Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den

Größe: px
Ab Seite anzeigen:

Download "Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03"

Transkript

1 Text Mining und CRM Hans Hermann Weber Univ. Erlangen IMMD 8, den

2 Was ist Textmining Unstrukturierte Daten (Text) anreichern mit Strukturinformation: Metadaten hinzufügen Struktur (Segmentinformation) hinzufügen Exzerpte erzeugen Gegensatz zu Datamining Statistische Verfahren auf hochstrukturierten Daten Page 2, Text Mining & CRM

3 Inhalt Methodeneinführung (6) Verschlagwortung Klassifikation Gruppierung (Clustering) Architektur von Text Mining Systemen (2) CRM und Text Mining im Kreuz Anwendungsszenarien Schlusswort Page 3, Text Mining & CRM

4 Grundverfahren Verschlagworten Zuordnen von Suchbegriffen oder Gruppenoberbegriffen CMS, Text Retrieval, Suchmaschinen, Inhaltsverzeichnisse Gruppieren Dokumente in Gruppen von ähnlichen einteilen. Wissensmanagement, Semantic Web Klassifizieren Einsortieren von Dokumenten in eine von N bekannten Klassen Spam, E-Commerce, Bibliotheken, Office-Kommunikation, CRM Alle komplexen Vorgehen im Textmining werden aus den drei oben zusammengesetzt. Page 4, Text Mining & CRM

5 E rzeugen von Inhaltsverzeichnissen Formal: Zwei Dokumente hintereinander sind wieder ein neues Dokument Aufbau einer Hierarchie mit Wörtern als Knotennamen: Wiederholtes Clustering auf immer weniger Clustern. In jedem Schritt werden die Dokumente in einem Cluster zu einem Dokument verknüpft. Danach neue Dokumente durch wiederholtes Klassifizieren top down in die Hierarchie einfügen. Die Verfahren sind beliebig mit Ontologien und Thesauri erweiterbar. Im Prinzip jedoch unüberwacht durchführbar. Page 5, Text Mining & CRM

6 Stochastische Modelle Alle TM Verfahren funktionieren mithilfe von Modellen Modelle werden aufgrund von relativen Häufigkeiten aus Beispieltexten ermittelt. T rainigsdaten = Beispieltexte Modell: Relative Häufigkeiten von Wörtern und Wortfolgen und daraus abgeleiteten Wörterklassen Für das Modell sind entscheidend Die Komplexität der gespeicherten Einheiten Die Trainingsdaten Page 6, Text Mining & CRM

7 Verschlagwortung von Dokumenten Klasse Alle Alle Dokumente Allgemeines Modell P(V alle) Testwort V Klasse Dok Genau ein Dok Modell für Dok P(V Dok) Falls P(V alle) P(V Dok), dann ist V ein Stopwort Falls P(V alle) << P(V Dok), dann ist V ein Schlagwort Page 7, Text Mining & CRM

8 Klassifikation von Dokumenten Klasse 1 Dok-menge 1 Pi Pa Po Modell 1 Klasse 2 Dok-menge 2 Modell 2 P1(Pi Pa Po Klasse 1) Maximum? P2(Pi Pa Po Klasse 2) Gesucht wird: Klasse_i, bei Max[ P(Klasse_i W1..Wn) ] Entspricht nach Bayes Klasse_i, bei Max[ P(W1..Wn Klasse_i) * P(Klasse_i) ] Page 8, Text Mining & CRM

9 Gruppierung (Clustering) von Dokumenten G1 Dok1 Dok2 Dok1 Dok2 Gruppierung 1: M1 aus G1 M2 aus G2 G2 Dok3 G3 Dok3 G4 Gruppierung 2: M3 aus G3 M4 aus G4 geschätzt geschätzt P(alle Gr1) = P(Dok1 M1) * P(Dok2 M1) * P(Dok3 M2) P(alle Gr2) = P(Dok1 M3) * P(Dok2 M4) * P(Dok3 M4) Falls P1 > P2, dann ist Gruppierung 1 bes ser als Gruppierung 2 Page 9, Text Mining & CRM

