Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07

Größe: px
Ab Seite anzeigen:

Download "Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07"

Transkript

1 Einführung in das Data Mining Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec Institut für Scientific Computing, Universität Wien

2 2 Einführung in das Data Mining Wozu Data Mining? We are drowning in data, but starving for knowledge (information) John Naisbett Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM, 1996

3 3 Einführung in das Data Mining Programmatik While database technology has provided us with the basic tools for the efficient storage and lookup of large data sets, the issue of how to help humans understand and analyze large bodies of data remains a difficult and unsolved problem. To deal with the data glut, a new generation of intelligent tools for automated data mining and knowledge discovery is needed. Fayyad, Piatetsky-Shapiro,Smyth & Uthurusamy

4 4 Einführung in das Data Mining Entstehung von Massendaten Supermarkt Scannerdaten Datenbestände von Banken und Versicherungen Prozessdaten aus Real-Time Applikationen (Telekommunikationssektor) E-Commerce (Clickstream-Daten) Forschungsdatenbanken (Satellitendaten, DNA-Datenbanken)

5 5 Einführung in das Data Mining Anwendungen in der Wirtschaft Kreditrisikoanalyse Zielgruppenmarketing Fehleranalyse in Telekommunikationsnetzen Aufdeckung von Geldwäsche Schadensfallanalyse im Versicherungsbereich Warenkorbanalyse Analyse von ecommerce-anwendungen

6 6 Einführung in das Data Mining Interdisziplinäres Forschungsgebiet Statistik Artificial Intelligence Data Engineering Data Warehousing OLAP (on-line analysis processing) Expertensysteme (deductive databases) Data Visualization Optimierungstheorie Machine Learning Pattern Recognition

7 7 Einführung in das Data Mining Was versteht man unter Data Mining? Discovering knowledge from data Data Mining bezeichnet eine Sammlung von Techniken (~Algorithmen) zum Auffinden von validen, neuen, interessanten, interpretierbaren und nützlichen (verwertbaren) Mustern, Regeln, Gruppen und Abhängigkeiten (~Wissen) in großen Datenbanken.

8 8 Einführung in das Data Mining Definitionen von Data Mining "Data mining is the process of discovering meaningful new correlations, patterns and trends by "mining" large amounts of stored data using pattern recognition technologies, as well as statistical and mathematical techniques." Ashby, Simms (1998) "Data mining is the exploration and analysis, by automatic and semiautomatic means, of large quantities of data in order to discover meaningful patterns and rules. Berry, Linoff (1997) Extraction of interesting (non-trivial, previously unknown and potentially useful) information or patterns from data in large databases

9 9 Einführung in das Data Mining Alternative Bezeichnungen Knowledge discovery(mining) in databases (KDD) knowledge extraction data/pattern analysis data dredging information harvesting business intelligence

10 10 Einführung in das Data Mining Was versteht man unter Data Mining? Data Mining versucht explorativ Hypothesen über die in einer Datenbank (in einem Data Warehouse) gespeicherten Daten aufzufinden. Das heißt mittels statistischer, systemtheoretischer und auf Visualisierung abzielender Verfahren und Methoden Assoziationen, Klassen und Muster zu erkennen.

11 11 Einführung in das Data Mining Klassisches Berichtswesen versus Data Mining Berichtswesen- OLAP Data Mining Haben Kunden mit einem relativ hohen Umsatz eine geringere Kündigungsrate? Welche Merkmale beschreiben typischerweise Kunden, die den Vertrag stornieren? Wie viele Kunden aus den einzelnen Regionen haben auf die letzte DM-Aktion positiv reagiert? Welche Kunden werden sehr wahrscheinlich auf die nächste DM-Aktion positiv reagieren? Haben die Kunden in gleichen Wohnhaustypen ein vergleichbares Nutzungsverhalten? Welche typischen homogenen Kundensegmente lassen sich identifizieren?

12 12 Einführung in das Data Mining Data Mining im analytischen CRM Data Mining ist das computergestützte Gewinnen von verborgenen Informationen aus Geschäftsdatenbanken. Ziel ist dabei die Steigerung der Effizienz von Geschäftsprozessen und die Erhöhung der Profitabilität. Data Mining ist ein Prozess, der die Zusammenarbeit von Data Mining Experten mit Informatikern und Fachleuten mit Wissen über die Geschäftsprozesse, sowie Entscheidungsträgern im Unternehmen erfordert.

