Seminar CRM SS Data Warehouses und Customer Relationship Management
|
|
- Hermann Abel
- vor 8 Jahren
- Abrufe
Transkript
1 Seminar CRM SS 2006 Data Warehouses und Customer Relationship Management Jan Guggisberg & Urs Dietrich 1. Der Einsatz von Data Warehouses im Customer-Relationship-Management 2 2. Die Einführung eines Data Warehouses 3 3. Anforderungen an das Data Warehouse Churn-Analysen und Service-Optimierumg Warenkorb-Analyse Zielgruppen-Analyse Vertriebs-Targeting Budget-Analysen Cross-Selling Fertigung/Logistik/Distribution Cross-funktionale Fragen 5 4. Das Customer Orientation Framework (COF) 6 5. Data Warehouses eine technikorientierte Einführung Einleitung Grundlagen des OLAP Modellierung von Data Warehouses Der Fuzzy Logic Approach Bibliographie 15 1
2 1. Der Einsatz von Data Warehouses im Customer- Relationship-Management Um heute noch konkurrenzfähig zu sein, müssen die Unternehmen Strategien entwickeln, die den Kundenanforderungen entsprechen. Die Hauptschwierigkeit hier ist, die Kundenbeziehungen als Asset einzusetzen. Um dies zu erreichen, ist die Entwicklung eines Data Warehouses unumgänglich. (Meier 2003) Es werden Lösungen angestrebt, die gezielt den Kundenanspruch sowie die Kundenzufriedenheit steigern. Dazu benötigt man Daten, die z. B. Aussagen über das Kaufdas Reklamations- und das Bestellverhalten enthalten, um die Ausrichtung der gesamten unternehmerischen Wertschöpfungskette auf den Kunden ermöglichen. Hier kommt das Data Warehouse ins Spiel. Es dient als zentraler Speicher von Kundenwissen, das mit Hilfe analytischer Hilfsmittel (Business Intelligence) wie Data-Mining und OLAP die benötigten Informationen liefert. (Hofmann and Mertiens 2000) Abbildung 1: Marktanalyse der Behandlung von Kundentaten für CRM Wie man bei Abbildung 1 sieht, ist die häufigste Methode der Datenbeschaffung immer noch die manuelle Sammlung. Ausserdem werden diese eher dazu gebraucht, die Bestellungen zu machen, als das Kundenverhalten zu analysieren und zu überwachen. Wenn die Daten elektronisch erfasst werden, stellt sich ausserdem das Problem, dass sich diese oft an verschiedenen Standorten in verschiedenen Datenbanken befinden. Die Aufgabe des Data Warehouses ist, die Daten aus den verschiedenen Datenquellen zu sammeln und soll ermöglichen, dass diese ohne grösseren Aufwand analysiert werden können. «Das Beispiel des Einzelhandels macht die Problematik klarer. Jeder Kunde hinterlässt an der Scannerkasse Spuren seines Einkaufs. Es wird der genaue Inhalt des Einkaufswagens 2
3 zusammen mit dem Datum und der Uhrzeit des Einkaufs gespeichert. Sogar die Identität kann bei Zahlung mit ec- oder Kreditkarte festgestellt werden.» 1 2. Die Einführung eines Data Warehouses Die meisten Projekte ein Data Warehouse einzuführen, scheitern am organisatorischen Aufwand. Es ist empfehlenswert, den Aufbau in verschiedenen Etappen vorzunehmen, da es oft gar nicht möglich ist, ein unternehmensweites Data Warehouse in einem Schritt aufzubauen. In Abbildung 2 sind die wesentlichen Schritte dargestellt: Abbildung 2: Die wesentlichen Schritte bei der Einführung eines Data Warehouses Als erstes muss bestimmt werden, welchen Anforderungen das Data Warehouse genügen soll. Aufschluss darüber gibt eine Prozessanalyse der ausgewählten Unternehmensteile. Es wird eine Mitarbeiterumfrage durchgeführt um die vorhandenen Informationsströme zu analysieren und um herauszufiltern, welche Informationen gefordert werden. Ausserdem fördert diese Umfrage die Akzeptanz für dieses neue Informationssystem. Mit den gewonnenen Informationen wird nun ein Grobkonzept erstellt. Auf dieser Basis sollte eine 1 Hofmann, M. and M. Mertiens (2000). Customer-Lifetime-Value-Management. Kundenwerte schaffen und erhöhen: Konzepte, Strategien, Praxisbeispiele. Wiesbaden, S
4 Wirtschaftlichkeitsanalyse durchgeführt werden, wobei der erwartete Nutzen des Ware Houses den Kosten für Aufbau, Betrieb und Schulung der Mitarbeiter gegenübergestellt wird. Hat man sich nun für die Einführung entschieden, müssen die verschiedenen Datenquellen identifiziert und detailliert beschrieben werden. Ausserdem ist auf Abhängigkeiten zwischen den verschiedenen Datenquellen zu achten. Wenn man diese zwei Hauptschritte durchgeführt hat, muss man noch die richtige Software auswählen und diese dem bestehenden System anpassen. 3. Anforderungen an das Data Warehouse «Von einem Data-Warehouse wird die komfortable Analyse komplizierter Sachverhalte mit niedrigen Antwortzeiten, auch bei sehr grossen Datenmengen, erwartet.» 2 Jegliche Auswertungen sollten ohne grossen Programmieraufwand machbar sein. Nicht alle Benutzer sind an denselben Daten interessiert. Analytiker benötigen detailliertere Daten als die Geschäftsleitung. Folgende Analysebeispiele geben Aufschluss auf die unterschiedlichen Anforderungen an das Data Warehouse Churn-Analysen und Service-Optimierumg Die Churn-rate ist die Rate der Vertragskündigungen oder die Rate der Geshäftskunden, die dauerhaft in einem anderen Geschäft einkaufen. Die Gründe dieser Fluktuationen geben oftmals Aufschluss über mögliches Optimierungspotential in der Kundenbeziehung. Andererseits dient die Churn-Analyse auch als Frühwarnsystem Warenkorb-Analyse Durch die Analyse der Warenverkäufe kann überprüft werden, ob positive oder negative Korrelationen zwischen den einzelnen Produkten bestehen (z. B. wird Bier häufig zusammen mit Chips oder Grillwaren gekauft). Mit diesen Informationen lässt sich das Sortiment und die Produktpositionierung optimieren Zielgruppen-Analyse Data Warehousing und Data-Mining erlauben es, die klassische Zielgruppenanalyse um eine Dimension zu erweitern. Verschiedenste Variablen des Kaufverhaltens können genauestens untersucht werden. Somit kann vom bestehenden Sortiment auf Kundenprofile geschlossen 2 Ibid., S Ibid. 4
