Modellierung eines Kunden-Data-Marts

Größe: px
Ab Seite anzeigen:

Download "Modellierung eines Kunden-Data-Marts"

Transkript

1 Modellierung eines Kunden-Data-Marts Modeling a customer data mart Bachelorarbeit zur Erlangung des Grades Bachelor of Science (B.Sc.) in Betriebswirtschaftslehre an der Wirtschaftswissenschaftlichen Fakultät der Humboldt-Universität zu Berlin angefertigt von Thomas Möllmann (Matrikelnummer ) Betreuer: Sebastian Müller Prüfer: Prof. Oliver Günther Berlin, 15. März 2010

2 Inhaltsverzeichnis 1. Einführung Ziel der Arbeit Hintergrund Herangehensweise Theoretischer Hintergrund Kundenbeziehungsmanagement Kundenwert Kundendeckungsbeitragsrechnung ABC-Analyse Kündigungspräventionsmanagement Data-Warehouse-Systeme und Data Marts Datenbankmodellierung Star-Schema Snowflake-Schema Performance von Data Marts Anomalien Data Mining und OLAP Data Mining OLAP Anforderungen und Voraussetzungen Aufbau und Umfeld Produktangebot Use Cases Quellen der Kundendaten Bestehender Data Mart Modellierung des Kunden-Data-Marts Identifikation relevanter Informationen Kundenwertberechnung ABCD-Analyse Abwanderungsprognose Kundenbezogene Analysen Verwendbarkeit der Daten Modell Implementierung... 27

3 4.4 Ladeprozess Evaluation Performance-Messung Versuch Versuch Fazit Literaturverzeichnis... A Erklärung zur Urheberschaft... C

4 1. Einführung 1.1 Ziel der Arbeit Ziel dieser Arbeit ist die Modellierung eines Data Marts, der dem Kundenbeziehungsmanagement eines Unternehmens dienen soll, das im Bereich der Medienverbreitung über Mobiltelefone tätig ist. Der Data Mart soll als Grundlage für - Kundenwertberechnungen - ABCD-Analysen - Abwanderungsprognosen und - kundenbezogene Analysen dienen und dabei große Datenmengen mit hoher Performance verarbeiten, sodass die Befüllungsdauer kurz und das Antwortverhalten schnell ist. Angestrebt ist eine zumindest wöchentliche Aktualisierung und Auswertung der Daten. 1.2 Hintergrund In der Branche, in der das Unternehmen tätig ist, können Kunden ihren Anbieter schnell wechseln, da dies mit einem Mobiltelefon nur wenige Minuten dauert und die Produkte leicht substituierbar sind. Darum ist es wichtig, abwanderungswillige Kunden frühzeitig zu erkennen und sie durch für sie passende Angebote und Serviceleistungen langfristig an das Unternehmen zu binden. Durch die Analyse von Kundendaten mit Data Mining und daraus abgeleitete Maßnahmen ist eine deutliche Verringerung der Kündigungsraten erreichbar. 1 Besonders wichtig ist dies bei Kunden, die einen hohen Beitrag zum Unternehmenserfolg leisten. Die Möglichkeit große Datenmengen mit Hilfe von Computern zu verarbeiten hat die sogenannte Kundenwertanalyse bisher jedoch hauptsächlich in der Finanz- und Versicherungsbranche zu einem weit verbreiteten Instrument des Kundenbeziehungsmanagements gemacht. 2 Damit kann der Unternehmenserfolg nachhaltig gesteigert werden. 3 Hat man die Kundenwerte seiner Kunden errechnet, ermöglicht dies noch weitere Handlungsmöglichkeiten. Fasst man die wichtigsten Kunden zu einer Gruppe zusammen, kann man mit kundenbezogenen Analysen nach übereinstimmenden Eigenschaften suchen und diese Informationen zum Beispiel zur gezielten Gewinnung möglichst wertvoller Kunden bei der Neukundenakquise oder für Produktempfehlungen auf Basis des Kaufverhaltens von Kunden mit ähnlichen Eigenschaften einsetzen. Die beschriebenen Kundenanalysen benötigen eine geeignete Datengrundlage. Die benötigten Daten sind im betrachteten Unternehmen bereits in einer operativ genutzten Datenbank und in einem Data Warehouse vorhanden. Jedoch sind sie in dieser Form nicht für den vorgesehenen Zweck nutzbar, da die operative Datenbank und das Data Warehouse nicht auf die hier relevanten Fragestellungen ausgelegt sind. Mit der Vielzahl von zusätzlich zu verarbeitenden Daten wären sie deshalb überlastet. Darum ist es sinnvoll, einen Data Mart einzurichten, der die gestellten Fragen aufgrund seiner Konzeption schnell und informativ beantworten kann. 1 Zum Beispiel erkannte ein Schweizer Telekommunikationsunternehmen, dass viele Kunden nach zwölf Monaten kündigten und dies schon vier Monate vorher absehbar war. Durch gezielte Sonderangebote konnten diese Kunden gebunden und die Kündigungsrate von jährlich 20% auf unter 5% p.a. gesenkt werden. Vgl. The Economist, Vgl. Bathke, Vgl. Günter, Helm, 2006, S

5 Das betrachtete Unternehmen bezeichnet sich selbst als einen der international führenden Anbieter mobiler Inhalte. Es beschäftigt rund 750 Mitarbeiter und tritt in mehr als 30 Ländern unter verschiedenen Markennamen auf. 4 Seine Inhalte bietet die Firma in der Regel im Abo an und ist wegen der undurchsichtigen Werbung dafür wiederholt kritisiert worden Herangehensweise Das Unternehmen hat bereits einen Versuch unternommen, einen Data Mart für diesen Zweck zu modellieren. Jedoch war er nicht für genau diese Aufgabe ausgelegt. Er berücksichtigte viele Sonderfälle und erforderte komplexe Berechnungen, sodass allein das Laden der Daten über die Kunden in Nordamerika vier Tage dauerte, obwohl diese nur etwa ein Sechstel aller Kunden ausmachen. Aus diesen Fehlern wird deshalb der der Rückschluss gezogen, bei der Neumodellierung besonderen Wert auf hohe Performance zu legen. In den folgenden Kapiteln werden die theoretischen Grundlagen diskutiert, Voraussetzungen der Data-Mart-Modellierung geklärt und gemäß der Zielsetzung ein Modell entworfen und evaluiert. 4 Vgl. Fox Mobile Group, Vgl. Haeusler,

6 2. Theoretischer Hintergrund Ziel dieser Arbeit ist die Verbesserung des Kundenbeziehungsmanagements mit Hilfe eines Data Marts, der neben der Kundenwertberechnung als Grundlage für Data Mining und OLAP dient und bei großen Datenmengen eine hohe Performance aufweist. In diesem Teil der Arbeit wird auf die theoretischen Grundlagen der dafür relevanten Themen eingegangen. 2.1 Kundenbeziehungsmanagement Unter Kundenbeziehungsmanagement (CRM von Customer Relationship Management 6 ) versteht man eine kundenorientierte Unternehmensstrategie, die versucht, eine langfristige profitable Kundenbeziehung durch eine individuelle Behandlung in Marketing, Service und Vertrieb aufzubauen und zu erhalten. Für eine individuelle Ansprache müssen alle über einen Kunden bekannten Informationen zusammengeführt und ausgewertet werden, was im Regelfall mit IT- Systemen geschieht. 7 Die für diese Arbeit wichtigen Bestandteile des CRM sind die Berechnung von Kundenwerten, die ABC-Analyse und das Kündigungspräventionsmanagement Kundenwert Für Unternehmen hat nicht jeder Kunde die gleiche Bedeutung. Die Bedeutung die ein einzelner Kunde aus betriebswirtschaftlicher Sicht für den Unternehmenserfolg hat, bezeichnet man als Kundenwert. Aggregiert man die Kundenwerte aller Kunden eines Unternehmens, spricht man vom Kundenstammwert. 8 Vertragspartner, an deren Loyalität man ein besonderes Interesse hat haben einen hohen Kundenwert. Ihnen wird man Einkaufsbedingungen anbieten, die man anderen Kunden nicht anbieten kann oder will, zum Beispiel besseren Support oder Rabatte. Die Zuordnung eines Kundenwerts kann pauschal für bestimmte Kundengruppen geschehen, zum Beispiel durch Mengenrabatte oder besseren Support für Firmenkunden, oder man berechnet den Kundenwert jedes Kunden individuell. Als Grundlage dafür soll mit dieser Arbeit ein Kunden- Data-Mart geschaffen werden. Für die Berechnung des Kundenwerts gibt es keine einheitlichen Standards. Verbreitete Verfahren sind unter anderem: 9 - ABC-Analyse Kunden werden je nach erzeugtem Umsatz oder Deckungsbeitrag in die Kategorien A (Kunden mit hohem Umsatz oder Deckungsbeitrag) bis C (Kunden mit wenig Umsatz oder Deckungsbeitrag) eingeteilt (Vgl. Abschnitt ) - Kundenlebenszyklus-Analyse (Customer Lifetime Value) Alle Umsätze oder Deckungsbeiträge, die ein Kunde während der Gesamtdauer seiner Geschäftsbeziehung mit dem Unternehmen erzeugt, werden mit der Kapitalwertmethode abgezinst kalkuliert - Multifaktoren-Analyse (Scoring) Für getätigte oder unterlassene Aktionen (einkaufen, Kunden werben, ) oder Eigenschaften (Einkommen, Wohnort, ) erhält jeder Kunde Punkte, die zusammen den Kundenwert ergeben. 6 Vgl. Mertens, Integrierte Informationsverarbeitung 1, 2009, S Vgl. Hippner, Wilde, 2006, S Vgl. Scherfke, 2008, S Vgl. Winkelmann, 2006, S

