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

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

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

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

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

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

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

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

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

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

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

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

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

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-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

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

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

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

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

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

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Basiswissen E-Mail-Marketing

Basiswissen E-Mail-Marketing Thomas Johne Basiswissen E-Mail-Marketing Kunden binden - Absatz steigern - Kosten senken Schriftenreihe: Das kleine 1x1 des Marketings Inhaltsverzeichnis Vorwort 7 1 E-Mail-Marketing: Neue Wege zum Kunden

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

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

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

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

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

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

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

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

Mehr

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

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

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren Pressemitteilung Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren 21. Januar 2008, sieber&partners, Norman Briner 1 Vorwort Die bessere Nutzung und Auswertung

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

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

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

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

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

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

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

Herausforderungen des Continuous Auditing im Big Data Umfeld

Herausforderungen des Continuous Auditing im Big Data Umfeld Herausforderungen des Continuous Auditing im Big Data Umfeld Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

Mehr

Einführungsveranstaltung: Data Warehouse

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

Mehr

Künstliche Neuronale Netze und Data Mining

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

Mehr

Towards Automated Analysis of Business Processes for Financial Audits

Towards Automated Analysis of Business Processes for Financial Audits Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie

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

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

Ziele und Strategien bei der Einführung von CRM

Ziele und Strategien bei der Einführung von CRM Ziele und Strategien bei der Einführung von CRM Viele Unternehmen nutzen CRM für sich, um ihre Kundennähe zu verbessern und Ihr Geschäft auszubauen. Dieser Kurzvortrag zeigt die Ziele und strategischen

Mehr

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit Universität Passau Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth Masterarbeit "Identifikation von Erfolgsfaktoren für eine Facebook- Recruiting-Strategie"

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

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

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Einführung in die Wissensverarbeitung und Data Mining

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

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage Management Summary Management Summary Kunden - Erfolgsfaktor Nummer 1 Es ist mittlerweile ein offenes Geheimnis, dass Unternehmen

Mehr

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

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

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

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

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11

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

Swiss Marketing Leadership Studie 2015. Man agement Summary

Swiss Marketing Leadership Studie 2015. Man agement Summary 3 Man agement Summary Marketing ändert sich fundamental und sollte in modernen Unternehmen eine steuernde Funktion in Richtung Kunden- und Marktorientierung einnehmen. Vor diesem Hintergrund entschied

Mehr

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess?

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess? Wozu einen standardisierten Prozess? Der Prozess der Wissensentdeckung muss verlässlich und reproduzierbar sein auch für Menschen mit geringem Data Mining Hintergrundwissen. Der CRISP-DM Prozess für Data

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

Managing Business Intelligence. Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren

Managing Business Intelligence. Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren 2008 Dr. Pascal Sieber & Partners AG Alle Rechte vorbehalten. Die Verwendung, Bearbeitung, Übersetzung, Vervielfältigung

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

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

Mehr

Geschäftsdaten auswerten

Geschäftsdaten auswerten Geschäftsdaten auswerten Schwachstellen erkennen, Ursachen analysieren und gezielter steuern Thomas Menner thomas.menner@eloum.net ebusiness-lotse Oberschwaben-Ulm IHK Bodensee-Oberschwaben, Weingarten,

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

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

CRM, Management der Kundenbeziehungen

CRM, Management der Kundenbeziehungen CRM, Management der Kundenbeziehungen Günter Rodenkirchen Wir machen Gutes noch besser Agenda Brauche ich überhaupt ein CRM System? Was soll ein CRM System können? Anwendungsbereiche Ziele und Erwartungen

Mehr

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

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

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

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

Risk Management für Unternehmen

Risk Management für Unternehmen Risk Management für Unternehmen Überlassen Sie nichts dem Zufall RM- Risk Management für Unternehmen methodisch vorgehen Dem Risk Management (RM) liegt ein dauernder, sich stets verändernder Prozess im

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

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Sehen und Verstehen: Bekanntes belegen Unbekanntes entdecken

Sehen und Verstehen: Bekanntes belegen Unbekanntes entdecken Sehen und Verstehen: Bekanntes belegen Unbekanntes entdecken Autor: Alexander Schratt, Department für Information und Knowledge Engineering, Donau- Universität Krems Womit beschäftigt sich Visual Analytics?

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

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

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

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

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

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

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

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots Einleitung Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots von Irmela Herzog Im Rahmen der Herbsttagung der AG DANK (Datenanalyse und Numerische Klassifikation)

Mehr

Institut für angewandte Informationstechnologie (InIT)

Institut für angewandte Informationstechnologie (InIT) School of Engineering Institut für angewandte Informationstechnologie (InIT) We ride the information wave Zürcher Fachhochschule www.init.zhaw.ch Forschung & Entwicklung Institut für angewandte Informationstechnologie

Mehr

Was tun mit Big Data? Workshop-Angebote der PROFI AG

Was tun mit Big Data? Workshop-Angebote der PROFI AG Was tun mit Big Data? Workshop-Angebote der PROFI AG Jetzt anmelden! Die Teilnehmerzahl ist begrenzt. Was ist Big Data? 3 Herzlich willkommen. Die PROFI AG bietet Kunden ein breites Spektrum an Software-Lösungen,

Mehr

E-Mail Marketing Runde um Runde

E-Mail Marketing Runde um Runde Wir powern Ihr E-Mail Marketing Runde um Runde Mehr Response durch Interessen-Tracking Mit relevanten Inhalten punkten Möchten Sie als werbetreibendes Unternehmen heute nicht in der Flut von Informationen

Mehr

Interaktive Visualisierung und Visual Analytics

Interaktive Visualisierung und Visual Analytics Interaktive Visualisierung und Visual Analytics Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151

Mehr

1 Einleitung. Software Engineering. Vorgehensweisen

1 Einleitung. Software Engineering. Vorgehensweisen 1 Noch ein Buch über Software Engineering? Warum nicht! Wir folgen einem Prinzip, das zur Lösungsfindung in den verschiedensten Domänen Einzug gehalten hat: die Betrachtung aus verschiedenen Blickwinkeln.

Mehr

Produktpräsentation der wisit solutions gmbh. 2007 wisit solutions gmbh - duesseldorf

Produktpräsentation der wisit solutions gmbh. 2007 wisit solutions gmbh - duesseldorf Produktpräsentation der wisit solutions gmbh Wisit Solutions GmbH Vernetzen Einbinden Mehrwerte schaffen Als Full-Service Anbieter unterstützen wir unsere Kunden bei der Realisierung und Umsetzung ihrer

Mehr

Online-Marketing von Destinationen am Beispiel der Nordeifel Tourismus GmbH

Online-Marketing von Destinationen am Beispiel der Nordeifel Tourismus GmbH Fachbereich VI Geographie/Geowissenschaften Freizeit- und Tourismusgeographie B a c h e l o r a r b e i t zur Erlangung des akademischen Grades Bachelor of Science [B.Sc.] Online-Marketing von Destinationen

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

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

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

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

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

IT-Sourcing-Management-Studie 2014/2015

IT-Sourcing-Management-Studie 2014/2015 IT-Sourcing-Management-Studie 2014/2015 Vom Kosten- zum Erfolgsfaktor. Crossing Borders. Ergebnisse einer qualitativen Studie von Oliver Christ, Matthias Litzke, Ulrich Emanuel Gysel, Claudia Pedron, Oliver

Mehr

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.

Motivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining. Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später

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