FH Potsdam Fachbereich A-B-D WS 1999/2000

Größe: px
Ab Seite anzeigen:

Download "FH Potsdam Fachbereich A-B-D WS 1999/2000"

Transkript

1 FH Potsdam Fachbereich A-B-D Hausarbeit Data Mining / Data Warehouse Kurs: Dozent: Einführung in das Wissenschaftliche Arbeiten Prof. Dr. H.-C. Hobohm vorgelegt von: Jürgen Promeuschel 01. Sem. (Bibliothek) Abgabetermin:

2 Data Mining / Data Warehouse 2 Inhaltsübersicht 0. Einleitung 1. Das Data Warehouse-Konzept: Grundlage für Data Mining 2. Der Data-Mining-Prozeß 3. Der Einsatz in der Praxis 4. Data Warehouse und Data Mining versus Datenschutz 5. Schlußüberlegung 6. Literatur 0. Einleitung Softwarevertreter wittern einen baldigen Goldrausch in Datenspeichern von Unternehmen 1, Wissenschaftler sprechen von 'Schwarzer Magie' 2 und kritische Seher in der Datenwüste warnen, der Mensch der Zukunft sei 'gläsern'... Was ist der Anlaß für solche Aufregung? Die folgenden Seiten stellen einen kurzen Versuch dar, die Konzepte 'Data Mining' und 'Data Warehouse' zu erläutern, sie in einen Begriffskontext einzuordnen und grundlegende Arbeitsabläufe zu beschreiben. Nach Beispielen vom Einsatz in der Praxis wird auf Probleme im Zusammenhang mit dem Datenschutz hingewiesen. Abschließend wird eine kurze Bewertung des Phänomens mit Ausblick versucht. 1. Das Data Warehouse-Konzept: Grundlage für Data Mining Die seit Jahren anhaltende Computerisierung der Gesellschaft ließ insbesondere im Wirtschaftsleben schnell große Datenmengen entstehen, die zunächst kaum genutzt 'auf Halde' lagen. Durch fortschrittsbedingte Weiterentwicklung von Speichermedien sank zwar der Platzbedarf für Speichergut, andererseits wurde die Recherche nach Daten vor neue Herausforderungen gestellt. Zugleich forderten Entwicklungen der Märkte eine forcierte Nutzung von Informationen zur Sicherung der Wettbewerbsfähigkeit. Klußmann zufolge 3 prägte Bill Inmons den Begriff Data Warehouse (deutsch etwa: 'Daten-Lagerhaus') bei seinem Versuch bisherige 'Managementinformationssysteme' in Unternehmen weiterzuentwickeln. Ein Data Warehouse bezeichnet einen (nicht notwendigerweise) zentralen Speicherort für Daten aus allen Bereichen eines Unternehmens. Idee ist hierbei, Daten unabhängig von ihrer bisherigen Betriebsumgebung 1 vgl. Schumacher, 52 2 Moerkotte; Westmann, Klußmann, Lexikon, abweichend hiervon: Groffmann, 10

