Institut für Medizinische Informatik. Technische Universität Braunschweig
|
|
- Friedrich Rosenberg
- vor 8 Jahren
- Abrufe
Transkript
1 Data Warehouse Dipl. Inform.. Maik Plischke Technische Universität Data Warehouse Definition gemäss W.H. Inmon A Data Warehouse is a subject- oriented, integrated, time-variant and nonvolatile collection of data in support of managements Decision support process. 1
2 Entstehung Anfang der 80er: Erste Projektversuche: Data Supermarket Super Database 1988: internes Projekt von IBM European Business Information System (EBIS) 1991: umbenannt in Information Warehouse Strategy Entstehung Ziel von EBIS: Konzepte für f r Produkte, Mechanismen und Vorgehensweisen zur Überwindung der Heterogenität t und Bewältigung der Informationsexplosion 2
3 Entstehung Ziel der Information Warehouse Strategy: Versorgung autorisierter Einzelpersonen mit zuverlässigen, zeitrichtigen, genauen und verständlichen Geschäftsinformationen aus allen Geschäftsbereichen zum Zwecke der Entscheidungsunterstützung tzung Hintergrundproblematik Informationen als unternehmerische Ressource Richtige Informationen zum richtigen Zeitpunkt am richtigen Ort Ineffizienz in der Informationslogistik: 95% Liege- und Wartezeit, 5% Verarbeitungszeit Schwächen chen relationaler Datenbanken bei der Durchführung hrung multidimensionaler betriebswirtschaftlicher Analysen Flache, zweidimensionale Tabellenstruktur Unterschiedliche Sichtweisen auf denselben Datenbestand ist sehr aufwendig 3
4 Hintergrundproblematik Forderung an die Informationslogistik Minimierung der Informationsdurchlaufzeiten Optimierung der Informationsbestände Informationsverfügbarkeit Just in time Idee: Zentraler Daten- und Informationspool als Basis einer adäquaten betrieblichen Informationsversorgung Wunsch nach für f r Produkte, Mechanismen und Vorgehensweisen zur Überwindung der Heterogenität t und Bewältigung der Informationsexplosion Data Warehouse Definition als Informationslager Erlaubt die Analyse und den Vergleich operativer, historischer und externer Daten Erlaubt die Berechnung von Prognosen Macht interne wie externe Trends sichtbar Dient der Unterstützung tzung von Entscheidungen in allen Unternehmensebenen 4
5 Data Warehouse Stellt eine vom operativen Bereich losgelöste, ste, homogene und konsistente Datenbasis bereit (Trennung von operativen und entscheidungsunterstützenden tzenden Systemen) Quellen dieser Datenbasis sind: Im Unternehmen vorhandene DV-Anwendungen und Datenerhaltungsysteme sowie Externe Daten, zum Beispiel aus Online-Diensten, dem Internet oder elektronische Presse-Ausschnitte Data Warehouse Strukutur und Umfang der Datenbasis in einem Data Warehouse besitzen ein spezifische Form, die Die Verfügbarkeit entscheidungsrelevanter Informationen in bedarfsgerechter Form gewährleistet Die grundsätzliche Analysierbarkeit der Daten sichert 5
6 Data Warehouse Eigenschaft:Themenbezug Operationelle Systeme Kontoeröffnung Kreditabwicklung Führungsinstrumente Wertschriftenverwaltung Operationelle Systeme sind prozessorientiert und werden durch ein System verwaltet Data Warehouse CRM Customer Relationship Management Risiko Management Das Data Warehouse ist themenbezogen und erhält Daten von vielen opertionalen Systemen. Die Daten werden nach dem betriebswirtschaftlichen Umfeld des Unternehmens organisiert. Data Warehouse Eigenschaft: : Integration Operationelle Systeme Data Warehouse Anwendungsspezifisch Integriert Anwendungen und Datenbanken wurden unabhängig voneinander erstellt EntwicklungübereinelangeZeit Integration von Beginn an Designed zu Beginn, Implementation iterativ in kurzer Zeit Integration aus verschiedenen Systemen 6
7 Data Warehouse Eigenschaft: Zeitabhängigkeit Operationelle Systeme Data Warehouse Normalerweise aktuelle Daten Generell historischer Bezug Zeitreihenanalysen Data Warehouse Eigenschaft: Beständigkeit einfügen Operationelle Systeme ändern Data Warehouse hinzufügen ersetzen löschen Laden / Hinzufügen Ständiger Wechsel stetiger Update Änderungen nach Bedürfnis und nicht nach Plan Konsistent zu einer bestimmten Zeit auf ein Data Warehouse wird nur lesend zugegriffen 7
8 Operative und strategische Planung Operative Planung Ausschöpfung vorhandener Erfolgspotentiale operative Daten Strategische Planung Aufbau langfristiger Erfolgspotentiale strategische Daten Operative Datenbank (Produktionsdatenbank) Datenbank, die operative Geschäftsvorg ftsvorgänge aufzeichnet, indem sie Einzeldaten in häufigen Transaktionen in Echtzeit laufend vollständig und redundanzarm fortschreibt Telekommunikation, Handel und Banken sind transaktionsintensive Branchen mit bis zu bis Tansaktionen pro Minute Quelle: [Lusti, 1999] 8
9 Mängel von operativen Datenbanken Operative Entscheidungen Datenanalyse Operative Datenbanken sind unübersichtlich (originäre Detaildaten) momentbezogen (keine historischen Periodendaten) benutzerfeindlich (SQL oder 3GL-Kenntnisse) Data Warehouse Data Warehouses... sind analytische Datenbanken die Berichtsgeneratoren Abfrage- und Analysewerkzeuge zur Verfügung stellen Sie dienen... Managern zur Entscheidungsunterstützung nachträglichen Monitoring von Entscheidungen Spezialisten zum Data Mining 9