7 Aufgrund des fehlenden Standards bei der Kundenwertberechnung betonen verschiedene Rechenverfahren unterschiedliche Kundeneigenschaften. Eine mögliche Einteilung ist die Unterscheidung zwischen 10 - dem monetären Kundenwert: Bewertung nach Umsatz oder Deckungsbeitrag - dem Informationswert: Berücksichtigt, in wieweit ein Kunde den eigenen Kompetenzen zuträglich ist, zum Beispiel bei der erstmaligen Anwendung neuer Technologien, für die sich weitere Kunden interessieren - dem Referenzwert: Gibt Informationen darüber, wie häufig ein Kunde die eigenen Produkte weiterempfiehlt und so indirekt Umsatz generiert - dem strategischen Kundenwert: 11 Berücksichtigt strategische Faktoren, beispielsweise können auch umsatzschwache Kunden den Einstieg in vielversprechende Märkte erleichtern Dabei kann eine Kundenwertberechnung auch mehrere dieser Faktoren und andere Aspekte berücksichtigen. Wird für einen Kunden ein negativer Kundenwert berechnet, kann es betriebswirtschaftlich ratsam sein, die Geschäftsbeziehung mit ihm zu beenden, sofern Maßnahmen zur Erhöhung des Kundenwerts nicht erfolgversprechend scheinen und dadurch keine Kosten entstehen, die die Einsparungen übersteigen (das beinhaltet auch nicht-pagatorische Kosten, wie negative Auswirkungen auf das Firmenimage). Um den Unternehmenserfolg zu sichern, sollten Kunden mit einem hohen Kundenwert an das Unternehmen gebunden werden, eine zu erwartende Abwanderung früh erkannt und wenn möglich vermieden werden (Vgl. Abschnitt 2.1.3) Kundendeckungsbeitragsrechnung Im vorgesehenen Anwendungsfall des mit dieser Arbeit angefertigten Kunden Data Marts wird der Kundenwert mit der Kundendeckungsbeitragsrechnung ermittelt. Dabei handelt es sich um einen rein monetären Kundenwert, der nur die Vergangenheit abbildet. Einfach ausgedrückt lässt sich der Kundenwert mit der Kundendeckungsbeitragsrechnung auf die Formel Kundenwert = Umsatz variable Kosten bringen. Während sich der von einem Kunden generierte Umsatz direkt ermitteln lässt, ist es aufgrund unterschiedlicher Berechnungsmethoden nicht möglich, ihm die angefallenen Kosten eindeutig verursachungsgerecht zuzuordnen. Es erscheint hierbei sinnvoll, einmalige Kosten der Vergangenheit, zum Beispiel besondere Ausgaben für den Vertragsabschluss, nicht zu berücksichtigen, da diese Kosten bei Bestandskunden nicht mehr eingespart werden können und auf das zukünftige Umsatz- und Gewinnpotential keinen Einfluss haben. Es sollte die Frage im Mittelpunkt stehen, welche laufenden Kosten nicht mehr anfallen, wenn der betrachtete Kunde das Unternehmen zum Kundenwertberechnungszeitpunkt verlässt. 12 Eine Möglichkeit dies zu beziffern ist, im Rahmen der Prozesskostenrechnung die Kostentreiber zu identifizieren und die Häufigkeit der Inanspruchnahme derselben zu zählen. 13 Mögliche Kostentreiber sind beispielsweise Belastungen der Kreditkarte eines Kunden oder seine Anfragen beim Kundensupport. Bewertet man nun jeden Kostentreiber mit den bei einer Inanspruchnahme entstandenen Kosten, ergeben sich daraus die von einem Kunden verursachten Kosten. 10 Vgl. Schneider, 2007, S Vgl. Winkelmann, 2006, S Vgl. Jung, Controlling, 2003, S Vgl. Günter, Helm, 2006, S

8 Als Nachteil der Kundendeckungsbeitragsrechnung ist zu bemerken, dass sie vergangenheitsbezogen ist und Faktoren, die sich nicht direkt durch Umsatz und Kosten messen lassen, nicht berücksichtigt werden. Der Referenzwert und das zukünftige Entwicklungspotential eines Kunden, wie die zu erwartende Einkommenssteigerung von Studenten nach ihrem Abschluss, fließen in die Berechnung nicht ein und führen so möglicherweise zu einer unangemessenen Bewertung des Kundenwerts. Dem stehen die Vorteile der einfachen Berechenbarkeit und der kleinen benötigten Datenbasis gegenüber. Letzteres gibt im betrachteten Unternehmen aufgrund der wenigen verfügbaren Kundendaten (Vgl. Abschnitt 3.4) den Ausschlag für den Einsatz der Kundendeckungsbeitragsrechnung ABC-Analyse Während bei der Betrachtung eines einzelnen Kunden sein Kundenwert durchaus von Interesse ist, ist dieser bei der Betrachtung einer großen Menge von Kunden eine schwer erfassbare Größe. Es bietet sich also an, Kunden zu Gruppen zusammenzufassen. Ein gängiges Verfahren dazu ist die ABC-Analyse. Sie teilt die Kunden entsprechend ihres Kundenwerts in die Kategorien A bis C ein. Bei Bedarf können auch weitere Kategorien eingeführt werden (z.b. ABCDE-Analyse). 14 Wie die Zuteilung zu den Gruppen A bis C funktioniert ist nicht festgelegt, Ansätze dafür sind zum Beispiel: 15 - Dem sogenannten Pareto-Prinzip (80/20-Regel) 16 folgend, weist man der kleinstmöglichen Kundengruppe, die 80% des Kundenstammwerts ausmacht, die Kategorie A zu. Die verbleibenden Kunden teilt man nach dem gleichen Prinzip den Gruppen B und C zu. Diese Einteilung ist willkürlich gewählt, ist aber mangels besserer Alternativen in der Literatur verbreitet. Je nach Struktur des Kundenstamms, etwa bei einer hohen Homogenität, kann es sinnvoll sein, die Einteilung der Kundengruppen anders vorzunehmen. 17 Es ist sinnvoll, dass A- Kunden die kleinste Kundengruppe bilden, um so Schlüsselkunden identifizieren zu können. - Eine bestimmte Anzahl der Kunden mit den höchsten Kundenwerten wird als A-Kunden definiert, B-Kunden setzen sich ebenfalls aus einer festen Anzahl zusammen. Die verbleibenden Kunden gelten als C-Kunden. - Einzelne Kunden mit einem bestimmten Mindestanteil am Kundenstammwert gelten als A- Kunden, B-Kunden werden analog definiert. Wer nicht A- oder B-Kunde ist, ist C-Kunde. Mögliche Anwendungen der ABC-Analyse sind die Darstellung der Abhängigkeit von wenigen Großkunden (oder das Fehlen dieser) 18 oder das Erkennen von Charakteristika der verschiedenen Kundengruppen mit Hilfe von OLAP (Vgl. Abschnitt 2.3) um diese dann gezielt ansprechen zu können. 14 Vgl. Hompel, Schmidt, Nagel, 2007, S Vgl. Winkelmann, 2006, S Vgl. Hering, Frick, 2003, S Zum Beispiel erzeugen bei der Deutschen Bahn AG 4% A-Kunden 85% des Umsatzes, die C-Kunden, 89% der Kunden, sind für 5% des Umsatzes verantwortlich - Vgl. Winkelmann, 2006, S Vgl. Reiners, 2004, S

