Fakultät für Wirtschaftswissenschaften. Projektbericht Don t get kicked - KNIME. Zur Veranstaltung. Business Intelligence

Größe: px
Ab Seite anzeigen:

Download "Fakultät für Wirtschaftswissenschaften. Projektbericht Don t get kicked - KNIME. Zur Veranstaltung. Business Intelligence"

Transkript

1 Fakultät für Wirtschaftswissenschaften Projektbericht Don t get kicked - KNIME Zur Veranstaltung Business Intelligence eingereicht von: Birte Spitz (110127) Mandy Schacht (110192) Betreuer: Prof. Cleve Wismar, den 20. Dezember 2011

2 Inhaltsverzeichnis Inhaltsverzeichnis... II Abbildungsverzeichnis... IV 1. Aufgabenstellung Datenvorbereitung Datenvorbereitung Mandy Schacht Datensäuberung Fehlende und inkonsistente Daten Ausreißer Datenreduktion Dimensionsreduktion Aggregation Datentransformation Anpassung der Datumsangaben Anpassung der Preisangaben Berechnung abgeleiteter Werte Kombination von Attributen Datenvorbereitung Birte Spitz Datenreduktion Datensäuberung/-transformation Neu berechnete Spalten Data Mining - Umsetzung in KNIME Grundsätzlicher Aufbau Naive Bayes Decision Tree J48/WEKA...20 II

3 5.5. Beispiel der Vorgehensweise Aufgetretene Probleme Fazit Anhang - Zeit- und Aufgabenplan...26 III

4 Abbildungsverzeichnis Abbildung 1: Modellierung in KNIME...17 Abbildung 2: Daten Number to String...18 Abbildung 3: Modellierung Naive Bayes...19 Abbildung 4: Modellierung Decision Tree...20 Abbildung 5: Modellierung WEKA/J Abbildung 6: Gini-Index Verlauf...22 IV

5 1. Aufgabenstellung Beim Kauf eines gebrauchten Autos bei einer Auktion besteht das Risiko, dass das gekaufte Auto Mängel aufweist. Geschieht dies, nennt man diese unvorteilhaften Käufe kicks. Diese unvorteilhaften Käufe resultieren oft aus gefälschten Kilometerzählern, mechanischen Problemen, die der Händler nicht erkennt, Problemen damit den Fahrzeugbrief vom Verkäufer zu bekommen oder anderen unvorhergesehenen Problemen. Diese Autos können nach den Transportkosten, Reparaturkosten und Marktverlusten beim Weiterkauf des Fahrzeuges sehr kostenspielig für den Händler sein. Wenn herausgefunden werden kann, bei welchen Autos ein höheres Risiko besteht, kann dies einen echten Mehrwert für den Händler bedeuten, da diese stets versuchen die bestmögliche Auswahl des Bestandes für den Kunden bereitzustellen. Die Aufgabe ist zu prophezeien, ob es sich beim angebotenen Auto bei einer Auktion um einen schlechten Kauf handelt. 1

6 2. Datenvorbereitung Aufgabe ist das Treffen der Entscheidung ob das Erwerben eines Autos ein guter oder schlechter Kauf ist. Diese Entscheidung soll anhand verschiedener Daten getroffen werden, die in einer Excel-Datei zur Verfügung gestellt wurden. Damit die Daten in KNIME verarbeitet werden und die Ergebnisse einheitlich interpretierbar sind muss zunächst eine Datenvorbereitung stattfinden. Diese Datenvorbereitung spielt eine wichtige Rolle und nimmt einen Großteil des Gesamtaufwandes ein. Dabei wird zwischen folgenden Klassen unterschieden: Datenselektion und integration Datensäuberung Datenreduktion Datentransformation Bei der vorliegenden Aufgabe Don t get kicked muss die erste Klasse Datenselektion und integration nicht beachtet werden, da bei den bereitgestellten Daten kein Zusammenfügen o. Ä. mehr notwendig ist. Bei der Durchführung der Datenvorbereitung wurden im Team unterschiedliche Schwerpunkte gesetzt um eine möglichst umfassende Bearbeitung zu ermöglichen und um zu beobachten inwiefern sich die Ergebnisse unterscheiden. Während Birte Spitz den Fokus ihrer Vorbereitungen auf die Datenreduktion gerichtet hat, setzte Mandy Schacht den Schwerpunkt eher auf die anderen Aspekte der Datenvorbereitung. Aus diesem Grund werden im Folgenden die Datenvorbereitungen der Teammitglieder separat geschildert. Der dazugehörigen Zeit- und Aufgabenplan wird im Anhang aufgeführt. 2

7 3. Datenvorbereitung Mandy Schacht 3.1. Datensäuberung Fehlende und inkonsistente Daten In diesem Abschnitt werden die Ursprungsdaten der Trainingsdatei auf fehlende ( LEERE ) oder fehlerhafte ( NULL ) Angaben überprüft. Wenn eine Änderung der Daten notwendig ist wird die Vorgehensweise dazu gleich anschließend erläutert. Spalte A bis H Spalten : RefId (A), IsBadBuy (B), PurchDate (C), Auction (D), VehYear (E), VehicleAge (F), Make (G), Model (H) Diese Spalten sind vollständig bzw. enthalten kein Null, Leere oder Not Available. Spalte I - Trim Bei 2360 Datensätzen fehlen die Abkürzungen für das Untermodell. Vorgehensweise: siehe unter Punkt Spalte I Trim. Spalte J - SubModel Diese Spalte enthält vollständige Angaben. Spalte K - Color Insgesamt enthalten 102 Autokäufe eine fehlerhafte Farbangabe. Davon wird 94-mal das Kriterium Not Available und achtmal das Kriterium Null angegeben. Vorgehensweise: das Kriterium Not Available wird durch Null ersetzt um eine einheitliche Datenformatierung zu erreichen. Spalte L - Transmission In dieser Spalte sind neun Autokäufe mit fehlenden Angaben zur Schaltungsart. Davon wird einmal das Kriterium Leere und achtmal das Kriterium Null angegeben. Vorgehensweise: das Kriterium Leere wird durch Null ersetzt. Spalte M - WheelTypeID Es fehlt bei 3169 Datensätzen die Reifentyp-ID. Vorgehensweise: das Kriterium 0 wird durch Null ersetzt. 3

8 Spalte N - WheelType Bei insgesamt 3174 Autokäufen sind keine genauen Angaben ( Null ) zum Reifentyp gemacht. Special Reifen sind bei nur 755 Autokäufen zu finden. Vorgehensweise: Spalte N kann wahlweise herausgenommen und stattdessen mit Spalte M gearbeitet werden. Spalte O (VehOdo) Diese Spalte enthält vollständige Angaben. Spalte P bis R Spalten: Nationality (P), Size (Q), TopThreeAmericanName (R) Bei fünf Datensätzen (RefID 10890, 25171, 37988, 69950, 69960) ist für die drei genannten Spalten jeweils das Kriterium Null angegeben. Spalte S - MMRAcquisitionAuctionAveragePrice (Auktionspreis durchschnittlich) Bei 846 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 18-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte T - MMRAcquisitionAuctionCleanPrice (Auktionspreis Clean Price) Bei 715 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 18-mal und das Kriterium mal angegeben. Weiterhin ist bei einem Datensatz ein Preis von 1,-USD angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte U - MMRAcquisitionRetailAveragePrice (Handelspreis durchschnittlich) Bei 846 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 18-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte V - MMRAcquisitonRetailCleanPrice (Handelspreis Clean Price) Bei 846 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 18-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. 4

9 Spalte W - MMRCurrentAuctionAveragePrice (Auktionspreis durchschnittlich, Tageskurs) Bei 819 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 315-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte X - MMRCurrentAuctionCleanPrice (Auktionspreis Clean Price, Tageskurs) Bei 693 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 315-mal und das Kriterium mal angegeben. Weiterhin ist bei einem Datensatz ein Preis von 1,-USD angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte Y - MMRCurrentRetailAveragePrice (Handelspreis durchschnittlich, Tageskurs) Bei 819 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 315-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte Z - MMRCurrentRetailCleanPrice (Handelspreis Clean Price, Tageskurs) Bei 819 Datensätzen sind die Preisangaben fehlerhaft oder fehlen ganz. Das Kriterium Null ist 315-mal und das Kriterium mal angegeben. Vorgehensweise: das Kriterium 0 durch NULL ersetzen. Spalte AA PRIMEUNIT und Spalte AB - AUCGUART Bei Datensätzen fehlen die Nachfrage- als auch die Garantie-Level-Angaben ( Null ). Vorgehensweise: siehe unter Punkt Spalte AA PRIMEUNIT und Spalte AB AUCGUART. Spalte AC bis AE Spalten: BYRNO (AC), VNZIP1 (AD), VNST (AE) Diese Spalten enthalten vollständige Daten. Es ist zu erwähnen, dass einem Bundesstaat (Spalte AE) auch mehrere Postleitzahlen (Spalte AD) zugeordnet werden können. Somit ist zu überlegen ob von einer Entfernung der Postleitzahlen abgesehen werden sollte. 5