3 Data Mining / Data Warehouse 3 oder ihres unmittelbaren ('transaktionsorientierten') Zwecks ('operativer Bestand') und unabhängig von Datenart oder Zugriffssprache zu verwalten. Zusätzlich sollen externe Daten (wie etwa Fachzeitschriften oder andere 'Business-Informationen') und Metadaten (Angaben über die gespeicherten Daten, wie Herkunft, Speicherort, Erhebungsturnus etc.) enthalten sein. Als Ziel steht die schnelle, unkomplizierte Abfrage der (durch gewisse Arbeitsschritte vereinheitlichten) Informationen mit Hilfe von Such- und Statistikwerkzeugen über grafische Benutzeroberflächen, ohne daß hierfür spezielle Maschinensprachkenntnisse nötig wären. Die gefundenen Informationen sollten als Grundlage für unternehmerische Entscheidungen oder zur Erfolgskontrolle dienen; insofern ist Data Warehouse Teil eines sog. Entscheidungshilfesystems (engl: 'decision support system', DSS). Im Englischen bezeichnet der Begriff Data Warehouse auch ein Verb und steht somit als Überbegriff für alle Integrationsprozesse 5 der Daten von ihrer Gewinnung bis zu ihrer Auswertung. Kurz zusammengefaßt besteht der Aufbau eines Data Warehouse aus der Gewinnung der 'Rohdaten' nach Trennung vom 'operativen Bestand' (dem zweckgebundenen Einsatzort), ihrer Bereinigung um (management-) irrelevante Anteile, ihrer Konvertierung in ein einheitliches Format, (unter Umständen ihrer Integration, also die Zusammenführung bisher getrennter Dateien) und schließlich ihrer Transformation in ein Warehouse ('Riesendatenbank') mit zusätzlicher Beigabe von Metadaten. Aus den so gewonnen Daten werden u.a. mit Hilfe von Suchwerkzeugen Abfragen erstellt und Berichte erzeugt. Neben 'Information Retrieval' und 'OLAP' (Online Analytical Processing), mit denen vor allem schon bekannte Informationen dargestellt werden können, oder solche, von denen bekannt ist, daß sie existieren, ist hierbei vor allem die Methode des Data Mining interessant, die neues Wissen 'schaffen' soll, indem sie bisher nicht bekannte Beziehung von Daten untereinander ausfindig macht. 2. Der Data Mining-Prozeß Im wissenschaftlichen Rahmen existieren viele Überschneidungen im Bereich maschineller Verfahren der Wissensextraktion (z. B. zwischen der Künstlichen-Intelligenz-Forschung mit dem Maschinellen Lernen, der Statistik, der Informatik, usw...); hier stellt Data Mining (deutsch auch: Datenmustererkennung 6 ) einen Teilbereich des 'Knowledge Discovery in Databases' (KDD) dar (im kommerziellen Bereich werden beide Begriffe oft 5 Klußmann, a.a.o, 107.; Groffmann, a.a.o., 12-13; Jakisch, KDD, Jakisch, a.a.o., 4

4 Data Mining / Data Warehouse 4 auch synonym gebraucht 7 ). Beide Methoden zielen darauf ab, mit Hilfe von Algorithmen, die selbständig Hypothesen erzeugen und validieren "völlig neue[r] und abweichende[r] Muster, Zusammenhänge und Aussagen mit entscheidungsrelevantem Informationsgehalt" 8 zwischen Datensätzen einer Datenbank aufzufinden. Die so erschlossenen 'Wissensmuster' (z. B. Häufigkeitsverteilungen, Abweichungen, Ähnlichkeiten) sollen bisher unbekannt sein und einen Prognosewert besitzen 9 (also Aussagen für zukünftiges Verhalten beispielsweise von Märkten erlauben). Data Mining ist ein schrittweiser Prozeß, bei dem neben Softwarewerkzeugen die (menschliche) Planung und Entscheidung über den Einsatz von Methoden unverzichtbar ist 10. Moerkotte und Westmann erwähnen folgende Einzelschritte 11 : 1. Sammlung, Integration und Bereinigung vorhandener Daten; 2. Datenextraktion; 3. Datentransformation; 4. Hypothesengenerierung; [zusammen mit] 5. Hypothesenvalidierung [das eigentliche Data Mining]; 6. Interpretation und Modellbildung. Bei unerwarteten Ergebnissen sind Teile des Prozesses evtl. zu wiederholen oder Parameter zu verändern: "[...] der Mensch entscheidet aufgrund der innerhalb der Teilschritte erzielten Ergebnisse, welche nächsten Schritte sinnvoll sind, und der Computer nähert sich schrittweise in automatisch wiederholenden Rechengängen der exakten Lösung" 12, bevor schließlich die Ergebnisse (in Form von 'Clustern', 'Klassifikationen', oder 'Entscheidungsbaum') interpretiert und bildlich dargestellt als Grundlage für betriebliche Entscheidungen (oder im wissenschaftlichen Bereich etwa zur Entwicklung neuer Algorithmen) dienen können. 3. Der Einsatz in der Praxis Seit Entwicklung der Verfahren profitierten bereits viele unterschiedliche Bereiche von Data Mining: In der Medizin beispielsweise kommen Mining-Verfahren zum Einsatz, wenn es gilt, eine Prognose über den Eintritt von Komplikationen bei Erkrankungen oder über Krankheitsrisiken zu erstellen 13. Daneben bestehen Einsatzmöglichkeiten bei der Verbrechensbekämpfung (Entdeckung von Geldwäscheaktivitäten), in der Fertigungsindustrie (Materialprüfung), und im Steinkohlebergbau, wo ein differenzierteres Meßsystem von CO-Konzentrationen aufgrund von Data Mining- 7 Wrobel, 6 8 Jakisch,a.a.O., 3 9 a.a.o., 4 10 a.a.o., Moerkotte; Westmann, a.a.o., Jakisch, a.a.o., 5 13 vgl. Dürer u.a.

