Predictive Analytics Prediction is very difficult, especially if it s about the future. (Bohr, Niels)

Größe: px
Ab Seite anzeigen:

Download "Predictive Analytics 25.06.2014. Prediction is very difficult, especially if it s about the future. (Bohr, Niels)"

Transkript

1 Predictive Analytics München, 25. Juni 2014 Markus Enderlein, Stefan Jäschke, Gert Jan Feick TDWI Konferenz 2014 Prediction is very difficult, especially if it s about the future. (Bohr, Niels)

2 Agenda Predictive Analytics im Alltag Einsatzgebiete im Unternehmen Funktionsweise Predictive Analytics Überblick Hersteller Predictive Analytics im Einsatz Dos and don ts PREDICTIVE ANALYTICS IM ALLTAG

3 Predictive Analytics im Alltag Reise buchen Reise buchen Predictive Analytics im Alltag Kreditkartenbetrug

4 Business Intelligence entwickelt sich weiter WIE KÖNNEN WIR STEUERN? WAS WIRD PASSIEREN? Prescriptive Analytics Mehrwert WAS IST PASSIERT? Descriptive Analytics WARUM IST ES PASSIERT? Diagnostic Analytics Predictive Analytics Schwierigkeit Quelle: Gartner Was ist Predictive Analytics Predictive Analytics Statistik Data Mining Predictive Analytics vereinigt mehrere Methoden, um zukünftige Ereignisse vorhersagen und steuern zu können. verbindet: Machine Learning Datenbankmanagement

5 Gründe für Entwicklung Predictive Analytics Quelle: TDWI, Fern Halper EINSATZGEBIETE IM UNTERNEHMEN

6 9 Building Blocks Beispiel: Sportler Scoring Früher? Heute! Mit Hilfe von Predictive Analytics können folgende Fragestellungen beantwortet werden: Welche Sportler sollen gefördert werden (= bei wem sind die Erfolgsaussichten am größten)? Wie hoch soll die Förderung sein? Kann man voraussagen, welche Sportler wahrscheinlich frühzeitig ihre Karriere beenden werden? Welche Faktoren beeinflussen sportlichen Erfolg? Welche Personen sind potentielle Spender oder Sponsoren?

7 Beispiel: Customer Lifetime Value Wertvolle Kunden? Kundenbindung! Früher Heute Mit Hilfe von Predictive Analytics können folgende Fragestellungen beantwortet werden: Welche Kunden stehen kurz davor ein Wechsel der Bank durchzuführen? Welche Marketingmaßnahmen (Produkte) sprechen den Kunden am meisten an? Früherkennung eines Wechsels Abzug von Geldern, Veräußerung vieler/aller Wertpapiere etc. Entscheidung für/gegen personalisierte Marketingaktionen FUNKTIONSWEISE PREDICTIVE ANALYTICS

8 Predictive Analytics Prozess Schritt 1 Modellbildung Schritt 2 Prognose Modellbildung Daten Prognosemodell Prognose Predictive Analytics Prozess Schritt 1 Modellbildung Schritt 2 Prognose Modellbildung Daten Prognosemodell Prognose

9 Methoden im Bereich Predictive Analytics KLASSIFIKATION Ursache-Wirkungsanalyse Was sind bisher unbekannte Einflussfaktoren und wie groß sind diese? ASSOZIATION Erkennen von Mustern in sequentiellen bzw. zeitorientierten Daten Welche Merkmalskombinationen treten häufig miteinander auf? SEGMENTIERUNG Bildung von homogenen Gruppen, die untereinander heterogen sind Gibt es Fälle mit inkonsistentem Verhalten der Segmentzuordnung? REGRESSION ZEITREIHENANALYSE Statistischer Zusammenhang zwischen unterschiedlichen Attributen Prognose von fehlenden/zukünftigen Attributwerten TEXT MINING Verarbeitung von unstrukturierten Daten Welche Beiträge finden sich zu einer bestimmten Fragestellung? Typische Fragestellungen Churn-Analyse: Welcher Kunde hat Kündigungspotential? Fraud-Detection: (automatisierte) Erkennung von ungewöhnlichem Kaufverhalten Warenkorbanalyse: Welche Produkte werden zusammen gekauft? Webseitenoptimierung: Welche Seitennavigation nimmt mein Kunde auf dem Weg zur gewünschten Aktion (z.b. Kauf eines Produktes) Kundentargeting: Ableiten von individuellen Kaufempfehlungen für Kundengruppen Social Network Analyse: Erkennen von Communities Absatzprognose: Wie viele l Bier werde wir im Sommer 2014 verkaufen? Schadensprognose: Welche Schadenshöhe wird der Versicherungsnehmer in Zukunft voraussichtlich geltend machen? Textlinkanalyse: häufige Begriffe im Zusammenhang mit meinem Produkt Sentiment-Analyse: Gibt es mehr positive oder mehr negative Meinungen zu meinem Produkt im Web?

