Matrikelnr: Name: Vorname: Aufgabe Summe Maximal erreichbare Punktzahl Erreichte Punktzahl. Note:

Größe: px
Ab Seite anzeigen:

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

Transkript

1 Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul Business Intelligence Termin: , 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe Summe Maximal erreichbare Punktzahl Erreichte Punktzahl Datum: Note: Unterschrift des Prüfers

2 Allgemeine Hinweise zur Bearbeitung der aufgaben Die Lösungen müssen in den vorgesehenen Raum auf dem Lösungsbogen eingetragen werden. Markieren Sie bei Multiple-Choice Aufgaben die von Ihnen gewählten Alternativen durch ein Kreuz (X) an der dafür vorgesehenen Stelle im Lösungsbogen. Wird nach dem Ergebnis einer Berechnung, nach Begriffen oder nach dem Wahrheitswert einer Aussage gefragt, ist auf dem Lösungsbogen ein entsprechendes Feld zum Eintrag vorgesehen. Sorgen Sie für eindeutige Eintragungen im Lösungsbogen. Für die Bearbeitung der insgesamt 4 aufgaben auf den 17 Seiten dieser stehen Ihnen 120 Minuten zur Verfügung. 1. Die Lösungen müssen in den vorgesehenen Raum auf den Aufgabenblättern eingetragen werden. Lösungen außerhalb des vorgesehenen Raumes werden nicht in die Bewertung einbezogen. 2. Notizen können auf den Rückseiten der Aufgabenblätter gemacht werden. Diese Anmerkungen werden nicht in die Bewertung einbezogen. 3. Bei Beendigung der müssen alle Blätter zusammengeheftet abgegeben werden. Trennen Sie bitte nicht einzelne Blätter ab. Tragen Sie bitte auf dem Deckblatt Ihre Matrikelnummer sowie Ihren Namen und Vornamen ein! Versehen Sie zusätzlich jedes Blatt mit Ihrer Matrikelnummer! Unterschreiben Sie bitte auf jedem Lösungsblatt! Hinweise zur Bewertung der Aufgaben Jede vollständig richtig gelöste Aufgabe oder Teilaufgabe wird mit der an Ort und Stelle angegebenen Punktzahl bewertet. Für die Aufgabe 1 gilt: Es darf nur ein Kreuz pro Teilaufgabe gesetzt werden. Richtig gelöste Teilaufgaben werden mit der angegebenen Punktzahl bewertet. Nicht oder falsch beantwortete Teilaufgaben werden mit Null Punkten bewertet. Für die Aufgabe 4 gilt: Richtig gelöste Teilaufgaben werden mit der anteiligen Punktzahl bewertet. Nicht oder falsch beantwortete Teilaufgaben werden mit Null Punkten bewertet. Für die Aufgaben 2 und 3 gilt: Teilweise richtig gelöste Aufgaben oder Teilaufgaben können mit einer entsprechend verminderten Punktzahl bewertet werden. Wir wünschen Ihnen viel Erfolg bei der Lösung der Aufgaben!

3 1 Aufgabe 1 (20 P) Überprüfen Sie die folgenden Aussagen auf ihre Richtigkeit. Markieren Sie im Lösungsbogen die zutreffende Aussage. Es ist nur EINE Aussage korrekt, d. h. Sie müssen sich für eine Aussage entscheiden und dürfen nur ein Kreuz setzen. a) Welche der folgenden Aussagen ist sinngemäß nicht durch die Definition von Knowledge Discovery in Databases (KDD) nach Fayyad et al. (1996) gestützt? (5 P) Mittels KDD entdeckte Muster in Daten sind... A...valide (valid). B...bislang unbekannt (novel). C... für eine Prognose tauglich (prognostically useful). D... leicht verständlich (understandable). b) Für welche Phase des OODA-Loop nach Boyd (1995) sind die Tätigkeiten Daten sammeln und Trends feststellen charakteristisch? (5 P) A Observe B Orient C Decide D Act c) Zu welcher Phase des Entscheidungsprozesses gehört nach Reichmann (2006) die Planverabschiedung? (5 P) A Kontrollphase B Realisationsphase C Entscheidungsphase D Beurteilungsphase d) Was wird im Comprehensive Decision Model nicht als technologische Grundlage für die Informationsversorgung genannt? (5 P) A Applikationen und Infrastruktur B Nicht-funktionale Anforderungen C Architekturen D Wissensmanagement Übertragen Sie Ihre endgültige Lösung auf den Lösungsbogen!

