Data Warehouse Version: June 26, Andreas Geyer-Schulz und Anke Thede

Größe: px
Ab Seite anzeigen:

Download "Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede"

Transkript

1 Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude Rechenzentrum, 1. Stock, Zi. 169 Universität Karlsruhe (TH) D Karlsruhe Tel: Fax: Sprechstunde nach Vereinbarung ( )

2 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 1

3 Contents Contents 1 Data Warehousing Herkunft der Information über Kunden Datenquellen - operationale Systeme Notwendigkeit eines Data Warehouses Integrierte Kundendaten im Data Warehouse Was machen entscheidungsunterstützende Systeme Data Warehouse für analytisches CRM Unterschiede operational Data Warehouse Data Warehouse Eigenschaften eines Data Warehouse Data Marts Komponenten eines Data Warehouses 16 Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 2

4 Data Warehousing 1 Data Warehousing Kundenkontakt Firmenkontakt Produktlisten Umsätze Zahlungen Umsätze/Erträge Kundensegmente Promotionhistory Campaign Response Customer Value Score Kundenkontakte Trouble Tickets Fragebögen Umfragen Zahlungen SFA-DB Marketing-DB Call Center-DB Ein Unternehmen mehrere Datenbanken evtl. Inkonsistenz, Kunde erwartet aber konsistentes Verhalten! Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 3

5 Herkunft der Information über Kunden 1.1 Herkunft der Information über Kunden von - Direktverkaufsinteraktionen 60% - 50% - Call-Center Interaktionen 43% - Website Besuche 40% - Umfragen 28% - Fokusgruppen 28% - Messen 27% (Yankee Groups 2000) Fokusgruppen: speziell ausgewählte Gruppen, die repräsentativ für bestimmte Kundensegmente sind. Z.B. vor Erstellung eines Fragebogens zum Ausloten wichtiger Fragen. Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 4

6 Datenquellen - operationale Systeme 1.2 Datenquellen - operationale Systeme Rechnungssysteme Bestell- und Versorgungssysteme Provisionssysteme Enterprise Resource Planning Systeme Human Resource Systeme Point-of-sale Daten Web Server Marketing Datenbanken Call-Center Systeme Corporate Financial Packages interne, operative Systeme, meist beschränkt integriert, ursprünglich zur Unterstützung bestehender Geschäftsprozesse konzipiert. Externe Datenprovider Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 5

7 Notwendigkeit eines Data Warehouses 1.3 Notwendigkeit eines Data Warehouses Damit das Management strategische Entscheidungen treffen kann, braucht es die richtigen Informationen Operationale Systeme sind nicht in der Lage diese strategischen Informationen zu liefern Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 6

8 Integrierte Kundendaten im Data Warehouse 1.4 Integrierte Kundendaten im Data Warehouse Umfrage Daten Demografische Daten Kauf geschichten Call Center Kontakte Data Warehouse Campaign Response Retouren Web Aktivität Verrechnung und Zahlung Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 7

9 Was machen entscheidungsunterstützende Systeme 1.5 Was machen entscheidungsunterstützende Systeme Werden eingesetzt zum Beobachten dess Geschäftsprozesses Zeig mir die meistverkauften Produkte an Zeig mir dir Problemregionen an Sag mir warum Zeig mir andere Daten Alarmiere mich, wenn in einem Bereich weniger verkauft wird als erwartet Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 8

10 Data Warehouse für analytisches CRM 1.6 Data Warehouse für analytisches CRM Customer Profiling Partner Contribution Measurement Revenue Analysis Customer Segmentation ERP SCM Workforce Optimization Analytical CRM Enterprise Data (Nicht aus CRM) Operational CRM Activity Management SRM Contact Management Customer Support PRM Campaign Management Pricing and Configuration e-commerce Customer Value Measurement Financial Supplier Evaluation Billing Product Channel Next-Sequential Analysis Propensity-to-Buy Purchase Analysis Modelling Churn Analysis and Prediction Risk Scoring Customer Satisfaction Analysis Campaign Measurement Prospect Qualification Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 9

