Personalisierung im Internet durch Web Mining

Größe: px
Ab Seite anzeigen:

Download "Personalisierung im Internet durch Web Mining"

Transkript

1 Personalisierung im Internet durch Web Mining Dr. Matthias Meyer

2 Inhalt Grundlagen der Personalisierung Data Mining und Web Mining Web Mining zur Personalisierung des Webauftritts Beispiel Musterdepot Fazit und Ausblick Anm.: Die Folien 3, 5, 6, 24, 28, 29 und 30 stützen sich auf im Internet verfügbare Unterlagen von Prof. Skiera (Universität Frankfurt), die Folie 4 stützt sich auf im Internet verfügbare Unterlagen von Prof. Krafft (WHU Vallendar). 1

3 Personalisierung Grundidee verkündete Henry Ford, dass der Ford T nunmehr in jeder gewünschten Farbe lieferbar sei, vorausgesetzt sie wäre schwarz... 2

4 Personalisierung Grundidee Idee: Everybody IS and everybody GETS an original Dahinter stehende Produktionsidee: Mass Customization (oder kundenindividuelle Massenfertigung) Andere Begriffe für Personalisierung: One-to-One Marketing Content-Personalisierung Oberbegriff: Customer-Relationship-Management Unterschiede zwischen: Personalization: kosmetische Personalisierung (z.b. die Anrede) Customization: Individualisierung des Inhalts, nicht nur der Fassade 3

5 Maximen des One to One -Marketing 1. Volumen je Kunden (nicht Produkt-MA) ausbauen 2. Individuelle Kundenkommunikation mit Feedback 3. Angebote werden je Kunde (nicht Produkt) differenziert 4. Kundenmanagement (neben Produkt- und Mitarbeitermanagement) 5. Wirtschaftliche Kundenbeziehungen sind wichtiger als Economies of Scale aus hohen Marktanteilen 6. Der Kunde steuert die Interaktion 7. Bringe die Produkte zum Kunden (nicht umgekehrt) 8. Schütze die Privatsphäre des Kunden (also freiwillige Bereitstellung von Präferenzprofilen) 9. Beachtung soziologischer Einflüsse 4

6 Realer und virtueller Kaufprozess Kaufprozess realworld Kaufprozess iworld Produkte/ Service A Variantenvielfalt B C Individualisierte Variantenvielfalt A B C Kauf-/Verkaufs-prozess Standardisiert/Automatisiert Individualisiert Kunde A B C A B C 5

7 Ansatzpunkte zur Personalisierung Produktpolitik, z.b.: Empfehlungssysteme wie myrestaurantguide Empfehlungssysteme wie firefly, linxx Mass Customization Kommunikationspolitik, z.b.: Personalisierte Bannerschaltung Permission Marketing Keyword-Advertising Distributionspolitik, z.b.: Personalisierte Auslieferung Möglicherweise noch innovativere Formen durch Mobile Commerce Preispolitik, z.b.: (zukünftig) Preisverhandlungen auf Basis von Agententechnologie 6

8 Grundlagen des Data Mining Wissensentdeckung in Datenbanken ist der nicht-triviale Prozess der Identifikation gültiger, neuartiger, potenziell nützlicher und letztlich verständlicher Muster in (großen) Datenbeständen. (nach Fayyad, U.M. et al. 1996) Differenzierung: Knowledge discovery in databases (KDD): gesamter Prozess der interaktiven und iterativen Entdeckung und Interpretation von nützlichem Wissen aus Daten. Data Mining (DM): Anwendung von Algorithmen zur Extraktion von Mustern aus Daten. 7

9 Anwendungen des Data Mining Anwendungen im Marketing Kundensegmentierung und Zielgruppen-Marketing Cross-Selling Customer Lifetime Value Warenkorb-Analyse Stornovorhersage Bewertung und Prognose der Kunden-Profitabilität Typische Fragestellungen Wer sind meine Kunden? Welche Kunden/Interessenten sollen angesprochen werden? Welche weiteren Produkte biete ich an und zu welchem Preis? Wie kommuniziere ich mit Kunden/Interessenten? Welche Kunden könnten abwandern? Welche Kunden sind profitabel? 8

10 Einordnung des Data Mining 9

11 Methoden des Data Mining Abweichungsanalyse Assoziationsanalyse/Sequenzen Bayes Classifier Clusteranalyse Diskriminanzanalyse Entscheidungsbäume Genetische Algorithmen Inductive Logic Programming k-nächste-nachbarn Kohonen SOM Neuronale Netze Regelbasierte Verfahren Regression Rough Sets Sonstige