10 Operative vs. Analytische Datenbanken Schwerpunkt Produktions- Data datenbank Warehouse Daten operativ Daten vollständig Daten detailliert Daten redundanzarm (fortschreibungsfreundlich) Daten änderungsintensiv Schlüssel i.d.r. natürlich meist Auswahlabfragen Abfragen häufig h ad hoc Daten strategisch Daten periodenbezogen Daten oft abgeleitet (v.a. zusammenfassend) endbenutzerorientiert Schlüssel i.d.r. künstlich k Data Warehouse Merkmale eines DW 1. Orientierung an unternehmensbedingten Sachverhalten (subject( subject-oriented) 2. Zeitraumbezug (time( time-variant) 3. Struktur- und Formatvereinheitlichung (integrated) 4. Permanenz (nonvolatile( nonvolatile) 10
11 Data Warehouse 1. Orientierung an unternehmensbedingten Sachverhalten (subject( subject-oriented): Ableitung relevanter Informationen aus den Unternehmensdaten aus unterschiedlichen Dimensionen für f r den Entscheidungsträger ger Dimensionen (Bsp.): Unternehmensstruktur, Produktstruktur, Regionalstruktur, Kundenstruktur, Zeitstruktur, betriebswirtschaftliche Kenngrößen und deren Ausprägung Data Warehouse 2. Zeitraumbezug (time( time-variant) Operative Systeme: Zeitpunktbetrachtungen Trendanalysen (Zeithorizonte bis zu 15 Jahren) Impliziter oder expliziter Bestandteil im DW Herstellung eines Zeitraumbezuges zu den entsprechenden Daten und Datensätzen, tzen, Zeitmarken 11
12 Data Warehouse 3. Struktur- und Formatvereinheitlichung (integrated) Lösungen für f r Daten aus heterogenen und proprietären ren Rechnerarchitekturen, Datenredundanzen und Inkonsistenzen sowie semantische Inkonsistenzen Data Warehouse 13. Mai 12/7/ Fr, KW14/00 12
13 Data Warehouse 4. Permanenz (nonvolatile( nonvolatile) Volatilität: t: Grad, mit dem sich Daten iim Laufe der normalen Nutzung ändern Keine Korrektur enthaltener Daten Keine Aktualisierungen oder Veränderungen Architektur 13
14 Architektur Operative Daten Externe Daten Daten Ladeprozess Auswahl Transformation Integration Data Warehouse Einzelheiten Zusammenfassungen Metadaten Information Endbenutzerzugriff Zugriffswerkzeuge Berichtsgenerator Zweidimensionale Abfrage Mehrdimensionale Abfrage (OLAP) Data Mining... Entscheidung Textdokument 14
15 Architektur Architektur Online-Transaction Transaction-Processing Schicht OLTP-Systeme Systeme: Informationsysteme zur Unterstützung tzung der eigentlichen Geschäftsprozesse: Bsp: Finanzbuchhaltung, Lagerverwaltung, Materialwirtschaft, Warenwirtschaft Meist gewachsene IT-Strukturen Realität: t: Extraktion der Daten aus unterschiedlichen Sytemen 15
16 Architektur Architektur Import-Schicht Daten aus OLTP-Systeme müssen selektiert, transformiert und bereinigt werden Tools zur Zusammenfassung der Funktionen Extraktion, Transformation und Loading (ELT-Tools) Daten aus operativen Systemen werden extrahiert und semantisch vereinheitlicht: m und Meter für Längenmaß muss automatisch erkannt und vereinheitlicht werden 16
17 Architektur Transformation interner und externer Daten in thematisch strukturierte Informationsdatenbanken Gründe für f r Transformationen auch der operativen Daten Anfragen/ Analysen erfordern oft Einbeziehung erheblicher Datenmengen; dadurch starke Behinderung operativer Systeme Form und Zusammenhänge der op. Daten sind zweckbestimmt nicht unmittelbar für Analysezwecke nutzbar Data Warehouse Daten aus internen und externen Quellen werden konsolidiert,, d.h. Bereinigt Gefiltert Umcodiert Sortiert Ggf. vorverdichtet Und anschließen in das DW eingestellt Extraktion, Umformatierung und Umstrukturierung der Daten für f r ein DW erfolgt mit Hilfe spezieller Software- Werkzeuge und in regelmäß äßigen zeitlichen Abständen 17
18 Architektur Architektur DW - Schicht Zentrale Datenhaltungskomponente (mehrere Terabyte) Metadatenbank enthält betriebswirtschaftliche und DV-technische Informationen über den Datenbestand des DW, Bearbeitung von Anfragen und zur Navigation im Datenbestand Data-Mart Mart: : Sub- oder Teilsystem des DW 18
19 Architektur Struktur eines DW ist themenorientiert (d.h. bezogen auf die Struktur des Unternehmens, seine Prozesse etc.) Sachverhalte können k z.b. unter zeitlichen, räumlichen oder bezogen auf spezielle Produkte und deren Varianten betrachtet werden Zeit, Raum, Produkte etc. sind sog. Dimensionen im DW. (In der Praxis: Dimensionen) Architektur Dimensionen legen Struktur und Klassifizierung der Daten fest Dimensionen haben verschiedene Grade der Detaillierung (Verdichtungsebenen/Aggregationsebenen) Aggregationsebenen der Dimension Zeit sind z.b. Tag Quartal Jahr Jahrzehnt 19
20 Architektur Aggregationsebenen der Dimension Raum sind z.b. Stadt Großraum Region Filialen Aggregationsebenen der Dimension Produkt sind z.b. Verpackung Preis Versandform Vertriebsweg Architektur Unterste Aggregationsebene ist jene Darstellung der Daten, die sich nicht weiter aufschlüsseln sseln lässtl Wahl der AE und ihrer untersten Ebene beeinflusst entscheidend das Datenvolumen und damit den Ressourcenbedarf des DW Vor der Einrichtung des DW müssen m alle Erkenntnisinteressen definiert sein; hieraus leiten sich die Dimensionen und AE ab (Auseinandersetzung mit den Unternehmensprozessen erforderlich!) 20