10 CRISP-DM Cross Industry Standard Process for Data Mining Business Analysten / Fachabteilung Daten Business Manager Einsatz der Ergebnisse Modellbildung Modellbewertung Geschäftsverständnis Datenverständnis Datenaufbereitung Data Miner /Statistiker SEMMA Sample Explore, Modify, Model & Access Sample Sampling Ja/Nein Explore Data visualization Clustering Associations Datenverständnis Modify Variable selection Creation Data transformation Datenaufbereitung Model Neural networks Tree based models Logistic models Other Modellbildung Assess Model assesment Modellbewertung

11 Erforderliche Fähigkeiten BUSINESS ANALYSTEN / FACHABTEILUNG Formulierung Fragestellung Sammlung der relevanten Daten Verständnis der Daten DATA MINER / STATISTIKER Analytische Methoden Mathematische Kenntnisse IT-Kenntnisse Fachliches Verständnis BUSINESS MANAGER Verständnis der Daten Ableitung von Handlungsempfehlungen aus den Ergebnissen Berücksichtigung der Unternehmensstrategie Organisation Wer in Ihrem Unternehmen benutzt tatsächlich Predictive Analytics um Modelle zu erstellen?* Statistician/data scientist 76% Business analyst 63% IT developers 29% External partners 25% Other business user 11% Casual users 1% *Basierend auf 126 befragten Personen

12 Organisation Was denken Sie, wer in naher Zukunft Predictive Analytic Tools in ihrem Unternehmen benutzen wird?* Business analyst 86% Statistician/data scientist 79% Other business user 42% IT developers 37% External partners 30% Casual users 17% Customers 16% *Basierend auf 126 befragten Personen Organisation Bis zu welchem Grad glauben Sie, dass die folgenden Fähigkeiten wichtig sind um mit Predictive Analytics zu arbeiten?* (Not at all, to a little extend, to some extend, to a moderate extend, to a large extend.) Knowledge of the business 74% Knowledge and understanding of the source data and how to properly prepare and integrate it for model Critical thinking 67% 67% Training in predictive analytics 41% Degree in statistics, math, or other quantitative discipline *Basierend auf 330 befragten Personen Communication skills Training on the software 29% 34% 39%

13 Höhere Automatisierung auch im Steuerungs- und Entscheidungsprozess Analytics Beteiligung Entscheider DESCRIPTIVE Was ist passiert? Daten DIAGNOSTIC Warum ist es passiert? PREDICTIVE Was wird passieren? Entscheidung Aktion PRESCRIPTIVE Wie können wir steuern? Entscheidungshilfe Entscheidungsautomatisierung Quelle: Gartner ÜBERBLICK HERSTELLER

14 Analysten-Überblick Quelle: Gartner Magic Quadrant for Advanced Analytics Plattforms Forrester Studie Q Häufig eingesetzte Werkzeuge Kommerzielle Tools Open Source IBM SPSS Modeler SAP InfiniteInsight (ehemals KXEN) KNIME Rapid Miner SAP Predictive Analysis mit R Integration SAS Enterprise Miner

