Der Einsatz von Business Intelligence im CRM- Umfeld (analytisches CRM)

Größe: px
Ab Seite anzeigen:

Download "Der Einsatz von Business Intelligence im CRM- Umfeld (analytisches CRM)"

Transkript

1 Der Einsatz von Business Intelligence im CRM- Umfeld (analytisches CRM) Mario Dini Stefan Haltmeier Seminar ecrm, Departement für Informationssysteme, Universität Fribourg, Schweiz Eingereicht bei Prof. Dr. A. Meier und Darius Zumstein Abstract In dieser Arbeit wird zuerst auf den analytischen Teil des Customer Relationship Managements eingegangen und dann werden die dazugehörenden Datenanalyseinstrumente OLAP und Data Mining erklärt, welche als Hauptinstrumente von Business Intelligence- Systemen gelten. In einem zweiten Schritt soll die Begriffsdefinition des Schlagworts Business Intelligence (BI) im Vergleich zum acrm gemacht werden. Im zweiten Teil dieser Arbeit wird anhand eines praktischen Beispiels ein möglicher Lösungsansatz eines BI-Systems im CRM-Umfeld aufgezeigt werden, welcher in Zusammenarbeit mit Marionnaud- Parfümerien und dem IT Beratungsunternehmen Elca Informatik AG durchgeführt wurde.

2 Inhaltsverzeichnis......II Abbildungsverzeichnis. III Theoretischer Teil Einleitung Analytisches Customer Relationship Management Kundendaten Kundenkarte Integration der Daten Data Warehouse Datenanalyse OLAP Online Analytical Processing Data Mining 6 3. Business Intelligence Definition Analytisches CRM und Business Intelligence Architektur eins BI-Systems Anwendungsbereich von BI Software 11 Praktischer Teil Business Intelligence in der Praxis Kundenpflege im Fokus Der Business Intelligence Markt Best Practice Business Intelligence im Einsatz bei Marionnaud Das Unternehmen Ansprüche des Kunden Projektabwicklung und Betrieb Erfahrungen Schlussbetrachtung 17 Literaturverzeichnis IV II

3 Abbildungsverzeichnis Abbildung 1: acrm und der Customer Lifecycle 2 Abbildung 2: Slice and Dice nach Produkt, Region, Zeit Abbildung 3: Data Mining Anwendungen nach Lusti..7 Abbildung 4: Facetten von BI...9 Abbildung 5: BI-Ordnungsrahmen..10 Abbildung 6: Der Business Intelligence Markt Abbildung 7: IT-Landscape bei Marionnaud..16 III

4 Theoretischer Teil 1. Einleitung Business Intelligence und Customer Relationship Management sind nicht mehr nur unter IT-Spezialisten bekannte Ausdrücke, auch im Firmenalltag nutzen immer mehr Arbeitnehmer deren Vorteile und begegnen den Problemen dieser Ansätze. Diese Arbeit hat zum Ziel, das analytische CRM und Business Intelligence zu erläutern und anhand einer Case Study die Implementierung eines BI Systems im Detailhandel aufzuzeigen. Die Case Study wurde in Zusammenarbeit mit Marionnaud-Parfümerien und dem IT Beratungsunternehmen Elca Informatik AG durchgeführt, und die Autoren bedanken sich herzlich für die Kooperation. Während den Recherchen und dem Literaturstudium hat sich gezeigt, dass vor allem im Bereich Business Intelligence noch sehr viele verschiedene Auffassungen und Definitionsansätze bestehen, währenddem das analytische CRM in der Literatur weniger kontrovers diskutiert wird. Um dem Schnittpunkt zwischen Business Intelligence und analytischem CRM Rechnung zu tragen, haben die Autoren einen Definitionsvorschlag für Business Intelligence im CRM erarbeitet. 1

5 2. Analytisches Customer Relationship Management Durch die systematische Aufzeichnung von Kundendaten und Kundenreaktionen und deren Auswertung werden die kundenbezogenen Geschäftsprozesse optimiert. Durch die Rückführung der ausgewerteten Daten wird das CRM zu einem lernenden System (Hippner 2006, S. 364). Dabei wird der ganze Customer Lifecycle abgedeckt. Abbildung 1: acrm und der Customer Lifecycle (Stahlbock/Lessmann 2003, S. 7) In Abbildung 1 ist mit dem Customer Lifecycle eines der wichtigsten Konstrukte des CRM abgebildet. Es wird aufgezeigt wie die Instrumente OLAP und Data Mining beim Kundenmanagement helfen können. 2.1 Kundendaten Die Informationen über Kunden sind die Grundlage für die weiteren Schritte im analytischen CRM; deswegen ist ihrer Erhebung auch besondere Sorgfalt zu widmen. Es lassen sich intern an den Customer Touch Points anfallende oder extern zugekaufte Kundendaten unterscheiden (Hippner 2006, S. 365). Dazu kommen historische Kundendaten, also vergangenheitsbezogene Daten über früheres Verhalten von Kunden. Da sich die Bedürfnisse der einzelnen Unternehmungen stark unterscheiden, kann nicht allgemein definiert wer- 2

