaktive Form der Marktbearbeitung. Im Gegensatz zu klassischen

Mehr

Integriertes Marketingmanagement 2013

Integriertes Marketingmanagement 2013 Integriertes Marketingmanagement 2013 Schneller sehen, verstehen und entscheiden Dr. Andreas Becks Senior Business Architect SAS Deutschland GmbH Agenda Integriertes Marketingmanagement 2013 Die neue Bank

Mehr

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich Experten für CRM und BI seit über 10 Jahren Analytische CRM Lösungen im Vergleich Kernaussagen Analytische CRM Lösungen Analyse- und Reportmöglichkeiten bestehender CRM- Systeme können den Managementanforderungen

Mehr

Data Governance Informationen kontrolliert managen

Data Governance Informationen kontrolliert managen make connections share ideas be inspired Data Governance Informationen kontrolliert managen Michael Herrmann SAS Copyright 2013, SAS Institute Inc. All rights reserved. DATA GOVERNANCE TRENDS UND TREIBER:

Mehr

Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining

Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining 1.22 Optimierung von Direct Marketing-Kampagnen im Fundraising dank Data Mining Raphael Hess WWF Schweiz 28. Oktober 2010 1 Agenda Worum es geht! Data Mining 2 2 WWF Worldwide 1961 Gründungsjahr +5,000

Mehr

Kundenwissen für den Energieversorger der Zukunft

Kundenwissen für den Energieversorger der Zukunft Kundenwissen für den Energieversorger der Zukunft Dr. Leading Tobias customer Graml insights CTO company tobias.graml@ben-energy.com for utilities in Europe Sechs Jahre Expertise in Datenanalyse und Kundenverhalten

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

SPSS Cognos Positionierung. April 2010. Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation

SPSS Cognos Positionierung. April 2010. Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation SPSS Cognos Positionierung April 2010 Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation 2010 IBM Corporation Agenda 1. SPSS Positionierung 2. SPSS & Cognos

Mehr

ADVANCED ANALYTICS. Auswirkungen auf das Controlling und Unternehmenssteuerung

ADVANCED ANALYTICS. Auswirkungen auf das Controlling und Unternehmenssteuerung ADVANCED ANALYTICS Auswirkungen auf das Controlling und Unternehmenssteuerung Unternehmen im Zeitalter der Digitalisierung Was bedeutet Digitalisierung der Welt? Digitale Fußabdrücke in allen Branchen

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

Visionen zur Bannerwerbung mit eigenen Kundendaten

Visionen zur Bannerwerbung mit eigenen Kundendaten Visionen zur Bannerwerbung mit eigenen Kundendaten Christian Färber Fundraising Kongress Berlin, April 2014 Agenda Collaborative Targeting Case Study Automotive Diskussion & Fragen 2 Collaborative Targeting

Mehr

EINFÜHRUNG IN DIE STATISTISCHE VERSUCHSPLANUNG

EINFÜHRUNG IN DIE STATISTISCHE VERSUCHSPLANUNG TQU BUSINESS GMBH 1 EINFÜHRUNG IN DIE STATISTISCHE VERSUCHSPLANUNG 2 Lernziele Sie kennen die prinzipiellen Ansätze zur Datengewinnung. Sie wissen, was ein Experiment ist. Sie kennen die prinzipiellen

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

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

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

X[iks] Institut für Kommunikation und ServiceDesign

X[iks] Institut für Kommunikation und ServiceDesign Erfolgsfaktoren in der Kundenkommunikation von Dirk Zimmermann Kunden möchten sich, ihre Wünsche, Bedürfnisse und Anliegen in der Kommunikation wiederfinden. Eine Kommunikation nach Kundenzuschnitt ist

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

Update: Branding Effects Database. Unit Werbewirkung und Marktforschung des Online-Vermarkterkreis im Bundesverband Digitale Wirtschaft (BVDW) e.v.

Update: Branding Effects Database. Unit Werbewirkung und Marktforschung des Online-Vermarkterkreis im Bundesverband Digitale Wirtschaft (BVDW) e.v. Update: Branding Effects Database Unit Werbewirkung und Marktforschung des Online-Vermarkterkreis im Bundesverband Digitale Wirtschaft (BVDW) e.v. Oktober 2014 Ausgangssituation und Zielsetzung Der Nachweis

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

Willkommen Zur MICROSOFT DYNAMICS CRM Online-Demo

Willkommen Zur MICROSOFT DYNAMICS CRM Online-Demo Willkommen Zur MICROSOFT DYNAMICS CRM Online-Demo Donnerstag, 16. Juni 2011 Microsoft Dynamics CRM As A Business Plattform Höhe Integration und Kompatibilität mit anderen Microsoft Produktportfolio Microsoft

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

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

Marketing Attribution

Marketing Attribution Marketing Attribution 1 Agenda EXACTAG Marketing Attribution Was ist Attribution? Arten der Attribution Wege zum Erfolg Ertragsmaximierendes Marketing 2 Agenda EXACTAG Marketing Attribution Was ist Attribution?

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

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

1 Statistische Grundlagen

1 Statistische Grundlagen Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.

Mehr

Data Warehousing und Data Mining

Data Warehousing und Data Mining Data Warehousing und Data Mining 2 Cognos Report Net (CRN) Ermöglicht Erstellen von Ad-hoc-Anfragen (Query Studio) Berichten (Report Studio) Backend Data Cube Relationale Daten Übung: Cognos Report Net

Mehr

Der beste Service ist individuell. Philips RightFit passgenaue Serviceverträge für Ultraschallsysteme

Der beste Service ist individuell. Philips RightFit passgenaue Serviceverträge für Ultraschallsysteme Der beste Service ist individuell Philips RightFit passgenaue Serviceverträge für Ultraschallsysteme Wir möchten, dass Sie mit Ihrem Ultraschallsystem langfristig erfolgreich sind. Darum bieten wir mit

Mehr

Analytisches Fundraising

Analytisches Fundraising Analytisches Fundraising Vorgehen, Verfahren, Werkzeuge DiaSys. Marketing Engineering AG, Wankdorffeldstr.102, 3014 Bern 031 922 31 50, zuercher@diasys.ch Analytisches Fundraising Inhaltsverzeichnis Datenbankgestütztes

Mehr

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Datenqualität / Validierung Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien gerhard.svolba@sas.com Zusammenfassung

Mehr

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

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

Mehr

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

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

SMS Marketing. Broschüre

SMS Marketing. Broschüre Broschüre Ihr SMS Spickzettel SMS effektiv senden Call-to-Action Nicht nur ein kreativer Text ist wichtig für erfolgreiches, sondern auch die richtige Handlungsaufforderung. Angebote Verbinden Sie Ihren

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

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