10 Spalte AF VehBCost Die Spalte mit den Angaben zu den Kaufkosten enthält vollständig Daten. Jedoch ist in einem Datensatz (RefID 20455) ein Kaufpreis von 1,-USD angegeben. Spalte AG IsOnlineSale und AH WarrantyCost Beide Spalten enthalten vollständige Daten Ausreißer Spalte T MMRAcquisitionAuctionCleanPrice, Spalte X - MRCurrentAuctionCleanPrice und Spalte AF VehBCost In diesen Kostenspalten sind Preise in Höhe von 1,- USD angegeben. Dieser Preis scheint jedoch sehr unwahrscheinlich und wurde deshalb durch das Kriterium NULL ersetzt. Denn nur dadurch kann in den weiteren Kostenbe- und verrechnungen eine Verzerrung der Ergebnisse garantiert werden. Spalte K - Color In der Testdatei ist gegenüber den Trainingsdaten noch zusätzlich die Farbe PINK angegeben. Da auch in der Trainingsdatei die Farben klassifiziert werden (Punkt Aggregation) kann dieser Ausreißer einer Farbklasse zugeordnet und somit eingefangen werden. Dadurch sind die Farbangaben der Trainings- und Testdaten in KNIME wieder vergleichbar Datenreduktion Dimensionsreduktion Spalte I Trim Diese Spalte beinhaltet die Abkürzung des in Spalte J angegebenen Untermodells. Die Abkürzungen sind dabei nominal, numerisch als auch eine Kombination beider Möglichkeiten. Weiterhin ist bei 2360 Datensätzen keine Abkürzung des Untermodells angegeben. Aus diesen Gründen haben wir uns dafür entschieden die Spalte H (Trim) zu entfernen und dafür mit den vollständigen Untermodellbezeichnungen (Spalte J) zu arbeiten. Spalte AA PRIMEUNIT und Spalte AB - AUCGUART Da bei beiden Spalten Angaben fehlen sind die wenigen vorhandenen Daten nicht aussagefähig genug. Beide Spalten wurden deshalb entfernt. 6

11 Es wurde als sinnvoll angesehen - außer den bereits genannten - nicht noch weitere Spalten aus der Excel-Datei zu entfernen, da in KNIME mit dem Column Filter noch zusätzlich entschieden werden kann welche Spalten einbezogen werden sollen und welche nicht Aggregation Die Attribute bzw. Werte der drei nachfolgenden Spalten wurden unter Bezugnahme von Formeln zu einem übergeordneten Attribut bzw. einem Wert zusammengefasst. Bei den numerischen Werten beinhaltet die Klasse eins dabei die besten Werte. Des Weiteren ist unter dem Punkt eine weitere Klassifikation zu dem Thema Berechnung abgeleiteter Werte zu finden. Von einer Einordnung an dieser Stelle wurde abgesehen, da sich die Klassifikation auf den Inhalt des Abschnitts bezieht. Spalte F VehicleAge Bei dem Alter liegt die Annahme zugrunde, dass ältere Fahrzeuge im Laufe der Jahre mehr genutzt wurden und somit die Wahrscheinlichkeit für den Kauf eines unfallbehafteten oder störanfälligen Fahrzeugs mit zunehmendem Fahrzeugalter steigt. Altersklassen 1 = = = 7-9 Formel =WENN(F2<4;1;WENN(F2>6;3;2)) Spalte O VehOdo Je mehr Kilometer ein Fahrzeug zurückgelegt hat desto größer sind der Verschleiß und die Reparaturanfälligkeit. Kilometerklassen 1 = = = ab Formel =WENN(O2>80000;3;WENN(O2<10000;1;2)) Spalte K - Color Bei der Benennung der Farbklassen wurde die Schreibweise der Umlaute berücksichtigt, da es sonst zu Problemen bei der Datenverarbeitung in KNIME kommen kann. Auch wurde darauf geachtet, dass die Anzahl der Attribute in den einzelnen Klassen gleich ist. Das in den Testdaten zusätzlich auftretende Attribut PINK kann der Farbklasse ROTTOENE zugeordnet werden. Somit kann es in KNIME bei der Datenverarbeitung der Trainings- und Testdaten bezüglich der Farbe zu keinen Problemen kommen. 7

12 Farbklasse Farbe Formel ROTTOENE RED, ORANGE BRAUNTOENE BROWN, MAROON BLAUTOENE BLUE, =WENN(ODER(L2="RED";L2="ORANGE");"ROTTOENE"; PURPLE WENN(ODER(L2="BROWN";L2="MAROON");"BRAUNTOENE"; WEISSTOENE WHITE, WENN(ODER(L2="BLUE";L2="PURPLE");"BLAUTOENE"; BEIGE WENN(ODER(L2="WHITE";L2="BEIGE");"WEISSTOENE"; METALLICTOENE SILVER, WENN(ODER(L2="SILVER";L2="GOLD");"METALLICTOENE"; GOLD WENN(ODER(L2="BLACK";L2="GREY");"SCHWARZTOENE"; SCHWARZTOENE BLACK, WENN(ODER(L2="GREEN";L2="YELLOW");"GRUEN- GREY GELBTOENE";"SONSTIGE"))))))) GRUEN- GELBTOENE GREEN, YELLOW SONSTIGE NULL, OTHER 3.3. Datentransformation Anpassung der Datumsangaben Die Spalte C (PurchDate) enthält das Datum des Kaufes bzw. das Datum der Auktion auf der das Auto verkauft wurde. Es ist jedoch unklar ob der Zeitpunkt des Kaufes einen Einfluss darauf hat ob das Auto ein guter oder schlechter Kauf ist. Da zwei verschiedene Datumsformate vorliegen muss mit Hilfe der nachfolgenden Formel ein einheitliches Datumsformat erstellt werden. =DATUM(RECHTS(C17;4);LINKS(C17;FINDEN("/";C17)- 1);TEIL(C17;FINDEN("/";C17;1)+1;2)) Die neue Spalte mit dem einheitlichen Datumsformat wurde PurchDate2 benannt und anstelle der alten Datumspalte eingefügt Anpassung der Preisangaben Spalte AF VehBCost In Spalte AF VehBCost sind 68 Kaufpreise mit amerikanischen Kommastellen angegeben. Da fast ausschließlich alle Preise in der Trainingsdatei ganzzahlig angegeben sind werden die 68 Kaufpreise in Spalte AF daran angepasst, sodass die Kostenangaben vereinheitlicht sind. 8