21 Architektur Grundsätzlich auch verzicht auf AE möglich, m d.h. Berechnung erwünschter Zusammenhänge nge erst aufgrund konkreter Anfrage Einbußen bei Komfort (Schnelligkeit der Abfrage, Einfachheit etc.); somit Verlust entscheidender Vorteile eines DW Einschub: Data Mart DM Datenbanken operativer Systeme DM DM Data Mart (DM): lokales Data Ware House, das sich auf die Daten eines Funktionsbereichs, einer Abteilung, einer Arbeitsgruppe, einer komplexen Anwendung beschränkt. 21
22 Einschub: Data Marts Vorteile Entwicklungskomplexität t kleiner Endbenutzerbeteiligung wahrscheinlicher Flexibilität grösser Datenmodell einfacher Abfrageeffizienz grösser Probleme Skalierbar? Integrierbar in Enterprise Data Warehouse? Redundanz kontrollierbar? Data Marts untereinander konsistent? Entwicklungs- und Wartungskosten tragbar? Einschub: Metadaten Kern des Data Warehouse: : Metadaten Enthalten alle Informationen über seinen Inhalt und seine Struktur Steuern den gesamten Prozess der Datenlogistik Enthalten Automatismen für f r die freie Navigation und das Drill-Down Down Definieren zulässige Verknüpfungen und Verwendungen von Daten als Grundlage für f r ihre (mehrdimensionale) Auswertung Geben Benutzer Überblick, wie das DW aufgebaut ist und wo sich welche Informationen befinden 22
23 Einschub: Metadaten Meta-Daten im Informationskatalog: Welche Daten gibt es? Wo befinden sie sich? In welcher Form existieren sie? Wer ist dafür verantwortlich? Wann war das letzte Update? Welche Werkzeuge ermöglichen mir den Zugriff? Wie kann ich einen Bericht erzeugen? Wo ist die Information, die ich brauche? Data Warehouse Einschub: Metadaten Load Query Source Storage Meta-Datenverwaltung 23
24 Architektur Architektur Analyse- und Präsentationsschicht Eindimensionale Auswertung mittels SQL Betrachtung multidimensionaler Daten aus verschiedenen Blickwinkeln OLAP (Online Analytical Processing) Systeme stellen unterschiedliche Sichten aus denselben Daten schnell und flexibel bereit und organisieren die Daten logisch in Würfeln Erkennen von unbekannten Zusammenhängen ngen in großen Datenmengen mittels Data Mining Methoden 24
25 Architektur Art und Weise der Auswertung und Visualisierung der Informationen sind abh. Von den spezifischen Anforderungen des Unternehmens In der Regel: Mischung aus vordefinierten Reports und dem freien Navigieren in Datenbeständen Einsatz von grafischen Präsentationswerkzeugen für die Darstellung der Auswertungsergebnisse Textdokument 25
26 Einschub: OLAP OLAP (Online Analytical Processing): Dynamische Auswertung der Daten OLAP-Werkzeuge ermöglichen insbesondere: Mehrdimensionale Sichten auf die Daten ohne zusätzliche Programmierung Stufenweises Erschließen en immer höhere h here Detaillierungsgrade (Drill( Drill-Down) Zugriff auf Datenbanken und andere Datenquellen Einschub: OLAP Nach CODD et al. (1993) existieren für f r OLAP 12 Evaluationsregeln 1. Mehrdimensionale konzeptionelle Perspektiven 2. Transparenz 3. Zugriffsmöglichkeit 4. Stabile Antwortzeiten bei der Berichtserstattung 5. Client/Server Architektur 6. Grundprinzipen der gleichgestellten Dimensionen 26
27 Einschub: OLAP Nach CODD et al. (1993) existieren für f r OLAP 12 Evaluationsregeln 7. Dynamische Verwaltung dünnbesetzter Matrizen 8. Mehrbenutzerfähigkeit 9. Unbeschränkte kreuzdimensionaler Operationen über Dimensionen hinweg 10. Intuitive Datenmanipulation 11. Flexibles Berichtswesen 12. Unbegrenzte Dimensions- und Aggregationsstufen Einschub: OLAP FASMI-Test: Dieser Test nennt 5 Kriterien, um zu entscheiden, ob ein Produkt ein OLAP-Produkt Produkt ist FAST: Antworten innerhalb weniger Sekunden ANALYSIS: Betriebswirtschaftliche und statistische Analysen, ad-hoc Berechnungen ohne Programmierkenntnisse SHARED: Mehrbenutzerbetrieb, Zugriffsrechte,... MULTIDIMENSIONAL: Die Kern-Anforderung für OLAP INFORMATION: Verarbeitung aller relevanter Informationen, unabhängig vom Umfang und Inhalt Quelle: Stand
28 Einschub: OLAP Vielfältige ltige OLAP-Anwendungen: Anwendungen: Beispiele Finanz- und Rechnungswesen Absatz Beschaffung Produktion Personalwesen... Kurzfristige Erfolgsrechnung Jahresabschlussanalyse Cash Flow - Analyse Soll-/Ist /Ist-Vergleiche Produkt- und Kundenvergleiche Qualität des Kundendienstes Bestandsanalysen Lieferfristenüberwachung Kapazitätsanalysen tsanalysen Qualitätskontrolle Personalverwaltung Mitarbeiterqualifikationen 28
29 Einschub: OLAP benutzerfreundliche Abfrage mit... Drilling Down and Up Zusammenfassung und Detaillierung entlang einer Dimension Drilling Through Detailzugriff auf operative Datenbanken (meist über vordefinierte SQL-Anweisungen) Drilling Across Zugriff auf mehrere Data Marts Filtern Werteauswahl Slicing and Dicing Dimensionsauswahl 29
