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

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

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

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

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

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

Teil I: Deskriptive Statistik

Teil I: Deskriptive Statistik Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten

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

PROSEMINAR: INFORMATIONSGEWINN DURCH EXPERIMENTE WS 09/10

PROSEMINAR: INFORMATIONSGEWINN DURCH EXPERIMENTE WS 09/10 PROSEMINAR: INFORMATIONSGEWINN DURCH EXPERIMENTE WS 09/10 DATA MINING ALS EXPERIMENT VORTRAG: CHRISTOPH NÖLLENHEIDT 26.01.10 Ablauf Das CRISP-DM-Modell Zwei verschiedene Standpunkte über die Theoriebildung

Mehr

Dialogmarketing dem Spender und Sponsor auf der Spur. Ulrich Hölscher, bedirect GmbH & Co. KG R. Andreas Domschke, Creditreform Bonn

Dialogmarketing dem Spender und Sponsor auf der Spur. Ulrich Hölscher, bedirect GmbH & Co. KG R. Andreas Domschke, Creditreform Bonn Dialogmarketing dem Spender und Sponsor auf der Spur Ulrich Hölscher, bedirect GmbH & Co. KG R. Andreas Domschke, Creditreform Bonn nhalte A. Was ist ein Spender / Sponsor? B. Wer sind die richtigen Adressaten?

Mehr

Data Mining als Arbeitsprozess

Data Mining als Arbeitsprozess Data Mining als Arbeitsprozess Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 31. Dezember 2015 In Unternehmen werden umfangreichere Aktivitäten oder Projekte im Bereich des Data Mining

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

Übung 6: Datenbanken und Informationsmanagement

Übung 6: Datenbanken und Informationsmanagement Übung zur Veranstaltung Wirtschaftsinformatik (PWIN) SS 2009 Übung 6: Datenbanken und Informationsmanagement Das InstantONS Szenario wird zur Lösung einiger Aufgabenstellungen dieser Übung benötigt. Es

Mehr

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten

Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Rechtzeitig mit SAS ein Bild über die Qualität der Analysedaten erhalten Datenqualität / Validierung Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien gerhard.svolba@sas.com Zusammenfassung

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

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

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

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

Mehr

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

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

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

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

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

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 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

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

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

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

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

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Grundlagen empirische Sozialforschung Befragung und Fragebogen im Unternehmen. Marco Skulschus Marcus Wiederstein

Grundlagen empirische Sozialforschung Befragung und Fragebogen im Unternehmen. Marco Skulschus Marcus Wiederstein Grundlagen empirische Sozialforschung Befragung und Fragebogen im Unternehmen Marco Skulschus Marcus Wiederstein 1 2 Grundlagen empirische Sozialforschung Befragung und Fragebogen im Unternehmen Marco

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

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

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

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

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

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

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

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

Schulungspaket QM. Prozesse optimieren Methoden einführen Kundenzufriedenheit erhöhen. Bearbeitet von Anja Kranefeld

Schulungspaket QM. Prozesse optimieren Methoden einführen Kundenzufriedenheit erhöhen. Bearbeitet von Anja Kranefeld Schulungspaket QM Prozesse optimieren Methoden einführen Kundenzufriedenheit erhöhen Bearbeitet von Anja Kranefeld 1. Auflage Onlineprodukt. ISBN 978 3 8111 2970 2 Wirtschaft > Management > Qualitätsmanagement

Mehr

Prozessoptimierung mit digitaler Datenanalyse

Prozessoptimierung mit digitaler Datenanalyse Deggendorfer Forum zur digitalen Datenanalyse e.v. (Hrsg.) Prozessoptimierung mit digitaler Datenanalyse Ansätze und Methoden Leseprobe, mehr zum Werk unter ESV.info/978-3-503-15736-5 Prozessoptimierung

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

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

Skalenniveau Grundlegende Konzepte

Skalenniveau Grundlegende Konzepte Skalenniveau Grundlegende Konzepte M E R K M A L / V A R I A B L E, M E R K M A L S A U S P R Ä G U N G / W E R T, C O D I E R U N G, D A T E N - M A T R I X, Q U A N T I T A T I V E S M E R K M A L, Q

