Untersuchung von Big Data Einsatzszenarien am Beispiel Twitter Sentiment Analyse für Anlageentscheidungen

Größe: px
Ab Seite anzeigen:

Download "Untersuchung von Big Data Einsatzszenarien am Beispiel Twitter Sentiment Analyse für Anlageentscheidungen"

Transkript

1 Arbeitspapier / Abteilung WI Stephan König Untersuchung von Big Data Einsatzszenarien am Beispiel Twitter Sentiment Analyse für Anlageentscheidungen Arbeitspapier ISSN Nr (print) ISSN Nr (Internet)

2 Untersuchung von Big Data Einsatzszenarien am Beispiel Twitter Sentiment Analyse für Anlageentscheidungen April 2014 Arbeitspapier Prof. Dr. Stephan König Hochschule Hannover Fakultät IV (Wirtschaft und Informatik) Ricklinger Stadtweg 120, Hannover

3 2 Zusammenfassung Die Analyse von unstrukturierten Daten aus sozialen Netzwerken ist ein Einsatzszenario von Big Data. Am Beispiel einer Sentiment Analyse von Twitter Kurznachrichten (Tweets) zur Unterstützung von Anlageentscheidungen im quantitativen Asset Management werden verschiedene Analyseansätze auf Basis von R (Bag of Words Classifier, Naive Bayes Classifier) und verschiedenen Filtermechanismen (z.b. nach der Reputation der Twitterer) untersucht. Erste Korrelationen der Stimmungssignale mit Marktindices (DJIA, NASDAQ) über mehrere Monate deuten deren Eignung für Marktprognosen - und damit zur Unterstützung von Analyseentscheidungen - an. Damit liegt eine Basis für die Untersuchung deutlich längerer Zeitreihen vor.

4 3 1. Einführung Unter Big Data werden große und oft unstrukturierte, aber für unternehmerische Fragestellungen zunehmend interessante Datensammlungen bezeichnet. Diese können mit traditionellen Business Intelligence Anwendungen meist nur unzureichend analysiert werden. Mit der Verfügbarkeit geeigneter Technologien (z.b. Apache Hadoop 1 ) sind Fragen zu fachlich sinnvollen Einsatzszenarien in den Vordergrund gerückt und werden in Forschung und Praxis untersucht (z.b. in [Buhl13], [Weber12] und [Manyika12]). Aufgrund der Aktualität der Thematik gibt es noch keine einheitliche Definition des Begriffs Big Data. Eine weit verbreitete Definition von Big Data lautet [Manyika12]: Big data refers to datasets whose size is beyond the ability of typical database software tools to capture, store, manage, and analyze. Charakteristisch für Big Data sind die sogenannten 3 V s (siehe Abbildung 1): Velocity, Volume und Variety. Big Data zeichnet sich durch ein großes Datenvolumen aus (Volume), ein großes Spektrum möglicher Strukturen der Daten (Variety) und die Geschwindigkeit, mit der die Daten erzeugt und verarbeitet werden (Velocity). Eine wichtige Datenquelle für Big Data stellen soziale Netzwerke im Internet (z.b. Facebook) dar. Welche Potenziale in der Analyse von Daten aus sozialen Netzwerken liegen, zeigen unter anderem [Lau12] und [Chau12]. Zur Speicherung und Verarbeitung von Big Data wird häufig Apache Hadoop, ein freies, in Java geschriebenes Framework für skalierbare, verteilt arbeitende Software, verwendet. Es besteht aus zwei Kernbausteinen: Hadoop Distributed File System (HDFS): Ein hochverfügbares, leistungsfähiges Dateisystem zur verteilten Speicherung sehr großer Datenmengen auf mehreren Rechnern. MapReduce: Ein von Google eingeführtes Programmiermodell für nebenläufige Berechnungen über große Datenmengen auf Computerclustern. 1 hadoop.apache.org

5 4 Oft kommen zur Verarbeitung von Big Data aber auch Anwendungen aus der statistischen Datenanalyse wie z.b. R oder SAS zum Einsatz. Abbildung 1: 3 V Modell für Big Data [Klein13] Big Data weist eine starke inhaltliche Nähe zum Thema Business Intelligence auf. Letzteres dient primär zur Aufbereitung, Speicherung und Analyse strukturierter Daten auf Basis eines klassischen Data Warehouses. Big Data wird häufig als ETL-Anwendung 2 zur Voranalyse und Quantifizierung unstrukturierter Daten betrachtet ([Weber12], [Kimball11]). Das Thema Big Data findet sich aufgrund seiner gesellschaftlichen Relevanz seit Anfang 2013 auch zunehmend in der Presse wieder (z.b. Titelthema in DER SPIEGEL 20/2013). Dieser Trend wurde durch die Aufdeckung des PRISM Programms der NSA im Juni 2013 noch einmal verstärkt [Green13]. Dass es sich bei dem Thema nicht nur um eine Modeerscheinung handelt, sondern die grundsätzliche Frage adressiert wird, wie wir mit immer größer werdenden Datenmengen in Zukunft umgehen wollen, bezeugen z.b. Untersuchungen von Gartner [Pettey12], des Bundesverbandes Informationswirtschaft, Telekommunikation 2 Extraktion, Transformation, Laden

6 5 und neue Medien e.v. (BITKOM) [Weber12] und von Buhl et al. [Buhl13]. Aus Sicht der Wissenschaft wirft das Thema viele interessante Fragestellungen in den Bereichen Datenmanagement, Datenanalyse, Datenqualität und Datenschutz auf. Insbesondere ist aber auch zu klären, was geeignete betriebswirtschaftliche Fragestellungen sind, die mit Big Data untersucht werden können: Welche Zusammenhänge in den Daten bestehen, welche Auswirkungen diese haben und was aus den aufbereiteten Daten gewonnen werden kann, übersteigt oft menschliches Fassungsvermögen und neue Verfahren müssen entwickelt werden, die dies greifbarer machen können [Klein13]. Die Wirtschaftsinformatik mit ihrer Methodenvielfalt und ihrem multidisziplinären Forschungsansatz kann ideal zur Weiterentwicklung von Big Data beitragen [Buhl13].