12 Personalisierung des Webauftrittes Personalisierung einer Website Anzeigen von Inhalten abgestimmt auf den jeweiligen Benutzer, basierend auf über den Benutzer gespeicherten Informationen (z.b. Kaufhistorie, Benutzerverhalten auf der Website). Personalisierung durch den Benutzer Definition der Gestaltung und des Informationsangebots durch Benutzer. Beispiele sind Websites von Direct Brokern, wie z.b. Comdirect, bei denen sich der Benutzer ein Musterdepot einrichten und Informationsangebote zum Marktgeschehen auswählen kann. Sessionbezogene Personalisierung durch den Anbieter Anpassung des (Informations-)Angebots an das Suchverhalten des Benutzers Amazon zeigt nach Abschluss einer Suche nach einem Buchtitel weitere Titel, die andere Käufer des gesuchten Buchtitels ebenfalls gekauft haben. Sessionübergreifende Personalisierung durch den Anbieter Identifikation des Benutzers per Login und Passwort Bsp. Internetbanking: Möglichkeit, neben den angeforderten Informationen, z.b. Kontostand, weitere auf den Kunden zugeschnittene Informationen, z.b. Angebote für Geldanlagen, zu integrieren. 11

13 Web Mining Grundlagen des Web Mining Anwendung von Data Mining-Algorithmen auf Logberichte, die von Site-Besuchern auf dem Web Server generiert werden. Identifikation und Vorhersage von Trends, Verhalten und Mustern. Web Mining und Personalisierung Web Mining generiert aussagekräftige Besucherprofile und extrahiert aus den Logberichten typische Klickpfade auf der Webseite (Click Stream Behaviour). Web Mining Algorithmen generieren automatisch die Geschäftsregeln, die Voraussetzung für die Personalisierung von Webseiten sind. (Forrester Research, Januar 2000) Site-Betreiber müssen Besucherprofile erstellen, Jeder vierte Einkaufsversuch auf dem Web scheitert (Andersen Consulting, Dezember 1999) um das Benutzerverhalten analysieren zu können, anstatt nur die Anzahl der Page Views zu erfassen. (vgl. Internet-Trends, Januar 2000) 12

14 Einordnung des Web Mining Web Mining Web Content Mining Web Structure Mining Web Usage Mining Web Page Content Mining Search Result Mining General Access Pattern Tracking Customized Usage Tracking 13

15 Web Mining und Personalisierung des Online Auftrittes Offline Erzeugung eines Modells, das die Werbebanner identifiziert, die von Kunden mit einem bestimmten Profil am wahrscheinlichsten angeklickt werden. Online Web-Besucher werden online gescort und das beste Werbebanner wird eingeblendet. Erstellung eines Modelles, das Kunden identifiziert, die am wahrscheinlichsten auch andere Produkte kaufen würden. Ein Web-Besucher wird online gescort und es werden die Produkte angezeigt, die er am wahrscheinlichsten kaufen wird. Erzeugung eines Modells, das die besten Pfade zu einer Zielseite identifiziert. Wenn Kunden vom guten Pfad abweichen, wird online ein Fenster/Content eingeblendet, das ihn veranlassen soll, zum guten Pfad zurückzukehren. 14

16 Web Mining Datenaufbereitung 15

17 Web Mining Datenaufbereitung 16

18 Auswertung Logfiles Tools zur Auswertung von Logfiles: z.b. FastStats Analyzer, WebTrends, WebSuxess und LogAnalyzer. Tools sollen Antworten auf folgende Fragestellungen liefern (Auswahl): Wer besucht die Website (Herkunft: Land, Provider, Unternehmen etc.)? Wann wird die Website am häufigsten besucht? Wie oft wird auf welche Seite zugegriffen? Welche Seiten werden von welchen Besuchern (Kunden, Konkurrenten) abgerufen? Welche Browser (Typ und Version) verwenden die Besucher der Website? Es handelt sich somit vorwiegend um rein deskriptive Analysen zur Nutzung der Website unabhängig vom Verhalten einzelner Besucher. 17

19 Logfile-Analyse Grundlagen Nutzung einer Website wird in der Regel durch den Webserver protokolliert, indem sämtliche Zugriffsinformationen in einem Logfile gespeichert werden. Die Einträge des Logfiles bestehen dabei aus (i) der IP-Adresse des Nutzers, (ii) der Zugriffszeit, (iii) HTML-Befehlen ( GET, POST etc.), (iv) der URL der aufgerufenen Seite, (v) der referrer-url, (vi) dem Protokoll (normalerweise http), (vii) Statuscode Feld, (viii) der Anzahl übertragener Bytes und (ix) unter Umständen einer UserID. Probleme und Grenzen Zur Untersuchung des Nutzerverhaltens sind nicht alle Informationen relevant aufwändiges Preprocessing. Zur Benutzeridentifikation steht in Logfiles nur die IP-Adresse zur Verfügung Problematisch bei Unternehmen alle Benutzer haben dieselbe IP-Adresse. Ziel verschiedener Ansätze Cookies, URL Rewriting, Java Applets, Session Tracking auf Application Server Ebene und Reverse Proxy Web Server ist die Vergabe eindeutiger Session ID s, die letztlich eine Reihe von Zugriffen in einer Session zusammenhalten. Caching Seiten werden zur Verkürzung der Ladezeiten zwischengespeichert und werden nicht mehr im Logfile aufgezeichnet Dynamische Webseiten entstehen erst während der Benutzung und haben oft nur noch eine einzige URL 18

