Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Größe: px
Ab Seite anzeigen:

Download "Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen"

Transkript

1 Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, Andreas Reuß Universität Ulm Sektion Aktuarwissenschaften Helmholtzstraße 22 D Ulm phone +49 (0) 731/ fax +49 (0) 731/

2 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 2

3 Data-Mining: Definition Data-Mining (Knowledge Discovery in Databases) ist der nichttriviale Prozess der datengetriebenen Analyse von Datenbeständen, um aus der unübersehbaren Fülle von Details gültige, bisher unbekannte, potenziell nützliche und verständliche Strukturen und Zusammenhänge (Muster) zu extrahieren. (in Anlehnung an Fayyad/Piatetsky-Shapiro/Uthurursamy (1996)) Diese sollen so aufbereitet, dargestellt und bewertet werden, dass sie in Form von Informationen eine wertvolle Basis für unternehmerische Entscheidungen darstellen und somit zur Generierung und Aufrechterhaltung von Wettbewerbsvorteilen eingesetzt werden können. (vgl. Nemati/Barko (2001)) März 06 3

4 Data-Mining: Fragestellungen Wissenschaftliche Fragestellungen im Umfeld von Data- Mining und KDD Wie kann sichergestellt werden, dass Data-Mining die gewünschte Wirkung im Unternehmen entfaltet? Wie kann also Data-Mining in die Geschäftsprozesse eingebettet werden? generisches Prozessmodell Welche Auswirkungen haben potenzielle Data-Mining-Ergebnisse auf das Unternehmen? Welche Geschäftsprozesse können also durch Data-Mining unterstützt werden? systematische Potenzialanalyse Jeweils mit Fokus Versicherungsunternehmen März 06 4

5 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 5

6 Prozessmodelle in der Literatur Wie kann Data-Mining in die Geschäftsprozesse eingebettet werden? 2 Klassen von Ansätzen: Prozessmodelle für Data-Mining (KDD) Standardmodell: CRISP-DM (vgl. Chapman et al. (2000)) Einbettung in die Geschäftsprozesse Ansatz: Virtuous Cycle of Data Mining (vgl. Berry/Linoff (1997)) Kritikpunkte: Schwerpunkt auf Datenanalyse, nicht auf Nutzung der Ergebnisse keine ausreichende Konkretisierung der einzelnen Phasen fehlende monetäre Bewertung März 06 6

7 Einbettung in die Geschäftsprozesse Kombination, Konkretisierung und Erweiterung der bisherigen Ansätze generisches Prozessmodell Zentrale Aspekte: Grundlegende Ausrichtung auf die Maßnahmen und nicht auf die Datenanalyse Modellierung als Kreislauf Durchgehende monetäre Kosten-Nutzen-Betrachtung zur Steuerung und Bewertung des Prozesses Konkretisierung der einzelnen Prozessschritte durch Spezifikation generischer Aufgaben Anpassungsfähigkeit des generischen Modells im Hinblick auf die praktische Anwendung in Versicherungsunternehmen März 06 7

8 Einbettung in die Geschäftsprozesse Generisches Kreislaufmodell 1. Spezifikation der Ziele und Rahmenbedingungen 2. Analyse der Datengrundlage 8. Messung und Bewertung der Ergebnisse 7. Implementierung der Maßnahmen 6. Ableitung geeigneter Maßnahmen 3. Vorverarbeitung der Daten 4. Analyse der Daten (Data Mining) 5. Evaluierung der Ergebnisse März 06 1

9 Einbettung in die Geschäftsprozesse Anpassung des generisches Kreislaufmodells an eine konkrete Fragestellung Beispiel: Bestandssicherung in der Unfallversicherung Maßnahme: Direktmarketingaktion mit Fokus auf stornogefährdeten Verträgen Data-Mining: Prognose der Stornowahrscheinlichkeit mit Hilfe von Entscheidungsbäumen Zentrale Komponente: Monetäre Kosten-Nutzen-Analyse Grundvoraussetzung: Vertrags- bzw. Kundenwertmodell Customer Lifetime Value Ansatz Adäquates Design der Direktmarketingmaßnahme Bewertung von Modellen und Maßnahmen März 06 9

10 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 10

11 Systematische Potenzialanalyse: Fragestellung Fragestellung: Welche Auswirkungen haben potenzielle Data-Mining-Ergebnisse auf das Unternehmen? Identifikation von Geschäftsprozessen, bei denen Verbesserungspotenzial durch den Einsatz von Data-Mining besteht. Bewertung des identifizierten Potenzials und Priorisierung der zu bearbeitenden Prozesse im Hinblick auf den Einfluss auf kritische Erfolgsfaktoren. Vorgehensmodell als Orientierungsrahmen für eine systematische Potenzialanalyse Bisher keine durchgängige Beschreibung eines allgemeinen Vorgehensmodells Bisher keine systematische Analyse von Versicherungsunternehmen März 06 11