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

Visualisierung der Imperfektion in multidimensionalen Daten

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

Mehr

Florian Frötscher und Demet Özçetin

Florian Frötscher und Demet Özçetin Statistische Tests in der Mehrsprachigkeitsforschung Aufgaben, Anforderungen, Probleme. Florian Frötscher und Demet Özçetin florian.froetscher@uni-hamburg.de SFB 538 Mehrsprachigkeit Max-Brauer-Allee 60

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die mu l- tidimensionale Betrachtung von Daten zwecks Ermit t- lung eines entscheidungsunterstützenden

Mehr

Stornoanalyse in einem Unfallversicherungsbestand

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

Mehr

Opinion Mining in der Marktforschung

Opinion Mining in der Marktforschung Opinion Mining in der Marktforschung von andreas.boehnke@stud.uni-bamberg.de S. 1 Überblick I. Motivation Opinion Mining II. Grundlagen des Text Mining III. Grundlagen des Opinion Mining IV. Opinion Mining

Mehr

Untersuchungsdesign: 23.11.05

Untersuchungsdesign: 23.11.05 Untersuchungsdesign: 23.11.05 Seite 1! Ablauf Untersuchungsdesign! Beispiel! Kleine Übung! Diskussion zur Vorbereitung von Übung 2 Während Sie das Untersuchungsdesign festlegen, planen und bestimmen Sie:

Mehr

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

Mehr

Fortgeschrittene Statistik SPSS Einführung

Fortgeschrittene Statistik SPSS Einführung Fortgeschrittene Statistik SPSS Einführung Q U A N T I T A T I V E M E R K M A L E, Q U A L I T A T I V E M E R K M A L E, A U S P R Ä G U N G E N, C O D I E R U N G E N, S K A L E N N I V E A U, D A T

Mehr

Einführung in Datenbanksysteme. H. Wünsch 01.2001

Einführung in Datenbanksysteme. H. Wünsch 01.2001 Einführung in Datenbanksysteme H. Wünsch 01.2001 H. Wünsch 01/2001 Einführung Datenbanken 2 Was sind Datenbanken? Datenbanken sind Systeme zur Beschreibung, Speicherung und Wiedergewinnung von Datenmengen.

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

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

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

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse?

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Ein Beispiel Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Dipl.-Kfm. Claus Häberle WS 2015 /16 # 42 XML (vereinfacht) visa

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

1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK

1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK 1 1. GEGENSTAND UND GRUNDBEGRIFFE DER STATISTIK 1.1 Gegenstand der Statistik Die Statistik stellt ein Instrumentarium bereit, um Informationen über die Realität oder Wirklichkeit verfügbar zu machen. Definition

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

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

Einführung in Data Mining anhand des Modells CRISP-DM

Einführung in Data Mining anhand des Modells CRISP-DM Einführung in Data Mining anhand des Modells CRISP-DM Seminarvortrag Linnea Passing Seminar, Scientific Programming, FH Aachen Stand: 11.01.2011 Rechen- und Kommunikationszentrum (RZ) Agenda Motivation

Mehr

Citizen Data Science. Balázs Bárány. 29. April 2016. Linuxwochen Wien 2016

Citizen Data Science. Balázs Bárány. 29. April 2016. Linuxwochen Wien 2016 Citizen Data Science Balázs Bárány Linuxwochen Wien 2016 29. April 2016 Inhalt Einführung: Data Science Werkzeuge und Methoden Citizen Data Science Daten holen Daten verstehen Daten-Vorverarbeitung Prädiktive

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

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

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

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

How- to. E- Mail- Marketing How- to. Anrede personalisieren. Ihr Kontakt zur Inxmail Academy

How- to. E- Mail- Marketing How- to. Anrede personalisieren. Ihr Kontakt zur Inxmail Academy E- Mail- Marketing How- to How- to Anrede personalisieren Personalisierung ist ein wichtiges Kundenbindungsinstrument, durch das die Aufmerksamkeit des Empfängers erheblich gesteigert werden kann. Dieser

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

7. Übung - Datenbanken

7. Übung - Datenbanken 7. Übung - Datenbanken Informatik I für Verkehrsingenieure Aufgaben inkl. Beispiellösungen 1. Aufgabe: DBS a Was ist die Kernaufgabe von Datenbanksystemen? b Beschreiben Sie kurz die Abstraktionsebenen

