Entscheidungsunterstützungssysteme

Größe: px
Ab Seite anzeigen:

Download "Entscheidungsunterstützungssysteme"

Transkript

1 Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II

2 Data Mining Wiederholung Begriffsverständnis Prozessorientiertes Verständnis von Data Mining: entspricht Knowledge Discovery in Databases Data Mining als Prozess,... der aus einer Datenmenge implizit vorhandene, aber bisher unentdeckte, nützliche Informationen extrahiert. Mertens, Bissantz, Hagedorn: Datenmustererkennung in der Ergebnisrechnung mit Hilfe der Clusteranalyse, in: Die Betriebswirtschaft (DBW), 54. Jg., Heft 6, 1994, S Methodenorientiertes Verständnis von Data Mining: entspricht einer Phase im KDD-Prozess Data Mining umfasst alle Aktivitäten, that find a logical or mathematical description, eventually of a complex nature, of patterns and regularities in a set of data. Bankhofer: Data Mining und seine betriebswirtschaftliche Relevanz, in: Betriebswirtschaftliche Forschung und Praxis (BFuP), 56. Jg., Heft 4, 2004, S Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

3 Data Mining2 Gliederung 1. Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete 4. Web Mining und Text Mining

4 Cross Industry Standard Process for Data Mining-Modell (CRISP-Modell) Business understanding Prozessmodell (Industriestandard) für die Durchführung von Data Mining- Projekten mit sechs Phasen Deployment Data Modeling Evaluation Chapman et al.: CRISP-DM 1.0, Step-by-step data mining guide, aufgerufen im Internet unter: S. 13 Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

5 Phase: Business Understanding Formulierung einer genauen Problembeschreibung einschließlich einer darauf folgenden Aufgabendefinition Abstimmung mit vorhandenen organisatorischen Strukturen und Abläufen einer Unternehmung Teilschritte: Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

6 Phase: Data Understanding Identifizierung benötigter Daten in internen und externen Quellen Auswahl relevanter Daten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

7 Extraktion relevanter Daten Sind die nötigen Daten verfügbar? Evtl. Datenerhebung (Testmailing), Datenanreicherung Berücksichtigung aller internen Datenquellen Verstehen der Daten! Daten in Vorsystemen Extraktion DM-Daten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

8 Externe (demografische) Daten Prinzip demografischer Daten: In einem Wohngebiet leben meist Personen mit Verschiedenste Anbieter externer Daten (demografisch, Finanzkennzahlen): Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

9 Externe (demografische) Daten Firmeninterne Informationen zu einem Kunden zumeist Kundenstammdaten und Vertragsdaten Zusätzliche demografische Informationen zu diesen Kunden Bevölkerungskennzahlen, Arbeitsloseninformationen, private Kaufkraft, finanzielle Situation, Status, bevorzugte Automarken, Bildungslevel, Art des Wohngebietes,... Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

10 Externe (demografische) Daten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

11 Demografische Daten auf Kundenebene 1. Die Datenanbieter erheben auf kleinen Wohneinheiten (Kreisgemeindeschlüssel) Informationen über die Bewohner Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

12 Beispiel: Acxiom 2 Mio. Haushalte werden regelmäßig befragt Fragen zu Themen wie: Auto, Beruf, Hobbys, Geld&Versicherung, Spendenbereitschaft etc. Fragen zu zukünftigen Kaufabsichten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

13 Beispiel: AZ Direct Person Haushalt Haus Mikrogeographische Datenbank (Ø 70 Haushalte pro Straßenabschnitt) Wahlbezirk Gemeinde/Postleitahlgebiet Anrede Akademischer Titel Berufscode Vorname, Name Telefon-Nr. Alterskategorie Geburtsdatum Sperrkennzeichen Konsum-Schwerpunkte Familie Textilien Zeitschriften Hobby Körperpflege, Gesundheit Heim, Haus, Garten Neuheiten Nahrungs-/Genussmittel Horoskope, Esoterik Ökologie, Natur, Bio Finanzdienstleistungen Fernsehen Manager, Führungskräfte, Entscheider Postkaufaffinität Haushaltsvorstand Haushaltsart Anzahl der Haushaltsmitglieder PLZ Ortsname Straße Anzahl der Familien pro Haus Wohngebietstyp Kaufkraft Mail-order-Neigung Altersstruktur Bebauungsstruktur Business-Struktu KFZ-Informationen Koordinaten Gemeindegrößenklasse Offizielle Statistiken Koordinaten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