30 Einschub: OLAP Verschiedene Sichten auf die Daten werden durch Drehen des Würfels W erzeugt. Je nach benötigter Sicht wird eine Tabelle als zweidimensionale Darstellung der Daten erzeugt Rotation = Drehen des Würfels Slicing = Auswählen einer bestimmten Scheibe der dritten Dimension Dicing = Einschränken der Dimension Präsentation mittels grafischer Oberflächen Export für f r z.b. Excel 30
31 31
32 Slicing (in Scheiben schneiden) Auswahl eines kleineren Würfels oder Reduktion der Dimensionen in einem mehrdimensionalen Würfel Branche Bank Zeit 1995 Zweidimensionale Darstellung als Tabelle: Nordamerika Europa Asien Bank Biotechn Computer Nordamerika Europa Asien Bank Biotechn Computer Computer Biotechnologie Nordamerika Europa Asien Region 1996 Dicing (würfeln) Rotation der Resultate um andere Sichten zu zeigen, z.b. Anzeigen anderer Dimensionen Austausch von Zeilen und Spalten (auch Pivoting) Branche Region Bank Nordamerika Biotechnologie Zeit Europa Zeit Computer Asien Nordamerika Europa Asien Region Bank Biotechnologie Computer Branche 32
33 Dicing Dicing (Dimensionswahl): Änderung der angezeigten Dimension mit Drag and Drop einer Dimension der horizontalen Leiste über dem Anzeigefenster Beispiel: Drag and Drop der neuen Dimension Firmensitz (Country of HQ) in die horizontale oder vertikale Titelleiste des Anzeigebereichs ersetzt die alte Dimension Fiskaljahr Pivoting tauscht Zeilen und Spalten Pivoting: Zeilen und Spalten tauschen (besondere Form des Dicing) Beispiel: Tausch der Dimensionen Branche und Firmensitz 33
34 Visualisierung Dreidimensionale Visualisierung Grafische Veranschaulichung eines Indikators und zweier Dimensionen Beispiel: Indikator Jahresertrag Dimensionen Branche und Firmensitz Filtern beschränkt die angezeigten Werte Beispiel: Unternehmungen mit einem Jahresertag von < oder 100 Mio 34
35 Einschub: Data-Mining Data-Mining Oberbegriff für f r Methoden und Techniken zur Aufdeckung unbekannter Zusammenhänge nge der Daten Aufspürung von Datenmustern Interpretation und Visualisierung von Mustern Einschub: Data Mining Data Mining ist nicht: Data Warehousing Ad hoc Anfragen / Reportgenerierung Online Analytic Processing (OLAP) Datenvisualisierung Software Agenten 35
36 Beispiel Handelsunternehmen Vorhersagen: Database Marketing Marketing auf Basis kundenindividueller Informationen in einer Kundendatenbank gespeicherter Informationen Beispiel: Aus Daten früherer Werbemassnahmen werden die Personengruppen ermittelt, denen man ein Leistungsangebot gezielt unterbreiten kann Mustererkennung: Typisches Kundenverhalten Daten aus Verkäufen Kundeninformationen (z.b. über Kundenkarte) Einkäufe (Produkte, Mengen, Daten) Frage: Welche (scheinbar unabhängigen) ngigen) Produkte werden oft zusammen gekauft? Nutzung des Wissens: Verkaufsanordnung des Sortiments (Beispiel: "Windeln und Bier") Cross-Selling Beispiel aus der Automobilindustrie Daten über 7-10 Jahre Historie für f r ca Fahrzeuge Fahrzeugdaten (Produktionsdaten; Daten über Motor, Getriebe,...) Beanstandungen (Schadensteil, Schadensart,...) Werkstattaufenthalte Frage: Wie kann man das Auto zuverlässiger machen? Mustererkennung: Suche in Datenbank nach möglichen m Gründen für r Ausfälle mögliche Umsetzung des Wissens: Änderung in Konstruktion Wechsel des Zulieferers Kundendienst: vorbeugende Wartung usw. 36
37 Weitere Anwendungsbeispiele Betrugserkennung Beispiel: Erkennung typische Muster zur Identifikation von Kreditkartenbetrug. Kreditbeurteilung Identifikation von Kriterien für Kreditwürdigkeit von Kunden Lebensversicherung Analyse von Daten früherer Verträge zur Identifikation von Fällen, die ohne oder mit geringem Risiko akzeptabel sind. Warum Data Mining? Vereinfachung und Automatisierung statistischer Prozesse Datenanalyse Anwendung der Modelle Bessere, verständlichere Modelle Nicht bekannte Zusammenhänge nge können erkannt werden 37
38 Data Warehouse Einsatz von Data Warehouses im Marketing: Database Marketing Custom Relationship Management Efficient Consumer Response Category Management Data Warehouse Einsatz von Data Warehouses im Marketing: Database Marketing Custom Relationship Management Efficient Consumer Response Category Management 38
39 Customer Relationship Management Dipl. Inform.. Maik Plischke Technische Universität Motivation Integrationsbarrieren zwischen IS des Marketings, Vertriebs und Service Unterschiedliche Kommunikationskanäle für r die zu integrierende Kundenkontaktpunkte Vollständige Abbildung des Kunden- Feedback-Kreislaufs bzw. Einordnung der Kunden über den Kundenwert in den Customer-Life Life-Cycle 39
40 Integrationsbedarf im CRM Entwicklung des CRM Wegfokusierung Rückfokusierung Massenmarketing Markttransparenz Kundenwechsel Service Abgrenzung Kundenbindung 40
41 Inhalte des CRM Aufbau, kontinuierliche Pflege und Kontrolle von profitablen Kundenbeziehungen Kerndedanke des CRM Konzeptentwicklung des CRM Datenbank aktualisieren Konzept bewerten Kundendaten erfassen (Data Warehouse) IT-Unterstützung Matching (Kundenbearbeitung) Profiling der Nutzerprofile 41