13 Berechnung abgeleiteter Werte Die nachfolgend genannten Spalten wurden separat sowohl für den Average Price als auch für den Clean Price eines Fahrzeugs eingefügt und berechnet. Die Daten beziehen sich dabei auf die Kostenangaben aus den Spalten S bis Z und auf die Kaufkosten (Spalte AF VehBCost). Um Aussagen darüber treffen zu können ob ein Autokauf finanziell positiv für den Käufer ausgefallen und somit lohnenswert ist wurde eine Reihe von Berechnungen vorgenommen. Bei Berechnungen die das Kriterium Null beinhalten wurde darauf geachtet, dass das Ergebnis ebenfalls als Null ausgegeben wird. Zum einen wurde der gezahlte Kaufpreis vom Auktions- bzw. Handelspreis abgezogen. Im Ergebnis ist dann entweder eine Ersparnis (positiver Wert) oder ein Verlust (negativer Wert) zu finden. Ersparnis beim Kauf (+) = Auktionspreis durchschnittlich minus Kaufpreis Ersparnis beim Kauf (+) = Handelspreis durchschnittlich minus Kaufpreis Ersparnis beim Kauf (+) = Auktionspreis Clean Price minus Kaufpreis Ersparnis beim Kauf (+) = Handelspreis Clean Price minus Kaufpreis Um herauszufinden ob ein Auto seit dem Kauf an Wert gewonnen oder verloren hat wurde der normale Auktions- bzw. Handelspreis mit dem Auktions- bzw. Handelspreis zum Tageskurs verrechnet. Wertsteigerung (+) oder Wertminderung (-) seit dem Kauf = Auktionspreis durchschnittlich, Tageskurs minus Auktionspreis durchschnittlich Wertsteigerung (+) oder Wertminderung (-) seit dem Kauf = Handelspreis durchschnittlich, Tageskurs minus Handelspreis durchschnittlich Wertsteigerung (+) oder Wertminderung (-) seit dem Kauf = Auktionspreis Clean Price, Tageskurs minus Auktionspreis Clean Price Wertsteigerung (+) oder Wertminderung (-) seit dem Kauf = Handelspreis Clean Price, Tageskurs minus Handelspreis Clean Price Um nicht nur die Punkte Ersparnis/ Verlust und Wertsteigerung/ Wertminderung separat zu betrachten wurde abschließend noch eine Verrechnung beider Punkte vorgenommen. Der Gedanke hinter dieser Berechnung ist, dass eine Ersparnis beim Autokauf durch eine anschließende Wertminderung aufgezehrt werden kann. Verrechnung Ersparnis mit Wertsteigerung (Auktionspreis durchschnittlich) Verrechnung Ersparnis mit Wertsteigerung (Handelspreis durchschnittlich) 9

14 Verrechnung Ersparnis mit Wertsteigerung (Auktionspreis Clean Price) Verrechnung Ersparnis mit Wertsteigerung (Handelspreis Clean Price) Den Überlegungen zur Folge sollte eine Ersparnis beim Kauf als auch eine anschließende Wertsteigerung ein Indiz für einen guten Autokauf sein. Im Umkehrschluss sollten dadurch auch die Bad Buys unter dem Aspekt der Kostenbetrachtung identifiziert werden. Aggregation abgeleiteter Werte Für die Klassifizierung der Ergebnisse wurde eine einheitliche Formel benutzt. Wie bereits bei den Klassifizierungen des Alters und des Kilometerstands werden auch hierbei die besten Werte der Klasse eins zugeordnet. Da wie bereits erwähnt in den Kostenspalten und den daraus berechneten Werten auch das Kriterium Null angegeben ist wurde dies in der Klassifizierung berücksichtigt. Kostenklassifizierung Null = Null 1 = 5000 < x 2 = 1000 < x = 0 < x = x 0 Formel =WENN(AH2="NULL";"NULL";WENN(AH2<=0;4;WENN(UND (AH2>0;AH2<=1000);3;WENN(UND(AH2>1000;AH2<=5000); 2;WENN(AH2>5000;1))))) Kombination von Attributen Mit den nachfolgenden Kombinationen soll in KNIME überprüft werden ob die Ergebnisse besser ausfallen, wenn in einer Spalte mehrere verschiedene Attribute angegeben sind. Spalte G Make, Spalte H Model und Spalte J SubModel Die einzelnen Angaben aus den Spalten Make, Model und SubModel wurden in einer neu eingefügten Spalte (Make, Model and Submodel) zusammengefasst. Klassifizierung Altersklasse und Kilometerstand Die Klassifikationen des Alters und Kilometerstands werden in einer neuen Spalte zusammengefasst. Zusammengefasste Klassen Preis durchschnittlich Alle Klassifikationen aus Punkt mit Bezug auf den durchschnittlichen Preis werden in einer separaten Spalte zusammengefasst. 10

15 Zusammengefasste Klassen Clean Price Alle Klassifikationen aus Punkt mit Bezug auf den Clean Price werden in einer einzelnen Spalte zusammengefasst. 11

16 4. Datenvorbereitung Birte Spitz 4.1. Datenreduktion Da nicht alle Daten aus den gestellten Tabellen relevant sind, werden mehrere Spalten gelöscht. In der folgenden Tabelle wird erläutert welche Spalten aus welchem Grund entfernt wurden. Die folgenden Spaltenbezeichnungen beziehen sich auf die unbearbeitete Ursprungstabelle! Spalte Titel Beschreibung A RefID Die Spalte enthält nur eine laufende Nummer, die die verschiedenen Käufe bezeichnet und ist somit für das Durchführen der Analyse nicht relevant. C PurchDate Die Spalte enthält das Datum des Kaufes bzw. das Datum der Auktion auf der das Auto verkauft wurde. Da dieses Datum keinen Einfluss darauf hat, ob das Auto ein guter oder ein schlechter Kauf ist, wird diese Spalte nicht mit einbezogen. D Auction Spalte D enthält den Auktions-Anbieter. In den Daten werden zwei konkrete Namen genannt, dies betrifft in den Trainingsdaten ca der insgesamt Datensätze (ca Adesa, ca Manheim). Die restlichen Daten sind keiner konkreten Auktion zugeordnet. Da nicht davon ausgegangen werden kann, dass einer der beiden Anbieter nur gute oder nur schlechte Autos verkauft, ist diese Spalte nicht relevant. E VehYear Diese Spalte enthält das Herstellungsjahr des Autos und ist prinzipiell wichtig. In der nächsten Spalte (F) wird diese Information allerdings noch einmal aufgegriffen (bzw. neu errechnet), diesmal wird das Alter in Jahren angegeben. Da mit dieser kleineren Zahl besser weiter gearbeitet werden kann, wird diese beibehalten und die Spalte E mit der prinzipiell gleichen Aussage aussortiert. I J Trim SubModel Die Spalten I und J beschreiben das Auto, neben der Angabe des Herstellers und der Angabe des Modells, noch genauer. Wir nehmen an, dass die noch genauere Beschreibung des Modells keine entscheidungsrelevanten Daten mehr enthält und das alle wichtigen Daten zum Autotyp schon in der Angabe des Herstellers und des Modells 12

17 zu finden sind. Somit entfallen diese beiden Spalten. N WheelType In der Spalte WheelType ist die Information zu finden ob das Auto Radkappen oder Felgen besitzt. Dies könnte zwar eine wichtige Information sein, allerdings hat die vorherige Spalte (M) die gleiche Aussage mit der Ausnahme, dass sie die verschiedenen Varianten in Form einer Zahl ausdrückt. Da mit dieser Zahl besser weiter gearbeitet werden kann, bleibt diese erhalten und die Spalte N wird nicht berücksichtigt. P Nationality Spalte P sagt etwas über das Herkunftsland des gekauften Autos aus, wobei die vorhandenen Angaben zum einen wenig aussagekräftig sind (American, Top Line Asian, Other Asian, Other) und zum anderen die Entscheidung, ob ein guter/schlechter Kauf vorliegt, nicht weiterbringt. Auch in den Trainingsdaten erhält man, wie vermutet, keinen eindeutigen Hinweis ob eine Nationalität auf einen guten/schlechten Kauf deutet. R T V X Z TopThreeAmerican Names MMRAcquisitionAuctionCleanPrice MMRAcquisitonRetailCleanPrice MMRCurrentAuctionCleanPrice MMRCurrentRetailCleanPrice In dieser Spalte wird angegeben ob es sich beim Auto um eine der größten amerikanischen Automarken (Ford, Chrysler, GM) handelt oder nicht. Diese Aussage hat keinerlei Relevanz für die Entscheidung. Zum einen, da dies aus der Marke selbst abgelesen werden kann, die schon vorher ausgegeben wird. Zum anderen kann nicht gesagt werden, dass diese bzw. die übrigen Autos auf jeden Fall einen guten oder schlechten Kauf darstellen. Diese vier Zeilen beschreiben den jeweiligen Preis des gekauften Autos in einem überdurchschnittlichen Zustand. Da wir keinerlei Hinweise darauf haben, ob sich das Auto in einem überdurchschnittlichen oder durchschnittlichen Zustand befindet, gehen wir immer von den durchschnittlichen Werten aus und die Anschaffungspreise für den überdurchschnittlichen Zustand werden gelöscht. 13

