Technologien und Ansätze des Data Mining

Größe: px
Ab Seite anzeigen:

Download "Technologien und Ansätze des Data Mining"

Transkript

1 Technologien und Ansätze des Data Mining Seminararbeit Fachhochschule beider Basel FHBB Departement Wirtschaft Vertiefungsrichtung I&T-Management/E-Business Autor(en): Dozent: Betreut von: Bacher Michael, Hauri Thomas Prof. Dr. Petra Schubert Risch Daniel Ort und Datum: Basel, April 2005

2 Ehrenwörtliche Erklärung Wir versichern, dass wir die vorliegende Arbeit selbstständig und ohne Benutzung anderer als der im Literaturverzeichnis angegebenen Quellen und Hilfsmittel angefertigt haben. Die wörtlich oder inhaltlich den im Literaturverzeichnis verzeichneten Quellen und Hilfsmitteln entnommenen Stellen sind in der Arbeit als Zitate kenntlich gemacht. Diese Seminararbeit ist noch nicht veröffentlicht worden. Sie ist somit weder anderen Interessenten zugänglich gemacht, noch einer anderen Prüfungsbehörde vorgelegt worden. Basel, April 2005 Michael Bacher Thomas Hauri I

3 Vorwort Im Rahmen des dritten Studienjahres des Studiengangs Betriebsökonomie Vollzeit an der Fachhochschule beider Basel (FHBB) gilt es, in den beiden Vertiefungsrichtungen je eine Seminararbeit zu schreiben. In der Vertiefungsrichtung I&T-Management/E-Business konnte aus einer Vielzahl stark differenzierender Themen eine Auswahl getroffen werden. Dabei haben wir uns für die Thematik des Data Minings (DM) entschieden. Seit Menschen gedenken, werden Daten gesammelt und gespeichert. Geschah dies anfänglich noch auf rudimentäre Art und Weise mittels Papier und Bleistift, hat mit dem Wandel der Zeit v.a. die Technologie grosse Änderungen erfahren. In den letzen Jahren haben technologische Innovationen und Verbesserungen dazu geführt, dass der zur knappen Ressource avancierte Speicherplatz auf enorme Dimensionen angewachsen ist. Dies führt dazu, dass annährend unendlich grosse Datenmengen über einen langen Zeitraum hinweg gesammelt und gespeichert werden können. Die marketingtechnische Bedeutung diverser Daten ist unbestritten. Die Unmengen von Daten, die beispielsweise durch die zahlreichen Kundenkarten (Cumulus, Supercard, MyOne) erhoben werden, führen aber dazu, dass die in diesen Daten enthaltenen Informationen nur sehr schwer und mit immer grösserem Aufwand verbunden, extrahiert werden können. Um die Informationen schneller und effizienter zugänglich zu machen, bedient man sich seit einigen Jahren dem sog. Data Mining. Mit diesen Verfahren verfolgt man das Ziel, die Datenbestände nach bestimmten Mustern ab zu suchen, um daraus zu wertvollen Erkenntnissen zu gelangen. Es handelt sich i.d.r um komplexe und zur Zeit noch ineffiziente Verfahren, die ein fundiertes Expertenwissen voraussetzen. Fast kein Unternehmen wird auf die Dauer um Data Mining herum kommen, was für uns Anlass war, dieses Thema auf eine einfache, verständliche aber dennoch möglichst vollständige Weise zu beleuchten. Ein besonderer Dank geht dabei an Herrn Daniel Risch, vom Institut für angewandte Betriebsökonomie IAB, der uns, in diesem für uns neuen Umfeld, jederzeit unterstützend zur Seite gestanden ist. II

4 Management Summary Die rasante Entwicklung auf dem Gebiet der Informationstechnologie hat dazu geführt, dass heute viele Möglichkeiten bestehen, grosse Mengen von Daten dauerhaft auf einem Datenträger zu sammeln, zu speichern und zu bearbeiten. Um daraus aber sinnvolle und brauchbare Informationen zu erhalten, genügten die manuellen Verfahren nicht mehr. Neue Verfahren, wie das Data Mining (DM), wurden entwickelt, die aber aufgrund ihrer Komplexität fundierte Kenntnisse der einzelnen Prozesse voraussetzen. Im Rahmen des Data Mining wird man immer wieder mit einer Vielzahl verschiedener Begriffe konfrontiert. Deshalb besteht ein wichtiger Bestandteil dieser Arbeit darin, die unterschiedlichen Begriffe zu erläutern sowie untereinander abzugrenzen, um dem Leser ein klares Verständnis zu vermitteln. Der Hauptteil der Arbeit richtet sich klar am Data Mining aus. Neben einer allgemeinen Betrachtung des Knowledge Discovery in Databases (KDD) werden in einer weiteren Phase die einzelnen Prozessschritte beleuchtet. Der Rohstoff aller Data Mining-Verfahren sind Daten. Es liegt auf der Hand, dass die Ergebnisse nur so gut sein können, wie die als Input vorhandenen Daten. Mit anderen Worten muss grossen Wert auf die Datenqualität gelegt werden. Ein weiteres Kapitel widmet sich daher ausschliesslich der sog. Datenproblematik, d.h. der Dynamik, der Verschmutzung, der Vollständigkeit und dem Volumen der Daten. Anschliessend an die erläuterten Prozessschritte werden noch einige typische Methoden, die sich in der Praxis bewährt haben, sowie solche, die grosses Potenzial aufweisen, wegen ihrer Komplexität aber noch nicht verbreitet sind, beschrieben. Nach einer mehrheitlich theoretischen Arbeit, wird abschliessend noch ein kurzer Blick in die Praxis geworfen. Anhand weniger Beispiele soll gezeigt werden, welchen Stellenwert Data Mining in der Wirtschaft allgemein und im betrieblichen Alltag speziell hat und wie die vielen theoretischen Methoden in der Praxis Anwendung finden. Eine kurze Prognose soll schliesslich aufzeigen, wie die zukünftigen Entwicklungen im Bereich des Data Mining aussehen könnten. III

