Data Mining Techniken und Anwendungsbereiche. Daten Informationen Wissen Aktionen Profit. Agenda. Was ist Data Mining? Das Ziel
|
|
- Stephanie Althaus
- vor 8 Jahren
- Abrufe
Transkript
1 Agenda Data Mining Techniken und Anwendungsbereiche Reinhard Dechent, Compaq Michael Wetzel, Was ist Data Mining? Das Ziel The process of extracting meaningful information from large databases - information that reveals hidden patterns, trends, and correlations that enables you to make predictions that solve business problems Quelle: Thinking Machines Daten Informationen Wissen Aktionen Profit 3 4 OLAP versus Data Mining Was Data Mining NICHT ermöglicht OLAP (top down) Hängt die Kündigung eines Vertrags vom Alter des Kunden ab? Data Mining (bottom up) Welche Eigenschaften eines Kunden lassen auf eine bevorstehende Vertragskündigung schließen? ❽ Antworten auf nicht gestellte oder unrealistische Fragen finden ❽ Verzicht auf Datenqualität (GIGO und NINO) ❽ Verzicht auf exakte Kenntnis der zugrundeliegenden Daten ❽ und schon gar nicht ein tiefes Verständnis des Business! 5 6 1
2 Agenda Data Mining Methoden und Techniken ❽ Visualisierende Methoden 10 Häufung (Clustering( Clustering) ) und Klassifizierung 10 ❽ Nicht-visualisierende Methoden 10 Regressionsanalyse 10 Entscheidungsbaum 10 Neuronales Netzwerk 10 Assoziationsanalyse 10 8 Beispiel: Häufung und Klassifizierung Beispiel: Häufung und Klassifizierung Quelle: Pieter Adriaans, 1996 Häufung und Klassifizierung Die Basis: Lineare Regression 10 ermöglicht Data Mining für alle Arten von Variablen 10 Einfache Anwendbarkeit ❽ Schwächen 10 uuschwierige Festlegung der richtigen Distanz 10 Interpretation der Cluster 11 ❽Verfahren, mit dem eine abhängige Variable (y) als Funktion des Prädiktors (x) prognostiziert wird ❽Nutzt Standardabweichung und R 2 Response or Output y x Predictor or Input y β + β x Observations 2
3 Lineare Regression Entscheidungsbaum 10 Einfache, nachvollziehbare Darstellung der Ergebnisse 10 messbare Korrelation zwischen tatsächlichem Ergebnis und Vorhersage (0 R 2 1) ❽ Nachteile 10 Nur mit metrischen Prädiktoren möglich 10 Erfasst nur lineare Abhängigkeiten 10 Es wird vorausgesetzt, dass Messfehler und nicht beobachtete Einflüsse nicht mit den Prädiktoren zusammenhängen 13 Alter Blutdruck Herzanfall /1 Quelle: Richard de Veaux Alter < 325 BD < BD < Alter < Beispiel: Entscheidungsbaum Entscheidungsbaum Alter Ergebnisse sind leicht verständlich und nachvollziehbar 10 Anwendbar sowohl auf metrische und diskrete Attribute 10 Verzweigt automatisch nach den Attributen, die die beste Selektion ermöglichen Blutdruck ❽ Nachteile 10 Erfordert viel Rechenaufwand 10 Gefahr der zu kleinen Segmente (over( over-fitting) 10 Am besten geeignet für binäre Zielvariablen 16 Neuronales Netz Neuronales Netz X 1 X 2 w111 w112 w121 w122 w131 X 11 σ ( 1) X 12 σ ( 1) w211 w221 σ ( 2 ) Y 10 Ermöglicht das Auffinden beliebiger Muster 10 Gut geeignet für Vorhersage-Modelle 10 Lernfähigkeit w132 X 3 θ 2 w201 w101 w102 Source: Richard de Veaux θ 1 L K y l σ ( l w ( kl k w jk x j + j ) + k ) 2 σ 1 θ θ k = 1 j= 1 ❽ Nachteile 10 Ergebnisse sind schwer erklärbar bzw nicht nachvollziehbar 10 Rechenintensiver Lernprozess 10 Gefahr des Übertrainierens (over( over-fitting) 18 3
4 Warenkorbanalyse (Assoziationsregeln) Warenkorbanalyse: Beispiel Suche nach statistisch signifikanten Assoziationsregeln (der (der Form if-then) in in den den vorhandenen Daten A B C D If A then C: confidence 50%, support 66% If A, B then C: confidence 100%, support 33% Beispiel: MYCIN 20 Warenkorbanalyse 10 Einfache, nachvollziehbare Darstellung der Ergebnisse 10 relativ geringer Aufwand in der Datenaufbereitung ❽ Nachteile 10 Arbeitet am besten mit wenigen (<100) Variablen 10 Interessante Muster können durch triviale Muster überlagert werden 21 Vorsicht Einwohner , Oldenburg Offensichtliche Fakten Im Winter werden mehr Mäntel verkauft als im Sommer Zufällige, offensichtlich falsche Abhängigkeiten Das Bevölkerungswachstum ist direkt proportional zur Anzahl der Störche Anzahl der Störche 4