10 Methodenresumee 1 Bei komplexeren Modellen bleiben die Grundverfahren gleich aber es werden nicht nur Einzelwörter verwendet Alle Arten der Vorverarbeitung und Wissensanreicherung durch Regeln und Expertenwissen sind aus der Sicht der Stochastik Parameterreduktionen Durch Kombination der Grundtechniken können auch komplexe Informationsdarstellungen und Extrakte über sehr großen Dokumentenmengen vollautomatische erreicht werden.. Page 10, Text Mining & CRM

11 Methodenresumee 2 Komplexere Kombinationen sind derzeit noch nicht unüberwacht anwendbar. Einfache Verfahren sind in der Praxis gut unüberwacht einsetzbar. Alle Verfahren setzen die Verfügbarkeit von Massendaten bzw. T rainingsdaten voraus Page 11, Text Mining & CRM

12 Architektur von Text Mining SW 1 Linguistische Vorverarbeitung (Cleansing, Normalisation, diverses) Hier sind die wesentlichen Produktunterschiede... Standards:Verschlagwortung/ Klassifikation / Gruppierung Immer besser standardisiert. Am einfachsten stochastisch + Ontologie -> Höhere Strukturimplikation zusammengesetzt aus den Basismethoden: Semantik Web / Query Preprocessing Anbindung an die Anwendungen Page 12, Text Mining & CRM

13 CRM und Text Mining Beziehungen Text Mining Automatisierung für - Analyse - Allg. Kampagnenmanagement - Call Center Unterstützung -... u.ä. - Ausweitung von standardisierter DM Technik auf unstrukturierte Daten Analytisches CRM Operatives CRM Totale Integration von OCRM und ACRM Laufende Echtzeit DM Strategisches Marketing / MIS - Assistenzsysteme - Spezielle DM Methoden Page 13, Text Mining & CRM Data Mining

14 Architektur von Text Mining SW 2 E s gibt 3 + X spezialisierte SW Hersteller in Deutschland Die SW ist nicht fertig. TM ist immer ein komplexes Projekt. Die internen Methoden werden nicht offengelegt (sind vermutlich identisch) Unterschiede in der Unterstützung des Mining aufgrund von vorhandenen Stemmern / Wörterbüchern / Ontologien /...sonstigem a priori Wissen Schlechte Integration mit CRM Tools (Siebel, SAP, u.a.) Schlechte Integration mit Wissensmanagement SW / Methoden. Page 14, Text Mining & CRM

15 Anwendungen mit Standardsoftware Standardisierte Hauptanwendung sind die standardisierte klassifikation und Verarbeitung Das Dokumenten-Retrieval (DMS als Wissensmanagement) Für feste Prozesse geeignet, wenn Dialoge mit Kunden standardisiert sind und die beteiligten Klassen grob sind. Grosse Dokumentenmengen auf einen Schlag gruppiert und nachgepflegt werden müssen. Kein Projekt ohne Customizing / Beratung möglich. Page 15, Text Mining & CRM

16 Explorative Anwendungen im CRM Zielgruppen explorieren menge automatisch gruppieren Durch Experten die ermittelten Gruppen analysieren Binäre Zielgruppenunterscheidungen testen Mit Klassifikation testen, ob Zielgruppen in s aufgrund von Wortlaut unterscheidbar sind. Monitoring von Gruppen in der Kommunikation Mit Klassifikatoren alle s einteilen. Zyklisch die Veränderung der Klassen testen. Page 16, Text Mining & CRM

17 Anwendungen im CRM One-to-One Marketing Response Management Autom. Zuordnung zu weiteren Bearbeitungsprozessen Autom. Antwortgenerierung Zielgruppenbestimmung / exploratives TM Diverse Op. Bereiche Servicebereiche / Reklamationen Call Center SW..... Diskussion... Page 17, Text Mining & CRM

18 Resumee Text Mining ist im CRM angekommen TM Software ist immer besser standardisiert / Response Anwendung steht im Vordergrund Exploratives Text Mining ist reine Beratertätigkeit Page 18, Text Mining & CRM

