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

Bericht. Hochschule Wismar. Fakultät für Wirtschaftswissenschaften. Bericht. Projekt Don t get kicked Data Mining

Bericht. Hochschule Wismar. Fakultät für Wirtschaftswissenschaften. Bericht. Projekt Don t get kicked Data Mining Hochschule Wismar Fakultät für Wirtschaftswissenschaften Bericht Bericht Bericht Projekt Don t get kicked Data Mining zur Veranstaltung Business Intelligence Zur Veranstaltung Business eingerichtet von:

Mehr

Fakultät für Wirtschaftswissenschaften

Fakultät für Wirtschaftswissenschaften Fakultät für Wirtschaftswissenschaften - Abschlussbericht - Don t get kicked Zur Veranstaltung Business Intelligence an der Hochschule Wismar eingereicht von: Thilo Brachmann geboren am 27.04.1983 in Schwerin

Mehr

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

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

Mehr

Data Mining in KNIME

Data Mining in KNIME Fakultät für Wirtschaftswissenschaften Studiengang Master Digitale Logistik und Management Seminararbeit Data Mining in KNIME zur Veranstaltung Business Intelligence WS 2012/2013 Eingereicht von: Christian

Mehr

Dokumentation Datamining

Dokumentation Datamining Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt

Mehr

2. Datenvorverarbeitung

2. Datenvorverarbeitung Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy

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

Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Wirtschaftswissenschaften.

Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Wirtschaftswissenschaften. Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Wirtschaftswissenschaften Projektarbeit Data Mining: Don t Get Kicked eingereicht von: Carolin Janitz geboren

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

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 1/11 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Bei Fragen und Fehlern: jubech@cup.lmu.de Inhaltsverzeichnis

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

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

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

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

Merchant Center und Adwords Produkterweiterung mit Filter

Merchant Center und Adwords Produkterweiterung mit Filter Letzte Aktualisierung: 02.02.2012 Merchant Center und Adwords Produkterweiterung mit Filter 1. In den USA kann man die Produkte selektieren (filtern), die zu einer Adwords- Anzeige als Produkterweiterung

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

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

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

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

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

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

Anleitung zum Import und der Umwandlung von Lastschriftvorlagen in SEPA-Lastschriftvorlagen

Anleitung zum Import und der Umwandlung von Lastschriftvorlagen in SEPA-Lastschriftvorlagen Seite 1 von 5 Anleitung zum Import und der Umwandlung von Lastschriftvorlagen in SEPA-Lastschriftvorlagen Mit dieser Anleitung möchten wir Ihnen Schritt für Schritt bei der Umstellung Ihrer bereits vorhandenen

Mehr

WSCAR-Help Fakturadaten Version 17.12.5

WSCAR-Help Fakturadaten Version 17.12.5 Fakturadaten Inhaltsverzeichnis 1 Fakturadaten... 2 1.1 Einleitung... 2 1.2 Arbeitspositionen... 2 1.3 Fahrzeuggruppen... 5 1.4 Sonstiges... 6 1.5 Textbausteine... 6 1.6 Festzeiten importieren... 7 1.7

Mehr

Corporate Actions in epoca

Corporate Actions in epoca in epoca Einführung Die können in Bezug auf die Buchhaltung zu den komplexesten und anspruchsvollsten Transaktionen gehören. Sie können den Transfer eines Teils oder des ganzen Buchwerts einer Position

Mehr

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 30. Juni 2011 1/13 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Inhaltsverzeichnis 1 Programmeinführung

Mehr

Hinweise zur. Auswertung. Markus Scholz Michael Wagner Version 1.0

Hinweise zur. Auswertung. Markus Scholz Michael Wagner Version 1.0 Hinweise zur Auswertung Markus Scholz Michael Wagner Version 1.0 Struktur der Auswertung Die Auswertung der Ergebnisse und somit der Vergleich der Einschätzungen verschiedener Personen erfolgt mittels

Mehr

Hochschule Wismar. Projektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar

Hochschule Wismar. Projektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Hochschule Wismar Fakultät für Wirtschaftswissenschaften Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar zur VERANSTALTUNG

Mehr

Access 2010. Grundlagen für Anwender. Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012. inkl. zusätzlichem Übungsanhang ACC2010-UA