5 Data Mining / Data Warehouse 5 Verfahren eine bessere Brandfrüherkennung in Stollen ermöglicht 14. 'Klassische' Einsatzgebiete für Data Mining-Verfahren liegen aber vor allem in der Wirtschaft: In der Finanzanalyse (Börsentendenzen, Anlageberatung) und im Handel. Hier z. B. bei der 'Warenkorbanalyse' ("welche Waren werden zusammen gekauft"), der Analyse von Abweichungen vom üblichen Einkaufsverhalten (zur frühzeitigen 'Trenderkennung') 15 oder der Frage, wie sich die Kundschaft z. B. nach Einkommen verteilt (für gezieltere Werbemaßnahmen) 16 ; vor allem die Erstellung solcher 'Kundenprofile' aus einzelnen Datenbeständen und ihre Zusammenführung sind jedoch nicht unumstritten. 4. Data Warehouse und Data Mining versus Datenschutz Solange chemischen Verbindungen oder Unregelmäßigkeiten in Werkstoffverbindungen nachgespürt wird, erweist sich Data Mining als nützlich. Sobald aber mit personenbezogenen Daten operiert wird, diese systematisch gesammelt werden (z. B. über Kundenbefragungen oder 'Kundenkarten') und schließlich Kundenprofile als Verhaltensanalysen realer Personen zusammengeführt werden, scheinen Data Warehouse und Data Mining auf Kollisionskurs mit Persönlichkeitsrechten und Datenschutzbestimmungen zu gehen. So stellt Möller fest, "daß das Data Warehouse mit personenbezogenen Daten in der Bundesrepublik nach geltendem Recht schlicht verboten ist" 17 ; er fährt fort "Seit dem Volkszählungsurteil des BVerfG aus dem Jahre 1984 ist [...] klar, daß die Sammlung von personenbezogenen Daten auf Vorrat zu unbestimmten oder noch nicht bestimmbaren Zwecken nicht zulässig sein kann [...]" und schließt mit der Auffassung, Data Warehouse sei nur ein neuer "Begriff für eine Idee, die durch höchstrichterliche Entscheidung in Bezug auf personenbezogene Daten längst verworfen und ausgeschlossen wurde" 18. Besondere Kritik erweckt hier die Analyse mit Hilfe von Bewertungsmodellen (sog. 'Scoring-Verfahren'), bei denen der "Kundenwert" eines Menschen für ein Unternehmen oder seine Kreditwürdigkeit ermittelt werden soll 19. Negative gruppenstatistische Resultate könnten somit einer Einzelperson auch ganz ohne deren eigenes Zutun und ungeachtet ihrer realen 14 Burgard u.a., 46ff 15 Moerkotte; Westmann, a.a.o., a.a.o., Möller, Möller, Möller a.a.o., 557; s.a.: "Die mysteriöse Zahl". in: Finanztest (1999) 1, 25; s.a.: Schufa.