12 Vorgehensmodell: 3 Schritte Allgemeines Vorgehensmodell für die Potenzialanalyse Definition einer globalen Geschäftsvision Erarbeitung eines Geschäftsprozessmodells Analyse aus Problemsicht Analyse aus Datensicht Bedeutung der Geschäftsprozesse Verbesserungspotenzial der Geschäftsprozesse Priorisierung der zu bearbeitenden Prozesse Initiierung Data-Mining-Kreislauf März 06 12

13 Potenzialanalyse bei VU: Schritt 1 Konkretisierung des Vorgehensmodells: Anwendung in VU Schritt 1: Analyse ist stets unternehmensabhängig Definition einer globalen Geschäftsvision Verknüpfung zwischen strategischem Management und Potenzialanalyse (vgl. Ehrler (1999), Krausz (2002), Oletzky (1998), Porter(1980), Seyboth (2000)) Erarbeitung eines Geschäftsprozessmodells Orientierung an Farny (2000), VAA (1999) Betrachtung der versicherungstechnischen Kernprozesse Produkt entwickeln Produkt vertreiben (Marketing/Vertrieb) Antrag bearbeiten (Underwriting/Policierung) Vertrag bearbeiten/bestände verwalten (inkl. Kundenbetreuung) Schaden/Leistung bearbeiten (inkl. Leistungsprüfung) Be- und Abrechnung durchführen (Inkasso/Exkasso) Grundlage für Analysen in Schritt 2 März 06 13

14 Potenzialanalyse bei VU: Schritt 2 - Datensicht Schritt 2: Analyse aus Datensicht Bei welchen Geschäftsprozessen fallen Daten an, die grundsätzlich für eine Analyse mit Data-Mining-Verfahren geeignet erscheinen? Ansatzpunkte: Datenintensität bisher durchgeführte Analysen der Daten Anwendung auf Versicherungsunternehmen Vielzahl möglicher Datenquellen Intern vs. Extern Zugriff? Probleme im Hinblick auf die Datenqualität Spartenübergreifende Kundensicht, Vollständigkeit/Aktualität/ Konsistenz, Historisierung Einschränkung des Potenzials März 06 14

15 Potenzialanalyse bei VU: Schritt 2 - Problemsicht Schritt 2: Analyse aus Problemsicht Bei welchen Geschäftsprozessen können zusätzliche, aus Daten generierte Informationen dazu beitragen, eine Verbesserung des Geschäftsprozesses zu erreichen? Ansatzpunkte: Zustand des Prozesses Vorstellungen über mögliche Einsatzgebiete mit signifikantem Verbesserungspotenzial Berücksichtigung von Best-Practice-Beispielen Anwendung auf Versicherungsunternehmen Kaum vollständig dokumentierte Beschreibungen in der Literatur Häufig fehlt eine Einordnung ins betriebliche Umfeld Einordnung der Literatur durch Zuordnung der Best-Practice-Beispiele zu den Kerngeschäftsprozessen März 06 15

16 Potenzialanalyse bei VU: Schritt 2 - Problemsicht Schritt 2: Analyse aus Problemsicht Geschäftsprozess Einsatzgebiet für Data-Mining Produkt entwickeln Ermittlung aussagekräftiger Risikofaktoren Analyse der Wettbewerbsfähigkeit eines Tarifs Produkt vertreiben Ermittlung abschlussaffiner Neukunden Bestimmung des Cross-Selling-Potenzials Antrag bearbeiten Automatisierte Risikoprüfung Bestand verwalten Stornoprophylaxe Kundenwertermittlung Schaden bearbeiten Überwachung der Bestandsentwicklung (Frühwarnsystem) Identifikation von Betrugsfällen Schätzung der Schadenhöhe und Schadenreservierung März 06 16

17 Vorgehensmodell: Ergebnis Ergebnis: dreidimensionale Bewertung II Potenzial aus Datensicht Bedeutung des Geschäftsprozesses III IV Potenzial aus Problemsicht März I

18 Agenda Grundlegende Aspekte des Data-Mining Generisches Kreislaufmodell Systematische Potenzialanalyse Fazit März 06 18

19 Fazit Gold mining is a process for sifting through lots of ore to find valuable nuggets. Data mining is a process for sifting through lots of data to find information useful for decision making. (Noonan (2000)) März 06 19