9 In dieser Arbeit wird die Grundlage für eine ABCD-Analyse geschaffen, wobei die Einteilung der Kundengruppen nach dem Pareto-Prinzip erfolgt und Kunden mit einem negativen Kundenwert, die also den Kundenstammwert schmälern, als D-Kunden bezeichnet werden (Vgl. Abbildung 1). Dies ist eine Abweichung von der Literatur. Obwohl Kunden mit einem negativen Deckungsbeitrag ein bekanntes Problem darstellen, wird dafür keine eigene Kundengruppe geschaffen. 19 Für die vorliegende Arbeit ist das aber sinnvoll, um mit kundenbezogenen Analysen Eigenschaften dieser Kundengruppe festzustellen und darauf reagieren zu können. 100 % des Kundenstammwerts A B C D % der Kunden Abbildung 1: ABCD-Kundenanalyse Kündigungspräventionsmanagement Bei telefonisch oder online abgewickelten Geschäften mit leicht substituierbaren Produkten ist die Bindung von Kunden an einen Verkäufer geringer als dies im traditionellen Einzelhandel mit Filialen vor Ort der Fall ist. Die physische Nähe der Verkäufer zum Konsumenten spielt dabei keine Rolle und der Kunde kann leicht Preise und eine Vielzahl von Angeboten in wenigen Minuten vergleichen und seinen Anbieter wechseln. Darum ist es für Anbieter solcher Produkte wichtig zu erkennen, welche Kunden sich wahrscheinlich in Zukunft von ihm abwenden werden, um geeignete Maßnahmen dagegen zu ergreifen. Dies bezeichnet man als Kündigungspräventionsmanagement 21 oder auch Churn Management. 22 Der Begriff Churn ist ein Kunstwort aus der Kombination von change und turn 23 und beschreibt jede Art von Kundenabwanderung. Dabei unterscheidet man zwischen unfreiwilligen und freiwilligen Abwanderungen. Bei unfreiwilligen Abwanderungen geht die Trennung vom Unternehmen aus, zum Beispiel weil es ein unprofitables Marktsegment nicht weiter bedienen möchte. Bei freiwilligen Abwanderungen beendet der Kunde die Geschäftsbeziehung, weil er zu einem anderen Anbieter wechselt ( deliberate voluntary churn ) oder das Produkt nicht länger beziehen will oder kann ( incidental voluntary churn ) Vgl. Hammerschmidt, Stokburger, Bauer, 2006, S. 170f. 20 Vgl. Hippner, Wilde, 2006, S. 25 und Vgl. Jung, Allgmeine Betriebswirtschaftslehre, 2006, S Vgl. Hippner, Wilde, 2006, S. 587f. 22 Vgl. Wiedemann, 2003, S Vgl. Winkelmann, 2006, S Vgl. Blattberg, Kim, Neslin, 2008, S

10 Das Kündigungspräventionsmanagement steht in enger Verbindung zur Berechnung des Kundenwerts (Vgl. Abschnitt 2.1.1). Langjährigen Großkunden mit einem hohen Kundenwert wird man mit geeigneten Maßnahmen, zum Beispiel Rabatten, entgegenkommen um eine Abwanderung zu verhindern, während man unprofitablen Kunden eventuell eine Abwanderung nahelegen möchte. 25 Dabei handelt es sich um sogenanntes Demarketing, also einer Werbekampagne, die einzelne Konsumenten oder eine ganze Kundengruppe vom Kauf eines Produkts abhalten soll. 26 Die Herausforderung für diese Bachelorarbeit ist es, mit dem modellierten Data Mart eine geeignete Grundlage dafür zu schaffen, mit den Methoden des Data Minings (Vgl. Abschnitt 2.3) für jeden Kunden eine möglichst zutreffende Vorhersage des Kündigungszeitpunktes zu berechnen (Sog. Abwanderungsprognose 27 oder Churn Prediction 28 ). 2.2 Data-Warehouse-Systeme und Data Marts Unter einem Data Warehouse versteht man ein Informationsverarbeitungssystem, das Daten aus verschiedenen Quellen zusammenführt und themenorientiert, unveränderlich und chronologisch speichert, um damit unternehmerische Entscheidungen zu unterstützen. 29 Da Daten in einem Data Warehouse unverändert gespeichert werden, ist Normalisierung nicht notwendig. Bei Normalisierung handelt es sich um eine Technik, deren Hauptziel die Sicherung der Datenintegrität bei deren Modifikation ist (Vgl. Abschnitt 2.2.3). 30 Kommt sie trotzdem zur Anwendung, kann sie zu Lasten der Performance gehen (Vgl. Abschnitt 2.2.2). Darum werden Daten beim Ladevorgang denormalisiert, also von einem normalisierten in einen nichtnormalisierten Zustand überführt. 31 In einer sogenannten Staging Area werden die Daten beim Laden des Data Warehouses kurzzeitig gespeichert, einmalig in die später benötigten Einheiten transformiert und Inkonsistenzen beseitigt. 32 So ist zum Beispiel für ein international tätiges Unternehmen mit Sitz im Euroraum in erster Linie der Umsatz in Euro wichtig. Datenbanken, über die das Geschäft eines ausländischen Marktes abgewickelt wird, werden jedoch alle relevanten Umsatzzahlen in der lokalen Währung beinhalten. Da zu erwarten ist, dass sich alle Anfragen an das Data Warehouse auf Euro-Beträge beziehen, ist es sinnvoll, beim Übertragen der Daten in das Data Warehouse die Währung in der Staging Area in Euro umzurechnen, sodass dies nicht bei jeder Anfrage erneut geschieht und Rechenkapazität bindet. Das ermöglicht schnellere Antwortzeiten des Data Warehouses. Jedoch folgt als Konsequenz daraus auch, dass die Integrität der Informationen vom dabei verwendeten Wechselkurs abhängt. Bei der Architektur von Data-Warehouse-Systemen unterscheidet man zentrale und dezentrale Systeme: 33 - Ein zentrales Data Warehouse sammelt alle Daten an einem Ort und dient der Beantwortung sämtlicher im Unternehmen gestellten Anfragen. - Bei einem dezentralen Data Warehouse werden mehrere themenspezifische Data Marts angelegt, die ihre Daten direkt aus den operativen Datenbanken und weiteren Datenquellen beziehen. Damit kann die Übersichtlichkeit und Sicherheit der Daten verbessert werden Zum Beispiel bot ein deutscher DSL-Anbieter im Jahr 2006 Kunden, die ihre Flatrate stark ausnutzten, jeweils 100 Euro an, damit diese ihren DSL-Vertrag kündigten. Vgl. Riedl, Vgl. Zikmund, D'Amico, 1993, S Vgl. Hippner, Wilde, 2006, S Vgl. Dold, Hoffmann, Neumann, 2004, S Vgl. Inmon, Strauss, Neushloss, 2008, S Vgl. Reese, Yarger, King, 2003, S Vgl. Holthuis, 2001, S. 86f. 32 Vgl. Goeken, 2006, S Vgl. Schütte, Rotthowe, Holten, 2001, S. 66f. 34 Vgl. Gadatsch, 2005, S

11 Zentrale und dezentrale Data-Warehouse-Architekturen lassen sich kombinieren. Eine Möglichkeit dies zu tun ist, ein zentrales Data Warehouse als Datenquelle für Data Marts zu nutzen (Vgl. Abbildung 2). Das stellt sicher, dass alle Data Marts auf der gleichen Datengrundlage arbeiten. Man spricht dabei von abhängigen Data Marts. 35 Eine andere Möglichkeit ist, mehrere Data Marts zu einem zentralen Data Warehouse zusammenzuführen. 36 Abbildung 2: Zentrale Data-Warehouse-Architektur mit abhängigen Data Marts Datenbankmodellierung In Unternehmen haben sich Datenbanksysteme zu einem wichtigen Werkzeug entwickelt 38, da sie auch große Datenmengen effizient durchsuchen und organisieren können. 39 Bei der Modellierung von Data-Warehouse-Systemen sind das Star- und das Snowflake-Schema verbreitete Ansätze Star-Schema Das Star-Schema hat seinen Namen daher, dass bei der Darstellung als ER-Diagramm mehrere denormalisierte Dimensionstabellen sternförmig um eine Faktentabelle angeordnet sind. Die Inhalte der Faktentabelle können dabei nach beliebig vielen verschiedenen Dimensionen sortiert und abgerufen werden. Die Faktentabelle enthält dabei die gesuchten Informationen, während die Dimensionstabellen die Kriterien bestimmen Vgl. Dittmar, 2004, S Vgl. Finkler, 2008, S Vgl. Evdokimov, 2009, S Vgl. Fink, Schneidereit, Voß, 2005, S Vgl. Lehner, Wildner, Scholz, Wirtschaftsinformatik, 2008, S Vgl. Bort, Vgl. Dippold, Schwinn, 2005, S. 275f

