Web-Mining Informationen für das E-Business

Größe: px
Ab Seite anzeigen:

Download "Web-Mining Informationen für das E-Business"

Transkript

1 Vorwort Web-Mining Informationen für das E-Business One-to-one-Marketing und Customer Relationship Management (CRM) sind seit einigen Jahren dominierende Schlagworte im Marketing und in der Unternehmensführung. Nicht mehr die kurzfristige Akquisition neuer Kunden steht im Vordergrund, sondern die langfristige Pflege der Kundenbeziehung mit einer ausgeprägten Kontaktintensität zwischen Unternehmen und Kunde. Unter der Bezeichnung ecrm wird diese erfolgreiche Strategie der ganzheitlichen und individuellen Kundenansprache nun auch auf das Internet übertragen. Das hohe Potenzial von CRM im E- Commerce liegt dabei insbesondere in den vielfältigen Möglichkeiten der individuellen und multimedialen Interaktion mit dem einzelnen Kunden. Grundlage für die individuelle Kundenansprache ist das Wissen über den Kunden. Im Internet besteht die Möglichkeit, mehr als in allen anderen Medien aus dem Informations- und Kaufverhalten des Kunden auf einer Website seine Interessen abzuleiten. Auf Basis dieser Informationen können dem Kunden individuelle Inhalte präsentiert werden, die seinen persönlichen Bedürfnissen entsprechen. Die Analyse des Kundenverhaltens im Netz mit Hilfe von fortschrittlichen Datenanalyseverfahren gewinnt unter der Bezeichnung Web Mining zunehmend an Bedeutung. Zur Unterstützung dieser Aufgabe existieren zahlreiche Software-Produkte. Die Schwerpunkte dieser Tools variieren von der Datenerhebung über einfache deskriptive Auswertungen und die Einbeziehung unterschiedlicher Analyseverfahren bis hin zur konkreten Umsetzung der gefundenen Informationen in personalisierten Angeboten. Die vorliegende Studie soll Unternehmen einen ausführlichen und systematischen Überblick über die am Markt verfügbare Software geben. An dieser Stelle sei den hier vertretenen Anbietern gedankt, die an dem Gelingen der Studie mit ihrem großen Engagement einen erheblichen Anteil haben. Bedanken möchten wir uns auch bei Johann von Groll für sein sehr großes Engagement bei der Erstellung dieser Studie. Für Anregungen und Verbesserungsvorschläge sind wir dankbar, da wir es uns zum Ziel gesetzt haben, den Nutzen dieser Studie kontinuierlich zu erhöhen. Ihr Lehrstuhl-Team der Katholischen Universität Eichstätt-Ingolstadt Lehrstuhl für ABWL und Wirtschaftsinformatik, Katholische Universität Eichstätt-Ingolstadt Auf der Schanz Ingolstadt Tel.: / Fax: / ku-eichstaett.de Web: Web Mining 3

2 Inhalt Kapitel I Grundlagen und Trends Web-Mining den Internet-Usern auf der Spur...9 Dr. Hajo Hippner, Melanie Merzenich, Prof. Dr. Klaus D. Wilde, Katholische Universität Eichstätt-Ingolstadt Interview mit Hans Peter Neeb (SBS) über Entwicklungen im Web Mining...29 Fallbeispiel: Website-Analyse mit Web Usage Mining...35 Andreas Englbrecht, Katholische Universität Eichstätt Website Optimierung mit Hilfe von Web Usage Mining...43 Dr. Frank Bensberg, Universität Münster Potenziale und Herausforderungen der Personalisierung im Internet-Handel Prof. Dr. Stefan Klein, Kai Riemer, Universität Münster Web Controlling Erfolgsmessung für den Internet-Auftritt...63 Dr. Gabriele Schäfer, mdm consult GmbH Achtung Datenschutz!...67 Thomas Nuthmann, Kanzlei Jaschinski, Biere & Brexl Personalisierung und Erfolgskontrolle im Internet: Praxisbericht der NetBank AG..73 Gerald Artelt, NetBank AG Kapitel II Die Anwenderbefragung Web Mining in der Praxis...81 Dr. Hajo Hippner, Melanie Merzenich, Prof. Dr. Klaus D. Wilde, Katholische Universität Eichstätt Kapitel III Die Markübersicht Advertorial...97 Nutzungshinweise für die Studie Marktübersicht Unternehmensprofile Kapitel IV Service Glossar Literatur Links Impressum Web Mining 5

3 Grundlagen und Trends Web Mining den Internet- Usern auf der Spur Dr. Hajo Hippner, Melanie Merzenich und Prof. Dr. Klaus D. Wilde (Katholische Universtität Eichstätt) 1 Informationsbedarf im E-Business 9 2 Informationsgewinnung durch Web Mining Logfile-Analyse und Web Mining Richtungen des Web Mining Der Web Mining Prozess 11 3 Datenerhebung Datensammlung auf Web Server Ebene Logfiles Server Monitor Network Monitor Dynamische Seitenprogrammierung Reverse Proxy Monitor Application Monitor Datensammlung auf Client-Ebene Cookies Remote Agents 15 4 Datenintegration Mögliche Datenquellen Datenschutz 16 5 Datenaufbereitung Identifikation von Seitenaufrufen Identifikation von Besuchern Identifikation von Sitzungen 18 6 Data Warehouse und OLAP 18 7 Datenanalyse Deskriptive Logfile-Analyse Mustersuche: die Mining-Verfahren Segmentierung: die Clusteranalyse Assoziations- und Sequenzanalyse Klassifikation: Entscheidungsbäume und Neuronale Netze Visualisierung und deskriptive Statistik 24 8 Umsetzung der Analyseergebnisse 25 9 Fazit 25 Literatur 27 Herkömmliche Webstatistiken sind nur eingeschränkt dazu geeignet, Informationen über Nutzung und Nutzer einer Website zu liefern. Web Mining heißt die bessere Alternative. Dabei werden Verfahren des Data Mining zur Analyse der Logfiles eingesetzt. Das Ziel sind tiefer gehende Erkenntnisse über die Zusammensetzung der Besucherschaft im Netz und die Aufdeckung von Schwachstellen auf den Websites. 1 Informationsbedarf im E-Business E-Commerce und E-Business waren lange Zeit in alller Munde. Heute ist die Begeisterung nur noch gebremst. Negative Schlagzeilen über erfolglose bzw. gescheiterte Online-Projekte oder geschlossene Internet-Start-ups haben die E-Commerce-Euphorie zunächst in ihre Schranken gewiesen. Gerade in Zeiten, in denen im E-Business die Umsatzzahlen rückläufig sind, sollte man sich in diesem Bereich verstärkt auf klassische Geschäftskonzepte aus der Old Economy besinnen. Vor diesem Hintergrund gewinnt die Überlegung an Bedeutung, das traditionelle CRM-Konzept, also den Aufbau und die Pflege langfristig profitabler Kundenbeziehungen, auch auf das Internet zu übertragen. Viele Unternehmen vergessen, dass Prinzipien, die in der "realen Welt" gelten, zum Teil auch in der "virtuellen Welt" angewendet werden könnten und sollten. Dies gilt insbesondere für Service- und Kundenorientierung, die sowohl on- als auch offline elementar für den Geschäftserfolg sind. Grundlage für eine erfolgreiche Kundenorientierung ist das Wissen über den Kunden und seine Bedürfnisse. Betreiber von Internet-Angeboten besitzen jedoch oft nur wenige Informationen über die Eigenschaften ihrer Online-Besucher und die Wirkung ihres Internet-Auftrittes. Daher müssen wichtige Fragestellungen zum Internet-Auftritt oft unbeantwortet bleiben. Interessante Fragen stellen sich beispielsweise zu der Zusammensetzung der Besucherschaft, der Wirkung von Online-Werbung, der Bewertung einzelner Seiteninhalte oder der Web Mining 9

