Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM, 1996

Größe: px
Ab Seite anzeigen:

Download "Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM, 1996"

Transkript

1 Methoden der Datenanalyse AI-basierte Decision Support Systeme Ao.Univ.Prof.. Dr. Marcus Hudec Institut f. Scientific Computing, Universität t Wien Wozu Data Mining? We are drowning in data, but starving for knowledge (information) John Naisbett Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM,

2 Programmatik While database technology has provided us with the basic tools for the efficient storage and lookup of large data sets, the issue of how to help humans understand and analyze large bodies of data remains a difficult and unsolved problem. To deal with the data glut, a new generation of intelligent tools for automated data mining and knowledge discovery is needed. Fayyad, Piatetsky-Shapiro,Smyth & Uthurusamy 3 Entstehung von Massendaten Supermarkt Scannerdaten Datenbestände nde von Banken und Versicherungen Prozessdaten aus Real-Time Applikationen (Telekommunikationssektor) E-Commerce (Clickstream( Clickstream-Daten) Forschungsdatenbanken (Satellitendaten, DNA-Datenbanken) Datenbanken) 4 2

3 Anwendungen in der Wirtschaft Kreditrisikoanalyse Zielgruppenmarketing Fehleranalyse in Telekommunikationsnetzen Aufdeckung von Geldwäsche Schadensfallanalyse im Versicherungsbereich Warenkorbanalyse Analyse von ecommerce-anwendungen 5 Interdisziplinäres Forschungsgebiet Statistik Artificial Intelligence Data Engineering Data Warehousing OLAP (on-line analysis processing) Expertensysteme (deductive( databases) Data Visualization Optimierungstheorie Machine Learning Pattern Recognition 6 3

4 Was versteht man unter Data Mining? Discovering knowledge from data Data Mining bezeichnet eine Sammlung von Techniken (~Algorithmen) zum Auffinden von validen,, neuen, interessanten, interpretierbaren und nützlichen (verwertbaren) Mustern, Regeln, Gruppen und Abhängigkeiten (~Wissen) in großen Datenbanken. 7 Definitionen von Data Mining "Data mining is the process of discovering meaningful new correlations, patterns and trends by "mining" large amounts of stored data using pattern recognition technologies, as well as statistical and mathematical techniques." Ashby, Simms (1998) "Data mining is the exploration and analysis, by automatic and semiautomatic means, of large quantities of data in order to discover meaningful patterns and rules. Berry, Linoff (1997) Extraction of interesting (non( non-trivial, previously unknown and potentially useful) information or patterns from data in large databases 8 4

5 Alternative Bezeichnungen Knowledge discovery(mining) ) in databases (KDD) knowledge extraction data/pattern analysis data dredging information harvesting business intelligence 9 Was versteht man unter Data Mining? Data Mining versucht explorativ Hypothesen über die in einer Datenbank (in einem Data Warehouse) gespeicherten Daten aufzufinden. Das heißt t mittels statistischer, systemtheoretischer und auf Visualisierung abzielender Verfahren und Methoden Assoziationen, Klassen und Muster zu erkennen. 10 5

6 Klassisches Berichtswesen versus Data Mining Berichtswesen- OLAP Data Mining Haben Kunden mit einem relativ hohen Umsatz eine geringere Kündigungsrate? Welche Merkmale beschreiben typischerweise Kunden, die den Vertrag stornieren? Wie viele Kunden aus den einzelnen Regionen haben auf die letzte DM-Aktion positiv reagiert? Haben die Kunden in gleichen Wohnhaustypen ein vergleichbares Nutzungsverhalten? Welche Kunden werden sehr wahrscheinlich auf die nächste DM-Aktion positiv reagieren? Welche typischen homogenen Kundensegmente lassen sich identifizieren? 11 Data Mining im analytischen CRM Data Mining ist das computergestützte tzte Gewinnen von verborgenen Informationen aus Geschäfts fts- datenbanken. Ziel ist dabei die Steigerung der Effizienz von Geschäftsprozessen und die Erhöhung hung der Profitabilität. Data Mining ist ein Prozess, der die Zusammenarbeit von Data Mining Experten mit Informatikern und Fachleuten mit Wissen über die Geschäftsprozesse, sowie Entscheidungsträgern gern im Unternehmen erfordert. 12 6