5 werden, «die als Schablone für Neukunden dienen können.» 4 Mit Hilfe dieser Profile können ausserdem Vorhersagemodelle erstellt werden, welche die Wahrscheinlichkeit vorhersagen können, ob ein neues Produkt ein Erfolg werden kann oder nicht Vertriebs-Targeting Hier wird vor allem eine geographische Analyse der Kaufgewohnheiten durchgeführt. Mit den gewonnenen Erkenntnissen können die Vertriebsressourcen optimiert und die Marketingaktivitäten koordiniert werden Budget-Analysen Mit Hilfe der Zielgruppenanalyse kann auch festgestellt werden, wie effektiv das Budget bezüglich einzelner Kampagnen eingesetzt wurde: «so können zum Beispiel nach einer Kampagne in einem Printmedium die reinen Abverkaufszahlen des beworbenen Produktes aufgebrochen, mit der regionen- sowie zielgruppenspezifischen Reichweite des gewählten Medium verknüpft und miteinander in Beziehung gesetzt werden.» Cross-Selling Häufig werden bei grossen Produktpaletten die Geschäftsfelder getrennt, um die Vermarktung zu vereinfachen. Dadurch werden mögliche Synergien gar nicht oder nur unzureichend ausgenutzt. Ein Data Warehouse ermöglicht hier Geschäftsfelder zu virtuellen Einheiten zu verknüpfen Fertigung/Logistik/Distribution Durch die verschiedenen Analysen des Marktes mit Hilfe von Data-Mining können Trends frühzeitig erkannt werden. Dies erlaubt es einem Unternehmen, rechtzeitig reagieren zu können und die Fertigung anzupassen. Ausserdem kann die Lagerhaltung und der Vertrieb schnell angepasst werden Cross-funktionale Fragen Die Einführung eines Data Warehouses kann das Informationsverhalten der Mitarbeiter positiv beeinflussen. Sie erhalten einen Einblick auf die gesamte Wertschöpfungskette und können die Konsequenzen ihres Handelns besser abschätzen. Ausserdem können die Verknüpfungen zwischen den Abteilungen analysiert werden. Managemententscheidungen 4 Ibid., S Ibid. 5
6 können so auf eine solide Grundlage gestellt werden. Durch Red-Flag-Funktionalitäten werden darüber hinaus schnelle Reaktionszeiten auf kritische Veränderungen ermöglicht. Die hier aufgezeigten Beispiele stellen nur einen Bruchteil der Möglichkeiten dar, die durch die Einführung von Customer Data Warehouses möglich sind. 4. Das Customer Orientation Framework (COF) Um Kundenbeziehungen zu bilden und zu pflegen, braucht es spezifische Methoden, hier illustriert durch die fünf Elemente eines customer orientation frameworks (COF). In einem ersten Schritt muss die Strategie festgelegt werden. Es muss ein Mix zwischen Kundengewinnung, Kundenbindung und add-on selling gefunden werden. Ziel der Kundengewinnung ist es, aus der Gesamtheit der Marktteilnehmer Sympathisanten zu gewinnen, sie zu Interessenten zu machen und als Kunden zu gewinnen. Folgende Mittel stehen dafür zur Verfügung: Imagewerbung/Public Relations, Produktwerbung, Responsemedien (Mailings, Telefon ) usw. Weiter muss versucht werden, die gewonnenen Kunden zu binden. Das Wohlwollen der Kunden muss schrittweise gefestigt werden, um so die Loyalität und das Vertrauen der Kunden zu erhöhen (Abbildung 4). Das kann man erreichen, wenn man in ständiger Kommunikation mit den Kunden bleibt (Telefon, Fax, , Persönliche Beratung ). Abbildung 3: Die fünf Elemente des Customer orientation framework (COF) 6
7 Abbildung 4: Die einzelnen Phasen des Beziehungskreislaufes Der zweite Schritt widmet sich der Planung. Als erstes müssen die Geschäftsprozesse während dem gesamten Kundenlebenszyklus analysiert werden. Zweitens werden durch ein customer equity model Kundensegmente gebildet oder angepasst. In einem dritten Schritt werden Kampagnen geplant, um die interessanten Segmente zu bearbeiten (Kundengewinnung und Bindung). (Meier 2003) Drittens muss die Organisation geregelt werden. Eine wichtige Frage ist hier, ob ein chief customer officer (CCO) ernannt werden soll oder nicht. Als Mitglied der Geschäftsleitung wäre er dafür da, eine kundenorientierte Unternehmenspolitik zu garantieren. Ausserdem wäre er für das Relationship-Marketing, sales und after-sales Dienstleistungen zuständig. (Meier 2003) Schritt vier dieses frameworks besteht in der Bereitstellung und dem Support von «customer data warehouses» bzw. einer «contact database» (Meier 2003). Die folgenden Ausführungen fokussieren auf technische Aspekte von Data Warehouses und gehen insbesondere auf neuere Entwicklungen in diesem Bereich ein. 5. Data Warehouses eine technikorientierte Einführung 5.1 Einleitung Im Gegensatz zu Datenbanken, die im produktiven Bereich eingesetzt werden und transaktionsorientiert ausgerichtet und diesbezüglich optimiert sind, werden Data Warehouses 7
8 unter dem Blickwinkel der Auswertbarkeit von Informationen entworfen und implementiert. Elmasri und Navathe beschreiben sie in einer sehr allgemeinen Form als «a collection of decision support technologies, aimed at enabling the knowledge worker (executive, manager, analyst) to maker better and faster decisions» (Elmasri and Navathe 2004). Sie werden für Anwendungen des On-Line Analytical Processings (OLAP), der Visualisierung, des Data Minings und des Knowledge Discovery verwendet. Dabei sind die darin enthaltenen Daten von den operationalen Daten getrennt, themenbezogen, integriert, zeitveränderlich und nicht flüchtig (Vossen 2000). In der Praxis sind Data Warehouses in eine technische Umgebung eingebettet, die in vielen Fällen etwa folgendem Muster entspricht: o Die (meisten) Datenquellen sind relationale Datenbanken o Das Data Warehouse selbst ist ein relationales Datenbankmanagementsystem. o Datenintegration und extraktion erfolgen offline, meist im Batchbetrieb über Nacht. o Die Quelldatenbanken werden vollständig im Data Warehouse repliziert, die Extraktion findet, wenn überhaupt, auf einem nur rudimentären Level statt. o Das Data Warehouse wird weiter in Data Marts unterteilt, welche themenspezifische Untersuchungen, Auswertungen und OLAP erlauben. Damit wird in vielen Fällen eine zusätzliche Schicht zwischen dem in Abbildung 5 gezeigten Data Warehouse und den anschliessenden Auswertungen gelegt. Um ein Data Warehouse einzurichten, sind zumindest folgende Aktivitäten notwendig: o Extrahieren von Daten aus operationalen Datenbanken o Laden eines initialen Datensets o Periodische Aktualisierungen dieses Datensets o Transformation und Anpassung der Quelldaten an das Schema des Data Warehouse 8