42 Komponenten eines CRM-Systems Front Office Data Ware House Back Office Kommunikationskanäle (Kontakt, Mailing, Telefon, Internet, WAP, TV) Konkrete Maßnahmen im Marketing, Verkauf und Service umsetzen Datenbestand und Optimierungserkenntnisse für Marketing, Verkauf... Kommunikatives CRM Operatives CRM Analytisches CRM Metadatengetriebende Datenbewirtschaftung Kunden Konto Adresse Externe Daten Bonität Herkunft Fakten Produkte Artikel Sortiment Aktionsware Organisation Filiale Mitarbeiter 42
43 Prozessintegration von Analysen und Kampagnen Data Access Segmentierung nach Kundenwert Analysen Hypothesen erstellen On-Line Analytical Processing Kundenverhalten analysieren Erstellen neuer Prognose- oder Klassifikationsmodelle auf Grundlage von analytischen Hypothesen Kampagne Steuerung der Kundenansprache Kundenwert Deckungsbeitragssumme der gekauften Produkte + potentielle Deckungbeitragssumme + Wert von der Empfehlung durch den Kunden + Wert der übermittelten Informationen - Kundenakqusitionskosten - Kundenbindungskosten = Kundenwert 43
44 Fazit 44
Online Analytical Processing
Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden
MehrData 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
MehrBusiness 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
MehrBusiness 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
MehrData 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
MehrHandbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
MehrBusiness 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
MehrWas ist neu in Sage CRM 6.1
Was ist neu in Sage CRM 6.1 Was ist neu in Sage CRM 6.1 In dieser Präsentation werden wir Sie auf eine Entdeckungstour mitnehmen, auf der folgende neue und verbesserte Funktionen von Sage CRM 6.1 auf Basis
MehrData 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
MehrSurvival 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
Mehr3. GLIEDERUNG. Aufgabe:
3. GLIEDERUNG Aufgabe: In der Praxis ist es für einen Ausdruck, der nicht alle Detaildaten enthält, häufig notwendig, Zeilen oder Spalten einer Tabelle auszublenden. Auch eine übersichtlichere Darstellung
Mehrsage Office Line und cobra: die ideale Kombination!
sage Office Line und cobra: die ideale Kombination! 1 Sage und cobra: Die Kombination und ihre Synergieeffekte! Unternehmen brauchen eine ERP-Lösung zur Verwaltung und Abwicklung ihrer Geschäftsprozesse.
MehrOLAP 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
MehrEinführungsveranstaltung: Data Warehouse
Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring
MehrAuswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2
Cubix O.L.A.P... 2 Auswertung für Warenwirtschaft/ERP, Interbase und ODBC... 2 Datenverbindung über ODBC... 4 Datenbereitstellung über SQL... 5 Festlegung der Dimensionen... 6 Festlegung der Summen...
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?
MehrVorzüge auf einen Blick
Vorzüge auf einen Blick Umfassend: Gezielt: Komfortabel: Übersichtlich: Effektiv: Unterstützend: Effiziente Kontaktverwaltung Workflow-gestützte Bearbeitung firmeninterner Vorgänge Serienbrieffunktion
MehrAllgemeines zu Datenbanken
Allgemeines zu Datenbanken Was ist eine Datenbank? Datensatz Zusammenfassung von Datenelementen mit fester Struktur Z.B.: Kunde Alois Müller, Hegenheimerstr. 28, Basel Datenbank Sammlung von strukturierten,
MehrBest Practice Infor PM 10 auf Infor Blending
Best Practice Infor PM 10 auf Infor Blending, 11.11.2008 Infor Performance Management Best Practice Infor PM 10 auf Infor Blending Leistungsübersicht Infor PM 10 auf Infor Blending eine Data Warehouse
MehrIDV Assessment- und Migration Factory für Banken und Versicherungen
IDV Assessment- und Migration Factory für Banken und Versicherungen Erfassung, Analyse und Migration von Excel- und AccessAnwendungen als User-Selfservice. Sind Ihre Excel- und Access- Anwendungen ein
MehrBig 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
MehrData Mining Anwendungen und Techniken
Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses
MehrBusiness 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
Mehreevolution 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
MehrUmsetzung 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
MehrTransparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung?
Transparente Hausverwaltung Marketingschmäh oder doch: eine neue Dimension der Dienstleistung? INTERNET Geschäftsführer Biletti Immobilien GmbH 24/7 WEB Server Frankgasse 2, 1090 Wien E-mail: udo.weinberger@weinberger-biletti.at
MehrBVDW Befragung Nutzung und Trends im Customer- Relationship-Management (CRM) deutscher Unternehmen. Bundesverband Digitale Wirtschaft (BVDW) e.v.
BVDW Befragung Nutzung und Trends im Customer- Relationship-Management (CRM) deutscher Unternehmen Bundesverband Digitale Wirtschaft (BVDW) e.v. Oktober 2014 Zielsetzung und Methodik Ziel der Studie ist
MehrDatenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)
Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger
MehrSAP Business One. ERP für klein- und mittelständische Unternehmen. Ihr komplettes Business in einem System... in Echtzeit abgebildet!