7 Data Warehousing Ein Data Warehouse dient dazu, Daten einer Organisation, die in unterschiedlichen internen und externen Quellen (operativen Systemen) gespeichert werden, zusammenzuführen und inhaltlich neu zu strukturieren. Operational Systems Data Extraction Transformation-Engine Data Warehouse with Metadata Datenmanagement Datenorganisation Datenauswertung 13 Data Warehousing als Grundlage There is a symbiotic relationship between the activity of data mining and the data warehouse the architectural foundation of decision support systems. The data warehouse sets the stage for effective data mining. (Inmon 1996) Metadaten-Modellierung Modellierung Informationen über Inhalte und semantische Bedeutung der Daten eines Data Warehouse in Datenbankanwendungen zu integrieren und für f Mining Zwecke verfügbar zu machen. Datenqualität Logische Datenintegration, Fehlerbereinigung, unterschiedliche Aggregationsniveaus,, historische Datenbank 14 7

8 Aufgaben des Data Mining Description Auffinden von interpretierbaren Mustern in den Daten (Sequenzen) Auffinden von Assoziationen Auffinden von Abweichungen Prediction Basierend auf Attributen der Datenbank Vorhersagen über künftige k Werte von anderen interesierenden Attributen Classification Allokation zu vorgegebenen Gruppen Auffinden von typischen Gruppen Visualization 15 Predictive Modeling Basierend auf gesammelten Daten der Vergangenheit Vorhersagen über künftiges Verhalten treffen Data description alone cannot provide an action plan. You must build a predictive model based on patterns determined from known results and then test that model. Building Profitable Customer Relationships with Data Mining. Herb Edelstein (2000) 16 8

9 Predictive Modeling (1) Schätzung von Produktassoziationen Assozationsalgorithmen Warenkorbanalysen Identifikation von Produkten, die häufig h auf den selben Kassenbons aufscheinen bzw. die häufig h von den selben Kunden gekauft werden 17 Predictive Modeling (2) Bildung von homogenen Kundensegmenten um das Ansprechverhalten der Kunden zu optimieren Methoden der Clusteranalyse k-means, Two Step Cluster Analysis, Kohonen Self Organizing Maps 18 9

10 Predictive Modeling (3) Schätzung von quantitativen Größ ößen Regression Analysis Bewertung von Kunden (customer( value) Prognose von Umsätzen Prognose von Nachfrage, Verbrauchsmengen 19 Predictive Modelling (4) Vorhersage der Eintrittswahrscheinlichkeit von Ereignissen Kaufwahrscheinlichkeiten, Churn-Wahrscheinlichkeiten Methoden des Supervised learning Logistische Regression, Entscheidungsbäume, ume, Neuronale Netze 20 10

11 Predictive Modelling (5) Vorhersage des Zeitpunktes von Ereignissen (survival analysis) Folgeabschlüsse sse bei abreifenden Produkten, Optimierung der Kundenüberleitung Methoden der Survival Analysis Cox-Modell, Kaplan Meier Prognose von Ersatzzyklen Wie lange dauert es vom ersten Click auf einen e-shop e bis der Kunde zum Käufer K wird 21 Anwendung im Direct Marketing 22 11

12 Zahlen zum vorigen Beispiel Kunden Responses zum konkreten Anbot Direct Mail an die wahrscheinlichsten 10% (10.000) erreicht bereits 40% der Zielpopulation Direct Mail an die wahrscheinlichsten 40% (40.000) erreicht bereits 80% der Zielpopulation 23 98% der Prognosen sind falsch 96% der Prognosen sind falsch 24 12