9 Abbildung 5: Auswertungsorientierte Integration von Daten und Anwendungen von Data Warehouses (Vossen 2000) Da das Data Warehouse von den zugrunde liegenden Quellen losgelöst unterhalten wird, müssen die Datenbestände in regelmässigen Abständen aktualisiert werden. Hier werden zwei Ansätze unterschieden: o Bei einem Refresh-Copy werden in bestimmten Abständen alle Daten neu ins Data Warehouse kopiert. Für grosse Datenmengen ist dieser Ansatz ungeeignet. o Bei einem Incremental-Copy werden nur die geänderten Daten im Data Warehouse nachgeführt. (Vossen 2000) Mittels des von der OMG vorgeschlagenen Common Warehouse Metamodells (CWM) wird ein Standard zur Beschreibung, den Zugriff und den Austausch von Metadaten in Data Warehouses vorgeschlagen. Der Standard definiert ein Metamodell, das Metadaten sowohl aus betriebswirtschaftlicher als auch aus technischer Sicht darstellen kann. Da das CWM sowohl die Syntax als auch die Semantik bereitstellt, kann der komplette Prozess beschrieben werden. (OMG 2003; Haag 2004; Wikipedia 2006) 5.2 Grundlagen des OLAP Beim On-Line Analytical Processing geht es in erster Linie um die Unterstützung von Anfragen zum Zwecke von Analysen oder auch um eine Aufbereitung von geschäftskritischen Daten für Entscheidungsträger in Unternehmungen. Der Begriff geht auf Codd zurück, der 12 Regeln zur Evaluierung von OLAP-Systemen formulierte und diese letztendlich auf 18 erweiterte (Codd, Codd et al. 1993). Unter dem Akronym FASMI (Fast Analysis of Shared 9
10 Multidimensional Information) wurden 1995 durch Pendse und Creeth fünf herstellerunabhängige Evaluierungsregeln aufgestellt, um damit das OLAP-Konzept zu beschreiben; hier wurde das Gewicht verstärkt auf Benutzeranforderungen und weniger auf technische Anforderungen gelegt. OLAP wird den hypothesengestützten Analysemethoden zugeordnet, was bedeutet, dass der Analyst vor der eigentlichen Untersuchung wissen muss, welche Anfragen er an das System stellen möchte. Seine Hypothese wird dann durch das Analyseergebnis bestätigt oder abgelehnt (Wikipedia 2006). Zentral für Data Warehouses und OLAP ist die Sicht, dass Daten mehrdimensional sein können. Das Data Warehouse wird als eine Menge von Fakten in einem multidimensionalen Raum betrachtet, wobei jedes Faktum durch ein aggregiertes Mass sowie eine oder mehrere Dimensionen wie «Zeit», «Ort» oder «Produktekategorie» gekennzeichnet ist. Das folgende Beispiel eines 3D-Cubes zeigt Daten über erfolgte Verkäufe. Als Dimensionen werden hier «Product», «Quarter» und «City» verwendet, als Mass (Measure) die Verkäufe. In einem solchen hier mit drei Dimensionen versehenen Datenwürfel oder Data Cube spannen die Dimensionen den Würfel auf, bilden also die Koordinatenachsen. Durch die betrachteten Attribute wird der Würfel in Zellen zerlegt und jeweils mit einem Funktionswert in Abhängigkeit der Dimensionen versehen. (Vossen 2000) Abbildung 6: Bestandteile eines (3D-)Datenwürfels (Vossen 2000) Auf einem solchen Cube können dann die folgenden Operationen ausgeführt werden: o ein Roll-up aggregiert Daten, bildet Summen und reduziert Dimensionen, 10
11 o ein Drill-down navigiert von Summen zu detaillierteren Daten und entspricht damit der Umkehrung des Roll-ups, o Slice and Dice dient der Selektion von Teilwürfeln, z. B. der Selektion horizontaler Ebenen oder einzelner Zellen, o das Ranking bzw. Sorting bildet Rangfolgen und Ordnungen, o derived oder computed attributes nehmen Ergebnisse von Berechnungen innerhalb einer Dimension oder dimensionsübergreifend auf, o das Nesting erlaubt die Darstellung eines n-dimensionalen Würfels (mit n>2) in genau 2 Dimensionen o und das Pivoting erlaubt ein Rotieren von Spalten und Zeilen. (Elmasri and Navathe 2004) 5.3 Modellierung von Data Warehouses Zur Unterstützung der oben aufgezählten Operationen haben sich spezifische Formen von Datenbankschemas herauskristallisiert. Man unterscheidet in solchen Schemas zwischen einer Faktentabelle und jeweils einer oder mehreren unnormalisierten Dimensionstabellen, die zu einem Star-, Snowflake- oder Fact Constellation Schema angeordnet werden. Beim Star-Schema bildet die Faktentabelle das Zentrum, die Dimensionstabellen die «Strahlen». Jede Dimensionstabelle ist durch zwei Arten von Attributen gekennzeichnet, nämlich durch einen gegebenenfalls künstlichen Schlüssel sowie zugehörende beschreibende Attribute. Abbildung 7: Allgemeine Form eines Starschemas (Vossen 2000) 11
12 Die einzelnen Dimensionen können als Hierarchie strukturiert sein, um Aggregationen zu ermöglichen. Die Zeitdimension in Abbildung 8 weist zum einen eine Fragmentierung des Jahres in Quartale, Monate und Tage auf, zum andern eine Fragmentierung in Wochen und Tage. Abbildung 8: Beispiel eines Starschemas (Meier 2003) Ein solches Schema unterstützt keine Attributhierarchien, was aber durch eine Normalisierung und einen Übergang von einem Stern- zu einem Snowflakeschema erreicht werden kann: Abbildung 9: Beispiel eines Snowflakeschemas (Vossen 2000) Ein Fact Constellation Schema verwendet mit mehreren Faktentabellen dieselben Dimensionstabellen, so dass mehrere Starschemen praktisch überlagert werden. 12
