Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen

Größe: px
Ab Seite anzeigen:

Download "Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen"

Transkript

1 Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Vortrag für die Regionalgruppe München der Gesellschaft für Informatik O 2 (Germany) GmbH & Co. OHG Business Intelligence Center Udo Böhm

2 Intro: Alternative Titel des Vortrags Ursprünglich: Data-Mining für Customer Relationship Management (CRM) bei O 2 Eingereichter Titel: Datengestützte Entscheidungsunterstützung zur Optimierung von CRM-Prozessen Provokativer Vorschlag: Bekenntnisse eines Data-Mining-Häretikers Kompromiss: Warum erfolgreiches CRM mehr braucht als Data Mining Seite 2

3 Was es in diesem Vortrag nicht gibt.. 96% Bekanntheitsgrad von O 2 -.Vorstellung von O 2 -.eine weitere Data-Mining Erfolgsstory* -.ein Kochrezept für erfolgreiches CRM *siehe auch Parable of beer an diapers, Seite 3

4 Inhalt 1. Business Intelligence bei O 2 2. Data Mining Mythen 3. Modellerstellungsprozess bei BIC-CRM 4. Weg zum automatisierten CRM-Management Seite 4

5 Business Intelligence bei O 2

6 Service-Angebot des Business-Intelligence- Centers (BIC) Enterprise Data Warehouse A&U1 Unternehmensweites Berichtswesen Analysen Automatisiertes Kampagnen-Management Intelligente Steuerung von CRM-Prozessen Aufgabenbereich von BIC-CRM Seite 6

7 Unterstützung des Customer Relationship Management (CRM) durch Operatives CRM Kontakt Kampagnen Complaint Service Risk Prozesse Reporting Analysen Analytisches CRM Seite 7

8 CRM-Aktivitäten im Kunden-Lebenszyklus Wert Einführungs phase Wachstum- / Reife phase Abstiegsphase Welcome Programme Loyalty Arpu*-Up / Cost-Down Riskmanagement Regelkommunikation Kündigungsvermeidung Vertragsverlängerung Kündigungsrücknahme Zeit Kundenlebenszyklus *ARPU=Average Revenue per User Seite 8

9 Analytische Fragestellungen im CRM Segmentierung Profilanalyse Kundenprognose Mikrogeografie Prognose Simulation Seite 9

10 Wer ist der >>Kunde<<? Entitäts-Hierarchie für Privatkunden bei O 2 Hierarchie Beispielanwendung Adresse Coverage Planung 1 n Haushalt DSL Vermarktung 1 n Person Befragung / Mafo / Beschwerdebearbeitung 1 n Account / Vertragsinhaber 1 n Contract / Vertragsnutzer Mahnwesen. Tarifmigration Cross-/Up-Selling Seite 10

11 CRM-Data Mining Mythen Warum erfolgreiches analytisches CRM mehr braucht als Data Mining

12 Data Mining-Mythen* 1. Ich brauche mit DM keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebigen Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen *Auswahl, Aussagen beziehen sich auf Data-Mining im CRM-Bereich Seite 12

13 Data Mining: Unglückliche Begriffswahl? Mining suggeriert: Verhältnis Abraum:Ertrag = sehr hoch Seite 13

14 Besseres Analogon für Datenverarbeitung: Weingewinnung durch Veredlung Zunahme Aggregation Input des Prozesses Zunahme Abstraktion Experte / Knowledgebase Output des Prozesses Seite 14

15 Voraussetzung fürs Data Mining..Datenveredlung Interaktionen Transaktionen Stammdaten Externe Daten Zunahme Aggregation Log Aggregieren / Pseudonymisieren / Filtern / Bereinigen / Strukturieren Verdichten Ableitungen DWH Profiler Gesetzliche Vorschriften (Datenschutz,Telekommunikationsgesetz,.) Entscheidungsmodelle Entscheidungen / Aktionen / Interaktionen Metadaten Experten Datenveredlung Zunahme Abstraktion Data Mining Tools Output des Prozesses Data-Mining braucht vorverarbeitete Daten Seite 15