14 Phase: Data Preparation Preprocessing Datenaufbereitung Bis zu 80% der zeitlichen, technischen und personellen Ressourcen Teilschritte die durchlaufen werden: Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

15 Phase: Data Preparation Gründe: Datenqualität Methodische Anforderungen Data Mining Problemstellungen Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

16 Data Cleansing Maßnahmen zur Erhöhung der Qualität des Datenbestandes und damit der Datenanwendbarkeit Korrektur fehlerhafter Daten Kriterien zur Beurteilung der Datenqualität Vollständigkeit Konsistenz Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

17 Data Cleansing Name Age Region City Children Meier 56 NRW Duisburg 3 Schulz 32 NRW Duisburg Yes Muster NRW Essen 2 Müller 18 NRW Diusburg 4 Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

18 Data Cleansing Behandlung fehlender Werte Daten aus operativen Prozessen oft lückenhaft Je nach Methode sind vollständige Datensätze Voraussetzung Möglichkeiten Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

19 Data Cleansing Ersetzen fehlender Werte Einsetzen eines plausiblen Wertes Einfachste Vorgehensweise: Anspruchsvolleres Vorgehen: Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

20 Data Cleansing - Beispiel Vorname Produkt Werbeweg Alter Jennifer CD Backstreet Boys Internet Gertrude CD Lustige Musikanten Couponanzeige im Goldenen Blatt Fehlende Werte Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

21 Data Cleansing - Beispiel Vorname Produkt Werbeweg Alter Jennifer CD Tokio Hotel Internet 17 Gertrude CD Lustige Musikanten Couponanzeige im Goldenen Blatt 68 Zu Vorname, Produkt und Werbeweg passendes Durchschnittsalter Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

22 Data Transformation Maßnahmen: Formatumwandlungen Anpassung von Skalenniveaus Normierung Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

23 Grundlegende Bezeichnungen Datenbestand / Database / Datenbasis Beobachtung Zeile, Tupel einer Tabelle Daten zu einer Einheit / einem Vorgang / einem Individuum / einem Vertrag... Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

24 Grundlegende Bezeichnungen Attribut / Feld / Variable Wert / Ausprägung Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

25 Grundlegende Bezeichnungen Zielvariable Einflussvariable Erklärungspotential Immer bekannt ID-Variable Indikator für Transaktionsgruppe Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

26 Beispiel Variablenarten Name PLZ Geschlecht Familienstand Alter Anz_Konten Beruf Storno Meier G Müller m Schulze m Berger w Jansen 6656 w Müller m Becker 6718 m Knorr m Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

27 Datenformat (Data Warehouse) Flache Tabelle (Data Mining) Zielvariable Attribut1 Attribut2... Z1 Ausprägung11 Ausprägung12 Z2 Ausprägung21 Ausprägung22 Z3 Ausprägung31... Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

28 Datenanreicherung Externe Daten auf höherer Aggregationsebene Marktforschung Kundendaten Artikelumsatz pro Alter Jahr m Geschlecht w Name Online-Käufe pro Jahr Geschlecht Geo-Typ Villen- Vorort Dorf Stadt m w Alte r Geschlecht Geo-Typ... Artikelumsatz Online- Käufe Meier 35 m Villen-Vorort Müller 48 w Stadt 20 3 Schulze 53 w Dorf Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

29 Datenreduktion Zeilen: Stichprobe Aggregation Spalten: Dimensionsreduktion Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

30 Stichproben Zufallsstichprobe Geschichtete Stichprobe z. B Schlechtzahler und 5000 Gutzahler Trainingsstichprobe, Validierungsstichprobe Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

31 Aggregation Z.B. Zusammenfassung verschiedener Käufe auf Kundenebene oder verschiedener Transaktionen auf Kontoebene Aggregationsfunktionen Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

32 Informationsverlust Informationsverlust Informationsdichte ID Name Produkt Umsatz 1 Müller Hemd 60 2 Müller Hose 80 3 Müller Hemd 70 Name Käufe Hemden Hosen Umsatzsumme Standardabweichung Müller Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

33 Dimensionsreduktion Reduzierung der Merkmalsanzahl Merkmalsteilmenge mit gleicher Beschreibungs-, Erklärungs- und Prognosefähigkeit Ausschluss offensichtlich überflüssiger Merkmale Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

