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

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

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

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

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

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

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

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

'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

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

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

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

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

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

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

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

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

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

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

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

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

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Data/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

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

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

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

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

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

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

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

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

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

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

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

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

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

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

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

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

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

MARKETING 3.0. Neue Kanäle für mehr Geschäftserfolg

MARKETING 3.0. Neue Kanäle für mehr Geschäftserfolg MARKETING 3.0 Neue Kanäle für mehr Geschäftserfolg 3.4.2013 Über e-dialog gegründet 2003 23 angestellte Mitarbeiter Märkte: D-A-CH (plus Konzerntöchter) Branchen: alle, die Geschäft machen Seite 2 Was

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

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

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

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management

KubiS 2008 Bonner Anwendertagung. Kundenbindung durch Defection-Management KubiS 2008 Bonner Anwendertagung Kundenbindung durch Defection-Management "Identifizieren Sie Ihre abwanderungswilligen Kunden bevor sie weg sind" Thomas Starsetzki Geschäftsführer starsetzki@skopos.de

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

BERATER DATENSCHUTZ MONITOR 2014

BERATER DATENSCHUTZ MONITOR 2014 BERATER DATENSCHUTZ MONITOR 2014 Herausgeber Erste Seite Internet Marketing GmbH Tübinger Str. 6 70178 Stuttgart Tel.: 0711-12 89 696-0 Fax: 0711-12 89 696-6 E-Mail: kontakt@ersteseite.com Berater Datenschutz

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

Mehr

Unsere Gruppe Online Mediaplanung & Web Analyse

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

Mehr

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

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

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

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

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

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

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

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

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

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

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

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

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

Datenschutzerklärung für RENA Internet-Auftritt

Datenschutzerklärung für RENA Internet-Auftritt Datenschutzerklärung für RENA Internet-Auftritt Vielen Dank für Ihr Interesse an unserem Internetauftritt und unserem Unternehmen. Wir legen großen Wert auf den Schutz Ihrer Daten und die Wahrung Ihrer

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

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

Datenschutzbestimmungen der MUH GmbH

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

Mehr

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

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

Mehr

Personalisierung im Internet durch Web Mining

Personalisierung im Internet durch Web Mining Personalisierung im Internet durch Web Mining Dr. Matthias Meyer 31.05.2001 0 Inhalt Grundlagen der Personalisierung Data Mining und Web Mining Web Mining zur Personalisierung des Webauftritts Beispiel

Mehr

Social Media Datennutzung im Customer Relationship Management

Social Media Datennutzung im Customer Relationship Management Social Media Datennutzung im Customer Relationship Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B. Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

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

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

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

Nutzungsbedingungen. Urheberschutz

Nutzungsbedingungen. Urheberschutz Nutzungsbedingungen Urheberschutz Die in der genutzten Event-App veröffentlichten Inhalte und Werke sind urheberrechtlich geschützt. Jede vom deutschen Urheberrecht nicht zugelassene Verwertung bedarf

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

Kundenbindung im gewerblichen Automobilmarkt

Kundenbindung im gewerblichen Automobilmarkt Andreas Meyer Kundenbindung im gewerblichen Automobilmarkt Eine empirische Kausalanalyse it einem Geleitwort von Prof. Dr. Frank Wimmer GABLER RESEARCH XI Inhaltsverzeichnis Inhaltsübersicht t IX Inhaltsverzeichnis

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

Bibliotheken im Spannungsfeld zwischen Nutzungsmessung und Datenschutz

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

Mehr

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

DATA-DRIVEN E-COMMERCE SUITE WEB ANALYTICS & PERSONALISIERUNG

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

Mehr

Schober Targeting System ecommerce

Schober Targeting System ecommerce Schober Targeting System ecommerce Crossmediale, systematische Marktbearbeitung Vom einzelnen Baustein bis zur Gesamtstrategie Modulare Lösungen sofort einsetzbar IST IHR INFORMATIONS- MANAGEMENT UP to

Mehr

Data Mining für die industrielle Praxis

Data Mining für die industrielle Praxis Data Mining für die industrielle Praxis von Ralf Otte, Viktor Otte, Volker Kaiser 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22465 0 Zu Leseprobe schnell und

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

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

Kundengewinnung online - Wie aus anonymen Website- Besuchern Kunden werden

Kundengewinnung online - Wie aus anonymen Website- Besuchern Kunden werden Kundengewinnung online - Wie aus anonymen Website- Besuchern Kunden werden Jahrgang 1969, verheiratet, 2 Kinder Diplom-Informatiker TU München Seit 1996 in Online Branche Seit 1999 selbständig Inhaber

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

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence IBM Netezza Roadshow 30. November 2011 Carsten Bange Gründer & Geschäftsführer BARC Die Krise hat die Anforderungen

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

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

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

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

Data-Mining in Unternehmen die rechtliche Sicht

Data-Mining in Unternehmen die rechtliche Sicht Data-Mining in Unternehmen die rechtliche Sicht 15. Symposium on Privacy and Security, 31. August 2010 Dr. Alois Rimle, Ruoss Vögele Partner, Zürich Übersicht Begriff des Data-Mining 3 Anwendung und Auswirkungen

Mehr

X[iks] Institut für Kommunikation und ServiceDesign

X[iks] Institut für Kommunikation und ServiceDesign Erfolgsfaktoren in der Kundenkommunikation von Dirk Zimmermann Kunden möchten sich, ihre Wünsche, Bedürfnisse und Anliegen in der Kommunikation wiederfinden. Eine Kommunikation nach Kundenzuschnitt ist

Mehr

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte

Mehr

Analyse des Kundenverhaltens im WWW

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

Mehr

Social Media Monitoring Den Kunden zuhören. Teil I

Social Media Monitoring Den Kunden zuhören. Teil I Social Media Monitoring Den Kunden zuhören Teil I DVR: 0438804 Juli 2015 Social Media Monitoring bezeichnet die systematische, kontinuierliche und themenspezifische Suche, Erhebung, Aufbereitung, Analyse,

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

Timo Aden. Google Analytics HANSER

Timo Aden. Google Analytics HANSER Timo Aden Google Analytics HANSER Geleitwort von Patrick Ludolph Vorwort XI XIII Teil I: Google Analytics 1 1 Google Analytics 3 1.1 Google Analytics im Marktumfeld 3 1.2 Google Analytics und Google 5

Mehr

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

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

Mehr

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

Marktstudie 2013 WERBE- UND MEDIENNUTZUNGSVERHALTEN VON UNTERNEHMEN

Marktstudie 2013 WERBE- UND MEDIENNUTZUNGSVERHALTEN VON UNTERNEHMEN Marktstudie 2013 WERBE- UND MEDIENNUTZUNGSVERHALTEN VON UNTERNEHMEN Inhalt Die Studie - Hintergründe Die Teilnehmer Bisheriges Werbeverhalten Zukünftiges Werbeverhalten Crossmediales Werben Zusammenarbeit

Mehr

Erfolgsfaktoren von Customer Relationship Management Strategien

Erfolgsfaktoren von Customer Relationship Management Strategien Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen

Mehr