6 Data Mining / Data Warehouse 6 Verhältnisse zugeschrieben und gespeichert 20. werden. (Vor diesem Hintergrund sei etwa auch an den 'Fall Intel' erinnert [PC-Prozessor mit einmaliger Seriennummer, der potentiell den Nutzer im Internet als Person identifizieren könnte; die Presse berichtete] und zumindest der Möglichkeit, Kundenprofile quasi gleich 'online' zu erstellen und zu vervollkommnen.) 5. Schlußüberlegung Data Warehouse und Data Mining haben sich innerhalb kurzer Zeit zu vielversprechenden Anwendungen für die maschinelle Informationserschließung entwickelt, insbesondere für die Aufdeckung unbekannter Korrelationen, und mittlerweile einen festen Stellenwert in wirtschaftlichen Entscheidungsfindungsprozessen. Die weitergehende Entwicklung von Benutzerschnittstellen und Algorithmen lassen eine große Zukunft für diese Verfahren erwarten. Nichtsdestoweniger stimmt es nachdenklich, wenn der Markt für Datenbanksysteme boomt 21 ; kritische Stimmen, auch unabhängig von Datenschutzbedenken, mahnen, daß Softwareeinsatz insbesondere kein Ersatz für analytisches Wissen und Handeln (bereits beim Erstellen von Warehouses) sei. Uthurusamy merkt in diesem Zusammenhang deutlich an: "[...] the recent popularity of the seemingly new trend of data warehousing is mainly dew to the vendors' push and not to the advent of any new and significant advances in database technology" 22. Moerkotte und Westmann weisen unverhohlen auf die möglicherweise 'schlampige' Vorgehensweise analytisch-technisch wenig vertrauter 'Goldgräber' hin 23. Der Nutzen (hauptsächlich für die Wirtschaft) von Data Mining und Data Warehouse kann kaum bestritten werden. Nichtsdestotrotz stellt sich die Frage nach der Technikfolgenabschätzung insbesondere im Bereich des Datenschutzes noch nicht laut genug: Was sollte kommerziellen Anwendern (unter dem Druck einen Wettbewerbsvorteil erringen oder die eigene (Arbeits- ) Marktposition rechtfertigen zu müssen) im Zweifelsfall, also im Umgang mit sensiblen Daten, Einhalt gebieten, wenn doch das Werkzeug selbst zum genauen Gegenteil von Anonymisieren geschaffen ist? Es sind weniger Bedenken vor einem 'Großen Bruder' Orwellscher Prägung, auch nicht Furcht 'gläsern' zu werden. Es ist eher das Unbehagen, einseitig fixierte Datenjäger schüfen Fakten die es, bei sorgfältigerer (oder 20 Möller a.a.o.: "Dabei dürfte eine Stigmatisierung nicht nur auf finanzielle Bereiche des Lebens beschränkt bleiben. Das Bild vom "globalen Dorf" bedeutet auch, daß ein Mensch - und das kann jeden von uns treffen - u. U. zum globalen Dorftrottel (gemacht) wird." 21 Henkel, Uthurusamy in: Fayyad (u.a.), Advances, Moerkotte; Westmann, a.a.o.

7 Data Mining / Data Warehouse 7 nichtkommerzieller) Arbeitsweise, nicht gäbe... Hierzu lassen Moerkotte und Westmann abschließend an Deutlichkeit nichts vermissen: Konsequenz: Knowledge Discovery in Databases und Data Mining sind noch Schwarze Künste, die Experten die Zauberlehrlinge. Von denen gibt es bisher nur sehr wenige. Wissen und Erfahrung über statistische Analysen ist zwar meist vorhanden, es hapert aber oft bei den KDD-Techniken. Dieser Mangel kann zu falschen Modellen führen. Darauf basierende Entscheidungen fallen oftmals nicht viel besser aus als solche aus dem hohlen Bauch. (a.a.o., 132)

8 Data Mining / Data Warehouse 8 6. Literatur Burgard, Wolfram u.a.: "Verbesserte Brandfrüherkennung im Steinkohlebergbau durch Vorhersage von CO-Konzentrationen". in: KI - Künstliche Intelligenz. 12 (1998) 1, "Die mysteriöse Zahl. Ein neues Schufa-Verfahren [...]". in: Finanztest (1999) 1, 25. Dürer, H. u.a.: "Einsatz von Data Mining-Verfahren in der Kardiologie". in: KI - Künstliche Intelligenz. 11 (1997) 3, Fayyad, Usama M. (u.a.) (Hrsg.): Advances in Knowledge Discovery and Data Mining. Menlo Park, CA: AAAI Press, Groffmann, Hans-Dieter: "Das Data-Warehouse Konzept". in: HMD - Theorie und Praxis der Wirtschaftsinformatik. (1997) 195, Henkel, Norbert: "Mit Data-Mining im Datenwust die Kundenwünsche aufspüren". in: Computerwoche (1998) 49, Jakisch, Elgin: Knowledge Discovery in Databases (KDD) und Data Mining. Diplomarbeit. (Fachhochschule Potsdam: Dokumentationswesen). Potsdam, Klußmann, Nils: Lexikon der Kommunikations- und Informationstechnik. Heidelberg: Hüthig, Moerkotte, Guido; Westmann, Till: "Schwarze Magie. Knowledge Discovery: Suche nach verborgenen Schätzen". in: ix (1997) 8, Möller, Frank: "Data Warehouse als Warnsignal an die Datenschutzbeauftragten". in: DuD - Datenschutz und Datensicherheit 22 (1998) 10, SCHUFA: "Information. Was Sie über SCHUFA wissen sollten". Faltblatt der SCHUFA - Ostdeutsche Schutzgemeinschaft für allgemeine Kreditsicherung GmbH, Berlin. (Stand: Okt. 98). Schumacher, Manfred: "Aus Daten Gold machen". in: info21 24: 4 (1998), Uthurusamy, Ramasamy: "From Data Mining to Knowledge Discovery: Current Challenges and Future Directions". in: Fayyad (u.a.) 1996, Wrobel, Stefan: "Data Mining und Wissensentdeckung in Datenbanken". in: KI - Künstliche Intelligenz. 12 (1998) 1, 6-10.