15 Häufig eingesetzte Werkzeuge Kommerzielle Tools Open Source IBM SPSS Modeler SAP InfiniteInsight (ehemals KXEN) KNIME Rapid Miner SAP Predictive Analysis mit R Integration SAS Enterprise Miner IBM SPSS Modeler Architektur: Client-/Server- Modell Datenzugriff Datenbanken Flat Files (txt, csv) Excel SPSS Statistics Files SAS File BO Universen Datenaufbereitung Exploration Selektion Transformation Aggregation Merge/ Append Anonymisierung Restrukturieren Sampling

16 IBM SPSS Modeler IBM SPSS Modeler Modellierung: Klassifikation Assoziation Segmentierung Regression/Zeitreihen Text Mining: Text Analytics Package Soziale Netzwerk Analyse, Entity Analyse Besondere Features: Automatische Datenaufbereitung Meta-Modeling: Automatische Modellselektion (binäre und numerische Zielgrößen, Cluster, Zeitreihenmodelle) Vergleich/Kombination der Ergebnisse mehrerer Modelle In-Database Modeling: Microsoft SQL Server Analysis Services, Netezza, InfoSphere, DB2, Oracle

17 SAP Predictive Analysis Architektur: Desktopanwendung, streambasiert, Integration mit SAP HANA und R Datenzugriff Datenbanken Flat Files (txt, csv) Excel SPSS Statistics Files SAS File BO Universen Datenaufbereitung Exploration Selektion Transformation Aggregation Merge/ Append Anonymisierung Restrukturieren Sampling SAP Predictive Analysis

18 SAP Predictive Analysis - Features Modellierung: HANA PAL und R Algorithmen Klassifikation Assoziation Segmentierung Regression/Zeitreihen Text Mining: R-Integration Besondere Features: Visuelle Datenexploration durch SAP Lumira Frontend Integration von zahlreichen Algorithmen und Visualisierungen durch Einbinden von R-Code SAS Enterprise Miner Architektur: Streambasiert, Desktopanwendung Datenzugriff Datenbanken Datenbanken Flat Files (txt, Flat csv) Files (txt, csv) Excel Excel SPSS Statistics SPSS Statistics Files Files SAS File SAS File BO Universen BO Universen Datenaufbereitung Exploration Exploration Selektion Selektion Transformation Transformation Aggregation Aggregation Merge/ Append Merge/ Append Anonymisierung Anonymisierung Restrukturieren Restrukturieren Sampling Sampling

19 SAS Enterprise Miner SAS Enterprise Miner Modellierung: Klassifikation Assoziation Segmentierung Regression/Zeitreihen Text Mining: Text Analytics Sentiment Analysis Besondere Features: Export von Code (SAS, PMML) Einfache explorative Analyse der Daten Visuelle Anzeige von Korrelationen zwischen Attributen einfach möglich (sogenanntes Brushing) Automatisierter Model-Vergleich und Scoring von Modellen

20 RapidMiner Architektur: Client- Server- Architektur oder Desktopanwendung Datenzugriff Datenbanken Flat Files (txt, csv) Excel SPSS Statistics Files SAS File BO Universen Datenaufbereitung Exploration Selektion Transformation Aggregation Merge/ Append Anonymisierung Restrukturieren Sampling RapidMiner

21 RapidMiner Modellierung: Klassifikation Assoziation Segmentierung Regression/Zeitreihen: Series Extension Text Mining: Text Mining Extension Extensions: Web Mining, Reporting Besondere Features: Debug-Modus Fehlerbehandlung Schleifen Logging Verwendung von Makros Ausführung von SQL/Programmen Dateisystemoperationen Datengenerierung Einordnung INFOMOTION Fachanwender SAP InfiniteInsight (KXEN) Benutzerfreundlichkeit SAP Predictive Analysis IBM SPSS Modeler SAS EnterpriseMiner KNIME RapidMiner Data Scientist Basis Funktionalität Experte

22 Einordnung INFOMOTION Fachanwender SAP InfiniteInsight (KXEN) Benutzerfreundlichkeit IBM SPSS Modeler SAS EnterpriseMiner SAP Predictive Analysis mit R Integration KNIME RapidMiner Data Scientist Basis Funktionalität Experte DEMONSTRATION