18 AA Primeunit Die Spalte Primeunit drückt aus, ob eine höhere Nachfrage nach dem Auto vorhanden ist oder nicht. Diese Spalte wird aussortiert, da sich diese höhere Nachfrage augenscheinlich nach der Garantie in Spalte AB richtet. Ist diese auf dem Status GREEN ist eine höhere Nachfrage angegeben. Des Weiteren enthält sie in den Trainingsdaten in nur rund Spalten eine Aussage. AC BYRNO In der Spalte AC ist die Käufernummer angegeben. Offenbar wurde jedem Käufer eine bestimmte Zahl zugewiesen. Bei genauerer Untersuchung wird deutlich, dass ein Käufer sehr viele Autos kauft, es scheint sich also um größere Händler zu handeln. Dies sagt allerdings nichts über die Qualität des Kaufes aus. AD AE VNZIP1 VNST Diese Spalten geben den Staat und die konkrete Postleitzahl an in dem das Auto gekauft wurde. Diese Daten sagen nichts darüber aus, ob es sich um einen guten oder schlechten Kauf handelt. AG IsOnlineSale Spalte AG enthält die Information ob der angegebene Kauf über eine Online-Auktion abgewickelt wurde oder nicht. Diese Spalte wird nicht mit in die Entscheidung einbezogen, da sie in den Trainingsdaten nur knapp der Käufe betrifft und bei diesen Käufen auch kein Hinweis darauf entdeckt werden konnte, ob dieser Sachverhalt auf einen guten/schlechten Kauf hinweist Datensäuberung/-transformation Nach der Datenreduktion ist der Umfang der nun vorliegenden Daten sehr viel übersichtlicher geworden. In der folgenden Tabelle wird nun erläutert welche Änderungen an den noch verbliebenen Daten vorgenommen wurden. Die folgenden Spaltenbezeichnungen beziehen sich auf die unbearbeitete Ursprungstabelle! Spalte Titel Beschreibung K Farbe In dieser Spalte wurde die Eintragung NOT AVAIL und leere Felder durch NULL ersetzt um die Werte einheitlicher zu gestalten. N WheelTypeID In dieser Spalte wurde 0 durch NULL ersetzt, 14

19 T V X Z MMRAcquisitionAuctionCleanPrice MMRAcquisitonRetailCleanPrice MMRCurrentAuctionCleanPrice MMRCurrentRetailCleanPrice da dies in Spalte N WheelType die gleiche Aussage zur Folge hat. So gibt es dann außerdem eine Variante weniger zu beachten. In diesen vier Zeilen werden alle Felder, die einen Preis von 0 ausgeben, durch NULL ersetzt. Es erscheint höchst unwahrscheinlich, dass die Preise dieser Autos 0 betragen, es liegt näher, dass der Preis nicht bekannt ist Neu berechnete Spalten Titel Altersklassen Schaltung-ID KM-Stand gerundet KM-Klasse Beschreibung In der neu eingefügten Spalte Altersklassen wird das Alter in Klassen eingeteilt (Klasse 1: 0-3 Jahre, Klasse 2: 4-6 Jahre, Klasse 3: 7-9 Jahre) In der neuen Spalte Schaltung-ID, die nach Spalte L Transmission eingefügt wurde, wird die Getriebe-Art mit einer Zahl codiert (MANUAL = 1, AUTO = 2, NULL = NULL). Diese Spalte wurde nach der Spalte O VehOdo eingesetzt. Sie hat die Funktion den Kilometerstand auf volle er zu runden um die Klassifizierung in der nächsten Spalte zu erleichtern. Es wurde eine neue Spalte eingefügt, in der der Kilometerstand (Spalte O) eines jeden Autos einer Klasse zugeordnet wird. Die verwendete Formel bezieht sich dabei allerdings auf die zuvor eingefügte Spalte KM-Stand gerundet. Folgende Unterteilung wurde vorgenommen: Klasse 1: bis , Klasse 2: , Klasse 3: , Klasse 4: >= Garantie-ID Nach Spalte AB AUCGUART, die den Garantielevel anzeigt, wird eine Zeile eingeführt, die dem Garantielevel eine ID zuordnet. Dabei scheint in Spalte AB der Wert GREEN die stärkste Aussage zu haben, diesem wird also eine 0 zugeordnet, während allen anderen Werten (YELLOW, RED, NULL) eine 1 zugeordnet wird. Auktionspreis vs. Preis Handel (Tageskurs) Ersparnis? In dieser Spalte wird die Differenz zwischen dem tagesaktuellen Preis im Handel (Spalte Y) und dem Kaufpreis auf der Auktion (AF) ausgegeben. Ist das Ergebnis positiv, war der Einkaufspreis auf der Auktion günstiger als im Handel und dem Wert wird in der nächsten Spalte Ersparnis? eine 0 zugeordnet. Dies könnte auf einen guten Kauf hindeuten. Ist die Differenz negativ, war der 15

20 Auktionspreis teurer als der im Handel und in der nächsten Spalte Ersparnis? steht eine 1. Dies könnte auf einen schlechten Kauf hindeuten. Werteverlust/-zuwachs Werteverlust/-zuwachs-ID In dieser Spalte wird vom durchschnittlichen Auktionspreis vom Zeitpunkt des Kaufes der durchschnittliche Auktionspreis zum Tageskurs abgezogen (Spalte S - Spalte W), um herauszufinden um wie viel sich der Wert des Fahrzeuges im Laufe der Zeit verändert hat. In der nächsten Spalte (Werteverlust/-zuwachs-ID) wird diesem Wert, je nachdem ob ein Gewinn oder ein Verlust vorliegt, eine 0 oder 1 zugeordnet. 16

21 5. Data Mining - Umsetzung in KNIME 5.1. Grundsätzlicher Aufbau Das Data Mining selbst wurde im Programm KNIME vorgenommen. Abbildung 1: Modellierung in KNIME Der erste Knoten in KNIME muss erst einmal ein Knoten sein, mit dem die bearbeiteten Excel-Werte in das Programm eingelesen werden können. Dies ist (wie oben dargestellt) der File Reader. Schon hier stießen wir auf erste Probleme: Weder in diesem File Reader noch im extra installiertem XLS-Reader können die Excel-Daten eingelesen werden. Nach Umwandlung der Excel-Datei ins CSV-Format wurde diese zwar nicht im CSV-Reader, aber immerhin im File Reader erkannt. Im darauffolgenden Knoten Number to String werden, wie der Name schon sagt, Zahlen in Zeichenketten umgewandelt. Dies ist bei ordinalen Datentypen sinnvoll. Also bei Daten mit denen man nicht rechnen kann, sondern die nur eine Ordnungsrelation darstellen. Solche Daten sind z. B. die in der folgenden Abbildung aufgeführten Daten. 17

22 Abbildung 2: Daten Number to String Im Column Filter kann dann noch einmal eine Datenselektion vorgenommen werden. Hier können Spalten in die Analyse ein- und ausgeschlossen werden. Nach dem Colum Filter folgt die Analyse der Daten mit drei verschiedenen Verfahren Naive Bayes Bei dem Naive Bayes-Verfahren wird davon ausgegangen, dass alle Attribute voneinander unabhängig sind. Im ersten Knoten des Verfahrens ( Partitioning ) werden die eingespielten Daten prozentual in zwei Mengen geteilt. In unserer Einstellung umfasst ein Teil der Daten 60%, der andere 40%. Nun verlassen den Knoten Partitioning zwei Verbindungen: Eine führt zum Naive Bayes Learner, der andere zum Naive Bayes Predictor. D.h. mit 60% der Daten lernt KNIME das Muster der Daten nach dem Naive Bayes-Verfahren kennen (im Knoten Naive Bayes Learner ) und wendet diese Erkenntnisse dann auf die restlichen 40% der Daten im Knoten Naive Bayes Predictor an. Der nachgeschaltete Scorer zeigt dann an, wie gut die Vorhersage ausgefallen ist bzw. wie viel Prozent der guten und schlechten Käufe richtig vorhergesagt wurden. 18