Access 2010. Grundlagen für Anwender. Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012. inkl. zusätzlichem Übungsanhang ACC2010-UA Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012 Access 2010 Grundlagen für Anwender inkl. zusätzlichem Übungsanhang ACC2010-UA 3 Access 2010 - Grundlagen für Anwender 3 Daten in Formularen bearbeiten

Mehr

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch

- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch 1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt

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

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

Kaplan-Meier-Schätzer

Kaplan-Meier-Schätzer Kaplan-Meier-Schätzer Ausgangssituation Zwei naive Ansätze zur Schätzung der Survivalfunktion Unverzerrte Schätzung der Survivalfunktion Der Kaplan-Meier-Schätzer Standardfehler und Konfidenzintervall

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

In diesem Beitrag sollen die einzelnen Möglichkeiten detaillierter erläutert und bei Notwendigkeit mit einem Beispiel hinterlegt werden.

In diesem Beitrag sollen die einzelnen Möglichkeiten detaillierter erläutert und bei Notwendigkeit mit einem Beispiel hinterlegt werden. Inhalte einfügen Das Menü Inhalte einfügen bietet eine Vielzahl von Möglichkeiten kopierte Elemente wieder in ein Tabellenblatt einzufügen. Dabei kann im Gegensatz zum normalen Einfügen darauf geachtet

Mehr

KREDIT BEWILLIGT ODER NICHT?

KREDIT BEWILLIGT ODER NICHT? KREDIT BEWILLIGT ODER NICHT? Mathematik A-lympiade Aufgabe Finalrunde März 2002 oder Kredit bewilligt oder nicht? In vielen Geschäften kann man auf Kredit kaufen. Käufer und Geschäftsinhaber profitieren

Mehr

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses

1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Funktionen in Excel 1 Ein Beispiel: Das Berechnen eines Schulzeugnisses Jim hat die folgenden Noten im 1. Trimester: Fach Prüfung 1 Prüfung 2 Prüfung 3 Englisch 35 38 43 Deutsch 44 42 48 Französisch 28

Mehr

Verbessern Sie Ihre Webinare

Verbessern Sie Ihre Webinare Verbessern Sie Ihre Webinare Auswertung von Informationen über Ihre Teilnehmer auf edudip zur Verbesserung Ihrer Webinare Dies ist die downloadbare CSV Datei, nur für edudip. Pro Mitglieder verfügbar Heutzutage

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

M. Graefenhan 2000-12-07. Übungen zu C. Blatt 3. Musterlösung

M. Graefenhan 2000-12-07. Übungen zu C. Blatt 3. Musterlösung M. Graefenhan 2000-12-07 Aufgabe Lösungsweg Übungen zu C Blatt 3 Musterlösung Schreiben Sie ein Programm, das die Häufigkeit von Zeichen in einem eingelesenen String feststellt. Benutzen Sie dazu ein zweidimensionales

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

KREDITVERZEICHNIS Konfiguration Ausgabe: 20.02.13 1/13. Dokumentation KREDITVERZEICHNIS. Teil 2. Konfiguration

KREDITVERZEICHNIS Konfiguration Ausgabe: 20.02.13 1/13. Dokumentation KREDITVERZEICHNIS. Teil 2. Konfiguration KREDITVERZEICHNIS Konfiguration Ausgabe: 20.02.13 1/13 Dokumentation KREDITVERZEICHNIS Teil 2 Konfiguration Stand 20.02.2013 KREDITVERZEICHNIS Konfiguration Ausgabe: 20.02.13 2/13 Inhalt 1. KONFIGURATION...