5 Inhaltsverzeichnis Ehrenwörtliche Erklärung... I Vorwort... II Management Summary... III Inhaltsverzeichnis...IV Abbildungsverzeichnis...VI 1 Einleitung Ziele und Aufbau Hintergrundinformationen Abhilfe durch Data Mining Vom Zeichen bis zum Datenbanksystem Zeichen, Daten, Informationen und Wissen Datei, Datensatz, Datenbanken und Datenbanksysteme Begriffsdefinitionen und -abgrenzungen Data Warehouse Data Mining Web Mining Knowledge Discovery in Databases Eine genauere Betrachtung des KDD-Prozesses Maschinelles Lernen Statistik Datenbanksysteme Computerbasierte Entscheidungsunterstützung Visualisierung Funktionsweise/Technologien Die einzelnen Prozessschritte im KDD-Prozessmodell Task Analysis Preprocessing Data Mining Postprocessing Deployment IV

6 4 Datenproblematik Dynamik der Daten Verschmutzte Daten Fehlende Werte Unvollständige Daten Redundanz Datenvolumen Methoden des Data Mining Clusteranalyse Entscheidungsbäume Neuronale Netze Assoziationsanalyse Anwendungsbereiche des Data Mining Anwendungen im CRM und Marketing Anwendungen bei Banken und Versicherungen Anwendungen im Handel Anwendungen bei der Verbrechensbekämpfung Praxisbeispiel für Data Mining Die Banque Cantonale Vaudoise (BCV) Swisscom Fixnet Schlussbetrachtung Literaturverzeichnis V

7 Abbildungsverzeichnis Abb. 2-1: Die Beziehungen zwischen den Ebenen der Begriffshierarchie Abb. 2-2: Das Kontinuum von Daten und Informationen zum Wissen... 5 Abb. 3-1: Gesamtübersicht über die einzelnen Elemente des Data Mining Prozesses.. 7 Abb. 3-2: Begriffsabgrenzung Data Mining im engeren und im weiteren Sinne Abb. 3-3: KDD als interdisziplinärer Bereich Abb. 3-4: Die fünf Hauptschritte des KDD-Prozesses und ihre Zuordnung in verschiedenen Prozessmodellen Abb. 3-5: Ansatz eines KDD-Prozessmodells mit den fünf Hauptschritten und den wichtigsten Unteraufgaben Abb. 5-1: Cluster Abb. 5-2: Entscheidungsbaum Abb. 5-3: Neuronales Netz VI

8 Abkürzungsverzeichnis CGI CRM DB Common Gateway Interface Customer Relationship Management Datenbank DBMS Datenbankmanagementsysteme DM DW KDD OLAP SQL Data Mining Data Warehouse Knowledge Discovery in Database Online Analytical Processing Structured Query Language VII

9 1 Einleitung 1.1 Ziele und Aufbau Diese Arbeit verfolgt das Ziel, einen Überblick über das breitgefächerte Thema des Data Mining zu geben. Dazu werden einerseits die Technologien und Methoden, andererseits auch die Ansätze vorgestellt. Konkret befasst sich die Arbeit auch mit dem Potential, welches DM für die Unternehmen darstellt. Anhand einer breiten Literaturpalette wird zuerst der heutige Stand des DM beschrieben. Für ein allgemeines Verständnis gehört dazu eine Definition und Abgrenzung der Begriffe genauso wie die Erklärung der Funktionsweise einiger ausgewählter DM-Technologien. Neben der Beschreibung dieser theoretischen Ansätze wird auch auf praktische Einsatzmöglichkeiten eingegangen und mittels geeigneter Beispiele verdeutlicht. 1.2 Hintergrundinformationen Die rasante technische Entwicklung im Bereich der Informationstechnologien hat dazu geführt, dass heute die Möglichkeit besteht, viele verschiedene Arten von Daten in Datenbanken zu erfassen, zu speichern und zu bearbeiten. Diese Tatsache leitet zu den folgenden Erkenntnissen über: 1. Die vermehrte Automatisierung von Geschäftsprozessen und das automatische Erfassen und Bearbeiten alltäglicher Vorgänge, wie das Kundenverhalten in einem E-Shop, Kreditkartentransaktionen sowie Einkäufe durch Scannerkassen und Treuekarten für Kunden, führen zu einer starken Zunahme der vorhandenen Datenbestände. 2. Die Fortschritte in der Technologie, die Leistungsfähigkeit der Speichermedien, die sinkenden Kosten sowie die Vernetzung und damit der leichte Zugang zu schnellen Rechnern leisten ihrerseits einen grossen Beitrag dazu, sehr grosse Datenmengen über lange Zeiträume hinweg zu erfassen, zu speichern und zu verarbeiten. Diese Erkenntnisse machen deutlich, dass Daten in sehr umfangreichem Masse erhoben werden können. In einem E-Shop oder auf einer Website können mit verschiedenen Analysemethoden unzählige Informationen gesammelt werden über: die Zugriffe auf Webseiten (Logfile-Analyse), 1