4 2 Aufgabe 2 (30 P) Der KDD-Prozess der Wissensgenerierung kann nicht für sich allein stehen, sondern muss in das Unternehmen und weitere Prozesse eingebettet werden, damit gute Resultate entstehen können. Die folgende Abb. 2 zeigt die Einordnung des KDD-Prozesses in den Managementkreislauf und das Zusammenspiel mit Data Warehouse und OLAP. Abbildung 2: Der KDD-Prozess im Managementkreislauf (in Anlehnung an Wilde 2001)

5 3 a) Definieren Sie die Begriffe Data Warehouse und OLAP!. Nennen Sie für jeden Schritt des dargestellten KDD-Prozesses außerdem kurz seine Hauptaufgabe! (9 P) b) Wie der Abb. 2 zu entnehmen ist, ist der KDD-Prozess nicht unabhängig zu sehen, sondern ein Teil des übergeordneten Managementprozesses. Dieser Prozess besteht in einer stark aggregierten Form aus den Phasen Planung, Aktion und Wirkungsanalyse (Wilde 2001). Wie ist diese Sichtweise mit dem Phasenmodell nach Simon(1960) in der erweiterten Fassung nach Hummeltenberg (2008) vereinbar? Welche Aufgaben haben demnach die Phasen Planung, Aktion und Wirkungsanalyse im Allgemeinen? (15 P) c) Nach Wilde (2001) ist KDD im Marketing ein Bestandteil der Wirkungsanalyse. Wie beurteilen Sie die Gültigkeit dieser Aussage über das Marketing hinaus? Kann KDD auch in anderen Phasen des Entscheidungsprozesses eingesetzt werden? (6 P) Übertragen Sie Ihre endgültige Lösung auf den Lösungsbogen!

6 4 Aufgabe 3 (30 P) In dieser Aufgabe geht es um einen fiktiven Bildungsanbieter. Dieser hat das Modell der FernUniversität kopiert und bietet Kurse mit jeweils zwei Einsendearbeiten (EAs) und einer an. Zur Teilnahme an der ist das Bestehen mindestens einer EA erforderlich. Im Rahmen der Evaluation wird von den TeilnehmerInnen der Grundlagen des Data Mining durch Eintragung auf dem deckblatt zusätzlich erhoben, wieviel Zeit für die vorbereitung insgesamt investiert wurde. Das Ergebnis ist ausschnitthaft in Tab. 1 festgehalten. Tabelle 1: noten ausgewählter TeilnehmerInnen Matrikel-Nr. EA-1 best. EA-2 best. Vorbereitung [h/semester] Note nein 350 3, nein 220 5, ja 390 1, ja 370 2, nein 0 n. teilg ja 320 2,3 Es soll nun untersucht werden, inwiefern die jeweils anderen Attribute Prediktoren für das Bestehen der einzelnen Einsendearbeiten und der sind. Abb. 3 und 4 zeigen jeweils beispielhaft einen Entscheidungsbaum, der die TeilnehmerInnen danach klassifiziert, ob sie die erste EA bestanden haben oder nicht. Datenbasis EA-2 best. = ja EA-2 best. = nein EA-1 best. = nein Vorbereitung 0 Vorbereitung > 0 EA-1 best. = nein EA-1 best. = ja Abbildung 3: Vorschlag 1 zur Klassifizierung nach Bestehen der ersten Einsendearbeit

7 5 Datenbasis EA-2 best. = ja EA-2 best. = nein EA-1 best. = nein EA-1 best. = ja Abbildung 4: Vorschlag 2 zur Klassifizierung nach Bestehen der ersten Einsendearbeit a) Nennen Sie das grundsätzliche Vorgehen beim Entscheidungsbaumverfahren und beschreiben Sie jeden Schritt kurz. (8 P) b) Benennen Sie mögliche Datenqualitätsprobleme bei den in Tab. 1 angegebenen Daten! Vergleichen und beurteilen Sie die beiden vorgeschlagenen Entscheidungsbäume (Abb. 3 und 4). Welcher Vorschlag bildet die angegebenen Daten besser ab? Welcher Vorschlag bildet die Realität mutmaßlich besser ab? Lässt das gefundene Modell sich plausibel erklären? Begründen Sie Ihre Antworten! (16 P) c) Zeichnen Sie den minimalen Entscheidungsbaum, der alle TeilnehmerInnen aufgrund der Daten in Tab. 1 korrekt danach klassifiziert, ob die bestanden wurde. (6 P) Übertragen Sie Ihre endgültige Lösung auf den Lösungsbogen!