16 Beispiel für intelligente Datenveredlung: Neue Prediktoren für Prepay-Aufladungen Ziel: Aufladungen für Prepay-Verträge stimulieren Bisherige Prediktoren: Standardableitungen (Umsatz, Nutzung, vergangenes Aufladeverhalten ) Transaktionen haben mehr zu bieten: Restguthaben bei Aufladung (bis jetzt noch nicht verdichtet) Anstoß durch Marketingexperten: Untersuchung Assoziation Guthaben mit Aufladung Neue Prediktoren: z.b. Durchschnittliches Restguthaben bei Aufladung Weitere abgeleitete Merkmale: z.b. Verhältnis Restguthaben zu Aufladehöhe Seite 16

17 Data Mining Mythen und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining im CRM ist ohne Interaktion mit Experten nicht möglich 2. Data Mining im CRM funktioniert nur auf intelligent veredelten Daten Seite 17

18 Anbieter von Data-Mining-Lösungen für CRM Viele Anbieter von sehr guten Data-Mining-Tools Seite 18

19 Anbieter für zielgerichtete Daten- Veredlung In diesembereich sind Anbieter,,Algorithmen,,Methoden,etc. rar Seite 19

20 Modellerstellungsprozess bei BIC-CRM

21 Data Mining Mythen - Teil 2 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen Seite 21

22 Was hilft hier? Tiefgehende Analyse der vorhandenen Information? Sie sind hier Wenn keine Erfahrungswerte vorliegen, nützt die beste Wissensverdichtung nichts Seite 22

23 Welche Maßnahme maximiert die Überlebenswahrscheinlichkeit? Zusätzliche Datengewinnung durch Testen Ø (Kontrollgruppe) Es muss Erfahrung gesammelt sein, damit eine Handlungsempfehlung gegeben werden kann Seite 23

24 Explizites Beispiel: Kündigungsvorhersage Data Mining Modelle liefern sehr gute Kündigungsprognosen. Doch wie Kündigungen verhindern? Verschiedene Maßnahmen wirken auf verschiedene Kundengruppen. Erkenntnis: Kündigungswahrscheinlichkeit selbst oft kein Prediktor für Wirkungsweise der Maßnahmen Seite 24

25 Datengewinnung durch Testen. <<Testdesign is 2.3 times Analysis >> (Chuck Gates*) Auftrag Auftraggeber Testdesign Testdurchführung Analyse Produktion/Umsetzung Selektion Kontakt Rollout Zeit Abzug der Profildaten Abzug der Reaktionsdaten Modell *Prof. emeritus Texas A&M Analysedatei Zielgruppenselektion Modellentwicklung Seite 25

26 Data Mining Mythen Teil 3 und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining ist ohne Interaktion mit Experten nicht möglich 2. Data Mining funktioniert nur auf intelligent veredelten Daten 3. Intelligente Datengenerierung ist Basis für Data Mining Seite 26

27 Ein lebendes Fossil im Data Mining. die Scorecard, erfolgreich in ihrem Ökosystem RANK Variablen Familie Variable Klasse von bis Score Anteil Gut-Quote 1 PORTAL Anzahl Anmelkdungen zu o2online im % 1.7 % 1 Portal % 3.3 % % 4.5 % % 6.5 % % 6.5 % % 8.2 % % 10.3 % % 13.2 % 1 33 und mehr % 21.6 % 2 PACKS Vertrag hat Surf/ -Pack-Feature N 0 97 % 7.1 % 2 Y % 24.2 % 3 PORTAL Kunde hat den Portal N 0 46 % 3.3 % 3 Client benutzt Y % 11.3 % 4 USAGE Prozent CDR's ins nationale Festnetz % 3.5 % % 6.0 % % 7.0 % % 7.2 % % 8.5 % % 8.5 % % 8.3 % % 9.7 % % 9.7 % % 8.8 % 5 PORTAL Kunde hat sich über WEB N 0 53 % 3.8 % 5 in o2online eingeloggt Y % 12.0 % 6 USAGE Trendometer Usageskala GPRS-WAP 0 stark fallend 0 9 % 4.5 % 6 1 fallend 0 56 % 6.7 % 6 2 stagnierend % 9.1 % 6 3 steigend 33 8 % 11.2 % 6 >3 stark steigend 53 1 % 16.3 % 7 VALUE Prognose der CLTV-Klasse in den A 0 7 % 6.1 % 7 nächsten 24 Monaten B % 6.5 % 7 C % 6.7 % 7 D % 8.6 % 7 E 47 9 % 10.5 % 8 CLIENT Geschlecht Female 0 35 % 5.4 % 8 Male % 8.8 % 9 CONTRACT Mobile Number Portability Flag (Nummer N 0 91 % 7.2 % 9 wurde mitgebracht) Y 41 9 % 11.8 %.. Seite 27