10 die Bewegung und das Interesse des Nutzers sowie möglichen Killer-Events (z.b. wo erfolgt der Abbruch des Besuches?) (Clickstream-Analyse), die Analyse eines spezifischen Kundenverhaltens (Client-basiertes Tracking), das Ausmass, in dem das Produkt von einem Kunden genutzt werden kann (Usability- Tests) und die Bausteine einer Website, die anhand eines Kriterienkataloges systematisch bewertet werden (Web Assessment). Daraus ergibt sich schliesslich die Möglichkeit, den eigenen Webauftritt, das Produktangebot sowie die Prozesse besser auf die Kundenbedürfnissen auszurichten. Die Probleme die sich aus der Datensammlung für die Unternehmen ergeben, liegen in der Unmenge von Daten die auf diese Weise über Produkte, Kunden, Lieferanten etc. gesammelt werden. Vielfach bleiben diese Datenmengen ungenutzt und die darin enthaltenen Zusammenhänge verborgen. 1.3 Abhilfe durch Data Mining Mit der Anlegung solcher Datenbestände wird ein bestimmtes Ziel verfolgt. Diese enthalten eine ganze Menge zusätzlicher Informationen denen oftmals keine Beachtung geschenkt wird. Wie also kann man trotzdem nützliche Informationen extrahieren? In frühen Jahren, als die Datenmengen noch überschaubar waren, genügte eine manuelle Analyse. Aufgrund vorliegender Datensammlungen formulierte ein Experte eine Vermutung über mögliche Eigenschaften und Zusammenhänge. Anschliessend wurde diese in eine Datenbankabfrage transformiert, worauf man zu der Frage passende Datensätze erhielt. Mit der Zeit ergaben sich aber einige Probleme. Die Menge und die Komplexität der Daten nahm zu, was die Formulierung von Hypothesen zunehmend schwieriger machte. Dazu kam noch die potentielle Gefahr, dass aufgrund einer Voreingenommenheit des Experten die Daten nicht auf alle möglichen Informationen hin untersucht wurden. Die Qualität der Daten 1 wurde nur ungenügend genutzt was dazu führte, dass interessante Zusammenhänge nicht erkannt wurden. 2 1 Vgl. Kapitel 4, S vgl. Probst, Raub, Romhardt, 1998, S. 36ff. 2

11 Die Zunahme der Datenbestände zog immer zeitaufwändigere und kostspieligere Auswertungen mit sich. Es drängte sich folglich die Nachfrage nach schnelleren und v.a. effizienteren Analysemethoden auf, mit dem Ziel, sich gegenüber der Konkurrenz einen Wettbewerbsvorteil verschaffen zu können. Bei einem dieser Verfahren handelt es sich um Data Mining (engl. to mine = schürfen, graben, abbauen). Data Mining-Verfahren verbinden Methoden aus den Bereichen Statistik, Maschinelles Lernen, Datenbanken und Visualisierungen 3, um den Prozess des Auffindens verborgener und interessanter Informationen in grossen Datenbeständen umfassend zu unterstützen. 4 Es geht darum, aufgrund der Daten, Trends und Muster zu finden. Diese Vorgehensweisen behelfen sich einer Vielzahl verschiedener Vermutungen resp. Hypothesen die sie generieren, um so wichtige Zusammenhänge aus den Daten herausfiltern zu können. Dennoch dürfen sie nicht als unfehlbare Lösungen betrachtet werden. Aufgrund der Komplexität könnte man hier einen Widerspruch zur geforderten Effizienz vermuten. Letztere bezieht sich auf die Möglichkeit, aus einer Datenmenge viel mehr Informationen extrahieren zu können als mit ursprünglichen Methoden. Der Anwender von DM-Verfahren muss ein fundiertes Wissen über die zu analysierenden Daten, die damit verfolgte Aufgabe und die zu erreichende Zielsetzung haben. Die automatisierte Auswertung der Daten und die damit verbundene Tatsache, dass der Auswertungsprozess nur bedingt überwacht werden kann, zwingt den Nutzer dazu, eine sehr sorgfältige Bewertung der Ergebnisse vorzunehmen. 5 3 Vgl. Kapitel 3.4.1, S Hoche, Krogel, Wrobel, 2005, S Vgl. Hoche, Krogel,Wrobel, 2005, S. 2; Queckbörner, 2004, S. 2. 3

12 2 Vom Zeichen bis zum Datenbanksystem Das erste Kapitel gab einen groben Überblick über die Ziele dieser Arbeit und einige Hintergrundinformationen über DM. Im Rahmen von DM geht es um die Analyse grosser Datenbestände auf sinnvolle Muster und/oder Regeln. Um diese verarbeiten zu können, benötigt man Informationen, die man sich zuerst beschaffen muss. Für ein umfassendes Verständnis werden im Folgenden einige zentrale Begriffe erläutert sowie abgegrenzt. Die Ausführungen dieses Kapitels stützen sich zu einem Grossteil auf das Buch Wissen managen von Probst, Raub, Romhardt, Zeichen, Daten, Informationen und Wissen Daten entstehen aus einem Gebilde unstrukturierter Zeichen, die durch entsprechende Syntaxregeln (griech. Syntax = Zusammenordnen, Daten richtig verstehen) in einen Zusammenhang gebracht werden. Sie sind der Rohstoff für die Datenverarbeitung. Stellt man diese in einen bestimmten Kontext und leitet dadurch einen Zweckbezug her, ergeben sich für den Empfänger Informationen. Abb. 2-1: Die Beziehungen zwischen den Ebenen der Begriffshierarchie. 6 6 Quelle: Probst, Raub, Romhardt, 1998, S