13 13 Einführung in das Data Mining Data Warehousing Ein Data Warehouse dient dazu, Daten einer Organisation, die in unterschiedlichen internen und externen Quellen (operativen Systemen) gespeichert werden, zusammenzuführen und inhaltlich neu zu strukturieren. Operational Systems Data Extraction Transformation-Engine Data Warehouse with Metadata Datenmanagement Datenorganisation Datenauswertung

14 14 Einführung in das Data Mining Data Warehousing als Grundlage There is a symbiotic relationship between the activity of data mining and the data warehouse the architectural foundation of decision support systems. The data warehouse sets the stage for effective data mining. (Inmon 1996) Metadaten-Modellierung Informationen über Inhalte und semantische Bedeutung der Daten eines Data Warehouse in Datenbankanwendungen zu integrieren und für Mining Zwecke verfügbar zu machen. Datenqualität Logische Datenintegration, Fehlerbereinigung, unterschiedliche Aggregationsniveaus, historische Datenbank

15 15 Einführung in das Data Mining Aufgaben des Data Mining Description Auffinden von interpretierbaren Mustern in den Daten (Sequenzen) Auffinden von Assoziationen Auffinden von Abweichungen Prediction Basierend auf Attributen der Datenbank Vorhersagen über künftige Werte von anderen interesierenden Attributen Classification Allokation zu vorgegebenen Gruppen Auffinden von typischen Gruppen Visualization

16 16 Einführung in das Data Mining Predictive Modeling Basierend auf gesammelten Daten der Vergangenheit Vorhersagen über künftiges Verhalten treffen Data description alone cannot provide an action plan. You must build a predictive model based on patterns determined from known results and then test that model. Building Profitable Customer Relationships with Data Mining. Herb Edelstein (2000)

17 17 Einführung in das Data Mining Predictive Modeling (1) Schätzung von Produktassoziationen Assozationsalgorithmen Warenkorbanalysen Identifikation von Produkten, die häufig auf den selben Kassenbons aufscheinen bzw. die häufig von den selben Kunden gekauft werden

18 18 Einführung in das Data Mining Predictive Modeling (2) Bildung von homogenen Kundensegmenten um das Ansprechverhalten der Kunden zu optimieren Methoden der Clusteranalyse k-means, Two Step Cluster Analysis, Kohonen Self Organizing Maps

19 19 Einführung in das Data Mining Predictive Modeling (3) Schätzung von quantitativen Größen Regression Analysis Bewertung von Kunden (customer value) Prognose von Umsätzen Prognose von Nachfrage, Verbrauchsmengen

20 20 Einführung in das Data Mining Predictive Modelling (4) Vorhersage der Eintrittswahrscheinlichkeit von Ereignissen Kaufwahrscheinlichkeiten, Churn-Wahrscheinlichkeiten Methoden des Supervised learning - Logistische Regression, Entscheidungsbäume, Neuronale Netze

21 21 Einführung in das Data Mining Predictive Modelling (5) Vorhersage des Zeitpunktes von Ereignissen (survival analysis) Folgeabschlüsse bei abreifenden Produkten, Optimierung der Kundenüberleitung Methoden der Survival Analysis - Cox-Modell, Kaplan Meier Prognose von Ersatzzyklen Wie lange dauert es vom ersten Click auf einen e-shop bis der Kunde zum Käufer wird

22 22 Einführung in das Data Mining Anwendung im Direct Marketing

23 23 Einführung in das Data Mining Zahlen zum vorigen Beispiel Kunden Responses zum konkreten Anbot Direct Mail an die wahrscheinlichsten 10% (10.000) erreicht bereits 40% der Zielpopulation Direct Mail an die wahrscheinlichsten 40% (40.000) erreicht bereits 80% der Zielpopulation

24 24 Einführung in das Data Mining 98% der Prognosen sind falsch 96% der Prognosen sind falsch

25 25 Einführung in das Data Mining One-to-One Marketing Die Herausforderung des heutigen Marktes besteht darin, die im wachsenden Maße heterogenen Wünsche und Bedürfnisse jedes Einzelnen zu verstehen und zu erfüllen. Segmentierung des Markts in Kleinstsegmente stellt enorme Anforderungen, denen die in der Praxis des Data Mining heute generierten Prognosemodelle häufig nicht gerecht werden können