13 One-to-One Marketing Die Herausforderung des heutigen Marktes besteht darin, die im wachsenden Maße heterogenen Wünsche und Bedürfnisse jedes Einzelnen zu verstehen und zu erfüllen llen. Segmentierung des Markts in Kleinstsegmente stellt enorme Anforderungen, denen die in der Praxis des Data Mining heute generierten Prognosemodelle häufig h nicht gerecht werden könnenk 25 Vereinfachte Sicht des Data Mining Vertriebs/ Marketing- Aktivitäten Historische Daten Data Mining Software Prognose Produktionsplanung bzw. Lagerhaltung 26 13

14 Der Kreislauf des Data Mining Daten Marketing Aktivitäten Ergebnisse 27 Der Kreislauf des Data Mining Geschäftsprozesse Geschäftsprozesse Daten- Modellierung Daten Marketing Aktivitäten Ergebnisse 28 14

15 Der Kreislauf des Data Mining Daten Predictive Modelling Marketing Aktivitäten Ergebnisse 29 Der Kreislauf des Data Mining Geschäftsprozesse Geschäftsprozesse Daten Marketing Aktivitäten Interpretation Verwertung Ergebnisse 30 15

16 Eckpunkte einer profitabler Data Mining Strategie 1. Definition des Problemfeldes (Business Understanding) 2. Schaffung eines entsprechenden IT- Umfeldes 3. Explorative Datenanalyse (Data Understanding) 4. Datenaufbereitung (Data Preparation) 5. Modellierung 6. Modellevaluation 7. Anwendung & Monitoring (Deployment) 31 Methodenformate Data Mining Methodenformate (z.b. CRISP- DM) bieten Anhaltspunkte für f r die Vorgehensweise CRISP-DM Cross Industry Standard Process for Dataata Mining Effiziente Projektorganisation von Data Mining Projekten Herstellerunabhängigkeit ngigkeit

17 CRISP-DM Robustes, allgemeines Modell Zuverlässiger und wiederholbarer Prozess Kosten- und Zeitreduktion Unterstützung tzung bei Dokumentation Unterstützung tzung bei Wissensmanagement 33 Beispiel-Stream von Clementine 34 17

18 Data Mining im Unternehmen Data Mining startet in einem Unternehmen meist aus einer konkreten Fragestellung als kleines Projekt Data Mining is a journey an ongoing initiative not a project Schaffung organisatorischer Rahmenbedingungen für f effiziente Data Mining - Prozesse 35 Data Mining and Business Intelligence Increasing potential to support business decisions Making Decisions End User Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration Statistical Analysis, Querying and Reporting Business Analyst Data Analyst 36 Data Warehouses / Data Marts OLAP, MDA Data Sources Paper, Files, Information Providers, Database Systems, OLTP DBA 18

19 Softwareanbieter im Data Mining 37 3 heroische Konventionen in der Praxis Ein einmal entwickeltes Prognosemodell kann routinemäß äßig angewendet werden Die Anwender des Modells verstehen die Spezifika der Modellierung und setzen das Modell korrekt ein Ist die Population auf die das Modell angewendet wird mit jener vergleichbar, die für r die Modellentwicklung herangezogen wurde? 38 19

20 Annahme struktureller Konstanz Handlungsrelevante Aussagen können k nur aus Daten gewonnen werden, welche die aktuellen und zukünftigen Marktverhältnisse widerspiegeln. Unveränderte nderte Marktstrukturen Konstante Kunden- und Wettbewerbsverhaltensweisen Hippner,, Wilde Der Prozess des Data Mining im Marketing 39 Kurzlebigkeit von Data Mining Ergebnissen Ergebnisse des Data Mining sind in der Praxis nur kurzfristig gültigg Entwickelte Märkte M sind extrem dynamisch Kundenverhalten hängt h in einer komplexen Weise von einer Vielzahl von Einflussfaktoren ab Kundenverhalten unterliegt Technologie- und Modetrends 40 20