13 Durch die Vernetzung der Informationen können diese in einem vorher definierten Umfeld genutzt werden. In diesem Fall spricht man von Wissen. Dabei wird Wissen gelegentlich auch als klassifizierte und interpretierte ( veredelte ) Information verstanden. Diese Absicht verfolgt man mit den Analysen im Rahmen von DM. Es geht darum, die grossen Datenmengen zu analysieren und daraus Informationen zu gewinnen, die in einer späteren Phase, und durch zweckmässigen Einsatz derselben, als Wissen im Unternehmen angewendet werden können. Es handelt sich also um eine Form von Wissensmanagement. Damit aus den Analysen auch die richtigen Schlüsse gezogen werden, bedarf es einer Aufklärung resp. einer Änderung der Denkhaltung bei Führungskräften und Mitarbeitern. Zwischen Daten, Informationen und Wissen muss eine klare Unterscheidung vorgenommen werden. Dennoch müssen die Zusammenhänge untereinander erkannt werden. Voraussetzung für ein erfolgreiches DM ist der Wille aber auch die Fähigkeit der Mitarbeiter, die im Unternehmen zur Verfügung stehenden Informationen für ihre Tätigkeiten zu nutzen. Daten...Information...Wissen unstrukturiert...strukturiert isoliert...verankert kontext-unabhängig... kontext-abhängig geringe Verhaltenssteuerung...hohe Verhaltenssteuerung Zeichen... kognitive Handlungsmuster Distinction... mastery/capability Abb. 2-2: Das Kontinuum von Daten und Informationen zum Wissen. 7 Um Wissensmanagement und damit auch DM vorteilhaft zu betreiben, genügt die individuelle Betrachtung von Daten, Informationen und Wissen nicht ( Abb. 2-2). Viel sinnvoller erscheint daher die Vorstellung eines Kontinuums zwischen den Polen Daten und Wissen. Bei der Lösung von Aufgaben und/oder Problemen handelt es sich um einen kontinuierlichen Prozess und nicht um abgegrenzte Teilschritte. Genau gleich verhält es sich beim DM, wo man sich zuerst mit einzelnen Zeichen auseinandersetzen muss, um sie anschliessend zu kognitiven Handlungsmustern zu verdichten. 7 Quelle: Probst, Raub, Romhardt, 1998, S

14 2.2 Datei, Datensatz, Datenbanken und Datenbanksysteme 8 Eine Datei ist eine Zusammenfassung zusammengehöriger Daten. Gleichartige und/oder gleichstrukturierte Daten (z.b. Kundennummer, Name, Adresse), meist als Teil einer Datei, werden zu einem Datensatz (=Tupel) zusammengefasst. Fasst man Datensätze zusammen, die in einem gewissen Kontext stehen (z.b. alle Kunden einer Filiale), so entsteht eine Datentabelle. Die verschiedenen Datentabellen werden dann in einer Datenbank zusammengefasst. Die Verbindungen zwischen einzelnen Datentabellen werden als Beziehungen bezeichnet. Im Relationenmodell werden diese zwischen zwei Tabellen über ein Verbundattribut hergestellt, das in beiden Tabellen vorkommt. Eine Datenbank ist die elektronische Form des Karteikastens. Es handelt sich um eine Sammlung von Daten in Form von Tabellen die inhaltlich zusammengehören und strukturiert sind. Ein Datenbankobjekt ist der Teil einer Datenbank, den der Benutzer ändern kann. Beispiele von Datenbankobjekten sind Tabellen, Abfragen, Formulare, Berichte, Programme, Integritätsregeln, Synonyme, Datentypen und Indizes. Ein Datenbanksystem schlussendlich besteht aus einer oder mehreren Datenbanken und einem dazugehörigen Datenbankmanagementsystem. Unter einem Datenbankmanagementsystem (DBMS) versteht man ein Programm zum Aufbau, zur Kontrolle, zur Änderung und zur Abfrage von Datenbanken; ein Programm also, welches die Datenbank verwaltet. Ein Data Warehouse (DW) 9 das auf die Daten eines Funktionsbereichs, einer Abteilung, einer Arbeitsgruppe oder einer einzelnen Person beschränkt bleibt wird als Data Mart beschrieben. Daten werden aus einem zentralen Data Warehouse extrahiert und stehen in detaillierterer und speziellerer Form dezentral zur Verfügung. Metadaten sind Daten, welche Rohdaten und -prozesse beschreiben. Metadaten werden meist in einem Metadatenbanksystem gesammelt. Beispiele sind Beschreibungen von Attributen, Datentypen, Integritätsregeln und Prozesse. 8 Vgl. Abts, Mülder, 2002, S. 132; Steiner, 2003, S. 14, Lusti, 2002, S. 293ff. 9 Vgl. Kapitel 3.1, S. 8. 6

15 3 Begriffsdefinitionen und -abgrenzungen In der Literatur kursiert eine Vielzahl von Definitionen für die Begriffe Data Mining, Data Warehouse, Web Mining. Dabei gibt es weder falsch noch richtig, jedoch ist es wichtig, Klarheit zu schaffen, was unter den Begriffen zu verstehen ist und wie sie verwendet werden. Abb. 3-1 gibt eine Übersicht über den DM-Prozess und zeigt auf, in welcher Beziehung die verschiedenen Begriffe zueinander stehen und wie sie im Prozess einzuordnen sind. In den folgenden Kapiteln werden ausgewählte Begriffe definiert und genauer erläutert. Datenquellen Datenvorbereitung Datenspeicherung Analysemethoden Umsetzung Fragebögen Externe Daten extrahieren säubern transformieren Data Mart Datenanalyse Reporting OLAP Mustererkennung Ausnahmefälle Segmentierung Umsetzung Information Papierreports Browser Funktionale Bereichssysteme ERP- Systeme Andere Transaktionssysteme berechnen anreichern organisieren laden Data Warehouse Data Mart Klassifikation Profilierung Scoring Prognosen Simulationen Optimierungen Modellbildung Websever Browser Browser Desktop- Software Legacy- Datenbanken Abb. 3-1: Gesamtübersicht über die einzelnen Elemente des Data Mining Prozesses Quelle: Schneider, 2005, S