23 Häufig eingesetzte Werkzeuge Kommerzielle Tools Open Source IBM SPSS Modeler SAP Infinite Insight (ehemals KXEN) KNIME Rapid Miner SAP Predictive Analysis mit R Integration SAS Enterprise Miner DOS AND DON TS

24 Do s and Don ts zum Anfang Do s Don ts Definieren der benötigten Skills Entwicklung eines realistischen Business Cases Verständnis und Verfügbarkeit der Daten Engagiertes Team innerhalb der Organisation Inkrementierende Entwicklung eines Models Optimale grundlegende BI-Infrastruktur *1) Source: Thomas A. Rathburn, 10 Mistakes to avoid in Predictive Analytics Fehlende Fokus Return on Investment *1 Falsche Anwendung der Methoden *1 Zu große Abhängigkeit von Technologie *1 Mehrere Fragestellungen in einem Model *1 Zu großer Fokus auf Evaluierung des Models Ignorieren notwendigen Schritte, wie Daten-Vorbereitung Investieren in überdimensionale PA- Werkzeuge ZUSAMMENFASSUNG

25 Zusammenfassung Predictive Analytics als Must-have zur Erweiterung der analytischen Fähigkeiten des Unternehmens zur Erhöhung der Automatisierungsgrades zur Optimierung bestehender und Entwicklung neuer Geschäftsprozesse Predictive Analytics als Self Service Data Mining Mit verbreiterter Zielgruppe Mit sehr hoher Usability der Werkzeuge Mit verbreitertem Einsatzbereich Mit entsprechenden Governance-Strukturen (Organisation, Prozesse und Best Practices) Ihr Kontakt für Fragen GERT JAN FEICK Master of Science in Informatics Managing Consultant INFOMOTION GMBH LUDWIGSTRASSE FRANKFURT T: +49 (0) F: +49 (0) M: +49 (0) MARKUS ENDERLEIN Diplom-Wirtschaftsinformatiker (FH) Leiter Marketing und Produktmanagement DR. KATRIN ZAIß Diplom Informatikerin Consultant INFOMOTION GMBH LUDWIGSTRASSE FRANKFURT T: +49 (0) F: +49 (0) M: +49 (0) INFOMOTION GMBH KONRAD-ADENAUER-UFER KÖLN T: F: M: +49 (0)

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

Entfesseln Sie Ihr Potential als Realzeit-Unternehmen!

Entfesseln Sie Ihr Potential als Realzeit-Unternehmen! Entfesseln Sie Ihr Potential als Realzeit-Unternehmen! CC NOW 2013-19.9.13 in Düsseldorf Klaus-J. Zschaage authensis AG stellen Sie sich vor Seite 2 stellen Sie sich vor was ist dafür zu tun? Seite 3 Geschäftsoptimierung

Mehr

Optimiertes IT Service Management durch Predictive Analytics. München, 23.06.2015 Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015

Optimiertes IT Service Management durch Predictive Analytics. München, 23.06.2015 Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015 Optimiertes IT Service Management durch Predictive Analytics München, 23.06.2015 Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015 Agenda Herausforderungen im IT Service Management (ITSM) Predictive

Mehr

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3

Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Neuerungen im Enterprise Miner 5.2 & Text Miner 2.3 Copyright 2005, SAS Institute Inc. All rights reserved. Ulrich Reincke, SAS Deutschland Agenda Der Neue Enterprise Miner 5.2 Der Neue Text Miner 2.3

Mehr

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren

Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren Fortgeschrittene Analysetechnologien: Abgrenzung, Produktübersicht, Erfolgsfaktoren BI, Big Data, CRM Forum @ CeBIT 2015, Hannover, 19.03.2015 Patrick Keller, Senior Analyst Status Quo Business Intelligence

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

R im Enterprise-Modus

R im Enterprise-Modus R im Enterprise-Modus Skalierbarkeit, Support und unternehmensweiter Einsatz Dr. Eike Nicklas HMS Konferenz 2014 Was ist R? R is a free software environment for statistical computing and graphics - www.r-project.org

