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

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

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

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

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

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

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

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

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

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

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/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

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

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

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

Kooperatives Verhalten in Schulinformationssystemen. Arne Hendrik Schulz, Andreas Breiter Institut für Informationsmanagement Bremen (ifib)

Kooperatives Verhalten in Schulinformationssystemen. Arne Hendrik Schulz, Andreas Breiter Institut für Informationsmanagement Bremen (ifib) Kooperatives Verhalten in Schulinformationssystemen Arne Hendrik Schulz, Andreas Breiter Institut für Informationsmanagement Bremen (ifib) 1 Gliederung Projektvorstellung Kontext Schule Schulinformationssysteme

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

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

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

Data Mining im e-commerce am Beispiel der Deutschen Bahn AG

Data Mining im e-commerce am Beispiel der Deutschen Bahn AG Fellowship Data Mining im e-commerce am Beispiel der Deutschen Bahn AG Katja Steuernagel Universität Kaiserslautern Momentan: GIP AG Göttelmannstraße 17 55130 Mainz katja@katja-steuernagel.de Zusammenfassung

Mehr

Außerdem verwenden wir Cookies für andere Zwecke, wie zum Beispiel:

Außerdem verwenden wir Cookies für andere Zwecke, wie zum Beispiel: Version 16.01.2016 INFORMATION ZU COOKIES UND WERBUNG Besuchen Sie die Website von Smart Gourmet Spanien mit der Konfiguration Ihres Browser Cookies Annahme oder Verwendung der Geräte, mobile Anwendungen

Mehr

Einrichtung Secure-FTP

Einrichtung Secure-FTP Einrichtung Secure-FTP ONEGroup Hochriesstrasse 16 83101 Rohrdorf Steffen Prochnow Hochriesstrasse 16 83101 Rohrdorf Tel.: (08032) 989 492 Fax.: (01212) 568 596 498 agb@onegroup.de 1. Vorwort... 2 2. Einrichtung

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

Web Mining und Farming

Web Mining und Farming Web Mining und Farming Shenwei Song Gliederung Übersicht über Web Mining und Farming Web Mining Klassifikation des Web Mining Wissensbasierte Wrapper-Induktion Web Farming Übersicht über Web-Farming-Systeme

Mehr

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein

Alles für den Kunden Analyse von Kundendaten. Katrin Plickert, Heiko Hartenstein Alles für den Kunden Analyse von Kundendaten Katrin Plickert, Heiko Hartenstein Zum Verständnis 9. Februar 2007 Heiko Hartenstein, Katrin Plickert 2 Quelle: Heilmann, Kempner, Baars: Business and Competitive

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

SEARCH DRIVEN APPLICATIONS MIT DEM CONTENT SEARCH WEBPART

SEARCH DRIVEN APPLICATIONS MIT DEM CONTENT SEARCH WEBPART SEARCH DRIVEN APPLICATIONS MIT DEM CONTENT SEARCH WEBPART SHAREPOINT COMMUNITY 27.02.2013 28.02.2013 IOZ AG 1 IN EIGENER SACHE David Mehr Projektleiter Eidg. Dipl. Wirtschaftsinformatiker +41 41 925 84

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

Was ist ein digitaler Archivbesuch? Die Interpretation von Zugriffszahlen

Was ist ein digitaler Archivbesuch? Die Interpretation von Zugriffszahlen Was ist ein digitaler Archivbesuch? Die Interpretation von Zugriffszahlen Georg Vogeler Zentrum für Informationsmodellieung, Graz Institut für Dokumentologie und Editorik, Virtualien Sever Log Analyse

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

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

Datenschutzerklärung ENIGO

Datenschutzerklärung ENIGO Datenschutzerklärung ENIGO Wir, die, nehmen den Schutz Ihrer persönlichen Daten sehr ernst und halten uns strikt an die Regeln der Datenschutzgesetze. Personenbezogene Daten werden auf dieser Website nur

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

OPNET s Application Response Expert (ARX)