16 3.1 Data Warehouse Data Warehouses unterstützen strategische und taktische Entscheidungen, indem sie umfangreiche Auszüge operativer Daten periodenweise und zusammengefasst oder detailliert zur flexiblen Analyse bereitstellen. 11 Ein DW ist eine analytische Datenbank 12, d.h. es werden Datenbankobjekte zusammen getragen, zwischen denen eine Beziehung besteht. Eines der Motive kann die Integration verschiedener Datenquellen in einer Datenbank sein, die als Grundlage für die eingesetzten DM-Werkzeuge dient. Es gilt, die von mehreren operativen Systemen verwalteten Daten (Verkaufs-, Liefer-, Lager- und Marktforschungsinformationen) zusammenzufassen. Es geht also darum, Daten zusammenzuführen und die Informationsflut zu lenken. Eine Reduktion des Datenvolumens ist dabei kaum möglich. Durch Umstrukturierung, Verdichtung und den Einsatz von Abfrage- und Analyseinstrumenten soll die Komplexität zwischen den Daten reduziert werden. Gerade der Einbezug der Zeitdimension - Daten werden über grössere Zeiträume gesammelt - weitet das Volumen stark aus, so dass lediglich die erwähnten Mittel die Mengenausweitung kompensieren können. 3.2 Data Mining Nach Säuberlich stellt DM einen Abschnitt des Knowledge Discovery in Database (KDD)- Prozesses 13 dar: Data Mining ist ein Teilschritt des KDD-Prozesses, der aus bestimmten Algorithmen besteht, die, in akzeptabler Rechenzeit, aus einer vorgegebenen Datenbasis eine Menge von Mustern liefern. 14 Aus einer vorgegebenen Datenbasis sollen Informationen abgeleitet werden, die dem Anwender neue Einsichten zu erfolgsversprechenden Aktionen liefern. So kann als eines der Ziele von DM das Bereitstellen allgemein verwendbarer, effizienter Methoden, um aus grossen Datenbeständen die bedeutsamsten und aussagekräftigsten Muster zu identifizieren, festgehalten werden. 11 Lusti, 2002, S Vgl. Kapitel 2.2, S Vgl. Kapitel 3.4, S Säuberlich, 2000, S

17 Der DM-Prozess kann entweder, wie aus Abb. 3-2 ersichtlich, im engeren oder weiteren Sinn betrachtet werden. Zu Beginn steht eine vom Anwender vorgegebene Hypothese (im engeren Sinn), aufgrund derer man zu Aussagen über die Daten gelangt. Oder es sollen allgemein formulierte Auffälligkeiten gesucht werden, die zum Schluss in Form von Aussagen oder Regeln präsentiert werden. Data Mining im engeren Sinne Scannen der Datenbasis Hypothesengenerierung Analyse der Datenbasis/ Ergbnisausgabe Interpretation der Ergebnisse Data Mining System Anwender Data Mining im weiteren Sinne Scannen der Datenbasis Hypothesengenerierung Analyse der Datenbasis/ Ergbnisausgabe Interpretation der Ergebnisse Anwender Anwender Data Mining System Anwender Abb. 3-2: Begriffsabgrenzung Data Mining im engeren und im weiteren Sinne. 15 Trotz dieser Unterscheidung wird davon ausgegangen, dass am Anfang jeder KDD- oder DM-Anwendung ein mehr oder weniger konkretes Analyseziel steht, was nicht im Widerspruch zur vorhergehenden Unterscheidung steht. 3.3 Web Mining Unter Web Mining versteht man die Übertragung von Techniken des Data Mining zur (teil)automatischen Extraktion von Informationen aus dem Internet, speziell dem World Wide Web. 16 Beim Web Mining geht es darum, die Techniken des DM auf Web-Datenressourcen anzuwenden. Die Aufgaben decken sich somit grösstenteils mit denen des DM. Neue Kunden oder Geschäftsmöglichkeiten sollen gefunden, die Konkurrenz analysiert und beobachtet und nicht zuletzt die Bedürfnisse webbasierter Applikationen erfüllt werden. 15 Quelle: Säuberlich, 2000, S Leimstoll, Skript Data Warehouse und Data Mining, 2004, S

18 Beim Web-Mining können drei Untersuchungsgegenstände unterschieden werden: Web Content (Daten direkt aus Webseiten) Web Structure (Hyperlink-Struktur zwischen Webseiten) Web Usage (Benutzerverhalten) 3.4 Knowledge Discovery in Databases Knowledge Discovery in Databases (KDD) bezeichnet den nichttrivialen Prozess der Identifikation valider, neuartiger, potentiell nützlicher und klar verständlicher Muster in Daten. 17 KDD beinhaltet somit den gesamten Prozess der Wissensfindung, also auch die Aufbereitung klar verständlicher Aussagen und Zusammenhänge über die zuvor gewonnen Daten Eine genauere Betrachtung des KDD-Prozesses Das Forschungsgebiet DM entstand aus einst isoliert arbeitenden Forschungsrichtungen. Durch die Verschmelzung war es möglich aus einer Veilzahl von Disziplinen zu profitieren. Wie aus Abb. 3-3 hervorgeht, gibt es mehrere Forschungsgebiete, die einen direkten Einfluss auf das interdisziplinäre Gebiet KDD und DM haben, auf die in den folgenden Abschnitten eingegangen wird. Computerbasierte Entscheidungsunterstützung Maschinelles Lernen Datenbanksysteme KDD / Data Mining Visualisierung Statistik Abb. 3-3: KDD als interdisziplinärer Bereich Säuberlich, 2000, S Quelle: Säuberlich, 2000, S