Mehr

Was gibt es Neues in der BI Welt

Was gibt es Neues in der BI Welt BI-Kongress 2015 COMBINED THINKING FOR SUCCESS. Was gibt es Neues in der BI Welt Daniel Stecher, Stephan Weber, Adrian Bourcevet Frankfurt, 09. Juni 2015 Zürich, 11. Juni 2015 CubeServ BI-Kongress 2015

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

Predictive Analysis für eine intelligente Produktionsplanung Dr. Andreas Cardeneo, SAP Data Science 20. Mai 2014

Predictive Analysis für eine intelligente Produktionsplanung Dr. Andreas Cardeneo, SAP Data Science 20. Mai 2014 Predictive Analysis für eine intelligente Produktionsplanung Dr. Andreas Cardeneo, SAP Data Science 20. Mai 2014 Agenda Vorstellung Kundenbeispiel Absatzprognose SAP Predictive Analysis Anwendung SAP Predictive

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

Predictive Modeling Markup Language. Thomas Morandell

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

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Integriertes Marketingmanagement 2013

Integriertes Marketingmanagement 2013 Integriertes Marketingmanagement 2013 Schneller sehen, verstehen und entscheiden Dr. Andreas Becks Senior Business Architect SAS Deutschland GmbH Agenda Integriertes Marketingmanagement 2013 Die neue Bank

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 @ Netezza mit IBM SPSS

Data Mining @ Netezza mit IBM SPSS Michael Ridder Senior Technical Sales Professional Predictiv Analytics Data Mining @ Netezza mit IBM SPSS Software Wir ertrinken in Informationen, aber wir hungern nach Wissen. John Naisbitt Trendforscher

Mehr

BOARD Deutschland GmbH

BOARD Deutschland GmbH BOARD Deutschland GmbH Roger Schymik Senior PreSales Consultant BOARD Deutschland GmbH Better decisions. Better business. Der Wendepunkt WETTBEWERBSFÄHIGKEIT BI & CPM WENDEPUNKT Entscheidungs -effektivität

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

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

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

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

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS

WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST? BERNADETTE FABITS WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS HINEIN GEHÖRT DATA SCIENTIST, STATISTIKER, DATA MINER, ANALYST,. Gibt es noch mehr von denen. die arbeiten mit Big Data

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

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

Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg, 16.09.2014 www.boak.ch

Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg, 16.09.2014 www.boak.ch Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg, 16.09.2014 www.boak.ch it Diese Session gibt einen Überblick über Predictive und Data Mining, die Value-Proposition

Mehr

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Jochen Heßler, 16.03.2015 2002 Gegründet in Freiburg, Deutschland 2002 Heute Büros in Freiburg, Frankfurt, Düsseldorf, Paris, Boston

Mehr

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

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

Mehr

Datenanalyse und Predictive Analytics IBM SPSS Statistics IBM Modeler

Datenanalyse und Predictive Analytics IBM SPSS Statistics IBM Modeler Wiener Biometrische Sektion (WBS) der Internationalen Biometrischen Gesellschaft Region Österreich Schweiz (ROeS) WBS Herbst Seminar Statistische Software für Biometrische Auswertungen Datenanalyse und

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

Von 0 auf 100 in Rekordzeit Erfolgsfaktoren beim Aufbau der Kundenanalytik

Von 0 auf 100 in Rekordzeit Erfolgsfaktoren beim Aufbau der Kundenanalytik Von 0 auf 100 in Rekordzeit Erfolgsfaktoren beim Aufbau der Kundenanalytik Raiffeisen Schweiz Christian Mewes, Stv. Projektleiter CRM SAP Banken und Versicherungen 2015, 01.07.2015, Zürich Von 0 auf 100

Mehr

Management Cockpits. Business Intelligence für Entscheider. Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH

Management Cockpits. Business Intelligence für Entscheider. Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH Management Cockpits Business Intelligence für Entscheider Oliver Röniger EMEA Business Intelligence ORACLE Deutschland GmbH email: oliver.roeniger@oracle.com Tel.: 0211 / 74839-588 DOAG, Mannheim, 15.

