Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte. Pallas Intelligence. Enterprise Knowledge-Portals

Größe: px
Ab Seite anzeigen:

Download "Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte. Pallas Intelligence. Enterprise Knowledge-Portals"

Transkript

1 Ein Unternehmen der ExperTeam-Gruppe Wege aus dem Daten-Chaos Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte DLR Workshop Hans-Gerd Schaal Geschäftsführer Pallas GmbH HermülheimerStraße Brühl Emil-Figge-Straße Dortmund Die Geschäftsbereiche der Pallas GmbH Pallas Performance Pallas Intelligence Pallas Security Performance Consulting Knowledge- Consulting Security Consulting High Performance Application Enterprise Knowledge-Portals Security Center App. Service Providing High Performance Tools E-Learning

2 Von der Datenspeicherung zum Wissensmanagement Aktuelle Herausforderungen Von Daten zum Wissen Historische Perspektive Konzeptionelle Perspektive Technologische Perspektive Überblick über wichtige Konzepte Datawarehouse Data-Mining Knowledge-Discovery Ausblick Daten-Chaos: Die Herausforderung Reich an Daten, arm an Information. Alle klagen über zu viel an Informationen, keiner fühlt sich gut informiert. Wenn Ihre Organisation wüsste, was sie alles wissen? Informationsflut ist ein Teil der Tragödie der Kultur des modernen Menschen Georg Simmel

3 Aus dem Datenchaos entwickelt sich zunächst ein Begriffschaos EIS Data Marts Data Warehouse PLM Wissens- Management Desicion Support DBMS Portal Knowledge Discovery Wissensnetze Business- Intelligence Web Mining Information Daten, Informationen, Wissen... bilden eine Wertschöpfungskette Wert/ Nutzen Technologie- Basiert Daten Informationen Wissen Unternehmens- Intelligenz Einsicht Entscheiden Handeln Zeichen - Werte - Fakten - Zusammenhänge - Muster Prinzipien - Erfahrung einfach komplex Strukturiert unstrukturiert Ohne Bedeutung Bedeutungsgehalt Kontextunabhängig Kontextbezogen Personenunabhängig (Personenabhängig)

4 Wertsteigerung durch Informationstechnologie heißt Semantik mit Computern beherrschen Wert/ Nutzen Wissen verstehen verteilen generieren Technologie- Basiert Informationen Daten extrahieren finden bereitstellen speichern Treiber für die Entwicklung von Konzepten und Technologien Auslöser Treiber Ziele Wettbewerbs- Druck Zunehmende Bedeutung von Information Exponentielles Datenwachstum Globalisierung Wissens- Gewinnung Qualität Standardisierung Prozess- Orientierung Integration Automatisierung Kosteneinsparung Strategieentwicklung Qualitäts- Steigerung Time to Market Ergebnis- Steigerung

5 Vom Daten zum Wissensmanagement aus historischer Perpektive... Funktions - orientierung Datenbankadministration Datenmodellierung Wissens - management Treiber Intelligence- Orientierung Information als Ressource Transparenz Flexibilität Qualität Prozess & Standardisierung Transaktion & Integration Informationsmanagement Datenmanagement Technologie- Entwicklung & Automation In Anlehnung an Dippolt et al. Unternehmensweites Datenmanagement 2001 Der Weg zum Wissensmanagement führt nur über das Daten und Informationsmanagement Erfolgreiches Wissensmanagement setzt ein effizientes Daten- und Informations-Management voraus Wissens-Management Informations-Management Daten-Management

6 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Entwickeln & Entdecken Speichern & Bereitstellen Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings 58% Web-Mining Verdopplung alle 18 Monate MIS, EIS, DSS Case Based Reasoning Kennzahlenanalyse 88% sind nicht per Search-Engine Data Warehouse E-Learning auffindbar Internet/Intranet Operative Systeme DMS-Systeme (OLTP) Archiv-Systeme Wissensredaktion Communities Konferenzen Kultur-Entwicklung Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Delphi-Studie Memory Abteilungen / Teams Mitarbeiter 42 % Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

7 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Entwickeln & Entdecken Speichern & Bereitstellen In Anlehnung an Grothe/Gentsch Business Intelligence 2000 Pull / Push Technologie Reporting MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Intelligente Agenten Foren, emeetings Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Wissensredaktion Communities Konferenzen Kultur-Entwicklung Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