5 Der Compaq Data Mining Process ❽ Data Mining Pilot 10 1 Define the business problem 10 2 Load the data 10 3 Profile and understand the data 10 4 Derive attributes 10 5 Define events 10 6 Create Data Mining view 10 7 Create models ❽ Technology Transfer 10 8 Deploy models 10 9 Measure results Preparation Analysis 82% The assumption that the simple purchase of a data mining package will allow a firm to now magically analyze its data is a recipe for failure Gartner Group, April 17, Data Mining Verfahren und Einsatz Kategorie und Analyseziel Data Mining Verfahren Beispiele für praktischen Einsatz Klassifikation, Segmentierung, Zuordnung von Individuen in vordefinierte Klassen; supervised learning Zusammenhangs-/Ähnlichkeitsanalysen; Identifikation und Deskription homogener Gruppen; unsupervised learning Analyse von Verlaufskurven und Zeitreihen Prognoseverfahren Beschreibung, Charakterisierung von Kunden, Produkten, usw Entscheidungsbäume, Memory Based Reasoning, Rule Induction, Neuronale Netze Clusteranalyse, Neuronale Netze Neuronale Netze, Fuzzy Logic, Assoziationsanalyse Neuronale Netze, Ähnlichkeitsund Link-Analyse Visualisierung, deskriptive und exploratorische Analysen Creditscoring, Bonitätsbewertung, Kundensegmentierung Zielgruppenbildung, Lifestyle-Analysen, Warenkorbanalyse, Database Marketing Verhalten von Bankkunden, Telecom- Nutzern, Konsummuster, Life-Cycle-Analyse Zukünftiges Kaufverhalten, Haltbarkeit von Kunden, Prognose der Kaufwahrscheinlichkeit Analyse von Zielgruppen, Untersuchung typischer Merkmale, Taxonomien, Kundenprofitabilität wwwsystematikacom Data Mining bei Finanzdienstleistern ❽ Marktbearbeitung, Marketing ❽ Cross-Selling durch Mailings und Berater ❽ Betrugserkennung ❽ Credit Scoring ❽ Frühwarnsysteme ❽ Portfolioanalyse wwwsystematikacom Banken: Retention Marketing Banken: Retention Marketing ❻ Absprunggefährdete Kunden halten ❻ Dauer der Kundenbeziehung verlängern ❻ Kundenbeziehung intensivieren ❻ Deckungsbeiträge verbessern ❻ Produktpolitik optimieren Profitabilität Break even Bankbeziehungsdauer zufriedener profitabler Kunde unzufriedener abspringender Kunde Kundenloyalität und Profitabilitätsind korreliert Neukunden gewinnen ist 10x teurer als Altkunden halten Absprunggefährdung ist Monate vorher erkennbar wwwsystematikacom wwwsystematikacom 5
6 Banken: Retention Marketing Projekte Projektablauf ❽ Bankstrategisches Konzept ❽ Marktforschung: Gründe für Weggang ❽ Aufbau der Datenbasis, Data Cleaning ❽ Datenexploration, Hypothesenprüfung ❽ Entwicklung eines Betreuungskonzepts für die Kunden ❽ Modell-Entwicklung / Evaluation ❽ Durchführung von Retention-Marketing-Massnahmen ❽ Pilotbetrieb, Ergebniskontrolle ❽ Produktiver Einsatz, Controlling Banken: Retention Marketing Kosten/Ertrag Ertrag 20% Absprungkandidaten können gehalten werden à Marge 300 DM bei Kunden und Abgangsrate 5% 20% von (5000*300 DM) = 3 Mio DM Kosten Kosten Datenbelieferung und Berechnung Pro Jahr Externe Kosten Retention-Projekt Pro Jahr Retention-Massnahmen für Kunden à 10 DM Pro Jahr Gewinn Circa wwwsystematikacom wwwsystematikacom Banken: Cross-Selling Selling/Direct Mailings monthly income deposit book Banken: Cross-Selling Selling/Neuronale Netze Discriminant analysis: samples no credit card credit card total % 43% 63% % 42% 64% Neural Network: samples no credit card credit card total % 75% 74% Ergebnis: Neuronale Netze haben eine hohe Vorhersagekraft Neuronale Netze ergänzen statistische Analysen credit card (yes/no) wwwsystematikacom credit card (yes/no) wwwsystematikacom Banken: Prognose des Kundenverhaltens Banken: Database Marketing Database Marketing ist in Banken sehr wichtig geworden Kontostand Gehalt Geld- Automat Dividenden Kontostand Gehalt Überweisung an Fremdbank DBM ist ein kontinuierlicher Optimierungsprozess Modernste Analysemethoden sind nötig Sparen Geld- Automat Life Time Value-Modelle müssen entwickelt werden Abhebung Abhebung Data Mining muss als Business-Prozess verankert sein Guter Kunde Zeit Überweisungen Schlechter Kunde Zeit Schrittweise sichere Einführung vermindert Risiken credit card (yes/no) wwwsystematikacom credit card (yes/no) wwwsystematikacom 6
7 Data Mining bei Fluggesellschaften Fluggesellschaft:Kundensegmentierung Component Plot ❽ Kundenanalyse ❽ Produktanalyse ❽ Marktanalyse ❽ Trends Air vs ground Factor 2-5 Air miles Ground non travel miles Air activity Ground miles Ground travel miles No of Miles Ground activity Factor Factor 1 wwwsystematikacom Travel/non-travel ground wwwsystematikacom Fluggesellschaft:Kundensegmentierung Total miles (log 10) Ground miles (log 10) Top Others G+ A+ Segments Top G+ A+ Others n % air miles # air # ground Data Mining im Versandhandel ❽ Marktvolumen- und Potential-Analysen ❽ Kundenstrukturanalysen, Segmentierung ❽ Neukundengewinnung ❽ Produktanalysen ❽ Cross-Selling ❽ Bonitätsbewertung ❽ Warenkorbanalysen ❽ Absatzprognosen, Trends wwwsystematikacom wwwsystematikacom Versandhandel: Käuferanalyse Versandhandel: Käuferanalyse wwwsystematikacom wwwsystematikacom 7
8 Versandhandel: Käuferanalyse Versandhandel: Analyse der Genauigkeit wwwsystematikacom wwwsystematikacom Versandhandel: Käuferanalyse Versandhandel: Käuferanalyse wwwsystematikacom wwwsystematikacom Wie wird Data Mining zum Erfolg? ❽ Analyse-Team mit hoher Business-Intelligenz und statistischem Verständnis aufbauen ❽ Heuristische Analyse in geschäftskritischen Bereichen ❽ Data Mining und Analysen popularisieren ❽ Analysen mit hohem Return on Investment definieren ❽ Geschäftsentscheidungen empirisch absichern ❽ Analysen automatisieren, Workflows definieren wwwsystematikacom 8
9 Data Mining Lösungen Entscheidungen für die Zukunft Hochleistungs- Plattformen Wie sieht die beste Plattform aus? flexibel, skalierbar, ökonomisch Strategische Woraus besteht die beste Lösung? Partnerschaften mit Software- & Lösungspartnern ProLiant, AlphaServer, Himalaya Windows NT, Tru64 UNIX OpenVMS, NonStop Kernel StorageWorks Gesamtlösungs- Wie werden Lösungen realisiert? Compaq Services Kompetenz gemeinsam mit Partnern durch langjährige Erfahrungen 49 So wird Data Mining für Sie zum Gewinn ❽ Mit der flexibelsten & leistungsfähigsten Plattform gebaut von Compaq ❽ Mit den besten Werkzeugen für Ihre Anfordungen integriert durch Compaq ❽ Mit einem strukturierten & pragmatischen Vorgehen bereitgestellt von Compaq Weitere Infos, Success Stories, Demos und Kontakt zu den Experten: compaqcom wwwcompaqcom/activeanswers :///loesung/ 9
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
MehrBestandskundenmanagement Wo drückt bei Ihnen der Schuh?
Bestandskundenmanagement Wo drückt bei Ihnen der Schuh? best-reactions GmbH Hirschberger Straße 33 D 90559 Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer Alexander P.
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
MehrSeminar 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?
MehrDISKUSSIONSBEITRÄGE 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
MehrTiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining
Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrData Mining und maschinelles Lernen
Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:
MehrVgl. Kapitel 5 aus Systematisches Requirements Engineering, Christoph Ebert https://www.sws.bfh.ch/studium/cas/swe-fs13/protected/re/re_buch.