8 6 Aufgabe 4 (20 P) Überprüfen Sie die folgenden Aussagen auf ihre Richtigkeit. Kennzeichnen Sie im Lösungsbogen uneingeschränkt zutreffende Aussagen mit einem Kreuz bei Richtig und bei alle anderen Aussagen mit einem Kreuz bei Falsch. Bitte beachten Sie auch die Hinweise zur Bewertung. a) Bei dem Bezug von BI as a Service übernimmt ein externer Anbieter den Betrieb der BI-Lösung. b) Bei den Dienstleistungen rund um BI as a Service können verschiedene Anbieter kombiniert werden. c) Bei dem Konzept der In-Memory Analytics erfolgen die Zugriffe auf die Daten in der Cloud. d) Bei Open Source BI wird der Betrieb der BI-Lösung an einen externen Dienstleister ausgelagert. e) Enterprise-wide Metadata Repositories sind eine Möglichkeit, um Metadaten, d. h. Daten z. B. über die Struktur, die Inhalte, aber auch Erzeuger der Daten, für alle Analyseund Aufbereitungsprozesse konsistent zur Verfügung zu stellen. f) Microsoft Excel ist immer noch eine häufig genutzte Applikation, um die technische Seite der BI abzudecken. g) Im Gartner Hype Cycle sind die Technologien, die im Trough of Disillusionment landen, nicht für einen Einsatz im Unternehmen geeignet und werden nicht weiterentwickelt. h) BI 2.0 erlaubt die Entwicklung eigener Apps und integriert damit den Nutzer in die Weiterentwicklung der Unternehmens-BI. i) BI ist eine Technik des Data Mining, bei der es darum geht, aus einer großen Datenmenge Informationen zu generieren. j) Der Einsatz von OLAP bedeutet automatisch, dass BI zur richtigen Zeit am richtigen Ort für den richtigen Adressaten zur Verfügung gestellt wird. Übertragen Sie Ihre endgültige Lösung auf den Lösungsbogen!

9 7 Aufgabe 1 (ankreuzen) (20 P) a) b) c) d) A B C D Aufgabe 2 (30 P) a) Definieren Sie die Begriffe Data Warehouse und OLAP!. Nennen Sie für jeden Schritt des dargestellten KDD-Prozesses außerdem kurz seine Hauptaufgabe! (9 P) (Definitionen und Hauptaufgaben nennen)

10 8 (Fortsetzung)

11 9 b) Wie der Abb. 2 zu entnehmen ist, ist der KDD-Prozess nicht unabhängig zu sehen, sondern ein Teil des übergeordneten Managementprozesses. Dieser Prozess besteht in einer stark aggregierten Form aus den Phasen Planung, Aktion und Wirkungsanalyse (Wilde 2001). Wie ist diese Sichtweise mit dem Phasenmodell nach Simon(1960) in der erweiterten Fassung nach Hummeltenberg (2008) vereinbar? Welche Aufgaben haben demnach die Phasen Planung, Aktion und Wirkungsanalyse im Allgemeinen? (15 P) (Bezug zwischen Managementprozess und Phasenmodell herstellen) (Einzelne Phasen diskutieren)

12 10 (Fortsetzung)

13 11 c) Nach Wilde (2001) ist KDD im Marketing ein Bestandteil der Wirkungsanalyse. Wie beurteilen Sie die Gültigkeit dieser Aussage über das Marketing hinaus? Kann KDD auch in anderen Phasen des Entscheidungsprozesses eingesetzt werden? (6 P) (Aussage begründet beurteilen)

14 Aufgabe 3 (30 P) 12 a) Nennen Sie das grundsätzliche Vorgehen beim Entscheidungsbaumverfahren und beschreiben Sie jeden Schritt kurz. (8 P) (Vier Schritte nennen und beschreiben)

15 13 (Fortsetzung)

16 14 b) Benennen Sie mögliche Datenqualitätsprobleme bei den in Tab. 1 angegebenen Daten! Vergleichen und beurteilen Sie die beiden vorgeschlagenen Entscheidungsbäume (Abb. 3 und 4). Welcher Vorschlag bildet die angegebenen Daten besser ab? Welcher Vorschlag bildet die Realität mutmaßlich besser ab? Lässt das gefundene Modell sich plausibel erklären? Begründen Sie Ihre Antworten! (16 P) (Datenqualitätsprobleme benennen und begründen)

17 15 (Vorschläge anhand der Leitfragen begründet beurteilen)

18 16 c) Zeichnen Sie den minimalen Entscheidungsbaum, der alle TeilnehmerInnen aufgrund der Daten in Tab. 1 korrekt danach klassifiziert, ob die bestanden wurde. (6 P) (Zeichnen)

19 17 Aufgabe 4 (Ein Kreuz bei Richtig oder Falsch eintragen) (20 P) a) b) c) d) e) f) g) h) i) j) Richtig Falsch

Fakultät für Wirtschaftswissenschaft. Aufgabenheft zu. Klausur: Modul 32711 Business Intelligence. Termin: 23.09.2014, 11:30 13:30 Uhr