20 Ausgewählte Literatur Berry/Linoff (1997): Data mining techniques: for marketing, sales, and customer support. John Wiley, New York Berry/Linoff (2000) : Mastering data mining: the art and science of customer relationship management. John Wiley, New York Chapman et al. (2000): CRISP-DM Step-by-step data mining guide pdf [Stand: ] Farny (2000): Versicherungsbetriebslehre. Verlag Versicherungswirtschaft, Karlsruhe Fayyad/Piatetsky-Shapiro/Uthurursamy (1996): From data mining to knowledge disovery: an overview. in: Fayyad/Piatetsky-Shapiro/Smyth/Uthurusamy (Hrsg.): Advances in knowledge discovery and data mining, AAAI Press, Menlo Park, S Knobloch (2001): Der Data-Mining-Ansatz zur Analyse betriebswirtschaftlicher Daten. in: Informationssystem- Architekturen, 8. Jahrgang, Heft 1, S Knobloch (2004): A framework for organizational data analysis and organizational data mining. in: Nemati/Barko (Hrsg.): Organizational data mining: leveraging enterprise data resources for optimal performance, Idea Group Publishing, Hershey, S Küppers (1999): Data mining in der Praxis: ein Ansatz zur Nutzung der Potentiale von Data mining im betrieblichen Umfeld. Lang, Frankfurt/M Inmon/Terdeman/Imhoff (2000): Exploration warehousing: turning business information into business opportunity. John Wiley, New York Nemati/Barko (2001): Issues in Organizational Data Mining: A Survey of Current Practices. in: Journal of Data Warehousing, 6. Jahrgang, Heft 1, S Salzgeber (1996): Kunden- und Prozessorientierung in Versicherungsunternehmen. Verlag Versicherungswirtschaft, Karlsruhe VAA (1999): VAA - Fachliche Beschreibung, Version 2.1 Prozedural. [Stand: ] März 06 20

Andreas Reuß und Hans-Joachim Zwiesler Universität Ulm

Andreas Reuß und Hans-Joachim Zwiesler Universität Ulm Ein generisches Kreislaufmodell zur Einbettung von Data-Mining-Analysen in die Geschäftsprozesse von Unternehmen mit einem Fallbeispiel aus der Versicherung Andreas Reuß und Hans-Joachim Zwiesler Universität

Mehr

Stornoanalyse in einem Unfallversicherungsbestand

Stornoanalyse in einem Unfallversicherungsbestand Fellowship Stornoanalyse in einem Unfallversicherungsbestand Andreas Reuß Universität Ulm Sektion Aktuarwissenschaften 89069 Ulm reuss@mathematik.uni-ulm.de Hans-Joachim Zwiesler Universität Ulm Sektion

Mehr

Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data

Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Institut für Finanz- und Aktuarwissenschaften Lise-Meitner-Str. 14 89081 Ulm Oktober 2015 www.ifa-ulm.de Einführung Mit

Mehr

ifa Institut für Finanz- und Aktuarwissenschaften

ifa Institut für Finanz- und Aktuarwissenschaften Stornoprophylaxe in der Krankenversicherung Düsseldorf, 30.1.2008 Dr. Sandra Blome Helmholtzstraße 22 D-89081 Ulm phone +49 (0) 731/50-31230 fax +49 (0) 731/50-31239 email @-ulm.de Agenda Einführung Warum

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Customer Relationship Ana lyt ics

Customer Relationship Ana lyt ics Peter Necke1 Bernd Knobloch Customer Relationship Ana lyt ics Praktische Anwendung des Data Mining im CRM d p u n kt.ve r I ag 1 1.1 1.2 1.3 Customer Relationship Management. ein Bezugsrahmen Die Entwicklung

Mehr

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3 xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable

Mehr

Analytisches CRM in der Automobilindustrie

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

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

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

Praxisforum BPM und ERP. Integration BPM und ERP in der Praxis. Ein Reality Check!

Praxisforum BPM und ERP. Integration BPM und ERP in der Praxis. Ein Reality Check! Praxisforum BPM und ERP Integration BPM und ERP in der Praxis. Ein Reality Check! Prof. Dr. Ayelt Komus Prof. Dr. Andreas Gadatsch Koblenz, 29.11.2011 - Es gilt das gesprochene Wort - Fachhochschule Koblenz

Mehr

Potenziale von Mobilität Methodik zur Identifikation mobiler (Geschäfts-)Potenziale

Potenziale von Mobilität Methodik zur Identifikation mobiler (Geschäfts-)Potenziale Potenziale von Mobilität Methodik zur Identifikation mobiler (Geschäfts-)Potenziale Dr. Ralf Carbon, Steffen Hess April 5, 2013 Fraunhofer IESE Research Area GoMobile Develop and spread Software Engineering

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

Generierung von Serviceverträgen auf Basis objektorientierter ereignisgesteuerter Prozessketten

Generierung von Serviceverträgen auf Basis objektorientierter ereignisgesteuerter Prozessketten Generierung von Serviceverträgen auf Basis objektorientierter ereignisgesteuerter Prozessketten Jörg Hartmann Universität Leipzig jhartmann@informatik.uni-leipzig.de 25.09.2012 Jörg Hartmann, SKIL 2012,

Mehr

FHH meets economy. Tobias Klug Dipl.-Wirt.-Inf. (FH), Alumnus FH Hannover. Hannover, 21. Januar 2010. 21. Januar 2010 bit GmbH