OPNET s Application Response Expert (ARX) OPNET s Application Response Expert (ARX) Root Cause Analyse und End2End Monitoring für Web Anwendungen Summary Werden im IT Betrieb Probleme durch die Anwender gemeldet, müssen schnell Informationen aus

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

Analyse einer speziellen Lernangebotsnutzung mit Hypertextstruktur

Analyse einer speziellen Lernangebotsnutzung mit Hypertextstruktur LFE Medieninformatik Abschlussvortrag Projektarbeit Analyse einer speziellen Lernangebotsnutzung mit Hypertextstruktur Dhana Sauernheimer Betreuer: Anke Lindmeier, Sara Streng 17.11.2009 Gliederung Gliederung

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

Personalisierung und Benutzermodellierung. Aufdecken von Benutzerinteressen und Benutzerbedürfnissen: Mining U s Interests

Personalisierung und Benutzermodellierung. Aufdecken von Benutzerinteressen und Benutzerbedürfnissen: Mining U s Interests Personalisierung und Benutzermodellierung Aufdecken von Benutzerinteressen und Benutzerbedürfnissen: Mining U s Interests Prof. Dr. N. Henze 18. Juni 2007 Inhaltsverzeichnis 6 Aufdecken von Benutzerbedürfnissen

Mehr

Kurze Einführung in Web Data Mining

Kurze Einführung in Web Data Mining Kurze Einführung in Web Data Mining Yeong Su Lee Centrum für Informations- und Sprachverarbeitung (CIS), LMU 17.10.2007 Kurze Einführung in Web Data Mining 1 Überblick Was ist Web? Kurze Geschichte von

Mehr

Dreamwap. Systemanalyse

Dreamwap. Systemanalyse Dreamwap Systemanalyse Änderungskontrolle Version Datum Name Bemerkung 0.1 15.7.2000 P. Troxler Initialversion 0.2 16.7.2000 P. Troxler Neue Tabelle: Kap. 2.1. Vgl. Datenbank Tabellen 0.3 18.7.2000 P.

Mehr

Webanalyse Praxiswissen

Webanalyse Praxiswissen Webanalyse Praxiswissen Webanalyse Allgemein (konzeptionell) Webanalyse Allgemein (konzeptionell) Ziel und Zweck Webanalyse Allgemein (konzeptionell) Ziel und Zweck Fragestellungen beantworten, z.b. :

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

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

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

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

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

Sessions mit PHP. Annabell Langs 2004. Sessions in PHP - Annabell Langs 1

Sessions mit PHP. Annabell Langs 2004. Sessions in PHP - Annabell Langs 1 Sessions mit PHP Annabell Langs 2004 Sessions in PHP - Annabell Langs 1 Sessions» Inhaltsverzeichnis Wozu Sessions? 3 Wie funktionieren Sessions? 5 Wie kann ich die Session-ID übergeben? 8 Sicherheit 9

Mehr

Online-News Ausgabe 12, Juli 2000 Seite 56

Online-News Ausgabe 12, Juli 2000 Seite 56 5 Cookies Was ist eigentlich ein COOKIE? Man traut ihnen nicht so recht über den Weg. Angeblich können damit alle persönlichen Daten eines Internetbenutzers heimlich erkundet werden, Hacker erhalten gar

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

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

Erklärung zum Datenschutz für das mytalent-portal

Erklärung zum Datenschutz für das mytalent-portal Erklärung zum Datenschutz für das mytalent-portal 1. Allgemeines 1.1 Die vorliegende Datenschutzerklärung der Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.v., Hansastraße 27c, 80686

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

Mobile ERP Business Suite

Mobile ERP Business Suite Greifen Sie mit Ihrem ipad oder iphone jederzeit und von überall auf Ihr SAP ERP System zu. Haben Sie Up-To-Date Informationen stets verfügbar. Beschleunigen Sie Abläufe und verkürzen Sie Reaktionszeiten