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

Trends im Markt für Business Intelligence. Patrick Keller, Senior Analyst & Prokurist CeBIT 2016

Trends im Markt für Business Intelligence. Patrick Keller, Senior Analyst & Prokurist CeBIT 2016 Trends im Markt für Business Intelligence Patrick Keller, Senior Analyst & Prokurist CeBIT 2016 18.03.2016 BARC 2016 2 IT Meta-Trends 2016 Digitalisierung Consumerization Agilität Sicherheit und Datenschutz

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

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

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com Wer sind wir? Wir sind ein unabhängiges Beratungs- und Analystenhaus für Business Intelligence Beratungs-

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

BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA

BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA AUFSTELLUNG OPTIMIEREN. ENTWICKELN SIE IHRE SYSTEMLANDSCHAFT WEITER UND VERKAUFEN SIE DIE CHANCEN IHREN ANWENDERN Yu Chen, Thorsten Stossmeister

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

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

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

OWB 10.2 Experts im Einsatz: Automatisierung von Designschritten bei der Bayer Healthcare AG. Referent: Lutz Bauer, Senior Systemberater, MT AG

OWB 10.2 Experts im Einsatz: Automatisierung von Designschritten bei der Bayer Healthcare AG. Referent: Lutz Bauer, Senior Systemberater, MT AG OWB 10.2 Experts im Einsatz: Automatisierung von Designschritten bei der Bayer Healthcare AG Referent: Lutz Bauer, Senior Systemberater, MT AG Inhaltsverzeichnis Kurzvorstellung Data Warehouse Bayer Healthcare

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

Willkommen zu den IBM SPSS Data und Text Mining Tagen 2013

Willkommen zu den IBM SPSS Data und Text Mining Tagen 2013 Willkommen zu den IBM SPSS Data und Text Mining Tagen 2013 Hamburg, Berlin, Düsseldorf, Frankfurt a.m., München 2013 IBM Corporation 2012 IBM Corporation Ihre Ansprechpartner heute Christian Dennerlein

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

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

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

Self Service BI der Anwender im Fokus

Self Service BI der Anwender im Fokus Self Service BI der Anwender im Fokus Frankfurt, 25.03.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC 1 Kernanforderung Agilität = Geschwindigkeit sich anpassen zu können Quelle: Statistisches

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

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

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

Copyright 2015 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice.

Copyright 2015 Hewlett-Packard Development Company, L.P. The information contained herein is subject to change without notice. Schritt für Schritt in das automatisierte Rechenzentrum Converged Management Michael Dornheim Mein Profil Regional Blade Server Category Manager Einführung Marktentnahme Marktreife Bitte hier eigenes Foto

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch

B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch B1 - Big Data Science: Tornado oder laues Lüftchen? Uetliberg, 15.09.2015 www.boak.ch WANN REDEN WIR VON BIG DATA SCIENCE? Big Data ist der technische Teil von Big Data Science. Mehr Daten! Mehr Datenquellen(-änderungen)!

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

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014 Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung

Mehr

Risiko Modellierung mit PillarOne PillarOne Risk Management meets Open Source

Risiko Modellierung mit PillarOne PillarOne Risk Management meets Open Source Risiko Modellierung mit PillarOne PillarOne Risk Management meets Open Source Workshop SAV Tagung, 29. August 2009 Stefan Kunz, Intuitive Collaboration Das Projekt PillarOne PillarOne ist Community Entwicklung

Mehr

Wertvolle Textdaten erschließen mittels Text Mining

Wertvolle Textdaten erschließen mittels Text Mining IBM SPSS Data und Text Mining Tage 2013 Frankfurt Düsseldorf München Hamburg - Berlin Wertvolle Textdaten erschließen mittels Text Mining Jens Barthelmes Predictive Text Analytics Solution Architect 2013

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

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch

IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch IBM Smart Analytics System und IBM Cognos BI: Vom Single Point of Truth zum mobilen Cockpit - ein Praxisbericht beim Unternehmen Theo Förch Markus Ruf, Geschäftsführer mip GmbH Jens Kretzschmar, Senior