8 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter / EDM Integration der Engineering-Daten während des Produktlebenszyklus S PLMS Erweiterte EDMS-Definition ( nachploenzke)

9 Durchgängige Nutzung und Verteilung von Engineering- Daten bietet hohe Rationalisierungspotentiale Simultaneous-Engineering-Prinzip führt zu verbessertem Informationsfluss in der gesamten Vorgangsbearbeitung Integration bereichsübergreifender Abläufe und Zusammenarbeit Standardisierung und erhöhte Wiederverwendung von Produkten Steigerung der Entwicklungsqualität: Wiederverwendungsgrad ca. 70% 20% der Arbeitszeit für die Konstruktion von Produkten 35% für die Suche nach Daten Ideale Einsparungsmöglichkeiten: Dokumentenmanagement (ablegen, anfordern, verteilen) Freigabe, Prüfung, Änderungsmanagement, Klassifikation, Daten und Dokumente suchen Projektplanung, -verfolgung, -controlling Quelle: S/EDMS Systemintegration PPS Auftrags- Daten - Technische Daten Produktbezogen CAD Entwicklung Konstruktion CAP Arbeits- Planung NC NC-Programm Erstellung Kundenbezogen Produktionsprogramm Planung Ablauf- Planung Menge Termine CAM Fertigung Auftragssteuerung Auftragsüberwachung Termine Kapazitäten CAQ Qualitäts überwachung Quelle:

10 Grundprinzip von Informationssystemen Operative Systeme OLTP Externe Daten Interne Daten Informations- Systeme Ziel Priorität DBMS Datenoperationen Abwicklung, Transaktion Verfügbarkeit, Performance Hierarchisch relational Schreiben, ändern, löschen Beobachtung, Analyse, Entscheidung Einfache Benutzung flexibler Datenzugriff Relational multidimensional Lesen, ergänzen Art der Daten Nutzer dynamisch Operativer Bereich Anwender, Kunde, Lieferant Zeitpunktbezogen, Historie, periodisch geladen Entscheider Wissensarbeiter, Zusammenspiel von OLTP und Data-Warehouse OLTP ETL Staging Area Data-Warehouse Präsentation SCM ERP CRM WWW Daten-Reengineering Extraktion,Transformation,Laden Replikation Data- Warehouse Operational Data-Store Data- Data- Marts Marts Reports Data-Mining Ad hoc Analyse DB-Katalog Tool- Dircetory DB Katalog Meta-Daten Scheduler Report Mgt.

11 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter MIS mit zentraler Datenkomponente erfordern ein einheitliches Datenmodell MIS: Management Information System EIS: Executiv Information System Top-Management DSS: Decision Support System Taktischer Bereich Klassische MIS-Systeme Moderne MIS-Systeme A B C D Daten- Akquisition 1 Daten- Akquisition 2 Daten- Akquisition 3 EIS 1 DSS 1 EIS 2 A B C D Daten-Akquisition 1 DW Daten-Akquisition 1 EIS 1 DSS 1 EIS 2

12 DW-Analysen mit -Technologien sind Stand der Technik Würfel (Cube) Element Auswertung nach Dimensionen Produkt Ergebnisse Deckungsbeitrag Wahrscheinlichkeit Preis-Sensitivität Dimension Zeit Kunde Performance Risikoklassen Kundensegmentierung 1. Welchen Deckungsbeitrag hat ein bestimmtes Produkt im letzten Quartal in einer bestimmten Region für Kundensegment A erzielt? 2. Wie verändert sich der Umsatz in Region A bei bestimmten Preisänderungen? Trends in der Weiterentwicklung von DW Schreibender Zugriff: zurückschreiben von gewonnen Information in das Data Warehouse Manuelle Datenerweiterung: manuelle Anreicherung von Daten, z.b. zusätzliche Kategorisierungen Realtime Analysen: Informationen müssen sofort aus den OLTP- Systemen in das Data Warehouse gebracht werden (ODS) Informationserweiterung auf unstrukturierte Informationen (Web) Portalintegration, Einbindung in personalisierte Web- Portale My place-idee

13 Effiziente Suche nach verborgenen, wertvollen Informationen in großen Datenmengen und deren Interpretation (Schommer C. et al) Erkennen von Mustern / Strukturen / Gesetzmäßigkeiten in strukturierten Datenbeständen, um Entscheidungen und Vorhersagen zu treffen Hypothesenfreie Wissensgenerierung Endeckungsmodell bzw. explorative Datenanalyse Maschinelles Lernen (Aneignen von Hypothesen über Gesetzmäßigkeiten der realen Welt) Mit können unübersichtliche Daten auf wenige, interpretierbare Muster reduziert werden viele Einzelfälle wenige typische Kombinationen Lesbar und analysierbar undurchschaubar