21 Self Destroying Prophecy Aus den Ergebnissen abgeleitete Marketingaktivitäten ten verändern die datengenerierenden Prozesse Erschwert eine objektive Bewertung von Modellen, die Data Based Marketing Strategien bestimmen Problem: Identifikation guter Modelle 41 Metriken zur Erfolgsmessung Frühzeitige Definition von Kennzahlen zur Messung des Erfolges Maßnahmen zur Umsetzung von Erkenntnissen Transparente Kommunikation der Modellergebnisse im Unternehmen Laufende Überwachung der Modelleffizienz 42 21

22 Fachübergreifende Kooperation Erfolgreiches Data Mining setzt die Kooperation von Data Mining Experten mit Informatikverantwortlichen, Fachleuten mit Wissen über die Geschäftsprozesse und Top-Entscheidungstr Entscheidungsträgern gern im Unternehmen voraus 43 Statistik versus Data Mining Learning from data Turning data into information Wodurch unterscheiden sich die Lösungsansätze des Data Mining von klassischen statistischen Methoden? 44 22

23 Unterschiede im methodologischen Ansatz (1) Statistik präzise formuliertes spezifisches Sachproblem Datenerhebung oft forschungsorientiert Konzept von Stichprobe/Grund Grund- gesamtheit Data Mining unscharf formulierte globale Aufgabenstellung Datenerhebung durch Aufzeichnung von Transaktionen in operativen Systemen Inhalt einer Datenbank (Data Warehousing) 45 Unterschiede im methodologischen Ansatz (2) Statistik Versuchsplanung (Homogenisierung via inclusion/exclusion criteria; stratification; randomisation) einfache Datenstruktur (Datenmatrix) Hohe Datenqualität Überschaubare Datenbestände nde Data Mining komplexes Beziehungsgeflecht von Ursache und Wirkung komplexe Datenstrukturen Schlechte Datenqualität Extrem große Datenbestände nde 46 23

24 Unterschiede im methodologischen Ansatz (3) Statistik Mathematik Modell Theoretische Analyse von Optimalitäts ts- eigenschaften Data Mining Informatik Algorithmus Heuristik; Benchmarking mit Real Life Data 47 Herausforderung an die Statistik: extrem große e Datenmengen erfordern Automatische Modellierungstechniken (automatic data analysis) 48 The statistician's tendency to avoid complete automation out of the respect or the challenges of the data, and the historical emphasis on models with interpretable structure, has led that community to focus on problems with a more manageable number of variables than may be encountered in Data Mining. Elder & Pregibon 24

25 Algorithmen verdrängen Modelle The key role of programs has lead to an increased emphasis on algorithms in data mining, in contrast to the emphasis on models in statistics. The idea is that one applies the algorithm to data sets, learning how it behaves and what properties it has, regardless of any notion of an underlying model (or pattern) which it might be building. (Hand 1999). 49 Konvergenz von Algorithmen? An important feature of an estimator is consistency; ; in the limit,, as the sample size increases without bound, estimates should almost certainly converge to the correct value of whatever is being estimated. Heuristic procedures, which abound in machine learning, have no guarantee of ever converging to the right answer. (Glymour et al. 1996)

26 Klassischer Analyseprozess Modellwahl integrativer Teil des wissenschaftlichen Analyseprozess (iterativer Prozess abhängig von Daten/Ergebnissen) Modellwahl Modellierung des datengenerierenden Prozesses Behandlung extremer Werte Variablenselektion Modelldiagnose Goodness of fit; Residuenanalyse; influential observations Predictive accuracy (cross-validation) Data Mining Analyseprozess off the shelf procedures Anspruch: Algorithmus liefert gute Ergebnisse Flexibler Algorithmus Große e Datenmengen Fehlerbehaftete Daten Fehlende Werte Unterschiedliche Skalenniveaus Invarianzeigenschaften Filtern irrelevanter Inputs Interpretierbarkeit 26