20 Applikatorisches Tracking WWW WWW SessionLog zusätzlich SessionID über Cookie oder URL-Parameter Bezug zu einem Benutzer. ClickStream Analyse möglich SessionMaker Web Server Application Tracker ServerLog zusätzlich Business Events Bezug zu Session und Benutzer Direkt als Eingabe für Mining nutzbar ApplLog DYMATRIX CONSULTING GROUP Nur IPAdr, URL, Timestamp, ReqParams Kein Bezug zu einem Benutzer. Problematisch bei dynamischen Seiten. Umfangreiche Datenbereinigung nötig 19

21 Fallbeispiel Musterdepot - Ziele Anonyme Benutzer Können sich ein Musterdepot zusammenstellen. Können Aktien kaufen, verkaufen und aktuelle Kurse abfragen. Das Musterdepot wird gelöscht beim Verlassen der Seite. Registrierte Benutzer Können Benutzername und Passwort wählen. Depot wird gespeichert und ist wieder abrufbar. Ziele der Fachabteilung Es sollen die neuen Depot Preismodelle beworben werden: Depot für den Langzeit-Anleger (geringe Grundgebühr) Depot für den Zocker (Realtimekurse inclusive) Depot für den PowerTrader (geringe Transaktionsgebühr) Bereits anonyme Benutzer sollen an ihrem Click-Verhalten einer Kundengruppe zugeordnet werden! DYMATRIX CONSULTING GROUP 20

22 Fallbeispiel Musterdepot - Vorgehen Verwaltung Musterdepots (registrierte Benutzer) Aufzeichnung des Benutzerverhaltens Erkennen von Kundengruppen Erstellen von Regeln für die Kundengruppen Integration der Regeln in die Anwendung DYMATRIX CONSULTING GROUP Realtime Classification von anonymen Benutzern Personalisierte Produktangebote 21

23 Fallbeispiel Musterdepot DYMATRIX CONSULTING GROUP & provantis IT solutions 22

24 Personalisierung des Musterdepots Übernahme der Regeln in die Anwendung Musterdepot Regeln erst bei mindestens 2 Aktien im Depot anwenden Angebot für Langzeit Anleger Risikobereitschaft kleiner 30 Weniger als 5 mal Refresh je Session Angebot für Zocker Risikobereitschaft größer 80 Mindestens 10 mal Refresh je Session Angebot für PowerTrader Risikobereitschaft zwischen 30 und 60 Mindestens 5 neue Aktien im Depot 23

25 Grenzen der Personalisierung Rechtliche Grenzen Widerstände der Konsumenten z.b. negative Erfahrungen von Amazon mit browserabhängigen Preisen Zusammenführen verschiedener Datenquellen (Doubleclick mit Abacus- Datenbank) Geringe Akzeptanz der Nutzer Angst der Konsumenten "etwas zu verpassen" Aufwand für die Personalisierung mitunter erheblich Präferenzen ändern sich im Zeitablauf 24

26 Fazit und Ausblick Personalisierung von Webauftritten schafft maßgeschneiderte Kundenansprache. Methoden des Web Mining ermöglicht Generierung von Benutzerprofilen und Ableitung von Regeln. Web (Usage) Mining setzt bislang die Analyse von Logfiles (Aufbereitung extrem aufwändig!) voraus. Applikatorisches Tracking vermeidet Probleme der Logfile-Analyse. Personalisierung setzt Zusammenspiel mit Content-Management voraus. Beachtung von Datenschutzrichtlinien unbedingt erforderlich! 25

27 Gläserner Kunde? 26

28 Kontakt Dr. Matthias Meyer Seminar für Empirische Forschung und Quantitative Unternehmensplanung (EFOplan) Universität München Kaulbachstraße 45 / I D München Tel.: 089 / , Fax: 089 / Forschungsschwerpunkte Data Mining/Web Mining, statistische Datenanalysen Database Marketing und Kundendatenanalysen Information Networking, CRM / ecrm, eintelligence Zur Person Studium der Wirtschaftsinformatik an der TU Braunschweig Promotion am Lehrstuhl für Wirtschaftsinformatik der Kath. Universität Eichstätt Wechsel an die Ludwig-Maximilians-Universität München Mitherausgeber des Handbuches Computer Based Marketing, des Handbuches Data Mining im Marketing und der Buchreihe Information Networking Beratungserfahrungen (u.a. Pharma, Finanzdienstleistungen, Mobilfunk, Konsumgüter) 27

29 Relevante Rechtsquellen zur Personalisierung in Deutschland 28

30 Erlaubte Datenerhebungen... ansonsten muss eine Einwilligung des Nutzers vorliegen! 29

31 Beurteilung der verschiedenen Möglichkeiten zur Datenerhebung 30

32 DynaMine Application Database SAS Click Stream Data Web Mining Web Controlling time_id year quarter month day full_date... wkn_id wkn wkn_desc... time_id user_id session_id wkn_id clicks dauer scorevalue... session_id session_desc... user_id user_type name... DYMATRIX CONSULTING GROUP 31