19 Maschinelles Lernen Aus den vorhandenen Datenbeständen soll es dem System möglich sein, selbständig Wissen aufzubauen resp. auszubauen. Maschinelles Lernen fungiert dabei als Oberbegriff für verschiedene Teilgebiete wie symbolisches Lernen, Neuronale Netze 19 oder genetische Algorithmen. Es sollen dabei auch Mängel der vorgegebenen Wissensbasis behoben werden. Da der Ausgangspunkt des DM in der Regel grosse Datenbanken sind, kommen aus einer Vielzahl folgende Lernsituationen und -strategien 20 in Frage: Lernen aus Beispielen: Ableiten von Informationen aus positiven und negativen Beispielen Lernen durch Beobachten: Klassifikation durch Induktion als grundlegendes Konzept Statistik Statistische Verfahren werden mit unterschiedlichem Verwendungszweck im DM eingesetzt. So werden solche Verfahren zur Mustererkennung (Clusteranalysealgorithmen, Bayes- Verfahren) oder zur Musterbeschreibung (Regressions-oder Diskriminazanalyse) verwendet. Es ist jedoch immer wieder schwierig eine klare Abgrenzung zwischen der Statistik und DM vorzunehmen, da viele im DM eingesetzte Verfahren ihren Ursprung in der Statistik haben. Es ergeben sich teilweise auch Probleme, da für den Einsatz statistischer Verfahren vom Anwender Hintergrundwissen gefordert wird und bei grossen Datenbanken Effizienzprobleme auftauchen können Datenbanksysteme Die von Datenbanksystemen bereitgestellten Funktionen umfassen in erster Linie speichern, ändern, löschen und abfragen. Die Abfragen müssen hierbei vom Anwender selbst formuliert und eventuell interpretiert werden. Mit den bereits bekannten SQL-Abfragen sind keine komplexen Abfragen zu bewältigen. Das OLAP-Konzept steuert in die Richtung, kombinierte Abfragen zu ermöglichen. 19 Vgl. Kapitel 5.3, S Säuberlich, 2000, S

20 Datenbankmanagementsysteme stellen die nötige Infrastruktur für das Speichern, den Zugriff oder das Verändern von Daten zur Verfügung, mit deren Hilfe im DM Beziehungen und Muster erkannt werden können Computerbasierte Entscheidungsunterstützung Verschiedenste Konzepte, die zur Aufgaben hatten, den Managern auf verschiedenen Ebenen die nötigen Informationen bereit zu stellen, wurden entwickelt, teilweise aber wieder verworfen. Es kann dabei zwischen informationsorientierten (Management Informations-), modellorientierten (Decision Support-) und wissensorientierten (Experten-) Systemen unterschieden werden. Nicht alle dieser Systeme konnten die Erwartungen erfüllen und wurden wieder verworfen. Andere wiederum sind stets weiterentwickelt worden und werden noch heute eingesetzt Visualisierung Visualisierungstechniken kommen vorwiegen zum Einsatz, weil der Mensch Zusammenhänge oder Abweichungen in graphischen Darstellungen um einiges schneller erkennen kann. So kommen diese Techniken in verschiedenen Phasen des KDD-Prozesses zur Anwendung, sowohl bei ersten Auswertungen als auch bei der eigentlichen Analyse des Erkennens von Zusammenhängen Funktionsweise/Technologien Zur Abbildung des KDD-Prozesses und dem darin integrierten DM bestehen diverse Modelle. Obwohl diese auf den ersten Blick unterschiedlich zu sein scheinen, können die einzelnen Prozessschritte losgelöst von den anderen Modellen betrachtet werden. Dabei zeigt sich, dass sich ein Grossteil der Modelle gleicht und in der Grundstruktur eine grosse Ähnlichkeit besteht. Dieser Quervergleich wird in Abb. 3-4 gemacht. Die einzelnen Prozessmodelle werden im Buch von Säuberlich beschrieben. Da aufgrund dieser Analyse fünf Hauptschritte des KDD-Prozesses herausgefiltert werden können, ist es sinnvoll, im Folgenden nicht die einzelnen Modelle, sondern die Schritte genauer zu betrachten. 12

21 Task Analysis Preprocessing Data Mining Postprocessing Deployment Brachman, Anand (1996) Task Discovery Data Discovery Data Cleaning Model Development Data Analysis Output Generation Chapman et al. (1998) Business Understanding Data Understanding Data Preparation Modelling Evaluation Task Discovery Fayyad et al. (1996a) Selection Preprocessing Transformation Data Mining Interpretation / Evaluation John (1997) Define the Problem Extraxt Data Data Engineering Algorithm Engineering Run Mining Algorithm Analyze Results Wirth, Reinartz (1996) Requirement Analysis Knowledge Aquisition Preprocessing Pattern Extraction Postprocessing Deployment Abb. 3-4: Die fünf Hauptschritte des KDD-Prozesses und ihre Zuordnung in verschiedenen Prozessmodellen Die einzelnen Prozessschritte im KDD-Prozessmodell In Abb. 3-5 ist das verallgemeinerte KDD-Prozessmodell, mit DM als Teilschritt, aufgeführt. Dieses Modell wurde anhand der Analyse der verschiedenen Prozessmodelle, wie in Abschnitt erläutert, erstellt Task Analysis Zu Beginn des gesamten Prozesses steht das Definieren der Aufgabe, die sich aus einem vorhandenen Problem ergibt. Dabei muss beachtet werden, dass die Aufgaben genug konkretisiert und klar spezifiziert werden. Dies ist durch eine Analyse des Anwendungsgebietes und den bestehenden Umständen zu lösen. Inbegriffen ist hier das Sammeln der für die Auswertung nötigen Daten und ein erstes exploratives Auswerten derselben. Beispiel: Eine Grossbank möchte Kunden identifizieren, die eine enge Beziehung zu bestimmten Bankprodukten, wie Anlagefonds oder Kreditkarten, aufweisen. Über Mailings als auch über beratergestützte Kampagnen sollen diese dann gezielt angesprochen werden. 21 Quelle: Säuberlich, 2000, S

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

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

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

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

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

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

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Sperrvermerk Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Bachelorarbeit Zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

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

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

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

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

Mehr

7.4 Analyse anhand der SQL-Trace. 7.3.5 Vorabanalyse mit dem Code Inspector

7.4 Analyse anhand der SQL-Trace. 7.3.5 Vorabanalyse mit dem Code Inspector 7.4 Analyse anhand der SQL-Trace 337 7.3.5 Vorabanalyse mit dem Code Inspector Der Code Inspector (SCI) wurde in den vorangegangenen Kapiteln immer wieder erwähnt. Er stellt ein paar nützliche Prüfungen