14 Aufgaben und Methoden des Fragestellung Beispiel Data-MiningAufgabe Data-MiningMethode WarenkorbAnalyse AssoziationsAnalyse Assoziationsverfahren Erkennen von Marktsegmenten Segmentierung Clustering Prognose Bonität Klassifikation EntscheidungsBäume Prognose Umsatz Prognose Neuronale Netze Quelle: Grothe/Gentsch Business Intelligence Pallas GmbH Im werden Methoden des induktiven Lernens angewendet MaschiMaschinelles nelles Lernen Lernen Deduktives Deduktives Lernen Lernen Induktives Induktives Lernen Lernen Data Data Mining Mining Überwachtes Überwachtes Lernen Lernen Klassifikation (Klassifikation) Prognose Unüberwachtes Unüberwachtes Lernen Lernen Assoziationen, (Assoziationen, Segmentierung Segmentierung) Neuronale Neuronale Netze Netze Entscheidungsbäume Entscheidungsbäume Regelinduktion Regelinduktion k-nächste k-nächste-nachbarn -Nachbarn Diskriminanzanalyse Diskriminanzanalyse Assoziationen Assoziationen Neuronale Neuronale Netze Netze Demographisches Clustern Clustern Demographisches k-means Clustering hierarchisches Clustern hierarchisches Clustern Deskriptive Statistik, Lineare Methoden, Fuzzy Logic, Statistik, Lineare Methoden,Fuzzy Logic, Genetische Algorithmen Quelle: Krahl / Windheuser / Zick: : Einsatz in der Praxis Pallas GmbH 14

15 Herausforderung Herausforderung besteht in der Wahl der optimalen Methode, häufig heuristisches Verfahren Data-Mininig liefert Informationen in Form von Mustern und Gesetzmäßigkeiten, keine Entscheidungen garbage in < > garbage out 80 % des Aufwandes entsteht für Datenreinigung Wichtiges Anwendungsgebiet Data Quality Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

16 Just in time -Bereitstellung von relevanten Informationen Boole sche Logik Kontextoperatoren Komposita- Zerlegung Exact match Phonetische Suche Isolierte Dokumente partial match (Ranking) Vernetzte Dokumente Merkmalsbasiert Strukturbasierte Cluster- Ansätze Assoziations - analyse Fuzzy-Set Probalistische Ansätze Vektor modelle Linguistische Netze Semantische Netze Ontologien Quelle: Text- / Web Mining basiert auf den Methoden des und zielt auf unstrukturierte Daten Fragestellungen Ähnlichkeiten in Kundenkorrespondenz Zuordnung von Zeitungsartikeln Auswertung von Reklamationsberichten Abstrakterstellung Methoden Assoziationsverfahren Clustering Entscheidungs- Bäume Neuronale Netze Aufbau von Knowledge-Maps Web Mining ist die Übertragung von Data-und Text Mining-Techniken auf unstrukturiertes Datenmaterial, das im Zusammenhang mit Prozessen im Internet /Intranet gesammelt wird.

17 Integriertes Knowledge-Mining im E-Business E-Business Web Usage Web Content Log Files Online - Shop WWW Data-Mining Data-Mining E-Business-Intelligence Quelle: Grothe/Gentsch Business Intelligence 2000 Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

18 Die Balance Scorecard ist ein strategisches Management- und Kommunikations-Instrument Ausgewogener Berichtsbogen für Performance Management Umsetzung von Zielen in Kennzahlen Gleichgewicht zwischen Perspektiven Strategische Entscheidungen werden transparent Zukunftsorientierung statt Vergangenheit Herausforderungen: Geeignete Kennzahlen für die Perspektiven Informationsquellen für Kennzahlen Kunden Perspektive Finanzielle Perspektive Vision & Strategie Lern und Wachstum- Perspektive Prozess- Perspektive Ziele Aktionen Maßstab Intelligence-Portfolio Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Reporting Kultur-Entwicklung Entwickeln & Entdecken MIS, EIS, DSS Kennzahlenanalyse Web-Mining Case Based Reasoning Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Speichern & Bereitstellen Data Warehouse Operative Systeme (OLTP) E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