27 Grenzen des Data Mining (I) The major barrier in obtaining high-quality knowledge from data is due to the limitations of the data itself Mögliche Datenquellen: operative Systeme, die die Durchführung hrung von geschäftlichen Transaktionen unterstützen tzen Nichtoperationale Daten (z.b. wirtschaftliche Rahmenbedingungen) Meta-Daten Hintergrundwissen 53 Schwachstellen der Datenbasis Mangel an Repräsentativit sentativität Fehlen wichtiger Variablen Fehlende Versuchsplanung ==> komplexe Korrelationsstrukturen (confounding) Fehlende Werte Verzerrte Daten Alterungsprozess der gesammelten Daten 54 27

28 Grenzen des Data Mining (II) - Aussagekraft Data Mining ist ein exploratives Verfahren, dessen Ergebnisse mit großer Vorsicht zu interpretieren sind. Bei Data Mining geht es nicht primär r darum, "wahre Gesetzmäß äßigkeiten" über den datengenerierenden Prozess aufzuzeigen. Im Vordergrund steht, ob die Ergebnisse für f den intendierten Zweck brauchbar bzw. praxistauglich sind. Overfitting Signifikanz kleiner irrelevanter Aspekte 55 Grenzen des Data Mining (III) - Aussagekraft Ein weiteres Problem kann im Überschätzen der Allmacht des Algorithmus liegen. Es besteht zweifellos die Gefahr, dass der Anwender jegliche Beziehung zu den Daten und Ihrer Semantik verliert. Der komplexe Algorithmus wird für f r den Anwender zur undurchschaubaren Black-Box, Box, die ihm von den Daten trennt. Das menschliche Überprüfen von Modellannahmen entfällt und die vom Algorithmus generierten Ergebnisse, welche oft nur eines von vielen mögliche m Interpretationsszenarien eines komplexen Datensatzes darstellen, werden fälschlicherweise als erwiesenes Faktum angesehen

29 Grenzen des Data Mining (IV) - Aussagekraft Häufig erlauben empirischen Daten keine eindeutige Entscheidung zwischen in bezug auf die den Algorithmus steuernden Kriterien nahezu äquivalenten Modellen, welche jedoch eine unterschiedliche semantische Interpretation aufweisen. Sensitivitätsanalysen tsanalysen und Visualisierungs- techniken werden hier zum unverzichtbaren Instrument, will man das Auffinden von Artefakten vermeiden. 57 Grenzen des Data Mining (V) - Privacy Angst vor der missbräuchlichen Verwendung personenbezogener Daten kann das allgemeine Klima für f statistische Erhebungen entscheidend beeinträchtigen Strikte Einhaltung ethischer Grundprinzipien 58 29

30 FALLBEISPIELE 59 Analyse eines Versicherungsbestandes Schadenfrequenz in den Gruppen nach Scorewert (1-jährig) - alle Haftpflichverträge 25% 20% Schäden in Prozent 15% 10% 5% 0% Gruppe 60 30

31 Anwendung Versicherungsbranche Seit 2003 wird bei einer großen österreichischen Versicherung das Annahmeverhalten der Kunden bei früheren Aktionen für die gezielte Kundenauswahl mittels Methoden des Data Mining herangezogen. 14 Direct mail Kampagne - Annahmequote in % , , ,7 4,4 2000* *2001 aufgrund Umstellung Verw altungssystem keine DM-Aktion 61 Praxisbeispiel: CHURN-Analyse Bei Kontaktierung von 30% der Kunden können 80% der abwanderungsgefährdeten Kunden erreicht werden. 1,0,8,5,3 AUC = 0,821 0,0 0,0,3,5,8 1,0 62 Echtdaten Mobilfunkanbieter Österreich 31

32 Entscheidungskriterien für Selektion 63 Entscheidungskriterien für Selektion Selektion: maximale Responsequote 64 32

33 Entscheidungskriterien für Selektion Profitmaximierende Selektion 65 Entscheidungskriterien für Selektion Reichweitenmaximierende und kostenneutrale Selektion 66 33