13 5.4 Der Fuzzy Logic Approach Heute ist nicht mehr der Mangel an Daten, sondern deren Überfluss ein Problem. Unternehmen und Organisationen suchen daher Werkzeuge für die Datenanalyse, die ihnen Grundlagen für Entscheide liefern können. Mittels Knowledge Discovery in Datenbanken (KDD) werden wertvolle Informationen aus solchen Datenbeständen extrahiert. Primäres Ziel eines solchen Prozesses ist die Reduktion der Datenkomplexität sowie das Erkennen von Mustern. Klassische Ansätze verwenden Cluster- oder Regressionsanalysen, basieren also auf statistischen Verfahren. Diese wiederum erfordern als Grundlage numerische Werte oder solche aus einem definierten Wertebereich. Fehlt eine solche Basis, versagen viele der herkömmlichen Ansätze. (Meier, Werro et al. 2005; Werro, Meier et al. 2005) Anfragesprachen wie SQL setzen voraus, dass die Anfragen in der gleichen Granularität und Genauigkeit formuliert werden, wie die Daten in der Datenbank abgelegt sind. SQL als die am weitest verbreitete Anfragesprache erlaubt keine ungenau oder unscharf formulierten Abfragen, was aber in vielen Fällen erwünscht ist. So ergeben sich in den verschiedensten Anwendungsbereichen Probleme. (Werro, Stormer et al. 2005) Abbildung 10: Beispiel einer unscharfen Abfrage unter Verwendung einer linguistischen Variable (Meier, Mezger et al. 2003) Die an der Universität Fribourg entwickelte unscharfe Klassifizierungssprache fuzzy Classification Query Language (fcql) basiert auf einer Erweiterung des relationalen Datenbankschemas; hierbei wird ein Kontextmodell für unscharfes Klassifizieren von Tabelleninhalten vorgeschlagen. fcql ermöglicht mit Hilfe von vordefinierten unscharfen linguistischen Variablen 6 den Zugriff auf die darunter liegenden Daten, indem die fcql- Aufrufe in SQL übersetzt werden, was wiederum eine Migration des Basissystems in eine unscharfe Datenbank zu vermeiden hilft. (Meier, Mezger et al. 2003; Werro, Stormer et al. 2005) 6 Siehe dazu auch: Koop, E. A. (2004). Datenbankunterstützung für imperfekte Daten im Verkehrsumfeld. Karlsruhe,
14 Mit Hilfe dieses Kontextmodells werden Klassen im relationalen Datenbankschema gebildet, so dass z. B. «Lieferenten mit schlechtem Service» in eine andere Klasse als «Lieferanten mit sehr gutem Service» zu liegen kommen. 7 Damit wird die Komplexität reduziert. Neben klassischen «scharfen» Klassifikationen, wie sie beispielsweise bei Gebrauch von bool schen Variablen entstehen, können auch solche verwendet werden, die Werte zwischen 0 und 1 akzeptieren, also 0.25 für die Klasse «Lieferenten mit schlechtem Service» und 0.75 für die Klasse «Lieferanten mit sehr gutem Service» - ein so verorteter Lieferant ist also zumindest ein akzeptabler Zulieferer. Im fuzzy-relationalen Kontextmodell ist jedem Attribut A j, definiert auf einem Wertebereich D(A j ), ein Kontext zugeordnet. Ein Kontext K(A j ) ist dann eine Partition von D(A j ) in Äquivalenzklassen. Ein relationales Datenbankschema mit Kontexten besteht daher aus einer Menge von Attributen A=(A 1,...,A n ) und einer Menge assoziierter Kontexte K=(K 1 (A 1 ),...,K n (A n )). (Meier, Mezger et al. 2003; Meier, Werro et al. 2005; Werro, Meier et al. 2005) fcql ist stark an SQL angelehnt; anstelle des Kommandos «Select» wird «classify» verwendet, die from-klausel ist mit derjenigen in SQL identisch und an Stelle der where- Klausel wird das Konstrukt «with» verwendet, das ein Prädikat für eine Klassifikation spezifiziert. Ein Beispiel für eine Anfrage könnte dann wie folgt aussehen: classify CUSTOMER from CUSTOMERRELATION with turnover is high and paymenttime is positive Wie bereits erwähnt, wird mit diesem System das Datenbankschema erweitert, und zwar im Bereich des Metadatenmodells. Namen und dazugehörende Definitionen der Äquivalenzklassen, die Beschreibung der Klassen und die gesamten Metainformationen, die so genannten «membership functions» betreffend. Abbildung 11 zeigt die Architektur des fcql-toolkits, dessen wesentlichstes Merkmal die Zwischenschicht zwischen dem relationalen DBMS und dem Benutzer ist und es ermöglicht, dieses DBMS inhaltlich nicht zu verändern, sondern lediglich zu erweitern. Der Zugriff auf die Datenbank erfolgt entweder wie bis anhin direkt (Fall 1) und unter Einsatz von SQL, über medit (Fall 2) oder über den Interpreter von fcql (Fall 3). Mit medit kann der Datenarchitekt Attribute auswählen, Äquivalenzklassen, linguistische Variablen, linguistische Terme und «membership functions» 7 Siehe dazu auch die Arbeiten zum Thema «Imperfekte Daten» und «Erweiterungen des relationalen Modells für unscharfe Klassifikationen»: Merkel, A. (2003). Imperfektion und Datenbanken. Schemaerweiterung zur Abbildung von imperfekten Daten, Schepperle, H., A. Merkel and A. Haag (2004). Erhalt von Imperfektion in einem DataWarehouse. Symposium Data Warehousing und Data Mining, Darmstadt. 14