23 Um dieses Muster auf die Testdaten anzuwenden, müssen diese im File Reader unten eingelesen werden. Nach den Knoten für die üblichen Einstellungen erfolgt die Anwendung des gelernten Musters aus dem Naive Bayes Learner im Naive Bayes Predictor, dafür werden nun die Test- und nicht mehr die Trainingsdaten mit dem Predictor verbunden (gestrichelte Linie). Der Scorer gibt nun verständlicherweise keine Ergebnisse aus. Im nachfolgenden Column Filter wird nun nur die Spalte mit der Vorhersage Winner ausgewählt und schon gibt der CSV Writer eine CSV-Datei mit den Vorhersagen aus, die nun auf kaggle.com hochgeladen und bewertet werden können. Abbildung 3: Modellierung Naive Bayes 5.3. Decision Tree Dem Vorgehen nach der Methode des Decision Trees bzw. des Entscheidungsbaum in KNIME ähnelt dem Vorgehen nach Naive Bayes sehr. Wieder werden die Daten im ersten Knoten Partitioning in zwei Mengen (60/40) aufgeteilt, wobei KNIME von den 60% der Daten die Muster nach dem Decision Tree-Verfahren lernt und dann auf 40% der Daten anwendet. Im Scorer kann man sich auch dann wieder das Ergebnis anzeigen lassen. 19

24 Problematisch bei diesem Vorgehen ist allerdings, dass dieses Verfahren anscheinend nur mit einer begrenzten Datenmenge arbeiten kann. Werden im Column Filter umfangreich Daten selektiert, bringt der Decision Tree ganz KNIME zum Absturz. Das Vorgehen zur Anwendung der Testdaten und zur Ausgabe der CSV-Daten ist dem oben beschriebenen sehr ähnlich (wieder gestrichelte Linie). Anfangs trat allerdings ein Problem auf: Aus Gründen, die nicht nachvollzogen werden können, wird für manche Zeilen keine Prognose ausgegeben. Somit kann ein solches Ergebnis auch nicht auf kaggle.com hochgeladen und bewertet werden. Dieses Problem konnte behoben werden, indem der Knoten Missing Value vorgeschaltet wird mit dem alle fehlenden Werte in der Prognose- Spalte durch 0 oder 1 ersetzt werden. Dies führt dann allerdings bei ca. 20 Zeilen zu verfälschten Werten. Insgesamt haben diese aber einen geringen Einfluss. Abbildung 4: Modellierung Decision Tree 5.4. J48/WEKA Auch WEKA generiert mit dem J48-Algorithmus einen Entscheidungsbaum. Die Vorgehensweise in KNIME ist den beiden vorherigen wieder sehr ähnlich. Allerdings kann dieser Algorithmus nur mit numerischen Werten arbeiten, also wird vor den Knoten Partitioning noch der Knoten String to Number geschaltet. 20

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

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

Mehr

Datamining Cup Lab 2005

Datamining Cup Lab 2005 Datamining Cup Lab 2005 Arnd Issler und Helga Velroyen 18. Juli 2005 Einleitung Jährlich wird der Datamining Cup 1 von der Firma Prudsys und der TU Chemnitz veranstaltet. Im Rahmen des Datamining-Cup-Praktikums

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

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

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) 3. Entscheidungsbäume Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) (aus Wilhelm 2001) Beispiel: (aus Böhm 2003) Wann sind Entscheidungsbäume

Mehr

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise A-Plan 12.0 Zeiterfassung 2.0 Ausgabe 1.1 Copyright Copyright 1996-2014 braintool software gmbh Kein Teil dieses Handbuches darf ohne ausdrückliche Genehmigung von braintool software gmbh auf mechanischem

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

Mehr

Data Mining und maschinelles Lernen

Data Mining und maschinelles Lernen Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:

Mehr

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz

Mit KI gegen SPAM. Proseminar Künstliche Intelligenz Mit KI gegen SPAM Proseminar Künstliche Intelligenz SS 2006 Florian Laib Ausblick Was ist SPAM? Warum SPAM-Filter? Naive Bayes-Verfahren Fallbasiertes Schließen Fallbasierte Filter TiMBL Vergleich der

Mehr

Fakultät für Wirtschaftswissenschaften. Projektarbeit. Datenvorverarbeitung. Modul: Business Intelligence / Wissensextraktion / Data Mining

Fakultät für Wirtschaftswissenschaften. Projektarbeit. Datenvorverarbeitung. Modul: Business Intelligence / Wissensextraktion / Data Mining Fakultät für Wirtschaftswissenschaften Projektarbeit Datenvorverarbeitung Modul: Business Intelligence / Wissensextraktion / Data Mining Studiengänge Master Digitale Logistik und Management und Master

Mehr

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

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

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Wissensextraktion Clusterbildung mit KNIME

Wissensextraktion Clusterbildung mit KNIME Hochschule Wismar University of Technology, Business and Design Fakultät für Ingenieurwissenschaften Wissensextraktion Clusterbildung mit KNIME von: Gunnar Keuer Mike Gehrhardt Aufgabenstellung Mit dem

Mehr

Info zum Junk-Mail-Filter in Thunderbird:

Info zum Junk-Mail-Filter in Thunderbird: Datenverarbeitungszentrale Datenverarbeitungszentrale dvz@fh-muenster.de www.fh-muenster.de/dvz Info zum Junk-Mail-Filter in Thunderbird: Der Grossteil der Benutzer verwendet zusätzlich zum zentralen Mail-Filter

Mehr

Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014

Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Aufgabe 1. Data Mining a) Mit welchen Aufgabenstellungen befasst sich Data Mining? b) Was versteht man unter Transparenz einer Wissensrepräsentation?

Mehr

Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung

Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung Programm 1 (Dokumentation) 1 Programm 1 (Dokumentation) Rasterbildmanipulation, DHM Klassifizierung und kartographische Aufbereitung 1. Aufgabenstellung Mit Hilfe eines PHP-Skripts soll eine Rasterbildmanipulation

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Wirtschaftswissenschaften Prof. Dr. W. Esswein Lehrstuhl Wirtschaftsinformatik, insbesondere Systementwicklung

TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Wirtschaftswissenschaften Prof. Dr. W. Esswein Lehrstuhl Wirtschaftsinformatik, insbesondere Systementwicklung TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Wirtschaftswissenschaften Prof. Dr. W. Esswein Lehrstuhl Wirtschaftsinformatik, insbesondere Systementwicklung Diplomprüfung Wintersemester 2010-2011 im Fach Wirtschaftsinformatik,

Mehr

Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt

Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt Poster Anwendung eines SAS/STAT-Modells ohne SAS/STAT in einem CRM-Projekt Timm Euler Tobias Otte viadee GmbH viadee GmbH Anton-Bruchausen-Str. 8 Anton-Bruchausen-Str. 8 48147 Münster 48147 Münster Timm.Euler@viadee.de

Mehr

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

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

Mehr

Zeitweise wurden Dokumente nicht eindeutig im Verzeichnis abgespeichert. Was zur Folge hatte, dass gleichnamige Dokumente überschrieben wurden.

Zeitweise wurden Dokumente nicht eindeutig im Verzeichnis abgespeichert. Was zur Folge hatte, dass gleichnamige Dokumente überschrieben wurden. NEUSTA GmbH Contrescarpe 1 28203 Bremen Fon: +49(0)421.2 06 96-0 Fax: +49(0)421.2 06 96-99 www.neusta.de Release Notes Version 6.2.2 Upload von Dokumenten Zeitweise wurden Dokumente nicht eindeutig im

Mehr

Anleitung zu Projekte

Anleitung zu Projekte Web Site Engineering GmbH Anleitung zu Projekte Projekte im WPS Version 4.3 Seite 1 Projekte verwalten...1 2 Projekt hinzufügen...4 3 Projekt löschen...9 4 Projekt ändern...9 5 Projektdaten drucken und

Mehr

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering

Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering Vortrag zum Paper Results of the Active Learning Challenge von Guyon, et. al. Sören Schmidt Fachgebiet Knowledge Engineering 11.12.2012 Vortrag zum Paper Results of the Active Learning Challenge von Isabelle

Mehr

hyscore Sollwerte-Import Version 3.1.6, September 2007

hyscore Sollwerte-Import Version 3.1.6, September 2007 Kurzanleitung In hyscore 3.1.6 haben wir den Import von Sollwerten für Kennzahlen wesentlich vereinfacht. Zuvor mußten alle Sollwerte, Schwellwerte und Prozentwerte für jede Kennzahl und jedes Datum in

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

6.3 Serienbriefe über Microsoft Excel und Word

6.3 Serienbriefe über Microsoft Excel und Word 6.3 Serienbriefe über Microsoft Excel und Word Handelt es sich um eine große Anzahl von Kontakten, die an einem Mailing teilnehmen soll, kann es vorteilhaft sein, den Serienbrief über Microsoft Excel und

Mehr

Dublettenprüfung. Anwender-Dokumentation

Dublettenprüfung. Anwender-Dokumentation Dublettenprüfung Anwender-Dokumentation Stand: 01/03/2011 Copyright by PDS Programm + Datenservice GmbH Alle Rechte vorbehalten. Diese Dokumentation dient als Arbeitsunterlage für BenutzerInnen der PDS-Software.