Vgl. Kapitel 5 aus Systematisches Requirements Engineering, Christoph Ebert https://www.sws.bfh.ch/studium/cas/swe-fs13/protected/re/re_buch.pdf 2 Nach derbefragung aller Stakeholder und der Dokumentation
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
MehrBenchmark zur Kompetenzbestimmung in der österreichischen SW Industrie. Mag. Robert Kromer NCP / AWS Konferenz Wien, 29.2.2012
Benchmark zur Kompetenzbestimmung in der österreichischen SW Industrie Mag. Robert Kromer NCP / AWS Konferenz Wien, 29.2.2012 Warum beschäftigen wir uns mit Wissensbewertung? ( 1978 (in Folie 2 Welchen
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrProcess Mining Tutorial: ProM 6 und Disco. Luise Pufahl 3. Juni 2014
Process Mining Tutorial: ProM 6 und Disco Luise Pufahl 3. Juni 2014 5 Gliederung 1. Szenario 2. Disco Fluxicon 3. ProM 6 2 Szenario 5 Szenario Purchase Process Requester Request for quotation Request for
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrBusiness Model Canvas
Business Model Canvas Business Model Canvas ist ein strategisches Management Tool, mit dem sich neue und bestehende Geschäftsmodelle visualisieren lassen. Demnach setzt sich ein Geschäftsmodell aus neun
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrSocial Media Einsatz in saarländischen Unternehmen. Ergebnisse einer Umfrage im Mai 2014
Social Media Einsatz in saarländischen Unternehmen Ergebnisse einer Umfrage im Mai 2014 Social Media Nutzung in saarländischen Unternehmen Umfrage vom 06.05.2014 28.05.2014 Zehn Fragen 174 Teilnehmer Social
MehrEntscheidungsbaumverfahren
Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch
MehrVorhersage mit CA CleverPath Predictive Analysis Server. Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com
Vorhersage mit CA CleverPath Predictive Analysis Server Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com Agenda Herausforderung CP PAS Neugents Modelle Mustererkennung Tools CA World 1 Herausforderung
MehrDie CLC-Mitarbeiterbefragung. Eine solide Datenbasis für Ihre Unternehmensentwicklung.
Dr. Benjamin Künzli Die CLC-Mitarbeiterbefragung. Eine solide Datenbasis für Ihre Unternehmensentwicklung. Übersicht über die Präsentation Mitarbeiterbefragungen (MAB) - Herausforderungen und Lösungen
MehrData-Mining in Unternehmen die rechtliche Sicht
Data-Mining in Unternehmen die rechtliche Sicht 15. Symposium on Privacy and Security, 31. August 2010 Dr. Alois Rimle, Ruoss Vögele Partner, Zürich Übersicht Begriff des Data-Mining 3 Anwendung und Auswirkungen
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrWas ist Data Mining... in der Fundraising Praxis?
Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten
MehrWir machen neue Politik für Baden-Württemberg
Wir machen neue Politik für Baden-Württemberg Am 27. März 2011 haben die Menschen in Baden-Württemberg gewählt. Sie wollten eine andere Politik als vorher. Die Menschen haben die GRÜNEN und die SPD in
MehrInsulin Dependent Diabetes Mellitus Rats and Autoimmune Diabetes
1 Insulin Dependent Diabetes Mellitus Rats and Autoimmune Diabetes, Georg Füllen Institut für Biostatistik und Informatik in Medizin und Alternsforschung Universität Rostock 2 Einführung: Diabetes Diabetes
MehrOrganisationen neu sehen
Organisatione n neu sehen Organisationen neu sehen ~ Soziale Netzwerkanalyse für Unternehmen ~ The best way to understanding how work really gets done in organizations Rob Cross, IBM Research PZN Kooperationsberatung
MehrCorporate Actions in epoca
in epoca Einführung Die können in Bezug auf die Buchhaltung zu den komplexesten und anspruchsvollsten Transaktionen gehören. Sie können den Transfer eines Teils oder des ganzen Buchwerts einer Position
MehrRegressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose
Informatik Philipp von der Born Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose Bachelorarbeit Universität Bremen Studiengang Informatik Regressionsanalyse zur
MehrSocial Media für Medienunternehmen: Potenziale erkennen - erfolgreiche Strategien entwickeln.
Social Media für Medienunternehmen: Potenziale erkennen - erfolgreiche Strategien entwickeln. Inhouse Seminar Social Media für Medienunternehmen Inhouse Seminar Social Media für Medienunternehmen Ziel
MehrDie Zeit ist reif. Für eine intelligente Agentursoftware.