FHH meets economy. Tobias Klug Dipl.-Wirt.-Inf. (FH), Alumnus FH Hannover. Hannover, 21. Januar 2010. 21. Januar 2010 bit GmbH FHH meets economy BI Projektmanagement bei QlikView Projekten Tobias Klug Dipl.-Wirt.-Inf. (FH), Alumnus FH Hannover Hannover, 21. Januar 2010 21. Januar 2010 Agenda Über die bit GmbH Über QlikTech und

Mehr

Customer Intelligence. Die 360 - Sicht auf den Kunden

Customer Intelligence. Die 360 - Sicht auf den Kunden Customer Intelligence Die 360 - Sicht auf den Kunden Customer Intelligence unterstützt Versicherungen bei der Steuerung ihres Kundenportfolios. Der Wettbewerb um die Versicherungskunden wird härter und

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben

Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben Geo-Analyse-Paket Mit CRM & Geomarketing Vertriebspotenziale heben Erfahren Sie, wie Sie durch Verknüpfung von CRM und Geomarketing zusätzliche Vertriebspotenziale heben und Marketingmaßnahmen optimieren

Mehr

Werkstatt-Reihe»Kundenwertmanagement«

Werkstatt-Reihe»Kundenwertmanagement« Projektvorstellung Werkstatt-Reihe»Kundenwertmanagement«Wedekind, Kai In Zusammenarbeit mit Projektmanager Versicherungsforen Leipzig GmbH 1 Die Idee Kundenwertmodelle werden in der Versicherungspraxis

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

Forschergruppe Social Media, Mobile Business und Datenqualität

Forschergruppe Social Media, Mobile Business und Datenqualität Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Forschergruppe Social Media, Mobile Business und Datenqualität Prof. Dr. Bernd Heinrich Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 348 Konzeption eines Projektvorgehensmodells für die Business-Intelligence-Strategieberatung

Mehr

IIBA Austria Chapter Meeting

IIBA Austria Chapter Meeting covalgo consulting GmbH IIBA Austria Chapter Meeting ITIL und Business Analyse 20. März 2012 Dr. Gerd Nanz 1040 Wien, Operngasse 17-21 Agenda Ein Praxisbeispiel Was ist Business Analyse? Was ist ein Service

Mehr

Inhaltsverzeichnis. 2014 W. Kohlhammer, Stuttgart

Inhaltsverzeichnis. 2014 W. Kohlhammer, Stuttgart Geleitwort... V Wissenschaftliches Geleitwort... VII Vorwort des Herausgebers... X Abbildungsverzeichnis... XIX 1 Einleitung... 1 2 Aktuelle Herausforderungen in der Versicherungsbranche... 5 2.1 Überblick...

Mehr

Ihr Logo. Willkommen zur Schulung. Kundenorientierung. 2014 WEKA MEDIA GmbH & Co. KG. Folie 0/01

Ihr Logo. Willkommen zur Schulung. Kundenorientierung. 2014 WEKA MEDIA GmbH & Co. KG. Folie 0/01 Willkommen zur Schulung Kundenorientierung 0/01 Einführung Was ist Kundenorientierung? Kundenorientierung ist die umfassende, kontinuierliche Ermittlung und Analyse der Kundenerwartungen sowie deren interne

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

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen VIADEE CRM VIEL MEHR ALS EIN STÜCK SOFTWARE Eine Vielzahl von unterschiedlichen

Mehr

Firmenpräsentation. Wollerau, 28. Oktober 2008

Firmenpräsentation. Wollerau, 28. Oktober 2008 Firmenpräsentation Wollerau, 28. Oktober 2008 ACIM das Unternehmen ACIM ist eine unabhängige und international tätige Beratung für CRM- (Customer Relationship Management), CIM- (Customer Interaction Management)

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

A Platform for Complex Event Processing

A Platform for Complex Event Processing A Platform for Complex Event Processing Einführung Business Process Technology Prof. Dr. Mathias Weske Matthias Kunze Nico Herzberg Business Process Technology Seit 2001 Untersuchung realer Probleme des

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38 Inhaltsverzeichnis 1 Einleitung 1 1.1 Problemstellung 1 1.2 Gang der Untersuchung 5 2 Kundenorientiertes Management und Controlling - Der Kunde im Fokus betriebswirtschaftlicher Konzepte 9 2.1 Bedeutung

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

BI - Der strategische Erfolgsfaktor im Unternehmen

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

Mehr

Eignung von Tag Clouds zur Exploration und Navigation nutzergenerierter Inhalte

Eignung von Tag Clouds zur Exploration und Navigation nutzergenerierter Inhalte Eignung von Tag Clouds zur Exploration und Navigation nutzergenerierter Inhalte Bachelorarbeit Institut für Informatik der Technischen Universität München 4. Juli 2011 Agenda 1 Einführung: Tag Cloud 2

Mehr

Seminarthemen WS 2012/2013

Seminarthemen WS 2012/2013 Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Seminarthemen WS 2012/2013 Prof. Dr. Mathias Klier Fakultät für Wirtschaftswissenschaften Projektseminar: Thema 1 Social Media entlang der