34 Skalenniveau Überführung auf ein niedrigeres Skalenniveau Informationsverlust Klassenbildung (Cluster) Erfüllung von Modellvoraussetzungen Verringerung der Modellkomplexität Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

35 Skalentransformation 1. Nominalskala Bsp.: Farbe, Beruf 2. Ordinalskala Bsp.: gut mittel schlecht, Zensuren Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

36 Skalentransformation 3. Metrische Skala Höchstes Skalenniveau Reihenfolge der Ausprägungen Interpretierbarkeit der Abstände Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

37 Normierung Abbildung durch mathematische Funktion Logarithmus, Exponentialfunktion, Wurzel Merkmal mit bestimmten Lage- und Streuungsmaßen Standardnormalverteilung Wertebereich [0,1] Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

38 Abgeleitete Merkmale Abbildung bestehender Merkmale auf ein neues Merkmal Beispiele: Expertenwissen, Abbildung nichttrivialer Wirkungsrelationen Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

39 Phase: Data Modeling Anwendung der Data Mining Verfahren Anwendungsbereiche: Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

40 Phase: Evaluation Bewertung und Interpretation Bewertung der Data Mining-Ergebnisse Interessantheit Gültigkeit Neuartigkeit Nützlichkeit Verständlichkeit Bewertung des gesamten Data Mining-Prozesses Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

41 Phase: Deployment Anwendung der Ergebnisse Bestimmung der Art und Weise zur Nutzung der erzielten Ergebnisse in der Unternehmung Einmalige oder dauerhafte Verwendung der Ergebnisse Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

42 Fragen? Christian Schieder Professur Wirtschaftsinformatik II Vorlesung WS 2013/

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Data Mining (Entscheidungsunterstützungssysteme)

Data Mining (Entscheidungsunterstützungssysteme) Vorlesung (Entscheidungsunterstützungssysteme) WS 2014/2015 Prof. Dr. Peter Gluchowski Professur Wirtschaftsinformatik II Dr. Christian Schieder Professur Wirtschaftsinformatik II Übersicht 1. Einführung

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

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

Entscheidungsunterstützungssysteme

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

Mehr

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

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

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

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch?

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch? Oberseminar Data Mining 07. April 2010 Methodik des Data Mining Knowledge Discovery In Databases oder auch Data Mining - Der moderne Goldrausch? Data Mining...? Hochleistungsrechnen Geoinformationssysteme

Mehr

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess?

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess? Wozu einen standardisierten Prozess? Der Prozess der Wissensentdeckung muss verlässlich und reproduzierbar sein auch für Menschen mit geringem Data Mining Hintergrundwissen. Der CRISP-DM Prozess für Data

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

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

Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008. Wintersemester 2008/2009

Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008. Wintersemester 2008/2009 Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008 1. Übung Knowledge Discovery Wintersemester 2008/2009 Vorbemerkungen Vorlesungsfolien und Übungsblätter können Sie im Internet

Mehr

Einführung in die Wissensverarbeitung und Data Mining

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

Mehr

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

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption

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 GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science

TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb 1 TNS EX A MINE GeoCheck Warum GeoCheck für Sie interessant ist Mikrogeographische Informationen werden

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 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

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

26. GIL Jahrestagung

26. GIL Jahrestagung GeorgAugustUniversität Göttingen 26. GIL Jahrestagung Einsatz von künstlichen Neuronalen Netzen im Informationsmanagement der Land und Ernährungswirtschaft: Ein empirischer Methodenvergleich Holger Schulze,

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

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

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

Beispiel (Schule) Grundlegende Begriffe. Beispiel (Universität) Beispiel (Lotto) Untersuchungseinheiten und ihre Merkmale

Beispiel (Schule) Grundlegende Begriffe. Beispiel (Universität) Beispiel (Lotto) Untersuchungseinheiten und ihre Merkmale Grundlegende Begriffe Untersuchungseinheiten und ihre Merkmale Untersuchungseinheiten Merkmale Merkmalsausprägungen Beispiel (Schule) Untersuchungseinheiten: Schulkinder Merkmale: Körpergröße, Körpergewicht

Mehr

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, 22.03.2006 Andreas Reuß Universität Ulm Sektion

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

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

Mehr

Grundbegriffe (1) Grundbegriffe (2)

Grundbegriffe (1) Grundbegriffe (2) Grundbegriffe (1) S.1 Äquivalenzklasse Unter einer Äquivalenzklasse versteht man eine Klasse von Objekten, die man hinsichtlich bestimmter Merkmalsausprägungen als gleich (äquivalent) betrachtet. (z.b.