12 Im Beispiel (Vgl. Abbildung 3) enthält die Faktentabelle den Umsatz eines Unternehmens. Die sternförmig darum angeordneten Dimensionstabellen teilen den Umsatz nach Regionen, Verkäufern, Kunden und Produkten auf. Primär- und Fremdschlüssel sind dabei mit PK (für Primary Key) bzw. FK (für Foreign Key) gekennzeichnet. Eine mögliche Fragestellung an diesen Data Mart ist etwa: Wieviel Umsatz haben wir mit dem Computer-Verkauf von Herr Maier an die Schmidt AG in Hessen gemacht?. Dabei müssen nicht alle Dimensionen explizit abgefragt werden. Auch eine Fragestellung mit weniger Kriterien kann durch Gruppierung der anderen Dimensionen beantwortet werden: Wieviel Umsatz haben wir insgesamt in Berlin erzeugt? 42 Zu den Vorteilen des Star-Schemas zählt die leichtere Wartung durch die wegen der Denormalisierung geringe Anzahl an Tabellen sowie eine in den meisten Fällen höhere Performance (Vgl. Abschnitt 2.2.2) durch die daraus folgende geringe Anzahl von nötigen Join- Operationen (Star-Joins 43 ). Dem stehen als Nachteile ein schlechteres Antwortverhalten bei großen Dimensionstabellen und erhöhter Speicherplatzbedarf durch Redundanzen gegenüber. 44 Abbildung 3: Star-Schema Snowflake-Schema Eine Modellierung, die diese Nachteile nicht aufweist, ist das Snowflake-Schema. Es ist eine Abwandlung des Star-Schemas, bei dem die Dimensionstabellen normalisiert sind, wodurch in der Darstellung ein Muster entsteht, das an eine Schneeflocke erinnert (Vgl. Abbildung 4). 42 Vgl. Kemper, Mehanna, Unger, 2006, S Vgl. Kemper, Eickler, 2006, S Vgl. Kemper, Mehanna, Unger, 2006, S Vgl. Kemper, Mehanna, Unger, 2006, S. 63, die Kardinalitäten sind in der Krähenfußnotation angegeben

13 In dem Beispiel zum Star-Schema gibt es eine Dimensionstabelle, die Informationen zu Verkäufern und ihrem Wohnort speichert. Dabei kommt es zu Redundanzen, da mehrere Verkäufer in der gleichen Stadt wohnen können. Wird der Name einer Stadt in manchen Fällen ausgeschrieben und in anderen mit dem KFZ-Kennzeichen abgekürzt erfasst, leidet darunter die Datenintegrität. Dies kann zu fehlerhaften Auswertungen führen; etwa wenn Verkäufer aus der selben Stadt für Fahrgemeinschaften gesucht werden. Durch die Normalisierung dieser Dimensionstabelle wird mit einem Fremdschlüssel auf die Wohnorte der Verkäufer verwiesen und die Schreibweise des Ortsnamens ist eindeutig, da er zentral an einer Stelle gespeichert ist. Abbildung 4: Snowflake-Schema Performance von Data Marts Die Einrichtung von Data Marts bietet sich insbesondere dann an, wenn große Datenmengen und viele Anfragen unterschiedlicher Art anfallen, da man Inhalt und Datenstruktur von Data Marts auf einzelne Aufgaben optimieren und so die Performance des Systems verbessern kann

14 Die Performance von Data Marts kann man als Gleichgewicht von drei Dingen definieren: - Speicherplatznutzung - Antwortzeiten - Benötigte Zeit zur Befüllung Eine Verbesserung eines dieser Faktoren führt automatisch zu Verschlechterungen eines anderen. Insgesamt sollte darauf geachtet werden, dass man einen Data Mart nur auf einen bestimmten Zweck hin auslegt, statt mehrere Aufgaben damit erfüllen zu wollen, die verschiedene Datengrundlagen erfordern. Die Schlüssel für eine hohe Performance eines Data Marts sind: - Einfaches Design Die Denormalisierung bei Data-Warehouse-Systemen, von denen Data Marts eine Untergruppe sind, ermöglicht eine Datenstruktur mit geringer Komplexität und schnellen Zugriffszeiten. Weit verbreitet ist das Star Schema (Vgl. Abschnitt ). Das normalisierte Snowflake-Schema (Vgl. Abschnitt ) kann muss aber nicht als Indikator für ein zu komplexes Design und zu viele verwendete Daten dienen. Denn nur bei sehr großen Dimensionstabellen kann das Snowflake-Schema seine Vorteile, kürzere Zugriffszeiten und weniger Speichernutzung, ausspielen und den Nachteil des komplexeren Layouts ausgleichen Erkennen von Regelmäßigkeiten Auf regelmäßig getätigte Anfragen sollte bei der Data-Mart-Konzeption besondere Rücksicht genommen werden. Daten, die häufig benötigt werden, sollten bereits in die richtige Recheneinheit umgerechnet worden sein. Werden Auswertungen ganz oder teilweise mehrfach angefordert, bietet sich auch hier an, diese bei der ersten Anfrage in einem Aggregat zusammengefasst zu cachen und bei folgenden Abfragen anstelle einer Neuberechnung die zwischengespeicherte Version auszuliefern. Ein Aggregat ist eine Verdichtung von Informationen, etwa die Kumulierung von Umsatzzahlen verschiedener zusammenhängender Regionen oder die Berechnung von deren durchschnittlichen Umsätzen. Eine Aggregation von bereits aggregierten Daten ist nur möglich, wenn dabei keine für die Aggregation nötigen Informationen verloren gegangen sind. Zwar lassen sich zum Beispiel die kumulierten Umsätze verschiedener Länder erneut zusammenfassen, nicht jedoch die durchschnittlichen Umsätze, weil dafür nötige Informationen in dem Aggregat nicht vorhanden sind Kenntnis der Daten Kenntnis der Daten bedeutet im Wesentlichen Kenntnis darüber, welche Daten nötig sind und welche nicht. Die Einbindung zu vieler Daten gilt als häufigster Fehler beim Entwurf von Data Marts. Oft ist der Einsatzzweck des Data Marts nicht klar definiert und es werden Daten eingebunden, von denen nicht sicher ist, ob sie in Zukunft benötigt werden. Dadurch wird mehr Speicher genutzt, die Komplexität des Systems erhöht und damit dessen Antwortverhalten verschlechtert. Eine Möglichkeit zur Vermeidung zu vieler Daten ist neben der Nichtaufnahme irrelevanter Informationen das Festlegen eines Verfallstermins für bestimmte Daten, an dem sie als irrelevant angenommen und gelöscht werden können. So wird ein Performanceverlust durch die Ansammlung alter irrelevanter Daten vermieden. Neben diesen Schlüsseln zur Performanceverbesserung, ist es auch sinnvoll, den Zugang zum Data Mart auf bestimmte, dafür ausgebildete Benutzer zu begrenzen und so die durch Ad-hoc-Anfragen verursachte Rechenlast zu begrenzen. 46 Vgl. Tegel, 2005, S Vgl. Kudraß, 2007, S