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Integration mit Service Repositories zur SOA Governance

Integration mit Service Repositories zur SOA Governance Integration mit Service Repositories zur SOA Governance Nürnberg, 10.11.2009 I N H A L T 1. SOA Governance 2. Service Repository 3. Modelle und Service Repository 4. Modell-Driven SOA I N H A L T 1. SOA

Mehr

SOA im Zeitalter von Industrie 4.0

SOA im Zeitalter von Industrie 4.0 Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING

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

Sonstiges Wahlfach Wirtschaftsinformatik

Sonstiges Wahlfach Wirtschaftsinformatik Sonstiges Wahlfach Wirtschaftsinformatik Anhang Nr. 48: Wirtschaftsinformatik Das Fach ist bestanden, wenn 24 Leistungspunkte erworben wurden. Veranstaltungsform SWS Turnus Leistungspunkte Prüfungsform

Mehr

Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung

Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung Thomas Hubert Reimer Kalkulation verursachungsgerechter Standard- Risikokosten zur risikoadjustierten Bepreisung der privaten Unfallversicherung Analyse der Eignung barwertiger Verfahren aus dem Retailkreditgeschäft

Mehr

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company Wolfgang Martin (Hrsg.) Data Warehousing Data Mining - OLAP Technische Universität Darmsiadt Fachbereich 1 Betriebswirtschaftliche Bibliothek Inventar-Nr.: Abstell-Nr.: s. An International Thomson Publishing

Mehr

AGM Project & Education GmbH

AGM Project & Education GmbH AGM Project & Education GmbH Leipzig Datenschutzkonferenz dtb Kassel November 2011 20.11.2011 Detlev.Sachse@agm-onside.com 1 Zur Person 20.11.2011 Detlev.Sachse@agm-onside.com 2 Thema Data-Mining am Beispiel

Mehr

Wachstumsförderung mit CRM

Wachstumsförderung mit CRM Wachstumsförderung mit CRM Computerwoche CRM Initiative Feb. 2007 Dr. Wolfgang Martin Analyst, Mitglied im CRM-Expertenrat und Research Advisor am Institut für Business Intelligence Wachstumsförderung

Mehr

IT-Strategien, Systemauswahl, Prozessoptimierung / Enterprise Resource Planning ERP. SAP Solution Manager

IT-Strategien, Systemauswahl, Prozessoptimierung / Enterprise Resource Planning ERP. SAP Solution Manager SAP Solution Manager 1 SAP Solution Manager Funktionen Gesamt Implementation Content Roadmaps Testen Customizing Projektmanagement Service Delivery Platform Tool Inhalte Portal to SAP Landscape Reporting

Mehr

INFOGEM AG Informatiker Gemeinschaft für Unternehmensberatung. Robust und Agil gegeneinander oder miteinander?

INFOGEM AG Informatiker Gemeinschaft für Unternehmensberatung. Robust und Agil gegeneinander oder miteinander? INFOGEM AG Informatiker Gemeinschaft für Unternehmensberatung Rütistrasse 9, Postfach 5401 Baden, Switzerland Phone: +41 56 222 65 32 Internet: www.infogem.ch Robust und Agil gegeneinander oder miteinander?

Mehr

Vorwort zur neunten Auflage...

Vorwort zur neunten Auflage... Inhaltsverzeichnis Vorwort zur neunten Auflage... V Teil A: Grundlagen des Qualitätsmanagements für Dienstleistungen... 7 1 Bedeutung des Qualitätsmanagements für Dienstleistungsunternehmen..... 9 1.1

Mehr

Auswirkung von Geschäftsprozessmodellierung auf den Erfolg von ERP-Migrationsprojekten

Auswirkung von Geschäftsprozessmodellierung auf den Erfolg von ERP-Migrationsprojekten Auswirkung von Geschäftsprozessmodellierung auf den Erfolg von ERP-Migrationsprojekten Vortrag im Rahmen des Doktorandenseminars, St. Andreasberg 08.03.- 09.03.2010 Dipl.-Ök. Lüba Lechtchinskaia lechtchinskaia@iwi.uni-hannover.de

Mehr

Project Management Office (PMO)

Project Management Office (PMO) Project Management Office (PMO) Modeerscheinung oder organisatorische Chance? Stefan Hagen startup euregio Management GmbH, Januar 2007 Einleitung Dem professionellen Management von Projekten und Programmen

Mehr

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren

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

Integration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage.