28 Data Mining Mythen Teil4 und Gegenthesen 1. Ich brauche keine Experten mehr und viel weniger Analysten 2. Data Mining kann auf beliebige Datenquellen aufgesetzt werden 3. Data Mining gibt mir immer Hinweise, was ich machen soll 4. Gutes Data Mining braucht neueste Technik und Algorithmen 1. Erfolgreiches Data-Mining im CRM ist ohne Interaktion mit Experten nicht möglich 2. Data Mining imcrm funktioniert nur auf intelligent veredelten Daten 3. Intelligente Datengenerierung ist notwendige Basis für Data Mining 4. Auch mit einfachen Algorithmen ist gutes Data Mining im CRM möglich Seite 28

29 Weg zum automatisierten CRM- Management

30 Herausforderungen in der Modellentwicklung Produktion / Umsetzung von Modellen Definition der Cut-Offs Responsequote DB je Kunde + 5 Ableitung des optimalen Cut-Offs über eine Wirtschaftlickeitsbetrachtung 5 % % 20 % kumulierter Anteil kumulierter Anteil hoher Score niedriger Score hoher Score niedriger Score Hinterlegung der Modelle in Metadaten automatisierte Skriptgenerierung automatisierte Ausführung der Skripte regelmäßige Überprüfung des Cut-Offs sowie des Modells - Änderung der Kundenbasis - saisonale Effekte - Marktdynamik (neuer Tarif ) Seite 30

31 Beispiel für Process-Intelligence 1. Next-Best-Activity (NBA) Kundenorientiertes CRM mit mehrdimensionaler Optimierung Seite 31

32 Beispiel für Prozessintelligenz : 2. Decision Engine Operative Systeme Datenbereinigung / -aggregation Datenveredelung zu entscheidungsrelevanten Merkmalen Lernen und Verstehen durch Simulation und Testing Operative Ausführung im Zielsystem Billing CRM Contacts Data Warehouse Datenveredelung Decision Engine analytische Modelle Handlungsempfehlungen Informationen Experten- Modelle Basis- Merkmale Champion Challenger 1 Challenger 2 Simulation Operatives Zielsystem Strategierouting Priorisierung Entscheidungsknoten Seite 32

33 Übersicht über CRM Applikationen bei BIC Zusammenspiel analytisches operatives CRM customer interaction interfaces Next Best Activity Process & customer intelligence Risk & Complaint Decision Engine planning & administration customer profile data mart data management customer analytics core data warehouse KPI s & reports Seite 33

34 Neue Herausforderungen für analytisches CRM bei O 2 Verkürzung der Zeit der Modellgenierung (Machine Learning, Realtime Decisioning,..) Optimiertes Testdesign (exploit & explore) Optimierung der CRM Knowledgebase Seite 34

35 Vielen Dank für Ihre Aufmerksamkeit! O 2 (Germany) GmbH & Co. OHG Business Intelligence Center Udo Böhm

Wachstumsförderung mit CRM

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

Mehr

CUSTOMER MANAGEMENT 2014 QUALITÄTSMANAGEMENT IM KUNDENSERVICE DIE 360 SICHT DER KUNDEN AUF IHR UNTERNEHMEN

CUSTOMER MANAGEMENT 2014 QUALITÄTSMANAGEMENT IM KUNDENSERVICE DIE 360 SICHT DER KUNDEN AUF IHR UNTERNEHMEN Bernd Engel Sales Director CUSTOMER MANAGEMENT 2014 QUALITÄTSMANAGEMENT IM KUNDENSERVICE DIE 360 SICHT DER KUNDEN AUF IHR UNTERNEHMEN Kurzer Überblick GRÜNDUNG 1. Juli 2004 GESELLSCHAFTEN STANDORTE GESCHÄFTSFÜHRUNG

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

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

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

Mehr

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04.