Fakultät für Wirtschaftswissenschaft. Aufgabenheft zu. Klausur: Modul 32711 Business Intelligence. Termin: 23.09.2014, 11:30 13:30 Uhr Fakultät für Wirtschaftswissenschaft Aufgabenheft zu : Modul 32711 Business Intelligence Termin: 23.09.2014, 11:30 13:30 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe 1 2 3 4 Summe

Mehr

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

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 27.09.2013, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

19.03.2012, 11:30-13:30 Uhr

19.03.2012, 11:30-13:30 Uhr Fakultät für Wirtschaftswissenschaft Matrikelnr. Name Vorname : Termin: Prüfer: Modul 31311 IT Governance 19.03.2012, 11:30-13:30 Uhr Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe 1 2 3 4

Mehr

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Aufbaustudium 3. Musterklausur IT-gestützte

Mehr

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Aufbaustudium 1. Musterklausur IT-gestützte

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

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Aufbaustudium 2. Musterklausur Informations-

Mehr

Modul-Abschlussklausur zum. C-Modul Nr. 32551. Supply Chain Management. Datum: Unterschrift des Prüfers

Modul-Abschlussklausur zum. C-Modul Nr. 32551. Supply Chain Management. Datum: Unterschrift des Prüfers FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT MATRIKELNUMMER Name: Vorname: Unterschrift: Modul-Abschlussklausur zum C-Modul Nr. 32551 Supply Chain Management Termin:, 11 30 13 30 Uhr Prüfer: Prof. Dr. Dr. h.c.

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

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

Matr.-Nr.: Name: Vorname: Aufgabe 1 2 3 Summe

Matr.-Nr.: Name: Vorname: Aufgabe 1 2 3 Summe FernUniversität in Hagen Fakultät für Wirtschaftswissenschaft Matr.-Nr.: Name: Vorname: Klausur: Finanz- und bankwirtschaftliche Modelle (32521) Prüfer: Univ.-Prof. Dr. Michael Bitz Termin: 24. September

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG

Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen MUSTERLÖSUNG Institut für Wirtschaftswissenschaftliche Forschung und Weiterbildung GmbH Institut an der FernUniversität in Hagen Name Straße PLZ, Ort IWW Studienprogramm Aufbaustudium 1. Musterklausur Informations-

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

K L A U S U R D E C K B L A T T

K L A U S U R D E C K B L A T T K L A U S U R D E C K B L A T T Name der Prüfung: Einführung in die Robotik Datum und Uhrzeit: 16.04.2014 um 11Uhr Bearbeitungszeit: : Institut: Neuroinformatik Prüfer: Oubbati Vom Prüfungsteilnehmer auszufüllen:

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

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

Klausur Internetanwendungen, 13.03.2014 Seite 1 / 10 HS OWL, FB 7, Malte Wattenberg

Klausur Internetanwendungen, 13.03.2014 Seite 1 / 10 HS OWL, FB 7, Malte Wattenberg Klausur Internetanwendungen, 13.03.2014 Seite 1 / 10 Klausurteilnehmer Name: Matrikelnummer: Wichtige Hinweise Es sind keinerlei Hilfsmittel zugelassen auch keine Taschenrechner! Die Klausur dauert 60

Mehr

Ja, ich möchte ab (Datum) Förderspender im Deutschen Roten Kreuz, Kreisverband Dresden e.v. werden. Ich zahle einen Beitrag von: Verwendungszweck:

Ja, ich möchte ab (Datum) Förderspender im Deutschen Roten Kreuz, Kreisverband Dresden e.v. werden. Ich zahle einen Beitrag von: Verwendungszweck: Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum: Unterschrift: Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum: Unterschrift: Newsletter: ja nein e-mail:* Datum: _ Unterschrift: Datum:

Mehr

Der Gartner Hype Cycle als. prognostischer Hintergrund

Der Gartner Hype Cycle als. prognostischer Hintergrund Der Gartner Hype Cycle als 2 prognostischer Hintergrund Die Digitale Revolution steht nicht bevor, sondern sie entfaltet in vielen Bereichen schon die Kraft der schöpferischen Zerstörung. Eine wichtige

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

F E R N U N I V E R S I T Ä T I N H A G E N

F E R N U N I V E R S I T Ä T I N H A G E N F E R N U N I V E R S I T Ä T I N H A G E N Matrikelnummer FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Name: Vorname: MODULKLAUSUR: Organisation TERMIN: 05.09.2011 PRÜFER: Univ.-Prof. Dr. Ewald Scherm Block A

Mehr

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link

Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Die Bedeutung der Prozessmodellierung bei der Weiterentwicklung des DWHs der DAK Der Innovator als Missing Link Konrad Linner, solvistas GmbH Nürnberg, 20.November 2012 Inhaltsverzeichnis Vorstellung solvistas