Integration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage. Integration mit Die Integration der AristaFlow Business Process Management Suite (BPM) mit dem Enterprise Information Management System FILERO (EIMS) bildet die optimale Basis für flexible Optimierung

Mehr

Referent: Alessandro Arrigo AAM1. Professor: Prof. Dr. Heindl. Furtwangen, 2.7.2009

Referent: Alessandro Arrigo AAM1. Professor: Prof. Dr. Heindl. Furtwangen, 2.7.2009 - Entwicklungsprozess - Referent: Alessandro Arrigo AAM1 Professor: Prof. Dr. Heindl Furtwangen, 2.7.2009 Agenda 1. Vorstellung des Autors 2. Das Buch 3. Inhalt des Kapitels 4. Verwendung in anderer Literatur

Mehr

Analyse des Daten- und Informationsflusses der Wareneingangsprozesse und Ableitung von Verbesserungspotenzialen unter WPS Gesichtspunkten

Analyse des Daten- und Informationsflusses der Wareneingangsprozesse und Ableitung von Verbesserungspotenzialen unter WPS Gesichtspunkten Analyse des Daten- und Informationsflusses der Wareneingangsprozesse und Ableitung von Verbesserungspotenzialen unter WPS Gesichtspunkten Projektdefinition Titel Gradl der Präsentation Franziska evtl.

Mehr

Prozesscontrolling vs. Prozesskostenrechnung Unterschiede im Aufbau und Realisierung

Prozesscontrolling vs. Prozesskostenrechnung Unterschiede im Aufbau und Realisierung Prozesscontrolling vs. Prozesskostenrechnung Unterschiede im Aufbau und Realisierung Oktober 2013 www.q-perior.com Agenda 1. Prozesscontrolling 2. Prozesskostenrechnung 3. Berichtsdimensionen www.q-perior.com

Mehr

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte

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

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

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

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive

Mehr

Data Mining in SAP NetWeaver BI

Data Mining in SAP NetWeaver BI Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4

Mehr

Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr.

Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr. v Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr. Gerhard Satzger Agenda 1. Wie sieht die erfolgreiche Finanzfunktion von morgen aus?

Mehr

ISO & IKS Gemeinsamkeiten. SAQ Swiss Association for Quality. Martin Andenmatten

ISO & IKS Gemeinsamkeiten. SAQ Swiss Association for Quality. Martin Andenmatten ISO & IKS Gemeinsamkeiten SAQ Swiss Association for Quality Martin Andenmatten 13. Inhaltsübersicht IT als strategischer Produktionsfaktor Was ist IT Service Management ISO 20000 im Überblick ISO 27001

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Prozessorientierte Applikationsund Datenintegration mit SOA

Prozessorientierte Applikationsund Datenintegration mit SOA Prozessorientierte Applikationsund Datenintegration mit SOA Forum Business Integration 2008, Wiesbaden Dr. Wolfgang Martin unabhängiger Analyst und ibond Partner Business Integration 1998 2008 Agenda Business

Mehr

Planung und Performance Management Basis für Steuerungs- und Kontrollaktivitäten in Unternehmen

Planung und Performance Management Basis für Steuerungs- und Kontrollaktivitäten in Unternehmen Planung und Performance Management Basis für Steuerungs- und Kontrollaktivitäten in Unternehmen CeBIT, 19. März 2015 Dr. Christian Fuchs Head of Research Business Intelligence & Data Management Senior

Mehr

Big Data aus Sicht eines globalen Unternehmens

Big Data aus Sicht eines globalen Unternehmens Big Data aus Sicht eines globalen Unternehmens Impulsbeitrag FES/ver.di Expertengespräch Prof. Dr. Gerhard Satzger, Director IBM Business Performance Services Berlin, 25.6.2014 IBM ein traditionsreiches,

Mehr

Mobile Viral Marketing Vervielfachen Sie den Erfolg Ihrer Kampagnen: mit besseren Botschaften durch intelligente Datenanalyse

Mobile Viral Marketing Vervielfachen Sie den Erfolg Ihrer Kampagnen: mit besseren Botschaften durch intelligente Datenanalyse Tell a friend Mobile Viral Marketing Vervielfachen Sie den Erfolg Ihrer Kampagnen: mit besseren Botschaften durch intelligente Datenanalyse Dr. Dietmar G. Wiedemann Andreas Krisor Proventa AG Untermainkai

Mehr

ITIL V3 2011 Was ist neu. Dr. Helmut Steigele

ITIL V3 2011 Was ist neu. Dr. Helmut Steigele ITIL V3 2011 Was ist neu Dr. Helmut Steigele Es ist eine Neu-Auflage Es ist ein Refresh Nicht 4.0; nicht 3.1; aber 2011 Seit 29. Juli 2011 Eingeführt per Ende August Das betrifft auch die Pocket Guides

Mehr

Beitragsanpassung als Allheimittel in der privaten Krankenversicherung oder doch Asset-Liability-Management?