6 den, was für Kundendaten gespeichert werden sollten. Grundsätzlich lassen sich nach Hippner (2006, S. 368) aber folgende Kategorien einteilen: Identifikationsdaten: Adress- und Kontaktdaten. Deskriptionsdaten: Eigenheiten der Kunden (z.b. Daten zur Demo-, Sozio- und Psychographie). Transaktionsdaten: Bisheriges Kauf- und Konsumverhalten. Kommunikationsdaten: Daten über die Kommunikation zwischen Kunde und Unternehmen (Anfragen, Angebote, Beschwerden) Kundenkarte Für den Detailhandel besonders wichtig ist die Kundenkarte. Damit kann am Point of Sale die Transaktion zwischen dem Kunden und dem Geschäft aufgezeichnet und die daraus entstehenden Daten gespeichert werden. Im Detailhandel kommuniziert der Kunde selten direkt mit einer Führungskraft des Unternehmens, es wird generell weniger kommuniziert als in einem B2B-Verhältnis. Gerade deshalb ist die Kundenkarte für Unternehmungen wie Marionnaud unerlässlich. Die Kundenkarte ist nach Walter/Schmidt (Walter/Schmidt 2004, S. 39f.) für folgende Ziele nützlich: Marktforschung: Die Einkäufe der Kunden können registriert und analysiert werden, dies gibt Aufschluss über die individuellen Bedürfnisse der Kunden und ermöglicht somit eine gezielte Befriedigung. Individualisierte Kundenansprache: Die Reduzierung von Streuverlusten bei Werbekampagnen spielt eine grosse Rolle und ermöglicht erhebliche Einsparungen. Das richtige Angebot sollte zur richtigen Zeit zum richtigen Kunden gelangen. Differenzierung vom Wettbewerb: In einem Markt mit vergleichbaren bzw. austauschbaren Gütern kann die Kundenkarte eine Service Leistung darstellen, die dabei hilft, sich von der Konkurrenz zu unterscheiden. Cross Selling, Kundentreue, Kundenbindung. Der Parfümerie- und Pflegeproduktmarkt ist sehr umkämpft, und die Produkte sind komplett austauschbar. Oft werden in der gleichen Einkaufsstrasse von mehreren Geschäften die gleichen Produkte angeboten. Neben anderen Faktoren bietet die Kundenkarte bzw. die Analyse der Kundendaten eine gute Möglichkeit sich zu differenzieren. 3

7 2.2 Integration der Daten Um eine Analyse zu ermöglichen, welche nützliche Erkenntnisse über den Kunden liefert, ist es unabdingbar, die anfallenden und gesammelten Daten aus den verschiedenen Unternehmensbereichen zusammenzuführen (Hippner 2006, S. 368). Die Integration der Kunden- und Marktforschungsdaten, welche unterschiedliche Aggregationsniveaus besitzen, geschieht durch das Data Matching. Dabei werden die externen mit den internen Daten abgeglichen. Vor allem die soziographischen und demographischen Informationen der Marktforschungsunternehmen sind ja auch in den Kundendatensätzen vorhanden. Die Ergebnisse der Marktforschung können auf die Kundenebene übertragen werden (Hippner 2006, S. 369). Um die Kundendaten abteilungsübergreifend verfügbar zu machen, wird ein integriertes CRM System benötigt. Bestehende Insellösungen werden zusammengeführt und die Daten zentral gespeichert. Dies ermöglicht eine ganzheitliche Sicht auf die Kundendaten und die Unterstützung von Kundenprozessen über die Abteilungsgrenzen von Service, Marketing und Vertrieb (Hippner 2006, S. 369) Data Warehouse Um die Zusammenführung der Daten zu ermöglichen und Analyseinstrumente einsetzen zu können, ist die Einführung von Data Warehousing empfehlenswert. Bei einem Data Warehouse handelt es sich um eine bereichsübergreifende analytische Datenbank, in welcher die operativen Daten gesammelt, strukturiert und verdichtet werden (Lusti 2002, S. 132). Hauptziel des Data Warehouse im CRM ist die Entscheidungsunterstützung (u.a. Hippner 2006, S. 396; Lusti 2002, S. 130). Das Data Warehouse ermöglicht eine präzise und gezielte Kundenanalyse und damit effizienteres Einsetzen der Marketingressourcen (Hippner 2006, S. 370). Ein Data Mart ist eine spezialisierte Datenbank, die meistens top-down aus einem Data Warehouse abgeleitet wurde. Der Data Mart erhält die Daten, die z.b. von einer bestimmten Arbeitgruppe benötigt werden, vom zentralen Data Warehouse zur Verfügung gestellt. Durch diese Extraktion der benötigten Daten ist es möglich, die Datenanalyse schnell und effizient durchzuführen (Lusti 2002, S. 135ff.). 4

8 2.3 Datenanalyse Die Aufgabe der Datenanalyse ist die Beantwortung von spezifischen Fragen. Der Standartfall einer Datenanalyse ist ein so genanntes Top-down-Problem. Man sucht in der Datenbank nach Informationen, welche eine Hypothese stützen oder widerlegen. Die Analyse beschränkt sich somit auf das Suchen und Zusammenfassen von Kriterien, die in der Fragestellung enthalten sind (Neckel/Knobloch 2005, S. 78f.). Dazu geeignet sind OLAP Tools. Im Fallbeispiel von Marionnaud könnte dies die Frage sein: Wer hat Chanel Allure Sport und ein Hautpflegeprodukt gekauft? Die Antwort auf diese Frage könnte die Hypothese stützen, dass besonders viele Kunden, welche Chanel Allure Sport kaufen auch Hautpflegeprodukten nicht abgeneigt sind. Bei einem Bottom-up-Problem weiss man jedoch nicht so genau, nach welchen Kriterien man in den Daten sucht. Die Fragestellung ist ungenau, und es herrschen keine Begrenzungen durch konkrete Annahmen, was die Suche deutlich komplexer gestaltet. Man versucht ein betriebliches Problem anhand von Regelmässigkeiten, Zusammenhängen oder Mustern in den Datensätzen zu lösen (Neckel/Knobloch 2005, S. 81). Für Marionnaud wäre es beispielsweise interessant zu wissen, welche Produkte besonders oft zusammen verkauft werden, um diese auch am POS so zu präsentieren. Um dies herauszufinden, eignen sich Data Mining Methoden, welche in Kapitel näher beschrieben werden OLAP Online Analytical Processing Nebst traditioneller Statistik und Datenbankabfragen ist auch das OLAP den Analyseinstrumenten zur Hypothesenverifikation zuzurechnen. OLAP-Werkzeuge greifen auf das Data Warehouse zu, oder sind Bestandteil davon (Neckel/Knobloch 2005, S. 79). Die Navigation im multidimensionalen Datenraum ist das Hauptmerkmal von OLAP. Dabei wird ein Hypercube erstellt, der die gefragten Daten, im Falle von drei Dimensionen in einem Würfel darstellt. Im Fallbeispiel kann der Umsatz als Kennzahl nach den Dimensionen Region, Produkt und Zeit analysiert werden (Neckel/Knobloch 2005, S. 79). Mit OLAP Tools können schnelle und genaue Abfragen aus grossen Datenbanken gemacht werden. Gegenüber einer SQL-Abfrage, welche bei einer grossen Datenbank Stunden dauern kann, sind die Resultate bei einer OLAP-Anfrage innert Sekunden verfügbar (Berry/Linoff 1997, S. 387ff.). Das Problem bei OLAP ist das Erstellen des Datencubes. Diese Arbeit kann Tage oder Wochen dauern (Berry/Linoff 1997, S. 389). 5