26 26 Einführung in das Data Mining Vereinfachte Sicht des Data Mining Vertriebs/ Marketing- Aktivitäten Historische Daten Data Mining Software Prognose Produktionsplanung bzw. Lagerhaltung

27 27 Einführung in das Data Mining Der Kreislauf des Data Mining Geschäftsprozesse Daten Marketing Aktivitäten Ergebnisse

28 28 Einführung in das Data Mining Der Kreislauf des Data Mining Geschäftsprozesse Daten- Modellierung Daten Marketing Aktivitäten Ergebnisse

29 29 Einführung in das Data Mining Der Kreislauf des Data Mining Geschäftsprozesse Daten Predictive Modelling Marketing Aktivitäten Ergebnisse

30 30 Einführung in das Data Mining Der Kreislauf des Data Mining Geschäftsprozesse Daten Marketing Aktivitäten Interpretation Verwertung Ergebnisse

31 31 Einführung in das Data Mining Eckpunkte einer profitabler Data Mining Strategie 1. Definition des Problemfeldes (Business Understanding) 2. Schaffung eines entsprechenden IT- Umfeldes 3. Explorative Datenanalyse (Data Understanding) 4. Datenaufbereitung (Data Preparation) 5. Modellierung 6. Modellevaluation 7. Anwendung & Monitoring (Deployment)

32 32 Einführung in das Data Mining Methodenformate Data Mining Methodenformate (z.b. CRISP- DM) bieten Anhaltspunkte für die Vorgehensweise CRISP-DM Cross Industry Standard Process for Data Mining Effiziente Projektorganisation von Data Mining Projekten Herstellerunabhängigkeit

33 33 Einführung in das Data Mining CRISP-DM Robustes, allgemeines Modell Zuverlässiger und wiederholbarer Prozess Kosten- und Zeitreduktion Unterstützung bei Dokumentation Unterstützung bei Wissensmanagement

34 34 Einführung in das Data Mining Beispiel-Stream von Clementine

35 35 Einführung in das Data Mining Data Mining im Unternehmen Data Mining startet in einem Unternehmen meist aus einer konkreten Fragestellung als kleines Projekt Data Mining is a journey an ongoing initiative not a project Schaffung organisatorischer Rahmenbedingungen für effiziente Data Mining - Prozesse

36 36 Einführung in das Data Mining Data Mining and Business Intelligence Increasing potential to support business decisions Making Decisions End User Data Presentation Visualization Techniques Data Mining Information Discovery Business Analyst Data Analyst Data Exploration Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts OLAP, MDA Data Sources Paper, Files, Information Providers, Database Systems, OLTP DBA

37 37 Einführung in das Data Mining Softwareanbieter im Data Mining

38 38 Einführung in das Data Mining 3 heroische Konventionen in der Praxis Ein einmal entwickeltes Prognosemodell kann routinemäßig angewendet werden Die Anwender des Modells verstehen die Spezifika der Modellierung und setzen das Modell korrekt ein Ist die Population auf die das Modell angewendet wird mit jener vergleichbar, die für die Modellentwicklung herangezogen wurde?

39 39 Einführung in das Data Mining Annahme struktureller Konstanz Handlungsrelevante Aussagen können nur aus Daten gewonnen werden, welche die aktuellen und zukünftigen Marktverhältnisse widerspiegeln. Unveränderte Marktstrukturen Konstante Kunden- und Wettbewerbsverhaltensweisen Hippner, Wilde Der Prozess des Data Mining im Marketing

40 40 Einführung in das Data Mining Kurzlebigkeit von Data Mining Ergebnissen Ergebnisse des Data Mining sind in der Praxis nur kurzfristig gültig Entwickelte Märkte sind extrem dynamisch Kundenverhalten hängt in einer komplexen Weise von einer Vielzahl von Einflussfaktoren ab Kundenverhalten unterliegt Technologieund Modetrends

41 41 Einführung in das Data Mining Self Destroying Prophecy Aus den Ergebnissen abgeleitete Marketingaktivitäten verändern die datengenerierenden Prozesse Erschwert eine objektive Bewertung von Modellen, die Data Based Marketing Strategien bestimmen Problem: Identifikation guter Modelle

42 42 Einführung in das Data Mining Metriken zur Erfolgsmessung Frühzeitige Definition von Kennzahlen zur Messung des Erfolges Maßnahmen zur Umsetzung von Erkenntnissen Transparente Kommunikation der Modellergebnisse im Unternehmen Laufende Überwachung der Modelleffizienz