15 Wenn der Data Mart implementiert ist und genutzt wird, ist es sinnvoll, die tatsächlich angefallenen Anfragen zu dokumentieren und nach einer Testperiode mit den anfangs getroffenen Annahmen abzugleichen. Die dabei gewonnenen Erkenntnisse können in eine mögliche Modifikation des Data Marts einfließen Anomalien Bei der Verarbeitung von Daten in Datenbanken kann es zu Inkonsistenzen kommen, also zu unvollständigen oder widersprüchlichen Informationen. Dies bezeichnet man als Anomalie, wobei verschiedene Typen unterschieden werden: - Einfügeanomalie Sind beim Eintragen eines Datensatz noch nicht alle erforderten Informationen bekannt bezeichnet man das als Einfügeanomalie. Sie kann dazu führen, dass Einfügevorgänge fehlschlagen weil vorausgesetzte Schlüssel unbekannt sind. - Modifikationsanomalie Modifikationsanomalien treten auf, wenn redundant gespeicherte Informationen geändert werden, dies aber nicht an allen Speicherstellen geschieht. Dadurch entstehen falsche Informationen, die in sich widersprüchlich sein können. - Löschanomalie Sind Datensätze so gespeichert, dass Informationen, die nicht zwingend zusammengehören, einen Datensatz bilden, kann das zu Löschanomalien führen. Dabei wird durch das Löschen einer Information eine andere, die unabhängig davon ist, mitgelöscht. Bilden zum Beispiel die Daten eines Mitarbeiters und die Filiale in der er arbeitet einen Datensatz, gehen die Mitarbeiterdaten verloren, wenn die Filiale geschlossen und deshalb in der Datenbank gelöscht wird, selbst wenn der Mitarbeiter im Unternehmen bleibt. Das Auftreten von Anomalien kann durch eine Normalisierung des Datenbankschemas verhindert werden Data Mining und OLAP Data Mining Data Mining ist das Erkennen von nicht-trivialem, nützlichem Wissen durch die Analyse von vorhandenen großen Datenbeständen. 50 Data Mining steht in engem Zusammenhang mit Knowledge Discovery from Data (KDD) und wird häufig auch synonym dazu verwendet. Wie der Begriff nahe legt, ist KDD ein Vorgang, mit dem man aus Daten bisher unbekannte Zusammenhänge aufdeckt. Das geschieht in sieben Schritten: Datenbereinigung durch Entfernen von Inkonsistenzen 2. Zusammenführen der Daten verschiedener Quellen 3. Auswahl relevanter Daten 4. Umwandlung der Informationen in die benötigte Form 5. Erkennen von Mustern (Data Mining) 6. Auswertung gefundener Muster 7. Präsentation der Erkenntnisse 48 Vgl. Bort, Vgl. Klug, 2008, S Vgl. Hanning, 2002, S Vgl. Han, Kamber, 2006, S

16 Data Mining erfolgt ohne Formulierung von Hypothesen über mögliche Erkenntnisse vor der Durchführung, da unbekannte und unvermutete Zusammenhänge gefunden werden sollen. 52 Da dies in der Praxis jedoch nicht möglich ist, kann bekanntes Hintergrundwissen dazu genutzt werden, den untersuchten Datensatz gezielt zu reduzieren. 53 Bei den Problemen, die mit Hilfe von Data Mining gelöst werden sollen, unterscheidet man Beschreibungsprobleme und Prognoseprobleme. Beschreibungsprobleme sind Fragen nach Zusammenhängen innerhalb der vorhandenen Daten, also etwa eine Analyse von häufig zusammen gekauften Produkten, während Prognoseprobleme Aussagen über nicht vorhandene Daten, zum Beispiel das erwartete Kaufverhalten von Neukunden, macht. 54 Zu den Methoden des Data Mining zählen unter anderem: 55 - Regressionsanalyse Mit Hilfe linearer oder nichtlinearer Regressionsmodelle werden die Einflussfaktoren auf eine abhängige Variable bestimmt - Zeitreihenanalyse Die bei der Regressionsanalyse gewonnen Erkenntnisse werden auf die Erstellung von Prognosen angewandt. - Diskriminanzanalyse Die Datensätze werden vorher definierten Klassen zugeordnet. - Clusteranalyse Innerhalb der Datensätze werden anfangs noch unbekannte Gruppen gesucht, die in sich homogen sind, sich aber voneinander möglichst deutlich unterscheiden (Vgl. Abbildung 5). - Assoziationsmethode Aus zwei oder mehr Eigenschaften wird mit einer bestimmten Wahrscheinlichkeit auf eine weitere Eigenschaft geschlossen (Bsp: Kunden, die Bier und Chips kaufen, kaufen mit 60% Wahrscheinlichkeit auch Cola. 5% aller Kunden kauften Bier, Chips und Cola. ). - Abweichungserkennung Im Datensatz gefunde Ausreißer werden beschrieben. Manche Methoden eignen sich auf den ersten Blick eher für Beschreibungsprobleme (z.b. Abweichungserkennung), andere eher für Prognoseprobleme (z.b. Zeitreihenanlyse). Jedoch sind die Übergänge fließend. Die Zeitreihenanalyse legt eine Beschreibung der vorhandenen Daten zugrunde und aus der Abweichungserkennung lassen sich auch Prognosen ableiten. Alle auf Prognoseprobleme angewandten Methoden haben gemeinsam, dass sie Prognosen mit einer gewissen Wahrscheinlichkeit erlauben und keine zuverlässigen Vorhersagen machen können OLAP Eine weitere Möglichkeit Daten auszuwerten ist OLAP (Online-Analytical-Processing). Im Unterschied zu Data Mining werden dabei gezielte Fragen gestellt bzw. vorher getroffene Hypothesen bestätigt oder widerlegt 56. Informationen werden dabei in einem OLAP-Würfel mit beliebig vielen Dimensionen zusammengefasst (Vgl. Abbildung 6) und später je nach Fragestellung nach den relevanten Dimensionen aufgeschlüsselt und dargestellt Vgl. Petersohn, 2005, S Vgl. Bodendorf, 2005, S Vgl. Helmke, Uebel, Dangelmaier, 2008, S Vgl. Küsters, 2001, S. 138ff. 56 Vgl. Wetzel, 2004, S Vgl. Mertens, Bodendorf, König, Picot, Schumann, Hess, 2005, S

17 Dafür sind die wichtigsten Operationen: 58 - Rotation Der Würfel wird in seiner Darstellung gedreht, sodass verschiedene Kombinationen der Dimensionen zu sehen sind. - Roll-up Daten werden aggregiert. Zum Beispiel werden statt den Verkaufszahlen eines Produkts pro Quartal, die Verkaufszahlen aller Produkte zusammen im Jahr angegeben. - Drill-down Die mit einem Roll-Up aggregierten Daten werden in ihre Bestandteile aufgeschlüsselt. - Dice Ein Teil des Würfels wird einzeln betrachtet, ohne Dimensionen wegzulassen. - Slice Es werden nicht alle, sondern nur ausgewählte Dimensionen des Würfels betrachtet. Merkmal 2 Merkmal 1 Abbildung 5: Clusteranalyse 59 Produkt 1 Produkt 2 Produkt 3 Produkt 4 Region 3 Region 2 Region 1 Quartal 1 Quartal 2 Quartal 3 Quartal 4 Abbildung 6: OLAP-Würfel Vgl. Lehner, Wissensmanagement, 2008, S Vgl. Petersohn, 2005, S Vgl. Mertens, Bodendorf, König, Picot, Schumann, Hess, 2005, S

18 3. Anforderungen und Voraussetzungen 3.1 Aufbau und Umfeld Bei der Konzeption des Kunden-Data-Marts kann davon ausgegangen werden, dass alle relevanten Daten in dem vorhandenen zentralen Data Warehouse vorliegen und von dort bezogen werden. Somit handelt es sich um einen von einem zentralen Data Warehouse abhängigen Data Mart (Vgl. Abbildung 2). Der Data Mart wird unter Oracle 10g implementiert und soll Daten von rund 120 Millionen aktuellen und ehemaligen Kunden vorhalten. Abbildung 7: Input und Output des Kunden-Data-Marts Die Abwanderungsprognose, die auf dem Kunden-Data-Mart aufbaut, nutzt als Instrument Data Mining (Vgl. Abbildung 7). Da zukünftiges Verhalten vorhergesagt werden soll, handelt es sich dabei um ein Prognoseproblem. Die Analyse der sich aus der ABCD-Analyse ergebenden Kundengruppen ist ein Beschreibungsproblem, bei dem keine neuen Zusammenhänge gesucht, sondern bekannte Hypothesen überprüft werden (etwa die Hypothese A-Kunden haben einen anderen Musikgeschmack als D-Kunden ). Daher erfolgt die Analyse der Kundengruppen mit OLAP. Im Kontext des KDD-Prozesses (Vgl. Abschnitt 2.3) sind die Schritte 1 und 2 (Datenbereinigung und Zusammenführung) bereits im zentralen Data Warehouse umgesetzt. Die Schritte 5 bis 7 (Data Mining, Musterauswertung und Präsentation) sollen auf Grundlage des Kunden-Data-Marts umgesetzt werden. Es bleiben die Schritte 3 und 4 (Auswahl der benötigten Daten und deren Umwandlung), die mit der Konzeption des Data Marts in Kapitel 4 und der späteren Implementierung erfolgen