9 Die wichtigsten Navigationsfunktionen in einem Hypercube sind Drill Down/Roll-Up, Slice and Dice, Rotate und OLAP Join. Diese Termini beschreiben die Änderung der Aggregationsstufe, das Herausschneiden von Teilen des Würfels, das Drehen zur Abbildung 2: Slice and Dice nach Produkt, Region, Zeit. Kemper/Mehana/Unger 2006, S. 98. Veränderung der Perspektive und das Verknüpfen der Kennzahlen durch mathematische Operationen (Neckel/Knobloch 2005, S. 80). In Abbildung 2 wird mit Silce eine der gängigsten OLAP-Funktion gezeigt. Mit einer solchen OLAP-Abfrage ist es beispielsweise möglich herauszufinden, ob ein bestimmtes Parfüm in einer Region an einem bestimmten Tag besser verkauft wurde. Eine Warenkorbanalyse kann danach Auskunft geben, ob noch weitere Produkte diesem Muster unterliegen. So entstehen neue Informationen und neue Möglichkeiten diese Informationen zu nutzen Data Mining Data Mining oder Knowledge Discovery in Databases ist definiert als Entdeckung gültiger, neuer, potentiell nützlicher und verständlicher Muster in Datenbeständen (Neckel/Knobloch 2005, S. 80). Auch die wortwörtliche Übersetzung aus dem Englischen gibt Hinweis auf die Definition, to mine bedeutet schürfen, eine Anspielung auf den Bergbau. 6

10 Die Data Mining-Verfahren sind also explorative, datengetriebene Analysemethoden. Die Methoden im engeren Sinn umfassen die Regelinduktion und neuronale Netze. Unter Regelinduktion versteht man die Induktion von Entscheidungsbäumen aus einer Datengesamtheit (Lusti 2002, S. 260ff.). Klasse Aufgabe Anwendung Methodenbeispiel Klassifikation Individuen bereits existierenden Klassen zuordnen Bonitätsbeurteilung Regelinduktion Neuronale Netze Vorhersage Kontinuierliche zukünftige Werte aus unabhängigen Variabeln berechnen Bonitätsbeurteilung Kaufwahrscheinlichkeiten Neuronale Netze Regression Clustering Gruppen aufgrund von Ähnlichkeiten zwischen Individuen identifizieren Werbeadressaten einteilen Neuronale Netze Clusteranalyse Assoziation Abhängigkeiten entdecken und quantifizieren Marktkorbanalyse Statistische Zusammenhangsanalyse Text/Web Mining Textmuster suchen Information Retrieval Suchalgorithmen Abbildung 3: Data Mining Anwendungen nach Lusti (2002, S. 262) Für Marionnaud könnte die Frage lauten: Was zeichnet unseren typischen Kunden aus? Der Entscheidungsbaum besteht aus einer hierarchisch verknüpften Menge von Regeln, deren schrittweise Abarbeitung die Frage beantwortet (Lusti 2002, S. 266ff.). Neuronale Netze arbeiten deutlich komplexer, jedoch auf das gleiche Ziel hinaus. Wie in Abbildung 3 dargestellt ist die Klassifikation eine von fünf verschiedenen Anwendungsklassen des Data Mining. Weiter dazu gehören Vorhersage, Clustering, Assoziation und Text/Web Mining. Beim Clusterverfahren werden Segmente, Gruppen oder Klassen gebildet, die möglichst homogen sind, sich allerdings signifikant von den anderen unterscheiden. Das bekannteste Verfahren dazu, ist der K-Means-Algorithmus. Ein sich wiederholender Prozess, bei dem Datenobjekte durch ein Ähnlichkeitsmass zu Cluster zugeordnet werden (Gluchowski/Gabriel/Dittma 2008, S. 196 f.). Eine scharfe Trennung von datengetriebenen und hypothesengetriebenen Problemen ist in der Praxis nicht zu finden. Es gibt keine vollkommen hypothesefreien Fragestellungen, zumal es wenig sinnvoll wäre, nach Mustern zu suchen, welche gar keinen Zusammenhang mit der Unternehmenstätigkeit haben (Neckel/Knobloch 2005, S. 83). 7