43 43 Einführung in das Data Mining Fachübergreifende Kooperation Erfolgreiches Data Mining setzt die Kooperation von Data Mining Experten mit Informatikverantwortlichen, Fachleuten mit Wissen über die Geschäftsprozesse und Top-Entscheidungsträgern im Unternehmen voraus

44 44 Einführung in das Data Mining Statistik versus Data Mining Learning from data Turning data into information Wodurch unterscheiden sich die Lösungsansätze des Data Mining von klassischen statistischen Methoden?

45 45 Einführung in das Data Mining Unterschiede im methodologischen Ansatz (1) Statistik präzise formuliertes spezifisches Sachproblem Datenerhebung oft forschungsorientiert Konzept von Stichprobe/Grundgesamtheit Data Mining unscharf formulierte globale Aufgabenstellung Datenerhebung durch Aufzeichnung von Transaktionen in operativen Systemen Inhalt einer Datenbank (Data Warehousing)

46 46 Einführung in das Data Mining Unterschiede im methodologischen Ansatz (2) Statistik Versuchsplanung (Homogenisierung via inclusion/exclusion criteria; stratification; randomisation) einfache Datenstruktur (Datenmatrix) Hohe Datenqualität Überschaubare Datenbestände Data Mining komplexes Beziehungsgeflecht von Ursache und Wirkung komplexe Datenstrukturen Schlechte Datenqualität Extrem große Datenbestände

47 47 Einführung in das Data Mining Unterschiede im methodologischen Ansatz (3) Statistik Data Mining Mathematik Modell Theoretische Analyse von Optimalitätseigenschaften Informatik Algorithmus Heuristik; Benchmarking mit Real Life Data

48 48 Einführung in das Data Mining Herausforderung an die Statistik: extrem große Datenmengen erfordern Automatische Modellierungstechniken (automatic data analysis) The statistician's tendency to avoid complete automation out of the respect or the challenges of the data, and the historical emphasis on models with interpretable structure, has led that community to focus on problems with a more manageable number of variables than may be encountered in Data Mining. Elder & Pregibon

49 49 Einführung in das Data Mining Algorithmen verdrängen Modelle The key role of programs has lead to an increased emphasis on algorithms in data mining, in contrast to the emphasis on models in statistics. The idea is that one applies the algorithm to data sets, learning how it behaves and what properties it has, regardless of any notion of an underlying model (or pattern) which it might be building. (Hand 1999).

50 50 Einführung in das Data Mining Konvergenz von Algorithmen? An important feature of an estimator is consistency; in the limit, as the sample size increases without bound, estimates should almost certainly converge to the correct value of whatever is being estimated. Heuristic procedures, which abound in machine learning, have no guarantee of ever converging to the right answer. (Glymour et al. 1996).

51 51 Einführung in das Data Mining Klassischer Analyseprozess Modellwahl integrativer Teil des wissenschaftlichen Analyseprozess (iterativer Prozess abhängig von Daten/Ergebnissen) Modellwahl Modellierung des datengenerierenden Prozesses Behandlung extremer Werte Variablenselektion Modelldiagnose Goodness of fit; Residuenanalyse; influential observations Predictive accuracy (cross-validation)

52 52 Einführung in das Data Mining Data Mining Analyseprozess off the shelf procedures Anspruch: Algorithmus liefert gute Ergebnisse Flexibler Algorithmus Große Datenmengen Fehlerbehaftete Daten Fehlende Werte Unterschiedliche Skalenniveaus Invarianzeigenschaften Filtern irrelevanter Inputs Interpretierbarkeit

53 53 Einführung in das Data Mining Grenzen des Data Mining (I) The major barrier in obtaining high-quality knowledge from data is due to the limitations of the data itself Mögliche Datenquellen: operative Systeme, die die Durchführung von geschäftlichen Transaktionen unterstützen Nichtoperationale Daten (z.b. wirtschaftliche Rahmenbedingungen) Meta-Daten Hintergrundwissen

54 54 Einführung in das Data Mining Schwachstellen der Datenbasis Mangel an Repräsentativität Fehlen wichtiger Variablen Fehlende Versuchsplanung ==> komplexe Korrelationsstrukturen (confounding) Fehlende Werte Verzerrte Daten Alterungsprozess der gesammelten Daten