Die Zeit ist reif. Für eine intelligente Agentursoftware. QuoJob. More Time. For real Business. Einfach. Effektiv. Modular. QuoJob ist die browserbasierte Lösung für alle, die mehr von einer Agentursoftware
MehrDer MEISTERKREIS-Index 2013 (Ausgabe 1)
Der MEISTERKREIS-Index 2013 (Ausgabe 1) Aktuelles Stimmungsbarometer der deutschen High-End-Branche München, Februar 2013 2 ZIELSETZUNGEN MEISTERKREIS-INDEX Der MEISTERKREIS-Index wird halbjährlich über
MehrOracle 9i Real Application Clusters
Oracle 9i Real Application Clusters Seite 2-1 Agenda Einführung Verfügbarkeit / Skalierbarkeit Clusterarchitekturen Oracle Real Application Clusters Architektur Requirements Installation und Konfiguration
MehrMarketing für FremdenführerInnen Teil 2
Marketing für FremdenführerInnen Teil 2 Bfi MMag. Dr. Huberta Weigl www.schreibwerkstatt.co.at www.social-media-werkstatt.at November 2014 Entwerfen einer Marketingstrategie und Festlegung des Marketing-Mix
MehrDer Begriff Cloud. Eine Spurensuche. Patric Hafner 29.06.2012. geops
Der Begriff Cloud Eine Spurensuche Patric Hafner geops 29.06.2012 Motivation Der größte Hype der IT-Branche Hype heißt sowohl Rummel als auch Schwindel slashdot.org The cloud represents a foundational
MehrEntwicklung des Dentalmarktes in 2010 und Papier versus Plastik.
Sehr geehrter Teilnehmer, hier lesen Sie die Ergebnisse aus unserer Umfrage: Entwicklung des Dentalmarktes in 2010 und Papier versus Plastik. Für die zahlreiche Teilnahme an dieser Umfrage bedanken wir
MehrCredit-Eckdaten der Studien- und Prüfungsordnung als Basis zur Studienberatung
der Studien- und Prüfungsordnung als Basis zur Studienberatung am 29. Prof. Dr. Rainer Bender Übersicht Studien- und Prüfungsordnung Probleme Data-Warehouse Überlegungen zur Studienberatung Credit- Schwellenwert
Mehr2006 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
MehrPrototypenentwicklung zur Identifikation gleichartiger Nachrichtenticker am Beispiel des Gashandels
Prototypenentwicklung zur Identifikation gleichartiger Nachrichtenticker am Beispiel des Gashandels TDWI Konferenz München, 24.06.2014 M.Sc.Susann Dreikorn Institut für Wirtschaftsinformatik, 2014 Agenda
MehrN N O B O X E N C H E C K. Learn more about (your) Innovation Management and how to make it even better! M A R I A T A G W E R K E R - S T U R M
N N O B O X E N C H E C K Learn more about (your) Innovation Management and how to make it even better! Die Entwicklung verschlingt so viel Geld. Der Kunde braucht das Produkt nicht. Keiner will die Entscheidung
MehrMarketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch
Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele
MehrRisiken bei der Analyse sehr großer Datenmengen. Dr. Thomas Hoppe
Risiken bei der Analyse sehr großer Datenmengen Dr. Thomas Hoppe Datenaufbereitung Datenanalyse Data Mining Data Science Big Data Risiken der Analyse Sammlung Integration Transformation Fehlerbereinigung
MehrBusiness 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
MehrWelchen Nutzen haben Risikoanalysen für Privatanleger?
Welchen Nutzen haben Risikoanalysen für Privatanleger? Beispiel: Sie sind im Sommer 2007 Erbe deutscher Aktien mit einem Depotwert von z. B. 1 Mio. geworden. Diese Aktien lassen Sie passiv im Depot liegen,
MehrMitarbeiterbefragung als PE- und OE-Instrument
Mitarbeiterbefragung als PE- und OE-Instrument 1. Was nützt die Mitarbeiterbefragung? Eine Mitarbeiterbefragung hat den Sinn, die Sichtweisen der im Unternehmen tätigen Menschen zu erkennen und für die
MehrKompetenz. rund um. Ihren. Entwicklungsprozess. Über uns. Technische Software. Modellbasierter Test. Prüfplätze. Automatisierung.
Kompetenz rund um Ihren Entwicklungsprozess Modellieren für den Test - Segen oder Fluch? Firmenpräsentation auf der embeddedworld 2010 Dipl. Ing. (Univ) Gerhard Baier Bereichsleiter Marketing und Vertrieb
MehrLook Inside: desite. modellorientiertes Arbeiten im Bauwesen. B.I.M.
Building Information Modeling Look Inside: desite modellorientiertes Arbeiten im Bauwesen. B.I.M. desite MD unterstützt Sie bei der täg lichen Arbeit mit Gebäudemodellen und ermöglicht den Zugang zu den
MehrChurn Prediction. Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen. CRM & Research / Ing. Werner WIDHALM.