19 3.2 Produktangebot Zum Verständnis des Aufbaus der Datenbank ist es wichtig, einen Überblick über die angebotenen Produkte zu haben. Zu den angebotenen Produkten zählen in erster Linie Abonnements verschiedener Unterhaltungsangebote. Die Möglichkeit zum Download einer bestimmten Menge an Klingeltönen, Musik, Videos, Logos, Software, Nachrichten oder MMS-Grußkarten, kann im Abo erworben werden, wobei verschiedene Abos unterschiedliche Downloads ermöglichen. Abgerechnet wird wöchentlich oder monatlich über die jeweiligen Mobilfunkunternehmen. Die Inhalte können auch einzeln, ohne den Abschluss eines Abonnements, erworben werden und mit einem Mobiltelefon oder Heimcomputer heruntergeladen werden. Zur Abgrenzung der Begriffe Produkt, Inhalt und Kategorie wird im Folgenden Produkt für die verschiedenen Verträge benutzt, also etwa für einen Einzelkauf oder einen bestimmten Abo- Vertrag, der zum Download von Inhalten berechtigt. Ein Inhalt ist ein bestimmtes Medium, also beispielsweise ein Logo oder ein Musiktitel. Je nach dem, ob dieser Musiktitel ein Klingelton, ein Musikvideo oder etwas anderes ist, wird der Inhalt einer entsprechenden Kategorie zugeordnet, die wiederum in Kategoriegruppen zusammengefasst sind. Zusätzlich sind Inhalte, unabhängig von ihren Kategorien, verschiedenen Verticals zugeordnet, zum Beispiel Musik, Personalisierung, Dating oder Spiele. Darüber hinaus lassen sich die Inhalte auch einem Genre zuordnen, also etwa Pop oder HipHop bei Musiktiteln. Mit Genregruppen werden ähnliche Genres zusammengefasst, so gehören die verschiedenen Richtungen elektronischer Musik alle zur Genregruppe Elektro. 3.3 Use Cases Die eingangs beschriebenen Einsatzzwecke des Kunden-Data-Marts sollen hier mit beispielhaften Fragestellungen und ihrem jeweiligen betriebswirtschaftlichen Hintergrund konkretisiert werden. Sie werden so oder so ähnlich gestellt werden, jedoch wird ihre Beantwortung vermutlich weitere, jetzt noch nicht absehbare Fragen aufwerfen, sodass die Liste nicht vollständig sein kann. a) Kundenwertberechnung: 1. Berechnung der Kundenwerte Wie hoch ist der Kundenwert eines bestimmten Kunden? 2. Kundengruppen einteilen Ist ein bestimmter Kunde mit seinem Kundenwert ein A-, B-, C- oder D-Kunde? b) Kundenbezogene Analysen: 1. Information über die allgemeine Kundenstruktur Wie viele Kunden gibt es je Kundengruppe? Wie viele Abos schließen Kunden der verschiedenen Gruppen durchschnittlich ab? Wie lange dauert durchschnittlich die Geschäftsbeziehung mit einem Kunden? 2. Identifikation von angemessenen Marketingausgaben und -känalen Wie hoch ist der durchschnittliche Kundenwert? Über welchen Marketingkanal kommen die meisten A-Kunden? Über welchen Kanal kommen die meisten Kunden, die innerhalb von 24h wieder kündigen? 3. Abstimmen der Produkte und Genres auf profitable Zielgruppen Welche Genres bevorzugen B-Kunden? Welche Produkte bevorzugen A-Kunden? 4. Erkennen von geographisch und sprachlich abhängigem Kundenverhalten Worin unterscheidet sich das Kaufverhalten in verschiedenen Ländern?

20 5. Marketingausrichtung auf Kundenaktivität Wie aktiv sind die Kunden beim Herunterladen von Inhalten? (Aktive C-Kunden lassen sich vielleicht durch Marketing in B- oder A-Kunden verwandeln, während inaktive A-Kunden durch Marketing an ihr laufendes Abo erinnert werden und kündigen) 6. Kunden mit mehr Absatzpotential identifizieren Welche Kunden tätigen besonders viele Einzelkäufe? (Wer viele Einzelkäufe tätigt, will vielleicht auch ein Abo abschließen) 7. Handlungsdringlichkeit beim Umgang mit verlustbringenden D-Kunden bestimmen Wie viele Kunden sind D-Kunden? Wie hoch ist der durchschnittliche und der kumulierte Kundenwert der D-Kunden? c) Abwanderungsprognose: 1. Abwandernde Kunden identifizieren Wer kündigt in den nächsten 7 Tagen mit einer Wahrscheinlichkeit von über 90%? 2. Kundenströme prognostizieren Wieviele Kunden werden in den nächsten 30 Tagen kündigen? Wieviele A-Kunden werden in den nächsten 7 Tagen kündigen? 3. Kündigungswahrscheinlichkeiten von einzelnen Kunden bestimmen Mit welcher Wahrscheinlichkeit kündigt ein bestimmter Kunde in den nächsten sieben Tagen? 3.4 Quellen der Kundendaten Über die Kunden sind nur wenige Informationen bekannt. Sie treten mit dem Unternehmen über einen der drei Kommunikationskanäle SMS, Web und WAP in Kontakt. Voraussetzung für jede Kontaktaufnahme ist die Übermittlung der Mobiltelefonnummer des Kunden. Diese wird auch bei Kontakten über das Web immer abgefragt und verifiziert. Sie ist somit für jeden Kunden bekannt. Daraus ergibt sich das Land, in dem die Nummer registriert ist und wo sich der Kunde die meiste Zeit aufhält sowie die Sprache in der mit dem Kunden kommuniziert wird. 61 Weitere Informationen über einen Kunden entstehen beim Download eines Inhalts. Da nicht jeder Inhalt auf jedem Mobiltelefon lauffähig ist, wird vorher das Handymodell ermittelt um darauf bei Bedarf mit der Auslieferung eines alternativen Inhalts zu reagieren. Bei der Verifikation der Telefonnummer wird bekannt, welches Mobilfunknetz ein Kunde nutzt und bei der ersten Abbuchung, welcher Zahlungsanbieter die Abrechnung übernimmt. Mit einer Registrierung im Web kann ein Benutzer seine adresse bekannt geben. Alle weiteren persönlichen Daten mit Ausnahme der im Anhang gelisteten (Vgl. Anhang: Ergänzung zu Abschnitt 3.4) ergeben sich ausschließlich aus dem Kauf- und Nutzungsverhalten des Kunden. Diese Informationen sind für alle aktuellen Kunden vorhanden, aber auch für viele ehemalige Abonnenten, die damit eine Datengrundlage zur Ermittlung des Abwanderungszeitpunktes der aktuellen Kunden bilden. Die Daten werden von einem zentralen Data Warehouse bezogen, das die Informationen von mehreren operativen Datenbanken bezieht. 61 In Belgien werden die Dienstleistungen auf niederländisch und auf französisch angeboten. Bestellt der Kunde über das Web oder WAP wählt er beim ersten Zugriff auf die Seite seine Sprache selber aus. Bei Bestellungen über SMS wird anhand der dabei benutzten Kennwörter, die in verschiedenen Sprachen beworben werden, auf die Sprache des Nutzers geschlossen. Ist dies nicht möglich, wird davon ausgegangen, dass der Kunde niederländisch spricht

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

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Data Warehouse Grundlagen

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

Mehr

Logische Modellierung von Data Warehouses

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

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung 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

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

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

Datenschutzerklärung. Datum: 16.12.2014. Version: 1.1. Datum: 16.12.2014. Version: 1.1

Datenschutzerklärung. Datum: 16.12.2014. Version: 1.1. Datum: 16.12.2014. Version: 1.1 Datenschutzerklärung Datum: 16.12.2014 Version: 1.1 Datum: 16.12.2014 Version: 1.1 Verantwortliche Stelle im Sinne des Bundesdatenschutzgesetzes ist: Deutsch-Iranische Krebshilfe e. V. Frankfurter Ring

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

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

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

Mehr

Ziele und Strategien bei der Einführung von CRM

Ziele und Strategien bei der Einführung von CRM Ziele und Strategien bei der Einführung von CRM Viele Unternehmen nutzen CRM für sich, um ihre Kundennähe zu verbessern und Ihr Geschäft auszubauen. Dieser Kurzvortrag zeigt die Ziele und strategischen

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Integritätsbedingungen / Normalformen- Beispiel: Kontoführung

Integritätsbedingungen / Normalformen- Beispiel: Kontoführung Technische Universität München WS 2003/04, Fakultät für Informatik Datenbanksysteme I Prof. R. Bayer, Ph.D. Lösungsblatt 8 Dipl.-Inform. Michael Bauer Dr. Gabi Höfling 12.01. 2004 Integritätsbedingungen