Big Data Analytics Roadshow. Nils Grabbert. Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Düsseldorf, 24.04. Folie Retargeting intelligent Wie man mit einer analytischen Datenbank im Retargeting mehr erreicht. Big Data Analytics Roadshow Düsseldorf, 24.04.2012 Nils Grabbert Director Data Science Der Retargeting

Mehr

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

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

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

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

BI@T-Mobile: Enabling Closed-Loop Capabilities

BI@T-Mobile: Enabling Closed-Loop Capabilities BI@T-Mobile: Enabling Closed-Loop Oracle Terabyte, Heinz Sandermann Business Intelligence, TMD Barbara Jansen BI Framework & Data Architecture, TMD Die Geschäftsfelder der Deutschen Telekom at home on

Mehr

Customer Centricity. Frankfurt, November 2011. Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat

Customer Centricity. Frankfurt, November 2011. Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat Customer Centricity Frankfurt, November 2011 Dr. Wolfgang Martin Analyst, ibond Partner, und Mitglied im CRM Expertenrat Customer Centricity Kundenbeziehungs-Management Die Evolution der Modelle Outbound,

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

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Mit Risk Analytics Kundenrisiken aktiv steuern

Mit Risk Analytics Kundenrisiken aktiv steuern Mit Risk Analytics Kundenrisiken aktiv steuern Was sind Risk Analytics? Unter Risk Analytics versteht man statistische Analysen und Data Mining-Verfahren. Sie untersuchen Risiken im Zusammenhang mit Kundenbeziehungen

Mehr

Kundenwissen für den Energieversorger der Zukunft

Kundenwissen für den Energieversorger der Zukunft Kundenwissen für den Energieversorger der Zukunft Dr. Leading Tobias customer Graml insights CTO company tobias.graml@ben-energy.com for utilities in Europe Sechs Jahre Expertise in Datenanalyse und Kundenverhalten

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

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

software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions

software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions software, hardware und wissen für business intelligence lösungen software, hardware and knowledge for business intelligence solutions Vom OLAP-Tool zur einheitlichen BPM Lösung BI orientiert sich am Business

Mehr

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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

Dr. Wolfgang Leußer NEXT BEST ACTIVITY DAS RICHTIGE ANGEBOT FÜR DEN RICHTIGEN KUNDEN ZUR PERFEKTEN ZEIT

Dr. Wolfgang Leußer NEXT BEST ACTIVITY DAS RICHTIGE ANGEBOT FÜR DEN RICHTIGEN KUNDEN ZUR PERFEKTEN ZEIT Dr. Wolfgang Leußer NEXT BEST ACTIVITY DAS RICHTIGE ANGEBOT FÜR DEN RICHTIGEN KUNDEN ZUR PERFEKTEN ZEIT Dr. Wolfgang Leußer POSITION Senior Consultant Competence Center Customer Intelligence AUSBILDUNG

Mehr

Uplift Modelling mitsas

Uplift Modelling mitsas Praktische Anwendung des Uplift Modelling mitsas Hintergründe, Voraussetzungen, Tipps& Tricks 12.06.2013 Udo Böhm Inhalt Uplift Uplift-Modelling mit SAS 1. Warum brauchen wir Uplift Modellierung im analytischen

Mehr

Towards Automated Analysis of Business Processes for Financial Audits

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

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel.

Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. M/S VisuCom Beratung Unser Wissen und unsere Erfahrung bringen Ihr E-Business-Projekt sicher ans Ziel. Design Auch das Erscheinungsbild Ihres E-Business-Projektes ist entscheidend. Unsere Kommunikationsdesigner

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

Load Strategy Datenmodell DQ-Check-Methoden DWH-Probleme? Datenqualität aus der Sicht des One-DWH s Franz Hopfenwieser AGENDA 26 PT AGENDA

Load Strategy Datenmodell DQ-Check-Methoden DWH-Probleme? Datenqualität aus der Sicht des One-DWH s Franz Hopfenwieser AGENDA 26 PT AGENDA Datenqualität aus der Sicht des One- s Franz Hopfenwieser 18. Juni 2007 ONE, Franz HOPFENWIESER, 18.6.2007 SEITE 1 AGENDA 26 PT AGENDA DQ wird konstruiert One /MIS Aufgabenteilung OA/ Load Strategy Datenmodell

Mehr

connect and get connected Wachstum durch CRM dank neuen Kunden

connect and get connected Wachstum durch CRM dank neuen Kunden connect and get connected Wachstum durch CRM dank neuen Kunden Swiss CRM Forum 2011 rbc Solutions AG, General Wille-Strasse 144, CH-8706 Meilen welcome@rbc.ch, www.rbc.ch, +41 44 925 36 36 Agenda Einleitung