Mehr

EINFACHES HAUSHALT- KASSABUCH

EINFACHES HAUSHALT- KASSABUCH EINFACHES HAUSHALT- KASSABUCH Arbeiten mit Excel Wir erstellen ein einfaches Kassabuch zur Führung einer Haushalts- oder Portokasse Roland Liebing, im November 2012 Eine einfache Haushalt-Buchhaltung (Kassabuch)

Mehr

Hinweise zum Erstellen eines Verfahrensverzeichnisses

Hinweise zum Erstellen eines Verfahrensverzeichnisses Hinweise zum Erstellen eines Verfahrensverzeichnisses Eine Information des Datenschutzbeauftragten der PH Freiburg Stand: 11.03.2010 Inhalt Hinweise zum Erstellen eines Verfahrensverzeichnisses... 1 Vorbemerkung...

Mehr

TimeSafe Leistungserfassung

TimeSafe Leistungserfassung Keep your time safe. TimeSafe Leistungserfassung Adressimport 1/8 Inhaltsverzeichnis Inhaltsverzeichnis... 2 1 Allgemeines... 3 1.1 Adressen in der TimeSafe Leistungserfassung... 3 1.2 Organisationen und/oder

Mehr

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Peter Steuri Partner / Leiter IT-Prüfung und -Beratung BDO AG, Solothurn Ausgangslage / Zielsetzungen Ausgangslage Sehr grosses, global

Mehr

Anwender- Dokumentation. REP Datenbank Wartungsprogramme. Version 320-23.00 Version 280-23.00

Anwender- Dokumentation. REP Datenbank Wartungsprogramme. Version 320-23.00 Version 280-23.00 Anwender- Dokumentation REP Datenbank Wartungsprogramme Version 320-23.00 Version 280-23.00 Allgemein Die Abkürzung REP steht in der Renault Informatik für den Begriff Référentiel Entretiens Programmés,

Mehr

Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten

Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@dvz.fh-koeln.de Aufgabe 3.1 Übungen zur Vorlesung Induktive Statistik Bedingte Wahrscheinlichkeiten

Mehr

Algorithmische Modelle als neues Paradigma

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

Mehr

Data Mining und Text Mining Einführung. S2 Einfache Regellerner

Data Mining und Text Mining Einführung. S2 Einfache Regellerner Data Mining und Text Mining Einführung S2 Einfache Regellerner Hans Hermann Weber Univ. Erlangen, Informatik 8 Wintersemester 2003 hans.hermann.weber@gmx.de Inhalt Einiges über Regeln und Bäume R1 ein

Mehr

Kurzanleitung für die Import/Export Funktion Kinderleicht Produkte importieren und aktualisieren und exportieren

Kurzanleitung für die Import/Export Funktion Kinderleicht Produkte importieren und aktualisieren und exportieren Kurzanleitung für die Import/Export Funktion Kinderleicht Produkte importieren und aktualisieren und exportieren Sehr geehrter Online-Händler, damit Sie schnell mit Ihrem Onlineshop erfolgreich, möchten

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

Diese Regelung wirkt sich vor allem bei der Abrechnung von Totalschadenfällen aus. Das Ergebnis der Totalschadenabrechnung ist dabei abhängig davon,

Diese Regelung wirkt sich vor allem bei der Abrechnung von Totalschadenfällen aus. Das Ergebnis der Totalschadenabrechnung ist dabei abhängig davon, Die Mehrwertsteuer in der Totalschadenabrechnung I. Ausgangspunkt Ausgangspunkt ist 249 Abs. 2 Satz 2 BGB: Bei der Beschädigung einer Sache schließt der nach Satz 1 erforderliche Geldbetrag die Umsatzsteuer

Mehr

Preisaktualisierungen via BC Pro-Catalogue

Preisaktualisierungen via BC Pro-Catalogue Preisaktualisierungen via BC Pro-Catalogue 1. Allgemein Seite 1 2. Anwendungsfall : Lieferant mit im System bereits vorhandenen Katalog Seite 2-3 3. Anwendungsfall : Neuer Lieferant Seite 4-8 1. Allgemein

Mehr

Inhaltsverzeichnis. 1. Allgemein... 3. 2. Oberfläche... 4. 2.1. Datum und Personalauswahl... 4. 2.1. Eingabemaske... 5. 2.2. Fußzeile...

Inhaltsverzeichnis. 1. Allgemein... 3. 2. Oberfläche... 4. 2.1. Datum und Personalauswahl... 4. 2.1. Eingabemaske... 5. 2.2. Fußzeile... Inhaltsverzeichnis 1. Allgemein... 3 2. Oberfläche... 4 2.1. Datum und Personalauswahl.... 4 2.1. Eingabemaske... 5 2.2. Fußzeile... 6 2.3. Monats-Normalarbeitszeit... 7 3. Rundungsband... 8 4. Differenz

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

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

Aufgaben. Modul Excel.

Aufgaben. Modul Excel. Aufgaben Modul Excel. Inhaltsverzeichnis. 1.1 Tabelle 01 Einfache Berechnungen....3 1.2 Tabelle 02 Telefonkosten...4 1.3 Tabelle 03 Planung einer Party...5 1.4 Tabelle 04 Euroumstellung Drogerie....6 1.5

Mehr

Perzentile mit Hadoop ermitteln

Perzentile mit Hadoop ermitteln Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile

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

Excel Pivot-Tabellen 2010 effektiv

Excel Pivot-Tabellen 2010 effektiv 7.2 Berechnete Felder Falls in der Datenquelle die Zahlen nicht in der Form vorliegen wie Sie diese benötigen, können Sie die gewünschten Ergebnisse mit Formeln berechnen. Dazu erzeugen Sie ein berechnetes

Mehr

Shopsystem Shopweezle Schnittstellenbeschreibung Artikelimport

Shopsystem Shopweezle Schnittstellenbeschreibung Artikelimport Shopsystem Shopweezle Schnittstellenbeschreibung Artikelimport Version 1.4.26 Stand: 4. Februar 2004 Allgemeines 2 1 Allgemeines - CSV (Comma Separated Values) - jeden Wert in Hochkommata einschließen

Mehr

Anwendungsbeschreibung des ReNoStar-Druckers

Anwendungsbeschreibung des ReNoStar-Druckers Anwendungsbeschreibung des ReNoStar-Druckers Stand September 2007 Inhalt Inhalt... 2 Anforderung aus der Praxis... 3 Die ReNoStar Drucker-Leiste... 3 Erstellen einer Vorlage... 3 Reihenfolge der Vorlagen

Mehr

Handbuch DrahtexLabelwriter 3.0

Handbuch DrahtexLabelwriter 3.0 Handbuch DrahtexLabelwriter 3.0 Inhaltsverzeichnis INSTALLATION 3 DER PROGRAMMSTART 7 DIE PROGRAMMOBERFLÄCHE 8 DIE STARTSEITE DES PROGRAMMES 8 DIE PROGRAMMSYMBOLLEISTE 9 EIN NEUES PROJEKT ERSTELLEN 10

Mehr

Dokumentation RabattManagerLX Pro. Version 1.0.901.1

Dokumentation RabattManagerLX Pro. Version 1.0.901.1 Dokumentation RabattManagerLX Pro Version 1.0.901.1 Dokumentation RabattManagerLX Pro Version 1.0.901.1 Was ist RabattManagerLX Pro? RabattManagerLX Pro ist ein Programm um individuelle Warengruppen-Rabatte

Mehr

The integration of business intelligence and knowledge management

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

Mehr

Mallux.de CSV-Import Schnittstellen von Mallux.de. Beschreibung für den Import von CSV-Dateien. Stand: 01. Januar 2012. von Mallux.