34 Entscheidungskriterien für Selektion Optimale Selektion unter Berücksichtigung beider Größen 67 Executive Summary Der unreflektierte Einsatz moderner Data Mining Software alleine bietet keine wie immer geartete Garantie für f r den Erfolg Ohne den intelligenten Einsatz moderner Data Mining Verfahren nach einem Best Practice Standard im analytischen CRM werden Unternehmen auf entwickelten stark kompetitiven Märkten mittel- bis langfristig massive Wettbewerbsnachteile erleiden

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07

Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Einführung in das Data Mining Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

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

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

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

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

0 Einführung: Was ist Statistik

0 Einführung: Was ist Statistik 0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen

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

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

Business Intelligence. Bereit für bessere Entscheidungen

Business Intelligence. Bereit für bessere Entscheidungen Business Intelligence Bereit für bessere Entscheidungen Business Intelligence Besserer Einblick in Geschäftsabläufe Business Intelligence ist die Integration von Strategien, Prozessen und Technologien,

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes

Mehr

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Industrie 4.0 Predictive Maintenance Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Anwendungsfälle Industrie 4.0 Digitales Objektgedächtnis Adaptive Logistik Responsive Manufacturing Intelligenter

Mehr

Algorithmische Modelle als neues Paradigma

Algorithmische Modelle als neues Paradigma Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

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

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Checklist Example APS-functionality Check FELIOS versus PRIMAVERA 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality-

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

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

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

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

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

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed Industrialisierung, Agilität und Compliance die Rolle von Performance Management

Mehr

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10.

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! 11.10.2012 1 BI PLUS was wir tun Firma: BI plus GmbH Giefinggasse 6/2/7 A-1210 Wien Mail: office@biplus.at

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

Komplexität der Information - Ausgangslage

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

Mehr

Knowledge Discovery. Lösungsblatt 1

Knowledge Discovery. Lösungsblatt 1 Universität Kassel Fachbereich Mathematik/nformatik Fachgebiet Wissensverarbeitung Hertie-Stiftungslehrstuhl Wilhelmshöher Allee 73 34121 Kassel Email: hotho@cs.uni-kassel.de Tel.: ++49 561 804-6252 Dr.

Mehr

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

Mehr

Behavioral Targeting und selbstlernende Kampagnen. Aktuelle Herausforderungen für Data Mining. Dr. Alexander K. Seewald

Behavioral Targeting und selbstlernende Kampagnen. Aktuelle Herausforderungen für Data Mining. Dr. Alexander K. Seewald Behavioral Targeting und selbstlernende Kampagnen Aktuelle Herausforderungen für Data Mining Dr. Alexander K. Seewald Behavioral Targeting Kognitive Neurowissenschaften Verhalten aussagekräftiger als Erklärung

Mehr

Vorhersagetechniken für zukünftiges Verhalten von Kunden

Vorhersagetechniken für zukünftiges Verhalten von Kunden IBM 360 Grad-Sicht auf den Kunden: Vorhersagetechniken für zukünftiges Verhalten von Kunden Sven Fessler, sven.fessler@de.ibm.com Solution Architect, IBM Germany Business Analytics & Optimization Das Spektrum

Mehr

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

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

Mehr

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

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

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

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center

Mehr

Effzienzsteigerung durch intelligentes Datenmanagement

Effzienzsteigerung durch intelligentes Datenmanagement Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Seminar im Sommersemester 2005 DATA WAREHOUSING Data Mining Christian Knappe Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für

Mehr

The integration of business intelligence and knowledge management

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

Mehr

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

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle Mit Legacy-Systemen in die Zukunft Dr. Roland Schätzle Der Weg zur Entscheidung 2 Situation Geschäftliche und softwaretechnische Qualität der aktuellen Lösung? Lohnen sich weitere Investitionen? Migration??