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

DIE GRUNDLAGEN DER FERNÜBERWACHUNG

DIE GRUNDLAGEN DER FERNÜBERWACHUNG DIE GRUNDLAGEN DER FERNÜBERWACHUNG Verbraucherleitfaden Version 1.0 Deutsch Einleitung Derzeit sind am Markt zahlreiche Videoüberwachungssysteme erhältlich, die einen digitalen Zugriff über Netzwerkverbindungen

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

www.lamapoll.de Langner Maibaum Notev GbR Stephanstr. 52 10559 Berlin

www.lamapoll.de Langner Maibaum Notev GbR Stephanstr. 52 10559 Berlin Wir nehmen Datenschutz sehr ernst: www.lamapoll.de Langner Maibaum Notev GbR Stephanstr. 52 10559 Berlin Alle Server stehen in Deutschland und unterliegen deutschen Datenschutzund Sicherheitsbestimmungen

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

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

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

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

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

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

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

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

PROGRAMMATIC MARKETING

PROGRAMMATIC MARKETING PROGRAMMATIC MARKETING 21.10.2014 1 21.10.2014 2 21.10.2014 3 Programmatic Marketing...mehr als Real Time Advertising (RTA) bzw. Real Time Bidding (RTB)...sämtliche Online Marketing-Maßnahmen, die von

Mehr

Stichpunkte zur Folie 3 Internetcafe-10-09. Was sind Cookies? Wo liegen die Cookies auf meiner Festplatte? Wie gehe ich mit Cookies um?

Stichpunkte zur Folie 3 Internetcafe-10-09. Was sind Cookies? Wo liegen die Cookies auf meiner Festplatte? Wie gehe ich mit Cookies um? Stichpunkte zur Folie 3 Internetcafe-10-09 Was sind Cookies? Fast jeder hat schon von euch gehört: "Cookies" (Kekse), die kleinen Datensammler im Browser, die von Anti-Spyware-Programmen als potenziell

Mehr

Diplomarbeit Webmaster. CONTENTMANAGEMENT Installationsanleitung. Version 1.0

Diplomarbeit Webmaster. CONTENTMANAGEMENT Installationsanleitung. Version 1.0 Diplomarbeit Webmaster CONTENTMANAGEMENT Installationsanleitung Version 1.0 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis... 2 2 Einleitung... 3 2.1 Installationsvoraussetzung... 3 2.2 Installationsablauf...

Mehr

Virtuelle Universität

Virtuelle Universität Virtuelle Universität https://vu.fernuni-hagen.de Ein Projekt der FernUniversität Hagen Einige Fakten Start im WS 1996/97 mit einigen hundert Studierende zur Zeit fast 9000 aktiv Studierende aus allen

Mehr

Innova>on Xseed. Keine Registrierung erforderlich, Services basieren auf anonymisierten Daten

Innova>on Xseed. Keine Registrierung erforderlich, Services basieren auf anonymisierten Daten xseed your Mobile Vision Die steigende Mobilität der Menschen führt zu hohen Anforderungen und Ansprüchen an die Werkzeuge der Zukunve, ortsbezogene Anwendungen werden dabei eine elementare Rolle

Mehr

Anleitung Webalizer. Inhaltsverzeichnis

Anleitung Webalizer. Inhaltsverzeichnis Inhaltsverzeichnis. Aufgabe / Nutzen des s... 2. Allgemeine Informationen...2.2 Begriffserklärungen...2 2. Zugang zum... 2 3. Die Eingangsseite... 3 4. Die Monatsübersichten und Tagesübersichten... 3 4.