33 DynaMine WWW WWW DYMATRIX CONSULTING GROUP Web Server Log Data Warehouse DynaTracker Zentraler Log Application Business Events Business Data DynaExecutor XML aggregierter Log XML SAS Enterprise Miner Application Server DynaGenerator Regeln (Java, XML) 32

Web Mining und Personalisierung in Echtzeit

Web Mining und Personalisierung in Echtzeit Ludwig-Maximilians-Universität München Schriften zur Empirischen Forschung und Quantitativen Unternehmensplanung Heft 5 / 2001 Web Mining und Personalisierung in Echtzeit Dr. Matthias Meyer, Stefan Weingärtner,

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

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

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

1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren Personalisierung 4. Zusammenfassung

1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren Personalisierung 4. Zusammenfassung am Beispiel eines Online-Shops Artus Krohn-Grimberghe Anneke Minke 10.06.2010 1 Universität Hildesheim Agenda 1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren

Mehr

SingleSignOn Schnittstelle

SingleSignOn Schnittstelle SingleSignOn Schnittstelle Integration vom Seminar-Shop mit der Partnerseite unter Verwendung der Seminar-Shop Formulare 1 Grundidee: Eine Website übernimmt den Seminar-Shop Content und wünscht, dass ein

Mehr

Messung des Online-Erfolges / Optimierung einer Website

Messung des Online-Erfolges / Optimierung einer Website Messung des Online-Erfolges / Optimierung einer Website Stuttgart, Mai 2001 Guido Hartmann Senior Project Manager Talstrasse 41 Stuttgart phone: +49.711.90717-177 guido.hartmann@pixelpark.com http://www.pixelpark.com

Mehr

Schön, dass Sie da sind. 16. Juni 2008. E-Commerce im Handel SS 2008 Lehrbeauftragte: Maria-Christina Nimmerfroh

Schön, dass Sie da sind. 16. Juni 2008. E-Commerce im Handel SS 2008 Lehrbeauftragte: Maria-Christina Nimmerfroh Schön, dass Sie da sind. 16. Juni 2008 E-Commerce im Handel SS 2008 Lehrbeauftragte: Maria-Christina Nimmerfroh Personalisierung (Online- Marketing) Anpassung des Angebotes/der Seite/der Elemente an den

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

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

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

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

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf Web-Log-Mining Dr. Peter Gluchowski Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf MIS 2001 7. Kongressmesse für DW und BI 26.09.2001 Gliederung Internet und E-Commerce Aufbau

Mehr

Gültig ab: 3. Dezember 2013

Gültig ab: 3. Dezember 2013 Cookies Richtlinie Gültig ab: 3. Dezember 2013 Hinweis: Bitte achten Sie darauf, dass dieses Dokument eine Übersetzung der englischen Fassung ist. Im Streitfall hat die englische Fassung Vorrang. Cookies

Mehr

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing

Feedback-Management als Daten-Schatz für das Multi-Channel-Marketing Feedback-Management als Daten-Schatz für das Multi-Channel- - Strategische CRM-Unternehmensberatung Vortrag im Rahmen des MTP-Alumni Forums Erfolgsfaktor Kundendialog warum Kunden wiederkommen, Darmstadt,

Mehr

Predictive Modeling Markup Language. Thomas Morandell

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

Mehr

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

Mit Personalisierung Kundenzufriedenheit und Umsätze steigern Erfolgreiche Praxisbeispiele

Mit Personalisierung Kundenzufriedenheit und Umsätze steigern Erfolgreiche Praxisbeispiele Mit Personalisierung Kundenzufriedenheit und Umsätze steigern Erfolgreiche Praxisbeispiele Dr. Philipp Sorg (Senior Data Scientist) Peter Stahl (Senior Business Development Manager) 24. März 2015, Internet

Mehr

I. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.

Mehr

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting.

Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Schober Group Mehr IQ für Ihre Daten durch intelligentes Adressmanagement und Smart Targeting. Mag. (FH) Alexandra Vetrovsky-Brychta Wien, 23.10.2012 Mehr IQ für Ihre Kundendaten Seite 2 Agenda Themen

Mehr

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

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

Mehr

Infrastruktur für Web Intelligent Systems

Infrastruktur für Web Intelligent Systems Infrastruktur für Web Intelligent Systems Thema: Business Intelligence Teil II: Data Mining & Knowledge Discovery von Christian Merker Gliederung Web-Intelligent-Systeme Begriffsklärung Personalisiertes

Mehr

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

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

Mehr

Datenschutzbestimmungen der MUH GmbH

Datenschutzbestimmungen der MUH GmbH Datenschutzerklärung MUH Seite 1 Datenschutzbestimmungen der MUH GmbH Stand: 20.06.2012 1. Unsere Privatsphäre Grundsätze 1.1 Bei der MUH nehmen wir den Schutz Ihrer persönlichen Daten sehr ernst und halten

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

Web Applications Vulnerabilities

Web Applications Vulnerabilities Bull AG Wien Web Applications Vulnerabilities Philipp Schaumann Dipl. Physiker Bull AG, Wien www.bull.at/security Die Problematik Folie 2 Der Webserver ist das Tor zum Internet auch ein Firewall schützt

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

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

DATA-DRIVEN E-COMMERCE SUITE WEB ANALYTICS & PERSONALISIERUNG

DATA-DRIVEN E-COMMERCE SUITE WEB ANALYTICS & PERSONALISIERUNG Wir bei econda brennen für Data-Driven E-Commerce. Sie als E- Commerce Professional bekommen bei uns maßgeschneidert die High- Tech Software und die Unterstützung, die Sie brauchen, um den maximalen Wert

Mehr

Personalisierung in Echtzeit ist einfacher als Sie denken.