15 definieren. Der Interpreter erlaubt die Bildung von unscharfen Anfragen, die analysiert und dann nach einer Übersetzung in SQL an die Datenbank geschickt werden. Das Resultat ermöglicht dem Interpreter, die Unschärfe für den Benutzer zu berechnen. 8 Abbildung 11: Architektur des fcql Toolkits 6. Bibliographie Codd, E. F., S. B. Codd and C. T. Salley (1993). Providing OLAP to User-Analysts: An IT Mandate. Codd & Associates. Michigan Elmasri, R. and S. B. Navathe (2004). Fundamentals of Database Systems. Boston Haag, A. (2004). Konzeption und Umsetzung einer Erweiterung des Common Warehouse Metamodel (CWM) zur Beschreibung von imperfekten Daten. Karlsruhe, Hofmann, M. and M. Mertiens (2000). Customer-Lifetime-Value-Management. Kundenwerte schaffen und erhöhen: Konzepte, Strategien, Praxisbeispiele. Wiesbaden Koop, E. A. (2004). Datenbankunterstützung für imperfekte Daten im Verkehrsumfeld. Karlsruhe, Meier, A. (2003). A Data Warehouse Approach to Customer Relationship Management. Proceedings of the 2 nd International Conference "Management Education for the 21 st Century", Hanoi, Vietnam. Meier, A., C. Mezger, N. Werro, et al. (2003). Zur unscharfen Klassifikation von Datenbanken mit fcql. Proceedings of the GI-Workshop LLWA - Lehren, Lernen, Wissen, Adaptivität. Meier, A., N. Werro and M. Albrecht (2005). Using a Fuzzy Classification Query Language for Customer Relationship Management. Proceedings of the Very Large Database Conference (VLDB05), Trondheim. Merkel, A. (2003). Imperfektion und Datenbanken. Schemaerweiterung zur Abbildung von imperfekten Daten. Nançoz, C. (2004). medit. membership function editor for fcql-based architecture. Fribourg, OMG (2003). Common Warehouse Metamodel (CWM) Specification. 8 Siehe dazu auch den ausführlichen Artikel von Christian Nançoz: Nançoz, C. (2004). medit. membership function editor for fcql-based architecture. Fribourg,
16 Schepperle, H., A. Merkel and A. Haag (2004). Erhalt von Imperfektion in einem DataWarehouse. Symposium Data Warehousing und Data Mining, Darmstadt. Vossen, G. (2000). Datenmodelle, Datenbanksprachen und Datenbankmanagementsysteme. München Werro, N., A. Meier and C. Mezger (2005). Concept and Implementation of a Fuzzy Classification Query Language. Proceedings of the International Conference on Data Mining (DMIN05). World Congress in Applied Computing, Las Vegas. Werro, N., H. Stormer and A. Meier (2005). Personalized discount - a fuzzy logic approach. Proceedings of the IFIP International Conference on ebusiness, ecommerce and egovernment, Poznan, Poland. Wikipedia. ( ). "Common Warehouse Metamodel." Retrieved from Wikipedia. ( ). "Online Analytical Processing." Retrieved from 16
Aufgabe 1: [Logische Modellierung]
Aufgabe 1: [Logische Modellierung] a) Entwerfen Sie für das von Ihnen entworfene Modell aus Aufgabe 2 des 1. Übungsblattes ein Star-Schema. b) Entwerfen Sie für das vorangegangene Modell einen Teil eines
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrData Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse
Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrKampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht
Kampagnenmanagement mit Siebel Marketing/Oracle BI ein Praxisbericht Thomas Kreuzer ec4u expert consulting ag Karlsruhe Schlüsselworte: Kampagnenmanagement Praxisbericht Siebel Marketing Oracle BI - ec4u
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
MehrVirtual Roundtable: Business Intelligence - Trends
Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,
MehrFragen und Antworten
Fragen und Antworten im Umgang mit dem elektronischen Abfallnachweisverfahren eanv in Bezug auf die ZKS-Abfall -Allgemeine Fragen- www.zks-abfall.de Stand: 19.05.2010 Einleitung Auf den folgenden Seiten
MehrUmsetzung der Anforderungen - analytisch
Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrAgile Vorgehensmodelle in der Softwareentwicklung: Scrum
C A R L V O N O S S I E T Z K Y Agile Vorgehensmodelle in der Softwareentwicklung: Scrum Johannes Diemke Vortrag im Rahmen der Projektgruppe Oldenburger Robot Soccer Team im Wintersemester 2009/2010 Was
MehrIshikawa-Diagramm. 1 Fallbeispiel 2. 2 Was ist ein Ishikawa-Diagramm 2. 3 Vorgehen bei der Erstellung eines Ishikawa-Diagramms 2.
Ishikawa-Diagramm 1 Fallbeispiel 2 2 Was ist ein Ishikawa-Diagramm 2 3 Vorgehen bei der Erstellung eines Ishikawa-Diagramms 2 4 Vorteile 5 5 Nachteile 5 6 Fazit 5 7 Literaturverzeichnis 6 1 Fallbeispiel
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrSANDBOXIE konfigurieren
SANDBOXIE konfigurieren für Webbrowser und E-Mail-Programme Dies ist eine kurze Anleitung für die grundlegenden folgender Programme: Webbrowser: Internet Explorer, Mozilla Firefox und Opera E-Mail-Programme:
MehrIntegration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage.
Integration mit Die Integration der AristaFlow Business Process Management Suite (BPM) mit dem Enterprise Information Management System FILERO (EIMS) bildet die optimale Basis für flexible Optimierung
MehrOLAP und der MS SQL Server
OLAP und der MS SQL Server OLAP und der MS SQL Server OLAP-Systeme werden wie umfangreiche Berichtssysteme heute nicht mehr von Grund auf neu entwickelt. Stattdessen konzentriert man sich auf die individuellen
MehrC09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl
C09: Einsatz SAP BW im Vergleich zur Best-of-Breed-Produktauswahl Ein Seminar der DWH academy Seminar C09 Einsatz SAP BW im Vergleich zur Best-of-Breed- Produktauswahl Befasst man sich im DWH mit der Auswahl
MehrOUTSOURCING ADVISOR. Analyse von SW-Anwendungen und IT-Dienstleistungen auf ihre Global Sourcing Eignung. Bewertung von Dienstleistern und Standorten
Outsourcing Advisor Bewerten Sie Ihre Unternehmensanwendungen auf Global Sourcing Eignung, Wirtschaftlichkeit und wählen Sie den idealen Dienstleister aus. OUTSOURCING ADVISOR Der Outsourcing Advisor ist
MehrSICHERN DER FAVORITEN
Seite 1 von 7 SICHERN DER FAVORITEN Eine Anleitung zum Sichern der eigenen Favoriten zur Verfügung gestellt durch: ZID Dezentrale Systeme März 2010 Seite 2 von 7 Für die Datensicherheit ist bekanntlich
MehrIn diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können.