19 Modelle und Wahrscheinlichkeit von Dokumenten 1: Aus Dokumenten Modelle für Wörter und Wortfolgen schätzen. Prinzip der maximalen Wahrscheinlichkeit Bei einfachen Modellen: Relative Häufigkeiten P(DOK) wird definiert über die Wörter von DOK P(DOK) = P(W1) * P(W2) *... P(Wn) Für ein Dokument können wir ein typisches Modell schätzen DOK1 = Pi Pa Pi M(DOK1) = {P(Pi) = 2/3, P(Pa) = 1/3} DOK2 = Pa Pi Pa, M(DOK2) = {P(Pi) = 1/3, P(Pa) = 2/3} Die Wahl der Daten bestimmt die Natur des Modells M2 = M(DOK1 + DOK2) = {P(Pi) = 1/2, P(Pa) = 1/2} Page 19, Text Mining & CRM

20 Modelle und Wahrscheinlichkeit von Dokumenten 2 Die Bewertung von Dokumenten erfolgt geglättet PG(W) = 0,9 * P(G), falls W bekannt ist. 0,1 * 1/Wörter falls W neu ist. Geglättete Modelle generalisieren auf neue Daten: DOK3 = Pi Po {P(Pi) = 1/2, P(Pa) = 1/2} PG(DOK3) = PG(Pi) * PG(Po) = 0,45 * 0,05 = 0,025 DOK4 = Pi Pa {P(Pi) = 1/2, P(Pa) = 1/2} PG(DOK4) = PG(Pi) * PG(Pa) = 0,45 * 0,45 = 0,2025 Page 20, Text Mining & CRM

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

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

360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A.

360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A. 360 Spend Analyse, Basis für souveränes Handeln im Einkauf Andreas Held, Country Manager Creactives S.p.A. 2013 CREACTIVES 1 Ein italienisches Unternehmen 2013 CREACTIVES 2 Große multinationale Unternehmen,

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

Qualitative Aspekte Enterprise Search Volltextsuche & Text Mining. Franz Kögl Vorstand IntraFind Software AG

Qualitative Aspekte Enterprise Search Volltextsuche & Text Mining. Franz Kögl Vorstand IntraFind Software AG Qualitative Aspekte Enterprise Search Volltextsuche & Text Mining Franz Kögl Vorstand IntraFind Software AG Vorstellung IntraFind AG Qualitative Sucherweiterung: Search+ Wildcardsuche Einbindung von Synonymen

Mehr

Rainer Klapper QS solutions GmbH

Rainer Klapper QS solutions GmbH Rainer Klapper QS solutions GmbH Der Handlungsbedarf Die CRM-Welt ist umgeben von Social Media Foren Communities Netzwerke CRM Blogs Fehlende Prozessintegration wird zunehmend zum Problem Wir bauen Brücken

Mehr

Data Mining und Text Mining Einführung. S2 Einfache Regellerner

Data Mining und Text Mining Einführung. S2 Einfache Regellerner Data Mining und Text Mining Einführung S2 Einfache Regellerner Hans Hermann Weber Univ. Erlangen, Informatik 8 Wintersemester 2003 hans.hermann.weber@gmx.de Inhalt Einiges über Regeln und Bäume R1 ein

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Business Intelligence mit MS SharePoint Server

Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server Business Intelligence mit MS SharePoint Server erleichtert es den Entscheidungsträgern, auf Informationen jederzeit

Mehr

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Business Analytics verbessert die Wertschöpfungskette

Business Analytics verbessert die Wertschöpfungskette Pressemitteilung Hamburg, 05. September 2013 Business Analytics verbessert die Wertschöpfungskette accantec zeigt auf dem SAS Forum in Mannheim vom 11.- 12.09.2013, wie Unternehmen mit SAS Visual Analytics

Mehr

Erfolgreiche Informationsintegration - Potentiale und Realisierung -

Erfolgreiche Informationsintegration - Potentiale und Realisierung - Erfolgreiche Informationsintegration - Potentiale und Realisierung - Düsseldorf, 14.09.2006 Dr. Kai Tetzlaff Gliederung Informationsintegration: Erläuterung, Trends und Potentiale am Beispiel Marketing

Mehr

WISSENSMANAGEMENT MIT WEB 2.0 LÖSUNGEN IM PERSONALUMFELD

WISSENSMANAGEMENT MIT WEB 2.0 LÖSUNGEN IM PERSONALUMFELD WISSENSMANAGEMENT MIT WEB 2.0 LÖSUNGEN IM PERSONALUMFELD AKTUELLE BEISPIELE VON Barcamp Mitteldeutschland 8.-10. Februar 2008 Intershop Tower 1 >> 20 29.05.2007 Online-Marketing (Schwarz, 2007) Trends