19 Das Grundproblem des Knowledge-Discovery beschreibt das Bedeutungs-Dreieck Aktiviert eine Vorstellung Symbol / Wort Begriff Konzept steht für bezieht sich auf Reale Welt Beispiel: Data-Mining - Data-Warehouse? - Statistisches Verfahren? - Cognos? - Daten-Mine? Computer verarbeiten nur Symbole Interpretation von Symbolen ist kontext- und personenabhängig Kommunikation mit Computer oder zwischen Personen setzt gleiche Interpretation voraus. Gemeinsames Verständnis der Realen Welt Idee des auf Basis von Wissensnetzen und Ontologien Wissensnetze mit Topic Map Standard Multidimensionaler Begriffs- Beziehungs- Komplex Assoc Informationsressource (occurrence, Belegstelle) Topic Topic Occurrence Assoc Assoc Topic Assoc O-Assoc O-Assoc T-A-O ist relevant, weil...

20 Topic Map am Beispiel Business Intelligence EIS Data Marts Portal T-A-O basiert auf ist ein ist ein Data Warehouse basiert auf basiert auf Business- Intelligence ist ein Balanced Scorecard DBMS Data Management Veranstaltungen Web Mining Text Mining Information Semantic Web Wissensnetze DLR Knowledge Discovery Ontologie DBMS Intranet DMS Ontologie ist eine von mehreren Anwendern geteilte begriffliche Spezifikation eines Anwendungsbereiches Darstellung in Form von semantischen Netzen mit Begriffen, Beziehungen, Typenhierarchien Begriffe bilden eine Metastruktur über den Inhalten Funktion/Nutzen Visualisierung von intellektuelle Wissensstrukturen Navigation in Wissensstrukturen Intelligentes, Suche in Netzen (Query Answering) Inferenzmechanismen (Schlussfolgerungen) Mitarbeiter arbeitet in KM-Projekt > Mitarbeiter hat KM Knowhow Standardisierter Austausch (XML-Basis) Beispiel: Topic Map Standard

21 Kommunikation mit Intelligenten Agenten Ein Agent ist ein Softwareprogramm, das für seinen Nutzer bestimmte Aufgaben erledigt und dabei ein ausreichendes Maß an Intelligenz besitzt, um seine Aufgaben in Teilen autonom durchzuführen, seine Nutzer gegenüber Dritten zu repräsentieren und mit seiner Umwelt auf sinnvolle Art und Weise zu interagieren. [Zarnekow & Brenner 1999] Beispiele für Agenten Anwendungsbereiche Gezielte Informationsversorgung Überwachung dynamischer Datenquellen Preisvergleich im E-Commerce Vermittler in elektronischen Marktplätzen Telematiksysteme Workflow Management Produktionsteuerung Informationsversorgung Such-Agenten für wiederverwendbare Recherchen Profil-Agenten für individuelle Interessen Kategorie-Agenten für Taxonomien News-Agenten für Themenkanäle

22 Intelligence-Portfolio Business- Intelligence Business Intelligence i.e.s Verteilen & Kommunizieren Quantitativ Pull / Push Technologie Reporting Explizit Intelligente Agenten Foren, emeetings ...Qualitativ Strukturiert......Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Intelligence-Portfolio Wissens- Management Wissens- Management i.e.s Verteilen & Kommunizieren Quantitativ Pull / Push Technologie Reporting Explizit Intelligente Agenten Foren, emeetings ...Qualitativ Strukturiert......Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter

23 Intelligence-Portfolio Enterprise Information- Portale Explizit Quantitativ Strukturiert......Qualitativ...Unstrukturiert Daten Informationen......Wissen Implizit Human Ressource Verteilen & Kommunizieren Pull / Push Technologie Reporting Intelligente Agenten Foren, emeetings Wissensredaktion Communities Konferenzen Kultur-Entwicklung Entwickeln & Entdecken Speichern & Bereitstellen MIS, EIS, DSS Kennzahlenanalyse Data Warehouse Operative Systeme (OLTP) Web-Mining Case Based Reasoning E-Learning Internet/Intranet DMS-Systeme Archiv-Systeme Innovations-Mgt. Personal-Mgt. Organisationsentwicklung Intellectual Capital Organizational Memory Abteilungen / Teams Mitarbeiter Enterprise-Information-Portale Höchste Stufe der Evolution und Integration Intelligentes Wissensportal Menü, Knowledge-Map, Agenten,, Pull/Push Daten, Informationen und Wissen über Kunden, Produkte, Prozesse, Projekte, etc. Visualisierung Navigation Usability Zugriffsteuerung Personalisierung Prozessorientierung Data Mining Knowledge Discovery Search & Business-Intelligence OLTP- Systeme Data- Warehouse DMS/ Archiv ERP- CRM- Mail- Server Externe Datenquellen Enterprise Integration Pallas GmbH