4 Grundlagen und Trends Untersuchung des Online-Kaufverhaltens der Kunden (Reiner 2001, S. 7). Zusammensetzung der Besucherschaft: Wie viele Besucher erhält meine Site? Woher kommen sie? Wie lange bleiben sie? Wie sehen typische Bewegungspfade aus? Wie lassen sie sich verbessern? An welcher Stelle verlassen Besucher meine Site und warum? Welche Profile haben meine wichtigsten Kundensegmente? Wirkung von Online-Werbung: Welche Werbebanner erwecken das meiste Interesse? Welche führen zu Käufen? An welcher Stelle sollten Banner platziert werden? Welche Partner (Werbung, Suchmaschinen etc.) generieren die meisten Besucher? Wie lange bleiben diese Besucher und wie viele werden zu Käufern? Bewertung der Seiteninhalte: Für welche Inhalte interessieren sich die einzelnen Kundensegmente? Welche Inhalte werden weniger beachtet und warum? Wie lässt sich eine Personalisierung der Inhalte erreichen bzw. verbessern? Online-Kaufverhalten der Besucher: Wie unterscheiden sich Besucher von Käufern? Welche Produkte oder Kunden weisen Cross- Selling-Potenziale auf? Welches Verhalten auf der Site lässt auf Wiederholungskäufe schließen? Zur Beantwortung dieser Fragen stehen dem Betreiber eines Online-Angebotes verschiedene Datenquellen und Analysemethoden zur Verfügung, welche im Folgenden näher erläutert werden. 2 Informationsgewinnung durch Web Mining Für die Betreiber von Internet-Auftritten bestehen verschiedene Möglichkeiten, Wissen über Nutzung und Nutzer ihrer Websites zu generieren. Als Datenquelle stehen in erster Linie die aufgezeichneten Seitenaufrufe der Besucher zur Verfügung, aus welchen sich mit Hilfe geeigneter Analyseverfahren die Verhaltensweisen der Besucher und der Erfolg des Internet-Auftritts ableiten lassen. 2.1 Logfile-Analyse und Web Mining Die herkömmliche Vorgehensweise zur Auswertung der Internet-Nutzungsdaten besteht in der Erstellung deskriptiver Statistiken (Logfile- Analyse). Die Ergebnisse einer Logfile-Analyse geben erste wichtige Anhaltspunkte zur Nutzung einer Site durch die Besucher; sie liefern jedoch noch keine Informationen zu individuellen Verhaltensweisen und Interessen der Online- Nutzer. Insbesondere sind sie nicht in der Lage, selbständig Muster in den Nutzungsdaten aufzufinden. Gerade derartige Muster im Verhalten der Onlinekunden können im zunächst anonymen Medium Internet jedoch von hoher Bedeutung für die Informationsgewinnung sein. Daher bietet es sich an, automatische Mustererkennungs- Verfahren (Verfahren des Data Mining) auf Internet-Daten anzuwenden, um tiefergehende Informationen über die Besucher einer Website zu erhalten (Bensberg/Weiß 1999, S. 426). Zur Unterstützung derartiger Analysen existieren verschiedene Arten von Softwareprodukten. Diese weisen unterschiedliche Schwerpunkte auf. Die erste Generation von Tools zur Analyse von Internet-Nutzungsdaten enthielt hauptsächlich Funktionalitäten zur rein deskriptiven Logfile- Analyse. In einem ständigen Entwicklungsprozess integrieren diese Tools jedoch immer umfassendere Analysefunktionalitäten. In jüngerer Zeit entwickeln auch traditionelle Anbieter von Data Mining-Software spezielle Zusatzfunktionalitäten, um ihre Analysetechniken für die Auswertung der Daten aus dem Web nutzbar zu machen. Neue Anbieter am Markt konzentrieren sich zum Teil direkt auf die Entwicklung einer reinen Web Mining-Software, welche den kompletten Analyseprozess von der Datenerhebung und -analyse bis zur Umsetzung der Ergebnisse unterstützt. Zur Umsetzung der Ergebnisse insbesondere für die Personalisierung haben sich wiederum eigene Tools herausgebildet, die die Aufgabe haben, den Internet- Nutzern personalisierte Inhalte zur Verfügung zu stellen. Zur Generierung der Personalisierungsregeln greifen auch diese Tools häufig auf die Ergebnisse des Web Mining zurück oder beinhalten sogar eigene Mining-Komponenten. Die vorangegangenen Ausführungen zeigen, dass die verschiedenen Arten der Analyse-Tools zwar aus ganz unterschiedlichen Richtungen kommen, sich aber durch eine ständige Erweiterung ihrer Funktionalitäten immer mehr einander angleichen. Aus diesem Grund wird in dieser Studie bewusst auf eine klare Abgrenzung zwischen den genannten Richtungen verzichtet. Um dennoch einen Überblick über die enthaltenen Funktionalitäten sowie die Kernkompetenzen der einzelnen 10 Web Mining