Einführung in die Wissensverarbeitung und Data Mining

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

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Dominik Pretzsch TU Chemnitz 2011

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

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

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

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

Mehr

Data Mining Anwendungen und Techniken

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

Mehr

Spezialisierung Business Intelligence

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

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

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

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 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

Mehr

Einführung in Business Intelligence

Einführung in Business Intelligence Einführung in Business Intelligence Grundlagen und Anwendungsmöglichkeiten Prof. Dr. Wolfram Höpken wolfram.hoepken@eloum.net eloum @ Hochschule Ravensburg-Weingarten Informationsveranstaltung ebusiness-lotse

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Management Support Systeme

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

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr

PPC 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. 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

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

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

Datenschutzgerechtes Data Mining

Datenschutzgerechtes Data Mining Datenschutzgerechtes Data Mining Seminarvortrag von Simon Boese Student der Wirtschaftsinformatik Wissensgewinnung Rohdaten aus DataWarehouse / OLAP Klassifikation / Assoziation Neue Infos: allgemeine

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

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

Mehr

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

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

Mehr

Business and Data Understanding. Business und Data Understanding

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

Mehr

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1)

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Herbstsemester 2013/14 Prof. S. Keller Informatik HSR Januar 2014, HS13/14 Dbs1 - Prüfungsvorbereitung 1 Dbs1 Ziele Grundlagenwissen in folgenden Gebieten

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, 22.03.2006 Andreas Reuß Universität Ulm Sektion

Mehr

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company

Wolfgang Martin (Hrsg.) Data Warehousing. Data Mining - OLAP. An International Thomson Publishing Company Wolfgang Martin (Hrsg.) Data Warehousing Data Mining - OLAP Technische Universität Darmsiadt Fachbereich 1 Betriebswirtschaftliche Bibliothek Inventar-Nr.: Abstell-Nr.: s. An International Thomson Publishing

Mehr

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

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

Mehr

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

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

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

Mehr

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

Data Warehousing in der Lehre

Data Warehousing in der Lehre Data Warehousing in der Lehre Prof. Dr.-Ing. Tomas Benz Dipl.-Inform. Med. Alexander Roth Agenda Vorstellung Fachhochschule Heilbronn Vorstellung i3g Vorlesungen im DWH-Bereich Seminare Projekte Studien-

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende 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

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

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

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

Mehr

Data Mining-Modelle und -Algorithmen

Data 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,

Mehr

Geschäftsdaten auswerten

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

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

Mehr

Leseprobe. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1

Leseprobe. Holger Schrödl. Business Intelligence mit Microsoft SQL Server 2008. BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Leseprobe Holger Schrödl Business Intelligence mit Microsoft SQL Server 2008 BI-Projekte erfolgreich umsetzen ISBN: 978-3-446-41210-1 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41210-1

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

Mehr

Big Data in der Medizin

Big Data in der Medizin Big Data in der Medizin Gesundheitsdaten und Datenschutz Dr. Carola Drechsler Sommerakademie 2013 Inhalt Was bedeutet Big Data? Welche datenschutzrechtlichen Fragestellungen sind zu berücksichtigen? Welche