Mehr

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence

Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Business Driven Intelligence Mit Excel Know-how webbasierte BI- Applikationen erstellen #MobileBI Jochen Heßler, 16.03.2015 2002 Gegründet in Freiburg, Deutschland 2002 Heute Büros in Freiburg, Frankfurt, Düsseldorf, Paris, Boston

Mehr

Modul-Abschlussklausur zum. C-Modul Nr. 32551. Supply Chain Management. Datum: Unterschrift des Prüfers

Modul-Abschlussklausur zum. C-Modul Nr. 32551. Supply Chain Management. Datum: Unterschrift des Prüfers Fakultät für Wirtschaftswissenschaft Matrikelnummer Name: Vorname: Unterschrift: Modul-Abschlussklausur zum C-Modul Nr. 32551 Supply Chain Management Termin:, 11 30 13 30 Uhr Prüfer: Prof. Dr. Dr. h.c.

Mehr

Einführung in die Wissensverarbeitung und Data Mining

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

Mehr

Vorname:... Matrikel-Nr.:... Unterschrift:...

Vorname:... Matrikel-Nr.:... Unterschrift:... Fachhochschule Mannheim Hochschule für Technik und Gestaltung Fachbereich Informatik Studiengang Bachelor of Computer Science Algorithmen und Datenstrukturen Wintersemester 2003 / 2004 Name:... Vorname:...

Mehr

Antrag auf Feststellung der besonderen Eignung für den Master-Studiengang Betriebswirtschaftslehre

Antrag auf Feststellung der besonderen Eignung für den Master-Studiengang Betriebswirtschaftslehre Technische Universität Dresden Fakultät Wirtschaftswissenschaften Antrag auf Feststellung der besonderen Eignung für den Master-Studiengang Betriebswirtschaftslehre Bewerbungsnummer (aus Online-Bewerbung):

Mehr

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

Mehr

Technische Führung. Bachelor. mer. meiner Note zusammen ... Diplom. gründlich. Sie lesbar! 5. 6. 7. Wenn Sie. Viel Erfolg! max. Punktzahl.

Technische Führung. Bachelor. mer. meiner Note zusammen ... Diplom. gründlich. Sie lesbar! 5. 6. 7. Wenn Sie. Viel Erfolg! max. Punktzahl. Technische Universität Braunschweig Institut für Organisation und Führung Bachelorprüfung/Diplomvorprüfung Einführung in die Unternehmensführung (BWL 1) Wintersemester 2009/2010, 11. Februar 2010 Name,

Mehr

BI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45

BI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Prüfung Software Engineering I (IB)

Prüfung Software Engineering I (IB) Hochschule für angewandte Wissenschaften München Fakultät für Informatik und Mathematik Studiengruppe IB 4 A Sommersemester 2015 Prüfung Software Engineering I (IB) Datum : 09.07.2015, 14:30 Uhr Bearbeitungszeit

Mehr

Open Source als de-facto Standard bei Swisscom Cloud Services

Open Source als de-facto Standard bei Swisscom Cloud Services Open Source als de-facto Standard bei Swisscom Cloud Services Dr. Marcus Brunner Head of Standardization Strategy and Innovation Swisscom marcus.brunner@swisscom.com Viele Clouds, viele Trends, viele Technologien

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

Bachelor-, Diplom- und Masterprüfung Organisation und Führung Wintersemester 2010/2011, 29. März 2011

Bachelor-, Diplom- und Masterprüfung Organisation und Führung Wintersemester 2010/2011, 29. März 2011 Bachelor-, Diplom- und Masterprüfung Organisation und Führung Wintersemester 2010/2011, 29. März 2011 Name, Vorname:... Matr.-Nr.:... Studiengang:... Ich bestätige hiermit, dass ich der Veröffentlichung

Mehr

Auf dem Weg in die Business Intelligence Cloud

Auf dem Weg in die Business Intelligence Cloud Auf dem Weg in die Business Intelligence Cloud Prof. Andreas Seufert analysiert Potentiale von Cloud Computing und Business Intelligence von Norman Bernhardt, Andreas Seufert 19. Januar 2011 Motivation

Mehr

Matr.-Nr.: Name: Vorname:

Matr.-Nr.: Name: Vorname: FernUniversität in Hagen Fakultät für Wirtschaftswissenschaft Matr.-Nr.: Name: Vorname: Klausur: Prüfer: 31521 Banken und Börsen Prof. Dr. Rainer Baule Termin: 06.03.2014 Aufgabe 1 2 3 4 Summe maximale

Mehr

Business and Data Understanding. Business und Data Understanding

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

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

Mehr

PRÜFUNG. Grundlagen der Softwaretechnik

PRÜFUNG. Grundlagen der Softwaretechnik Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG Grundlagen der Softwaretechnik Name: Matrikelnummer: Note: Prüfungstag: 21.09.2012 Prüfungsdauer:

Mehr

Aufgabe 1 (Excel) Anwendungssoftware 1 / 11 Semesterschlussprüfung 21.06.2004

Aufgabe 1 (Excel) Anwendungssoftware 1 / 11 Semesterschlussprüfung 21.06.2004 Anwendungssoftware 1 / 11 Dauer der Prüfung: 90 Minuten. Es sind alle fünf Aufgaben mit allen Teilaufgaben zu lösen. Versuchen Sie, Ihre Lösungen soweit wie möglich direkt auf diese Aufgabenblätter zu

Mehr

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch?

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch? Oberseminar Data Mining 07. April 2010 Methodik des Data Mining Knowledge Discovery In Databases oder auch Data Mining - Der moderne Goldrausch? Data Mining...? Hochleistungsrechnen Geoinformationssysteme

Mehr

BA-Klausur im Fach. Soziale Sicherheit

BA-Klausur im Fach. Soziale Sicherheit BA-Klausur im Fach Soziale Sicherheit Wirtschaftswissenschaftliche Fakultät der Friedrich-Schiller-Universität Jena Prof. Dr. Silke Übelmesser Sommersemester 2015 21. Juli 2015 Vorname: Nachname: Studiengang:

Mehr

Fachhochschule Bochum Fachhochschule Münster Fachhochschule Südwestfalen

Fachhochschule Bochum Fachhochschule Münster Fachhochschule Südwestfalen Fachhochschule Bochum Fachhochschule Münster Fachhochschule Südwestfalen Verbundstudiengang Technische Betriebswirtschaft Prof. Dr. rer. nat. habil. J. Resch Teilprüfung: Mathematik 1 (Modul) Termin: Februar

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

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

Mehr

Software Engineering Übung 4 Architektur, Modulentwurf

Software Engineering Übung 4 Architektur, Modulentwurf software evolution & architecture lab Software Engineering Übung 4 Architektur, Modulentwurf 1 Informationen 1.1 Daten Ausgabe Di 27.10.2009 Abgabe So 08.11.2009 bis 23:59 Uhr Besprechung am Di 17.11.2009

Mehr

Klausur: Finanzintermediation und Bankmanagement. Aufgabe 1 2 3 4 Summe. Maximale Rohpunktzahl 12 32 32 24 100

Klausur: Finanzintermediation und Bankmanagement. Aufgabe 1 2 3 4 Summe. Maximale Rohpunktzahl 12 32 32 24 100 FernUniversität in Hagen Fakultät für Wirtschaftswissenschaft Matrikelnr.: Name: Vorname: Klausur: Finanzintermediation und Bankmanagement Prüfer: Prof. Dr. Rainer Baule Termin: 03.09.2015; 11:3013:30

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Acceleris Data Center Consulting IT auf dem Weg zur Industrialisierung

Acceleris Data Center Consulting IT auf dem Weg zur Industrialisierung Acceleris Data Center Consulting IT auf dem Weg zur Industrialisierung Open Cloud Day, 10.06.2014 Data Center Evolution Der Weg zur Wolke ein Phasenmodell Physikalisch Virtualisiert Cloud > Die Applikations-

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

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

Klausur zur Vorlesung Organisationstheorie und Change Management Sommersemester 06, Termin 1, 18.07.06

Klausur zur Vorlesung Organisationstheorie und Change Management Sommersemester 06, Termin 1, 18.07.06 Institut für öffentliche Wirtschaft und Personal AB Organisation und Prof. Dr. Jetta Frost Klausur zur Vorlesung Organisationstheorie und Sommersemester 06, Termin 1, 18.07.06 Name, Vorname: Matrikelnummer:

Mehr

SAS Analytics bringt SAP HANA in den Fachbereich

SAS Analytics bringt SAP HANA in den Fachbereich Pressemitteilung Hamburg, 08. November 2013 SAS Analytics bringt SAP HANA in den Fachbereich Ergonomie kombiniert mit Leistungsfähigkeit: die BI-Experten der accantec group geben der neuen Partnerschaft

Mehr

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015

BICE. Business Intelligence in the Cloud for Energy. Zwischenpräsentation Oldenburg, 25.02.2015 BICE Business Intelligence in the Cloud for Energy Zwischenpräsentation Oldenburg, 25.02.205 Verfasser: Projektgruppe Business Intelligence as a Service Gliederung Projektgruppe Meilensteinplan Problemstellung

Mehr

Data Mining Anwendungen und Techniken

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

Mehr

ORIENTIERUNGSARBEIT (OA 11) Geographie. Fachgruppe der Gymnasien des Kantons Baselland. Taschenrechner (alle eigenen Programme und Daten gelöscht)