24 Ausblick: Daten-Chaos ist beherrschbar Daten- und Informations-Management sind technisch lösbar Wissensmanagement ist eine kulturelle Herausforderung Die Lösungen: Datenqualität / Data-Reenginiering Metadatenkonzepte Semantik Bei aller Euphorie: Entscheidungen werden häufig nicht mit dem Kopf sondern mit dem Bauch getroffen. Ein Unternehmen der ExperTeam-Gruppe Wege aus dem Daten-Chaos Von der Datenspeicherung zum Wissensmanagement Fragestellungen, Begriffe und Technische Konzepte DLR Workshop Hans-Gerd Schaal Geschäftsführer Pallas GmbH HermülheimerStraße Brühl Emil-Figge-Straße Dortmund

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

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

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

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Macht Knowledge- Management Unternehmen effizienter?

Macht Knowledge- Management Unternehmen effizienter? Macht Knowledge- Management Unternehmen effizienter? Karl-Heinz Plünnecke Geschäftsführer H.U.T GmbH 1 Software Performance Entwicklung Performance Was dann? ecommerce ERP SCM CRM Zeit 2 1 Noch Potential?

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Business Intelligence im Krankenhaus

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

Mehr

Rolle des Stammdatenmanagements in einer SOA

Rolle des Stammdatenmanagements in einer SOA Rolle des Stammdatenmanagements in einer SOA Forum Stammdatenmanagement, November 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005

Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005 Wissensmanagement für E-Learning-Anwender ZWH-Bildungskonferenz 2005 Birgit Küfner, 21. Oktober 2005 1 The Power of Learning Wissensmanagement für E-Learning-Anwender Überblick 1. Porträt time4you GmbH

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

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

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

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

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

Mehr

Die Rolle von Stammdaten-Management in einer SOA

Die Rolle von Stammdaten-Management in einer SOA Die Rolle von Stammdaten-Management in einer SOA Frankfurt, Sept. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence Rolle

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES]

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] NOW YOU KNOW [ SERIES] Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Potential ontologiebasierter Wissens- Lösungen

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

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

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

Mehr

OLAP und Data Warehouses

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

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

DataMining in der polizeilichen Anwendung

DataMining in der polizeilichen Anwendung Hintergrund / Motivation DataMining in der polizeilichen Anwendung Heiko Held, BKA Wiesbaden Zur Zuständigkeit des Fachbereichs KI14 zählt u.a. die Marktbeobachtung und Toolauswahl im Bereich von Analysesoftware.

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

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

Mehr

Krawatten/ CHANNEL. Fakten für t IT-Techniker. ECM, CRM & Bl erfolgreich einführen! ^ OMFACT. 1 4, 9 0 Österreich 16,40. Juni/Juli/August 2009

Krawatten/ CHANNEL. Fakten für t IT-Techniker. ECM, CRM & Bl erfolgreich einführen! ^ OMFACT. 1 4, 9 0 Österreich 16,40. Juni/Juli/August 2009 Juni/Juli/August 2009 1 4, 9 0 Österreich 16,40 www.tecchannel.de Benelux 17,15 Schweiz SFR 29,80 CHANNEL OMFACT IT EXPERTS INSID Krawatten/ Fakten für t IT-Techniker ECM, CRM & Bl erfolgreich einführen!

Mehr

Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen

Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen NOW YOU KNOW [ SERIES] Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 002 Ontologie und deren Bedeutung für die Unternehmen von heute Der Begriff der Ontologie

Mehr

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse.