11 Data Mining-Anwendungen können über die ganze Spanne des Customer Lifecycle benützt werden (siehe auch Abbildung 1, S. 1). Es können Werbeadressaten anhand der Ähnlichkeit mit bestehenden Kunden ausgewählt werden. Bestehende Kunden können mit Cross/Up-Selling-Kampagnen dazu bewegt werden, mehr/andere Produkte zu kaufen. Auch in der Customer Recovery-Phase können Data Mining-Techniken eingesetzt werden. Die Churn Rate-Modelle sagen die Wahrscheinlichkeit voraus, dass ein Kunde seine Beziehung zum Unternehmen beendet (Berry/Linoff 2000, S. 72ff.). 3. Business Intelligence 3.1 Definition Business Intelligence (BI) als Schlagwort der Stunde ist vielschichtig definiert. Der Ursprung von BI kann in den ersten Gehversuchen der IT-basierten Managementunterstützung gesehen werden. Vor über 20 Jahren wurden die Management Support Systems als the use of computers and related information technologies to support managers (Scott Morton 1983, S. 5) definiert. Schon damals hatte Scott Morton in Zusammenarbeit mit Rockart (1983, S. 10) eine erstaunliche Voraussage gemacht, bei der sie executive databases beschreiben, die der Unterstützung des Managements dienen. Diese Datenbanken verfügen sowohl über externe, wie auch interne Daten und es können analytic processes angewendet werden. Obwohl der BI Begriff erst Mitte der 1990er Jahre von der Gartner Group ins Spiel gebracht wurde, kommt der Gedanke von Scott Morton/Rockart dem weiten BI Verständnis von heute doch sehr nahe. Die Gartner Group definierte Business Intelligence wie folgt: Data analysis, reporting, and query tools can help business users wade through a sea of data to synthesize valuable information from it today these tools collectively fall into a category called Business Intelligence (Anandarajan/Srinivasan/Anandarajan 2004, S. 19). Ein Business Intelligence System wird von Negash/Gray (2003, S. 3190) folgendermassen definiert: BI systems combine data gathering, data storage and knowledge management with analytical tools to present complex and competitive to planners and decision makers. Kemper / Mehanna / Unger (2006, S. 8) definieren Business Intelligence als integrierter, unternehmensspezifischer, IT basierter Gesamtansatz zur betrieblichen Entscheidungsunterstützung. 8

12 Kemper/Mehanna/Unger (2006, S. 2ff.) differenzieren bei der Begriffsdefinition zwischen engem, weiten und analyseorientiertem BI Verständnis. In Abbildung 4 sieht man, dass das analytische CRM als Anwendung und in der Datenauswertung aufgeführt wird. Abbildung 4: Facetten von BI (Kemper/Mehanna/Unger 2006, S. 4) 3.2 Analytisches CRM und Business Intelligence Um das analytische CRM und BI als Einheit zu verstehen, hilft das analyseorientierte BI Verständnis. Es definiert BI als sämtliche Anwendungen, bei denen der Entscheider direkt mit dem System arbeitet und Zugriff auf die interaktive Benutzungsoberfläche hat. Dazu gehören unter anderen OLAP und Data Mining (Kemper/Mehanna/Unger 2006, S. 4). Eine CRM spezifische, eigene Definition von BI könnte wie folgt lauten: Business Intelligence im CRM Umfeld ist zu verstehen als Anwendung von Analyseinstrumenten an den integrierten Kundendaten, der individuellen und bedarfsgerechten Aufbereitung und Darstellung der Ergebnisse sowie der Ableitung von entscheidungsunterstützenden Informationen für das Kundenmanagement. 9

13 Die Definition des analytischen CRM und die abgeleitete Definition von BI sind sich sehr ähnlich. Mit Blick auf das Verständnis eines BI Systems von Negash/Gray (2003, S. 3190) decken sich die Definitionen von acrm und BI. Das analytische CRM ist jedoch als BI Anwendungssystem zu verstehen, welches einen Teil des Business Intelligence-Gesamtansatzes abbildet. In Abbildung 5 sind die Komponenten des analytischen CRM in einer unternehmensweiten BI-Architektur rot hervorgehoben. Abbildung 5: BI Ordnungsrahmen, Kemper/Mehanna/Unger 2006, S Architektur eines BI Systems Das BI System benötigt Grundsätzlich dieselben Komponenten wie das analytische CRM. Daten müssen aus interner oder externer Quelle zugeführt und zentral gespeichert werden. Die Daten werden danach Analysiert und ausgewertet. Die Resultate benutzergerecht dargestellt und in den operationellen Prozess eingebunden. 10

14 Das BI Portal ist eine anwenderfreundliche Benutzerschnittstelle, also eine Softwarelösung, auf die per WWW oder Desktop zugegriffen werden kann. Dieses Portal integriert die Analyseinstrumente und Visualisierungsmöglichkeiten wie z.b. Ad-Hoc Reports oder Dashboards. Unter Wissensmanagement versteht man das Sammeln und Speichern des betrieblichen Wissens im Unternehmen, um dieses den Mitarbeitern verfügbar zu machen (Kemper/Mehanna/Unger 2006, S. 127f.). Hier lässt sich ein Übergang zum operativen CRM herstellen. Es bietet sich nämlich die Möglichkeit von best practice -Lösungen. Denkbar wäre eine Standardisierung z.b. bei der Customer Recovery -Phase. Wird bei der Datenanalyse vermehrt das gleiche Muster festgestellt (z.b. das Verhalten kurz vor der freiwilligen Beendigung der Kundenbeziehung im Rahmen einer Churn-Analyse), kann ein bewährter Prozess (z.b. Direct Mailing mit Rabattangebot) als Standard festgelegt und bei allen Kunden mit diesem Verhalten eingesetzt werden. Dieses Vorgehen ist in der Telekommunikationsbranche bereits üblich (Berry/Linoff 2000, S. 318). Wünschenswert wäre ein Ausbau auf andere CRM-Bereiche, damit die Erkenntnisse aus der Datenanalyse, sofern möglich, in betriebliches Wissen umgewandelt und damit im operativen CRM als best practice verfügbar gemacht werden können. 3.4 Anwendungsbereich von BI Software Im Unternehmensalltag wird unter Business Intelligence auch die End User Software Applikation verstanden, die es dem Arbeitnehmer ermöglicht zu sehen, was die Daten in der Datenbank aussagen. Durch Visualisierung, Reports und Charts werden die ausgewerteten Daten ansprechend präsentiert, damit sich der User nicht mit unübersichtlichen Zahlenbergen herumschlagen muss. In der Fallstudie Marionnaud in Zusammenarbeit mit ELCA und Business Objects wird in dieser Arbeit auf die Möglichkeiten von Business Objects BI Software eingegangen. 11