5 Grundlagen und Trends Softwareprodukte zu erhalten, stellen wir unserer Marktübersicht eine entsprechende Einordnung der Produkte voraus. 2.2 Richtungen des Web Mining Der Begriff Web Mining bezeichnet zunächst die allgemeine Anwendung von Verfahren des Data Mining auf Datenstrukturen des Internet (Zaiane 2000). Dies beinhaltet sowohl die Analyse von Seiteninhalten (Web Content Mining) und Seitenstrukturen (Web Structure Mining) als auch die Untersuchung des Nutzerverhaltens (Web Usage Mining; vgl. Abbildung 1). Web Content Mining befasst sich mit der Analyse des Inhaltes von Websites. Zielsetzung ist die Erleichterung der Suche nach Informationen im Netz. Aufgabengebiete sind beispielsweise die Klassifizierung und Gruppierung von Online- Dokumenten oder das Auffinden von Dokumenten nach bestimmten Suchbegriffen. Dabei kommen insbesondere Verfahren des Text Mining zum Einsatz (Bensberg/Weiß 1999, S. 426 f.). Web Structure Mining untersucht die Anordnung einzelner Elemente innerhalb einer Website (intrapage structure information) sowie die Anordnung verschiedener Seiten zueinander (interpage structure information). Von besonderem Interesse sind dabei die Verweise von einer Website auf eine andere mittels so genannter Hyper Links. Die verlinkten Websites sind häufig inhaltlich verwandt (Srivastava et al. 2000). Web Usage Mining beschäftigt sich mit dem Verhalten von Internet-Nutzern. Bei dieser Ausprägungsform des Web Mining werden Data Mining Methoden auf die Logfiles des Web Servers angewandt, um Aufschlüsse über Verhaltensmuster und Interessen der Online- Kunden zu erhalten (Srivastava et al. 2000). Die beiden erstgenannten Richtungen des Web Mining tragen nicht dazu bei, Informationen über Online-Kunden zu gewinnen und sollen daher hier nicht näher betrachtet werden. 2.3 Der Web Mining Prozess Der Web Mining Prozess gliedert sich in die in Abbildung 2 dargestellten Schritte, welche hier Abbildung 1: Richtungen des Web Mining Web Structure Mining kurz umrissen und in den nachfolgenden Kapiteln ausführlich dargestellt werden. In Abhängigkeit von der Aufgabenstellung werden die heranzuziehenden Daten ausgewählt. Primäre Datenquelle des Web Usage Mining sind die Web Logfiles; darüber hinaus können jedoch auch weitere Daten einbezogen werden. Die Datenaufbereitung zerfällt in die beiden Schritte der Datenbereinigung und der Identifikation von Nutzern und Sitzungen (zusammenhängender Besuch eines Nutzers auf einer Website). Diese Schritte sind von elementarer Bedeutung für die Analyseergebnisse; gleichzeitig nehmen sie aber auch die meiste Zeit innerhalb des Prozesses in Anspruch (Zaiane et al. 1998, S. 27). Werden zusätzliche Informationen zur Analyse herangezogen, erfolgt im nächsten Schritt eine Integration der verschiedenen Datenquellen. Aus der aufbereiteten Datenbasis werden mit Hilfe von Data Mining-Verfahren Muster extrahiert, welche abschließend bewertet und interpretiert werden (Cooley et al. 1997). Abbildung 3 stellt den Prozess des Web Mining detailliert dar. Die in dieser Studie untersuchten Tools unterscheiden sich insbesondere durch die vielfältigen Möglichkeiten zur Datenerhebung, Datenaufbereitung und Datenanalyse sowie zur Umsetzung der Ergebnisse. Daher sollen diese Phasen im folgenden näher betrachtet werden. 3 Datenerhebung Data Mining Anwendung auf Web Inhalte Web Mining Web Content Mining Web Usage Mining Am Anfang des Web Mining-Prozesses steht die Erhebung der Web-Daten, die in die Analyse einfließen sollen. Diese Daten können sowohl auf der Ebene des Web Servers (serverseitig) als auch auf dem Rechner des Besuchers (clientseitig) erhoben werden (Srivastava et al. 2000, S. 12). Abbildung 2: Ablauf der Web Mining-Analyse Datenauswahl Datenaufbereitung Mustersuche Datenintegration Interpretation Web Mining 11

6 Anwenderbefragung Web Mining in der Praxis Dr. Hajo Hippner, Melanie Merzenich und Prof. Dr. Klaus D. Wilde (Katholische Universität Eichstätt) Insbesondere im deutschsprachigen Raum sind bisher nur wenige Informationen zu durchgeführten Web Mining-Projekten erhältlich. Der Lehrstuhl für Wirtschaftsinformatik der Katholischen Universität Eichstätt-Ingolstadt untersuchte daher in Zusammenarbeit mit der Zeitschrift "absatzwirtschaft" den aktuellen Stand der Auswertung von Logfiles durch deutsche Unternehmen. Die Erhebung sollte empirische Erkenntnisse zu den folgenden Fragestellungen erbringen: Werden Logfile-Daten in der betrieblichen Praxis gespeichert und ausgewertet? Werden die Ergebnisse zur Verbesserung des Internet-Auftrittes genutzt? Werden Verfahren des Web Mining eingesetzt oder ist dieser Einsatz geplant? Wie könnte ein typisches Web Mining-Projekt in der Praxis aussehen? Welche Gründe sprechen gegen den Einsatz von Web Mining? Die Datenerhebung wurde anhand eines elektronischen Fragebogens per durchgeführt. Als Zielgruppe der Studie wurden 650 Unternehmen mit der folgenden Zusammensetzung ausgewählt: Die 500 größten Unternehmen Deutschlands. Die 50 größten Banken Deutschlands. Die 20 größten Versicherungen Deutschlands. Die 50 größten plus 30 ausgewählte Internet-Unternehmen in Deutschland. Mining gesehen werden. Der dritte Teil beschäftigt sich mit der Art und Weise der Erfassung und Analyse von Webserver-Logfiles sowie mit der Verwendung der gewonnenen Informationen. Der vierte Teil unterscheidet zwischen Unternehmen, die bereits erste Web Mining-Projekte durchgeführt oder geplant haben sowie denjenigen, welche die Anwendung von Web Mining in absehbarer Zeit nicht planen. Besonderes Interesse gilt hier der ersten Gruppe, welche zu den einzelnen Phasen und Elementen der durchgeführten/geplanten Web Mining-Projekte befragt wird. Unter anderem wird erhoben, welche Abteilungen in den Projektverlauf involviert sind, welche Daten und Verfahren zur Analyse herangezogen, welche Ziele mit dem Projekt verfolgt werden und welche Probleme bei der Planung und Durchführung auftreten. Unternehmensinformationen Abbildung 1: Unternehmensgröße nach Anzahl der Mitarbeiter [in Prozent der befragten Unternehmen] Der Erhebungszeitraum erstreckte sich über die Monate Januar bis Februar Mit einem Rücklauf von elf Prozent konnten schließlich 72 ausgefüllte Fragebogen zur Auswertung herangezogen werden. Bei den Adressaten der Studie handelt es sich überwiegend um Entscheidungsträger aus dem Internet-/Marketing-Bereich der Unternehmen. Der Fragebogen >1000 Abbildung 2: Branchenzugehörigkeit [in Prozent der befragten Unternehmen] Sonstiges 17% Bank + Versicherung 17% Der zu Grunde liegende Fragebogen untergliedert sich in vier Teile: Der erste Teil umfasst allgemeine Fragen zum Unternehmen wie Branche, Größe, Distributionsorgane und Bedeutung des Internet. Im zweiten Teil wird erfasst, wie die Bedeutung von Web Mining für verschiedene Funktionen eingeschätzt wird und welche Alternativen zum Web Handel 10% Invest.güter 11% Konsumgüter 11% Produkt.güter 15% Medien +Telekomm. 13% Transport + Verkehr 6% Web Mining 81