Tutorial: Wie erfasse ich einen Termin? In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können. Neben den allgemeinen Angaben zu einem
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrProzessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements. von Stephanie Wilke am 14.08.08
Prozessbewertung und -verbesserung nach ITIL im Kontext des betrieblichen Informationsmanagements von Stephanie Wilke am 14.08.08 Überblick Einleitung Was ist ITIL? Gegenüberstellung der Prozesse Neuer
MehrI N F O R M A T I O N V I R T U A L I S I E R U N G. Wir schützen Ihre Unternehmenswerte
I N F O R M A T I O N V I R T U A L I S I E R U N G Wir schützen Ihre Unternehmenswerte Wir schützen Ihre Unternehmenswerte Ausfallsicherheit durch Virtualisierung Die heutigen Anforderungen an IT-Infrastrukturen
MehrSWOT-Analyse. Der BABOK V2.0 (Business Analysis Body Of Knowledge) definiert die SWOT-Analyse wie folgt:
SWOT-Analyse Die SWOT-Analyse stammt ursprünglich aus dem militärischen Bereich und wurde in den 1960er-Jahren von der Harvard Business School zur Anwendung in Unternehmen vorgeschlagen. Die SWOT-Analyse
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrData Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
MehrAgile Enterprise Development. Sind Sie bereit für den nächsten Schritt?
Agile Enterprise Development Sind Sie bereit für den nächsten Schritt? Steigern Sie noch immer die Wirtschaftlichkeit Ihres Unternehmens alleine durch Kostensenkung? Im Projektportfolio steckt das Potenzial
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
MehrBei der Focus Methode handelt es sich um eine Analyse-Methode die der Erkennung und Abstellung von Fehlerzuständen dient.
Beschreibung der Focus Methode Bei der Focus Methode handelt es sich um eine Analyse-Methode die der Erkennung und Abstellung von Fehlerzuständen dient. 1. F = Failure / Finding An dieser Stelle wird der
Mehreevolution 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
Mehrimpact ordering Info Produktkonfigurator
impact ordering Info Copyright Copyright 2013 veenion GmbH Alle Rechte vorbehalten. Kein Teil der Dokumentation darf in irgendeiner Form ohne schriftliche Genehmigung der veenion GmbH reproduziert, verändert
MehrFehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems
Fehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems Name: Bruno Handler Funktion: Marketing/Vertrieb Organisation: AXAVIA Software GmbH Liebe Leserinnen und liebe Leser,
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrDieser Ablauf soll eine Hilfe für die tägliche Arbeit mit der SMS Bestätigung im Millennium darstellen.
Millennium SMS Service Schnellübersicht Seite 1 von 6 1. Tägliche Arbeiten mit der SMS Bestätigung Dieser Ablauf soll eine Hilfe für die tägliche Arbeit mit der SMS Bestätigung im Millennium darstellen.
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum
Mehr2. Einrichtung der ODBC-Schnittstelle aus orgamax (für 32-bit-Anwendungen)
1. Einführung: Über den ODBC-Zugriff können Sie bestimmte Daten aus Ihren orgamax-mandanten in anderen Anwendungen (beispielsweise Microsoft Excel oder Microsoft Access) einlesen. Dies bietet sich beispielsweise
MehrBeschreibung des MAP-Tools
1. Funktionen des MAP-Tool 2. Aufbau des MAP-Tools 3. Arbeiten mit dem MAP-Tool Beschreibung MAP-Tool.doc Erstellt von Thomas Paral 1 Funktionen des MAP-Tool Die Hauptfunktion des MAP-Tools besteht darin,
MehrUnsere 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
MehrSpeicher in der Cloud
Speicher in der Cloud Kostenbremse, Sicherheitsrisiko oder Basis für die unternehmensweite Kollaboration? von Cornelius Höchel-Winter 2013 ComConsult Research GmbH, Aachen 3 SYNCHRONISATION TEUFELSZEUG
Mehr3. GLIEDERUNG. Aufgabe:
3. GLIEDERUNG Aufgabe: In der Praxis ist es für einen Ausdruck, der nicht alle Detaildaten enthält, häufig notwendig, Zeilen oder Spalten einer Tabelle auszublenden. Auch eine übersichtlichere Darstellung
MehrÜbungsblatt 4. Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin)
Übungsblatt 4 Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin) Die Saartal Linien beauftragen Sie mit dem Entwurf der Datenstrukturen für ein Informationssystem. Dieses soll zur Verwaltung
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
MehrKapitel 4 Die Datenbank Kuchenbestellung Seite 1
Kapitel 4 Die Datenbank Kuchenbestellung Seite 1 4 Die Datenbank Kuchenbestellung In diesem Kapitel werde ich die Theorie aus Kapitel 2 Die Datenbank Buchausleihe an Hand einer weiteren Datenbank Kuchenbestellung
MehrHealthCare Relationship Management. http://www.terraconsult.de
HealthCare Relationship Management 1 Warum nehmen wir uns solcher Themen wie Kundenzufriedenheit oder Online-Dienstleistungen an? Wir beschäftigen uns mit Kundenbeziehungsmanagement (CRM*). Dies ist ein
MehrSeminar C02 - Praxisvergleich OLAP Tools
C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien
MehrData Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle
MehrInhalt. Kundenbindung langfristig Erfolge sichern 5 Kundenbindung als Teil Ihrer Unternehmensstrategie 6 Was Kundenorientierung wirklich bedeutet 11
2 Inhalt Kundenbindung langfristig Erfolge sichern 5 Kundenbindung als Teil Ihrer Unternehmensstrategie 6 Was Kundenorientierung wirklich bedeutet 11 Die Erfolgsfaktoren für Ihre Kundenbindung 17 Diese
MehrEinkaufen im Internet. Lektion 5 in Themen neu 3, nach Übung 10. Benutzen Sie die Homepage von: http://www.firstsurf.de/klietm9950_f.
Themen neu 3 Was lernen Sie hier? Sie formulieren Ihre Vermutungen und Meinungen. Was machen Sie? Sie erklären Wörter und Ausdrücke und beurteilen Aussagen. Einkaufen im Internet Lektion 5 in Themen neu
MehrEinkaufslisten verwalten. Tipps & Tricks
Tipps & Tricks INHALT SEITE 1.1 Grundlegende Informationen 3 1.2 Einkaufslisten erstellen 4 1.3 Artikel zu einer bestehenden Einkaufsliste hinzufügen 9 1.4 Mit einer Einkaufslisten einkaufen 12 1.4.1 Alle
MehrContent Management System mit INTREXX 2002.