Churn Prediction Mit Datamining abwanderungsgefährdete Kunden rechtzeitig erkennen CRM & Research / Ing. Werner WIDHALM Juni 2012 Datamining in der Bank Austria Datamining Anwendungsgebiete im CRM der
MehrBIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE. make connections share ideas be inspired. Wolfgang Schwab SAS D
make connections share ideas be inspired BIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE Wolfgang Schwab SAS D Copyright 2013, SAS Institute Inc. All rights reserved. BIG DATA: BEDROHUNG ODER CHANCE?
MehrÜbungsklausur vom 7. Dez. 2007
Übungsklausur vom 7. Dez. 2007 Ein Lösungsmuster Teilbereiche der Softwaretechnik Software Anforderungen Software Entwurf Software Konstruktion Software Test Software Wartung Software Konfigurationsmanagement
MehrCross-Selling bei Versicherungen. Empirische Analyse zu Status quo, Trends und zukünftigen Anforderungen
Georg Wittmann Christiane Früchtl Silke Weisheit Cross-Selling bei Versicherungen Empirische Analyse zu Status quo, Trends und zukünftigen Management Summary In der Studie Cross-Selling bei Versicherungen
MehrTeil 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
MehrSocial Media 2011: Top-Entscheider im Experteninterview
Social Media 2011: Top-Entscheider im Experteninterview Trends in Marketing und Marktforschung Aegidius Marktforschungsportal GmbH / DTO Consulting GmbH Im Bereich Social Media ist es auch als kleines
MehrSollten folgende drei Fragen durch das Team positiv beantwortet werden, sind wichtige SCRUM-Elemente in Ihrem Team erfolgreich installiert.
SCRUM-CHECKLISTE Teilen Sie diese Liste an alle Teammitglieder aus. Jeder soll einen Haken an der Stelle setzen, die er für Ihr SCRUM Team als erfüllt ansieht. Anschließend diskutieren Sie über fehlende
MehrFür den ersten Eindruck gibt es keine zweite Chance:
Für den ersten Eindruck gibt es keine zweite Chance: Wie präsentiere ich mich richtig im ersten Bankgespräch? Lena Niegemeier 14. Juni 2013 Der Weg zur richtigen Präsentation Inhalt Grundsätzliches für
MehrDie Software für Visualisierung und Analyse von Strukturinformationen aus EDM- und PDM-Systemen.
Die Software für Visualisierung und Analyse von Strukturinformationen aus EDM- und PDM-Systemen. : Der Markt verändert sich bei der Produktentwicklung. Kürzere Entwicklungszeiten, umfangreichere Produktspektren
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrSichere E-Mail Anleitung Zertifikate / Schlüssel für Kunden der Sparkasse Germersheim-Kandel. Sichere E-Mail. der
Sichere E-Mail der Nutzung von Zertifikaten / Schlüsseln zur sicheren Kommunikation per E-Mail mit der Sparkasse Germersheim-Kandel Inhalt: 1. Voraussetzungen... 2 2. Registrierungsprozess... 2 3. Empfang
MehrW.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,
MehrCustomer 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
Mehr2. Negative Dualzahlen darstellen
2.1 Subtraktion von Dualzahlen 2.1.1 Direkte Subtraktion (Tafelrechnung) siehe ARCOR T0IF Nachteil dieser Methode: Diese Form der Subtraktion kann nur sehr schwer von einer Elektronik (CPU) durchgeführt
MehrWer sich nicht täglich mit Versicherungen. Die meisten Menschen haben. Sind Sie richtig und vor allem preiswert versichert?
Wer sich nicht täglich mit Versicherungen befasst, kann oftmals nicht abschätzen, welche Verträge zu seiner aktuellen Situation und seiner weiteren Lebensplanung passen. Sind Sie richtig und vor allem
MehrMarkovketten. Bsp. Page Ranking für Suchmaschinen. Wahlfach Entscheidung unter Risiko und stat. Datenanalyse 07.01.2015
Markovketten Markovketten sind ein häufig verwendetes Modell zur Beschreibung von Systemen, deren Verhalten durch einen zufälligen Übergang von einem Systemzustand zu einem anderen Systemzustand gekennzeichnet
MehrKey Findings der Studie zur Nachfolgeregelung bei Schweizer Grossunternehmen
Key Findings der Studie zur Nachfolgeregelung bei Schweizer Grossunternehmen Prof. Dr. René Rüttimann rut@zhwin.ch Building Competence. Crossing Borders. Allgemeine Informationen Die vorliegende Studie
MehrData 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
MehrVorhersagetechniken 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
MehrWebcontrolling Umsetzung in die Praxis. Toll, und wie ist es wirklich?