Mehr

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 DAS ERWARTET SIE IN MEINEM VORTRAG Neue Anforderungen, neue Herausforderungen, neue Möglichkeiten Software Demo:

Mehr

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner Agenda Universitätsrechenzentrum Heidelberg Data Mining SAS Mining Challenge Einführung in 14. November 2003 Hussein Waly URZ Heidelberg Hussein.Waly@urz.uni-heidelberg.de SAS Mining Challenge Generelle

Mehr

Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014

Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014 Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014 Beratung Business Analytics Software Entwicklung Datenmanagement AGENDA Der Kreislauf für die Betrugserkennung

Mehr

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!!

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!! REPORT OF INVENTION Please send a copy to An die Abteilung Technologietransfer der Universität/Hochschule An die Technologie-Lizenz-Büro (TLB) der Baden-Württembergischen Hochschulen GmbH Ettlinger Straße

Mehr

Big Data Anwendungen Chancen und Risiken

Big Data Anwendungen Chancen und Risiken Big Data Anwendungen Chancen und Risiken Dr. Kurt Stockinger Studienleiter Data Science, Dozent für Informatik Zürcher Hochschule für Angewandte Wissenschaften Big Data Workshop Squeezing more out of Data

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Lizenzmanagement auf Basis DBA Feature Usage Statistics?

Lizenzmanagement auf Basis DBA Feature Usage Statistics? Lizenzmanagement auf Basis DBA Feature Usage Statistics? Kersten Penni, Oracle Deutschland B.V. & Co. KG Düsseldorf Schlüsselworte Oracle License Management Services (LMS), Lizenzen, Lizenzierung, Nutzungserfassung,

Mehr

Corporate Digital Learning, How to Get It Right. Learning Café

Corporate Digital Learning, How to Get It Right. Learning Café 0 Corporate Digital Learning, How to Get It Right Learning Café Online Educa Berlin, 3 December 2015 Key Questions 1 1. 1. What is the unique proposition of digital learning? 2. 2. What is the right digital

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

p^db=`oj===pìééçêíáåñçêã~íáçå=

p^db=`oj===pìééçêíáåñçêã~íáçå= p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for

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

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

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

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

Mehr

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc. Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Market Basket Analysis oder: isst man Salat zum Schnitzel?

Market Basket Analysis oder: isst man Salat zum Schnitzel? Market Basket Analysis oder: isst man Salat zum Schnitzel? SAS Forum Switzerland, 07. Mai 2013 Ralph Wenzl Migros-Genossenschafts-Bund Customer & Web Intelligence Agenda 1 2 3 4 Muster in Warenkörben 3

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Cloud Architektur Workshop

Cloud Architektur Workshop Cloud Architektur Workshop Ein Angebot von IBM Software Services for Cloud & Smarter Infrastructure Agenda 1. Überblick Cloud Architektur Workshop 2. In 12 Schritten bis zur Cloud 3. Workshop Vorgehensmodell

Mehr

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

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

Mehr

Background for Hybrid Processing

Background for Hybrid Processing Background for Hybrid Processing Hans Uszkoreit Foundations of LST WS 04/05 Scope Classical Areas of Computational Linguistics: computational morphology, computational syntax computational semantics computational

Mehr

Künstliche Intelligenz

Künstliche Intelligenz Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define metrics Pre-review Review yes Release

Mehr

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Martin Herzog 06/07.11.2012 Data Mining als Herzstück von Predictive Analytics Data Mining

Mehr

Mining top-k frequent itemsets from data streams

Mining top-k frequent itemsets from data streams Seminar: Maschinelles Lernen Mining top-k frequent itemsets from data streams R.C.-W. Wong A.W.-C. Fu 1 Gliederung 1. Einleitung 2. Chernoff-basierter Algorithmus 3. top-k lossy counting Algorithmus 4.