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

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

Naive Bayes. 5. Dezember 2014. Naive Bayes 5. Dezember 2014 1 / 18

Naive Bayes. 5. Dezember 2014. Naive Bayes 5. Dezember 2014 1 / 18 Naive Bayes 5. Dezember 2014 Naive Bayes 5. Dezember 2014 1 / 18 Inhaltsverzeichnis 1 Thomas Bayes 2 Anwendungsgebiete 3 Der Satz von Bayes 4 Ausführliche Form 5 Beispiel 6 Naive Bayes Einführung 7 Naive

Mehr

Data Mining mit RapidMiner

Data Mining mit RapidMiner Motivation Data Mining mit RapidMiner CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen erfordern flexible

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

PinK meets Web2.0, 3.07.2007 Maya Biersack. Tagging auch für s Geschäft interessant

PinK meets Web2.0, 3.07.2007 Maya Biersack. Tagging auch für s Geschäft interessant PinK meets Web2.0, 3.07.2007 Maya Biersack Tagging auch für s Geschäft interessant Tagging im geschäftlichen Umfeld Agenda! Was ist Tagging?! Anwendungsgebiete! Eigenschaften/Probleme! Im geschäftlichen

Mehr

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die

Mehr

PG-402 Wissensmanagement: Ontologiebasierte Wissensextraktion

PG-402 Wissensmanagement: Ontologiebasierte Wissensextraktion PG-402 Wissensmanagement: Ontologiebasierte Wissensextraktion WS2001/2002 Klaus Unterstein 20.10.2001 PG-402 Wissensmanagement: Ontologiebasierte Wissensextraktion 1 Verlauf Begriffsklärung Ontologiebasierte

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

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

generiere aus Textdokumenten zunächst Metadaten, wende Data Mining - Techniken dann nur auf diese an

generiere aus Textdokumenten zunächst Metadaten, wende Data Mining - Techniken dann nur auf diese an 9. Text- und Web-Mining Text Mining: Anwendung von Data Mining - Verfahren auf große Mengen von Online-Textdokumenten Web Mining: Anwendung von Data Mining - Verfahren auf Dokumente aus dem WWW oder auf

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

ML-Werkzeuge und ihre Anwendung

ML-Werkzeuge und ihre Anwendung Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Analyse und Feedback in Echtzeit

Analyse und Feedback in Echtzeit Analyse und Feedback in Echtzeit Die Daten-Strategie von IDG Michael Beilfuß, Verlagsleiter Stefan Huegel, VP Digital 20.11.2014 / VDZ Tech Summit 2014 in Hamburg // BIG DATA - der Game-Changer Paradigmenwechsel

Mehr

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES]

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] NOW YOU KNOW [ SERIES] Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Potential ontologiebasierter Wissens- Lösungen

Mehr

Big Data vs. Smart Data Was der Mittelstand von Internet-Unternehmen lernen kann Mittelstand-Digital

Big Data vs. Smart Data Was der Mittelstand von Internet-Unternehmen lernen kann Mittelstand-Digital Big Data vs. Smart Data Was der Mittelstand von Internet-Unternehmen lernen kann Mittelstand-Digital n³ matthias.nagel@nhochdrei.de Hannover, CeBIT 2015 Unsre Welt wird digital. Auswirkungen: Markt und

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

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation

Mehr

Projekt: Management der Anwendungsentwicklung Projekt: Data-Warehousing Projekt: Wissens- und Contentmanagement

Projekt: Management der Anwendungsentwicklung Projekt: Data-Warehousing Projekt: Wissens- und Contentmanagement M20 M21 M22 Projekt: Management der Anwendungsentwicklung Projekt: Data-Warehousing Projekt: Wissens- und Contentmanagement Ausgewählte Kapitel der WI M23 Aktuelle Themen der WI * Die Alternativen 1 und

Mehr

PROZESSE INTEGRIEREN leicht gemacht EFFIZIENTE PROZESSE

PROZESSE INTEGRIEREN leicht gemacht EFFIZIENTE PROZESSE PROZESSE INTEGRIEREN leicht gemacht DURCH TransConnect Geschäftsprozesse ableiten mit der Universal Worklist (UWL) Integrationsszenarien effektiver verwalten und transportieren Optimierte Personalverwaltung