Webcontrolling Umsetzung in die Praxis Toll, und wie ist es wirklich? Über uns Die Scandio GmbH ist ein Software und IT-Consulting Unternehmen. Wir entwickeln individuelle Applikationen und beraten unsere
MehrDie Oracle BI Trilogie von Trivadis
Die Oracle BI Trilogie von Trivadis Teil 2 - Aufbau einer DWH- und BI-Landschaft Zürich, 25. November 2009 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart
MehrMEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015
MEHR ANALYTICS FÜR MEHR ANWENDER DR. GERHARD SVOLBA COE ANALYTICS DACH WIEN, 11. JUNI 2015 DAS ERWARTET SIE IN MEINEM VORTRAG Neue Anforderungen, neue Herausforderungen, neue Möglichkeiten Software Demo:
MehrGeFüGe Instrument I07 Mitarbeiterbefragung Arbeitsfähigkeit Stand: 31.07.2006
GeFüGe Instrument I07 Stand: 31.07.2006 Inhaltsverzeichnis STICHWORT:... 3 KURZBESCHREIBUNG:... 3 EINSATZBEREICH:... 3 AUFWAND:... 3 HINWEISE ZUR EINFÜHRUNG:... 3 INTEGRATION GESUNDHEITSFÖRDERLICHKEIT:...
MehrSaarLB-Trendstudie Erneuerbare Energien
SaarLB-Trendstudie Erneuerbare Energien Agenda SaarLB-Trendstudie 1. Eckdaten der Befragung 2. Allgemeine Einschätzung von EE; Chance oder Risiko? 3. Hauptgründe + Trends für den Einsatz von EE 4. Stärkerer
MehrBachelorprüfung/Diplomvorprüfung Einführung in die Unternehmensführung (BWL 1)
Lehrstuhl für Organisation und Führung Institut für Unternehmensführung Bachelorprüfung/Diplomvorprüfung Einführung in die Unternehmensführung (BWL 1) Sommersemester 2012, 27. August 2012 Name, Vorname:...
MehrLinearen Gleichungssysteme Anwendungsaufgaben
Linearen Gleichungssysteme Anwendungsaufgaben Lb S. 166 Nr.9 Im Jugendherbergsverzeichnis ist angegeben, dass in der Jugendherberge in Eulenburg 145 Jugendliche in 35 Zimmern übernachten können. Es gibt
Mehr2D to 3D Technologie
Copyright by GDESIGN Vertriebsgesellschaft Einführung Der Einsatz von CAD-Werkzeugen und -Techniken gehört heute zum Standard. Immer mehr Unternehmen arbeiten daran, ihre bisherige 2D-Konstruktion auf
MehrDer Einsatz von Social Media im Stadtmarketing. Alexander Masser, Hans-Jürgen Seimetz, Peter Zeile
Der Einsatz von Social Media im Stadtmarketing Alexander Masser, Hans-Jürgen Seimetz, Peter Zeile Einführung Web 2.0, Facebook, Twitter, Google, Social Media... Was bedeuten diese Schlagwörter für das
MehrErfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrGrundlagenschulung. Zweck und Ziel der Marktforschung. grundsätzliche Abgrenzung zum Direktvertrieb. Schulungsprototyp
Grundlagenschulung Zweck und Ziel der Marktforschung grundsätzliche Abgrenzung zum Direktvertrieb Schulungsprototyp 1 Was ist Marktforschung? Marktforschung ist die systematische Sammlung, Aufbereitung
MehrGeodaten im Geomarketing Die Rolle amtlicher Basisdaten. Ein Unternehmen der Schober Group
Geodaten im Geomarketing Die Rolle amtlicher Basisdaten Wissen, was. Marketing ist die konsequente Ausrichtung eines Unternehmens seine Produkte optimiert abzusetzen (veraltet Absatzwirtschaft) Ein Produkt
MehrSind wir attraktiv für Mitarbeiter? Employer Branding für Unternehmen auf Wachstumskurs.