7 Anwenderbefragung Abbildung 1 und Abbildung 2 zeigen die Zusammensetzung der befragten Unternehmen nach Größe und Branchenzugehörigkeit. Aufgrund der Auswahl der Zielgruppe überwiegen Unternehmen mit mehr als Mitarbeitern. Die relativ gleichmäßige Verteilung der Befragten auf die vorgegebenen Branchen wurde nicht bewusst herbeigeführt, sollte aber von Vorteil für die Aussagefähigkeit der Studie sein. Auch die Ausrichtung der verschiedenen Unternehmen auf den "Business-" oder "Consumer-"Bereich weist eine ziemlich gleichmäßige Verteilung auf (Abbildung 3). Abbildung 3: Unternehmensausrichtung [in Prozent der befragten Unternehmen] Ausschließlich B2C Überwiegend B2C Beide Bereiche von Bedeutung Überwiegend B2B Ausschließlich B2B Etwa zwei Drittel der befragten Unternehmen nutzen das Internet als Distributionskanal. In den meisten Fällen sind daneben noch weitere Distributionskanäle vorhanden (Abbildung 4). Für Information, Kommunikation und Imagebildung hat das Internet bereits heute eine hohe Bedeutung, welche zukünftig weiter ansteigen wird. Die Bedeutung für Service, Vertrieb und Einkauf wird bisher als eher gering eingeschätzt. Für die Zukunft erwarten die Befragten jedoch auch für diese Funktionen eine stark wachsende Bedeutung (Abbildung 5). Weniger als 50 Prozent der Unternehmen weisen Abbildung 4: Distributionskanal Internet [in Prozent der befragten Unternehmen] ,0 4,5 4,0 3,5 3,0 2,5 2,0 1,5 Abbildung 5: Bedeutung des Internet für verschiedene Funktionen [Mittelwerte; Skala von 1 = "keine Bedeutung" bis 5 = "hohe Bedeutung"] 4,7 4,7 3,9 3,8 4,3 3,5 bereits Erfahrung im Einsatz von Data Mining auf (der Anwendung von Verfahren der automatischen Mustererkennung auf große Datenbestände, vgl. Hippner et al. 2000; Abbildung 6). In Bezug auf Text Mining (die Anwendung von Data Mining- Verfahren auf Textdokumente, vgl. Hippner et al. 2000) liegt diese Quote sogar unter 25 Prozent (Abbildung 7). Allerdings planen 15 Prozent bzw. 13 Prozent den Einsatz dieser Verfahren (Abbildung 6 und 7). 4,2 2,9 2,5 Information Imagebildung Vertrieb Zukünftige Bedeutung Heutige Bedeutung 3,8 3,7 2,2 Kommunikation Service Einkauf Abbildung 6: Erfahrung mit Data Mining [in Prozent der befragten Unternehmen] Keine Erfahrung 38% Einsatz geplant 15% Erfahrung 47% Abbildung 7: Erfahrung mit Text Mining [in Prozent der befragten Unternehmen] Ausschließl. 10% Einsatz geplant 13% Erfahrung 21% Nicht vorhanden 33% Vorhanden 57% Keine Erfahrung 66% 82 Web Mining

8 Marktübersicht Teil III Datenaufbereitung I TEIL I: ÜBERBLICK Softwareanbieter Funktionen und Zielgruppen TEIL II: REFERENZKUNDEN TEIL III: FUNKTIONEN IM EINZELNEN Datenbasis I Datenbasis II Datenaufbereitung Datenmodifikation Fehlerexploration Datenbereinigung Identifikation von Besuchern Identifikation von Sessions/ Transaktionen Deskriptive Logfile-Analyse I Deskriptive Logfile-Analyse II Data Mining I Data Mining II Personalisierung Übergreifende Funktionen Schnittstellen zu Softwarelösungen TEIL IV: TECHNISCHES UMFELD Technisches Umfeld I Technisches Umfeld II Technisches Umfeld III TEIL V: KOSTEN UND SERVICE Kosten Service TEIL VI: UNTERNEHMENSPROFILE Web Mining 129

9 Marktübersicht Accrue Software GmbH - Hitlist Accrue Software GmbH - G2 Angoss Software International Inc. Art Technology Group GmbH III. DATENAUFBEREITUNG Datenmodifikation Automatische Umrechnung der Zeitwerte auf Zeitzone l l l DNS-Lookup l l DNS-Cache l l Anzeigen des HTML-Seitentitels der Web-Seite l l l l Herauslösen von Parametern aus URL l l l l Fehlerexploration in den Daten Meldung/ Bericht l l l l Automatische Korrektur l l Möglichkeit der manuellen Korrektur l l l Verwerfen fehlerhafter Daten l l l l Datenbereinigung: Filtern der Daten nach... Erfolgloser Statuscode l l l Http-Requests l l l l Anfragen von Robots l l l Bestimmter Datentyp l l l IP-Adresse l l l Referrer l l l Zeit/ Datum l l l l Browser l l l l Speichern der Filtereinstellungen in einem Profil l l l l Identifikation von Besuchern IP-Adresse l l l l Kombination mehrerer Logfile-Daten l l l URL-Recoding l l Cookies l l l Virtueller Server l l l Kundenregistrierung l l l Unterstützung des Wechsels zwischen Identifikationsverfahren während einer Session Sonstige Verfahren Identifikation von Sessions/ Transaktionen l l alle Verf. mit Call-Outs (SW) Ausschluß von Single Page Views l l Session-ID l l l Time-Out l l l l Situativer Time-Out l l l Möglichkeit Time-Out-Wert zu bestimmen l l l l Maximale Vorwärtsreferenz l Pfadvervollständigung - unvollständige Pfade ausschließen - unvollständige Pfade automatisch vervollständigen Sonstige Verfahren 130 Web Mining

10 Marktübersicht Bissantz & Company GmbH Business Objects Deutschland GmbH Exody E-Business Intelligence GmbH IBM Deutschland GmbH / Logmetrix GmbH Microsoft GmbH MindLab GmbH MINEit Software Ltd. NCR GmbH Teradata Division NetGenesis Deutschland GmbH l l l l l l l l l 2002 l l l l l 2002 l 2002 l l l l 2002 l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l 2002 l l l l l l l l l l 2002 l l l l l l l l l l l l l l l l l l l l l l l l l l l l l 2002 l l l l l l l l l l l l Web Mining 131