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

Mehr

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle

Mehr

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald

Mehr

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube

Data Warehousing. Fragen des Marketingleiters. Beispiel: : Amazon. Technisch... Amazon weltweit... Datenbank. Aufbau eines DWH OLAP <-> OLTP Datacube Fragen des Marketingleiters Data Warehousing Wie viele Bestellungen haben wir jeweils im Monat vor Weihnachten, aufgeschlüsselt nach? Aufbau eines DWH OLAP OLTP Datacube Beispiel: : Amazon Technisch

Mehr

Data Mining-Projekte

Data 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

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

Wie Sie auf Facebook zielsicher passende B2B-Leads generieren

Wie Sie auf Facebook zielsicher passende B2B-Leads generieren Wie Sie auf Facebook zielsicher passende B2B-Leads generieren 01.04.2015 Mit dem richtigen Targeting finden Sie auf Facebook viele potenzielle Kunden Es ist einer der großen Mythen auf Facebook: Leads

Mehr

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing Feedback-Management als Daten-Schatz für das Multi-Channel- - Strategische CRM-Unternehmensberatung Vortrag im Rahmen des MTP-Alumni Forums Erfolgsfaktor Kundendialog warum Kunden wiederkommen, Darmstadt,

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch 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

Mehr

Von der UML nach C++

Von der UML nach C++ 22 Von der UML nach C++ Dieses Kapitel behandelt die folgenden Themen: Vererbung Interfaces Assoziationen Multiplizität Aggregation Komposition Die Unified Modeling Language (UML) ist eine weit verbreitete

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

für den Helpdesk TOPIX Informationssysteme AG

für den Helpdesk TOPIX Informationssysteme AG Ticket-System für den Helpdesk TOPIX Informationssysteme AG Inhalt Tickets...2 Eigenschaften...2 Einstellungen...3 Das erste Ticket...4 Verknüpfungen mit den Tickets...5 Kategorienamen...6 Funktionen in

Mehr

Daten, die Sie uns geben (Geschäftsbeziehung, Anfragen, Nutzung eine unsere Dienstleistungen)

Daten, die Sie uns geben (Geschäftsbeziehung, Anfragen, Nutzung eine unsere Dienstleistungen) Datenschutzerklärung der Etacs GmbH Die Etacs GmbH wird den Anforderungen des Bundesdatenschutzgesetzes (BDSG) gerecht.personenbezogene Daten, d.h Angaben, mittels derer eine natürliche Person unmittelbar

Mehr

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015 Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

DISKUSSIONSBEITRÄGE 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 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

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

Mehr

Business Intelligence Praktikum 1

Business 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

Mehr

Diplomarbeiten. Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials

Diplomarbeiten. Ansätze zur Kundenbewertung im CRM - Möglichkeiten zur Bestimmung des Kundenpotenzials Diplomarbeiten - Möglichkeiten zur Bestimmung des Kundenpotenzials Datengestützte Validierung von Customer-Lifetime-Konzepten Agenda 1) WEKA-MEDIA-Verlage 2) Ziel der ersten Arbeit: Neu- und Bestandskundenbewertung

Mehr

1 Verarbeitung personenbezogener Daten

1 Verarbeitung personenbezogener Daten .WIEN WHOIS-Politik Inhalt 1 Verarbeitung personenbezogener Daten... 1 2 Zur Verwendung gesammelte Informationen... 1 3 WHOIS-Suchfunktion... 2 3.1 Einleitung... 2 3.2 Zweck... 3 3.3 Identifizieren von

Mehr

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

Business Intelligence mit Microsoft SQL Server 2005

Business Intelligence mit Microsoft SQL Server 2005 Business Intelligence mit Microsoft SQL Server 2005 Holger Schrödl ISBN 3-446-40463-5 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-40463-5 sowie im Buchhandel 4.6

Mehr

Kundencontrolling im Service & Vertrieb

Kundencontrolling im Service & Vertrieb Kundencontrolling im Service & Vertrieb Hamburg, Mai 2004 Dozentin: Marilla Bax Service Manager (KVD) Vortrag Agenda Service wo stehen wir heute Nutzen Kundencontrolling Instrumente des Kundencontrolling

Mehr

Data Quality Management: Abgleich großer, redundanter Datenmengen

Data 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:

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

Die PRO:FIT.MACHER Dipl.-Päd. Uwe Fischer Dipl.-Kfm. Ursula Liphardt

Die PRO:FIT.MACHER Dipl.-Päd. Uwe Fischer Dipl.-Kfm. Ursula Liphardt Die Messbarkeit von Marketingaktionen wird sehr oft als Dilemma beschrieben. Schon Henry Ford sagte: Ich weiß, dass die Hälfte meiner Werbung umsonst ist, ich weiß nur nicht, welche Hälfte. Mit der richtigen

Mehr

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit

Executive Briefing. Big Data und Business Analytics für Kunden und Unternehmen. In Zusammenarbeit mit. Executive Briefing. In Zusammenarbeit mit Big Data und Business Analytics für Kunden und Unternehmen Umfangreiche und ständig anwachsende Datenvolumen verändern die Art und Weise, wie in zahlreichen Branchen Geschäfte abgewickelt werden. Da immer

Mehr

CC-Logic Produktinformation

CC-Logic Produktinformation CC-Logic Produktinformation AnswerWIN: Call Center Planung und Optimierung Vorteile auf einen Blick Produktfunktionen Excel-Integration mit AnswerXLS Produktpositionierung Prognoseverfahren Produktvertrieb

Mehr

Business Intelligence Praktikum 1

Business 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

Mehr

Dominik Pretzsch TU Chemnitz 2011

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

Mehr

6 InfoCubes erstellen und konfigurieren

6 InfoCubes erstellen und konfigurieren InfoCubes bilden die Reportingschicht in der LSA; sie sind für die Performance des Reportings entscheidend. In diesem Kapitel stellen wir Ihnen vor, welche InfoCubes es gibt und wie Sie damit arbeiten.

Mehr

CRM im Online-Bereich für die Druck- und Medienindustrie

CRM im Online-Bereich für die Druck- und Medienindustrie CRM im Online-Bereich für die Druck- und Medienindustrie Vorlesung an der Berufsakademie Mannheim Dr. Gerald Lembke www. 30.03.2007 Was ist noch mal Customer-Relationship-Management? CRM ist eine kundenorientierte

Mehr

Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements

Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements Customer Relationship Management (CRM) Effizienter Baustein eines erfolgreichen Netzwerkmanagements Das Netz der Netze 2. Informations- und Erfahrungsaustausch für Netzwerker in Heilbronn-Franken Prof.

Mehr

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder.

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. Präsenzübung Service 2.1. CRM Customer-Relationship Management a) Anliegen des CRM Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. CRM, auch Beziehungsmanagement

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Customer Relationship Management CRM

Customer Relationship Management CRM Customer Relationship Management CRM 1.1 Zielsetzung von CRM...2 1.2 Komponenten einer CRM-Lösung...4 1.2.1 Aufgabenbereiche eines CRM-Systems...4 1.2.2 Analytisches CRM...7 1.2.3 Operatives CRM...7 1.2.4

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

Mehr

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen:

Data Warehouse. Kapitel 17. Abbildung 17.1: Zusammenspiel zwischen OLTP und OLAP. Man unterscheidet zwei Arten von Datenbankanwendungen: Kapitel 17 Data Warehouse OLTP Online Transaction Processing OLAP Online Analytical Processing Decision Support-Anfragen Data Mining opera- tionale DB opera- tionale DB opera- tionale DB Data Warehouse

Mehr

SOMMERLOCH? Kennen wir nicht! IT SOLUTIONS

SOMMERLOCH? Kennen wir nicht! IT SOLUTIONS SOMMERLOCH? Kennen wir nicht! Von wegen Sommerloch - profitieren Sie jetzt vom Konica Minolta IT Solutions Sommer Spezial. Jetzt Sonderangebote zu Microsoft Dynamics CRM sichern und direkt loslegen. Aktionszeitraum:

Mehr

Workshop 3: Strategisches Marketing

Workshop 3: Strategisches Marketing BPW Business School Strategie Workshop 3: Strategisches Marketing Anthony-James Owen Guerrilla Marketing Group BPW Business ist eine Initiative des Businessplan-Wettbewerbs Berlin-Brandenburg Weitere Informationen

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Richtlinie zur.tirol WHOIS-Politik