Mehr

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25

Inhalt. Geleitwort 13. Vorwort 17. Einleitende Hinweise 19. 1 Business-Intelligence-Konzepte - Neuerungen 25 Inhalt Geleitwort 13 Vorwort 17 Einleitende Hinweise 19 Handhabung des Buches 19 Übergreifendes Beispielszenario 19 Nach der Lektüre 21 Danksagung 21 1 Business-Intelligence-Konzepte - Neuerungen 25 1.1

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

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

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

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

Mehr

Kundenbeziehungsmanagement im Mittelstand

Kundenbeziehungsmanagement im Mittelstand Kundenbeziehungsmanagement im Mittelstand Mit Vernetzung zum Erfolg Prof. Dr.-Ing. Andreas Schmidt Lehrgebiet Wirtschaftsinformatik Hochschule Osnabrück 1 by Hilbring Cartoons, Oliver Hilbring, http://www.oli-hilbring.de/

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

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

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

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

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

Mehr

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede

Data Warehouse Version: June 26, 2007. Andreas Geyer-Schulz und Anke Thede Data Warehouse Version: June 26, 2007 Andreas Geyer-Schulz und Anke Thede Schroff-Stiftungslehrstuhl Informationsdienste und Elektronische Märkte Fakultät für Wirtschaftswissenschaften Gebäude 20.20 Rechenzentrum,

Mehr

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Big Data im Marke

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen Oracle DWH-Konferenz 21. März 2012 Dr. Carsten Bange Gründer & Geschäftsführer BARC Big Data bietet Methoden und Technologien

Mehr

Intelligente Kundensegmentierung mit SAP HANA

Intelligente Kundensegmentierung mit SAP HANA GLOOOBAL E A l GLOOOBAL Energy Analyzer Intelligente Kundensegmentierung mit SAP HANA Die Herausforderung Wenn Energieversorger Strom an Unternehmenskunden verkaufen, ist ein detailliertes Verständnis

Mehr

Welcome to the Club!

Welcome to the Club! Customer Relationship Management Welcome to the Club! Prolog Viele Leute glauben, dass wir das Zeitalter des Internets erreicht haben. Tatsächlich ist es eher zutreffend, dass wir das Zeitalter des Kunden

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

Schober Targeting System ecommerce

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

Mehr

Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services

Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services Launch Microsoft Dynamics AX 4.0 Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services Sonia Al-Kass Partner Technical

Mehr

Technische Integration des Informationssystems über SAP (1/6)

Technische Integration des Informationssystems über SAP (1/6) Technische Integration des Informationssystems über SAP (1/6) Software Systemsoftware Anwendungssoftware Betriebssysteme Standardsoftware Individualsoftware Übersetzungsprogramme Dienstprogramme andere

Mehr

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06. Analytisches CRM Workshop Data Mining im Datenbasierten Marketing Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.2015 Data Mining bietet Antworten auf zahlreiche analytische Fragestellungen

Mehr

SPSS Cognos Positionierung. April 2010. Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation

SPSS Cognos Positionierung. April 2010. Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation SPSS Cognos Positionierung April 2010 Friedel Jonker Manager Business Development Analytics & PM SPSS Predictive Analytics Präsentation 2010 IBM Corporation Agenda 1. SPSS Positionierung 2. SPSS & Cognos

Mehr

Peter Hake, Microsoft Technologieberater

Peter Hake, Microsoft Technologieberater Peter Hake, Microsoft Technologieberater Risiken / Sicherheit Autos Verfügbarkeit Richtlinien Service Points Veränderungen Brücken Straßen Bahn Menschen Messe Airport Konsumenten Kennt die IT-Objekte,

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm

Open Source BI Trends. 11. Dezember 2009 Wien Konstantin Böhm Open Source BI Trends 11. Dezember 2009 Wien Konstantin Böhm Profil Folie 2 JAX 2009 11.12.2009 Gründung 2002, Nürnberg 50 Mitarbeiter Innovative Kunden Spezialisiert auf Open Source Integration Open Source

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

Strategie für das Berichtswesen und Dashboards unter Einsatz von SAP BusinessObjects

Strategie für das Berichtswesen und Dashboards unter Einsatz von SAP BusinessObjects Strategie für das Berichtswesen und Dashboards unter Einsatz von SAP BusinessObjects Sven Hertrich WWI08A Roche Pharma AG Firmenvorstellung Roche Umsatz 2010 47 473 Mio. CHF Mitarbeiterzahl 2010 80 653

Mehr

Technische Seminarreihe Empowering Business Intelligence

Technische Seminarreihe Empowering Business Intelligence PRESSEMITTEILUNG / Veranstaltungshinweis Technische Seminarreihe Empowering Business Intelligence Trivadis bietet für Entwickler, Projektleiter, Datenbank-Administratoren sowie DWHund BI-Interessierte

Mehr

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K.

Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. badger Effektives Empfehlungsmarketing durch Customer Analytics bei der BAWAG P.S.K. Die www.bawagpskfonds.at neue Bank. Die neue BAWAG. www.bawagpsk.com Montag, 25. Februar 2013 BAWAG P.S.K. EINE BANK

Mehr

Vorhersagetechniken für zukünftiges Verhalten von Kunden

Vorhersagetechniken für zukünftiges Verhalten von Kunden IBM 360 Grad-Sicht auf den Kunden: Vorhersagetechniken für zukünftiges Verhalten von Kunden Sven Fessler, sven.fessler@de.ibm.com Solution Architect, IBM Germany Business Analytics & Optimization Das Spektrum

Mehr

Corporate Performance Management als Weiterentwicklung von Business Intelligence

Corporate Performance Management als Weiterentwicklung von Business Intelligence Martin Kobrin Corporate Performance Management als Weiterentwicklung von Business Intelligence Grundlagen, Implementierungskonzept und Einsatzbeispiele Diplomica Verlag Martin Kobrin Corporate Performance

Mehr

Mehrwert eines neuen BI-Systems bei CEWE COLOR AG & Co. OHG. Eugen Neigel, 27.10.2011

Mehrwert eines neuen BI-Systems bei CEWE COLOR AG & Co. OHG. Eugen Neigel, 27.10.2011 Mehrwert eines neuen BI-Systems bei CEWE COLOR AG & Co. OHG Eugen Neigel, 27.10.2011 Wer ist CEWE COLOR? Der führende europäische Foto-Dienstleister 1. für den stationären Handel (Ladengeschäfte) 2. für

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

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

Herzlich Willkommen auf dem SAS Forum Schweiz 2009!

Herzlich Willkommen auf dem SAS Forum Schweiz 2009! Herzlich Willkommen auf dem! Deutliche Umsatzsteigerung im Direktmarketing durch kundenorientiertes Kampagnenmanagement: In 10 Schritten zu mehr Kampagnenerfolg! Agenda 1.) Kurzvorstellung ALTRAN CIS 2.)

Mehr

Deep Discovery. Udo Schneider Trend Micro Udo_Schneider@trendmicro.de. 03.07.2012 Copyright 2012 Trend Micro Inc.

Deep Discovery. Udo Schneider Trend Micro Udo_Schneider@trendmicro.de. 03.07.2012 Copyright 2012 Trend Micro Inc. Deep Discovery Udo Schneider Trend Micro Udo_Schneider@trendmicro.de 03.07.2012 Copyright 2012 Trend Micro Inc. 1 1 APTs und zielgerichtete Angriffe -- The New Norm - IDC A Cyber Intrusion Every 5 Minutes

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

INTELLIGENTE WEB 2.0 TOOLS ZUR LEADGENERIERUNG

INTELLIGENTE WEB 2.0 TOOLS ZUR LEADGENERIERUNG INTELLIGENTE WEB 2.0 TOOLS ZUR LEADGENERIERUNG Wie kann Ihr PR, Marketing und Vertrieb effizient und effektiv von Web 2.0 profieren? WAS BIETET GÖLZ & SCHWARZ? INTELLIGENTE WEB 2.0 TOOLS ZUR LEADGENERIERUNG

Mehr

Analytische Datenbanken und Appliances als Engine für erfolgreiche Business Intelligence

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

Mehr

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

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr

Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Cockpits und Standardreporting mit Infor PM 10 09.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche

Mehr

Inhaltsverzeichnis. 1 Was ist Business Intelligence?... 23

Inhaltsverzeichnis. 1 Was ist Business Intelligence?... 23 Inhaltsverzeichnis Einleitung............................................................................. 11 Was Sie in diesem Buch finden......................................................... 12 Aufbau

Mehr

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011

Roundtable. Dashboards und Management Information. Rüdiger Felke / Christian Baumgarten 29.11.2011 Roundtable Dashboards und Management Information Rüdiger Felke / Christian Baumgarten 29.11.2011 Agenda Behind the Dashboards Was ist ein Dashboard und was ist es nicht? SAP BusinessObjects Dashboards