Mehr

Programmdoku FORMEL 1 Teilebörse RENAULT/NISSAN. Allgemein. Datei-Ausgabe. 9.13.4 Teilebörse

Programmdoku FORMEL 1 Teilebörse RENAULT/NISSAN. Allgemein. Datei-Ausgabe. 9.13.4 Teilebörse Allgemein Zur Ausgabe der "ungängigen Teile" für eine Teilebörse wurde ein separater Menüpunkt geschaffen. Als Kriterium zur Ausfilterung der ungängigen Teile wird der Posizähler verwendet. Dieser enthält

Mehr

Mein erstes Tableau-Dashboard. Tableau Software Schritt für Schritt kennenlernen und ein erstes Dashboard erstellen

Mein erstes Tableau-Dashboard. Tableau Software Schritt für Schritt kennenlernen und ein erstes Dashboard erstellen Tableau Software Schritt für Schritt kennenlernen und ein erstes Dashboard erstellen Vorgehensweise 1) Datenaufbereitung in Microsoft Excel 2) Tableau - Datenimport 3) Erstellung verschiedener Tableau-Arbeitsblätter

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

Eine der Aktien hat immer einen höheren Gewinn als die andere Aktie. Ihre Aufgabe ist es diese auszuwählen.

Eine der Aktien hat immer einen höheren Gewinn als die andere Aktie. Ihre Aufgabe ist es diese auszuwählen. Instruktionen am Anfang von Experiment 1 (auf Papier ausgeteilt: grünmarkierte Textstellen zeigen den Instruktionstext in der jeweiligen Bedingung an; Kommentare sind gelb markiert.) Stellen Sie sich vor,

Mehr

«/Mehrere Umfragen in einer Umfrage durchführen» Anleitung

«/Mehrere Umfragen in einer Umfrage durchführen» Anleitung QuickStart «/Mehrere Umfragen in einer Umfrage durchführen» Anleitung Mehrere Umfragen in einer Umfrage durchführen Mögliches Szenario oder wann Sie davon Gebrauch machen können Sie führen regelmässig

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

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

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

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

Konsolidieren von Daten in EXCEL

Konsolidieren von Daten in EXCEL Konsolidieren von Daten in EXCEL Der Begriff der (auch Konsolidation) besitzt in den einzelnen Fachbereichen (Finanzmathematik, Geologie, Medizin usw.) unterschiedliche Bedeutung. Im Sinne dieses Beitrages

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

Dokumentation TELAU Post Mobile Billitem Converter

Dokumentation TELAU Post Mobile Billitem Converter Dokumentation TELAU Post Mobile Billitem Converter 2 Inhalt Ausgangslage... 3 Ziel... 3 Installation... 4 Monatlicher Ablauf... 5 Verarbeitung starten... 8 Rücknehmen von Definitionen... 11 3 Ausgangslage

Mehr

CodeSnap Inventur 3.3 für HIS FSV-GX. Benutzerhandbuch

CodeSnap Inventur 3.3 für HIS FSV-GX. Benutzerhandbuch CodeSnap Inventur 3.3 für HIS FSV-GX Benutzerhandbuch COPYRIGHT Copyright 2012 Flexicom GmbH Alle Rechte vorbehalten. Kurzanleitung für die Software CodeSnap Inventur 3.3 Erste Ausgabe: August 2012 CodeSnap

Mehr

Grundlegende Metriken

Grundlegende Metriken Grundlegende Metriken In Übereinstimmung mit den Ratschlägen in unserem Best Practice Beispiele für eine erfolgreiche soziale Marke, haben wir die Gelegenheit genutzt, zu beschreiben, wie Unternehmen einige

Mehr

MICROSOFT OFFICE. Inhaltsverzeichnis

MICROSOFT OFFICE. Inhaltsverzeichnis MICROSOFT OFFICE TASTENKOMBINATIONEN Dieses Dokument erklärt Ihnen den Umgang mit der Excel-Datei TASTENKOMBINATIONEN.XLS. Mit dieser Datei können Sie alle möglichen Tastenkombinationen in Word, Excel

Mehr

Leitfaden #1a. "zanox Publisher-Statistik" (next generation)

Leitfaden #1a. zanox Publisher-Statistik (next generation) Leitfaden #1a "zanox Publisher-Statistik" (next generation) Thema: Sortieren von Leads und Sales nach dem Bearbeitungsdatum (inklusive Abschnitt "Filterung nach Transaktionsstatus") 1/8 Leitfaden "Sortieren

Mehr

Leitfaden für den Import von Artikeln, Sicherheitsdatenblättern, Leistungserklärungen und CE-Kennzeichnungen