15 Praktischer Teil 4. Business Intelligence in der Praxis 4. 1 Kundenpflege im Fokus Der ständig härtere Wettbewerb in fast allen Branchen und die sich laufend ändernden Kundenerwartungen zwingen Unternehmen dazu, sich verstärkt mit dem Kundenmanagement auseinanderzusetzen. Demnach ist es kein Wunder, dass sich nicht nur Grossunternehmen, sondern auch KMU-Betriebe mit strategischen CRM-Lösungen beschäftigen. (Meister 2007, S.58) Im Kapitel 4 wird auf eine Success Story eines mittelständigen Unternehmens eingegangen. Dass die Kundenpflege von vielen Unternehmen hoch priorisiert wird, zeigt einer im Mai 2006 von Business Week Research Services publizierter Bericht ( Seizing the BI Opportunity ). Im Rahmen dieser Studie wurden über 350 Führungskräfte amerikanischer Unternehmen u.a. nach ihren persönlichen Zielen befragt. Die Antworten zeigen, dass die Optimierung des Kundendienstes wie auch die Stabilisierung der Kundenbeziehungen von zentraler Wichtigkeit sind. ( Business Week Research Service 2006, S. 5f.) Um diesen Anforderungen gerecht zu werden, genügt es nicht, sich auf eine technische Lösung zu beschränken. Vielmehr muss das CRM als strategisches Prinzip der Unternehmensführung betrachtet werden, damit sich das Unternehmen optimal an sich ändernde Kundenbedürfnisse und gewohnheiten anpassen kann. Daher ist neben dem operativen CRM eine analytische Komponente (acrm) zur Auswertung der Kauf- und Kundendaten unabdingbar und somit integrierter Bestandteil eines strategischen CRM-Systems. (Meister 2007, S.58) Von den befragten 350 Führungskräften sagten mehr als 50% aus, dass sie bereits Business Intelligence-Systeme in ihrem Unternehmen einsetzen, u.a. im Bereich des Kundendienstes wie auch als Supportinstrument für das Marketing und den Verkauf. Die wachsende Nachfrage, die Globalisierung, der Outsourcing-Trend und die zunehmende Komplexität der Produkte und Services zwingen die Unternehmen dazu, BI & analytische Instrumente im Unternehmen einzusetzen. (Business Week Research Service 2006, S. 3) Vor dem Hintergrund dieser vier Trends steht jedes Unternehmen zudem in einer erweiterten Wertschöpfungskette mit seinen Kunden, Partnern, und anderen Stakeholdern. Dies 12

16 führt dazu, dass das Kundenbeziehungsmanagement über die Unternehmensgrenzen hinweg noch komplexer wird. 4.2 Business Intelligence-Markt Das steigende Interesse nach BI-Lösungen hat in den letzten zwei Jahren eine regelrechte Konsolidierungswelle im BI-Sektor ausgelöst. Die drei grössten BI Software-Hersteller Hyperion, Business Objects und Cognos wurden oder sind im Moment daran, von drei der weltweit grössten Software-Unternehmen Oracle, SAP und IBM akquiriert zu werden. IBM Abbildung 6: Der Business Intelligence Markt (Quelle: Abbildung 6 zeigt die momentane Situation im BI-Markt, welcher stark von den grossen Software-Häusern dominiert wird. IBM beispielsweise hat für die Übernahme des drittgrössten BI-Anbieters Cognos satte fünf Milliarden US$ gezahlt. Bis heute besitzt jedoch kein Anbieter mehr als 20% Marktanteil im BI-Markt. 13

17 Jedoch gibt es auch zahlreiche kleine Anbieter, welche sich im hart umkämpften Markt beweisen können. (Ferguson 2008, S. 24) 5. Best Practice Business Intelligence im Einsatz bei Marionnaud 5.1 Das Unternehmen Seit 2002 ist Marionnaud (marionnaud.ch) in der Schweiz präsent und durch die Übernahmen von Alrodo und der Parfümerie Principale auch kontinuierlich gewachsen. Marionnaud Schweiz gehört zur Marionnaud- Gruppe, welche 1984 in Frankreich gegründet wurde. Marionnaud ist die grösste Einzelhandelskette im selektiven europäischen Parfummarkt. Mit ihren 110 Geschäften in der ganzen Schweiz und einem Marktanteil von 20% hat sich Marionnaud in den letzten Jahren als Marktführer etabliert. Zur erklärten Philosophie von Marionnaud gehört neben einem exzellenten Preis/Leistungsverhältnis auch die persönliche und kompetente Betreuung der Kundschaft. Dazu kommt ein Vollsortiment, welches um die 10'000 Artikel umfasst; darunter natürlich prestigeträchtige Markenartikel wie Estée Lauder, Sisley, La Prairie, Lancôme, Guerlain, Shiseido oder Chanel. Neben den zahlreichen Produkten bietet Marionnaud auch bestimmte Services an, wie z.b. Skin Care, professionelles Make-up oder einen Beauty Service. Einen besonderen Service bietet die Marionnaud-Treuekarte, die in sämtlichen Geschäften im In- und Ausland gültig ist und von ca. 75% der Kundschaft benutzt wird. Mit dieser Karte lassen sich bei jedem Einkauf Treuepunkte sammeln, welche dann im Marionnaud- Sortiment eingelöst werden können. Verkaufskanäle sind neben den genannten 110 Filialen auch die Katalogbestellung und Bestellung über das Internet. (Business Objects 2007) 5.2 Ansprüche des Kunden Das den stetige Wachstum und der dadurch entstehende Mangel an aussagekräftigen Informationen auf fast allen operationellen Ebenen führte dazu, dass man sich bei Marionnaud für eine Business Intelligence-Umgebung entschied, welche in die bestehende IT Landscape integriert werden konnte. 14

