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

Vorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik

Vorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik Vorlesung Text und Data Mining S9 Text Clustering Hans Hermann Weber Univ. Erlangen, Informatik Document Clustering Überblick 1 Es gibt (sehr viele) verschiedene Verfahren für das Bilden von Gruppen Bei

Mehr

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

Text-Mining: Einführung

Text-Mining: Einführung Text-Mining: Einführung Claes Neuefeind Fabian Steeg 22. April 2010 Organisatorisches Was ist Text-Mining? Definitionen Anwendungsbeispiele Textuelle Daten Aufgaben u. Teilbereiche Literatur Kontakt Sprechstunde:

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

Empolis Smart Content Express EXPRESS POWER FOR YOUR CONTENT

Empolis Smart Content Express EXPRESS POWER FOR YOUR CONTENT Empolis Smart Content Express EXPRESS POWER FOR YOUR CONTENT Der Alltag im Informationsmanagement Unsere Print-Publikation ist top aber wie bekommen wir das online? Unsere Servicemitarbeiter stellen bei

Mehr

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,

Mehr

neofonie DER SPEZIALIST FÜR IHRE INFORMATIONSARCHITEKTUR

neofonie DER SPEZIALIST FÜR IHRE INFORMATIONSARCHITEKTUR neofonie DER SPEZIALIST FÜR IHRE INFORMATIONSARCHITEKTUR Suchportale der nächsten Generation Dr. Thomas Schwotzer Leiter Forschung, neofonie Suche eine Folien Geschichte 1993: Beginn der HTML-Ära 1993

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

Visualisierung der Imperfektion in multidimensionalen Daten

Visualisierung der Imperfektion in multidimensionalen Daten Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte

Mehr

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....

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

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

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

Search-Driven Applications. Florian Hopf, freiberuflicher Softwareentwickler Tobias Kraft, exensio GmbH

Search-Driven Applications. Florian Hopf, freiberuflicher Softwareentwickler Tobias Kraft, exensio GmbH Search-Driven Applications Florian Hopf, freiberuflicher Softwareentwickler Tobias Kraft, exensio GmbH Agenda Motivation Aufbau der Such-Datenstruktur Anwendungsfälle Fallstricke Was ist Suche? Was wollen

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

!!!!T!!! Systems!() Multimedia Solutions

!!!!T!!! Systems!() Multimedia Solutions Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte

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

WEKA A Machine Learning Interface for Data Mining

WEKA A Machine Learning Interface for Data Mining WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010

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

INFORMATIONSLOGISTIK VERSUS SUCHE. Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen

INFORMATIONSLOGISTIK VERSUS SUCHE. Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen INFORMATIONSLOGISTIK VERSUS SUCHE Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen 2 Informationslogistik versus Suche Inhalt Seite Thema 3 Suchen 3 Grundlegende

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

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

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining

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

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

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

VO 340088 Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft

VO 340088 Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft , Informations- und Wissensmanagement Zentrum für Translationswissenschaft Grundlagen und Definitionen Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache.

Mehr

AKWM. Natürlichsprachliche Suche. Semantische Suche. www.ontoprise.de. 03.04.2008 Eddie Mönch. Copyright 2008 ontoprise GmbH, Karlsruhe

AKWM. Natürlichsprachliche Suche. Semantische Suche. www.ontoprise.de. 03.04.2008 Eddie Mönch. Copyright 2008 ontoprise GmbH, Karlsruhe AKWM Natürlichsprachliche Suche Semantische Suche 03.04.2008 Eddie Mönch Copyright 2008 ontoprise GmbH, Karlsruhe know how to use Know-how! Profil Kunden Ontoprise ist der führende Anbieter industriebewährter

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

Data Mining und Text Mining Einführung. S1 Überblick Data Mining

Data Mining und Text Mining Einführung. S1 Überblick Data Mining Data Mining und Text Mining Einführung S1 Überblick Data Mining Hans Hermann Weber Univ. Erlangen, Informatik 8 Wintersemester 2003 hans.hermann.weber@gmx.de Was ist Data Mining / Text Mininig Data Mining

Mehr

420 MIO 120 MIO 35 MIO 2,3 MIO

420 MIO 120 MIO 35 MIO 2,3 MIO PRESSKIT ITYX 2015 AI PLATFORM WEB EXPERIENCE POSTEINGANG CONTACT CENTER BACK OFFICE 200 Unternehmen 10 TOP GLOBAL 150 19 Sprachen 22 Länder p.a. p.a. p.a. p.a. 420 MIO 120 MIO 35 MIO 2,3 MIO Dokumente

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

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

Auswertung 2.0. Das Web 2.0 als Chance

Auswertung 2.0. Das Web 2.0 als Chance Auswertung 2.0 Das Web 2.0 als Chance Mathias Walter & Bidjan Tschaitschian 19.03.2009 Wir machen Wissen produktiv! Was uns auszeichnet: 28 Jahre Erfahrung im Bereich Künstliche Intelligenz insiders ist

Mehr

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh?

Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? best-reactions GmbH Hirschberger Straße 33 D 90559 Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer Alexander P.

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

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

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

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

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

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

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

Inaugural-Dissertation. Philosophie

Inaugural-Dissertation. Philosophie Ontology On Demand Vollautomatische Ontologieerstellung aus deutschen Texten mithilfe moderner Textmining-Prozesse Inaugural-Dissertation zur Erlangung des Grades eines Doktors der Philosophie in der Fakultät

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

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

Software Engineering. Zur Architektur der Applikation Data Repository. Franz-Josef Elmer, Universität Basel, HS 2015

Software Engineering. Zur Architektur der Applikation Data Repository. Franz-Josef Elmer, Universität Basel, HS 2015 Software Engineering Zur Architektur der Applikation Data Repository Franz-Josef Elmer, Universität Basel, HS 2015 Software Engineering: Mit acht bewährten Praktiken zu gutem Code 2 Schichtarchitektur

Mehr

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

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

Text Mining mit LingPipe

Text Mining mit LingPipe Text Mining mit LingPipe Hauptseminar Information Retrieval PD Dr. Karin Haenelt Universität Heidelberg Vortrag von Alexander Kappe im Wintersemester 2008/2009 Übersicht Text Mining Definition & Abgrenzung

Mehr

bi-cube Aktiver Compliance - Monitor (ACM)

bi-cube Aktiver Compliance - Monitor (ACM) INSTITUT FÜR SYSTEM- MANAGEMENT bi-cube Aktiver Compliance - Monitor (ACM) ism- Architektur Team ism GmbH 2010 Definition: Compliance Compliance bedeutet die Einhaltung von Verhaltensmaßregeln, Gesetzen

Mehr

GIN WEAVER. Kontextsensitive Bereitstellung von Informationen: Relevante Inhalte zur richtigen Zeit

GIN WEAVER. Kontextsensitive Bereitstellung von Informationen: Relevante Inhalte zur richtigen Zeit GIN WEAVER Kontextsensitive Bereitstellung von Informationen: Relevante Inhalte zur richtigen Zeit GIN WEAVER Paradigmenwechsel von Suche, zur Bereitstellung von Informationen für Ihren Arbeitskontext

Mehr

Text-Mining und Metadaten-Anreicherung Eine Einführung. Die Automatisierung in der semantischen Anreicherung von Text-Dokumenten

Text-Mining und Metadaten-Anreicherung Eine Einführung. Die Automatisierung in der semantischen Anreicherung von Text-Dokumenten Text-Mining und Metadaten-Anreicherung Eine Einführung Die Automatisierung in der semantischen Anreicherung von Text-Dokumenten 26.05.2015 Inhalt Zeit ist Geld. Das gilt auch für die Recherche....3 Kann

Mehr

Vorhersage mit CA CleverPath Predictive Analysis Server. Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com

Vorhersage mit CA CleverPath Predictive Analysis Server. Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com Vorhersage mit CA CleverPath Predictive Analysis Server Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com Agenda Herausforderung CP PAS Neugents Modelle Mustererkennung Tools CA World 1 Herausforderung

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

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

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

Cloud Computing für redaktionelle Prozesse und Publishing. CROSSMEDIAFORUM 2013, München

Cloud Computing für redaktionelle Prozesse und Publishing. CROSSMEDIAFORUM 2013, München Cloud Computing für redaktionelle Prozesse und Publishing CROSSMEDIAFORUM 2013, München Cloud für Verlage inhouse Freie Autoren Content Pflege Publishing Website PDF epub apps, elearning, POD Infrastruktur