Personalisierung in Echtzeit ist einfacher als Sie denken. Personalisierung in Echtzeit ist einfacher als Sie denken. Wenn Sie im Bereich Marketing tätig sind, haben Sie in letzter Zeit bestimmt viel zum Thema Personalisierung gehört. Angesichts der steigenden

Mehr

Session Management und Cookies

Session Management und Cookies LMU - LFE Medieninformatik Blockvorlesung Web-Technologien Wintersemester 2005/2006 Session Management und Cookies Max Tafelmayer 1 Motivation HTTP ist ein zustandsloses Protokoll Je Seitenaufruf muss

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

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

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3 xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable

Mehr

>Das comdirect Musterdepot

>Das comdirect Musterdepot >Das comdirect Musterdepot Einleitung Das comdirect Musterdepot ist eine Depot-Simulation auf Basis aktueller Börsenkurse. In Ihrem Musterdepot können Sie Wertpapiere virtuell verwalten - genau so bequem

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 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

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt

Was ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt Was ist Big Data? Versuch einer Positionsbestimmung Wolfgang Marquardt Vorstandsvorsitzender des Forschungszentrum Jülich 02.06.2015 Jahrestagung des deutschen Ethikrates Ganz sicher auch ein Hype hohe

Mehr

UDG United Digital Group Reactive Webdesign oder Gib dem Kunde, was der Kunde will!

UDG United Digital Group Reactive Webdesign oder Gib dem Kunde, was der Kunde will! UDG United Digital Group Reactive Webdesign oder Gib dem Kunde, was der Kunde will! Wie geht digitaler Vertrieb morgen? Von der vollen Auswahl zum relevanten Angebot. Vom Produktverkauf zum Verkauf von

Mehr

Proseminar Website-Management-Systeme im W intersem ester 2003/04

Proseminar Website-Management-Systeme im W intersem ester 2003/04 Folie 1 Vortrag zum Proseminar Website-Management-Systeme im W intersem ester 2003/04 von Christian Bindseil Oktober 2003 Theoretische Grundlagen Folie 2 Theoretische Grundlagen Theoretische Grundlagen

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

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption

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

10 Online-Werbung. 10/1 Werbearten. 10/1.1 Bannerwerbung bzw. Anzeigenwerbung

10 Online-Werbung. 10/1 Werbearten. 10/1.1 Bannerwerbung bzw. Anzeigenwerbung 10 Online-Werbung Online-Werbung gehört inzwischen zum Alltag jedes Nutzers des Internets. Während sich mancher Nutzer darüber ärgert und die Werbung als Belästigung empfindet, ist sie für viele Anbieter

Mehr

Unsere Gruppe Online Mediaplanung & Web Analyse

Unsere Gruppe Online Mediaplanung & Web Analyse Unsere Gruppe Online Mediaplanung & Web Analyse 2. Webanalyse Erfolgskontrolle DATEN Daten sammeln (Cookies, Nutzerprofile, ) TOOLS Umwandlung in wertvolle Informationen AN WENDUNG Kennzahlen Auswertungen

Mehr

capaneo crmmatch TECHNOLOGIEN

capaneo crmmatch TECHNOLOGIEN capaneo crmmatch Mehrwert durch verknüpfte Offline- und Online-Daten Zielgenaue Display-Werbung auf Basis Ihrer CRM-Daten Wertschöpfungssteigerung des Customer Lifetime Value Bestandskunden auch online

Mehr

Data Deluge. Welche Informationen wie gesammelt werden... Doris Köberl Nicole Kowatsch

Data Deluge. Welche Informationen wie gesammelt werden... Doris Köberl Nicole Kowatsch Data Deluge Welche Informationen wie gesammelt werden... Doris Köberl Nicole Kowatsch Wir ertrinken in Informationen, aber hungern nach Wissen. John Naisbitt (*1930), amerik. Prognostiker Web Analytics

Mehr

Web Mining bei der VICTORIA Versicherung

Web Mining bei der VICTORIA Versicherung KSFE 2002 Web Mining bei der VICTORIA Versicherung Information Works Agenda Web Mining bei der VICTORIA Verfahren Auswertung Fazit Agenda Web Mining bei der VICTORIA Verfahren Auswertung Fazit Ausgangssituation:

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

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

Datenbank-basierte Webserver

Datenbank-basierte Webserver Datenbank-basierte Webserver Datenbank-Funktion steht im Vordergrund Web-Schnittstelle für Eingabe, Wartung oder Ausgabe von Daten Datenbank läuft im Hintergrund und liefert Daten für bestimmte Seiten

Mehr

BIG DATA Herausforderungen für den Handel

BIG DATA Herausforderungen für den Handel BIG DATA Herausforderungen für den Handel RA Adrian Süess, LL.M., Zürich Bühlmann Rechtsanwälte AG www.br-legal.ch 1 2 1 Überblick Worum geht s. Big Data. Was ist Big Data. Beschaffung und Bearbeitung

Mehr

Sicherheit in Webanwendungen CrossSite, Session und SQL

Sicherheit in Webanwendungen CrossSite, Session und SQL Sicherheit in Webanwendungen CrossSite, Session und SQL Angriffstechniken und Abwehrmaßnahmen Mario Klump Die Cross-Site -Familie Die Cross-Site-Arten Cross-Site-Scripting (CSS/XSS) Cross-Site-Request-Forgery

Mehr

connect and get connected Wachstum durch CRM dank neuen Kunden

connect and get connected Wachstum durch CRM dank neuen Kunden connect and get connected Wachstum durch CRM dank neuen Kunden Swiss CRM Forum 2011 rbc Solutions AG, General Wille-Strasse 144, CH-8706 Meilen welcome@rbc.ch, www.rbc.ch, +41 44 925 36 36 Agenda Einleitung

Mehr

Web 2.0 Architekturen und Frameworks

Web 2.0 Architekturen und Frameworks Web 2.0 Architekturen und Frameworks codecentric GmbH Mirko Novakovic codecentric GmbH Quality Technische Qualitätssicherung in Software-Projekten mit Fokus auf Performance, Verfügbarkeit und Wartbarkeit

Mehr

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Big Data im Marke

Mehr

BIG DATA. Herausforderungen für den Handel. RA Adrian Süess, LL.M., Zürich Bühlmann Rechtsanwälte AG www.br-legal.ch

BIG DATA. Herausforderungen für den Handel. RA Adrian Süess, LL.M., Zürich Bühlmann Rechtsanwälte AG www.br-legal.ch BIG DATA Herausforderungen für den Handel RA Adrian Süess, LL.M., Zürich Bühlmann Rechtsanwälte AG www.br-legal.ch 1 2 Überblick Worum geht s. Was ist Big Data. Beschaffung und Bearbeitung von Datensätzen.

Mehr

Userhandbuch. Version B-1-0-2 M

Userhandbuch. Version B-1-0-2 M Userhandbuch Version B-1-0-2 M Inhaltsverzeichnis 1.0 Was bietet mir SERVRACK?... 3 1.1 Anmeldung... 3 1.2 Passwort vergessen?... 3 1.3 Einstellungen werden in Realtime übernommen... 4 2.0 Die SERVRACK

Mehr

Aktuelle Sicherheitsprobleme im Internet

Aktuelle Sicherheitsprobleme im Internet Herbst 2014 Aktuelle Sicherheitsprobleme im Internet Wirtschaftsinformatik: 5. Semester Dozenten: Rainer Telesko / Martin Hüsler Fachhochschule Nordwestschweiz FHNW / Rainer Telesko - Martin Hüsler 1 Inhalt

Mehr

Babelprojekt.com Datenschutzhinweise

Babelprojekt.com Datenschutzhinweise Babelprojekt.com Datenschutzhinweise Datenschutzrichtlinie runterladen Letzte Aktualisierung: 24. Apr. 2015 Willkommen zur Webseite des Babelprojekt Kft. Babelprojekt bittet Sie darum, vor der Nutzung

Mehr

Analyse des Kundenverhaltens im WWW

Analyse des Kundenverhaltens im WWW Der Weg zum erfolgreichen Online-Marketing Analyse des Kundenverhaltens im WWW Informationsveranstaltung ebusiness-lotse Oberschwaben-Ulm Weingarten, 12.06.2013 Agenda Uhrzeit Programmpunkt 17:00 Begrüßung

Mehr

Unsere Datenschutzerklärung

Unsere Datenschutzerklärung Unsere Datenschutzerklärung Cookies Das Akzeptieren von Cookies ist keine Voraussetzung zum Besuch unserer Webseiten. Jedoch weisen wir Sie darauf hin, dass die Nutzung der Warenkorbfunktion und die Bestellung

Mehr

FTP / WebDeploy / WebDAV. Handbuch

FTP / WebDeploy / WebDAV. Handbuch Handbuch August 2015, Copyright Webland AG 2015 Inhalt Einführung FTP WebDeploy WebDAV Anleitungen FTP Windows Mac WebDeploy Windows WebDAV Windows Mac Einführung FTP Haben Sie einen Zugang per FTP gewählt,

Mehr

ecrm Web Mining & Clickstream Analysis

ecrm Web Mining & Clickstream Analysis Universität Fribourg Research Group Information Systems Prof. Dr. Andreas Meier Seminar zum Thema ecrm & Clickstream Analysis Emanuel Stoll Fribourg, SS 05 Mottastr.13 21. April 2005 3005 Bern emanuel.stoll@unifr.ch