Content Management System mit INTREXX 2002. Welche Vorteile hat ein CM-System mit INTREXX? Sie haben bereits INTREXX im Einsatz? Dann liegt es auf der Hand, dass Sie ein CM-System zur Pflege Ihrer Webseite,
Mehr2.1 Erstellung einer Gutschrift über den vollen Rechnungsbetrag
1. Einführung Manchmal ist es notwendig, dem Kunden eine Gutschrift zu einer bestimmten Rechnung, über einzelne Positionen oder auch völlig frei von einer Basis-Rechnung zu erstellen. Die verschiedenen
MehrIst Excel das richtige Tool für FMEA? Steve Murphy, Marc Schaeffers
Ist Excel das richtige Tool für FMEA? Steve Murphy, Marc Schaeffers Ist Excel das richtige Tool für FMEA? Einleitung Wenn in einem Unternehmen FMEA eingeführt wird, fangen die meisten sofort damit an,
MehrARCO SQL T5 - Business Intelligence
ARCO SQL T5 - Business Intelligence Um die ARCO Business Intelligence Funktionen nutzen zu können, werden diese unter MS Excel eingerichtet. Es handelt sich um strukturierte Auswertungen bezüglich Umsätzen,
MehrBusiness Model Canvas
Business Model Canvas Business Model Canvas ist ein strategisches Management Tool, mit dem sich neue und bestehende Geschäftsmodelle visualisieren lassen. Demnach setzt sich ein Geschäftsmodell aus neun
Mehrinfach Geld FBV Ihr Weg zum finanzellen Erfolg Florian Mock
infach Ihr Weg zum finanzellen Erfolg Geld Florian Mock FBV Die Grundlagen für finanziellen Erfolg Denn Sie müssten anschließend wieder vom Gehaltskonto Rückzahlungen in Höhe der Entnahmen vornehmen, um
Mehr1. Einführung 2. 2. Erstellung einer Teillieferung 2. 3. Erstellung einer Teilrechnung 6
Inhalt 1. Einführung 2 2. Erstellung einer Teillieferung 2 3. Erstellung einer Teilrechnung 6 4. Erstellung einer Sammellieferung/ Mehrere Aufträge zu einem Lieferschein zusammenfassen 11 5. Besonderheiten
MehrIT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit
IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft
MehrAufgabenheft. Fakultät für Wirtschaftswissenschaft. Modul 32701 - Business/IT-Alignment. 26.09.2014, 09:00 11:00 Uhr. Univ.-Prof. Dr. U.
Fakultät für Wirtschaftswissenschaft Aufgabenheft : Termin: Prüfer: Modul 32701 - Business/IT-Alignment 26.09.2014, 09:00 11:00 Uhr Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe 1 2 3 4 Summe
MehrOutlook. sysplus.ch outlook - mail-grundlagen Seite 1/8. Mail-Grundlagen. Posteingang
sysplus.ch outlook - mail-grundlagen Seite 1/8 Outlook Mail-Grundlagen Posteingang Es gibt verschiedene Möglichkeiten, um zum Posteingang zu gelangen. Man kann links im Outlook-Fenster auf die Schaltfläche
MehrCad-OasEs Int. GmbH. 20 Jahre UG/NX Erfahrung prägen Methodik und Leistungen. Nutzen Sie dieses Wissen!
Cad-OasEs Int. GmbH 20 Jahre UG/NX Erfahrung prägen Methodik und Leistungen Nutzen Sie dieses Wissen! Roland Hofmann Geschäftsführer der Cad-OasEs Int. GmbH Die Cad-OasEs bietet seit mehr als 20 Jahren
Mehr7. Übung - Datenbanken
7. Übung - Datenbanken Informatik I für Verkehrsingenieure Aufgaben inkl. Beispiellösungen 1. Aufgabe: DBS a Was ist die Kernaufgabe von Datenbanksystemen? b Beschreiben Sie kurz die Abstraktionsebenen
Mehr1. Übungsblatt. Besprechung: 27.10 (Gruppe A), 3.11 (Gruppe B)
DATENBANKEN IN DER PRAXIS: DATA WAREHOUSING Wintersemester 2015/2016 Prof. Dr. Jens Teubner DBIS Group Übung: Dr. Cornelia Tadros ISSI Group Allgemeine Hinweise 1. Übungsblatt Besprechung: 27.10 (Gruppe
MehrKapitalerhöhung - Verbuchung
Kapitalerhöhung - Verbuchung Beschreibung Eine Kapitalerhöhung ist eine Erhöhung des Aktienkapitals einer Aktiengesellschaft durch Emission von en Aktien. Es gibt unterschiedliche Formen von Kapitalerhöhung.
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
MehrDokumentation zur Versendung der Statistik Daten
Dokumentation zur Versendung der Statistik Daten Achtung: gem. 57a KFG 1967 (i.d.f. der 28. Novelle) ist es seit dem 01. August 2007 verpflichtend, die Statistikdaten zur statistischen Auswertung Quartalsmäßig
MehrBusiness Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum
MehrAbamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit
MehrTest zur Bereitschaft für die Cloud
Bericht zum EMC Test zur Bereitschaft für die Cloud Test zur Bereitschaft für die Cloud EMC VERTRAULICH NUR ZUR INTERNEN VERWENDUNG Testen Sie, ob Sie bereit sind für die Cloud Vielen Dank, dass Sie sich
Mehricloud nicht neu, aber doch irgendwie anders
Kapitel 6 In diesem Kapitel zeigen wir Ihnen, welche Dienste die icloud beim Abgleich von Dateien und Informationen anbietet. Sie lernen icloud Drive kennen, den Fotostream, den icloud-schlüsselbund und
MehrTask: Nmap Skripte ausführen
Task: Nmap Skripte ausführen Inhalt Einfache Netzwerkscans mit NSE Ausführen des Scans Anpassung der Parameter Einleitung Copyright 2009-2015 Greenbone Networks GmbH Herkunft und aktuellste Version dieses
MehrInstallationsanleitung für CashPro im Mehrbenutzerzugriff/Netzwerkbetrieb
Installationsanleitung für CashPro im Mehrbenutzerzugriff/Netzwerkbetrieb CashPro basiert auf Accesstechnologie 2003 und ist auch unter den aktuellen Accessversionen 2007 bis 2013 einsetzbar und Mehrbenutzerfähig.