55 55 Einführung in das Data Mining Grenzen des Data Mining (II) - Aussagekraft Data Mining ist ein exploratives Verfahren, dessen Ergebnisse mit großer Vorsicht zu interpretieren sind. Bei Data Mining geht es nicht primär darum, "wahre Gesetzmäßigkeiten" über den datengenerierenden Prozess aufzuzeigen. Im Vordergrund steht, ob die Ergebnisse für den intendierten Zweck brauchbar bzw. praxistauglich sind. Overfitting Signifikanz kleiner irrelevanter Aspekte

56 56 Einführung in das Data Mining Grenzen des Data Mining (III) - Aussagekraft Ein weiteres Problem kann im Überschätzen der Allmacht des Algorithmus liegen. Es besteht zweifellos die Gefahr, dass der Anwender jegliche Beziehung zu den Daten und Ihrer Semantik verliert. Der komplexe Algorithmus wird für den Anwender zur undurchschaubaren Black-Box, die ihm von den Daten trennt. Das menschliche Überprüfen von Modellannahmen entfällt und die vom Algorithmus generierten Ergebnisse, welche oft nur eines von vielen mögliche Interpretationsszenarien eines komplexen Datensatzes darstellen, werden fälschlicherweise als erwiesenes Faktum angesehen.

57 57 Einführung in das Data Mining Grenzen des Data Mining (IV) - Aussagekraft Häufig erlauben empirischen Daten keine eindeutige Entscheidung zwischen in bezug auf die den Algorithmus steuernden Kriterien nahezu äquivalenten Modellen, welche jedoch eine unterschiedliche semantische Interpretation aufweisen. Sensitivitätsanalysen und Visualisierungstechniken werden hier zum unverzichtbaren Instrument, will man das Auffinden von Artefakten vermeiden.

58 58 Einführung in das Data Mining Grenzen des Data Mining (V) - Privacy Angst vor der missbräuchlichen Verwendung personenbezogener Daten kann das allgemeine Klima für statistische Erhebungen entscheidend beeinträchtigen Strikte Einhaltung ethischer Grundprinzipien

59 59 Einführung in das Data Mining FALLBEISPIELE

60 60 Einführung in das Data Mining Analyse eines Versicherungsbestandes Schadenfrequenz in den Gruppen nach Scorewert (1-jährig) - alle Haftpflichverträge 25% 20% Schäden in Prozent 15% 10% 5% 0% Gruppe

61 61 Einführung in das Data Mining Anwendung Versicherungsbranche Seit 2003 wird bei einer großen österreichischen Versicherung das Annahmeverhalten der Kunden bei früheren Aktionen für die gezielte Kundenauswahl mittels Methoden des Data Mining herangezogen. 14 Direct mail Kampagne - Annahmequote in % , , ,7 4,4 2000* *2001 aufgrund Umstellung Verw altungssystem keine DM-Aktion

62 62 Einführung in das Data Mining Praxisbeispiel: CHURN-Analyse Bei Kontaktierung von 30% der Kunden können 80% der abwanderungsgefährdeten Kunden erreicht werden. 1,0,8,5,3 0,0 0,0,3,5 AUC = 0,821,8 1,0 Echtdaten Mobilfunkanbieter Österreich

63 63 Einführung in das Data Mining Entscheidungskriterien für Selektion

64 64 Einführung in das Data Mining Entscheidungskriterien für Selektion Selektion: maximale Responsequote

65 65 Einführung in das Data Mining Entscheidungskriterien für Selektion Profitmaximierende Selektion

66 66 Einführung in das Data Mining Entscheidungskriterien für Selektion Reichweitenmaximierende und kostenneutrale Selektion

67 67 Einführung in das Data Mining Entscheidungskriterien für Selektion Optimale Selektion unter Berücksichtigung beider Größen

68 68 Einführung in das Data Mining Executive Summary Der unreflektierte Einsatz moderner Data Mining Software alleine bietet keine wie immer geartete Garantie für den Erfolg Ohne den intelligenten Einsatz moderner Data Mining Verfahren nach einem Best Practice Standard im analytischen CRM werden Unternehmen auf entwickelten stark kompetitiven Märkten mittel- bis langfristig massive Wettbewerbsnachteile erleiden.

Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM, 1996

Now that we have gathered so much data, what do we do with it? Fayyad & Uthurusamy CACM, 1996 Methoden der Datenanalyse AI-basierte Decision Support Systeme Ao.Univ.Prof.. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut f. Scientific Computing, Universität t Wien Wozu Data Mining? We are drowning

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Management Information System SuperX status quo and perspectives

Management Information System SuperX status quo and perspectives Management Information System SuperX status quo and perspectives 1 Agenda 1. Business Intelligence: Basics 2. SuperX: Data Warehouse for Universities 3. Joolap: OLAP for Universities 4. Cooperative reporting

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

0 Einführung: Was ist Statistik

0 Einführung: Was ist Statistik 0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Business Intelligence. Bereit für bessere Entscheidungen

Business Intelligence. Bereit für bessere Entscheidungen Business Intelligence Bereit für bessere Entscheidungen Business Intelligence Besserer Einblick in Geschäftsabläufe Business Intelligence ist die Integration von Strategien, Prozessen und Technologien,

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

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

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes

Mehr

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Industrie 4.0 Predictive Maintenance Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Anwendungsfälle Industrie 4.0 Digitales Objektgedächtnis Adaptive Logistik Responsive Manufacturing Intelligenter

Mehr

Algorithmische Modelle als neues Paradigma

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

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

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

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Checklist Example APS-functionality Check FELIOS versus PRIMAVERA 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality-

Mehr

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML

Data Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10.

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! 11.10.2012 1 BI PLUS was wir tun Firma: BI plus GmbH Giefinggasse 6/2/7 A-1210 Wien Mail: office@biplus.at

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

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

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

The Need for Speed. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor The Need for Speed Industrialisierung, Agilität und Compliance die Rolle von Performance Management

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Knowledge Discovery. Lösungsblatt 1

Knowledge Discovery. Lösungsblatt 1 Universität Kassel Fachbereich Mathematik/nformatik Fachgebiet Wissensverarbeitung Hertie-Stiftungslehrstuhl Wilhelmshöher Allee 73 34121 Kassel Email: hotho@cs.uni-kassel.de Tel.: ++49 561 804-6252 Dr.

Mehr

Behavioral Targeting und selbstlernende Kampagnen. Aktuelle Herausforderungen für Data Mining. Dr. Alexander K. Seewald

Behavioral Targeting und selbstlernende Kampagnen. Aktuelle Herausforderungen für Data Mining. Dr. Alexander K. Seewald Behavioral Targeting und selbstlernende Kampagnen Aktuelle Herausforderungen für Data Mining Dr. Alexander K. Seewald Behavioral Targeting Kognitive Neurowissenschaften Verhalten aussagekräftiger als Erklärung

Mehr

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

Vorhersagetechniken für zukünftiges Verhalten von Kunden

Vorhersagetechniken für zukünftiges Verhalten von Kunden IBM 360 Grad-Sicht auf den Kunden: Vorhersagetechniken für zukünftiges Verhalten von Kunden Sven Fessler, sven.fessler@de.ibm.com Solution Architect, IBM Germany Business Analytics & Optimization Das Spektrum

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

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

Effzienzsteigerung durch intelligentes Datenmanagement

Effzienzsteigerung durch intelligentes Datenmanagement Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH

Mehr

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center

Mehr

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Seminar im Sommersemester 2005 DATA WAREHOUSING Data Mining Christian Knappe Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für

Mehr

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

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

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr.

Mining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr. Mining the Web Analyse von Benutzerpfaden und Nutzertypen im Internet Dr. Frank Säuberlich Business Unit CRM Solutions SAS Deutschland Agenda 1. Einleitung: Der Lebenszyklus eines e-kunden Begriffsdefinition

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015

MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 DAS ERWARTET SIE IN MEINEM VORTRAG Neue Anforderungen, neue Herausforderungen, neue Möglichkeiten Software Demo:

Mehr

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

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

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

Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014

Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014 Betrugserkennung mittels Big Data Analyse Beispiel aus der Praxis TDWI München, Juni 2014 Beratung Business Analytics Software Entwicklung Datenmanagement AGENDA Der Kreislauf für die Betrugserkennung

Mehr

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner Agenda Universitätsrechenzentrum Heidelberg Data Mining SAS Mining Challenge Einführung in 14. November 2003 Hussein Waly URZ Heidelberg Hussein.Waly@urz.uni-heidelberg.de SAS Mining Challenge Generelle

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Umsetzung der Anforderungen - analytisch

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

Mehr

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!!