Richtlinie zur.tirol WHOIS-Politik Richtlinie zur.tirol WHOIS-Politik Die vorliegende Policy soll nach österreichischem Rechtsverständnis ausgelegt werden. Im Streitfall ist die deutsche Version der Policy einer Übersetzung vorrangig. Inhalt

Mehr

handyglobal Installations- und Bedienungsanleitung Cornelsen Mobile English Handytrainer zum Lehrwerk English G 2000

handyglobal Installations- und Bedienungsanleitung Cornelsen Mobile English Handytrainer zum Lehrwerk English G 2000 travel@media Osnabrücker Straße 79 D 33649 Bielefeld Germany handyglobal fon +49 (521) 4593280 e-mail handy@travelmedien.de internet www.handyglobal.de Installations- und Bedienungsanleitung Cornelsen

Mehr

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen

Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen Data Warehouses und Moderne Betriebliche Anwendungen von Datenbanksystemen (Folien von A. Kemper zum Buch 'Datenbanksysteme') Online Transaction Processing Betriebswirtschaftliche Standard- Software (SAP

Mehr

Grundlagen der Wirtschaftsinformatik KE1 5

Grundlagen der Wirtschaftsinformatik KE1 5 Fernstudium-Guide - Klausurvorbereitung Grundlagen der Wirtschaftsinformatik KE1 5 Version vom 28.05.2015 Alle Rechte vorbehalten 1 Fernstudium-Guide - Klausurvorbereitung Liebe Studierende, Wir begrüßen

Mehr

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Titel des Lernmoduls: Customer Relationship Management Themengebiet: New Economy Gliederungspunkt im Curriculum: 2.2.1.3.7 Zum Inhalt: Diese Modul befaßt sich mit der Vorgehensweise

Mehr

Dem Kunden auf der Spur Die Zusammenfassung der think:act Study von Roland Berger Strategy Consultants*

Dem Kunden auf der Spur Die Zusammenfassung der think:act Study von Roland Berger Strategy Consultants* R Dem Kunden auf der Spur Die Zusammenfassung der think:act Study von Roland Berger Strategy Consultants* *Quelle: Roland Berger Strategy Consultants und ECE: Dem Kunden auf der Spur - Wie wir in einer

Mehr

Die Herausforderungen im Key Account Management

Die Herausforderungen im Key Account Management Die Herausforderungen im Key Account Management Immer mehr Unternehmen planen ein professionelles Key Account Management oder wollen das bestehende leistungsfähiger machen, um die Schlüsselkunden noch

Mehr

Inhaltsverzeichnis THEORETISCHER TEIL. Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis, XXVII

Inhaltsverzeichnis THEORETISCHER TEIL. Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis, XXVII Inhaltsverzeichnis Abbildungsverzeichnis XVII Tabellenverzeichnis XXV Abkürzungsverzeichnis, XXVII 1 Einführung in die Problemstellung 1 1.1 Wiederentdeckung der ökonomischen Bedeutung von langfristigen

Mehr

Perzentile mit Hadoop ermitteln

Perzentile mit Hadoop ermitteln Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile

Mehr

Tutorial: Wie strukturiere ich meine Daten als CRM- Lösung?

Tutorial: Wie strukturiere ich meine Daten als CRM- Lösung? Tutorial: Wie strukturiere ich meine Daten als CRM- Lösung? Im vorliegenden Tutorial lernen Sie, wie Sie myfactory als vorkonfiguriertes CRM-System nutzen können. Mit myfactory erhalten Sie nicht nur eine

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data 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

Mehr

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann

TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann TU München, Fakultät für Informatik Lehrstuhl III: Datenbanksysteme Prof. Dr. Thomas Neumann Blatt Nr. 11 Übung zur Vorlesung Einsatz und Realisierung von Datenbanksystemen im SoSe15 Moritz Kaufmann (moritz.kaufmann@tum.de)

Mehr

Datenschutz. Kontakt. Der Fachbereich Datenschutz ist unter den folgenden Kontaktdaten zu erreichen:

Datenschutz. Kontakt. Der Fachbereich Datenschutz ist unter den folgenden Kontaktdaten zu erreichen: Datenschutz Wir nehmen den Schutz und die Sicherheit von persönlichen Daten sehr ernst. Daher informieren wir unsere Kunden an dieser Stelle über das Thema Datenerfassung und -schutz sowie über unseren

Mehr

Wie Sie mit Twitter neue Leads einsammeln

Wie Sie mit Twitter neue Leads einsammeln Wie Sie mit Twitter neue Leads einsammeln 10.03.2015 Worauf es ankommt, bisher unbekannte Kontakte via Twitter für sich zu begeistern Genau wie andere soziale Netzwerke ist auch Twitter eine gute Gelegenheit,

Mehr

Leitfaden zur Einrichtung za-mail mit IMAP auf dem iphone

Leitfaden zur Einrichtung za-mail mit IMAP auf dem iphone Dieser Leitfaden zeigt die einzelnen Schritte der Konfiguration des iphones für die Abfrage von Emails bei der za-internet GmbH. Grundsätzlich gelten diese Schritte auch für andere Geräte, wie dem ipod

Mehr

Erfolgsfaktoren von Customer Relationship Management Strategien

Erfolgsfaktoren von Customer Relationship Management Strategien Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen

Mehr

2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating

2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating Performance Management Markterfolg dank Kundenrating Welches sind Ihre besten Kunden? Frage 1: Kennen Sie die Umsatzentwicklung jedes Kunden über die letzten 5 Jahre? Frage 2: Kennen Sie den Produkte-Mix

Mehr

White Paper. Social CRM. Wie Sie die sozialen Medien nutzen, um Ihre Kundenbindung. zu stärken.

White Paper. Social CRM. Wie Sie die sozialen Medien nutzen, um Ihre Kundenbindung. zu stärken. White Paper Social CRM Wie Sie die sozialen Medien nutzen, um Ihre Kundenbindung zu stärken. 25 Mio Anzahl der Facebook Nutzer in Deutschland 23 Mio 14 Mio 6 Mio Jan 10 Jan 11 Jan 12 Jan 13 Quelle: Statista,

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

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,

Mehr

Data-Mining im Customer-Relationship-Management

Data-Mining im Customer-Relationship-Management Data-Mining im Customer-Relationship-Management Yaniv Schwerin 05.06.2007 Übersicht 1 Einleitung und Motivation Motivation CRM-Ansatz 2 Data-Mining im Unternehmen Betrachtung der Daten Customer Lifecycle

Mehr

Kapitel 2 Terminologie und Definition

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

Mehr

AnswerWIN und AnswerXLS Call Center Planung & Optimierung

AnswerWIN und AnswerXLS Call Center Planung & Optimierung AnswerWIN und AnswerXLS Call Center Planung & Optimierung Produktinformationen: Vorteile auf einen Blick Produktfunktionen Integration mit Excel Produktpositionierung Prognoseverfahren Produktvertrieb

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

Basiswissen E-Mail-Marketing

Basiswissen E-Mail-Marketing Thomas Johne Basiswissen E-Mail-Marketing Kunden binden - Absatz steigern - Kosten senken Schriftenreihe: Das kleine 1x1 des Marketings Inhaltsverzeichnis Vorwort 7 1 E-Mail-Marketing: Neue Wege zum Kunden

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

Best Practice. Organisation und Ablage von Kundenaufträgen im DMS von UpToNet

Best Practice. Organisation und Ablage von Kundenaufträgen im DMS von UpToNet Best Practice Organisation und Ablage von Kundenaufträgen im DMS von UpToNet Lösung Nummer 1: DMS Lösung Nummer 1: DMS Organisation und Ablage von Kundenaufträgen im DMS UpToNet unterstützt den Anwender

Mehr

VM2000 Update Informationen CRM Modul

VM2000 Update Informationen CRM Modul VM2000 Update Informationen CRM Modul Inhaltsverzeichnis Was ist CRM?... 3 Wie funktioniert CRM im VM2000?... 3 Beispiel... 4 Grundeinstellungen zum CRM Modul... 5 Werbung auf Beleg... 5 Werbung auf Beleg

Mehr

Was sind Facebook-Fans»wert«?

Was sind Facebook-Fans»wert«? m a n a g e w h a t m a t t e r s Was sind Facebook-Fans»wert«? Social Insight Connect, die erste Lösung für Brand Controlling und Development im Social Web, liefert strategische Insights zu Social Media

Mehr

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Vorname: Nachname: Matrikelnummer: Studiengang: Bei der Klausur sind keine Hilfsmittel

Mehr