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

LIVE Streaming. Schnell Professionell Effizent

LIVE Streaming. Schnell Professionell Effizent LIVE Streaming Schnell Professionell Effizent LIVESTREAM Interactive ist eine ideale Lösung zur Live-Übertragung Ihrer Veranstaltungen in das Internet. Bieten Sie Zuschauern Ihre Live WebTV-Sendungen oder

Mehr

Erklärung zum Datenschutz für das mytalent-portal

Erklärung zum Datenschutz für das mytalent-portal Erklärung zum Datenschutz für das mytalent-portal 1. Allgemeines 1.1 Die vorliegende Datenschutzerklärung der Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.v., Hansastraße 27c, 80686

Mehr

CSP (Cloud Service Portal) Control Panel Beispiele von häufigen Aktivitäten von Admins 1

CSP (Cloud Service Portal) Control Panel Beispiele von häufigen Aktivitäten von Admins 1 CSP (Cloud Service Portal) Control Panel Beispiele von häufigen Aktivitäten von Admins 1 Agenda > Verwaltung CSP Control Panel vs. Microsoft Online Portal > Auf CSP Control Panel Zugreifen (inkl. Passwort

Mehr

Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006

Recommender Systems. Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Recommender Systems Stefan Beckers Praxisprojekt ASDL SS 2006 Universität Duisburg-Essen April 2006 Inhalt 1 - Einführung 2 Arten von Recommender-Systemen 3 Beispiele für RCs 4 - Recommender-Systeme und

Mehr

Customer Experience Management / IBM Tealeaf

Customer Experience Management / IBM Tealeaf Customer Experience Management / IBM Tealeaf Steigerung von Umsatz und Kundenzufriedenheit in Online Kanälen Thomas Eherer, Tealeaf Sales D/A/CH 2013 IBM Corporation Relevante Fragestellungen im Online

Mehr

Digital. Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud

Digital. Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud Digital Digital Customer Experience Management Ein integrierter Lösungsansatz mit der Adobe Marketing Cloud Jürgen Kübler, Leiter Realisierung Digitales Leistungsangebot #digitaljourney Inhaltsverzeichnis

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

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

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

Datenschutzrichtlinien POS Solutions GmbH (POS)

Datenschutzrichtlinien POS Solutions GmbH (POS) 1 Datenschutzrichtlinien POS Solutions GmbH (POS) Letzte Änderung: November 2011 Diese Datenschutzrichtlinien stellen unsere Richtlinien und Verfahren zur Erfassung, Verwendung und Offenlegung Ihrer Daten

Mehr

Datenschutzrichtlinien POS Solutions GmbH (POS)

Datenschutzrichtlinien POS Solutions GmbH (POS) 1 Datenschutzrichtlinien POS Solutions GmbH (POS) Letzte Änderung: November 2011 Diese Datenschutzrichtlinien stellen unsere Richtlinien und Verfahren zur Erfassung, Verwendung und Offenlegung Ihrer Daten

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

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

Gruppe: ueb 23 Namen: Johannes Beck Michael Rullmann Nick Jagiella Marco Buss Robert Haase

Gruppe: ueb 23 Namen: Johannes Beck Michael Rullmann Nick Jagiella Marco Buss Robert Haase 1. Allgemeines 1.1 Einsatzumfeld ~ umfasst die webunterstützte Übungsverwaltung für Stundenten, studentische Hilfskräfte sowie auch Dozenten, die die entsprechenden Funktionalitäten des Tool vom Internet

Mehr

Wofür werden Cookies auf dieser Website NICHT verwendet?

Wofür werden Cookies auf dieser Website NICHT verwendet? Was ist ein Cookie? Ein Cookie ist eine kleine Textdatei, die eine Website in Ihrem Computer, Telefon oder einem anderen Gerät platziert, um Informationen über Ihr Surfverhalten auf dieser Website zu sammeln.

Mehr

Data Mining als Arbeitsprozess

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

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Datenschutz 1. Allgemein

Datenschutz 1. Allgemein Datenschutz 1 Allgemein Der Betreiber dieser Website nimmt den Schutz Ihrer persönlichen Daten sehr ernst. Ihre personenbezogenen Daten werden vertraulich und entsprechend der gesetzlichen Datenschutzvorschriften

Mehr

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

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

Mehr

Bereitschafts Status System Konfigurations- und Bedienungsanleitung

Bereitschafts Status System Konfigurations- und Bedienungsanleitung Die BSS-App erlaubt den eigenen Einsatzkräften intern ihren Verfügbarkeitsstatus ("verfügbar", "teilweise verfügbar" oder "abwesend") mitzuteilen. Desweiteren kann die Anfahrtszeit zum Einsatzort bzw.