1 Einführung. Unbekannte Begriffe: Business Intelligence, Knowledge Management, Unternehmensportale, Information Warehouse. 1 Einführung mysap Business Intelligence stellt mit Hilfe von Knowledge Management die Verbindung zwischen denen, die etwas wissen und denen, die etwas wissen müssen her. mysap Business Intelligence integriert

Mehr

Business Intelligenceein Überblick

Business Intelligenceein Überblick Exkurs Business Intelligenceein Überblick Folie 1 Januar 06 Literatur Kemper, Hans-Georg; Mehanna, Walid; Unger, Carsten (2004): Business Intelligence: Grundlagen und praktische Anwendungen Eine Einführung

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Kapitel 4: Data Warehouse Architektur

Kapitel 4: Data Warehouse Architektur Data Warehousing, Motivation Zugriff auf und Kombination von Daten aus mehreren unterschiedlichen Quellen, Kapitel 4: Data Warehousing und Mining 1 komplexe Datenanalyse über mehrere Quellen, multidimensionale

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

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

Mehr

Historie der analyseorientierten Informationssysteme

Historie der analyseorientierten Informationssysteme Gliederung MSS 1. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 1. Grundlagen zum

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

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

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

Mehr

Microsoft SharePoint als Technologieplattform am Beispiel Projektmanagement mit Prios Foundation

Microsoft SharePoint als Technologieplattform am Beispiel Projektmanagement mit Prios Foundation Microsoft SharePoint als Technologieplattform am Beispiel Agenda Vorstellung INNEO SharePoint als Unternehmensplattform Prios Foundation Folie 2 2010 2009 INNEO Solutions GmbH INNEO Solutions GmbH Zahlen

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Informationsflut bewältigen - Textmining in der Praxis

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

Mehr

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

Entscheidungsunterstützungssysteme

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

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

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

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

Mehr

AGM Project & Education GmbH

AGM Project & Education GmbH AGM Project & Education GmbH Leipzig Datenschutzkonferenz dtb Kassel November 2011 20.11.2011 Detlev.Sachse@agm-onside.com 1 Zur Person 20.11.2011 Detlev.Sachse@agm-onside.com 2 Thema Data-Mining am Beispiel

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

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

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

Mehr

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele

Agenda. Hype oder Mehrwert. Herausforderungen. Methoden Werkzeuge. Kosten Nutzen. Definition Ziele Agenda Definition Ziele Methoden Werkzeuge Herausforderungen Kosten Nutzen Hype oder Mehrwert Definition / Ziele Google Suche: define:business Intelligence Mit Business Intelligence können alle informationstechnischen

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Suchindex-basierte Applikationen als Zugriffstechnologie für heterogene Informationsbestände Uwe Crenze, interface projects GmbH Vortrag

Suchindex-basierte Applikationen als Zugriffstechnologie für heterogene Informationsbestände Uwe Crenze, interface projects GmbH Vortrag Suchindex-basierte Applikationen als Zugriffstechnologie für heterogene Informationsbestände Uwe Crenze, interface projects GmbH Vortrag DB-Stammtisch HTW Dresden 22.05.2013 Agenda Über interface projects

Mehr

Intelligente Systeme in der Praxis

Intelligente Systeme in der Praxis Ihr keytech Partner DMS für PLM und DMS Intelligente Systeme in der Praxis Systemübergreifende Workflows zur Steigerung der Effizienz Die meisten Dinge, die wir lernen, lernen wir von den Kunden. Charles

Mehr

Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03

Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03 Text Mining und CRM Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03 Was ist Textmining Unstrukturierte Daten (Text) anreichern mit Strukturinformation: Metadaten hinzufügen Struktur (Segmentinformation)

Mehr

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge

Self Service BI. - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge Self Service BI - Business Intelligence im Mittelstand - schnelle Ergebnisse, nachhaltige Erfolge 04. Juli 2013 Cubeware GmbH zu Gast im Hause der Raber+Märcker GmbH Referent: Uwe van Laak Presales Consultant

Mehr

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

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

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Neue Strategien und Innovationen im Umfeld von Kundenprozessen

Neue Strategien und Innovationen im Umfeld von Kundenprozessen Neue Strategien und Innovationen im Umfeld von Kundenprozessen BPM Forum 2011 Daniel Liebhart, Dozent für Informatik an der Hochschule für Technik Zürich, Solution Manager, Trivadis AG Agenda Einleitung:

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

Mehr

Logische Modellierung von Data Warehouses

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

Mehr

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

ARIS - The Business Process Platform. Dr. Wolfram Jost, Mitglied des Vorstandes

ARIS - The Business Process Platform. Dr. Wolfram Jost, Mitglied des Vorstandes - The Business Process Platform Dr. Wolfram Jost, Mitglied des Vorstandes Warum Geschäftsprozessmanagement? Unternehmen ohne Geschäftsprozesse gibt es nicht! Qualität und Innovation der Geschäftsprozesse