Notice: All mentioned inventors have to sign the Report of Invention (see page 3)!!! REPORT OF INVENTION Please send a copy to An die Abteilung Technologietransfer der Universität/Hochschule An die Technologie-Lizenz-Büro (TLB) der Baden-Württembergischen Hochschulen GmbH Ettlinger Straße

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Big Data Anwendungen Chancen und Risiken

Big Data Anwendungen Chancen und Risiken Big Data Anwendungen Chancen und Risiken Dr. Kurt Stockinger Studienleiter Data Science, Dozent für Informatik Zürcher Hochschule für Angewandte Wissenschaften Big Data Workshop Squeezing more out of Data

Mehr

Lizenzmanagement auf Basis DBA Feature Usage Statistics?

Lizenzmanagement auf Basis DBA Feature Usage Statistics? Lizenzmanagement auf Basis DBA Feature Usage Statistics? Kersten Penni, Oracle Deutschland B.V. & Co. KG Düsseldorf Schlüsselworte Oracle License Management Services (LMS), Lizenzen, Lizenzierung, Nutzungserfassung,

Mehr

Corporate Digital Learning, How to Get It Right. Learning Café

Corporate Digital Learning, How to Get It Right. Learning Café 0 Corporate Digital Learning, How to Get It Right Learning Café Online Educa Berlin, 3 December 2015 Key Questions 1 1. 1. What is the unique proposition of digital learning? 2. 2. What is the right digital

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle

Mit Legacy-Systemen in die Zukunft. adviion. in die Zukunft. Dr. Roland Schätzle Mit Legacy-Systemen in die Zukunft Dr. Roland Schätzle Der Weg zur Entscheidung 2 Situation Geschäftliche und softwaretechnische Qualität der aktuellen Lösung? Lohnen sich weitere Investitionen? Migration??

Mehr

Künstliche Intelligenz

Künstliche Intelligenz Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data

Mehr

Background for Hybrid Processing

Background for Hybrid Processing Background for Hybrid Processing Hans Uszkoreit Foundations of LST WS 04/05 Scope Classical Areas of Computational Linguistics: computational morphology, computational syntax computational semantics computational

Mehr

Praktikum Entwicklung von Mediensystemen mit ios

Praktikum Entwicklung von Mediensystemen mit ios Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc. Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken

Mehr

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

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

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Market Basket Analysis oder: isst man Salat zum Schnitzel?

Market Basket Analysis oder: isst man Salat zum Schnitzel? Market Basket Analysis oder: isst man Salat zum Schnitzel? SAS Forum Switzerland, 07. Mai 2013 Ralph Wenzl Migros-Genossenschafts-Bund Customer & Web Intelligence Agenda 1 2 3 4 Muster in Warenkörben 3

Mehr

Die BPM-Trilogie BPMN, CMMN, DMN mehr als Schlagworte?

Die BPM-Trilogie BPMN, CMMN, DMN mehr als Schlagworte? Die BPM-Trilogie BPMN, CMMN, DMN mehr als Schlagworte? Wann Sie die neuen Standards anwenden sollten und wie wir die Konzepte dahinter vermitteln können Präsentation auf dem Process Solutions Day 2015

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

p^db=`oj===pìééçêíáåñçêã~íáçå=

p^db=`oj===pìééçêíáåñçêã~íáçå= p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

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

Mehr

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

ISO 15504 Reference Model

ISO 15504 Reference Model Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define metrics Pre-review Review yes Release

Mehr

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz

SAS Education. Grow with us. Anmeldung bei SAS Education. Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz 2015 SAS Education Kurstermine Juli Dezember 2015 für Deutschland, Österreich und die Schweiz Anmeldung bei SAS Education Deutschland www.sas.de/education Tel. +49 6221 415-300 education@ger.sas.com Fax

Mehr

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Martin Herzog 06/07.11.2012 Data Mining als Herzstück von Predictive Analytics Data Mining

Mehr

BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES

BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES BEST PRACTICE: VOM GIEßKANNEN-PRINZIP ZUR EFFEKTIVEN DATA GOVERNANCE HAGEN TITTES Das Unternehmen Das Unternehmen Vorwerk: seit seiner Gründung 1883 ein Familienunternehmen Geschäftsvolumen 2013: 3,1 Milliarden