Mehr

Datenqualität erfolgreich steuern

Datenqualität erfolgreich steuern Edition TDWI Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte von Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi 3., überarbeitete und erweiterte Auflage

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

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

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

IV. Datenbankmanagement

IV. Datenbankmanagement Wirtschaftsinformatik 2 (PWIN) IV. Datenbankmanagement Kapitel 2: Datenmanipulationssprache SQL Wirtschaftsinformatik 2 (PWIN) SS 2009, Professur für Mobile Business & Multilateral Security 1 Agenda 1.

Mehr

1. Biometrische Planung

1. Biometrische Planung 1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen

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

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI Detlef Apel Wolfgang Behme Rüdiger Eberlein Christian Merighi Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte 3., überarbeitete und erweiterte Auflage Edition TDWI rä

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

MythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011

MythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ

Mehr

Datenmanagement und Datenqualität Techniken und Prozesse

Datenmanagement und Datenqualität Techniken und Prozesse Database Marketing: Datenmanagement und Datenqualität Techniken und Prozesse Andrea Ahlemeyer-Stubbe Management Summary Der zunehmende Wandel hin zu einer kundenorientierten Geschäftsführung und die Verinnerlichung

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

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

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

3.2 Bivariate Verteilungen

3.2 Bivariate Verteilungen 3.2 Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt i, i = 1,..., n, werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare/Kombinationen von

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Management von Kundendaten mit Hilfe eines Data Warehouse

Management von Kundendaten mit Hilfe eines Data Warehouse Management von Kundendaten mit Hilfe eines Data Warehouse Abstrakt: Seitdem der CRM-Gedanke Verbreitung gefunden hat, werden an die Kenntnisse über Kunden hohe Anforderungen gestellt. Im gleichen Maße

Mehr

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P

Index- und Zugriffsstrukturen für. Holger Brämer, 05IND-P Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören

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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

0 Einführung: Was ist Statistik

0 Einführung: Was ist Statistik 0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

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

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

MS-Excel 2003 Datenbanken Pivot-Tabellen

MS-Excel 2003 Datenbanken Pivot-Tabellen The Company Datenbanken Pivot-Tabellen (Schnell-Einführung) Seestrasse 160, CH-8002 Zürich E-Mail: info@iswsolution.ch Autor: F. Frei The Company 2 Inhaltsverzeichnis Inhaltsverzeichnis... 2 Datenbank...

Mehr

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet.

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet. Anleitung Listen Abgleich Interface Was macht das Listen Abgleich Interface? Das Listen Abgleich Interface importiert und gleicht Excel Listen, welche beispielsweise aus Web Kontaktformularen, Adresszukäufen

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

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und

Mehr

Elisabeth Raab-Steiner/Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS/PASW-Auswertung. 2., aktualisierte Auflage. facultas.

Elisabeth Raab-Steiner/Michael Benesch. Der Fragebogen. Von der Forschungsidee zur SPSS/PASW-Auswertung. 2., aktualisierte Auflage. facultas. Elisabeth Raab-Steiner/Michael Benesch Der Fragebogen Von der Forschungsidee zur SPSS/PASW-Auswertung 2., aktualisierte Auflage facultas.wuv Inhaltsverzeichnis 1 Elementare Definitionen 11 1.1 Deskriptive

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11

Mehr

Lehrgebiet Informationssysteme

Lehrgebiet Informationssysteme Lehrgebiet AG Datenbanken und (Prof. Michel, Prof. Härder) AG Heterogene (Prof. Deßloch) http://wwwlgis.informatik.uni-kl.de/ Was sind? Computergestützte Programmsysteme, die Informationen erfassen, dauerhaft

Mehr

Grundlagen der Datenanalyse am Beispiel von SPSS

Grundlagen der Datenanalyse am Beispiel von SPSS Grundlagen der Datenanalyse am Beispiel von SPSS Einführung Dipl. - Psych. Fabian Hölzenbein hoelzenbein@psychologie.uni-freiburg.de Einführung Organisatorisches Was ist Empirie? Was ist Statistik? Dateneingabe

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

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

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009 Datenqualität: allgemeiner Überblick Waldemar Braun Seminar Datenqualität OvGU Magdeburg Gliederung 1. Einleitung 2. Motivation 3. Definition 4. DQ-Probleme 5. DQ-Dimensionen 6. DQ-Modelle 7. Messen der