11 Service Glossar A Ad View/Ad Impression Ad View (auch Ad Impression) ist ein Messwert für den Erfolg eines Werbebanners im World Wide Web. Man bezeichnet damit die Zahl der Nutzer, die in einem bestimmten Zeitraum ein bestimmtes Werbe-Banner gesehen haben (Sichtkontakte). (Quelle: Ad Clicks/Click-Through Ad Clicks (auch Click-Through) ist eine Maßzahl, mit der jeder Nutzer gezählt wird, der einen Werbebanner anklickt und damit auf die Website der Werbenden gelangt. (Quelle: Dastani, P. (1998): Online Mining, in: Link, J. (Hrsg.): Wettbewerbsvorteile durch Online Marketing - Die strategischen Perspektiven elektronischer Märkte, Berlin, S.277.) Application Collector Application Collectors sammeln Daten direkt vom Application Server. Sie zeichnen die Interaktion der Nutzer mit den Seitenelementen auf und können so z.b. Auskunft über das Entfernen oder Hinzufügen von Waren in den Warenkorb geben. Es können so auch User- und Session-ID aufgezeichnet werden. (Quelle: WCM Online (2000): Web Personalisierung - Umsetzung des One-to-One Marketing im Internet, in: Web Personalisierung - Hersteller und Dienstleister von Web Personalisierungs-Lösungen, Düsseldorf, 2000, S.11.) ASCII American Standard Code for Information Interchange. Ein amerikanischer Standard-Code, um Buchstaben und Zahlen zu übermitteln. Er kann jedoch keine Sonderzeichen übertragen, ebenso wenig die Umlaute ä, ö, ü sowie das ß. ASCII ist nach wie vor Standard bei plattformübergreifenden Anwendungen wie s und im Usenet. (Quelle: ASP Application Service Providing bzw. Application Service Provider. Der Provider stellt seinen Kunden die Nutzung von Software-Anwendungen zur Verfügung, die auf der Hardware und der Systemumgebung des Providers betrieben werden. Der Zugriff der ASP-Kunden auf diese Anwendung erfolgt über das Internet oder speziell eingerichtete Netzanschlüsse. (Quelle: Assoziationsanalyse Assoziationsmodelle prüfen, inwieweit die Werte einer bestimmten Variablen von einer anderen Variablen abhängen. Die Paradeanwendung dieser Methode ist die so genannte Warenkorb-Analyse zur Untersuchung von Kaufmustern. Im Web Mining eignet sich die Assoziationsanalyse insbesondere dazu, Seiten zu identifizieren, die häufig gemeinsam innerhalb einer Sitzung aufgerufen werden. (Quelle: Binder, U. (2001): Blick in die Zukunft per Data Mining. In: InfoWeek.ch 13/2001.) B Banner Werbeeinblendungen auf einer Website. Dabei haben sich die dynamischen Banner durchgesetzt, die einen Hyperlink zur Seite des Werbetreibenden herstellen. Bayes-Netze S. Kausale Netze Browser Software, die die Navigation im WWW ermöglicht. Hierfür wird der HTML-Code in die Darstellung für den Bildschirm umgesetzt. Die grafische Oberfläche des Browsers ermöglicht es, Texte, Bilder und Grafiken zu zeigen und erleichtert die Suche im Netz. Die bekanntesten Browser sind der Internet Explorer von Microsoft und der Netscape Navigator. (Quelle: C Cache Ein Cache ist ein Zwischenspeicher, der eingesetzt wird, um den Zugriff auf Daten und das Speichern von Daten zu beschleunigen. Der so genannte Prozessor-Cache beschleunigt den Zugriff der CPU auf den Arbeitsspeicher, und der Disk-Cache beschleunigt den Zugriff auf Datenträger wie Festplatte oder Diskette. (Quelle: Web Mining 233

12 Service Literatur Web Mining Bensberg, F. (2001): Web Log Mining als Instrument der Marketingforschung - Ein systemgestaltender Ansatz für internetbasierte Märkte. Wiesbaden. Bensberg, F.; Weiß, T. (1999): Web Log Mining als Marktforschungsinstrument für das World Wide Web. In: Wirtschaftsinformatik, Nr. 41, S Kimball, R.; Merz, R. (2000): The Data Webhouse Toolkit - Building the Web-Enabled Data Warehouse. New York. Mayer, R. ; Bensberg, F.; Hukemann, A. (2001): Web Log Mining als Controlling-instrument für Online-Shops. In: Controlling, Nr. 3, S Mena, J. (2001): WebMining for Profit: E- Business Optimization. Butterworth-Heinemann. Mena, J. (2000): Data Mining und E-Commerce - Wie Sie Ihre Online-Kunden besser kennen lernen und gezielter ansprechen. Düsseldorf. Merzenich, M. (2001): Web Mining - Auf der Suche nach aussagekräftigen Daten. In: Frielitz, C.; Hippner, H.; Martin, S.; Wilde, K. D. (2001): Marktstudie ecrm Sonderpublikation absatzwirtschaft, S Thuraisingham, B. (2000): Web Data Management and Electronic Commerce. Boca Raton. Data Mining / OLAP Alpar, P.; Niedereichholz, J. (Hrsg.) (2000): Data Mining im praktischen Einsatz - Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung. Braunschweig/ Wiesbaden. Berry, M.J.A.; Linoff, G.S. (2000): Mastering Data Mining. New York. Chamoni, P.; Gluchowski, P. (Hrsg.) (1998): Analytische Informationssysteme - Data Warehouse, On-Line Analytical Processing, Data Mining. Berlin. Codd, E.; Codd, S.; Sally, C. (1993): Providing OLAP (on-line analytical processing) to user-analysts - an IT mandat, White Paper, E.F. Codd & Associates. Hippner, H.; Küsters, U., Meyer, M.; Wilde, K. D. (2000): Handbuch Data Mining im Marketing - Knowledge Discovery in Marketing Databases. Wiesbaden. Lusti, M. (1999): Data Warehousing und Data Mining - Eine Einführung in entschei-dungsunterstützende Systeme. Berlin. Nakhaeizadeh, G. (Hrsg.): Data Mining - Theoretische Aspekte und Anwendungen. Heidelberg. Schinzer, H. Bange, C.; Mertens, H.; (1999): Data Warehouse und Data Mining - Marktführende Produkte im Vergleich. 2. Auflage, München. Personalisierung Buxel, H. (2001): Customer Profiling im Electronic Commerce - Methodische Grundlagen, Anwendungsprobleme und Managementimplikationen. Herzogenrath. Klein, S.; Güler, S.; Lederbogen, K. (2000): Personalisierung im elektronischen Handel. In: WISU 29 (2000) 1, S Höhl, M. (1999): One-to-One-Marketing. In: Wirtschaftsinformatik 41 (1999) 1, S Runte, M. (2000): Personalisierung im Internet: Individualisierte Angebote mit Collaborative Filtering. Wiesbaden. ecrm Eggert, A.; Fassott, G. (Hrsg.) (2001): Electronic Customer Relationship Management. Management der Kundenbeziehungen im Internet-Zeitalter. Stuttgart. Frielitz, C.; Hippner, H.; Martin, S.; Wilde, K. D. (2001): ecrm - Kundenbindung im Internet. In: Frielitz, C.; Hippner, H.; Martin, S.; Wilde, K. D. (2001): Marktstudie ecrm Sonderpublikation absatzwirtschaft, S Web Mining

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

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

Mehr

Web Mining effektive Analyse des Nutzer- Verhaltens im Internet

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

Mehr

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

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 im e-commerce am Beispiel der Deutschen Bahn AG

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

Mehr

Data Mining SAS Mining Challenge Einführung in SAS Enterprise Miner

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

Mehr

Messung des Online-Erfolges / Optimierung einer Website

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

Mehr

Web Analytics & Web Controlling

Web Analytics & Web Controlling Edition TDWI Web Analytics & Web Controlling Webbasierte Business Intelligence zur Erfolgssicherung von Andreas Meier, Darius Zumstein 1. Auflage Web Analytics & Web Controlling Meier / Zumstein schnell

Mehr

Wilde, K. D.; Englbrecht, A.; Hippner, H. (2005): Kampagnen-Management als Teil des CRM, in: WISU, Nr. 3, S. 342-348.