Mehr

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz Mit KI gegen SPAM Proseminar Künstliche Intelligenz SS 2006 Florian Laib Ausblick Was ist SPAM? Warum SPAM-Filter? Naive Bayes-Verfahren Fallbasiertes Schließen Fallbasierte Filter TiMBL Vergleich der

Mehr

Oracle 10g revolutioniert Business Intelligence & Warehouse

Oracle 10g revolutioniert Business Intelligence & Warehouse 10g revolutioniert Business Intelligence & Warehouse Marcus Bender Strategisch Technische Unterstützung (STU) Hamburg 1-1 BI&W Market Trends DWH werden zu VLDW Weniger Systeme, mehr Daten DWH werden konsolidiert

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

Mehr

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering 11.12.2012 Vortrag zum Paper Results of the Active Learning Challenge von Isabelle

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Wissen aus unstrukturierten natürlichsprachlichen

Wissen aus unstrukturierten natürlichsprachlichen ZKI Tagung AK Supercomputing, 19.-20. Okt. 2015 Wissen aus unstrukturierten natürlichsprachlichen Daten Sprachtechnologie und Textanalytik in the large Udo Hahn Jena University Language & Information Engineering

Mehr

CRM Customer Relationship Management Resul Taner Saim Sert s0502924 s0502583 14.11.2003 Rechnernetzmanagement und Bürokommunikation I : CRM - [Taner Sert] 1/33 Inhalt 1. Einleitung 2. Begriffserklärung

Mehr

vinsight BIG DATA Solution

vinsight BIG DATA Solution vinsight BIG DATA Solution München, November 2014 BIG DATA LÖSUNG VINSIGHT Datensilos erschweren eine einheitliche Sicht auf die Daten...... und machen diese teilweise unmöglich einzelne individuelle Konnektoren,

Mehr

EXASOL Anwendertreffen 2012

EXASOL Anwendertreffen 2012 EXASOL Anwendertreffen 2012 EXAPowerlytics Feature-Architektur EXAPowerlytics In-Database Analytics Map / Reduce Algorithmen Skalare Fkt. Aggregats Fkt. Analytische Fkt. Hadoop Anbindung R LUA Python 2

Mehr

Information Workbench Linked Data-Anwendungen im Unternehmen. Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations

Information Workbench Linked Data-Anwendungen im Unternehmen. Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations Information Workbench Linked Data-Anwendungen im Unternehmen Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations Agenda Linked Data im Unternehmen Herausforderungen Die Information Workbench

Mehr

Content Management Systeme auf dem Weg zum Semantic Web

Content Management Systeme auf dem Weg zum Semantic Web Content Management Systeme auf dem Weg zum Semantic Web Semantic Web baut auf der Anreicherung bestehender Datenbestände mit strukturierten Metadaten auf. Um die vieldiskutierten Vorteile von Semantic

Mehr

SOZIALES" BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN

SOZIALES BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN SOZIALES" BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN CHRISTIAN KÖNIG BUSINESS EXPERT COMPETENCE CENTER CUSTOMER INTELLIGENCE Copyr i g ht 2012, SAS Ins titut e Inc. All rights res

Mehr

CRM Anbieter Siebel. New Economy CRM Anbieter Siebel Page 1

CRM Anbieter Siebel. New Economy CRM Anbieter Siebel Page 1 CRM Anbieter Siebel Titel des Lernmoduls: CRM Anbieter Siebel Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.3 Zum Inhalt: Dieses Modul beschreibt die technischen Grundlagen der CRM Software

Mehr

Knowledge Management Die InterRed ContentAgents sind dabei sowohl ein innovatives Empfehlungssystem als auch eine intelligente Suche.