18 Bis anhin wurden Analysen von Verkaufszahlen oder Daten zur Überwachung des Lagerbestandes manuell aus verschiedenen Datenquellen (ERP-System, CRM-System und AS400) gewonnen. Zudem wurden diese Reports in Excel gehalten, welches es zusätzlich erschwerte, die Reports up-to-date zu halten. Damit waren die nötigen Informationen zum Geschäftsverlauf oft zu spät und in unzureichender Detailtiefe verfügbar. Weiter bestand zudem der Wunsch nach detaillierten analytischen Auswertungen, zum Beispiel auf Filialebene über Kaufverhalten von Kundengruppen, Abverkäufen von Produkten sowie über Lagerbestände. Der Zugriff bzw. die Zugriffsrechte auf die Daten, Analysen und Berichte sollten zudem einfach über Endbenutzertools mit vielfältigem Funktionsumfang erfolgen. (ELCA 2008, S.1&2) 5.3 Projektabwicklung und Betrieb Für die Projektabwicklung wurde dem IT-Beratungsunternehmen ELCA Informatik AG ein enger Zeitplan von zehn Wochen gesetzt. Weitere Anforderungen an die ELCA AG waren, dass das existierende IT-System nach der Aufschaltung der neuen BI-Lösung im gleichen Rahmen weiter laufen konnte. Diese Anforderungen und der Wunsch nach akzeptablen Lizenzkosten für die BI-Lösung von Business Objects, akzeptablen Implementierungs- und Wartungskosten setzten dem Projekt einen ehrgeizigen Rahmen. Die gewählte Architektur erlaubt die Integration der Daten aus den drei verschiedenen Quellen; AS400, ERP Navision und aus dem sich extern befindenden CRM-System in Bordeaux. In Abbildung 2 ist die gewählte BI-Lösung dargestellt. Die Daten aus den drei Systemen werden gesammelt und fliessen in homogener Form in das Data Warehouse, (Microsoft SQL 2005) wo sie dann für die analytischen Anwendungen (Standard Reports, Ad-hoc Analysen) zur Verfügung stehen. Für die Datenanalyse wird Business Objects XI R2 eingesetzt und für die Standard Reports und Ad-hoc Analysen wird ein OLAP Analyseinstrument verwendet. Ein eigenständiges Data Mining Tool kommt im Moment noch nicht zum Einsatz. Wie bereits erwähnt, erfolgen 75% der Verkäufe mit der Marionnaud-Kundenkarte an i- dentifizierte Personen. Dadurch können nun Marketing und CRM-Kampagnen mit der 15

19 neuen Lösung von ELCA gezielter und massgeschneiderter auf die Kunden ausgerichtet werden. Durch die besseren Analysemöglichkeiten kann ständig neues Wissen über Kundenpräferenzen und -verhalten gewonnen werden Zudem ist durch die zentrale Speicherung der Kundendaten in der Schweiz die Qualität der Informationen gewährleistet. Neben zugeschnittenen Kundenanalysen lassen sich nun auch zahlreiche Reports auf Abbildung 7: IT-Landscape bei Marionnaud (Quelle: BO_Marionnaud_EN) Filialebene wie auch auf Unternehmensebene über Verkaufszahlen, Verkaufsfrequenzen, Jahresvergleiche, Lagerbestände etc. erstellen, welche man fürs Management zur Entscheidungsunterstützung verwenden kann. (Business Objects 2007) 5.3 Erfahrungen Dank der neuen BI-Plattform kann jetzt auf einem geschlossenen Geschäftsprozess aufgebaut werden, vom Einkauf, Marketing, beim Lagermanagement, von der Planung, Ausführung, Kontrolle bis hin zu Optimierung. In einem zweiten Schritt werden weitere Kompo- 16

20 nenten, zum Beispiel Informationen aus der Finanzbuchhaltung, integriert, um das Gesamtsystem noch aussagekräftiger zu machen. Durch die zwei iterativen Projektphasen und das Fokussieren auf die wichtigen Informationen konnte die Komplexität des Projekts reduziert und das Projekt erfolgreich umgesetzt werden. Wie von Anfang an geplant, wird diese in der Schweiz entwickelte Lösung nun auch in anderen Ländern, in denen Marionnaud-Filialen bestehen, ausgerollt. (ELCA 2008, S.1f.) 6. Schlussbetrachtung Durch den immer grösser werdenden Informationsfluss ist es für das Unternehmen von strategischer Bedeutung zur richtigen Zeit am richtigen Ort die benötigten Informationen zur Verfügung zu haben. Die Führungskräfte sind dadurch in der Lage ihre Entscheidungen auf eine solide Datenbasis zu stützen. Die zentrale Speicherung und Auswertung der anfallenden Informationen, erlauben es dem Unternehmen, dass die gesammelten Daten nicht ungenutzt und damit wertlos bleiben, sonder zur Optimierung beitragen. Wie man in der Case Study Marionnaud gesehen hat, ist es auch für KMU enorm wichtig sich mit dieser Problematik auseinander zu setzen. Das analytische CRM ist nur eine Möglichkeit mit Business Intelligence Software die Unternehmensperformance zu steigern. Es sollte angestrebt werden, die einzelnen BI Anwendungen zu integrieren, um damit eine umfassende elektronische Business Intelligence Landschaft zu kreieren. Wir ertrinken in Informationen, aber uns dürstet nach Wissen. John Naisbitt 17

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

Mehrwert durch Beratungen aus einer Hand

Mehrwert durch Beratungen aus einer Hand Mehrwert durch Beratungen aus einer Hand Lösungen für Versicherungen Versicherung Business & Decision für Versicherungen Die Kundenerwartungen an Produkte und Dienstleistungen von Versicherungen sind im