Wilde, K. D.; Englbrecht, A.; Hippner, H. (2005): Kampagnen-Management als Teil des CRM, in: WISU, Nr. 3, S. 342-348. 2005 Hippner, H.; Wilde, K. D. (2005): Informationstechnologische Grundlagen der Kundenbindung, in: Bruhn, M.; Homburg, C. (Hrsg.): Handbuch Kundenbindungsmanagement, 5. Aufl., Wiesbaden, S. 463-499. Hippner,

Mehr

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

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

Mehr

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

Aktuelle Trends im CRM

Aktuelle Trends im CRM . CRM-Symposium.. Aktuelle Trends im CRM Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt. &. Generation KM ext Best X Aktionsorientiertes

Mehr

Customer Relationship Management CRM

Customer Relationship Management CRM Customer Relationship Management CRM 1.1 Zielsetzung von CRM...2 1.2 Komponenten einer CRM-Lösung...4 1.2.1 Aufgabenbereiche eines CRM-Systems...4 1.2.2 Analytisches CRM...7 1.2.3 Operatives CRM...7 1.2.4

Mehr

Analyse einer speziellen Lernangebotsnutzung mit Hypertextstruktur

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

Mehr

'Customer Relationship Management'

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

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 348 Konzeption eines Projektvorgehensmodells für die Business-Intelligence-Strategieberatung

Mehr

ecrm Web Mining & Clickstream Analysis

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

Mehr

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

Inhalt. http://d-nb.info/1019141522

Inhalt. http://d-nb.info/1019141522 Inhalt 1 Zum Controlling der digitalen Wertschöpfungskette 1 1.1 Digitale Wertschöpfungskette 2 1.2 Austauschoptionen im ebusiness 5 1.3 Definitionspyramide der webbezogenen BI 7 1.4 Kapitelübersicht 10

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

Glossar A-H. Ad Impression... (kurz AI) ist eine Einheit zur Messung der Anzahl der Aufrufe eines Werbebanners im Internet.

Glossar A-H. Ad Impression... (kurz AI) ist eine Einheit zur Messung der Anzahl der Aufrufe eines Werbebanners im Internet. Glossar Glossar A-H Ad Impression... (kurz AI) ist eine Einheit zur Messung der Anzahl der Aufrufe eines Werbebanners im Internet. Advertorial... ist eine Werbung in redaktionell ähnlicher Aufmachung und

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

Kampagnenmanagement der 4. Generation:

Kampagnenmanagement der 4. Generation: Kampagnenmanagement der. Generation: Proaktive, integrierte Optimierung von Kundenkontakten und Kampagnenzielgruppen Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität

Mehr

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014

Repetitorium zum Staatsexamen für Lehramtsstudenten. Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201. Sommersemester 2014 Sommersemester 2014 Repetitorium zum Staatsexamen für Lehramtsstudenten Informationswirtschaft & Planung und Entscheidung 30.05.2014 NB-201 Lehrstuhl für ABWL und Wirtschaftsinformatik Prof. Dr. Alexandros

Mehr

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

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

Mehr

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

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

Mehr

Electronic Relationship Marketing im Bankgeschäft

Electronic Relationship Marketing im Bankgeschäft Sonja-Maria Salmen 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Electronic Relationship Marketing im Bankgeschäft

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

Die Solocal-Gruppe. Die Solocal-Gruppe verwaltet ihren Traffic dank der AT Internet API mit einer Kombination von automatisierten Dashboards.

Die Solocal-Gruppe. Die Solocal-Gruppe verwaltet ihren Traffic dank der AT Internet API mit einer Kombination von automatisierten Dashboards. Online Intelligence Solutions Die Solocal-Gruppe Die Solocal-Gruppe verwaltet ihren Traffic dank der AT Internet API mit einer Kombination von automatisierten Dashboards. Case study Case study EINFÜHRUNG

Mehr

CRM im Online-Bereich für die Druck- und Medienindustrie

CRM im Online-Bereich für die Druck- und Medienindustrie CRM im Online-Bereich für die Druck- und Medienindustrie Vorlesung an der Berufsakademie Mannheim Dr. Gerald Lembke www. 30.03.2007 Was ist noch mal Customer-Relationship-Management? CRM ist eine kundenorientierte

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

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

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol

CRM Customer Relationship Management. Dipl.-Psych. Anja Krol CRM Customer Relationship Management Gliederung Entwicklung und Einführung von Bezugspunkte und CRM - Systeme Veränderte Rahmenbedingungen Entwicklung CRM - Systeme» Deregulierung verstärkt internationalen

Mehr

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische

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

Berichte aus der Betriebswirtschaft. Christoph Rüdt. Wertschöpfung in Virtual Communities

Berichte aus der Betriebswirtschaft. Christoph Rüdt. Wertschöpfung in Virtual Communities Berichte aus der Betriebswirtschaft Christoph Rüdt Wertschöpfung in Virtual Communities Management sozialer Interaktionen unter Anwendung der Netzwerkanalyse Shaker Verlag Aachen 2007 Inhalt Vorwort Inhalt

Mehr

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

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

Mehr

Grundlagen des CRM. Dr.-Ing. Jubran Rajub

Grundlagen des CRM. Dr.-Ing. Jubran Rajub Grundlagen des CRM Dr.-Ing. Literatur H. Hippner, K. D. Wilde (Hrsg.): Grundlagen des CRM, Konzepte und Gestaltung, Gabler Verlag, Wiesbaden (2007). K.C. Laudon, J.P. Laudon, D. Schoder: "Wirtschaftsinformatik

Mehr

Agenda. Grundlagen und Begriffe. Ergebnis und Tendenz. Konzeption eines marketingorientierten Statistik- und Account- 11. Mai 2005.

Agenda. Grundlagen und Begriffe. Ergebnis und Tendenz. Konzeption eines marketingorientierten Statistik- und Account- 11. Mai 2005. eines marketingorientierten Statistik- und Monitoringtools für das B2B Key-Account Account- Management der Jamba!! AG 11. Mai 2005 Agenda eines marketingorientierten Statistik- und Monitoringtools Mobile

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

GfK Media Efficiency Panel MEP

GfK Media Efficiency Panel MEP GfK Consumer Tracking Neue Wege in der Medien-Forschung Nürnberg, Agenda 1 Zielsetzung des 2 Leistungsmodule 3 GfK WebValue Agenda 1 Zielsetzung des 2 Leistungsmodule 3 GfK WebValue Das GfK Media Efficiency

Mehr

Digitale Analyse: Erfolgsmessung in digitalen Medien

Digitale Analyse: Erfolgsmessung in digitalen Medien Internet für Existenzgründer: Digitale Analyse: Erfolgsmessung in digitalen Medien IHK Bonn/Rhein-Sieg, 8. September 2015 Internet für Existenzgründer Digitale Analyse: Erfolgsmessung in digitalen Medien

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

Mit digitaler Kommunikation zum Erfolg. Sabine Betzholz-Schlüter 19. November 2015

Mit digitaler Kommunikation zum Erfolg. Sabine Betzholz-Schlüter 19. November 2015 Mit digitaler Kommunikation zum Erfolg Sabine Betzholz-Schlüter 19. November 2015 Überblick Warum digitale Kommunikation/ Internet-Marketing? Einfaches Vorgehen zur Planung und Umsetzung im Überblick Vorstellung

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

Der Nachdruck und die Auswertung von Pressemitteilungen bzw. Reden sind mit Quellenangabe allgemein gestattet.