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com

mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com mayato Unternehmenspräsentation mayato GmbH Am Borsigturm 9 13507 Berlin Germany www.mayato.com Wer sind wir? Wir sind ein unabhängiges Beratungs- und Analystenhaus für Business Intelligence Beratungs-

Mehr

Innovatives Customer Analytics Uplift Modelling. Interview mit Customer Analytics Experte, Philipp Grunert

Innovatives Customer Analytics Uplift Modelling. Interview mit Customer Analytics Experte, Philipp Grunert Innovatives Customer Analytics Uplift Modelling Interview mit Customer Analytics Experte, Philipp Grunert Uplift Modelling Mehr Erfolg im Kampagnenmanagement Entscheidend für den Erfolg einer Marketing-Kampagne

Mehr

PLEASE USE YOUR INDIVIDUAL PICTURE. Online Marketing. Nayoki Interactive Advertising GmbH

PLEASE USE YOUR INDIVIDUAL PICTURE. Online Marketing. Nayoki Interactive Advertising GmbH PLEASE USE YOUR INDIVIDUAL PICTURE Online Marketing Nayoki Interactive Advertising GmbH Name Company Customer September 19, 2011 Agenda Agenturvorstellung Referenzen Leistungsübersicht Produkte im Fokus

Mehr

Enterprise Program Management

Enterprise Program Management Enterprise Program EPM Add-on Module und Erweiterungen Agenda Überblick - und operatives Reporting Ressourcen- und Zugriffsmanagement SAP Schnittstelle Task Comments & Activity Report Business Application-

Mehr

Business Intelligence in NRW

Business Intelligence in NRW Fragebogen zur Erhebung von Unternehmensdaten für die Business Intelligence Studie in Nordrhein-Westfalen ishot, wwwphotocasede Sehr geehrte Teilnehmerin, sehr geehrter Teilnehmer, wir führen für das Land

Mehr

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services

COGNOS PERFORMANCE MANAGEMENT. Jörg Fuchslueger, COGNOS Austria Manager Professional Services COGNOS PERFORMANCE MANAGEMENT Jörg Fuchslueger, COGNOS Austria Manager Professional Services Agenda Cognos Performance Management Unternehmensweites Berichtswesen AdHoc Analysen Überwachung und Steuerung

Mehr

FREUDENBERG IT. Mobile Business Intelligence

FREUDENBERG IT. Mobile Business Intelligence FREUDENBERG IT Mobile Business Intelligence Mobile Business Intelligence AGENDA Herausforderung mobiler Lösungen Vorstellung der Produkte Freudenberg ITs Lösungen Warum SAP? Herausforderung mobiler Lösungen

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

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr

Infor PM 10 auf SAP. Bernhard Rummich Presales Manager PM. 9.30 10.15 Uhr Infor PM 10 auf SAP 9.30 10.15 Uhr Bernhard Rummich Presales Manager PM Schalten Sie bitte während der Präsentation die Mikrofone Ihrer Telefone aus, um störende Nebengeräusche zu vermeiden. Sie können

Mehr

Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Namics. Emanuel Bächtiger. Consultant.

Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Namics. Emanuel Bächtiger. Consultant. Siemens. 360 Performance Dashboard. Digitale Kanäle. Mehrwert. Emanuel Bächtiger. Consultant. 20. August 2013 Gegründet in 1995 im Besitz von 26 Partnern 51 Mio. CHF Umsatz in 2012 400 Mitarbeiter in CH

Mehr

CRM meets SPM - Über die Konvergenz von CRM und SPM! Keynote MuniConS Rolf Pollmeier, Geschäftsführer MuniConS!

CRM meets SPM - Über die Konvergenz von CRM und SPM! Keynote MuniConS Rolf Pollmeier, Geschäftsführer MuniConS! CRM meets SPM - Über die Konvergenz von CRM und SPM! MUNICONS( think!(act!(!!!!!!!!!!!!!!!!!!!!!!!!!rolf Pollmeier!!!MuniConS GmbH! Keynote MuniConS Rolf Pollmeier, Geschäftsführer MuniConS! Im Zentrum

Mehr

Bachelor of Eng. (Wirtschafts-Ing.-wesen)