Mallux.de CSV-Import Schnittstellen von Mallux.de. Beschreibung für den Import von CSV-Dateien. Stand: 01. Januar 2012. von Mallux. Mallux.de CSV-Import Schnittstellen von Mallux.de Beschreibung für den Import von CSV-Dateien Stand: 01. Januar 2012 von Mallux.de Mallux.de CSV-Import Schnittstellen von Mallux.de Seite 2 / 6 Vorwort

Mehr

Business Intelligence mit Microsoft SQL Server 2005

Business Intelligence mit Microsoft SQL Server 2005 Business Intelligence mit Microsoft SQL Server 2005 Holger Schrödl ISBN 3-446-40463-5 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-40463-5 sowie im Buchhandel 4.6

Mehr

Schnittstellenbeschreibung

Schnittstellenbeschreibung Schnittstellenbeschreibung Typ: Kundenbestellungen per FTP-Upload Format: CSV/XML Version: 1.0 Datum: 25.03.2014-1 - Inhaltsverzeichnis 1. Beschreibung... 3 2. Nutzung... 3 Schritt 1: Importieren der Preise

Mehr

Datenaustausch mit Mac / PC & HeadCook / Ecoshop

Datenaustausch mit Mac / PC & HeadCook / Ecoshop Datenaustausch mit Mac / PC & HeadCook / Ecoshop 2008-2011 InnoBytes, Wolfgang Kohrt 1 Inhalt! Allgemeines! 3 1. Vorbereitungen! 4 1.1 Vorbereitungen für MacOSX 10! 4 1.2 Vorbereitungen für Windows XP/Vista/7!

Mehr

1. Einführung. 2. Vorbereiten der Excel-Datei

1. Einführung. 2. Vorbereiten der Excel-Datei 1. Einführung Über den Datenimport-Assistenten im Bereich Verkauf -> E-Commerce-Bestellungen -> Webshop können Sie nicht nur Ihre Webshop-Bestellungen, sondern allgemein Vorgänge (sprich Aufträge, Lieferscheine

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Fakturierung/Zahlungseingänge/Mahnen

Fakturierung/Zahlungseingänge/Mahnen Fakturierung/Zahlungseingänge/Mahnen :: Hilfreiche Module :: Durchdachte Tool :: Zeitsparend :: Zukunftsorientiert INSIEME Aus dem Hause der Curion Informatik AG Die Vereinssoftware Mehr als nur eine Mitgliederverwaltung

Mehr

Erste Hilfe bei VSS Backup Fehlern

Erste Hilfe bei VSS Backup Fehlern NetWorker für Windows - Allgemein Tip 91, Seite 1/10 Erste Hilfe bei VSS Backup Fehlern VSS Fehler können vielfältige Ursachen haben, deren Ursprung nicht immer gleich einleuchtet. Nicht ohne Grund gibt

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

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

Mehr

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

AUTO & MOTORRAD: TEILE EINSTELLEN MIT dem EBAY-PRODUKTKATALOG

AUTO & MOTORRAD: TEILE EINSTELLEN MIT dem EBAY-PRODUKTKATALOG AUTO & MOTORRAD: TEILE EINSTELLEN MIT dem EBAY-PRODUKTKATALOG Letzte Aktualisierung 31. Juli 2012 Kapitel aktualisiert Screenshots hinzugefügt 30. August 2011 Überarbeitung des Leitfadens zum Einstellen

Mehr

xcall Technische Dokumentation

xcall Technische Dokumentation xcall Technische Dokumentation zu Version 4.x Autor: Martin Roth Erstelldatum: 14.08.2008 Version: 1.4 Seite 2 / 7 Zweck...3 Schnittstellenarchitektur...3 Outbound-Schnittstellen...3 Outlook...3 TwixTel...3

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Excel-Kurs (Stephan Treffler, HS Erding)

Excel-Kurs (Stephan Treffler, HS Erding) Excel-Kurs (Stephan Treffler, HS Erding) Der Excel-Kurs geht davon aus, dass Schüler der 9.Jahrgangsstufe grundsätzlich mit Excel umgehen können und über das Menü und die verschiedenen Funktionen Bescheid

Mehr

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.

Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09. Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme

Mehr

Leitfaden zur Schulung

Leitfaden zur Schulung AWO Ortsverein Sehnde Reiner Luck Straße des Großen Freien 5 awo-sehnde.de PC Verwaltung für Vereine Leitfaden zur Schulung Inhalt Sortieren nach Geburtsdaten... 2 Sortieren nach Ort, Nachname, Vorname...

Mehr

Verwendung der Support Webseite

Verwendung der Support Webseite amasol Dokumentation Verwendung der Support Webseite Autor: Michael Bauer, amasol AG Datum: 19.03.2015 Version: 3.2 amasol AG Campus Neue Balan Claudius-Keller-Straße 3 B 81669 München Telefon: +49 (0)89

Mehr

Electronic Banking. Inhaltsverzeichnis. 1. Ziel. 2. Voraussetzungen. 3. Vorgehensweise. 4. Details. 5. Wichtige Informationen

Electronic Banking. Inhaltsverzeichnis. 1. Ziel. 2. Voraussetzungen. 3. Vorgehensweise. 4. Details. 5. Wichtige Informationen Electronic Banking Bereich: FIBU - Info für Anwender Nr. 1197 Inhaltsverzeichnis 1. Ziel 2. Voraussetzungen 3. Vorgehensweise 3.1. Kontoauszüge im MT940-Format einlesen 3.2. Kontoauszüge im CSV-Format

Mehr

Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009

Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009 TU Dortmund, Wintersemester 2009/10 Institut für Philosophie und Politikwissenschaft C. Beisbart Von der Metaethik zur Moralphilosophie: R. M. Hare Der praktische Schluss/Prinzipien Überblick zum 26.10.2009

Mehr

Online-Fahrzeugbörsen in Deutschland im Vergleich

Online-Fahrzeugbörsen in Deutschland im Vergleich CAR- Universität Duisburg-Essen Online-Fahrzeugbörsen in Deutschland im Vergleich Ferdinand Dudenhöffer, Kai Pietron, Alexander Schadowski * Seit mehr als zehn Jahren haben sich die Online-Fahrzeugbörsen

Mehr

Dokumentation KundenpreisManagerLX Pro. Version 2.0

Dokumentation KundenpreisManagerLX Pro. Version 2.0 Dokumentation KundenpreisManagerLX Pro Version 2.0 2 Dokumentation KundenpreisManagerLX Pro Version 2.0.207.1 Was ist KundenpreisManagerLX Pro? KundenpreisManagerLX Pro ist ein Programm zum einfachen Exportieren,

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

PIWIN 1 Übung Blatt 5

PIWIN 1 Übung Blatt 5 Fakultät für Informatik Wintersemester 2008 André Gronemeier, LS 2, OH 14 Raum 307, andre.gronemeier@cs.uni-dortmund.de PIWIN 1 Übung Blatt 5 Ausgabedatum: 19.12.2008 Übungen: 12.1.2009-22.1.2009 Abgabe:

Mehr

Handbuch oasebw Seite 1 von 10

Handbuch oasebw Seite 1 von 10 Seite 1 von 10 Seite 2 von 10 Inhaltsverzeichnis BESCHREIBUNG 4 VORGÄNGE 5 VORGANG NEU ANLEGEN 5 VORGANG BEARBEITEN 7 VORGANG ÜBERWACHEN 8 VORGANG LÖSCHEN/STORNIEREN 8 VERWALTUNG 9 PERSÖNLICHE EINSTELLUNGEN

Mehr

Kauf und Verkauf gebrauchter Photovoltaikanlagen

Kauf und Verkauf gebrauchter Photovoltaikanlagen Kauf und Verkauf gebrauchter Photovoltaikanlagen Die meisten Photovoltaikanlagen wurden seit dem Jahr 2004 installiert und sind damit noch vergleichsweise neu. Von daher ist vielen Betreibern der Gedanke

Mehr

ACS Data Systems AG. Bestellungen. (Version 10.08.2009) Buchhaltung für Schulen. ACS Data Systems AG. Bozen / Brixen / Trient. Tel +39 0472 27 27 27

ACS Data Systems AG. Bestellungen. (Version 10.08.2009) Buchhaltung für Schulen. ACS Data Systems AG. Bozen / Brixen / Trient. Tel +39 0472 27 27 27 ACS Data Systems AG Bestellungen (Version 10.08.2009) Buchhaltung für Schulen ACS Data Systems AG Bozen / Brixen / Trient Tel +39 0472 27 27 27 obu@acs.it 2 Inhaltsverzeichnis 1. BESTELLUNGEN... 3 1.1

Mehr

ebanking Business: Umwandeln der Lastschriftvorlagen in SEPA-Vorlagen mit automatischer Konvertierung von Kontonummer/BLZ in IBAN und BIC

ebanking Business: Umwandeln der Lastschriftvorlagen in SEPA-Vorlagen mit automatischer Konvertierung von Kontonummer/BLZ in IBAN und BIC ebanking Business: Umwandeln der Lastschriftvorlagen in SEPA-Vorlagen mit automatischer Konvertierung von Kontonummer/BLZ in IBAN und BIC Lastschriftvorlagen, die Sie in ebanking Business gespeichert haben,

Mehr

System- Infos für TOTO

System- Infos für TOTO Merkblatt für Systeme Staatliche Toto-Lotto GmbH Baden-Württemberg System- Infos für TOTO er-tipp Spielteilnahme ab 8 Jahren. Glücksspiel kann süchtig machen. Nähere Informationen bei LOTTO und unter www.lotto.de.