Der Nachdruck und die Auswertung von Pressemitteilungen bzw. Reden sind mit Quellenangabe allgemein gestattet. Nutzungsbedingungen Texte, Bilder, Grafiken sowie die Gestaltung dieser Internetseiten unterliegen dem Urheberrecht. Sie dürfen von Ihnen nur zum privaten und sonstigen eigenen Gebrauch im Rahmen des 53

Mehr

Datenschutzerklärung ENIGO

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

Mehr

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

Diplomarbeit. im Rahmen des Studiums Marketing-Kommunikationswirt/

Diplomarbeit. im Rahmen des Studiums Marketing-Kommunikationswirt/ Diplomarbeit im Rahmen des Studiums Marketing-Kommunikationswirt/ Kommunikationswirt/-in am IMK Institut für Marketing und Kommunikation, Berlin Wiesbaden Thema: Auf dem Weg zum gläsernen Konsumenten Die

Mehr

contentmetrics Web Controlling Erfolgskontrolle im Versicherungsportal Thomas Brommund contentmetrics Zertifizierter Partner von

contentmetrics Web Controlling Erfolgskontrolle im Versicherungsportal Thomas Brommund contentmetrics Zertifizierter Partner von Web Controlling Erfolgskontrolle im Versicherungsportal Thomas Brommund contentmetrics Zertifizierter Partner von contentmetrics Erfolg ist messbar! Wir beraten und unterstützen unsere Kunden bei der Definition

Mehr

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse Webanalyse Definitionen, Verfahren und Unterschiede Stefan Keil, DIPF Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse 1 Agenda 1. Einleitung a. Erhebungsmethoden 2. Definitionen verschiedener

Mehr

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

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

Mehr

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

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

Mehr

Erfolg für Krankenkassen durch strategisches Marketing

Erfolg für Krankenkassen durch strategisches Marketing Erfolg für Krankenkassen durch strategisches Marketing 1 Einführung In den letzten Jahren sind die Chancen, die das Marketing den Betrieben und auch den öffentlichen Einrichtungen bietet, verstärkt in

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

Datenschutzerklärung der Gütermann GmbH

Datenschutzerklärung der Gütermann GmbH Stand: 01. März 2014 Datenschutzerklärung der Datenschutzrechtlich verantwortliche Stelle ist die,, D-79261. Datenschutz ist unser Anliegen Wir freuen uns über Ihr Interesse an unserem Unternehmen und

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

Mehr

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

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

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

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

Mehr

Innovationen 2012 Viele Pfade führen zum Ziel

Innovationen 2012 Viele Pfade führen zum Ziel Innovationen 2012 Viele Pfade führen zum Ziel Branchenvergleich zur Komplexität von Sequenzen in der Marketingforschung Hamburg, Januar 2012 Viele Pfade führen zum Ziel Vergleich der Komplexität von Sequenzen

Mehr

Business Intelligence SAP Anwenderbefragung

Business Intelligence SAP Anwenderbefragung Business Intelligence SAP Anwenderbefragung Status Quo und zukünftige Anforderungen in Kooperation mit dem AK BW Prof. Dr. Andreas Seufert (I-BI) Prof. Dr. Thomas Becker (I-BI) Prof. Dr. Peter Lehmann

Mehr

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement. Business Intelligence und Web 2.0 Dr. Carsten Bange Gründer

Mehr

Preisgestaltung für Software-as-a-Service

Preisgestaltung für Software-as-a-Service edition Lünendonk: IT-Wissenschaft für die Praxis Preisgestaltung für Software-as-a-Service Zukunftsperspektiven nutzungsabhängiger Preismodelle Eine Publikation der Lünendonk GmbH in Zusammenarbeit mit

Mehr

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38 Inhaltsverzeichnis 1 Einleitung 1 1.1 Problemstellung 1 1.2 Gang der Untersuchung 5 2 Kundenorientiertes Management und Controlling - Der Kunde im Fokus betriebswirtschaftlicher Konzepte 9 2.1 Bedeutung

Mehr

Web Analytics & SEO. B04 Einführung in Softwaretechnologien. Alexander Thomas (me@alexander-thomas.net)

Web Analytics & SEO. B04 Einführung in Softwaretechnologien. Alexander Thomas (me@alexander-thomas.net) Web Analytics & SEO B04 Einführung in Softwaretechnologien Alexander Thomas (me@alexander-thomas.net) Überblick Web Analytics? 3 Web Analytics Motivation Analyse Website-Nutzung Besucher/ Kundensegmentierung

Mehr

Datenschutzrichtlinie Verwendung Ihrer Personenbezogenen Daten auf der Seite shock-absorber.de

Datenschutzrichtlinie Verwendung Ihrer Personenbezogenen Daten auf der Seite shock-absorber.de www.shock-absorber.de COOKIE POLICY GERMANY Hanes Germany GmbH ist sich der Bedeutung des Schutzes der Privatsphäre der Nutzer der Website shock-absorber.de (im Folgenden "Website") bewusst und lässt ihr

Mehr

Datenschutz. Kontakt. Der Fachbereich Datenschutz ist unter den folgenden Kontaktdaten zu erreichen:

Datenschutz. Kontakt. Der Fachbereich Datenschutz ist unter den folgenden Kontaktdaten zu erreichen: Datenschutz Wir nehmen den Schutz und die Sicherheit von persönlichen Daten sehr ernst. Daher informieren wir unsere Kunden an dieser Stelle über das Thema Datenerfassung und -schutz sowie über unseren

Mehr

Suchmaschinenoptimierung - Der effiziente Weg zur Zielgruppe

Suchmaschinenoptimierung - Der effiziente Weg zur Zielgruppe Suchmaschinenoptimierung - Der effiziente Weg zur Zielgruppe Inhalt 1. Was ist Suchmaschinenoptimierung? - Definition - Zielsetzung 2. Funktionsweise - Inhalt und Struktur - Eingehende Links 3. Case Studies

Mehr

Seminar über Online Customer Relationshipmanagement Herr Prof. Dr. Andreas Meier. vorgelegt von: Raffaella de Simoni. Oberseeburg 24 6006 Luzern

Seminar über Online Customer Relationshipmanagement Herr Prof. Dr. Andreas Meier. vorgelegt von: Raffaella de Simoni. Oberseeburg 24 6006 Luzern Seminar über Online Customer Relationshipmanagement Herr Prof. Dr. Andreas Meier ONLINE CUSTOMER PROFILE vorgelegt von: Oberseeburg 24 6006 Luzern raffaella.desimoni@unifr.ch Freiburg, 31. Mai 2005 Inhaltsverzeichnis