ERP für klein- und mittelständische Unternehmen Ihr komplettes Business in einem System...... in Echtzeit abgebildet! Das ERP-System für den Klein- und Mittelstand Mit SAP Business One steht Ihnen eine
MehrHandbuch B4000+ Preset Manager
Handbuch B4000+ Preset Manager B4000+ authentic organ modeller Version 0.6 FERROFISH advanced audio applications Einleitung Mit der Software B4000+ Preset Manager können Sie Ihre in der B4000+ erstellten
MehrStock and Order Management
Stock and Order Management Überblick - 1 - Vorteile des OMNITRACKER Stock and Order Managements Bedarfsmeldungen der Kunden werden direkt im Webshop erfasst. Der gesamte Bestell- und Lieferzyklus kann
MehrFachbericht zum Thema: Anforderungen an ein Datenbanksystem
Fachbericht zum Thema: Anforderungen an ein Datenbanksystem von André Franken 1 Inhaltsverzeichnis 1 Inhaltsverzeichnis 1 2 Einführung 2 2.1 Gründe für den Einsatz von DB-Systemen 2 2.2 Definition: Datenbank
MehrContent Management System mit INTREXX 2002.
Content Management System mit INTREXX 2002. Welche Vorteile hat ein CM-System mit INTREXX? Sie haben bereits INTREXX im Einsatz? Dann liegt es auf der Hand, dass Sie ein CM-System zur Pflege Ihrer Webseite,
MehrSharePoint Demonstration
SharePoint Demonstration Was zeigt die Demonstration? Diese Demonstration soll den modernen Zugriff auf Daten und Informationen veranschaulichen und zeigen welche Vorteile sich dadurch in der Zusammenarbeit
MehrInfrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit
make connections share ideas be inspired Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit Artur Eigenseher, SAS Deutschland Herausforderungen SAS Umgebungen sind in
Mehrgallestro BPM - weit mehr als malen...
Ob gallestro das richtige Tool für Ihr Unternehmen ist, können wir ohne weitere rmationen nicht beurteilen und lassen hier die Frage offen. In dieser rmationsreihe möchten wir Ihre Entscheidungsfindung
MehrWas 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
MehrDataManagement. smcdatamanagement - SQL-Tabellen verwalten für jedermann
DataManagement smcdatamanagement ermöglicht Ihnen ohne jegliche SQL- Kenntnisse, Datenbanken und Tabellen zu erstellen und diese im Anschluss zu bearbeiten. Durch den integrierten Verbindungsserver-Manager
MehrBI 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
MehrIhre Interessentendatensätze bei inobroker. 1. Interessentendatensätze
Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit
MehrSpezialisierung 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
MehrWelcome 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
Mehrtoolwear Die Verbindung aller Systemwelten
toolwear Die Verbindung aller Systemwelten toolwear schlägt als erstes Programm seiner Art die Brücke zwischen den unterschiedlichsten Rechnersystemen. toolwear ist ein branchenneutrales Produkt. Systemarchitekturen
MehrIntegration mit. Wie AristaFlow Sie in Ihrem Unternehmen unterstützen kann, zeigen wir Ihnen am nachfolgenden Beispiel einer Support-Anfrage.
Integration mit Die Integration der AristaFlow Business Process Management Suite (BPM) mit dem Enterprise Information Management System FILERO (EIMS) bildet die optimale Basis für flexible Optimierung
MehrBig, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen
Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung
Mehrprotecting companies from the inside out
protecting companies from the inside out 1 Integriertes Berechtigungsmanagement Futuredat IT Forum 15. Mai 2014 80% der Daten liegen unstrukturiert als ppt, doc und excel vor Quelle: Meryll Lynch 80% der
MehrMediumwechsel - VR-NetWorld Software
Mediumwechsel - VR-NetWorld Software Die personalisierte VR-BankCard mit HBCI wird mit einem festen Laufzeitende ausgeliefert. Am Ende der Laufzeit müssen Sie die bestehende VR-BankCard gegen eine neue
MehrUnsere Produkte. Wir automatisieren Ihren Waren- und Informationsfluss. Wir unterstützen Ihren Verkaufsaußendienst.
Die clevere Auftragserfassung Unsere Produkte Das smarte Lagerverwaltungssystem Die Warenwirtschaft für den Handel Wir unterstützen Ihren Verkaufsaußendienst. Wir automatisieren Ihren Waren- und Informationsfluss.
MehrRelationale Datenbanken Datenbankgrundlagen
Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern
MehrDer schnelle Weg zu Ihrer eigenen App
Der schnelle Weg zu Ihrer eigenen App Meine 123App Mobile Erreichbarkeit liegt voll im Trend. Heute hat fast jeder Zweite in der Schweiz ein Smartphone und damit jeder Zweite Ihrer potentiellen Kunden.