Knowledge Management Die InterRed ContentAgents sind dabei sowohl ein innovatives Empfehlungssystem als auch eine intelligente Suche. 1 Knowledge Management Bereits seit vielen Jahren steigt die Menge an Informationen, mit der wir täglich umgehen müssen, unaufhörlich. Doch reine Information ist zunächst nutzlos. Erst Informationen, die

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Smart Content Creation and Annotation (SCCA)

Smart Content Creation and Annotation (SCCA) Smart Content Creation and Annotation (SCCA) Statusmeeting, 7. Oktober 2014 Agenda 1) Einleitung 2) Text Mining bei Neofonie 3) Text Mining für Unternehmen 4) Aufbau von Fachlexika 5) Big-Data-Technologien

Mehr

Suche schlecht beschriftete Bilder mit Eigenen Abfragen

Suche schlecht beschriftete Bilder mit Eigenen Abfragen Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere

Mehr

AKTUELLE WEB 2.0 LÖSUNGEN IM UMFELD VON PERSONALER COMMUNITIES

AKTUELLE WEB 2.0 LÖSUNGEN IM UMFELD VON PERSONALER COMMUNITIES AKTUELLE WEB 2.0 LÖSUNGEN IM UMFELD VON PERSONALER COMMUNITIES hrm.de als Beispiel von EduCamp Ilmenau 18.-20. April 2008 Humboldtbau TU Ilmenau 1 >> 22 29.05.2007 Kurzporträt SITEFORUM Europe GmbH - -

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Computerlinguistische Textanalyse

Computerlinguistische Textanalyse Computerlinguistische Textanalyse 10. Sitzung 06.01.2014 Einführung in die Textklassifikation Franz Matthies Lehrstuhl für Computerlinguistik Institut für Germanistische Sprachwissenschaft Friedrich-Schiller

Mehr

Die Highlights. Terminen und Aufgaben mit dem Smartphone/PDA Kampagnenmanagement: Abbildung und Steuerung von Abläufen in Vertrieb und Marketing

Die Highlights. Terminen und Aufgaben mit dem Smartphone/PDA Kampagnenmanagement: Abbildung und Steuerung von Abläufen in Vertrieb und Marketing Das beste cobra aller Zeiten. cobra 2010 Mehrwert für Ihr Adress- und Kontaktmanagement 1 Die Highlights Kompatibel mit Windows XP, Vista + 7, MS Office 2003 + 2007 Fühlbar komfortableres Adress- und Kontaktmanagement

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

Forschunsprojekte und Independent Coursework. Prof. Dr. Christian Herta 29. Januar 2013

Forschunsprojekte und Independent Coursework. Prof. Dr. Christian Herta 29. Januar 2013 Forschunsprojekte und Independent Coursework Prof. Dr. Christian Herta 29. Januar 2013 Forschungsgebiete Suchtechnologie, Text- und Webmining Verarbeitung unstrukturierter Daten, insbesondere Text Large

Mehr

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik)

W.WIINM32.11 (Datawarehousing) W.WIMAT03.13 (Statistik) Modulbeschrieb Business Intelligence and Analytics 16.10.2013 Seite 1/5 Modulcode Leitidee Art der Ausbildung Studiengang Modultyp W.WIINM42.13 Information ist eine derart wichtige Komponente bei der Entscheidungsfindung,

Mehr

BEST-IN-CLASS SOFTWARE FÜR OPERATIVE BESCHAFFUNG. Creactives-3SP. (Semantic Self Service Procurement)

BEST-IN-CLASS SOFTWARE FÜR OPERATIVE BESCHAFFUNG. Creactives-3SP. (Semantic Self Service Procurement) BEST-IN-CLASS SOFTWARE FÜR OPERATIVE BESCHAFFUNG Creactives-3SP (Semantic Self Service Procurement) Optimierung Ihrer operativen Beschaffungsprozesse Effiziente und leistungsstarke Beschaffungsprozesse

Mehr

WissKI. Arbeitstagung Gemeinsames Erschließen von Wissen in Museumssammlungen am Beispiel von Wikis

WissKI. Arbeitstagung Gemeinsames Erschließen von Wissen in Museumssammlungen am Beispiel von Wikis WissKI Arbeitstagung Gemeinsames Erschließen von Wissen in Museumssammlungen am Beispiel von Wikis Berlin 22. April 2015 Mark Fichtner Germanisches Nationalmuseum Nürnberg http://tw.rpi.edu/weblog/wp-content/uploads/2010/11/iswctagcloudnew.png

Mehr

Predictive Modeling Markup Language. Thomas Morandell

Predictive Modeling Markup Language. Thomas Morandell Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML

Mehr

Digitalisierung operativer Kernprozesse auf Basis von SAP.