11 Unterschiede operational Data Warehouse 1.7 Unterschiede operational Data Warehouse operational Data Warehouse Dateninhalt aktuelle Daten archivierte, abgeleitete, zusammengefasste Daten Datenstruktur optimiert für Transaktionen optimiert für komplexe Abfragen Zugriffshäufigkeit hoch mittel bis niedrig Zugriffsart lesen, updaten, löschen lesen Benutzung vorhersagbar, wiederholentisch Ad hoc, zufällig, heuris- Antwortzeit <1 sek. mehrere Sek. bis Min. Nutzer große Anzahl relativ kleine Anzahl Normalisierung ja meist denormalisiert Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 10

12 Data Warehouse 1.8 Data Warehouse Data Warehouse ist ein entscheidungsunterstützendes System Data Warehouse bezieht Daten von mehreren (verschiedenen) operationalen Systemen dazwischen werden die Daten bereinigt, aggregiert und transformiert, so dass sie das geeignete Format für das Data Warehouse haben das Data Warehouse bietet somit eine integrierte und komplette Übersicht über das Unternehmen das Data Warehouse ist eine benutzerfokussierte Umgebung Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 11

13 Eigenschaften eines Data Warehouse 1.9 Eigenschaften eines Data Warehouse " A Data Warehouse is a subject oriented, integrated, nonvolatile, and time variant collection of data in support of management s decicsions." (Bill Inmon) themenbezogene Daten / Subject-Oriented Data integrierte Daten / Integrated Data Data Warehouse bezieht Daten von mehreren (verschiedenen) operationalen Systemen Inkonsistenzen eliminieren Standardisierung(Namen,etc.) zeitlich variable Daten / Time-Variant Data operationales System: aktuelle Werte Data Warehouse: enthält historische Daten unvergängliche Daten / Nonvolatile Data Daten im Data Warehouse werden normalerweise nicht gelöscht oder geändert Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 12

14 Eigenschaften eines Data Warehouse Detailstufen der Daten / Data Granularity operationales System: höchste Detailstufe, keine zusammengefassten Daten Data Warehouse: mehrere Detailstufen möglich, da oft zusammengefasste Daten gewünscht Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 13

15 Data Marts 1.10 Data Marts Data Mart: ist ein Teilbereich eines Data Warehouses, der für einen bestimmten Organisationsbereich oder Anwendung geschaffen wird Verschiedene Architekturansätze: Top-down approach / " von oben nach unten" -Ansatz riesiges Data Warehouse füttert lokale, abteilungsspezifische Data Marts Vorteile: unternehmensweite Sicht, Konsistenz Nachteile: höheres Fehlerrisko Data Marts Data Staging Area globales Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 14

16 Data Marts Bottom-up approach / " von unten nach oben" -Ansatz individuelle, lokale Data Marts verbinden zu Data Warehouse Vorteile: schnellere und einfachere Implementierung, geringeres Risiko Nachteile: jeder Data Mart hat nur eine auf seine eigenen Daten begrenzte Sicht blind für unternehmensweite Fragestellungen, redundante Daten in unterschiedlichen Data Marts Data Staging Area Data Staging Area Data Staging Area Data Mart Data Mart Data Mart globales Data Warehouse Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 15

17 Komponenten eines Data Warehouses 2 Komponenten eines Data Warehouses Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 16

18 Komponenten eines Data Warehouses Quelldaten Produktionsdaten: Daten von den verschiedenen operationalen Systemen (verschiedene Datenformate, verschiedene Plattformen, Inkonsistenzen in den Daten) interne Daten (z.b. aus Verkäufernotizen) archivierte Daten: historische Daten aus alten archivierten Daten gewinnen externe Daten: Daten von externen Quellen, Daten von/über Konkurrenten, Kennzahlen zur Überprüfung der Performance Industrietrends ausfindig machen, eigene Performance mit anderen vergleichen Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 17

19 Komponenten eines Data Warehouses Data Staging Extraktion, Transformation und Laden (ETL-Prozess) finden hier statt Extraktion Extraktion der Daten von den verschiedenen Quellen, angepasste Extraktionsprozesse Transformation Daten bereinigen: Schreibfehler und Duplikate entfernen, Standardwerte für fehlende Datenelemente einführen Standardisierung: Datentypen, Feldlängen für gleiche Datenelemente, Synonyme(>=2 Ausdrücke meinen das gleiche) und Homonyme(ein Ausdruck hat mehrere verschiedene Bedeutungen) auflösen unnütze Quelldaten werden gelöscht Zusammenfassung bestimmter Daten, wenn Details nicht wichtig sind Transformieren des Datenmodells Laden Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 18