Mehr

Datenschutzhinweis Datenschutz bei NETTO Reifen-Räder-Discount Erhebung und Verarbeitung persönlicher Daten

Datenschutzhinweis Datenschutz bei NETTO Reifen-Räder-Discount Erhebung und Verarbeitung persönlicher Daten Datenschutzhinweis Datenschutz bei NETTO Reifen-Räder-Discount REIFF Reifen und Autotechnik GmbH bedankt sich für Ihren Besuch auf unserer Internetseite sowie über Ihr Interesse an unserem Unternehmen

Mehr

Seminar Wirtschaftsinformatik II B.Sc.

Seminar Wirtschaftsinformatik II B.Sc. Seminar Wirtschaftsinformatik II B.Sc. Prof. Dr. Harald Ritz Sommersemester 2011 Organisatorisches Bewertungsgrundlage Seminar Wirtschaftsinformatik II (B.Sc.) (2 SWS): Vortragsdauer: eine Person, 60 min

Mehr

Step by Step Webserver unter Windows Server 2003. von Christian Bartl

Step by Step Webserver unter Windows Server 2003. von Christian Bartl Step by Step Webserver unter Windows Server 2003 von Webserver unter Windows Server 2003 Um den WWW-Server-Dienst IIS (Internet Information Service) zu nutzen muss dieser zunächst installiert werden (wird

Mehr

2. DFG- Workshop 3.1. Erfassung/Bewertung/Transfer. Beitrag von Peter Küsters. Spiegelung. Archiv. Bild 1: Unterschied zwischen FTP und Spiegelung

2. DFG- Workshop 3.1. Erfassung/Bewertung/Transfer. Beitrag von Peter Küsters. Spiegelung. Archiv. Bild 1: Unterschied zwischen FTP und Spiegelung 2. DFG- Workshop 3.1. Erfassung/Bewertung/Transfer Beitrag von Peter Küsters Formen des Datentransfers bei der Erfassung von Websites Im folgenden werden Methoden und Software zur Erfassung vorgestellt.

Mehr

Zustimmungserklärung - Werbung und Datenverarbeitung

Zustimmungserklärung - Werbung und Datenverarbeitung D BE FR GE LU NL UK 2013 11 12 STA DeclaCon ZapFi MH german.docx Zustimmungserklärung - Werbung und Datenverarbeitung Dezember 2013 Lesen Sie bitte sorgfältig die folgende Zustimmungserklärung. ZapFi International

Mehr

4 Installation und Verwaltung

4 Installation und Verwaltung Installation und Verwaltung 4 Installation und Verwaltung 4.1 Installation der Microsoft Internet Information Services 8.0 IIS 8.0 ist Bestandteil von Windows 8 und Windows Server 2012. Windows 8 Professional

Mehr

Der MMM CONNECTOR: Die Verbindung von CRM-Systemen mit den Funktionalitäten von MyMarketingMachine

Der MMM CONNECTOR: Die Verbindung von CRM-Systemen mit den Funktionalitäten von MyMarketingMachine Der MMM CONNECTOR: Die Verbindung von CRM-Systemen mit den Funktionalitäten von MyMarketingMachine Präsentation zur Bewerbung für den Innovationspreis 2007 der Initiative Mittelstand März 2007 Bewrebung

Mehr

Datenschutz. Personenbezogene Daten

Datenschutz. Personenbezogene Daten Datenschutz Wir, die Alternative für Deutschland, nehmen den Schutz Ihrer persönlichen Daten sehr ernst und halten uns strikt an die Regeln der Datenschutzgesetze. Personenbezogene Daten werden auf dieser

Mehr