Leitfaden für den Import von Artikeln, Sicherheitsdatenblättern, Leistungserklärungen und CE-Kennzeichnungen Leitfaden für den Import von Artikeln, Sicherheitsdatenblättern, Leistungserklärungen und CE-Kennzeichnungen Import von Artikeln Der Import von Artikeln erfolgt über gleichlautenden Button in der oberen

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

Data Mining als Arbeitsprozess

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

Mehr

Auswertung der Workload-Befragung mit MS ACCESS

Auswertung der Workload-Befragung mit MS ACCESS Auswertung der Workload-Befragung mit MS ACCESS Inhaltsverzeichnis 1. Aufbereitung der Daten... 2 1.1. Herstellung der Textfiles... 2 1.2. Import der Textdateien... 3 1.3. Verbindungen erstellen... 8 2.

Mehr

ARCO SQL T5 - Business Intelligence

ARCO SQL T5 - Business Intelligence ARCO SQL T5 - Business Intelligence Um die ARCO Business Intelligence Funktionen nutzen zu können, werden diese unter MS Excel eingerichtet. Es handelt sich um strukturierte Auswertungen bezüglich Umsätzen,

Mehr

Vorübung 1 Beschriften Sie die Tabelle wie in der Abbildung dargestellt.

Vorübung 1 Beschriften Sie die Tabelle wie in der Abbildung dargestellt. Diese Anleitung führt in einige Grundfunktionen des Tabellenkalkulationsprogramms Microsoft Excel ein. Sie erstellen nach einigen Vorübungen mit Excel ein kleines Programm, das auf der Grundlage der Gesamtpunktzahl

Mehr

Methodische, softwaregestützte Risikobeurteilung

Methodische, softwaregestützte Risikobeurteilung Methodische, softwaregestützte Risikobeurteilung Ziel der Risikobeurteilung ist es, die von einem Produkt ausgehenden Gefährdungspotenziale möglichst vollständig zu erfassen und Schutzmaßnahmen gegen sie

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

Rekonstruktion der SolarLog minxxxxxx.js-dateien aus Daten, die mit dem ELV-EM1010PC-System und meinen Makros erfasst wurden

Rekonstruktion der SolarLog minxxxxxx.js-dateien aus Daten, die mit dem ELV-EM1010PC-System und meinen Makros erfasst wurden Rekonstruktion der SolarLog minxxxxxx.js-dateien aus Daten, die mit dem ELV-EM1010PC-System und meinen Makros erfasst wurden Da ich meine PV-Anlage eher als einen SolarLog hatte, die Einspeisedaten aber

Mehr

Im Folgenden wird Ihnen an einem Beispiel erklärt, wie Sie Excel-Anlagen und Excel-Vorlagen erstellen können.

Im Folgenden wird Ihnen an einem Beispiel erklärt, wie Sie Excel-Anlagen und Excel-Vorlagen erstellen können. Excel-Schnittstelle Im Folgenden wird Ihnen an einem Beispiel erklärt, wie Sie Excel-Anlagen und Excel-Vorlagen erstellen können. Voraussetzung: Microsoft Office Excel ab Version 2000 Zum verwendeten Beispiel:

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

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

Schiedsrichteransetzung V1.7.0 System: DFBnet Schiedsrichteransetzung Neue Funktionen

Schiedsrichteransetzung V1.7.0 System: DFBnet Schiedsrichteransetzung Neue Funktionen Freigabemitteilung Nr. 40 Schiedsrichteransetzung V1.7.0 System: DFBnet Schiedsrichteransetzung Neue Funktionen Speicherpfad/Dokument: Erstellt: Letzte Änderung: Geprüft: Freigabe: Datum: 24.05.2007 24.05.2007

Mehr

Beschreibung der Inventur im Programm CCJewel

Beschreibung der Inventur im Programm CCJewel Beschreibung der Inventur im Programm CCJewel Vorwort Auf den nachfolgenden Seiten finden Sie eine Zusammenfassung der wichtigsten Schritte, damit Ihre Inventur erfolgreich durchgeführt werden kann. Bei

Mehr

Abfragen in Access. Die einfache Auswahlabfrage aus einer einzigen Tabelle

Abfragen in Access. Die einfache Auswahlabfrage aus einer einzigen Tabelle Um gezielte Informationen - auch aus verschiedenen Tabellen einer Datenbank - zu erhalten, benutzt man Abfragen. Man kann dort die Tabellen einer Datenbank miteinander verknüpfen und erhält somit die gewünschten