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

SAP BI Fokustage 2015

SAP BI Fokustage 2015 SAP BI Fokustage 2015 Agenda 13:30 Uhr Begrüßung 13:45 Uhr Quo vadis SAP BW? Die Backend-Strategie der SAP Windhoff Software Services GmbH 14:30 Uhr Projektvortrag: Mobile Dashboard-Anwendung mit SAP Design

Mehr

Mehrwert und konkreter Nutzen durch Data Mining + Advanced Analytics mit IBM SPSS

Mehrwert und konkreter Nutzen durch Data Mining + Advanced Analytics mit IBM SPSS Mehrwert und konkreter Nutzen durch Data Mining + Advanced Analytics mit IBM SPSS Fachhochschulstudiengänge Burgenland Dr. Maximilian Kobler Mag. Walter Strasser Vorstellung & Kontaktdaten Dr. Maximilian

Mehr

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive

Mehr

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1

Inhaltsverzeichnis. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 sverzeichnis Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1

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

Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager.

Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager. TopSoft. Business Software. Effizienzperlen beim Einsatz von SharePoint. Namics. Elisabeth Stettler. Business Consultant. Andreas Gerig. Consultant/Projekt Manager. 24. September 2009 TopSoft. Business

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

Predictive Analytics / Data Mining im Controlling

Predictive Analytics / Data Mining im Controlling Predictive Analytics / Data Mining im Controlling Sprecher: Dr. Karsten Oehler 1 Das Buch zum Film Erscheint im Controlling Berater, Ende 2011, PDF vorab über karsten.oehler@de.ibm.com erhältlich. Agenda

Mehr

Menschen entscheiden über Geschäftserfolg

Menschen entscheiden über Geschäftserfolg 1C01 Die Microsoft Business Intelligence- Plattform: SQL Server 2005, das 2007 Office System und Office Business Applications Steffen Krause Technologieberater Microsoft Deutschland GmbH http://blogs.technet.com/steffenk

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

ADVANCED ANALYTICS. Auswirkungen auf das Controlling und Unternehmenssteuerung

ADVANCED ANALYTICS. Auswirkungen auf das Controlling und Unternehmenssteuerung ADVANCED ANALYTICS Auswirkungen auf das Controlling und Unternehmenssteuerung Unternehmen im Zeitalter der Digitalisierung Was bedeutet Digitalisierung der Welt? Digitale Fußabdrücke in allen Branchen

Mehr

Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch

Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Wann nutze ich welchen semantischen Layer im Kontext von SAP HANA? [B3] Francis Fink Uetliberg, 16.09.2014 www.boak.ch Obwohl mit der Verwendung von SAP HANA ein neuer semantischer Layer zum Einsatz kommt,

Mehr

Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose.

Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose. Machine Learning in Azure Hätte ich auf der Titanic überlebt? Olivia Klose Technical Evangelist, Microsoft @oliviaklose oliviaklose.com 13.06.20 15 SQLSaturday Rheinland 2015 1. Zu komplex: Man kann

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

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

Mehr

Big Data & High-Performance Analytics

Big Data & High-Performance Analytics Big Data & High-Performance Analytics Wolfgang Schwab, Senior Business Advisor Berlin 20.4.2012 PROJECTING THE GROWTH OF BIG DATA Source: IDC Digital Universe Study, sponsored by EMC, May 2010 THRIVING

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

Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources

Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources Fakultät für Informatik Technische Universität München Analyzing sample based consumption measurements on mainframe systems enriched with information from source code and other sources Analyse von gesampleten

Mehr

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm Open Source BI Trends 11. Dezember 2009 Wien Konstantin Böhm Profil Folie 2 JAX 2009 11.12.2009 Gründung 2002, Nürnberg 50 Mitarbeiter Innovative Kunden Spezialisiert auf Open Source Integration Open Source

Mehr

Data Mining im Einzelhandel Methoden und Werkzeuge

Data Mining im Einzelhandel Methoden und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Professur Technische Informationssysteme Proseminar Technische Informationssysteme Data Mining im Einzelhandel Methoden und Werkzeuge Betreuer: Dipl.-Ing.