20 Komponenten eines Data Warehouses erstes sehr großes Laden bei Inbetriebnahme Aktualisierung in gewissen Zeitabständen Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 19

21 Komponenten eines Data Warehouses Metadaten Data Warehouse Datenstrukturen Management und Kontrolle koordiniert die Dienste und Aktivitäten innerhalb eines Data Warehouses Administration des Data Warehouses erhält Informationen aus den Metadaten Information Delivery User mit unterschiedliche Data Warehouse-Kenntnissen brauchen unterschiedliche " information delivery" -Mechanismen Online, Intranet, Internet, , etc. [Pon01] Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 20

22 References References [Pon01] Paulraj Ponniah. Data Warehousing Fundamentals. John Wiley & Sons, Universität Karlsruhe (TH), Prof. Dr. Andreas Geyer-Schulz Seite 21

Inhaltsverzeichnis. Motivation. Analytisches CRM: Einführung. Version: 31. Juli 2009. 1 Motivation. Andreas Geyer-Schulz und Andreas Neumann

Inhaltsverzeichnis. Motivation. Analytisches CRM: Einführung. Version: 31. Juli 2009. 1 Motivation. Andreas Geyer-Schulz und Andreas Neumann Analytisches CRM: Einführung. Version: 31. Juli 2009 Andreas Geyer-Schulz und Andreas Neumann Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4 Contents Data Warehouse - ETL Prozess Version: July 10, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

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. 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

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

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

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

Data Warehousing und Data Mining

Data Warehousing und Data Mining 2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen

Mehr

Neue Strategien und Innovationen im Umfeld von Kundenprozessen

Neue Strategien und Innovationen im Umfeld von Kundenprozessen Neue Strategien und Innovationen im Umfeld von Kundenprozessen BPM Forum 2011 Daniel Liebhart, Dozent für Informatik an der Hochschule für Technik Zürich, Solution Manager, Trivadis AG Agenda Einleitung:

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

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

Mehr

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II.

Kapitel II. Datenbereitstellung. II. Datenbereitstellung. II.1 Grundlagen. II. Datenbereitstellung. Collect Initial Data. II. II. bereitstellung Kapitel II bereitstellung 1 2 II. bereitstellung II.1 Grundlagen Collect Initial Data identify relevant attributes identify inconsistencies between sources Describe Data characterize

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Informationssysteme: Neuere Konzepte Teil II

Informationssysteme: Neuere Konzepte Teil II Informationssysteme: Neuere Konzepte Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser

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

Contents. Data Warehouse Entwicklungsphasen. Data Warehouse - Entwicklung Version: June 28, 2007. 1 Data Warehouse Entwicklungsphasen

Contents. Data Warehouse Entwicklungsphasen. Data Warehouse - Entwicklung Version: June 28, 2007. 1 Data Warehouse Entwicklungsphasen Contents Data Warehouse - Entwicklung Version: June 28, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

Mehr

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

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

Mehr

Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.

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

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

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH

Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Data Warehouse schnell gemacht Performanceaspekte im Oracle DWH Dani Schnider Principal Consultant Business Intelligence BI Trilogie, Zürich/Basel 25./26. November 2009 Basel Baden Bern Lausanne Zürich

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

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian

Mehr

SAP CRM und ITML > CRM als Lösungen für professionelles Kundenmanagement. CRM Stammtisch der ITML GmbH 15.07.2008 /// Stefan Eller

SAP CRM und ITML > CRM als Lösungen für professionelles Kundenmanagement. CRM Stammtisch der ITML GmbH 15.07.2008 /// Stefan Eller SAP CRM und ITML > CRM als Lösungen für professionelles Kundenmanagement CRM Stammtisch der ITML GmbH 15.07.2008 /// Stefan Eller SAP CRM und ITML > CRM Neue Oberflächen für eine verbesserte Usability

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Das Risikomanagement gewinnt verstärkt an Bedeutung

Das Risikomanagement gewinnt verstärkt an Bedeutung Das Risikomanagement gewinnt verstärkt an Bedeutung 3/9/2009 Durch die internationale, wirtschaftliche Verpflechtung gewinnt das Risikomanagement verstärkt an Bedeutung 2 3/9/2009 Das IBM-Cognos RiskCockpit:

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

2.8. Business Intelligence

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

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

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

Mehr

Business Intelligence Center of Excellence

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

Mehr

Data Warehousing: Anwendungsbeispiel

Data Warehousing: Anwendungsbeispiel Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale

Mehr

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

Mehr

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

Mehr

Deutsche ORACLE-Anwenderkonferenz - ORACLE Business-Software Anwenderkonferenz 22. November 2007 Page 1

Deutsche ORACLE-Anwenderkonferenz - ORACLE Business-Software Anwenderkonferenz 22. November 2007 Page 1 Deutsche ORACLE-Anwenderkonferenz - ORACLE Business-Software Anwenderkonferenz 22. November 2007 Page 1 Wem gehört der Kunde? Master Data Management mit PeopleSoft CRM Martin Mang

Mehr

ONLINESHOPS ERFOLGREICH STEUERN: WIE BEHALTE ICH DIE ÜBERSICHT?

ONLINESHOPS ERFOLGREICH STEUERN: WIE BEHALTE ICH DIE ÜBERSICHT? ONLINESHOPS ERFOLGREICH STEUERN: WIE BEHALTE ICH DIE ÜBERSICHT? Transparenz durch Best Practice ecommerce Reporting Lennart Jansen! plentymarkets Online-Händler-Kongress Februar 2014 DAS PROBLEM:!! KEINE

Mehr

NICE Performance Management. Albert Bossart, Sales Manager DACH, NICE Switzerland AG

NICE Performance Management. Albert Bossart, Sales Manager DACH, NICE Switzerland AG NICE Performance Management Albert Bossart, Sales Manager DACH, NICE Switzerland AG Performance Verbesserung für Mitarbeiter mit Kundenbeziehungen Aussendienst Tele- Sales Interner Verkauf Neuakuisition

Mehr

Merkblatt DWH. Mittwoch, 6. Januar 2016 13:55. Info Seite 1

Merkblatt DWH. Mittwoch, 6. Januar 2016 13:55. Info Seite 1 Info Seite 1 Merkblatt DWH Mittwoch, 6. Januar 2016 13:55 Version: 1.0.0 Study: 3. Semester, Bachelor in Business and Computer Science School: Hochschule Luzern - Wirtschaft Author: Janik von Rotz (http://janikvonrotz.ch)

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Raus aus der Bl-Falle

Raus aus der Bl-Falle Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur

Mehr

IT-basierte Kennzahlenanalyse im Versicherungswesen

IT-basierte Kennzahlenanalyse im Versicherungswesen Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:

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

MEHRWERK. Einheitliche Kundenkommunikation

MEHRWERK. Einheitliche Kundenkommunikation MEHRWERK Einheitliche Kundenkommunikation Alle Prozesse und Daten aus bestehenden Systemen werden im richtigen Kontext für relevante Geschäftsdokumente eingesetzt. Flexible Geschäftsprozesse Änderungszyklen

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

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

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

Mehr

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

Managed Infrastructure Service (MIS) Schweiz

Managed Infrastructure Service (MIS) Schweiz Pascal Wolf Manager of MIS & BCRS Managed Infrastructure Service (MIS) Schweiz 2011 Corporation Ein lokaler Partner in einem global integrierten Netzwerk Gründung im Jahr 2002 mit dem ersten full-outtasking

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Enterprise Anwendungssysteme mit Schwerpunkt auf SCM und RFID Prozesse, Aufgaben und Methoden

Enterprise Anwendungssysteme mit Schwerpunkt auf SCM und RFID Prozesse, Aufgaben und Methoden Enterprise Anwendungssysteme mit Schwerpunkt auf SCM und RFID Prozesse, Aufgaben und Methoden Praxisnahe Erläuterung anhand der SAP-SCM-Lösung Dr. Alexander Zeier Lehrstuhlvertreter des Prof. Hasso-Plattner-Lehrstuhls

Mehr

Stand 2008.08. Vorstellung der EXXETA

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

Mehr

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

16.4 Wiederverwendung von COTS-Produkten

16.4 Wiederverwendung von COTS-Produkten 16.4 Wiederverwendung von COTS-Produkten COTS = commercial of the shelf im Handel erhältliche Software-Produkte Anpassung für Kunden ohne Änderung am Quellcode Quellcode in der Regel nicht einsehbar (Ausnahme