Mehr

CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen

CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen Über die Klassifizierung bietet BüroWARE die Möglichkeit Adressen eine beliebige Anzahl an Merkalen zuzuweisen. Die Merkmale bieten

Mehr

Arbeiten mit Arrays. 4.1 Eigenschaften. 4.1.1 Schlüssel und Element. Kapitel 4

Arbeiten mit Arrays. 4.1 Eigenschaften. 4.1.1 Schlüssel und Element. Kapitel 4 Arbeiten mit s Eine effiziente Programmierung mit PHP ohne seine s ist kaum vorstellbar. Diese Datenstruktur muss man verstanden haben, sonst brauchen wir mit weitergehenden Programmiertechniken wie der

Mehr

Erstellung eines Verfahrensverzeichnisses aus QSEC

Erstellung eines Verfahrensverzeichnisses aus QSEC Erstellung eines Verfahrensverzeichnisses aus QSEC Im QSEC-Reporting-Modul steht ab der Version 4.2 ein neuer Bericht zur Verfügung. Es besteht nun die Möglichkeit, einen BDSG-konformen Datenschutzbericht

Mehr

{ + web: www.rent-a-hero.de + email: stefan@rent-a-hero.de } Dokumentation rahartimport für OXID 4.x Shops

{ + web: www.rent-a-hero.de + email: stefan@rent-a-hero.de } Dokumentation rahartimport für OXID 4.x Shops Dokumentation rahartimport für OXID 4.x Shops Autor: Stefan Moises, stefan@rent-a-hero.de, 19.12.2012 Version: 2.0.0 I. Über dieses Modul Dies ist ein Modul für OXID 4 CE, PE und EE zum einfachen Importieren

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Anleitung zur SEPA-Umstellung in SFirm 2.5 (Variante Überweisungen und Lastschriften )

Anleitung zur SEPA-Umstellung in SFirm 2.5 (Variante Überweisungen und Lastschriften ) SFirm mit Überweisungen und Lastschriften Anleitung zur SEPA-Umstellung in SFirm 2.5 (Variante Überweisungen und Lastschriften ) Der SEPA-Zahlungsverkehr wird den nationalen und europaweiten Zahlungsverkehr

Mehr

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

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

SelectLine Auftrag, CRM und OPOS. ab Version 11.5. Schnittstellen Beschreibung für Import von. Adressen und Kontaktadressen

SelectLine Auftrag, CRM und OPOS. ab Version 11.5. Schnittstellen Beschreibung für Import von. Adressen und Kontaktadressen SelectLine Auftrag, CRM und OPOS ab Version 11.5 Schnittstellen Beschreibung für Import von Adressen und Kontaktadressen Copyright by SelectLine Software AG, CH-9016 St. Gallen Kein Teil dieses Dokumentes

Mehr

Forderungen als Datei hochladen

Forderungen als Datei hochladen mediafinanz AG Weiße Breite 5 49084 Osnabrück Forderungen als Datei hochladen Beschreibung der mediafinanz CSV-Schnittstelle Version 4.9 vom 21.10.2014 Vorbereitung: Exportdatei in Ihrem System erzeugen

Mehr

Kurze Einführung in IBM SPSS für Windows

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

Mehr

How-To : Nachtragen von Tagesdiagrammen auf der Solarlog Homepage

How-To : Nachtragen von Tagesdiagrammen auf der Solarlog Homepage How-To : Nachtragen von Tagesdiagrammen auf der Solarlog Homepage Von Zeit zu Zeit erweitern neue Funktionen die Ausstattungsmerkmale des SolarLog. Wenn ein neues Firmewareupdate heraus kommt, werden plötzlich

Mehr

-Wählen Sie die gewünschten Kriterien für die Selektion und klicken Sie anschließend auf OK um die Datensätze zu selektieren.

-Wählen Sie die gewünschten Kriterien für die Selektion und klicken Sie anschließend auf OK um die Datensätze zu selektieren. HowTo: Personalisierte Serienemails aus Selektion (ggf. mit Anhang) Versionen: CRM 5, CRM SIX I. Vorbereitung a) Erstellen einer Selektion -Grundlage für alle Serienbriefe oder Serienemails mit SuperOffice

Mehr

inviu NFC-tracker für Android Funktionsweise und Bedienung

inviu NFC-tracker für Android Funktionsweise und Bedienung inviu NFC-tracker für Android Funktionsweise und Bedienung 1 Inhaltsverzeichnis inviu NFC-tracker...1 1 Inhaltsverzeichnis...1 2 Installation...2 3 Einrichtung im Webportal inviu pro...2 3.1 Benannte Positionen

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Erweiterung der CRM-Datenbank für den Umgang mit Excel-Mappen. Automatisches Ausfüllen von MS-Excel-Vorlagen mit Daten aus organice

Erweiterung der CRM-Datenbank für den Umgang mit Excel-Mappen. Automatisches Ausfüllen von MS-Excel-Vorlagen mit Daten aus organice organice-excel-add-in 1 Erweiterung der CRM-Datenbank für den Umgang mit Excel-Mappen. Automatisches Ausfüllen von MS-Excel-Vorlagen mit Daten aus organice (Ein stichwortartiger Entwurf ) Systemvoraussetzungen:

Mehr

"getiban.exe" wird als selbstentpackende Archivdatei "getiban.exe" ausgeliefert.

getiban.exe wird als selbstentpackende Archivdatei getiban.exe ausgeliefert. Allgemeine Beschreibung von GETIBAN.EXE "getiban.exe" ist ein Windows Kommandozeilen Programm zur Berechnung von IBANs aus vorhandenen Kontonummern und Bankleitzahlen für die derzeit in SEPA teilnehmenden

Mehr

Anleitung fu r die Vorlage restpunkte.xlsx

Anleitung fu r die Vorlage restpunkte.xlsx Anleitung fu r die Vorlage restpunkte.xlsx Inhalt 1 Einleitung... 1 2 Grundsätzliche Bedienungshinweise... 1 3 Wichtige Regeln für das Ausfüllen... 2 4 Erfassen der Information... 2 4.1 Das Blatt Inspektionen...

Mehr

Einführung in die Tabellenkalkulation Microsoft Excel

Einführung in die Tabellenkalkulation Microsoft Excel Einführung in die Tabellenkalkulation Microsoft Excel Mit Hilfe einer Tabellenkalkulation kann man Daten tabellarisch auswerten und grafisch darstellen. Die Daten werden als Tabelle erfasst, verwaltet

Mehr

FrontDoor/Monitor mehr sehen von FrontDoor

FrontDoor/Monitor mehr sehen von FrontDoor FrontDoor/Monitor mehr sehen von FrontDoor BYTEBAR.EU NEHMEN SIE SICH MEHR HERAUS Haben Sie schon einmal mit Ihrem Laptop direkt den Massenspeicher ausgelesen? FrontDoor/Monitor macht dies noch angenehmer.

Mehr

Dokumentation: wi://googlemaps

Dokumentation: wi://googlemaps 1 Dokumentation: wi://googlemaps zur Einbindung von eigenen GoogleMaps Karten im TYPO3 Backend 2 Inhalt Einrichtung des Plugins... 3 Schritt 1: Frontend Plugin anlegen... 3 Schritt 2: Speicherort der Datensätze

Mehr