Mehr

Suchmaschinen. Anwendung RN Semester 7. Christian Koczur

Suchmaschinen. Anwendung RN Semester 7. Christian Koczur Suchmaschinen Anwendung RN Semester 7 Christian Koczur Inhaltsverzeichnis 1. Historischer Hintergrund 2. Information Retrieval 3. Architektur einer Suchmaschine 4. Ranking von Webseiten 5. Quellenangabe

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

suchmaschinenoptimierung in perfektion...

suchmaschinenoptimierung in perfektion... suchmaschinenoptimierung in perfektion... suchmaschinen marketing (seo) von ammann Kernaussage - Philosophie Langfristig werden nur diejenigen Web-Sites erfolgreich sein, die über qualifizierten, zielgruppennützlichen

Mehr

Thesaurusvisualisierung mit ICE-Map und SEMTINEL

Thesaurusvisualisierung mit ICE-Map und SEMTINEL Thesaurusvisualisierung mit ICE-Map und SEMTINEL Universitätsbibliothek Universität Mannheim PETRUS-Workshop Deutsche Nationalbibliothek 21. März 2011 Frankfurt Forschungsschwerpunkte Effizienzsteigerung

Mehr

Seminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006

Seminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006 Seminar Informationsintegration und Informationsqualität TU Kaiserslautern 30. Juni 2006 Gliederung Autonomie Verteilung führt zu Autonomie... Intra-Organisation: historisch Inter-Organisation: Internet

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

Dokumenten-Clustering. Norbert Fuhr

Dokumenten-Clustering. Norbert Fuhr Dokumenten-Clustering Norbert Fuhr Dokumenten-Clustering (Dokumenten-)Cluster: Menge von ähnlichen Dokumenten Ausgangspunkt Cluster-Hypothese : die Ähnlichkeit der relevanten Dokumente untereinander und

Mehr

Data Warehousing und Data Mining

Data Warehousing und Data Mining Data Warehousing und Data Mining 2 Cognos Report Net (CRN) Ermöglicht Erstellen von Ad-hoc-Anfragen (Query Studio) Berichten (Report Studio) Backend Data Cube Relationale Daten Übung: Cognos Report Net

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

PLANTA. Professional Services Automation PPSA

PLANTA. Professional Services Automation PPSA PLANTA Professional Services Automation PPSA 3/16 Professional Services Automation Potenzielle Anwender von PLANTA Professional Services Automation (PPSA) sind wissensbasierte, projektgetriebene, kleine

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

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

Universal Search. `ljv^k. Whitepaper. Autor Peter Resele Datum 29. März 2010 Status Public

Universal Search. `ljv^k. Whitepaper. Autor Peter Resele Datum 29. März 2010 Status Public Universal Whitepaper Autor Peter Resele Datum 29. März 2010 Status Public `ljv^k=gmbh Karolingerstrasse 34a 82205 Gilching Germany t + 49 810 5779390 peter.resele@comyan.com f + 49 810 5779395 www.comyan.com

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

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

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

Einführung SAP csfashion bei Gries Deco Company GmbH (DEPOT)

Einführung SAP csfashion bei Gries Deco Company GmbH (DEPOT) 1 1 Einführung SAP csfashion bei Gries Deco Company GmbH (DEPOT) A G E N D A Ausgangssituation 2006/2007 Entscheidungsphase 2008 Einführungsphase 2009 Resümee Beispielprozesse SAP Das Geschäftsmodell Die

Mehr

TAG DER GEWERBLICHEN SCHUTZRECHTE

TAG DER GEWERBLICHEN SCHUTZRECHTE Tag der gewerblichen Schutzrechte, Dienstag, 30. Juni 2015 - Haus der Wirtschaft, Stuttgart TAG DER GEWERBLICHEN SCHUTZRECHTE T 1 G S 2015 XPAT: Vom Patentarchiv über Umläufe zur Wissensbasis mit freundlicher

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

Leistungen für. Adress- und Kontaktmanagement. Büroorganisation. Vertrieb und Service. Direktmarketing

Leistungen für. Adress- und Kontaktmanagement. Büroorganisation. Vertrieb und Service. Direktmarketing Leistungen für Adress- und Kontaktmanagement Büroorganisation Vertrieb und Service Direktmarketing Dieses Dokument beschreibt lediglich einen Auszug der Leistungen von cobra Adress PLUS. Für weitere Informationen

Mehr

E-Business. im Rahmen der Vertiefung E-Business. Cornelius Knall. 17. März 2008. Customer Relationship Management im. E-Business.