Mehr

Customer Experience Management / IBM Tealeaf

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

Mehr

HLUSS MIT BIG DATA! BASICS FÜR ONLINESHOPS. Februar

HLUSS MIT BIG DATA! BASICS FÜR ONLINESHOPS. Februar HLUSS MIT BIG DATA! BASICS FÜR ONLINESHOPS. Februar 2014 1. Schluss mit BIG DATA 2. BI-Basics: Best Practice ecommerce Reporting 3. Was muss ich mir anschauen? 4. Wie muss ich es mir anschauen? 5. Was

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

Mehr

Leistungssteuerung beim BASPO

Leistungssteuerung beim BASPO Leistungssteuerung beim BASPO Organisationsstruktur Advellence die Gruppe. Advellence Consulting Advellence Solutions Advellence Products Advellence Services HR-Migrator & albislex powered byadvellence

Mehr

Real time Geschäftsstatus: Management Overview der KPIs durch Integration der Businessprozesse und -systeme

Real time Geschäftsstatus: Management Overview der KPIs durch Integration der Businessprozesse und -systeme Real time Geschäftsstatus: Management Overview der KPIs durch Integration der Businessprozesse und -systeme Ing. René List, Abteilungsleiter MSG Systembetrieb 24.02.2009 1 Der Geschäftsprozess 2 Der Geschäftsprozess

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Data Warehouse. dem Kunden auf der Spur. 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001. Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE

Data Warehouse. dem Kunden auf der Spur. 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001. Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE Data Warehouse dem Kunden auf der Spur 4.SAP-Anwenderforum FH NON Lüneburg 16. März 2001 Dr. Anselm Schultze GS Versicherungen Nord CSC PLOENZKE Copyright CSC PLOENZKE AG 1 Inhalt Agenda Data Warehouse

Mehr

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825

Folien zum Textbuch. Kapitel 6: Managementunterstützungssysteme. Teil 2: Textbuch-Seiten 794-825 Folien zum Textbuch Kapitel 6: Managementunterstützungssysteme Teil 2: Managementunterstützung auf strategischer Ebene Datenverwaltung und -auswertung Textbuch-Seiten 794-825 WI 1 MUS MUS auf strategischer

Mehr

Der Mar a k r e k t e i t ng Bo B ost s e t r

Der Mar a k r e k t e i t ng Bo B ost s e t r Der Marketing Booster Inhaltsverzeichnis Seite Performancesteigerung durch den Marketing Booster 3 Die Entwicklung des Marketing Boosters 7 Planen und Steuern durch den Marketing Booster 12 Beispiele für

Mehr

Vorwort zur 5. Auflage... 15 Über den Autor... 16

Vorwort zur 5. Auflage... 15 Über den Autor... 16 Vorwort zur 5. Auflage...................................... 15 Über den Autor............................................ 16 Teil I Grundlagen.............................................. 17 1 Einführung

Mehr

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

Mehr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Copyright 2007 Infor. Alle Rechte vorbehalten. Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Hubertus Thoma Presales Consultant PM Schalten Sie bitte während

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

Microsoft Office SharePoint Server 2007

Microsoft Office SharePoint Server 2007 Microsoft Office SharePoint Server 2007 Personen, Prozesse und Informationen verbinden Präsentation Version 1.0 Datum 03-07-2008 1 Agenda Das Duet Ernie und Bert Portale Wieso? Weshalb? Warum? Die Lösung

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

Mehr

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Sprecher: Uwe Nadler, Senior Managing Consultant 1 Marketing braucht unterschiedliche Informationen, um entsprechende

Mehr

ERFOLGSFAKTOR CUSTOMER ENGAGEMENT 25.09.2014 UMSATZSTEIGERUNG IM OMNI-CHANNEL COMMERCE

ERFOLGSFAKTOR CUSTOMER ENGAGEMENT 25.09.2014 UMSATZSTEIGERUNG IM OMNI-CHANNEL COMMERCE ERFOLGSFAKTOR CUSTOMER ENGAGEMENT UMSATZSTEIGERUNG IM OMNI-CHANNEL COMMERCE 25.09.2014 NETCONOMY Software & Consulting GmbH Hilmgasse 4, 8010 Graz, Austria T +43(0) 316 / 815544, F +43(0) 316 / 815544-99

Mehr

software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions

software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions Vom OLAP-Tool zur einheitlichen BPM Lösung BI orientiert sich am Business

Mehr

Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager.

Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager. TopSoft. Business Software. Effizienzperlen beim Einsatz von SharePoint. Namics. Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager. 24. September 2009 TopSoft. Business

Mehr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können

Mehr

Die Finanzfunktion als Treiber des Wandels am Beispiel SAP

Die Finanzfunktion als Treiber des Wandels am Beispiel SAP Die Finanzfunktion als Treiber des Wandels am Beispiel SAP Luka Mucic, CFO, COO und Mitglied des Vorstands, SAP SE SAP-Forum für Finanzmanagement und GRC, 13. 14. April 2015 Public SAP s Line of Business

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

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

Mehr

SAP BI Business Information

SAP BI Business Information Aus der Praxis für die Praxis. SAP BI Business Information Thomas Wieland Berlin, 24. November 2006 SAP BW Architektur Seite 2 Business Intelligence Aufgaben Bereitstellung harmonisierter Daten, Informationen

Mehr

connect and get connected Wachstum durch CRM dank neuen Kunden

connect and get connected Wachstum durch CRM dank neuen Kunden connect and get connected Wachstum durch CRM dank neuen Kunden Swiss CRM Forum 2011 rbc Solutions AG, General Wille-Strasse 144, CH-8706 Meilen welcome@rbc.ch, www.rbc.ch, +41 44 925 36 36 Agenda Einleitung

Mehr

BMPI. Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Namics. Emanuel Bächtiger. Consultant.

BMPI. Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Namics. Emanuel Bächtiger. Consultant. BMPI. Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Emanuel Bächtiger. Consultant. 5. Dezember 2013 Agenda. à Ausgangslage à 360 Performance Dashboard à Projektvorgehen à Key Take Aways

Mehr

& Kundenmanagement, Supply Chain Management und Performance. Online Analytical Processing (OLAP)

& Kundenmanagement, Supply Chain Management und Performance. Online Analytical Processing (OLAP) 1 1 Einführung Der Begriff Data Warehouse bezeichnet ein System zur zentralen Bereitstellung von Informationen für Kontroll- und Entscheidungsprozesse. Dies bringt technische und funktionale Besonderheiten

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise

Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise Der sd&m-ansatz für serviceorientierte Architektur Quasar Enterprise A Company of Prof. Dr. Bernhard Humm OOP 2006 sd&m Developer Day München, 18. Januar 2006 sd&m AG, 18.1.2006, Seite 1 Anwendungslandschaften

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

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

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

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

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

Mehr

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

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

Mehr

AMC-Partner bei der dmexco

AMC-Partner bei der dmexco -Partner bei der dmexco 16./17. September 2015 Finanzmarkt GmbH Nr. 1 Adobe Adobe ist der weltweit führende Anbieter für Lösungen im Bereich digitales Marketing und digitale Medien. Mit den Werkzeugen

Mehr

OLAP im IT-Management. Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008

OLAP im IT-Management. Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008 OLAP im IT-Management Dr. Markus Eberspächer, yourdata GmbH, 05. November 2008 Inhalt 1. OLAP 2. Einsatz im CRM 3. Einsatz im IT-Management 4. Produkt 2 In eigener Sache? Gegründet 01. Januar 2008 als

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

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

Mehr

Unternehmensdaten auswerten und planen - Vorstellung von Infor PM 10

Unternehmensdaten auswerten und planen - Vorstellung von Infor PM 10 Unternehmensdaten auswerten und planen - Vorstellung von PM 10 Global Solutions Dominik Lacić, Dr. Rolf Gegenmantel 12. Februar 2009 Copyright 2008. All rights reserved. www.infor.com. Agenda 1. Einführung

Mehr

Projektmanagement iterativer Projekte

Projektmanagement iterativer Projekte Übersicht Motivation zum iterativen Vorgehen Anleitung zur U Ca getriebenen Vorgehenswei Praktische Tipps Zusammenfassung Projektmanagement iterativer Rainer Schmidberger Universität Stuttgart Institut

Mehr

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

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

Mehr

WISSEN SAMMELN HEADLINE. WISSEN NUTZEN.

WISSEN SAMMELN HEADLINE. WISSEN NUTZEN. Quelle: T-Systems WISSEN SAMMELN HEADLINE. WISSEN NUTZEN. AUF DIESEM CHART BILD FÜR DEN TITELHINTERGRUND EINFÜGEN WOB B2B VERTRIEBSUNTERSTÜTZUNG PRÄSENTIERT DEN AUFTRITT DURCH VERNETZTE FÜR DIE MESSE DATENANALYSEN.

Mehr