Mehr

Infrastruktur für Web Intelligent Systems

Infrastruktur für Web Intelligent Systems Infrastruktur für Web Intelligent Systems Thema: Business Intelligence Teil II: Data Mining & Knowledge Discovery von Christian Merker Gliederung Web-Intelligent-Systeme Begriffsklärung Personalisiertes

Mehr

Data Mining - Wiederholung

Data Mining - Wiederholung Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)

Mehr

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

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

Mehr

Data, Dialog und Content-Marketing. Trendstudie 2013: Wie wachsen CRM und Corporate Publishing zusammen?

Data, Dialog und Content-Marketing. Trendstudie 2013: Wie wachsen CRM und Corporate Publishing zusammen? Data, Dialog und Content-Marketing Trendstudie 2013: Wie wachsen CRM und Corporate Publishing zusammen? 1. Untersuchungsdesign Umfrage unter Marketingentscheidern und Kommunikationsleitern Zeitraum: 10.

Mehr

Data Mining Bericht. Analyse der Lebenssituation der Studenten. der Hochschule Wismar. Zur Veranstaltung. Business Intelligence

Data Mining Bericht. Analyse der Lebenssituation der Studenten. der Hochschule Wismar. Zur Veranstaltung. Business Intelligence Data Mining Bericht Analyse der Lebenssituation der Studenten der Hochschule Wismar Zur Veranstaltung Business Intelligence Eingereicht von: Mohamed Oukettou 108 208 Maxim Beifert 118 231 Vorgelegt von:

Mehr

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06. Analytisches CRM Workshop Data Mining im Datenbasierten Marketing Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.2015 Data Mining bietet Antworten auf zahlreiche analytische Fragestellungen

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg

Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis und Markov-Modelle. Christian Weiß Institut für Angewandte Mathematik und Statistitik Universität Würzburg Sequential Pattern Analysis Historische Aspekte Data Mining als Teildisziplin

Mehr

SingleSignOn Schnittstelle

SingleSignOn Schnittstelle SingleSignOn Schnittstelle Integration vom Seminar-Shop mit der Partnerseite unter Verwendung der Seminar-Shop Formulare 1 Grundidee: Eine Website übernimmt den Seminar-Shop Content und wünscht, dass ein

Mehr

Informationsflut bewältigen - Textmining in der Praxis

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

Mehr

Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG

Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG 2 Big Data Gartner prognostiziert, dass Unternehmen im laufenden Jahr für IT-Lösungen im Big-Data- Bereich 34 Milliarden

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM Datenreorganisation > Effiziente und performante Stammdatenreorganisation mit SAP Data Services < Simon Hartstein / T-Systems Data Migration Consulting AG / Harmonization & Consolidation Mai 21, 2014 Agenda

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

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

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems markus.helfert@unisg.ch Slide 2 Überblick Data-Warehouse-Systeme und Datenqualität Datenqualitätsmanagement Datenqualität

Mehr

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter

bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen

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

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Marktforschung. Marketing für den KMU / J. Schoch

Marktforschung. Marketing für den KMU / J. Schoch Marktforschung 9. Unterrichtsblock Marketing für den KMU Die Marktforschung hat zum Ziel, Informationen sei es auf dem Feld oder mit Statistiken zu gewinnen, um Trends, Möglichkeiten, Alternativen, Sinn

Mehr

Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013

Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013 Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013 Endler Gregor, Warum Datenqualität? 2002, USA: 600.000.000 $ Y2k weltweit: 1.500.000.000 $ Kosten 44.000 98.000 Todesfälle

Mehr

Datenschutzgerechtes Data Mining

Datenschutzgerechtes Data Mining Datenschutzgerechtes Data Mining Seminarvortrag von Simon Boese Student der Wirtschaftsinformatik Wissensgewinnung Rohdaten aus DataWarehouse / OLAP Klassifikation / Assoziation Neue Infos: allgemeine

Mehr

Kurze Einführung in IBM SPSS für Windows

Kurze Einführung in IBM SPSS für Windows Kurze Einführung in IBM SPSS für Windows SPSS Inc. Chicago (1968) SPSS GmbH Software München (1986) 1984: Datenanalyse Software für den PC 1992: Datenanalyse Software unter Windows 1993: Datenanalyse Software

Mehr