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

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

Mehr

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische

Mehr

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

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

Wirtschaftsinformatik - 1.Tutorium im WS 11/12

Wirtschaftsinformatik - 1.Tutorium im WS 11/12 Wirtschaftsinformatik - 1.Tutorium im WS 11/12 Organisatorisches Planung, Realisierung und Einführung von Anwendungssystemen Analyse und Gestaltung inner- und zwischen-betrieblicher Abläufe: ARIS Ereignisgesteuerte

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

Phase I: Angebotsvorbereitung

Phase I: Angebotsvorbereitung 1 Phase I: Angebotsvorbereitung Ziele der Phase I / Angebotsvorbereitung Kontakt herstellen erwartungen an das Angebot erteln Auftrag spezifizieren Rahmenbedingungen feststellen Beziehung aufbauen/vertrauensbasis

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

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

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

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

Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision

Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision Einführung Die DIN EN ISO 9001 erfährt in regelmäßigen Abständen -etwa alle 7 Jahreeine Überarbeitung und Anpassung der Forderungen

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

Mehr

AKWI-Fachtagung 2014. SAP HANA Live als Basis für operatives Reporting in Echtzeit. Customizing und Anwendung

AKWI-Fachtagung 2014. SAP HANA Live als Basis für operatives Reporting in Echtzeit. Customizing und Anwendung AKWI-Fachtagung 2014 Darius Nowak Prof. Dr. Harald Ritz Jörg Wolf SAP HANA Live als Basis für operatives Reporting in Echtzeit Customizing und Anwendung 1 Agenda 1. Einleitung 2. Motivation 3. SAP HANA

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

Deskriptive Statistik

Deskriptive Statistik Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche

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

Übung 2: Spezifikation von Auszügen eines Provisionssystems

Übung 2: Spezifikation von Auszügen eines Provisionssystems Übung 2: Spezifikation von Auszügen eines Provisionssystems Für die zweite Übung sollten Sie wieder auf einer einheitlichen Ausgangslage aufsetzen können. Dazu ist es nötig, zunächst einen groben Überblick

Mehr

Metriken für ein ROI-basiertes Datenqualitätsmanagement

Metriken für ein ROI-basiertes Datenqualitätsmanagement Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Metriken für ein ROI-basiertes Datenqualitätsmanagement Prof. Dr. Bernd Heinrich, Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

Mehr

Inhaltsverzeichnis 1. Einführung... Konzeptionelle Grundlagen der Unternehmensoptimierung... 10

Inhaltsverzeichnis 1. Einführung... Konzeptionelle Grundlagen der Unternehmensoptimierung... 10 I 1. Einführung... 1 1.1. Ausgangslage und Problemstellung... 1 1.2. Zielsetzung... 4 1.3. Wissenschaftlicher Ansatz, Vorgehensweise und Struktur der Arbeit... 6 2. Konzeptionelle Grundlagen der Unternehmensoptimierung...

Mehr

Wir bringen HIDDEN CHAMPIONS

Wir bringen HIDDEN CHAMPIONS Wir bringen HIDDEN CHAMPIONS voran. Datenmigration in proalpha Projekten Qualitativ hochwertige Daten aufbereiten am Beispiel eines ERP- Datenübernahmeprojektes bei der MULAG Fahrzeugwerk (Oppenau) Datenübernahme

Mehr

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4

Contents. Ebenen. Data Warehouse - ETL Prozess Version: July 10, 2007. 1 Ebenen. Andreas Geyer-Schulz und Anke Thede. 2 Problemquelle Quellsysteme 4 Contents Data Warehouse - ETL Prozess Version: July 10, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften

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

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

Planung und Auswertung klinischer und experimenteller Studien: Datenmanagement

Planung und Auswertung klinischer und experimenteller Studien: Datenmanagement Planung und Auswertung klinischer und experimenteller Studien: Datenmanagement Institut für Medizininformatik, Biometrie und Epidemiologie Universität Erlangen - Nürnberg 1 Einordnung in den Ablauf 1.

Mehr

Neuerungen Analysis Services

Neuerungen Analysis Services Neuerungen Analysis Services Neuerungen Analysis Services Analysis Services ermöglicht Ihnen das Entwerfen, Erstellen und Visualisieren von Data Mining-Modellen. Diese Mining-Modelle können aus anderen

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