Mehr

Untersuchungen zur Erhöhung des Stromertrages von PV-Modulen durch Räumung von Schnee

Untersuchungen zur Erhöhung des Stromertrages von PV-Modulen durch Räumung von Schnee Untersuchungen zur Erhöhung des Stromertrages von PV-Modulen durch Räumung von Schnee Projektbetreuer: Jochen Lang, Monitoring, Qualitätsmanagement Autor: Dipl. Ing. (FH) Eberhard Zentgraf Elektroingenieur

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

Lösungen zu den Übungsaufgaben aus Kapitel 3

Lösungen zu den Übungsaufgaben aus Kapitel 3 Lösungen zu den Übungsaufgaben aus Kapitel 3 Ü3.1: a) Die Start-Buchungslimits betragen b 1 = 25, b 2 = 20 und b 3 = 10. In der folgenden Tabelle sind jeweils die Annahmen ( ) und Ablehnungen ( ) der Anfragen

Mehr

3 Quellencodierung. 3.1 Einleitung

3 Quellencodierung. 3.1 Einleitung Source coding is what Alice uses to save money on her telephone bills. It is usually used for data compression, in other words, to make messages shorter. John Gordon 3 Quellencodierung 3. Einleitung Im

Mehr

Funktionsübersicht. Beschreibung der zentralen Funktionen von PLOX

Funktionsübersicht. Beschreibung der zentralen Funktionen von PLOX Funktionsübersicht Beschreibung der zentralen Funktionen von PLOX Seite 2 Inhaltsverzeichnis 1. Überblick Architektur... 2 2. PLOX-Menüleiste: Eine Toolbox voll nützlicher Werkzeuge... 3 2.1 Login... 3

Mehr

Berechnungen in Access Teil I

Berechnungen in Access Teil I in Access Teil I Viele Daten müssen in eine Datenbank nicht eingetragen werden, weil sie sich aus anderen Daten berechnen lassen. Zum Beispiel lässt sich die Mehrwertsteuer oder der Bruttopreis in einer

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

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

Datenbanken für Online Untersuchungen

Datenbanken für Online Untersuchungen Datenbanken für Online Untersuchungen Im vorliegenden Text wird die Verwendung einer MySQL Datenbank für Online Untersuchungen beschrieben. Es wird davon ausgegangen, dass die Untersuchung aus mehreren

Mehr

Der Fröhlich-Faktor. Referent: Stefan Fröhlich

Der Fröhlich-Faktor. Referent: Stefan Fröhlich Der Fröhlich-Faktor Referent: Stefan Fröhlich Entstehung des Fröhlich-Faktor Wenn man sich mit der Entwicklung und dem Backtesting von Handelssystemen beschäftigt wird der Fröhlich-Faktor immer dann wichtig

Mehr

Anleitung zum Zusatzmodul Inventur

Anleitung zum Zusatzmodul Inventur Anleitung zum Zusatzmodul Inventur Inhaltsverzeichnis Allgemeine Angaben zum Inventurmodul Funktion des Inventurmoduls Starten des Moduls Selektion von Artikeln für die Inventur Aufbau des Inventurmoduls

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

CSV Import WP-Meldung.doc

CSV Import WP-Meldung.doc Weiterbildungsdatenbank Version: 1.0 Status: freigegeben Datum: 06.08.2013 Dateiname: Dokumentvorlage: CSV Import WP-Meldung.doc Dokumentvorlage_5.1_Standarddokument Inhaltsverzeichnis 1 Einleitung...