Mehr

Personalisierung im E-Commerce. Personalisierung im E-Commerce. Einleitung. Einleitung. Personalisierung im E-Commerce. Der Personalisierungsprozess

Personalisierung im E-Commerce. Personalisierung im E-Commerce. Einleitung. Einleitung. Personalisierung im E-Commerce. Der Personalisierungsprozess Hauptseminar : Personalisierung Dozent: Herr Mandl Referentin: Anja Liebscher Datum: 08.11.06 (WS 06/07) 2. 2 Einleitung Einleitung Was ist E-Commerce Definition: Die Unterstützung von Handelsaktivitäten

Mehr

Cluster Strategy & Information Wir machen Unternehmen nachhaltig erfolgreich!

Cluster Strategy & Information Wir machen Unternehmen nachhaltig erfolgreich! Cluster-Informationsveranstaltung 2015 Wir machen Unternehmen nachhaltig erfolgreich! Ansprechpartner für Fragen rund um das Studium im : Sarah Stockinger, MSc. E-Mail: sarah.stockinger@wiwi.uni-augsburg.de

Mehr

WIE SIE MIT MULTI-KANALSTRATEGIEN KUNDEN-MEHRWERT SCHAFFEN

WIE SIE MIT MULTI-KANALSTRATEGIEN KUNDEN-MEHRWERT SCHAFFEN WIE SIE MIT MULTI-KANALSTRATEGIEN KUNDEN-MEHRWERT SCHAFFEN Robert Schumacher Customer Intelligence Solution Manager SAS Institute AG, Schweiz AGENDA WIE SIE MIT MULTI-KANALSTRATEGIEN KUNDEN-MEHRWERT SCHAFFEN

Mehr

ImplementIerung von ClICKAnDBuY

ImplementIerung von ClICKAnDBuY Implementierung von CLICKANDBUY Inhaltsverzeichnis 1 2 3 4 5 6 7 Einführung: ClickandBuy Premiumlinks... 2 ClickandBuy URL Mapping... 3 Premiumlink Implementierungsoptionen... 4 3.1. Sessionlink... 4 3.2.

Mehr

Mobile Varianten für Open Text Web Solutions

Mobile Varianten für Open Text Web Solutions Mobile Varianten für Open Text Web Solutions Management Server Delivery Server Gerätespezifische Bereitstellung bestehender Online-Inhalte für mobile Nutzer IHR LOGO Dirk Langenheim dirk.langenheim@intentive.de

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

Best Practices. von 1000 Versandhändlern FOLIENTITEL STEHT HIER. Michael Schorb, Sales Manager SUBHEADLINE STEHT HIER

Best Practices. von 1000 Versandhändlern FOLIENTITEL STEHT HIER. Michael Schorb, Sales Manager SUBHEADLINE STEHT HIER Michael Schorb, Sales Manager FOLIENTITEL STEHT HIER SUBHEADLINE STEHT HIER Data Textmasterformat driven bearbeiten E-Commerce Best Practices von 1000 Versandhändlern FOLIENTITEL Agenda STEHT HIER SUBHEADLINE

Mehr

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, 22.03.2006 Andreas Reuß Universität Ulm Sektion

Mehr

Adobe FSI Breakfast. Frankfurt, 09.06.2015. 2015 icompetence

Adobe FSI Breakfast. Frankfurt, 09.06.2015. 2015 icompetence Adobe FSI Breakfast Frankfurt, 09.06.2015 2015 icompetence Gründung 1994 Firmensitz: Quickborn bei Hamburg 200 Mio Page Impressions/Monat mehr als 1,8 Millionen Privatkunden. über 2,8 Millionen Kunden

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

Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing

Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing Wo finde ich Webalizer? Die Webalizer Statistiken finden Sie in Ihrem Partnernet unter http://partner.dcn.de oder über

Mehr

Nutzung von RTA zur ganzheitlichen Kundenansprache

Nutzung von RTA zur ganzheitlichen Kundenansprache Nutzung von RTA zur ganzheitlichen Kundenansprache - Verknüpfung von RTA und CRM Dr. Florian Heinemann d3con, Hamburg, 10. März 2015 RTA bzw. Biddable Media in 2015 Eine (höchst subjektive) Bestandsaufnahme

Mehr

'Customer Relationship Management'

'Customer Relationship Management' 'Customer Relationship Management' Seminar im Sommersemester 2004 Information Systems Research Group Prof. Dr. Andreas Meier Universität Fribourg Report zum Thema 'Web-Mining im E-CRM & Potentiale des

Mehr

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

Mehr

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Dr. Thomas Bernard 6. Karlsruher Automations-Treff (KAT) Leit- und Automatisierungstechnik der Zukunft Karlsruhe,

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

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

Inhaltsverzeichnis. Danksagung... V. Vorwort...VII. Inhaltsverzeichnis... IX TEIL A: KONZEPTE, UMSETZUNG UND CONTROLLING...1