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

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

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

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

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

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

Entwicklung eines CRM Systems

Entwicklung eines CRM Systems Entwicklung eines CRM Systems In diesem Skript werden alle möglichen Elemente die zur Entwicklung eines CRM Systems notwendig sind angesprochen. Im Rahmen Ihrer Analyse Ihres Beispielunternehmens/ Ihrer

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

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

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

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

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

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

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

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

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich

Experten für CRM und BI seit über 10 Jahren. Analytische CRM Lösungen im Vergleich Experten für CRM und BI seit über 10 Jahren Analytische CRM Lösungen im Vergleich Kernaussagen Analytische CRM Lösungen Analyse- und Reportmöglichkeiten bestehender CRM- Systeme können den Managementanforderungen

Mehr

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

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

Mehr

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

Raber+Märcker Business Intelligence Lösungen und Leistungen

Raber+Märcker Business Intelligence Lösungen und Leistungen Business Intelligence Raber+Märcker Business Intelligence Lösungen und Leistungen www.raber-maercker.de 2 LEISTUNGEN Business Intelligence Beratungsleistung Die Raber+Märcker Business Intelligence Beratungsleistung

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

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

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

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

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

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

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38

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

Mehr

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

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

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

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

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

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

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

Mehr

Business Intelligence Center of Excellence

Business Intelligence Center of Excellence Center of Excellence Eine Businessinitiative von Systematika und Kybeidos Werner Bundschuh Was ist das? In der Praxis versteht man in den meisten Fällen unter die Automatisierung des Berichtswesens (Reporting).

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

Mala Bachmann September 2000

Mala Bachmann September 2000 Mala Bachmann September 2000 Wein-Shop (1) Umsatz pro Zeit und Produkt Umsatz Jan Feb Mrz Q1 Apr 2000 Merlot 33 55 56 144 18 760 Cabernet-S. 72 136 117 325 74 1338 Shiraz 85 128 99 312 92 1662 Rotweine

Mehr

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Übersicht über Business Intelligence. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Übersicht über Business Intelligence Josef Kolbitsch Manuela Reinisch Übersicht Beispiel: Pantara Holding Der Begriff Business Intelligence Übersicht über ein klassisches BI-System

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

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing

Seminar in der Seminarreihe Business Intelligence 1. OLAP und Datawarehousing Seminar in der Seminarreihe Business Intelligence 1 OLAP und Datawarehousing OLAP & Warehousing Die wichtigsten Produkte Die Gliederung Produkt Bewertung & Vergleiche Die Marktentwicklung Der aktuelle

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

PRESSE-INFORMATION NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ

PRESSE-INFORMATION NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ PRESSE-INFORMATION BI-22-08-12 NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ Spezialisierte BI-Anbieter wachsen um 19,3 Prozent Datenintegration ist das Top-Thema Anbieter

Mehr

Online Analytical Processing

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

Mehr

Data Warehousing mit Oracle

Data Warehousing mit Oracle Data Warehousing mit Oracle Business Intelligence in der Praxis von Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker 1. Auflage Hanser München 2011 Verlag C.H. Beck im Internet: www.beck.de ISBN

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement CMC-KOMPASS: CRM Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement 1 CROSSMEDIACONSULTING 18.05.2010 Unser Verständnis von CRM: Customer Relationship Management ist weit mehr als ein IT-Projekt

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

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

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

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

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

COMARCH LOYALTY MANAGEMENT. Loyalität stärken, Engagement erhöhen und Gewinne maximieren

COMARCH LOYALTY MANAGEMENT. Loyalität stärken, Engagement erhöhen und Gewinne maximieren COMARCH LOYALTY MANAGEMENT Loyalität stärken, Engagement erhöhen und Gewinne maximieren GESCHÄFTLICHE HERAUSFORDE- RUNGEN Kundenorientierte Unternehmen müssen heute aus einer Vielzahl an Möglichkeiten

Mehr

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst

Durchblick im Self-Service-Dschungel. Hannover, 16.03.2015 Patrick Keller, Senior Analyst Durchblick im Self-Service-Dschungel Hannover, 16.03.2015 Patrick Keller, Senior Analyst Business Application Research Center (BARC) B Europas führendes IT-Analysten- und -Beratungshaus für Business Software

Mehr

Business Intelligence Lust oder Leid?

Business Intelligence Lust oder Leid? Business Intelligence Lust oder Leid? Kann Performance Management die Profitabilität und Leistungsfähigkeit wirklich beeinflussen? Ein Erfahrungsbericht über den Nutzen anhand ausgewählter Beispiele. Seite

Mehr

PRESSE-INFORMATION BUSINESS INTELLIGENCE PROFITIERT VON NEUEN TECHNOLOGIEN

PRESSE-INFORMATION BUSINESS INTELLIGENCE PROFITIERT VON NEUEN TECHNOLOGIEN PRESSE-INFORMATION BI-13-09-13 BUSINESS INTELLIGENCE PROFITIERT VON NEUEN TECHNOLOGIEN Business Analytics und Business Performance Management sind wesentliche Wachstumstreiber Mittelstand ist bedeutende

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

2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating

2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating Performance Management Markterfolg dank Kundenrating Welches sind Ihre besten Kunden? Frage 1: Kennen Sie die Umsatzentwicklung jedes Kunden über die letzten 5 Jahre? Frage 2: Kennen Sie den Produkte-Mix

Mehr

Business Analytics im E-Commerce

Business Analytics im E-Commerce Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten

Mehr

PRESSE-INFORMATION LÜNENDONK -MARKTSTICHPROBE 2010 DER MARKT FÜR SOFTWARE-ANBIETER IN DEUTSCHLAND: BI BIRGT NOCH ERHEBLICHES WACHSTUMSPOTENZIAL