Mehr

SOA im Zeitalter von Industrie 4.0

SOA im Zeitalter von Industrie 4.0 Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING

Mehr

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

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

Mehr

Analyse leicht gemacht - SAS Enterprise Guide. Gerd Hoffmann Technical Competence Center SAS Deutschland

Analyse leicht gemacht - SAS Enterprise Guide. Gerd Hoffmann Technical Competence Center SAS Deutschland Analyse leicht gemacht - SAS Enterprise Guide Gerd Hoffmann Technical Competence Center SAS Deutschland Agenda Was ist Enterprise Guide? Besonderheiten in Enterprise Guide Analysewerkzeuge Abfrage-Tool

Mehr

Risiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe

Risiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe Risiken bei der Analyse sehr großer Datenmengen Dr. Thomas Hoppe Datenaufbereitung Datenanalyse Data Mining Data Science Big Data Risiken der Analyse Sammlung Integration Transformation Fehlerbereinigung

Mehr

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Contents Predictive Analytics Erwartungen erfüllt? Einfach denken worauf achten, bevor gestartet wird?

Mehr

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

Mehr

PRODATIS CONSULTING AG. Folie 1

PRODATIS CONSULTING AG. Folie 1 Folie 1 Führend im Gartner Magic Quadranten für verteilte, interagierende SOA Projekte Oracle ist weltweit auf Rang 1 auf dem Markt der Enterprise Service Bus Suiten (ESB) für SOA Software 2010 26,3 %

Mehr

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung

IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung Evaluieren & Erkennen, Weiterentwickeln & Reporten Datenerhebung, Datenanalyse und Data Mining

Mehr

SAP Predictive Maintenance and Service. Gero Bieser, IBU Utilities, SAP AG Februar 2015

SAP Predictive Maintenance and Service. Gero Bieser, IBU Utilities, SAP AG Februar 2015 SAP Predictive Maintenance and Service Gero Bieser, IBU Utilities, SAP AG Februar 2015 Agenda Warum Predictive Maintenance? Die SAP Lösung Predictive Maintenance and Service Ausblick auf weitere Entwicklungen

Mehr

Industrie 4.0 22.07.2014

Industrie 4.0 22.07.2014 Industrie 4.0 Georg Weissmüller 22.07.2014 Senior Consultant Fertigungsindustrie Agenda Überblick Industrie 4.0/Anwendungsfälle Intelligenter Service Augmented Reality Diskussion 2014 SAP AG or an SAP

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

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

Mehr

Business 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

Technologietag SharePoint 2010

Technologietag SharePoint 2010 Technologietag SharePoint 2010 SharePoint Plattform für Information und Zusammenarbeit Ein Blick unter die Haube Technologietag SharePoint 2010 1. Oktober 2010 Thomas Hemmer Chief Technology Officer thomas.hemmer@conplement.de

Mehr

RE.one. Self Service Information Management für die Fachabteilung

RE.one. Self Service Information Management für die Fachabteilung RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe

Mehr

Massively Scalable Enterprise Applications. Chris Bernhardt

Massively Scalable Enterprise Applications. Chris Bernhardt Massively Scalable Enterprise Applications Chris Bernhardt Allgemein Einsatzgebiete BizTalk Server Engine Management Enterprise Single Sign-On Neuheiten und Beispiele Quellen Agenda 28.01.2010 Microsoft

Mehr

Location Intelligence

Location Intelligence Herzlich Willkommen am 23. März 2011 bei Trivadis In Zürich Location Intelligence Christoph Köhler, ORACLE Schweiz Business Development Manager, Business Intelligence Location Intelligence

Mehr

Bachelor of Eng. (Wirtschafts-Ing.-wesen)

Bachelor of Eng. (Wirtschafts-Ing.-wesen) Persönliche Daten Name Philipp Müller Geburtsdatum 21.11.1982 Berufsausbildung Studium Industriekaufmann Bachelor of Eng. (Wirtschafts-Ing.-wesen) Kompetenzen Methodisch Datenmodellierung Fachlich Allgemeines

Mehr

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

Mehr