Mehr

Steuerung und Unterstützung von Wissensprozessen in Verwaltungsorganisationen 02.06.2006, e-government Konferenz 2006

Steuerung und Unterstützung von Wissensprozessen in Verwaltungsorganisationen 02.06.2006, e-government Konferenz 2006 Steuerung und Unterstützung von Wissensprozessen in Verwaltungsorganisationen 02.06.2006, e-government Konferenz 2006 Klaus Tochtermann [Know-Center Graz und TU Graz] Doris Reisinger [m2n consulting and

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

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

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Michael Bauer Niederlassungsleiter Köln

Michael Bauer Niederlassungsleiter Köln Click to edit Master title style 1 Michael Bauer Niederlassungsleiter Köln Hamburg, 18. Juni 2009 2009 IBM Corporation Agenda Click to edit Master title style 2 zur Person Wo, Warum.., Was - CPM liefert

Mehr

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel.

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. M/S VisuCom Beratung Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. Design Auch das Erscheinungsbild Ihres E-Business-Projektes ist entscheidend. Unsere Kommunikationsdesigner

Mehr

Microsoft Office SharePoint Server 2007

Microsoft Office SharePoint Server 2007 Microsoft Office SharePoint Server 2007 Personen, Prozesse und Informationen verbinden Präsentation Version 1.0 Datum 03-07-2008 1 Agenda Das Duet Ernie und Bert Portale Wieso? Weshalb? Warum? Die Lösung

Mehr

STUDIE BI/DWH Daten-, Projekt- und Prozessmanagement 2005, Status quo

STUDIE BI/DWH Daten-, Projekt- und Prozessmanagement 2005, Status quo STUDIE BI/DWH Daten-, Projekt- und Prozessmanagement 2005, Status quo Der Erfolgreichste im Leben ist der, der am besten informiert wird. Benjamin Disraeli (1804-81) Summary Nach einer grundlegenden Einführung

Mehr

Master Data Management als Basis für eine Enterprise SOA Strategie

Master Data Management als Basis für eine Enterprise SOA Strategie Master Data Management als Basis für eine Enterprise SOA Strategie Executive Round Table MDM, Wien, Februar 2008 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

The Intelligent Choice Fast, competent & secure

The Intelligent Choice Fast, competent & secure The Intelligent Choice Fast, competent & secure May 8, 2013 1 Referenz Beispiele I May 8, 2013 2 Referenz Beispiele II May 8, 2013 3 CRUCELL, Balance Scorecard Operational Reporting... Herr Andrew Ferguson,

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Knowledge City Einsatz eines Enterprise Portals

Knowledge City Einsatz eines Enterprise Portals the Business to Enterprise Portal Knowledge City Einsatz eines Enterprise Portals World Trade Center - Zürich, 12. April 2002 Seite 1 These Eine integrierte Immobiliengesellschaft kann nur mittels einer

Mehr

Mehrwerte schaffen durch den Einsatz von Business Intelligence

Mehrwerte schaffen durch den Einsatz von Business Intelligence Mehrwerte schaffen durch den Einsatz von Business Intelligence 1 Menschen beraten Menschen beraten BTC zeigt Wege auf - Sie entscheiden BTC zeigt Wege auf - Sie entscheiden Martin Donauer BTC Business

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

Mehr

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen.

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Definitionen Business Intelligence (BI) bezeichnet Verfahren, Prozesse und Techniken zur systematischen Analyse von Daten in elektronischer

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen

Komponenten und Architekturen von Analytischen Informationssystemen Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management

Mehr

Controller Band 4: Berichtswesen und Informationsmanagement

Controller Band 4: Berichtswesen und Informationsmanagement Controller Band 4 Controller Band 4: Berichtswesen und Informationsmanagement von Rüdiger R. Eichholz 3., völlig neu bearbeitete Auflage Controller Band 4: Berichtswesen und Informationsmanagement Eichholz

Mehr

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

Mehr

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg

Ihre PRAXIS Software AG. a t o s. - nalytisch. - aktisch. - perativ. - trategisch. Unser atos Konzept für Ihren Erfolg Ihre PRAXIS Software AG a t o s - nalytisch - aktisch - perativ - trategisch Unser atos Konzept für Ihren Erfolg Das atos Konzept macht geschäftskritische Daten und Abläufe transparent ermöglicht einfache

Mehr