MehrNeue Funktionen in Innovator 11 R5
Neue Funktionen in Innovator 11 R5 Innovator for Enterprise Architects, Java Harvester und Prüfassistent 12.11.2013 Agenda 1 2 3 Einführung Was ist neu in Innovator 11 R5? Szenario Enterprise Architektur
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
Mehrpro4controlling - Whitepaper [DEU] Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9
Whitepaper zur CfMD-Lösung pro4controlling Seite 1 von 9 1 Allgemeine Beschreibung "Was war geplant, wo stehen Sie jetzt und wie könnte es noch werden?" Das sind die typischen Fragen, mit denen viele Unternehmer
MehrInterview zum Thema Management Reporting &Business Intelligence
Interview zum Thema Management Reporting &Business Intelligence Das ist ja interessant. Können Sie etwas näher beschreiben, wie ich mir das vorstellen kann? Jens Gräf: In einem Technologieunternehmen mit
Mehrall media Publikationssysteme Entwicklung und Integration
all media Publikationssysteme Entwicklung und Integration Konferenz 2006 Produktdaten- und Publishing-Lösungen in der Praxis Präsentation Stämpfli LayoutBox «Gestaltete layoutorientierte Kataloge im Handumdrehen
MehrEntscheidungsunterstützungssysteme
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! APS Advisor for Automic
APS Advisor for Automic Business Service Monitoring für Fachanwender, IT- Manager and IT- Experten www.apsware.com Überblick for Automic ist eine auf die spezifischen Bedürfnisse von Fachanwendern, IT-
Mehr2. Einrichtung der ODBC-Schnittstelle aus orgamax (für 32-bit-Anwendungen)
1. Einführung: Über den ODBC-Zugriff können Sie bestimmte Daten aus Ihren orgamax-mandanten in anderen Anwendungen (beispielsweise Microsoft Excel oder Microsoft Access) einlesen. Dies bietet sich beispielsweise
MehrLeitfaden #1a. "zanox Publisher-Statistik" (next generation)
Leitfaden #1a "zanox Publisher-Statistik" (next generation) Thema: Sortieren von Leads und Sales nach dem Bearbeitungsdatum (inklusive Abschnitt "Filterung nach Transaktionsstatus") 1/8 Leitfaden "Sortieren
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
MehrInsight aus der Webseite!
Insight aus der Webseite! Potential in der Nutzung von Insight direkt aus der SharePoint-Oberfläche Vorteile in der Nutzung der Webseite Schnellere Suche über Suchfilter Keine Limitierung was die Anzahl
MehrDer Open ERP Effekt......am Beispiel von Richard
Der Open ERP Effekt......am Beispiel von Richard Richard ist ein brillianter Manager... Im Jahr 1985 gründete er seinen Produktionsbetrieb... Im Jahr 2000 beschäftigte Richard 45 Mitarbeiter...die 4500
MehrOMM Online Maintenance Management
OMM Online Maintenance Management 1 Inhaltsverzeichnis Login Homepage Offene Angebote (Gesandte Anfragen) Bestand verwalten (Maschinensuche) Bestand verwalten (Anfrage verschicken) Bestand verwalten (Maschinendetails)
MehrMaster Data Management
Master Data Management Warum Stammdatenmanagement Komplexität reduzieren Stammdatenmanagement bringt Ordnung in ihre Stammdaten. Doubletten werden erkannt und gesperrt. Stammdaten verschiedener Quellsysteme
MehrTitel. SCSM 2012 - ITIL - CMDB - neue CI Klasse erstellen und benutzen. Eine beispielhafte Installationsanleitung zur Verwendung im Testlab
Autor: Thomas Hanrath Microsoft Certified Trainer Titel SCSM 2012 - ITIL - CMDB - neue CI Klasse erstellen und benutzen Eine beispielhafte Installationsanleitung zur Verwendung im Testlab Quelle: System
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,
Mehr360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf
360 - Der Weg zum gläsernen Unternehmen mit QlikView am Beispiel Einkauf Von der Entstehung bis heute 1996 als EDV Beratung Saller gegründet, seit 2010 BI4U GmbH Firmensitz ist Unterschleißheim (bei München)
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
MehrMediumwechsel - VR-NetWorld Software
Mediumwechsel - VR-NetWorld Software Die personalisierte VR-NetWorld-Card wird mit einem festen Laufzeitende ausgeliefert. Am Ende der Laufzeit müssen Sie die bestehende VR-NetWorld-Card gegen eine neue
MehrOP-LOG www.op-log.de
Verwendung von Microsoft SQL Server, Seite 1/18 OP-LOG www.op-log.de Anleitung: Verwendung von Microsoft SQL Server 2005 Stand Mai 2010 1 Ich-lese-keine-Anleitungen 'Verwendung von Microsoft SQL Server
MehrInformationsmanagement für die Produktion
Informationsmanagement für die Produktion Um die Produktion optimal zu steuern, werden heute verstärkt integrierte Produktionsmanagement- Systeme eingesetzt, die sämtlichen mit der Produktion verbundenen
MehrKonto einrichten in 10 Minuten! Nach der Registrierung helfen Ihnen folgende 4 Schritte, absence.io schnell und einfach einzuführen.
Konto einrichten in 10 Minuten! Nach der Registrierung helfen Ihnen folgende 4 Schritte, absence.io schnell und einfach einzuführen. absence.io bietet Ihnen eine unkomplizierte und effiziente Urlaubverwaltung,
MehrBI in der Cloud eine valide Alternative Überblick zum Leistungsspektrum und erste Erfahrungen 11.15 11.45
9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics
MehrBIW - 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
MehrLars 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
Mehr1Ralph Schock RM NEO REPORTING
1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen
MehrDOKUMENTATION PASY. Patientendaten verwalten
DOKUMENTATION PASY Patientendaten verwalten PASY ist ein Programm zur einfachen und zuverlässigen Verwaltung von Patientendaten. Sämtliche elektronisch gespeicherten Dokumente sind sofort verfügbar. Neue
MehrWir haben für Sie das beste cobra aller Zeiten!
Wir haben für Sie das beste cobra aller Zeiten! 1 Die cobra Luxusklasse: cobra CRM PLUS Spürbar schneller & deutlich flexibler Mehr Informationen & größere Datenmengen Mehr Sicherheit & bessere Performance
MehrPersönliches Adressbuch
Persönliches Adressbuch Persönliches Adressbuch Seite 1 Persönliches Adressbuch Seite 2 Inhaltsverzeichnis 1. WICHTIGE INFORMATIONEN ZUR BEDIENUNG VON CUMULUS 4 2. ALLGEMEINE INFORMATIONEN ZUM PERSÖNLICHEN
MehrInformationssysteme Aufgaben (1)
Universitätslehrgang Controlling Berichtswesen und Managementinformationssystem SS 2008 A-6600 Reutte - Tränkeweg 18 Phone/Fax: +43 (5672) 64704 - e-mail: g.lovrecki.cat@tnr.at 1 Aufgaben (1) Entscheidungsvorbereitung
MehrOrdner Berechtigung vergeben Zugriffsrechte unter Windows einrichten
Ordner Berechtigung vergeben Zugriffsrechte unter Windows einrichten Was sind Berechtigungen? Unter Berechtigungen werden ganz allgemein die Zugriffsrechte auf Dateien und Verzeichnisse (Ordner) verstanden.