E-Business. im Rahmen der Vertiefung E-Business. Cornelius Knall. 17. März 2008. Customer Relationship Management im. E-Business. im Rahmen der Vertiefung 17. März 2008 1 / 32 Inhaltsverzeichnis 2 / 32 Hippner, Hajo, Wilde,Klaus D. (2006), Grundlagen des CRM, 2. überarbeitet und erweiterte Auflage, Wiesbaden (Gabler) Hippner, Hajo,

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

Big Data Modewort oder echter Mehrwert. freenet Group Dr. Florian Johannsen

Big Data Modewort oder echter Mehrwert. freenet Group Dr. Florian Johannsen Big Data Modewort oder echter Mehrwert freenet Group Dr. Florian Johannsen freenet Group 2 Titel der Präsentation 07.07.2015 Mobilfunkgeschäft der freenet Group Austausch von Daten und Informationen Im

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

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

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

Vereinheitlichung der Anlagenüberwachung eines heterogenen Portfolios mit OSIsoft PI System Analyse mithilfe von Big Data Plattformen

Vereinheitlichung der Anlagenüberwachung eines heterogenen Portfolios mit OSIsoft PI System Analyse mithilfe von Big Data Plattformen Vereinheitlichung der Anlagenüberwachung eines heterogenen Portfolios mit OSIsoft PI System Analyse mithilfe von Big Data Plattformen Dr. Thomas Weiß / juwi Operations & Maintenance GmbH, Axel Mertins

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

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

Web Data Management Systeme

Web Data Management Systeme Web Data Management Systeme Seminar: Web-Qualitätsmanagement Arne Frenkel Agenda Einführung Suchsysteme Suchmaschinen & Meta-Suchmaschinen W3QS WebSQL WebLog Information Integration Systems Ariadne TSIMMIS

Mehr

Pivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt.

Pivotieren. Themenblock: Anfragen auf dem Cube. Roll-up und Drill-down. Slicing und Dicing. Praktikum: Data Warehousing und Data Mining. Produkt. Zeit Pivotieren Themenblock: Anfragen auf dem Cube Praktikum: Data Warehousing und Data Mining Zeit Zeit 2 Roll-up und Drill-down Slicing und Dicing Drill-down Januar 2 3 33 1. Quartal 11 36 107 Februar

Mehr

basis06 AG @ Open Source Roundtable Reto Trinkler 29. August 2012

basis06 AG @ Open Source Roundtable Reto Trinkler 29. August 2012 basis06 AG @ Open Source Roundtable Reto Trinkler 29. August 2012 Wir machen Ihr Business einfacher 12 Jahre im Markt Inhabergeführt Hauptsitz Bern 15 Mitarbeitende Die Bewältigung Ihrer Informationsflut

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

Von der digitalisierten zur analysierten Welt

Von der digitalisierten zur analysierten Welt Von der digitalisierten zur analysierten Welt CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Die digitalisierte Welt Auf dem Weg in die digitalisierte Welt Der Kunde

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

SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH

SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH GERHARD SVOLBA COMPETENCE CENTER ANALYTICS WIEN, 17. NOVEMBER 2015 SAS CONTEXTUAL ANALYSIS 14.1 EIN BLICK IN DIE PRODUKTBESCHREIBUNG

Mehr

Inhalt. 1 Einführung... 11. 2 Funktionsweise von Suchmaschinen... 21. 3 So werden Suchergebnisse gewichtet... 39

Inhalt. 1 Einführung... 11. 2 Funktionsweise von Suchmaschinen... 21. 3 So werden Suchergebnisse gewichtet... 39 1 Einführung.......................................................... 11 1.1 Eine kurze Geschichte von fast allem.................................. 12 1.2 Die Bedeutung von Suchmaschinen gestern, heute

Mehr

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin:

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin: Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2006 Termin: 26. 7. 2006 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....

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

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

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

IT mit klarer Linie. C R M - M i g r a t i o n. informatik ag. www.ilume.de. ilum:e informatik ag. Customer Relationship Management Migration

IT mit klarer Linie. C R M - M i g r a t i o n. informatik ag. www.ilume.de. ilum:e informatik ag. Customer Relationship Management Migration informatik ag IT mit klarer Linie C R M - M i g r a t i o n www.ilume.de ilum:e informatik ag Customer Relationship Management Migration Vertrieb & Vertriebssteuerung Business Intelligence Siebel Beratung

Mehr