Inhaltsverzeichnis. Danksagung... V. Vorwort...VII. Inhaltsverzeichnis... IX TEIL A: KONZEPTE, UMSETZUNG UND CONTROLLING...1 Danksagung... V Vorwort...VII Inhaltsverzeichnis... IX TEIL A: KONZEPTE, UMSETZUNG UND CONTROLLING...1 1 Stellenwert von Suchmaschinen im Online-Marketing...3 1.1 Suchmaschinen als virtuelle Intermediäre...3

Mehr

Social Data Mining. Albert Weichselbraun. May 2009

Social Data Mining. Albert Weichselbraun. May 2009 Social Data Mining Albert Weichselbraun Vienna University of Economics and Business Administration Department of Information Systems and Operations Augasse 2-6, 1090 Vienna albert.weichselbraun@wu.ac.at

Mehr

Internetauftritt perfekt Intranet vernachlässigt?

Internetauftritt perfekt Intranet vernachlässigt? Internetauftritt perfekt Intranet vernachlässigt? Mitarbeiterportale, Intranetanalyse, Monitoring, Mouse Tracking, Onsite-Befragung In zahlreichen Unternehmen haben Abteilungen wie die interne Unternehmenskommunikation,

Mehr

Customer Centricity. Frankfurt, November 2011. Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat

Customer Centricity. Frankfurt, November 2011. Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat Customer Centricity Frankfurt, November 2011 Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat Customer Centricity Kundenbeziehungs-Management Die Evolution der Modelle Outbound,

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

Die nachfolgenden Informationen sind unterteilt nach den verschiedenen Angeboten von NWB:

Die nachfolgenden Informationen sind unterteilt nach den verschiedenen Angeboten von NWB: Datenschutzerklärung Wir freuen uns, dass Sie unsere Webseiten und Angebote besuchen und bedanken uns für Ihr Interesse an unserem Unternehmen, unseren Produkten und unseren Webseiten. Der Schutz Ihrer

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

Bibliotheken im Spannungsfeld zwischen Nutzungsmessung und Datenschutz

Bibliotheken im Spannungsfeld zwischen Nutzungsmessung und Datenschutz Bibliotheken im Spannungsfeld zwischen Nutzungsmessung und Datenschutz Jan Lüth, Dr. Timo Borst IT-Entwicklung ZBW - Deutsche Zentralbibliothek für Wirtschaftswissenschaften Leibniz-Informationszentrum

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

Mehr

Operator Guide. Operator-Guide 1 / 7 V1.01 / jul.12

Operator Guide. Operator-Guide 1 / 7 V1.01 / jul.12 Operator Guide Einleitung Diese Guide vermittelt ihnen das Operator Know How für die Gästbox. Was müssen Sie wissen bevor Sie sich an die Arbeit machen. Von welchem PC aus kann ich die Gästbox bedienen.

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

Mehr

COOKIES WAS SIND COOKIES? WIE SETZEN WIR COOKIES EIN?

COOKIES WAS SIND COOKIES? WIE SETZEN WIR COOKIES EIN? COOKIES Damit dieses Internetportal ordnungsgemäß funktioniert, legen wir manchmal kleine Dateien sogenannte Cookies auf Ihrem Gerät ab. Das ist bei den meisten großen Websites üblich. WAS SIND COOKIES?

Mehr

Logfile Analyse II. Referent: Philipp Mayr. 8. InternetSalon am 26. Mai 2004, pr-ide. 8. InternetSalon / pr-ide Logfile Analyse II

Logfile Analyse II. Referent: Philipp Mayr. 8. InternetSalon am 26. Mai 2004, pr-ide. 8. InternetSalon / pr-ide Logfile Analyse II Logfile Analyse II Referent: Philipp Mayr 8. InternetSalon am 26. Mai 2004, pr-ide 1 Agenda Dauer ca. 1,5 h Begrüßung Einführung, Grundlagen, Probleme, Potenziale Zehn Reports am Beispiel von vers. Logfiles

Mehr

AEM als Digital Hub für Marketing und E-Commerce. Sebastian Immer Senior Sales Consultant Markus Tressl Senior Principal Consultant. Namics.

AEM als Digital Hub für Marketing und E-Commerce. Sebastian Immer Senior Sales Consultant Markus Tressl Senior Principal Consultant. Namics. AEM als Digital Hub für Marketing und E-Commerce. Sebastian Immer Senior Sales Consultant Markus Tressl Senior Principal Consultant Namics. Agenda. Namics vorgestellt. Adobe Experience Manager als Digital

Mehr

Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen

Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen Business Networking: A process-oriented Framework by Elgar Fleisch and Hubert Österle Benjamin Spottke 13.06.2005 Agenda

Mehr

Oxybul éveil et jeux

Oxybul éveil et jeux Online Intelligence Solutions Oxybul éveil et jeux Oxybul éveil et jeux nutzt das Potential der Daten von AT Internet erfolgreich um kontinuierlich effizientere und effektivere Retargeting-Kampagnen zu

Mehr