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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die mu l- tidimensionale Betrachtung von Daten zwecks Ermit t- lung eines entscheidungsunterstützenden

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

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

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

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

Mehr

Business and Data Understanding. Business und Data Understanding

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

Mehr

Industrie & Wirtschaft. Unsere Business-Lösungen

Industrie & Wirtschaft. Unsere Business-Lösungen Industrie & Wirtschaft Unsere Business-Lösungen Unsere Business-Lösungen für Industrie und Wirtschaft Wir sprechen Ihre Sprache! Auch wenn die Wirtschaft boomt: Als Unternehmer bekommt man nichts geschenkt,

Mehr

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,

Mehr

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

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

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

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

Mehr

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

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

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

Mehr

Analytisches Fundraising

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

Mehr

Data Mining - 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

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

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

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

Mehr

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung

Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung Aufbau einer erfolgreichen Multi-Channel-Kundenbetreuung Als Unternehmen vor einigen Jahren Systeme für das Customer Relationship Management (CRM) einführten, handelte es sich meist um strategische Investitionen,

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem

Fachbericht zum Thema: Anforderungen an ein Datenbanksystem Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank

Mehr

1 Einleitung. 1.1 Motivation

1 Einleitung. 1.1 Motivation 1 Einleitung 1.1 Motivation Eine zunehmende Globalisierung in Verbindung mit der Verbreitung des elektronischen Handels, stets kürzer werdende Produktlebenszyklen und eine hohe Variantenvielfalt konstituieren

Mehr

Business Intelligence

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

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 378 Umsetzung ausgewählter Supply-Chain-Operations-Reference-Metriken durch das

Mehr

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

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

Mehr

Entscheidungsunterstützungssysteme

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

Mehr

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels Handlungsempfehlungen zur Nutzung von Social Media zur Gestaltung von Wissensmarktplätzen am Beispiel des europäischen Förderprojektes Win-Vin: Wissen nutzen im Norden Bachelor Thesis an der Fachhochschule

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

Web Market Research.360

Web Market Research.360 .360 Kunden verstehen durch Zuhören - nicht durch Befragen! Research, Analysis & Consulting www.schwerdtundfeger.de trifft das Social Als Marktforschung kann man den Als Social wird die Gesamtheit von

Mehr

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

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

Mehr

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

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

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

Mehr

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung !DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte

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

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT April 2013 ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT von Maren Weiß & Prof. Dr. Michael Durst Welche Rolle spielen Trends in den Frühen Phasen im Innovationsmanagement? Wie setzen Unternehmen Trends

Mehr

Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate

Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate von Julia Becker Erstauflage Diplomica Verlag 2015 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 95850 860 6 schnell und portofrei

Mehr

Aufgaben zur fachwissenschaftlichen Prüfung Modul 3 Daten erfassen, ordnen, verarbeiten und austauschen: Schwerpunkt Datenbanken

Aufgaben zur fachwissenschaftlichen Prüfung Modul 3 Daten erfassen, ordnen, verarbeiten und austauschen: Schwerpunkt Datenbanken Aufgaben zur fachwissenschaftlichen Prüfung Modul 3 Daten erfassen, ordnen, verarbeiten und austauschen: Schwerpunkt Datenbanken 30 Wozu dient ein Primärschlüssel? Mit dem Primärschlüssel wird ein Datenfeld

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

Mehr

Heute entdecken, was den Kunden morgen begeistert.

Heute entdecken, was den Kunden morgen begeistert. Consulting Heute entdecken, was den Kunden morgen begeistert. Mit effizienten Tools Innovationen schaffen und Kunden gewinnen. Eine Kooperation zwischen MBtech Consulting und dem Spiegel Institut Mannheim

Mehr

Integration Services - Dienstarchitektur

Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Integration Services - Dienstarchitektur Dieser Artikel solle dabei unterstützen, Integration Services in Microsoft SQL Server be sser zu verstehen und damit die

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

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

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Titel des Lernmoduls: Customer Relationship Management Themengebiet: New Economy Gliederungspunkt im Curriculum: 2.2.1.3.7 Zum Inhalt: Diese Modul befaßt sich mit der Vorgehensweise

Mehr

Einführung in Datenbanksysteme. H. Wünsch 01.2001

Einführung in Datenbanksysteme. H. Wünsch 01.2001 Einführung in Datenbanksysteme H. Wünsch 01.2001 H. Wünsch 01/2001 Einführung Datenbanken 2 Was sind Datenbanken? Datenbanken sind Systeme zur Beschreibung, Speicherung und Wiedergewinnung von Datenmengen.

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

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

Mehr

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

Mehr

Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services

Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services Erstellen von Business Intelligence mit Office XP und SQL 2000 Analysis Services (Engl. Originaltitel: Building Business Intelligence with Office XP and SQL 2000 Analysis Services) In diesem Artikel wird

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

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

Mehr

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

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

Datenbanken für Online Untersuchungen

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

Mehr

Marktforschung. Prof. Dr. Fritz Unger. Oktober 2015

Marktforschung. Prof. Dr. Fritz Unger. Oktober 2015 Prof. Dr. Fritz Unger Marktforschung Oktober 2015 MASTER OF BUSINESS ADMINISTRATION IM FERNSTUDIENGANG BETRIEBSWIRTSCHAFTSLEHRE Modul 1 Marketing 1.1 Marketing als marktorientierte Unternehmensführung

Mehr

VisualCockpit. agile business analytics

VisualCockpit. agile business analytics VisualCockpit agile business analytics Agile Business Analytics mit VisualCockpit Für Unternehmen wird es immer wichtiger die gesamte Wertschöpfungskette aus Daten, sowohl für das operative Geschäft als