Mehr

Installation und Bedienung

Installation und Bedienung Inhalt: 1. Wichtige Hinweise... 1 2. Inhalt dieser Anleitung... 1 3. Voraussetzungen... 1 4. Arbeitsweise des s... 1 5. Installation... 2 6. Bedienung... 2 6.1. Selektieren der fehlenden Exemplare...3

Mehr

Weiterverarbeitung Leseranfragen

Weiterverarbeitung Leseranfragen Weiterverarbeitung Leseranfragen Schulungsunterlage Inhaltsverzeichnis Thema Seite 1. Einführung 2 2. Weiterverarbeitung Vorbereitungen 2 3. Weiterverarbeitung Excel-Datei mit dem Seriendokument verbinden

Mehr

Text- und Excel-Dateien in GeoMedia

Text- und Excel-Dateien in GeoMedia Text- und Excel-Dateien in GeoMedia Tipps & Tricks Juli 2012 2012 Intergraph SG&I Deutschland GmbH. Alle Rechte vorbehalten. Der Inhalt dieses Dokuments ist urheberrechtlich und ggf. durch internationale

Mehr

1. Arbeiten mit dem Touchscreen

1. Arbeiten mit dem Touchscreen 1. Arbeiten mit dem Touchscreen 1.1. Einleitung Als weitere Buchungsart steht bei DirectCASH ein Touchscreen zur Verfügung. Dieser kann zwar normal via Maus bedient werden, vorzugsweise jedoch durch einen

Mehr

Webseitennavigation mit dem Content-Management-System Imperia. Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster

Webseitennavigation mit dem Content-Management-System Imperia. Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster Webseitennavigation mit dem Content-Management-System Imperia Zentrum für Informationsverarbeitung Westfälische Wilhelms-Universität Münster 10. Januar 2006 Inhaltsverzeichnis 1. Einführung 4 2. Rubrikenstruktur

Mehr

Arbeiten mit dem Blattschutz ab EXCEL XP

Arbeiten mit dem Blattschutz ab EXCEL XP Arbeiten mit dem Blattschutz ab EXCEL XP In vielen Fällen bietet sich an, dass Tabellen- und Diagrammblätter innerhalb einer Arbeitsmappe geschützt Das ist aus mehreren Gründen angebracht. Einmal hat man

Mehr

Anleitungen zu Inside FHNW

Anleitungen zu Inside FHNW Anleitungen zu Inside FHNW Jasmin Kämpf, Sabina Tschanz und Caroline Weibel, elearning.aps@fhnw.ch Version 1.0 20.8.14 Zürich, August 2014 1 Inhaltsverzeichnis 1. Anleitung Inside FHNW Gruppe eröffnen

Mehr

So erstellen bzw. ändern Sie schnell und einfach Texte auf der Aktuelles -Seite Ihrer Praxishomepage

So erstellen bzw. ändern Sie schnell und einfach Texte auf der Aktuelles -Seite Ihrer Praxishomepage Anleitung zum Einpflegen von Praxisnachrichten auf LGNW Praxishomepages Stand: 15.September 2013 So erstellen bzw. ändern Sie schnell und einfach Texte auf der Aktuelles -Seite Ihrer Praxishomepage 1.

Mehr

Bestandsabgleich mit einem Onlineshop einrichten

Bestandsabgleich mit einem Onlineshop einrichten Bestandsabgleich mit einem Onlineshop einrichten Mit unserem Tool rlonlineshopabgleich können die Warenbestände zwischen unserem Programm raum level und einem Onlineshop abgeglichen werden. Einleitend

Mehr

TECHNISCHE UNIVERSITÄT DRESDEN

TECHNISCHE UNIVERSITÄT DRESDEN TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Wirtschaftswissenschaften Prof. Dr. W. Esswein Lehrstuhl Wirtschaftsinformatik, insbesondere Systementwicklung Bachelor-Prüfungsleistung Wintersemester 2007/2008

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

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

Handbuch. Terminverwaltungssoftware für Microsoft Windows und TomTom Telematics

Handbuch. Terminverwaltungssoftware für Microsoft Windows und TomTom Telematics Handbuch Terminverwaltungssoftware für Microsoft Windows und TomTom Telematics Systemanforderungen ab Microsoft Windows Vista Service Pack 2, Windows 7 SP 1 Microsoft.NET Framework 4.5 Full ab Microsoft

Mehr

Datumsangaben, enthält mindestens Jahr, Monat, Tag

Datumsangaben, enthält mindestens Jahr, Monat, Tag Datenbanken mit SQL Informatik - Sprenger Häufig wird mit Tabellenkalkulationen gearbeitet, obwohl der Einsatz von Datenbanken sinnvoller ist. Tabellenkalkulationen wie Microsoft Excel oder LibreOffice

Mehr