Sind wir attraktiv für Mitarbeiter? Employer Branding für Unternehmen auf Wachstumskurs. Robert Weichert, Geschäftsführender Partner, PR Piloten GmbH & Co. KG, Dresden, 26. März 2013 Headline, Arial, bold,
MehrDominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH
Dominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH Peter Cullen, Microsoft Corporation Sicherheit - Die Sicherheit der Computer und Netzwerke unserer Kunden hat Top-Priorität und wir haben
MehrDie Patentanmeldung ein Schlüssel zum Erfolg
Die Patentanmeldung ein Schlüssel zum Erfolg Die Patentanmeldung Nach Artikel 52(1) EPÜ werden europäische Patente für Erfindungen auf allen Gebieten der Technik erteilt, sofern sie neu sind, auf einer
MehrLV-Umschichtung. Kurzgutachtliche Stellungnahme zu Ihrer Lebensversicherung (LV)
LV-Umschichtung Kurzgutachtliche Stellungnahme zu Ihrer Lebensversicherung (LV) 1 Inhalt Seite 1. Einleitung 3 2. Freizeichnung 5 3. Legende 6 4. Anmerkungen 7 15.02.2010 Hartmann + Hübner 2 1. Einleitung
MehrCatherina Lange, Heimbeiräte und Werkstatträte-Tagung, November 2013 1
Catherina Lange, Heimbeiräte und Werkstatträte-Tagung, November 2013 1 Darum geht es heute: Was ist das Persönliche Geld? Was kann man damit alles machen? Wie hoch ist es? Wo kann man das Persönliche Geld
MehrBig Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion
Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und
MehrWerbebriefe erfolgreicher machen
Werbebriefe erfolgreicher machen Warum kostenlose Vorlagen für Werbebriefe Sie viel Geld kosten Kostenloses PDF zum Download Texte, Marketing, PR und Coaching Warum kostenlose Vorlagen für Werbebriefe
MehrIBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung
IBM SPSS Justiz-Tage: Datenerhebung, Datenanalyse und Data Mining für Justiz und kriminologische Forschung Evaluieren & Erkennen, Weiterentwickeln & Reporten Datenerhebung, Datenanalyse und Data Mining
MehrStrategien der Neukundengewinnung Segmentierung und Zielgruppendefinition
Strategien der Neukundengewinnung Segmentierung und Zielgruppendefinition Strategien der Neukundengewinnung - Folie 1 Vorstellrunde Geben Sie uns bitte folgende Informationen: Name und Funktion im Unternehmen
MehrSocial Networking für Finanzvertriebe. Sie müssen dort sein, wo Ihre Kunden sind. Social Networking. Köln, 6. Juni 2012
Social Networking für Finanzvertriebe Sie müssen dort sein, wo Ihre Kunden sind Social Networking Köln, 6. Juni 2012 Agenda Social Media: Grundlagen Welche Portale sind relevant? Ein Überblick Umsetzung
MehrFunktionaler Zusammenhang. Lehrplan Realschule
Funktionaler Bildungsstandards Lehrplan Realschule Die Schülerinnen und Schüler nutzen Funktionen als Mittel zur Beschreibung quantitativer Zusammenhänge, erkennen und beschreiben funktionale Zusammenhänge
Mehrmacs Support Ticket System
macs Support Ticket System macs Software GmbH Raiffeisenstrasse 8 78658 Zimmern ob Rottweil Tel. (0741)9422880 1 ALLGEMEIN... 3 2 ABLAUF TICKET-SYSTEM... 4 2.1 Ticket Erstellung... 4 2.2 Ablauf... 4 2.3
MehrBusiness Application Framework für SharePoint Der Kern aller PSC-Lösungen
Business Application Framework für SharePoint Der Kern aller PSC-Lösungen Überblick pscbaf Dieses Dokument liefert die Antworten auf folgende Fragen: Was ist das Portal Systems Business Application Framework
MehrBei der Focus Methode handelt es sich um eine Analyse-Methode die der Erkennung und Abstellung von Fehlerzuständen dient.
Beschreibung der Focus Methode Bei der Focus Methode handelt es sich um eine Analyse-Methode die der Erkennung und Abstellung von Fehlerzuständen dient. 1. F = Failure / Finding An dieser Stelle wird der
MehrAlbert HAYR Linux, IT and Open Source Expert and Solution Architect. Open Source professionell einsetzen
Open Source professionell einsetzen 1 Mein Background Ich bin überzeugt von Open Source. Ich verwende fast nur Open Source privat und beruflich. Ich arbeite seit mehr als 10 Jahren mit Linux und Open Source.
MehrC++11 C++14 Kapitel Doppelseite Übungen Musterlösungen Anhang
Einleitung Dieses Buch wendet sich an jeden Leser, der die Programmiersprache C++ neu lernen oder vertiefen möchte, egal ob Anfänger oder fortgeschrittener C++-Programmierer. C++ ist eine weitgehend plattformunabhängige
MehrBegeisterung und Leidenschaft im Vertrieb machen erfolgreich. Kurzdarstellung des Dienstleistungsangebots
Begeisterung und Leidenschaft im Vertrieb machen erfolgreich Kurzdarstellung des Dienstleistungsangebots Überzeugung Ulrich Vieweg Verkaufs- & Erfolgstraining hat sich seit Jahren am Markt etabliert und
MehrEntwicklung 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
Mehrfür ein Programm zur Förderung des Verkaufserfolgs cmc
für ein Programm zur Förderung des Verkaufserfolgs Sieben Schritte zum Verkaufserfolg - ein Coaching-Programm zur Förderung des Erfolgs im Versicherungsverkauf mit Hilfe eines Change Management Consult
Mehr