Beitragsanpassung als Allheimittel in der privaten Krankenversicherung oder doch Asset-Liability-Management? Beitragsanpassung als Allheimittel in der privaten Krankenversicherung oder doch Asset-Liability-Management? Jahrestagung des Deutschen Vereins für Versicherungswissenschaft Forum für junge Wissenschaftler

Mehr

Sanierungserfolg im ersten Jahr

Sanierungserfolg im ersten Jahr Sanierungserfolg im ersten Jahr Wirtschaftlichkeit durch datenzentrierte Steuerung 14. Juni 2012 Zuweisermanagement Klicken Sie, um das Titelformat zu bearbeiten Im Hinblick auf steigenden Wettbewerbsdruck

Mehr

Realisierung einer transdisziplinären Erhebung von Daten und Kennzahlen zur Analyse und Steuerung eines Banken-IT-Dienstleisters

Realisierung einer transdisziplinären Erhebung von Daten und Kennzahlen zur Analyse und Steuerung eines Banken-IT-Dienstleisters Realisierung einer transdisziplinären Erhebung von Daten und Kennzahlen zur Analyse und Steuerung eines Banken-IT-Dienstleisters MKWI 2006, IT-Beratung - Aufgaben und Herausforderungen 21.02.2006 Stefan

Mehr

Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute,

Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute, Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute, Chatsworth, 2006, S. 11. Schieder: Datenqualitätsmanagement

Mehr

KECK-Atlas der Bertelsmann Stiftung. Dr.-Ing. Ralf Stüber Auf dem Seidenberg 3a D 53721 Siegburg

KECK-Atlas der Bertelsmann Stiftung. Dr.-Ing. Ralf Stüber Auf dem Seidenberg 3a D 53721 Siegburg KECK-Atlas der Dr.-Ing. Ralf Stüber Auf dem Seidenberg 3a D 53721 Siegburg CPA ReDev GmbH 2013 Inhalt Ziele des Programms Ausgangssituation Projektansatz Projektablauf Architektur Implementierung Arbeitsablauf

Mehr

Produktivitätsmessung von Immobilien-Services unter Einsatz einer CAFM Web-Applikation. Vanessa Lellek (M.Sc.) Michael Kürschner (MRICS M.Sc.

Produktivitätsmessung von Immobilien-Services unter Einsatz einer CAFM Web-Applikation. Vanessa Lellek (M.Sc.) Michael Kürschner (MRICS M.Sc. Produktivitätsmessung von Immobilien-Services unter Einsatz einer CAFM Web-Applikation Vanessa Lellek (M.Sc.) Michael Kürschner (MRICS M.Sc.) 1 Agenda A Aktueller Forschungsstand B Produktivitätsmessung

Mehr

Systemen. Stand der Umsetzung von BSC-Systemen. 3/4 der Unternehmen setzen Balanced Scorecard als neues Instrument der Unternehmensführung ein.

Systemen. Stand der Umsetzung von BSC-Systemen. 3/4 der Unternehmen setzen Balanced Scorecard als neues Instrument der Unternehmensführung ein. Stand der Umsetzung von BSC-Systemen Systemen BSC eingeführt keine Überarbeitung 11% kein Interesse 26% BSC eingeführt Überarbeitung geplant 5% BSC geplant 58% n = 141 3/4 der Unternehmen setzen Balanced

Mehr

Geschäftsprozessimplementierung mit BPMN, ADF und WebCenter

Geschäftsprozessimplementierung mit BPMN, ADF und WebCenter Geschäftsprozessimplementierung mit BPMN, ADF und WebCenter Johannes Michler PROMATIS software GmbH Ettlingen Schlüsselworte Geschäftsprozess, Horus, SOA, BPMN, ADF, WebCenter Einleitung Die Umsetzung

Mehr

IT-Sourcing-Check. InnovationTrust Consulting GmbH

IT-Sourcing-Check. InnovationTrust Consulting GmbH IT-Sourcing-Check Vorgehensmodell InnovationTrust Consulting GmbH Inhalt 1. Ausgangssituation / Zielsetzung 2. Grundlagen / Rahmenbedingungen 3. Vorgehensmodell IT-Sourcing-Check, Vorgehensmodell; 2 Permanente

Mehr

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor Hochschule Harz Wernigerode Fachbereich Wirtschaftswissenschaften Studiengang Wirtschaftsinformatik Diplomarbeit gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung

Mehr

Microsoft Digital Pharma. Die nächste Generation von Innovationen für Chemie und Pharma. BearingPoint

Microsoft Digital Pharma. Die nächste Generation von Innovationen für Chemie und Pharma. BearingPoint Microsoft Digital Pharma Die nächste Generation von Innovationen für Chemie und Pharma BearingPoint Zusammenfassung des Themas / Lösungsbeschreibung Branchenstrukturierte Strategie-, Prozess- und Transformationslösungen

Mehr

Gruppenentscheidungsprozesse im Requirements Engineering

Gruppenentscheidungsprozesse im Requirements Engineering 11. Requirements Engineering Tagung 2012 Gruppenentscheidungsprozesse im Requirements Engineering Alexander Felfernig 1 und Leopold Weninger 2 1 Technische Universität Graz, Österreich 2 wsop GmbH, Österreich