Mehr

Datenschutz. Personenbezogene Daten

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

Mehr

Wissensmanagement im Bankvertrieb

Wissensmanagement im Bankvertrieb Anja Peters Wissensmanagement im Bankvertrieb Universitätsverlag Regensburg Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XIV XVII XVIII 1 Wissensmanagement im Bankvertrieb

Mehr

Jens Zwer. End-to-End Monitoring für Web-, SOA- und Oracle Applikationen

Jens Zwer. End-to-End Monitoring für Web-, SOA- und Oracle Applikationen Jens Zwer Applications & Systems Management Solutions End-to-End Monitoring für Web-, SOA- und Oracle Applikationen Mai 2010 Kosten Online-Applikation vs. Nutzen & Kundenzufriedenheit? Entwicklung Test

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

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

Business E-volution: Inhaltsverzeichnis... Seite 1 von 5

Business E-volution: Inhaltsverzeichnis... Seite 1 von 5 1.0 Einführung 1.1.1 E-Business: Von der Idee zur Zieldefinition 1.1.2 E-Business im Rahmen der Unternehmensstrategie 1.1.3 Bausteine für die Entwicklung einer E-Business-Strategie 1.2 Business-Modelle

Mehr

Torsten Schwarz. 30 Minuten für. Online-Marketing

Torsten Schwarz. 30 Minuten für. Online-Marketing Torsten Schwarz 30 Minuten für Online-Marketing Inhalt Vorwort 6 1. Die Bedeutung des Online-Marketing 8 Trends im Online-Marketing 9 Offline und Online kombinieren 17 Online auf Offline hinweisen 19 Zielgruppen

Mehr

Von Multi-Channel zu Cross-Channel Konsumentenverhalten

Von Multi-Channel zu Cross-Channel Konsumentenverhalten Von Multi-Channel zu Cross-Channel Konsumentenverhalten im Wandel Eine Studie des E-Commerce Center Handel (ECC Handel) in Zusammenarbeit mit der hybris GmbH. Stationäre Geschäftsstellen 23,0 % 27,0 %

Mehr

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

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

Mehr

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

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

Mehr

Digitale Analyse: Erfolgsmessung in digitalen Medien

Digitale Analyse: Erfolgsmessung in digitalen Medien Internet für Existenzgründer: Digitale Analyse: Erfolgsmessung in digitalen Medien IHK Bonn/Rhein-Sieg, 17. März 2015 Internet für Existenzgründer Digitale Analyse: Erfolgsmessung in digitalen Medien Was

Mehr

Customer Relationship Ana lyt ics

Customer Relationship Ana lyt ics Peter Necke1 Bernd Knobloch Customer Relationship Ana lyt ics Praktische Anwendung des Data Mining im CRM d p u n kt.ve r I ag 1 1.1 1.2 1.3 Customer Relationship Management. ein Bezugsrahmen Die Entwicklung

Mehr

Unsere Datenschutzerklärung

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

Mehr

Prozessbeschreibung des Trackings zur Firmenerkennung

Prozessbeschreibung des Trackings zur Firmenerkennung Prozessbeschreibung des Trackings zur Firmenerkennung Überblick Nach 1 Abs.1 des Datenschutzgesetzes soll der Einzelne davor geschützt werden, durch den Umgang mit seinen personenbezogenen Daten in seinem

Mehr

E-Business. im Rahmen der Vertiefung E-Business. Cornelius Knall. 17. März 2008. Customer Relationship Management im. E-Business.

E-Business. im Rahmen der Vertiefung E-Business. Cornelius Knall. 17. März 2008. Customer Relationship Management im. E-Business. im Rahmen der Vertiefung 17. März 2008 1 / 32 Inhaltsverzeichnis 2 / 32 Hippner, Hajo, Wilde,Klaus D. (2006), Grundlagen des CRM, 2. überarbeitet und erweiterte Auflage, Wiesbaden (Gabler) Hippner, Hajo,

Mehr

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company Wolfgang Martin (Hrsg.) Data Warehousing Data Mining - OLAP Technische Universität Darmsiadt Fachbereich 1 Betriebswirtschaftliche Bibliothek Inventar-Nr.: Abstell-Nr.: s. An International Thomson Publishing

Mehr

Wachstumsförderung mit CRM

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

Mehr

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen

KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm. Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen KOMPLEXITÄT BEGREIFEN. LÖSUNGEN SCHAFFEN. viadee crm Transparente Prozesse und vertrauenswürdige Daten als Fundament Ihrer Entscheidungen VIADEE CRM VIEL MEHR ALS EIN STÜCK SOFTWARE Eine Vielzahl von unterschiedlichen

Mehr

Woher kommt die Idee Internet?

Woher kommt die Idee Internet? Woher kommt die Idee Internet? Aus den USA kommt die Idee. Nachdem die UdSSR 1957 den ersten Satelliten ins All schoss, fühlt en die USA sich bedroht. Die USA suchte nun eine Möglichkeit auch wenn das

Mehr

Interessant? Dann besuchen Sie unseren Entwicklungsworkshop!

Interessant? Dann besuchen Sie unseren Entwicklungsworkshop! Persönlicher Austausch mit den Kunden wird heute durch digitale Kommunikation und Interaktionen abgelöst. Ob Urlaubsreise, Möbelkauf oder die Nutzung von Finanzdienstleistungsservices immer mehr werden

Mehr

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

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

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

Mehr

Kurze Einführung in Web Data Mining

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

Mehr

ERP und CRM LIEBE oder doch eine ZWECKEHE. Mario Knezovic Senior Consultant nasdo AG. Benutzerfreundlichkeit vs. Funktionalität

ERP und CRM LIEBE oder doch eine ZWECKEHE. Mario Knezovic Senior Consultant nasdo AG. Benutzerfreundlichkeit vs. Funktionalität ERP und CRM LIEBE oder doch eine ZWECKEHE Mario Knezovic Senior Consultant nasdo AG Benutzerfreundlichkeit vs. Funktionalität So funktioniert Zusammenarbeit: Integration von CRM CRM-Griff ins ERP: Systemübergreifende

Mehr

Virtual Roundtable Web Analytics - Wichtigste Intelligenz für Unternehmen der Zukunft!?

Virtual Roundtable Web Analytics - Wichtigste Intelligenz für Unternehmen der Zukunft!? Virtual Roundtable Web Analytics - Wichtigste Intelligenz für Unternehmen der Zukunft!? Titel des Interviews: Virtual Roundtable Web Analytics - Wichtigste Intelligenz für Unternehmen der Zukunft!? Name:

Mehr

Ihr Logo. Willkommen zur Schulung. Kundenorientierung. 2014 WEKA MEDIA GmbH & Co. KG. Folie 0/01

Ihr Logo. Willkommen zur Schulung. Kundenorientierung. 2014 WEKA MEDIA GmbH & Co. KG. Folie 0/01 Willkommen zur Schulung Kundenorientierung 0/01 Einführung Was ist Kundenorientierung? Kundenorientierung ist die umfassende, kontinuierliche Ermittlung und Analyse der Kundenerwartungen sowie deren interne

Mehr