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

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

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

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

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

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

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf Web-Log-Mining Dr. Peter Gluchowski Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf MIS 2001 7. Kongressmesse für DW und BI 26.09.2001 Gliederung Internet und E-Commerce Aufbau

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3 xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

Data Mining-Projekte

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

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Business Intelligence im Krankenhaus

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

Mehr

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

Monitoring und Datenschutz

Monitoring und Datenschutz Zentrum für Informationsdienste und Hochleistungsrechnen Monitoring und Datenschutz Dresden, 27.Mai 2008 Bundesrepublik Deutschland Grundrecht auf informationelle Selbstbestimmung: Der Betroffene kann

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Treffsichere Absatzprognosen durch Predictive Analytics

Treffsichere Absatzprognosen durch Predictive Analytics Treffsichere Absatzprognosen durch Predictive Analytics Prof. Dr. Michael Feindt, Karlsruhe Institute of Technology KIT Chief Scientific Advisor, Phi-T GmbH und Blue Yonder GmbH & Co KG 3. Europäischer

Mehr

Hinweise zum Erstellen eines Verfahrensverzeichnisses

Hinweise zum Erstellen eines Verfahrensverzeichnisses Hinweise zum Erstellen eines Verfahrensverzeichnisses Eine Information des Datenschutzbeauftragten der PH Freiburg Stand: 11.03.2010 Inhalt Hinweise zum Erstellen eines Verfahrensverzeichnisses... 1 Vorbemerkung...

Mehr

Data Mining. Data Warehousing und analytische Datenbanken. Naim Tamtam. Betreuer: K. Büchse. Seminar

Data Mining. Data Warehousing und analytische Datenbanken. Naim Tamtam. Betreuer: K. Büchse. Seminar Friedrisch Schiller Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für Datenbanksysteme und Informationssysteme Prof. Dr. Klaus Küspert Seminar Data Warehousing und analytische Datenbanken

Mehr

Fakultät. Modulkoordinator Frank Termer. Modul-Name Wirtschaftsinformatik Modul-Nr : 51012

Fakultät. Modulkoordinator Frank Termer. Modul-Name Wirtschaftsinformatik Modul-Nr : 51012 Fakultät Wirtschaftswissenschaften Studiengang Betriebswirtschaft f. kleine u. mitt. Unternehmen Modulbeschreibung Modulkoordinator Frank Termer Modul-Name Wirtschaftsinformatik Modul-Nr : 51012 CP SWS

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Data Warehousing: Anwendungsbeispiel

Data Warehousing: Anwendungsbeispiel Frühjahrsemester 2012 cs242 Data Warehousing / cs243 Datenbanken Kapitel 1: Einführung H. Schuldt Data Warehousing: Anwendungsbeispiel Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale

Mehr

OLAP und Data Warehouses

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

Mehr

Virtual Roundtable: Business Intelligence - Trends

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

Mehr

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

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A

SQL Server 2012. Administration, Entwicklung und Business Intelligence. Roland Bauch. 1. Ausgabe, Mai 2012. Der kompakte Einstieg SQL2012A SQL Server 2012 Roland Bauch 1. Ausgabe, Mai 2012 Administration, Entwicklung und Business Intelligence Der kompakte Einstieg SQL2012A 2 SQL Server 2012 - Administration, Entwicklung und Business Intelligence

Mehr

Kapitel 6 Managementunterstützungssysteme und Business Intelligence

Kapitel 6 Managementunterstützungssysteme und Business Intelligence ProKSy - EBSS Institut AIFB WS 2013/2014 Programmierung kommerzieller Systeme Einsatz betrieblicher Standardsoftware (ProKSy EBSS) Kapitel 6 Managementunterstützungssysteme und Business Intelligence Institut

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte

Mehr

Erfolgsfaktoren von Customer Relationship Management Strategien

Erfolgsfaktoren von Customer Relationship Management Strategien Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen Diplomica Verlag Klaus Sevenich Erfolgsfaktoren von Customer Relationship Management Strategien in Unternehmen

Mehr

Fragebogen zur Nutzung des Angebots der Hochschulbibliothek an elektronischen Medien:

Fragebogen zur Nutzung des Angebots der Hochschulbibliothek an elektronischen Medien: Fragebogen zur Nutzung des Angebots der Hochschulbibliothek an elektronischen Medien: Liebe Bibliotheksbenutzer, Liebe Bibliotheksbenutzerinnen, wir freuen uns, dass Sie an unserer Umfrage teilnehmen möchten.