Mehr

BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES

BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES Das Unternehmen Das Unternehmen Vorwerk: seit seiner Gründung 1883 ein Familienunternehmen Geschäftsvolumen 2013: 3,1 Milliarden

Mehr

DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION

DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION Dr. Daniel Jeffrey Koch Fraunhofer IAIS 19. Oktober 2015 1 Die Fraunhofer-Gesellschaft Forschen für die

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

Mehr

Praktikum Entwicklung von Mediensystemen mit ios

Praktikum Entwicklung von Mediensystemen mit ios Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp

Mehr

Haltung und Handlung. Theorien als Werkzeug Sozialer Arbeit. Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit

Haltung und Handlung. Theorien als Werkzeug Sozialer Arbeit. Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit Haltung und Handlung Theorien als Werkzeug Sozialer Arbeit Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit Zentrale Fragen Was verbindet Theorie und Praxis? In welchem Verhältnis stehen

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

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

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

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung

Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung Vorgehensweise bei der Umsetzung von Data Warehouse Projekten Agenda Problemstellung Reportingbeispiele Grundlage

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

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

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

Mehr

Business Applications of Data Mining

Business Applications of Data Mining Business Applications of Data Mining Seminar Business Intelligence Universität Konstanz Christian Rohrdantz Outline Einleitung Was ist Data Mining Rolle des DM in Business Intelligence Herausforderungen

Mehr

Kybernetik Das Kybernetische Modell

Kybernetik Das Kybernetische Modell Kybernetik Das Kybernetische Modell Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 05. 06. 2012 Das Modell Das Modell Was ist ein Modell? Ein Modell

Mehr

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz 2015 SAS Education Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz Anmeldung bei SAS Education Deutschland www.sas.de/education Tel. +49 6221 415-300 education@ger.sas.com Fax

Mehr

Data Mining - Motivation

Data Mining - Motivation Data Mining - Motivation "Computers have promised us a fountain of wisdom but delivered a flood of data." "It has been estimated that the amount of information in the world doubles every 20 months." (Frawley,

Mehr

Challenges for the future between extern and intern evaluation

Challenges for the future between extern and intern evaluation Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation

Mehr

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

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

Mehr

Analytisches Fundraising

Analytisches Fundraising Analytisches Fundraising Vorgehen, Verfahren, Werkzeuge DiaSys. Marketing Engineering AG, Wankdorffeldstr.102, 3014 Bern 031 922 31 50, zuercher@diasys.ch Analytisches Fundraising Inhaltsverzeichnis Datenbankgestütztes

Mehr

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich?

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich? KURZANLEITUNG Firmware-Upgrade: Wie geht das eigentlich? Die Firmware ist eine Software, die auf der IP-Kamera installiert ist und alle Funktionen des Gerätes steuert. Nach dem Firmware-Update stehen Ihnen

Mehr

Exercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part VIII) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part VIII) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises.

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

Präsentation zur Diplomprüfung. Thema der Diplomarbeit:

Präsentation zur Diplomprüfung. Thema der Diplomarbeit: Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data Mining- Verfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs.

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Dr. Frank Säuberlich Business Unit e-intelligence SAS Deutschland Agenda 1. Begriffsdefinition e-intelligence: Systemdimension Angebotsdimension

Mehr

Titel der Präsentation

Titel der Präsentation Titel der Präsentation Untertitel der Präsentation Kreativität in der Produktion audiovisueller Unterhaltung Strategie für eine digitale Medienwelt? Pamela Przybylski Institut für Kommunikationswissenschaft

Mehr

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH What is a GEVER??? Office Strategy OXBA How we used SharePoint Geschäft Verwaltung Case Management Manage Dossiers Create and Manage Activities

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

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

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

Mehr

Best Practice: On-demand Lösungen bei der Software AG. Dr. Dirk Ventur CIO and Head of Global Support

Best Practice: On-demand Lösungen bei der Software AG. Dr. Dirk Ventur CIO and Head of Global Support Best Practice: On-demand Lösungen bei der Software AG Dr. Dirk Ventur CIO and Head of Global Support Software AG ist der weltweit größte unabhängige Anbieter von Infrastruktursoftware für Geschäftsprozesse

Mehr