Mehr

IT-Kompaktkurs. Datenbanken Skript zur Folge 5. Prof. Dr. Georg Herde Fachhochschule Deggendorf

IT-Kompaktkurs. Datenbanken Skript zur Folge 5. Prof. Dr. Georg Herde Fachhochschule Deggendorf IT-Kompaktkurs Skript zur Folge 5 Prof. Dr. Georg Herde Fachhochschule Deggendorf Semantisches Datenmodell, Entity-Relationship, Normalformen Bei der Entwicklung einer Datenbank wird das Ziel angestrebt,

Mehr

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor Hochschule Harz Wernigerode Fachbereich Wirtschaftswissenschaften Studiengang Wirtschaftsinformatik Diplomarbeit gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

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

Mehr

Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010

Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010 Sächsisches E-Competence Zertifikat Evaluation der Selbstlernmodule Dokumentation des Evaluationsprozesses - Pilotphase im Cluster Dresden - April 2010 [Dokumentation des Evaluationsprozesses Zielsetzung,

Mehr

Praxisorientierte. Weiterbildung KURSE 2014. dynelytics AG SCHNECKENMANNSTRASSE 25 CH-8044 ZÜRICH

Praxisorientierte. Weiterbildung KURSE 2014. dynelytics AG SCHNECKENMANNSTRASSE 25 CH-8044 ZÜRICH KURSE 2014 Praxisorientierte Weiterbildung dynelytics AG SCHNECKENMANNSTRASSE 25 CH-8044 ZÜRICH TELEFON (+41) 44 266 90 30 FAX (+41) 44 266 90 39 E-MAIL INFO@DYNELYTICS.COM Dynelytics IBM SPSS-Kurse 2014

Mehr

Einführung in Business Intelligence

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

Mehr

Marketingkonzept. Marketing für den KMU / J. Schoch

Marketingkonzept. Marketing für den KMU / J. Schoch Marketingkonzept 2. Unterrichtsblock Marketing für den KMU Marketing ist ein Kreislauf, der immer wieder durchlaufen wird. Die quantitativen und die qualitativen Ergebnisse aus der Auswertung müssen dabei

Mehr

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04.

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04. Folie Retargeting intelligent Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Big Data Analytics Roadshow Düsseldorf, 24.04.2012 Nils Grabbert Director Data Science Der Retargeting

Mehr

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER

DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.

Mehr

Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns

Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns Travian Games nutzt Pentaho Datenintegration und Business Analytics zur Optimierung des Spieldesigns Pentaho ermöglicht Analyse der von den über 120 Millionen registrierten Spielern generierten Datenflut

Mehr

Canon Business Services

Canon Business Services Canon Business Services Transforming Your Business Canon Business Services Die neue Dynamik des Kundenverhaltens führt zu Veränderungen in den Arbeitsweisen von Unternehmen und damit verändern sich auch

Mehr

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung 1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil

Mehr

1 Problemstellung. 1.1 Aktualität des Themas

1 Problemstellung. 1.1 Aktualität des Themas 1 1 Problemstellung 1.1 Aktualität des Themas Aufgrund der ständig wechselnden Markt- und Umweltbedingungen unterliegen auch die Instrumente des Marketing einem stetigen Wandel. Die daraus resultierende

Mehr

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

Data Warehouse ??? Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle ??? Zusammenfassung, Ergänzung, Querverbindungen, Beispiele A.Kaiser; WU-Wien MIS 188 Data Warehouse Ein Data Warehouse ist keine von der Stange zu kaufende Standardsoftware, sondern immer eine unternehmensindividuelle

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

Unabhängige Vermögensverwalter in der Schweiz

Unabhängige Vermögensverwalter in der Schweiz Unabhängige Vermögensverwalter in der Schweiz Herausforderungen und Perspektive Diplomarbeit in Betriebswirtschaftslehre am Institut für schweizerisches Bankwesen der Universität Zürich bei PROF. DR. HANS

Mehr

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

Mehr

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

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

Mehr

Einladung zu den IBM SPSS Data und Text Mining Tagen. Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining

Einladung zu den IBM SPSS Data und Text Mining Tagen. Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining Einladung zu den IBM SPSS Data und Text Mining Tagen Auch in Ihrer Nähe! Gewinnen Sie entscheidungsrelevantes Wissen mit Data und Text Mining Lassen Sie Daten und Texte für sich arbeiten mit Smarter Analytics

Mehr

Oracle-Statistiken im Data Warehouse effizient nutzen

Oracle-Statistiken im Data Warehouse effizient nutzen Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante

Mehr

Oracle, Datenbank, PowerPoint, Dokumente, PPTX, Automatisierung, Prozess-Automatisierung, smaxt

Oracle, Datenbank, PowerPoint, Dokumente, PPTX, Automatisierung, Prozess-Automatisierung, smaxt Automatische Generierung serialisierter, individualisierter PowerPoint-Präsentationen aus Oracle Datenbanken Andreas Hansel Symax Business Software AG Parkstrasse 22, D-65189 Wiesbaden Schlüsselworte Oracle,

Mehr

it-check EGELI nutzen sie ihr gesamtes it-potenzial informatik

it-check EGELI nutzen sie ihr gesamtes it-potenzial informatik it-check nutzen sie ihr gesamtes it-potenzial EGELI informatik optimieren sie ihre it-welt Dr. Eliane Egeli Mit unseren IT-Checks profitieren Sie in mehrfacher Hinsicht. Etwa durch die bessere Nutzung

Mehr

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

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

Mehr

OLAP und Data Warehouses

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

Mehr

ERP-Systemeinsatz bewerten und optimieren

ERP-Systemeinsatz bewerten und optimieren ERP-Systemeinsatz bewerten und optimieren Handlungsfelder zur Optimierung des ERP-Systemeinsatzes ERP-Lösungen werden meist über viele Jahre lang eingesetzt, um die Geschäftsprozesse softwaretechnisch

Mehr