MehrPRODAS Professionelles Daten Analyse System. Daten. Wissen. Vorsprung.
PRODAS Professionelles Daten Analyse System Daten. Wissen. Vorsprung. PRODAS überzeugt durch Funktionalität Synergie für Sie PRODAS ist das professionelle Daten Analyse System für Ihre Qualitätssicherung
MehrBetreibermodelle für Personalsoftware
Warum über Betreibermodelle nachdenken? Im wesentlichen stehen dem Kunden heute zwei Betreibermodelle zur Verfügung Inhouse-Lösung Technik steht vor Ort Software ist vor Ort Betreuung durch den Nutzer
Mehr1 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
MehrAnleitung zum Importieren, Durchführen und Auswerten von Umfragen in Blackboard
Center für Digitale Systeme Kompetenzzentrum e-learning / Multimedia Arbeitsbereich e-learning: Qualitätsförderung und Schulung evaluation@cedis.fu-berlin.de April 2010 Anleitung zum Importieren, Durchführen
Mehrteischl.com Software Design & Services e.u. office@teischl.com www.teischl.com/booknkeep www.facebook.com/booknkeep
teischl.com Software Design & Services e.u. office@teischl.com www.teischl.com/booknkeep www.facebook.com/booknkeep 1. Erstellen Sie ein neues Rechnungsformular Mit book n keep können Sie nun Ihre eigenen
MehrPQ Explorer. Netzübergreifende Power Quality Analyse. Copyright by Enetech 2000-2010 www.enetech.de Alle Rechte vorbehalten. ros@enetech.
1 PQ Explorer Netzübergreifende Power Quality Analyse 2 Ortsunabhängige Analyse: so einfach, wie noch nie PQ-Explorer ist ein Instrument, das die Kontrolle und Überwachung von Energieversorgungsnetzen
MehrData 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
MehrData Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann
Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage
MehrTEUTODATA. Managed IT-Services. Beratung Lösungen Technologien Dienstleistungen. Ein IT- Systemhaus. stellt sich vor!
TEUTODATA Managed IT-Services Beratung Lösungen Technologien Dienstleistungen Ein IT- Systemhaus stellt sich vor! 2 Willkommen Mit dieser kleinen Broschüre möchten wir uns bei Ihnen vorstellen und Ihnen
MehrDas Warenwirtschaftswunder
Das Warenwirtschaftswunder UNSERE HISTORIE Mit Individualität zum Produkterfolg. Die Geschichte der VARIO Software GmbH beginnt schon einige Jahre vor ihrer Gründung. Zunächst auf Projektbasis programmierte
MehrOracle GridControl Tuning Pack. best Open Systems Day April 2010. Unterföhring. Marco Kühn best Systeme GmbH marco.kuehn@best.de
Oracle GridControl Tuning Pack best Open Systems Day April 2010 Unterföhring Marco Kühn best Systeme GmbH marco.kuehn@best.de Agenda GridControl Overview Tuning Pack 4/26/10 Seite 2 Overview Grid Control
MehrUnsere Produkte. Wir automatisieren Ihren Waren- und Informationsfluss. Wir unterstützen Ihren Verkaufsaußendienst.
Die clevere Auftragserfassung Unsere Produkte Das smarte Lagerverwaltungssystem Die Warenwirtschaft für den Handel Wir unterstützen Ihren Verkaufsaußendienst. Wir automatisieren Ihren Waren- und Informationsfluss.
MehrSchulung Marketing Engine Thema : CRM Übersicht Funktionen
Schulung Marketing Engine Thema : CRM Übersicht Funktionen Marketing Engine Tool : CRM/Newsletter Paket : Basis / Premium Version.0-0.08.05 Zugang Der Zugang zur E-Marketing Suite wird Ihnen separat kommuniziert.
MehrVon der spezialisierten Eigenentwicklung zum universellen Analysetool. Das Controlling-Informationssystem der WestLB Systems
Von der spezialisierten Eigenentwicklung zum universellen Analysetool Das Controlling-Informationssystem der WestLB Systems Begriffe und Definitionen Data Warehouse - Datensammlung oder Konzept?! Data
MehrUpdatehinweise für die Version forma 5.5.5
Updatehinweise für die Version forma 5.5.5 Seit der Version forma 5.5.0 aus 2012 gibt es nur noch eine Office-Version und keine StandAlone-Version mehr. Wenn Sie noch mit der alten Version forma 5.0.x
MehrAnleitung E-Mail - Archivierung
Anleitung E-Mail - Archivierung Aufgrund unserer langjährigen Erfahrung, wissen wir um viele Kundenprobleme in der Bedienung von IKT-Produkten. Um solche Probleme bei der Nutzung der Net4You Produkte zu
MehrKapitel 2 Terminologie und Definition
Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrBlumen-bienen-Bären Academy. Kurzanleitung für Google Keyword Planer + Google Trends
Kurzanleitung für Google Keyword Planer + Google Trends Der Google Keyword Planer Mit dem Keyword Planer kann man sehen, wieviele Leute, in welchen Regionen und Orten nach welchen Begriffen bei Google
Mehr