Mehr

Data-Mining in Unternehmen die rechtliche Sicht

Data-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

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

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

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

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden

Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Qualitäts- und Kostenoptimierung von verfahrenstechnischen Prozessen mit Data-Mining-Methoden Dr. Thomas Bernard 6. Karlsruher Automations-Treff (KAT) Leit- und Automatisierungstechnik der Zukunft Karlsruhe,

Mehr

Verborgene Schätze heben

Verborgene Schätze heben Verborgene Schätze heben Data Mining mit dem Microsoft SQL Server Martin Oesterer Leiter Vertrieb HMS Analytical Software GmbH Data Mining. Was ist eigentlich wichtig? Data Mining ist: die Extraktion von

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Zentrale und Dezentrale Versionsverwaltung in Open Source Projekten Konzeptvorstellung Masterarbeit

Zentrale und Dezentrale Versionsverwaltung in Open Source Projekten Konzeptvorstellung Masterarbeit Zentrale und Dezentrale Versionsverwaltung in Open Source Projekten Konzeptvorstellung Masterarbeit Jana von dem Berge Institut für Informatik FU Berlin 05.12.08 Zentrale und Dezentrale Versionsverwaltung

Mehr

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder

DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder DW Data Warehousing Funktionsweise, Einsatz- und Problemfelder Andreas Meier, Universität Fribourg Folie 1 DW Cartoon Quelle: Knoll M., Meier A. (Hrsg): Web & Data Mining. Praxis der Wirtschaftsinformatik,

Mehr

Erfahrungen mit SAS/Access to SAP

Erfahrungen mit SAS/Access to SAP Erfahrungen mit SAS/Access to SAP Wilfried Schollenberger In den Notizen finden Sie die wichtigsten Inhalte meines Vortrags, die sich nicht aus den Folien selbst ergeben. Erfahrungen mit SAS/Access to

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

Repeatable Benchmarking Mahout

Repeatable Benchmarking Mahout Studienarbeitsexposé Repeatable Benchmarking Mahout Entwicklung eines Lasttest-Rahmenwerkes für Apache Mahout von: Oliver Fischer Institut für Informatik Humbold-Universität zu Berlin Matrikelnummer: 19

Mehr

Automatisierte Dossier- Erstellung mittels Text-Mining

Automatisierte Dossier- Erstellung mittels Text-Mining Automatisierte Dossier- Erstellung mittels Text-Mining Paul Assendorp Grundseminar 11.12.2014 Paul Assendorp Automatisierte Dossier-Erstellung 1 Gliederung Motivation Textmining Tools Aktueller Stand Ausblick

Mehr

Datenschutz. IT-Sicherheitsbotschafter Aufbauseminar 3, am 15.05.2014 in Hamburg-Harburg. Petra Schulze

Datenschutz. IT-Sicherheitsbotschafter Aufbauseminar 3, am 15.05.2014 in Hamburg-Harburg. Petra Schulze Datenschutz IT-Sicherheitsbotschafter Aufbauseminar 3, am 15.05.2014 in Hamburg-Harburg Petra Schulze Fachverband Motivation Daten werden zunehmend elektronisch gespeichert und übermittelt Daten können

Mehr

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

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

Mehr

PRESSE-INFORMATION NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN

PRESSE-INFORMATION NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN PRESSE-INFORMATION BI-19-09-12 NEU: LÜNENDONK -TRENDPAPIER 2012 BIG DATA IM HANDEL CHANCEN UND HERAUSFORDERUNGEN Big Data für den Handel wettbewerbsentscheidend Neue Anforderungen und Handlungsbedarf Technologie-Innovationen

Mehr

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big 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

Mehr

Als Mitglied kennen Sie das Informatik Spektrum. Es gibt aber noch viel mehr!

Als Mitglied kennen Sie das Informatik Spektrum. Es gibt aber noch viel mehr! Als Mitglied kennen Sie das Informatik Spektrum. Es gibt aber noch viel mehr! Kennen Sie auch die Zeitschriften der Fachbereiche? 1 Fachbereich: Künstliche Intelligenz(KI) KI Organ des Fachbereichs Springer

Mehr