Digitalisierung operativer Kernprozesse auf Basis von SAP. Digitalisierung operativer Kernprozesse auf Basis von SAP. Status und Ausblick bei der VBL. VBL. Die Altersvorsorge für den öffentlichen Dienst. VBL. Die Altersvorsorge für den öffentlichen Dienst. 5.400

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

Höhere Conversion mehr Umsatz:

Höhere Conversion mehr Umsatz: Höhere Conversion mehr Umsatz: Warum es sich lohnt Ihre Kunden kennen zu lernen München, 25. Februar 2014 Muna Hassaballah Senior Consultant CRM Muna.Hassaballah@SHS-VIVEON.com inkl. Vorstellung zweier

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

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Zyklus des CRM. CRM-Informationsarchitektur mit intelligenten Agenten. Kauf. Willkommenspaket gewünschte Leistung sicherstellen. Persönlicher Kontakt

Zyklus des CRM. CRM-Informationsarchitektur mit intelligenten Agenten. Kauf. Willkommenspaket gewünschte Leistung sicherstellen. Persönlicher Kontakt Zyklus des CRM. Persönlicher Kontakt Kauf Start Willkommenspaket gewünschte Leistung sicherstellen Call Center Zurückgewinnung Kennenlernen Service Beratung Dialog-Medien Trennung CRM-Informationsarchitektur

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

Anfrage Erweiterung 03.11.2011 Jan Schrader

Anfrage Erweiterung 03.11.2011 Jan Schrader Anfrage Erweiterung 03.11.2011 Jan Schrader Vocabulary Mismatch Problem Anfrage und Dokument passen nicht zusammen obwohl Dokument zur Anfrage relevant Grund: Synonymproblem verschiedene Menschen benennen

Mehr

Was sind Ontologie-Editoren?

Was sind Ontologie-Editoren? Was sind Ontologie-Editoren? Kurzeinführung Protégé Sonja von Mach und Jessica Otte Gliederung Ontologie Editoren- allgemein warum nutzen wofür nutzen Probleme Marktlage Einführung in die praktische Arbeit

Mehr

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM ibpm - intelligent Business Process Management: ein neues Zeitalter bricht an. Peter Wiedmann 14.11.2014 WWW.AXONIVY.COM AGENDA 2 Vorstellung und Einführung Produktvorstellung ibpm die neue Dimension Anwendungsszenario

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

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

Semantische Infomationsintegration à la carte?

Semantische Infomationsintegration à la carte? Semantische Infomationsintegration à la carte? Ziele und Herausforderungen der Anwendung des CIDOC CRM. Historisch-Kulturwiss. Informationsverarbeitung, Universität Köln 1. Oktober 2010 1 Ein User Scenario

Mehr

AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING. Creactives-TSV. (Total Spending Visibility)

AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING. Creactives-TSV. (Total Spending Visibility) AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING Creactives-TSV (Total Spending Visibility) Globale Kostensenkungspotenziale schneller erkennen International tätige Unternehmen versuchen die Transparenz

Mehr

IVY. White Paper. Microsoft Dynamics NAV Workflow Controller Powered by Xpert.ivy

IVY. White Paper. Microsoft Dynamics NAV Workflow Controller Powered by Xpert.ivy White Paper IVY Microsoft Dynamics NAV Workflow Controller Powered by Xpert.ivy Business Process Management (BPM) unterstützt den gesamten Lebenszyklus von Geschäftsprozessen. BPM-Lösungen liefern Technologie

Mehr

Spezialisierungskatalog

Spezialisierungskatalog Spezialisierungskatalog Inhaltsverzeichnis: 1. Friedrich Schiller Universität 2. TU Ilmenau 3. FH Erfurt 4. FH Jena 5. FH Nordhausen 6. FH Schmalkalden 7. BA Gera 8. BA Eisenach 1. Friedrich-Schiller-Universität

Mehr

Hapimag. Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS. 57 Adressen. Unzählige Möglichkeiten

Hapimag. Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS. 57 Adressen. Unzählige Möglichkeiten Hapimag Schnelle und effiziente Umsetzung unserer CRM-Strategie mit SAP RDS Ein Bildplatzhalter Grossbild (JPG-Datei: (Grösse: 23.7 237 x mm 12.9 x cm) 129 mm / 80 ppi) 57 Adressen Unzählige Möglichkeiten