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

Mehr

Haltung und Handlung. Theorien als Werkzeug Sozialer Arbeit. Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit

Haltung und Handlung. Theorien als Werkzeug Sozialer Arbeit. Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit Haltung und Handlung Theorien als Werkzeug Sozialer Arbeit Workshop auf der 5. Merseburger Tagung zur systemischen Sozialarbeit Zentrale Fragen Was verbindet Theorie und Praxis? In welchem Verhältnis stehen

Mehr

Wachstumsförderung mit CRM

Wachstumsförderung mit CRM Wachstumsförderung mit CRM Computerwoche CRM Initiative Feb. 2007 Dr. Wolfgang Martin Analyst, Mitglied im CRM-Expertenrat und Research Advisor am Institut für Business Intelligence Wachstumsförderung

Mehr

DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION

DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION Dr. Daniel Jeffrey Koch Fraunhofer IAIS 19. Oktober 2015 1 Die Fraunhofer-Gesellschaft Forschen für die

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

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

Mehr

Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung

Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung Internationalisierung im Mittelstand und die Auswirkungen auf Reporting und Konsolidierung Vorgehensweise bei der Umsetzung von Data Warehouse Projekten Agenda Problemstellung Reportingbeispiele Grundlage

Mehr

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

Bioinformatik I (Einführung)

Bioinformatik I (Einführung) Kay Diederichs, Sommersemester 2015 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 17.7. 10:00-11:00

Mehr

Business Applications of Data Mining

Business Applications of Data Mining Business Applications of Data Mining Seminar Business Intelligence Universität Konstanz Christian Rohrdantz Outline Einleitung Was ist Data Mining Rolle des DM in Business Intelligence Herausforderungen

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

Mehr

Cloud Architektur Workshop

Cloud Architektur Workshop Cloud Architektur Workshop Ein Angebot von IBM Software Services for Cloud & Smarter Infrastructure Agenda 1. Überblick Cloud Architektur Workshop 2. In 12 Schritten bis zur Cloud 3. Workshop Vorgehensmodell

Mehr

Challenges for the future between extern and intern evaluation

Challenges for the future between extern and intern evaluation Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation

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

Analytisches Fundraising

Analytisches Fundraising Analytisches Fundraising Vorgehen, Verfahren, Werkzeuge DiaSys. Marketing Engineering AG, Wankdorffeldstr.102, 3014 Bern 031 922 31 50, zuercher@diasys.ch Analytisches Fundraising Inhaltsverzeichnis Datenbankgestütztes

Mehr

Data Mining - Motivation

Data Mining - Motivation Data Mining - Motivation "Computers have promised us a fountain of wisdom but delivered a flood of data." "It has been estimated that the amount of information in the world doubles every 20 months." (Frawley,

Mehr

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich?

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich? KURZANLEITUNG Firmware-Upgrade: Wie geht das eigentlich? Die Firmware ist eine Software, die auf der IP-Kamera installiert ist und alle Funktionen des Gerätes steuert. Nach dem Firmware-Update stehen Ihnen

Mehr

www.pwc.com FATCA implementieren in der Schweiz vom Projekt bis zum operativen Prozess SVV Präsentation 4. April 2013

www.pwc.com FATCA implementieren in der Schweiz vom Projekt bis zum operativen Prozess SVV Präsentation 4. April 2013 www.pwc.com FATCA implementieren in der Schweiz vom Projekt bis zum operativen Prozess Präsentation 4. Agenda 1. Einführung 2. FATCA-Hauptaufgaben 3. Versicherer in der Schweiz und FATCA 4. Implementierungsaspekte

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

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

Präsentation zur Diplomprüfung. Thema der Diplomarbeit:

Präsentation zur Diplomprüfung. Thema der Diplomarbeit: Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data Mining- Verfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs.

Mehr

Titel der Präsentation

Titel der Präsentation Titel der Präsentation Untertitel der Präsentation Kreativität in der Produktion audiovisueller Unterhaltung Strategie für eine digitale Medienwelt? Pamela Przybylski Institut für Kommunikationswissenschaft

Mehr

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Web Mining effektive Analyse des Nutzer- Verhaltens im Internet Dr. Frank Säuberlich Business Unit e-intelligence SAS Deutschland Agenda 1. Begriffsdefinition e-intelligence: Systemdimension Angebotsdimension

Mehr

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