Bachelor of Eng. (Wirtschafts-Ing.-wesen) Persönliche Daten Name Philipp Müller Geburtsdatum 21.11.1982 Berufsausbildung Studium Industriekaufmann Bachelor of Eng. (Wirtschafts-Ing.-wesen) Kompetenzen Methodisch Datenmodellierung Fachlich Allgemeines

Mehr

PowerPivot in SQL Server 2008 R2. Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk

PowerPivot in SQL Server 2008 R2. Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk PowerPivot in SQL Server 2008 R2 Steffen Krause Technical Evangelist Microsoft Deutschland GmbH http://blogs.technet.com/steffenk Haftungsausschluss Microsoft kann für die Richtigkeit und Vollständigkeit

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY

Mehr

Maximieren Sie Ihr Informations-Kapital

Maximieren Sie Ihr Informations-Kapital Maximieren Sie Ihr Informations-Kapital Zürich, Mai 2014 Dr. Wolfgang Martin Analyst, Mitglied im Boulder BI Brain Trust Maximieren des Informations-Kapitals Die Digitalisierung der Welt: Wandel durch

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

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

Microsoft Office SharePoint Server 2007 Überblick. Gernot Kühn Partner Technical Specialist Microsoft Deutschland Gmbh Gernotk@microsoft.

Microsoft Office SharePoint Server 2007 Überblick. Gernot Kühn Partner Technical Specialist Microsoft Deutschland Gmbh Gernotk@microsoft. Microsoft Office SharePoint Server 2007 Überblick Gernot Kühn Partner Technical Specialist Microsoft Deutschland Gmbh Gernotk@microsoft.com 30. Juli 2006 Munich, Germany 2007 Microsoft Office System Investitionen

Mehr

School of Engineering Institut für Datenanalyse und Prozessdesign (IDP)

School of Engineering Institut für Datenanalyse und Prozessdesign (IDP) School of Engineering Institut für Datenanalyse und Prozessdesign (IDP) Zürcher Fachhochschule www.zhaw.ch/idp Forschung & Entwicklung Das Institut für Datenanalyse und Prozessdesign (IDP) Das Institut

Mehr

Analyse und Simulation von Vergütungsmodellen für SAP Incentive and Commission Management

Analyse und Simulation von Vergütungsmodellen für SAP Incentive and Commission Management Analyse und Simulation von Vergütungsmodellen für SAP Incentive and Commission Management SAP-Forum für Versicherer 2015 Arthur Elsner, Christian Engel 2015 Agenda - Simulation von Vergütungsmodellen ConVista

Mehr

HP IT-Symposium 2006 18.05.2006. 3K07 SQL Server 2005 Management Tools

HP IT-Symposium 2006 18.05.2006. 3K07 SQL Server 2005 Management Tools 3K07 SQL Server 2005 Management Tools Steffen Krause Technologieberater Microsoft Deutschland GmbH http://blogs.technet.com/steffenk Business Intelligence Eine integrierte LösungL Integrate Analyze Report

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Risk Management for Banking Herausforderungen für einen integrierten Approach

Risk Management for Banking Herausforderungen für einen integrierten Approach Risk Management for Banking Herausforderungen für einen integrierten Approach Frank Hansen Risk Practice Leader, SAS Deutschland Agenda Situation und Herausforderungen - Integrierte Risikosteuerung Stresstests

Mehr

SOCIAL. LOCAL. MOBILE.

SOCIAL. LOCAL. MOBILE. SOCIAL. LOCAL. MOBILE. SWISS CRM FORUM 2014 Copyr i g ht 2012, SAS Ins titut e Inc. All rights res er ve d. ROBERT SCHUMACHER SAS INSTITUTE AG CUSTOMER INTELLIGENCE SOLUTIONS MANAGER JUNI 2014 INHALT SOCIAL.

Mehr

Das Potenzial von Multikanal- Recommendations nutzen Chancen und Grenzen der Personalisierung

Das Potenzial von Multikanal- Recommendations nutzen Chancen und Grenzen der Personalisierung Das Potenzial von Multikanal- Recommendations nutzen Chancen und Grenzen der Personalisierung Dr. Philipp Sorg (Senior Data Scientist) Peter Stahl (Senior Business Development Manager) 24. März 2015, Internet

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft

SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft SAP In-Memory Technologie (HANA) in der Versorgungswirtschaft Michael Utecht, Industry Expert Utilities Business Area COO Germany, Industry Solutions SAP Deutschland AG & Co.KG 09.11.2011 Opportunities

Mehr