ORIENTIERUNGSARBEIT (OA 11) Geographie. Fachgruppe der Gymnasien des Kantons Baselland. Taschenrechner (alle eigenen Programme und Daten gelöscht) Gymnasium 2. Klassen MAR Code-Nr. (5-stellig):............... Schuljahr 2007 /2008 Datum der Durchführung: Dienstag, 11.03.08 ORIENTIERUNGSARBEIT (OA 11) Gymnasium Geographie Verfasser: Zeit: Fachgruppe

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

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

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Aufgabe 1 2 3 4 5 Gesamt. Maximale Punktzahl 26 8 18 24 24 100

Aufgabe 1 2 3 4 5 Gesamt. Maximale Punktzahl 26 8 18 24 24 100 Fakultät für Wirtschaftswissenschaft Lehrstuhl für Betriebswirtschaftslehre, insbesondere Investitionstheorie und Unternehmensbewertung Name : Vorname : Modulklausur: Unternehmensgründung (31581) Termin:

Mehr

Musterlösung zur Klausur Prozess- und Daten-Modellierung. Termin: 2006-10-19, 8:00 09:30 Uhr

Musterlösung zur Klausur Prozess- und Daten-Modellierung. Termin: 2006-10-19, 8:00 09:30 Uhr Musterlösung zur Klausur Prozess- und Daten-Modellierung Termin: 006-10-19, 8:00 09:30 Uhr Name:... Vorname:... Strasse:... PLZ, Ort:... Matrikel-Nr.:... Wirtschafts- und Sozialwissenschaftliche Fakultät

Mehr

Andreas Emhart Geschäftsführer Alegri International Group

Andreas Emhart Geschäftsführer Alegri International Group Andreas Emhart Geschäftsführer Alegri International Group Agenda Vorstellung Alegri International Überblick Microsoft Business Intelligence Sharepoint Standard Business Intelligence Tool Excel Service

Mehr

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

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

Mehr

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

Klausur Datenbanksysteme

Klausur Datenbanksysteme Prüfung Datenbanksysteme, 31.Jan. 2003 S. 1 Klausur Datenbanksysteme Name: Matrikel-Nr.: Studiengang: Aufgabenblatt nicht vor Beginn der Prüfung umdrehen! Prüfer: Prof. Dr. Martin Hulin Dauer: 90 Minuten

Mehr

Matr.-Nr.: Name: Vorname:

Matr.-Nr.: Name: Vorname: FernUniversität in Hagen Fakultät für Wirtschaftswissenschaft Matr.-Nr.: Name: Vorname: Klausur: Prüfer: 31511 Finanzwirtschaft: Vertiefung Prof. Dr. Rainer Baule Termin: 5. März 2015 Aufgabe 1 2 3 Summe

Mehr

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004

BIW - Überblick. Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 BIW - Überblick Präsentation und Discoverer Demonstration - Teil 1 - Humboldt Universität zu Berlin am 10. Juni 2004 Annegret Warnecke Senior Sales Consultant Oracle Deutschland GmbH Berlin Agenda Überblick

Mehr

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten

Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Vorname: Nachname: Matrikelnummer: Studiengang: Bei der Klausur sind keine Hilfsmittel

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

Merkblatt zu den Modulabschlussklausuren des Masterstudiengangs Anwaltsrecht und Anwaltspraxis :

Merkblatt zu den Modulabschlussklausuren des Masterstudiengangs Anwaltsrecht und Anwaltspraxis : Merkblatt zu den Modulabschlussklausuren des Masterstudiengangs Anwaltsrecht und Anwaltspraxis : Gemäß 12 Abs. 1 der Prüfungsordnung für den Masterstudiengang Anwaltsrecht und Anwaltspraxis wird die erfolgreiche

Mehr

PRÜFUNG. Grundlagen der Softwaretechnik

PRÜFUNG. Grundlagen der Softwaretechnik Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG Grundlagen der Softwaretechnik Vorname: Name: Matrikelnummer: Prüfungstag: 19.02.2015

Mehr

Virtual Roundtable: Business Intelligence - Trends

Virtual Roundtable: Business Intelligence - Trends Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,

Mehr

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

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

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement

Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement Prüfung: Vorlesung Finanzierungstheorie und Wertpapiermanagement Die Prüfung zur Vorlesung Finanzierungstheorie und Wertpapiermanagement umfasst 20 Multiple Choice Fragen, wofür insgesamt 90 Minuten zur

Mehr

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO innovation@work Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai 2013 1 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche

Mehr

PRÜFUNG. Grundlagen der Softwaretechnik

PRÜFUNG. Grundlagen der Softwaretechnik Universität Stuttgart Institut für Automatisierungs- und Softwaretechnik Prof. Dr.-Ing. Dr. h. c. P. Göhner PRÜFUNG Grundlagen der Softwaretechnik Musterlösung Name: Matrikelnummer: Note: Prüfungstag:

Mehr

Cloud Computing in der öffentlichen Verwaltung

Cloud Computing in der öffentlichen Verwaltung Cloud Computing in der öffentlichen Verwaltung Willy Müller /ch/open - 5.4.2012 Sie alle sind Cloud-Nutzer 2 3 Cloud-Computing als Weiterentwicklung von SOA Business process as a Service Software as a

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

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP V04 02. Mai 2011, 16.15-17.45 Uhr, ITS-Pool nur zugelassene Teilnehmer Niedersächsisches Hochschulkompetenzzentrum für SAP (CCC) Aktuelles

Mehr

Management Support Systeme

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

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

Menschen entscheiden über Geschäftserfolg

Menschen entscheiden über Geschäftserfolg 1C01 Die Microsoft Business Intelligence- Plattform: SQL Server 2005, das 2007 Office System und Office Business Applications Steffen Krause Technologieberater Microsoft Deutschland GmbH http://blogs.technet.com/steffenk

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

Mehr

Software Qualität: Übung 3

Software Qualität: Übung 3 1. Informationen Formales Software Qualität: Übung 3 ISO/IEC 9126 Quality Function Deployment Zielbäume CMMI Abgabetermin: Freitag 8. Juni 2007, 18.00 CET (Central European Time) Abgaben per e-mail an

Mehr

K L A U S U R D E C K B L A T T

K L A U S U R D E C K B L A T T K L A U S U R D E C K B L A T T Name der Prüfung: Einführung in die Robotik Datum und Uhrzeit: 25.02.2014 um 11Uhr Bearbeitungszeit: : Institut: Neuroinformatik Prüfer: Oubbati Vom Prüfungsteilnehmer auszufüllen:

Mehr

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen.

Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Mehr Visibility. Wie Sie täglich mehr aus Ihren Daten machen. Definitionen Business Intelligence (BI) bezeichnet Verfahren, Prozesse und Techniken zur systematischen Analyse von Daten in elektronischer

Mehr

Big Data, small Data und alles dazwischen!

Big Data, small Data und alles dazwischen! Technologische Entwicklung Governance & Compliance Entwicklung 15.05.2015 Big Data, small Data und alles dazwischen! Wien, 20.5.2015 Herbert Stauffer Geschichtliche Entwicklung der Weg zu Big Data 1970

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

Einführung in die objektorientierte Programmierung mit Java. Klausur am 19. Oktober 2005

Einführung in die objektorientierte Programmierung mit Java. Klausur am 19. Oktober 2005 Einführung in die objektorientierte Programmierung mit Java Klausur am 19. Oktober 2005 Matrikelnummer: Nachname: Vorname: Semesteranzahl: Die Klausur besteht aus drei Frageblöcken zu den Inhalten der

Mehr

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

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

Mehr

Prüfung Software Engineering II (IB)

Prüfung Software Engineering II (IB) Hochschule für angewandte Wissenschaften München Fakultät für Informatik und Mathematik Studiengruppe IB 4 A Sommersemester 2015 Prüfung Software Engineering II (IB) Datum : 20.07.2015, 12:30 Uhr Bearbeitungszeit

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

MitarbeiterInnenbefragung

MitarbeiterInnenbefragung ualität im Krankenhaus ein Kooperationsprojekt der Strukturkommission MitarbeiterInnenbefragung OP-Organisation Lfnr: KRANKENHAUS: V1 Liebe MitarbeiterIn, lieber Mitarbeiter! Unser Krankenhaus nimmt an

Mehr

O-BIEE Einführung mit Beispielen aus der Praxis

O-BIEE Einführung mit Beispielen aus der Praxis O-BIEE Einführung mit Beispielen aus der Praxis Stefan Hess Business Intelligence Trivadis GmbH, Stuttgart 2. Dezember 2008 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg

Mehr

Gruppe A PRÜFUNG AUS SEMISTRUKTURIERTE DATEN 184.705 2. 12. 2013 Kennnr. Matrikelnr. Familienname Vorname

Gruppe A PRÜFUNG AUS SEMISTRUKTURIERTE DATEN 184.705 2. 12. 2013 Kennnr. Matrikelnr. Familienname Vorname Gruppe A PRÜFUNG AUS SEMISTRUKTURIERTE DATEN 184.705 2. 12. 2013 Kennnr. Matrikelnr. Familienname Vorname Arbeitszeit: 100 Minuten. Aufgaben sind auf den Angabeblättern zu lösen; Zusatzblätter werden nicht

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

Mehr