PRESSE-INFORMATION LÜNENDONK -MARKTSTICHPROBE 2010 DER MARKT FÜR SOFTWARE-ANBIETER IN DEUTSCHLAND: BI BIRGT NOCH ERHEBLICHES WACHSTUMSPOTENZIAL PRESSE-INFORMATION BI-27-10-10 LÜNENDONK -MARKTSTICHPROBE 2010 DER MARKT FÜR SPEZIALISIERTE BUSINESS-INTELLIGENCE-STANDARD- SOFTWARE-ANBIETER IN DEUTSCHLAND: BI BIRGT NOCH ERHEBLICHES WACHSTUMSPOTENZIAL

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

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

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

Mehr

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

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

Mehr

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013

GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 OPEN SYSTEMS CONSULTING IT-KOMPLETTDIENSTLEISTER IM MITTELSTAND GESCHÄFTSSTELLENERÖFFNUNG HAMBURG, 25. APRIL 2013 Business Analytics Sascha Thielke AGENDA Die Geschichte des Reporting Begriffe im BA Umfeld

Mehr

Raus aus der Bl-Falle

Raus aus der Bl-Falle Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur

Mehr

VisualCockpit. agile business analytics

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

Mehr

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

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

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

Mehr

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

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder.

Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. Präsenzübung Service 2.1. CRM Customer-Relationship Management a) Anliegen des CRM Worum geht es beim CRM? Geben Sie den Inhalt des nachstehenden Textes mit eigenen Worten wieder. CRM, auch Beziehungsmanagement

Mehr

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien

Veit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...

Mehr

Business Intelligence. Bereit für bessere Entscheidungen

Business Intelligence. Bereit für bessere Entscheidungen Business Intelligence Bereit für bessere Entscheidungen Business Intelligence Besserer Einblick in Geschäftsabläufe Business Intelligence ist die Integration von Strategien, Prozessen und Technologien,

Mehr

Data Warehouse Technologien

Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............

Mehr

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

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

Mehr

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects

INVEST projects. Besseres Investitionscontrolling mit INVESTprojects Besseres Investitionscontrolling mit Der Investitionsprozess Singuläres Projekt Idee, Planung Bewertung Genehmigung Realisierung Kontrolle 0 Zeit Monate, Jahre Perioden Der Investitionsprozess Singuläres

Mehr

Geschäftsdaten auswerten

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

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Business Intelligenceein Überblick

Business Intelligenceein Überblick Exkurs Business Intelligenceein Überblick Folie 1 Januar 06 Literatur Kemper, Hans-Georg; Mehanna, Walid; Unger, Carsten (2004): Business Intelligence: Grundlagen und praktische Anwendungen Eine Einführung

Mehr

CRM 2.0-Barometer: Kundenmanagement- Lösungen sollen optimale Vernetzung bieten

CRM 2.0-Barometer: Kundenmanagement- Lösungen sollen optimale Vernetzung bieten CRM 2.0-Barometer: Kundenmanagement- Lösungen sollen optimale Vernetzung bieten Sabine Kirchem ec4u expert consulting ag CRM 2.0-Barometer Immer mehr Unternehmen erwarten stärkere Integration in alle digitalen

Mehr

Infografik Business Intelligence

Infografik Business Intelligence Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz

Mehr

Customer Relationship Ana lyt ics

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

Mehr

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

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

Mehr

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

OLAP und Data Warehouses

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

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

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

Mehr

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

PRESSE-INFORMATION NEU: LÜNENDONK -STUDIE 2011 FÜHRENDE STANDARD-SOFTWARE-UNTERNEHMEN

PRESSE-INFORMATION NEU: LÜNENDONK -STUDIE 2011 FÜHRENDE STANDARD-SOFTWARE-UNTERNEHMEN PRESSE-INFORMATION SSU-01-09-11 NEU: LÜNENDONK -STUDIE 2011 FÜHRENDE STANDARD-SOFTWARE-UNTERNEHMEN IN DEUTSCHLAND Wachstumssteigerungen auch mittelfristig erwartet Anteile an SaaS und Software in der Cloud

Mehr

Business Intelligence Meets SOA

Business Intelligence Meets SOA Business Intelligence Meets SOA Microsoft People Ready Conference, München, Nov. 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Process Intelligence oder: wie durchleuchtet man ein IT-System mit Hilfe von IBO

Process Intelligence oder: wie durchleuchtet man ein IT-System mit Hilfe von IBO Process Intelligence oder: wie durchleuchtet man ein IT-System mit Hilfe von IBO Markus Witschi Betriebsverantwortlicher KMU Swisscom (Schweiz) AG Wien, 25. Juni 2014 Zürich, 7. Juli 2014 Inhalt Ausgangslage

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

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

PROZESSCONTROLLING MIT MICROSOFT TOOLS

PROZESSCONTROLLING MIT MICROSOFT TOOLS PROZESSCONTROLLING MIT MICROSOFT TOOLS AGENDA In eigener Sache Processcontrolling mit Office Demo Excel Maps Processcontrolling mit SQL Server Rolle von SharePoint 2013 Demo Praxisbeispiel Einkaufsprozess

Mehr

Data Mining-Projekte

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

Mehr

Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen

Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen Beschreibung von interorganisationalen Informationsystemen und Industriestrukturen Business Networking: A process-oriented Framework by Elgar Fleisch and Hubert Österle Benjamin Spottke 13.06.2005 Agenda

Mehr

Neue Strategien und Innovationen im Umfeld von Kundenprozessen

Neue Strategien und Innovationen im Umfeld von Kundenprozessen Neue Strategien und Innovationen im Umfeld von Kundenprozessen BPM Forum 2011 Daniel Liebhart, Dozent für Informatik an der Hochschule für Technik Zürich, Solution Manager, Trivadis AG Agenda Einleitung:

Mehr