Mehr

Von der Literaturverwaltung zur Dokumentenverwaltung

Von der Literaturverwaltung zur Dokumentenverwaltung Von der Literaturverwaltung zur Dokumentenverwaltung Literaturverwaltung erfasst Metadaten über ein Dokument Dokumentenverwaltung kümmert sich um die Dokumenten-Technologien Umsetzung meist in einem Dokumentmanagementsystem

Mehr

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Seminar der AG DBIS: DB-Aspekte des E-Commerce Wintersemester 2001/2001 Christian Amlinger christian@amlinger.de 4. 4. Inhalt 5. Komponenten 5. 5. 5. Komponenten 5.1 acrm

Mehr

Analyse und Auswertung großer heterogener Datenmengen

Analyse und Auswertung großer heterogener Datenmengen Analyse und Auswertung großer heterogener Datenmengen Herausforderungen für die IT-Infrastruktur Richard Göbel Inhalt Big Data Was ist das eigentlich? Was nützt mir das? Wie lassen sich solche großen Datenmengen

Mehr

Aus Daten werden Informationen

Aus Daten werden Informationen Swiss PLM-Forum 2011 Differenzierung durch Standards Aus Daten werden Informationen Jochen Sauter BCT Technology AG Agenda Vorstellung BCT Technology AG Product Lifecycle Management Definition / Daten

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

Studie Semantic Media Web. Dr. Joachim Quantz Wiebke Lang

Studie Semantic Media Web. Dr. Joachim Quantz Wiebke Lang Studie Semantic Media Web Dr. Joachim Quantz Wiebke Lang Gliederung Einleitung - Ziele der Studie - Hintergrund/Methodologie Semantic Media Web - SMW-Technologien - Medienbranche/Wissensarbeiter; Geschäftsmodelle

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

Grundlagen zur Erstellung und dem Relaunch einer Homepage. Julius Hoyer Osnabrück - 11. März 2015

Grundlagen zur Erstellung und dem Relaunch einer Homepage. Julius Hoyer Osnabrück - 11. März 2015 Grundlagen zur Erstellung und dem Relaunch einer Homepage Julius Hoyer Osnabrück - 11. März 2015 Fakultät Wirtschafts- und Sozialwissenschaften 11. März 2015 ebusiness-lotse Osnabrück 2 Das Team an der

Mehr

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

Vielfältige Medienlandschaft

Vielfältige Medienlandschaft Vielfältige Medienlandschaft Telefon Smartphone TV Set TV Filiale GAA CITIBANK May I help you? John Doe VISA Laptop Mastercard SMARTCARD PDA PC PC card Karte POS Terminal, Kiosk SB-Zellen Telefonzelle

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

Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de

Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de Nur jetzt! Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de Enterprise Search Strategien für Erfolg Dokumentenmanagement mit SharePoint: Neue

Mehr

Integrierte Lösung für die Verarbeitung von Eingangsrechnungen in SAP

Integrierte Lösung für die Verarbeitung von Eingangsrechnungen in SAP Integrierte Lösung für die Verarbeitung von Eingangsrechnungen in SAP Management Summary Mit der Standardlösung d.3 und dem Standard SAP- Workflow- Template maxflow steht Ihnen eine Komplettlösung zur

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

Mehr

Ergebnisse der Projektmanagement Studie 2008 - Erfolg und Scheitern im Projektmanagement -

Ergebnisse der Projektmanagement Studie 2008 - Erfolg und Scheitern im Projektmanagement - Ergebnisse der Projektmanagement Studie 2008 - Erfolg und Scheitern im Projektmanagement - Gemeinsame Studie der GPM Deutsche Gesellschaft für Projektmanagement e.v. und PA Consulting Group Claus Engel,

Mehr

SemanticMediaWiki+ als Wissensplattform für Unternehmen

SemanticMediaWiki+ als Wissensplattform für Unternehmen SemanticMediaWiki+ als Wissensplattform für Unternehmen Zielgruppengerechte Produktion von Trainingsmaterial am Beispiel der UNESCO Daniel Hansch, hansch@ontoprise.de, ontoprise GmbH Hans-Peter Schnurr,

Mehr