Mehr

wagner management consulting

wagner management consulting Customer Relationship Management Unser Verständnis Customer Relationship Management sind alle Interaktionen entlang der gesamten Kommunikation mit internen und externen Kunden. Effektive Prozesse unterstützt

Mehr

Benefits Management von E-Government- Projekten Nutzenpotentiale identifizieren und realisieren

Benefits Management von E-Government- Projekten Nutzenpotentiale identifizieren und realisieren Benefits Management von E-Government- Projekten Nutzenpotentiale identifizieren und realisieren ISPRAT Wissenschaftstag 9. Juli 2013 Dr. Petra Wolf Agenda Ausgangssituation Lösungsansatz und erwartete

Mehr

Das generierte Data Warehouse

Das generierte Data Warehouse Das generierte Data Warehouse DOAG BI Konferenz 2012 Gregor Zeiler BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN STUTTGART WIEN 1 Erwartungshaltungen und Hoffnungen

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

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Dr. Thomas Bernard 6. Karlsruher Automations-Treff (KAT) Leit- und Automatisierungstechnik der Zukunft Karlsruhe,

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Chancen und Risiken. The risk of good things not happening can be just as great as that of bad things happening."

Chancen und Risiken. The risk of good things not happening can be just as great as that of bad things happening. Sicherheit Absolute Sicherheit in der Datenverarbeitung gibt es nicht; K+P kann die Sicherheit jedoch durch geeignete Maßnahmen entscheidend verbessern! Chancen und Risiken The risk of good things not

Mehr

Inhaltsverzeichnis XIII

Inhaltsverzeichnis XIII Inhaltsverzeichnis Teil I Grundlagen und Einführung in das Dienstleistungsmanagement (Kap. 1 3) 1 Grundlagen und Besonderheiten von Dienstleistungen............. 3 1.1 Bedeutung von Dienstleistungen............................

Mehr

Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0

Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0 Vivian Pindur Entstehung und Generierung von Kundenwertpotenzialen im Web 2.0 Eine analytische Betrachtung unter Berücksichtigung des Social Media Monitoring Verlag Dr. Kovac Hamburg 2013 Inhaltsverzeichnis

Mehr

Management von Clustern - zwischen Steuerung und Selbstorganisation

Management von Clustern - zwischen Steuerung und Selbstorganisation 4. MST-Regionalkonferenz NRW Workshop 4 Nationale und internationale Cluster / Netzwerke Management von Clustern - zwischen Steuerung und Selbstorganisation Michael Astor Prognos AG Berlin, 19.10.2007

Mehr

Qualitätsmanagement für Dienstleistungen

Qualitätsmanagement für Dienstleistungen Qualitätsmanagement für Dienstleistungen Grundlagen, Konzepte, Methoden von Manfred Bruhn erweitert, überarbeitet Qualitätsmanagement für Dienstleistungen Bruhn schnell und portofrei erhältlich bei beck-shop.de

Mehr

CRM und Mittelstand Passt das zusammen?

CRM und Mittelstand Passt das zusammen? CRM und Mittelstand Passt das zusammen? Erfahrungen bei Dipl.-Wirt.-Ing. Nils Frohloff AGENDA Die Firma MIT Moderne Industrietechnik GmbH Ausgangssituation im Mittelstand Was bedeutet CRM? Anforderungen

Mehr

Microsoft Dynamics Mobile Solutions

Microsoft Dynamics Mobile Solutions Microsoft Dynamics Mobile Solutions ERP und CRM jederzeit und überall Michael Meyer Technologieberater Dynamics AX Microsoft Deutschland GmbH Was ist Microsoft Dynamics? Supply Chain Management Finance

Mehr

Technologien. live in der Entsorgungsbranche. Thomas Karle Division Manager Business Applications PROMATIS software GmbH. Münster 13.

Technologien. live in der Entsorgungsbranche. Thomas Karle Division Manager Business Applications PROMATIS software GmbH. Münster 13. DOAG Hochschul-Regionaltreffen h lt Oracle Applikationen und Technologien Münster 13. Juli 2009 live in der Entsorgungsbranche Thomas Karle Division Manager Business Applications PROMATIS software GmbH

Mehr

Ein lernendes System zurverbesserung der Datenqualität und Datenqualitätsmessung

Ein lernendes System zurverbesserung der Datenqualität und Datenqualitätsmessung Ein lernendes System zurverbesserung der Datenqualität und Datenqualitätsmessung Jens Lüssem, Peter Tasev, Maren Tiedemann-Muhlack 2 Institut für Informatik III 2 Middle Office Universität Bonn HSH Nordbank

Mehr

Computer Assisted Audit Techniques and Tools in der Wirtschaftsprüfung. Bachelorarbeit

Computer Assisted Audit Techniques and Tools in der Wirtschaftsprüfung. Bachelorarbeit Computer Assisted Audit Techniques and Tools in der Wirtschaftsprüfung Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

Mehr