MehrUnsere Produkte. Wir automatisieren Ihren Waren- und Informationsfluss. Wir unterstützen Ihren Verkaufsaußendienst.
Die clevere Auftragserfassung Unsere Produkte Das smarte Lagerverwaltungssystem Die Warenwirtschaft für den Handel Wir unterstützen Ihren Verkaufsaußendienst. Wir automatisieren Ihren Waren- und Informationsfluss.
MehrWas ist Analyse? Hannover, CeBIT 2014 Patrick Keller
Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Mehr4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
MehrGrundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service
Grundlagen für den erfolgreichen Einstieg in das Business Process Management SHD Professional Service Der BPM-Regelkreis Im Mittelpunkt dieser Übersicht steht die konkrete Vorgehensweise bei der Einführung
MehrWarum sich das Management nicht für agile Softwareentwicklung interessieren sollte - aber für Agilität
Warum sich das Management nicht für agile Softwareentwicklung interessieren sollte - aber für Agilität Marcus Winteroll oose GmbH Agenda I. Ziele und Zusammenarbeit II. Was wir vom agilen Vorgehen lernen
Mehr360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf
360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf Von der Entstehung bis heute 1996 als EDV Beratung Saller gegründet, seit 2010 BI4U GmbH Firmensitz ist Unterschleißheim (bei München)
MehrLeichte-Sprache-Bilder
Leichte-Sprache-Bilder Reinhild Kassing Information - So geht es 1. Bilder gucken 2. anmelden für Probe-Bilder 3. Bilder bestellen 4. Rechnung bezahlen 5. Bilder runterladen 6. neue Bilder vorschlagen
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrJava Enterprise Architekturen Willkommen in der Realität
Java Enterprise Architekturen Willkommen in der Realität Ralf Degner (Ralf.Degner@tk-online.de), Dr. Frank Griffel (Dr.Frank.Griffel@tk-online.de) Techniker Krankenkasse Häufig werden Mehrschichtarchitekturen
MehrKünstliches binäres Neuron
Künstliches binäres Neuron G.Döben-Henisch Fachbereich Informatik und Ingenieurwissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
Mehr4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:
4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrCross-Selling bei Versicherungen. Empirische Analyse zu Status quo, Trends und zukünftigen Anforderungen
Georg Wittmann Christiane Früchtl Silke Weisheit Cross-Selling bei Versicherungen Empirische Analyse zu Status quo, Trends und zukünftigen Management Summary In der Studie Cross-Selling bei Versicherungen
MehrWhitepaper. Produkt: combit Relationship Manager 7. combit Relationship Manager email-rückläufer Script. combit GmbH Untere Laube 30 78462 Konstanz
combit GmbH Untere Laube 30 78462 Konstanz Whitepaper Produkt: combit Relationship Manager 7 combit Relationship Manager email-rückläufer Script Inhalt Einleitung 3 Notwendige Anpassungen 3 crm Solution
MehrACHTUNG: Voraussetzungen für die Nutzung der Funktion s-exposé sind:
ACHTUNG: Voraussetzungen für die Nutzung der Funktion s-exposé sind: - Upgrade auf FLOWFACT Version Performer CRM 2014 R2 (ab Juli erhältlich) - Mindestens SQL Server 2005 - vorhandene Installation von.net
MehrGeld verdienen als Affiliate
Geld verdienen als Affiliate Wie Sie Top-Provisionen mit dieser revolutionären und doch sehr einfachen Marketing-Methode erhalten! So starten Sie Ihr Business richtig! Eine Einführung in Affiliate-Marketing
MehrTechniken der Projektentwicklungen
Von der Analyse zum Entwurf 5. Termin Vom Use Case zum Domänenmodell Bis zum nächsten Mal Vom Use Case zum Domänenmodell Vom Use Case zum Domänenmodell Was ist ein Domänenmodell? Graphische Beschreibung
MehrOutsourcing und Offshoring. Comelio und Offshoring/Outsourcing
Outsourcing und Offshoring Comelio und Offshoring/Outsourcing INHALT Outsourcing und Offshoring... 3 Comelio und Offshoring/Outsourcing... 4 Beauftragungsmodelle... 4 Projektleitung vor Ort und Software-Entwicklung
MehrFragebogen zur Qualität unserer Teamarbeit
Fragebogen r Qualität unserer Teamarbeit Die folgenden Aussagen beschreiben wesentliche Aspekte der Teamarbeit wie Kommunikation, Informationsaustausch, Zielfindung, Umgang miteinander etc. Bitte kreuzen
Mehrsage Office Line und cobra: die ideale Kombination!
sage Office Line und cobra: die ideale Kombination! 1 Sage und cobra: Die Kombination und ihre Synergieeffekte! Unternehmen brauchen eine ERP-Lösung zur Verwaltung und Abwicklung ihrer Geschäftsprozesse.
MehrONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele
ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits
MehrMORE Profile. Pass- und Lizenzverwaltungssystem. Stand: 19.02.2014 MORE Projects GmbH
MORE Profile Pass- und Lizenzverwaltungssystem erstellt von: Thorsten Schumann erreichbar unter: thorsten.schumann@more-projects.de Stand: MORE Projects GmbH Einführung Die in More Profile integrierte
MehrAnwendungsbeispiele. Neuerungen in den E-Mails. Webling ist ein Produkt der Firma:
Anwendungsbeispiele Neuerungen in den E-Mails Webling ist ein Produkt der Firma: Inhaltsverzeichnis 1 Neuerungen in den E- Mails 2 Was gibt es neues? 3 E- Mail Designs 4 Bilder in E- Mails einfügen 1 Neuerungen
MehrDie Makler System Club FlowFact Edition
Die Makler System Club FlowFact Edition Erfolgreiche Unternehmen setzen auf stabile Prozesse. Funktionierende Prozesse bringen höhere Erträge, zufriedene Kunden und sorgen dafür, dass Mitarbeiter zuverlässiger
MehrTerminologie zwischen normativer Referenz und deskriptiver Dokumentation. Dr. Birte Lönneker-Rodman, Across Systems GmbH
Terminologie zwischen normativer Referenz und deskriptiver Dokumentation Dr. Birte Lönneker-Rodman, Across Systems GmbH Überblick Normative Referenzterminologie - Beispiele - Unterstützende Funktionen
Mehr