7 6 2. Vorgehen Im Folgenden soll im Rahmen einer Fallstudie untersucht werden, inwieweit sich Big Data Technologien in der unternehmerischen Praxis sinnvoll einsetzen lassen. Dazu wurde ein Unternehmen ausgewählt, das zu den international führenden quantitativen Asset Managern gehört und für institutionelle Anleger seit mehr als 15 Jahren ein erfolgreiches aktives Portfolio Management in den Asset- Klassen Aktien, Renten und Multi Asset Strategien betreibt. Die Finanzbranche eignet sich wegen des vorhandenen Mitarbeiter Know-Hows und der verfügbaren Daten insbesondere für eine exemplarische Untersuchung der Einsatzszenarien von Big Data in der Praxis, da sie eine Schlüsselbranche für moderne Analyseansätze und Big Data darstellt [Manyika12]. Konkret soll die Frage untersucht werden, inwieweit sich Big Data Technologien eignen, um unstrukturierte Daten aus sozialen Netzwerken (Web 2.0) für Anlageentscheidungen zu nutzen. Dazu wird prototypisch eine Big Data Anwendung (Artefakt) realisiert. Damit folgt die Fallstudie dem Design Science Ansatz (siehe z.b. [Hevner04], [Winter09] und [Buhl12]). In [Chau12] wird für eine vom Forschungsansatz und Themenumfeld vergleichbare Fragestellung erläutert, wie die in [Hevner04] aufgeführten sieben Richtlinien 3 für Design Science adressiert werden. Diese Erläuterungen können für diese Fallstudie sinngemäß übernommen werden. Die Vorgehensweise zur Beantwortung der fachlichen Fragestellung gliedert sich - nach einem Überblick über den Stand der Forschung - in folgende Schritte: Identifikation eines geeigneten sozialen Netzwerkes Aufbau einer Anwendung zur Sammlung unstrukturierter Daten Quantifizierung und Analyse der Daten Untersuchung der Eignung der Daten für Anlageentscheidungen Bewertung der Ergebnisse 3 Design as an Artifact, Problem Relevance, Design Evaluation, Research Contributions, Research Rigor, Design as a Search Process, Communication of Research.

8 7 3. Sentiment Analyse in sozialen Netzwerken Ein soziales Netzwerk ist eine im Zuge des Web 2.0 entstandene, virtuelle Gemeinschaft, über die soziale Beziehungen via Internet gepflegt werden können [Gabler14]. Die dabei entstehenden Inhalte weisen typische Charakteristika von Big Data auf: Die erzeugten Texte sind ein Beispiel für unstrukturierte Daten (Variety). Es werden sehr große Datenmengen erzeugt (Volume). Die Inhalte müssen je nach Anwendungsszenario nahezu in Echtzeit analysiert werden (Velocity). Das bekannteste soziale Netzwerk ist Facebook, dessen Data Warehouse bereits 2010 ein Volumen von 15 PB aufwies und in dem täglich mehr als 60 TB unstrukturierte Daten u.a. mit Hadoop verarbeitet wurden [Ashish10]. Welche Potenziale in der Analyse von sozialen Netzwerken liegen, zeigen z.b. [Asur10], [Dodds10], [Lau12] und [Chau12]: Lau et al. [Lau12] integrieren soziokulturelle und politische Aspekte aus sozialen Netzwerken in eine Scorecard für Unternehmensfusionsentscheidungen. Chau et al. [Chau12] entwickeln am Beispiel von zwei Fallstudien (Apple s Ipod und Starbucks) ein Framework zur Analyse von Blogs, mit dem sich u.a. Meinungsmacher und Netzwerkstrukturen identifizieren lassen. Eine Herausforderung bei der Analyse sozialer Netzwerke ist die automatisierte Verarbeitung sehr großer Textmengen. In diesem Zusammenhang müssen die qualitativen und unstrukturierten Informationen in den Texten quantifiziert werden, damit sie sich für anschließende Analysen eignen [Russell11]. Besonders interessant ist dabei die in den Texten zum Ausdruck kommende Stimmung (Sentiment). Stimmungskennzahlen lassen sich insbesondere mit Verfahren des Text Mining ermitteln. Man spricht in diesem Zusammenhang auch von Sentiment Analysen (bzw. Sentiment Analytics), Sentiment Mining oder Opinion Mining. Beispiele finden sich in [Antweiler01], [McDonald11], [Pang02] und [Burdick11]. Stimmungen spielen auch bei Anlageentscheidungen auf Finanzmärkten eine Rolle. Zahlreiche Studien zeigen, dass Aktienpreise nur bedingt der Theorie des vollkommenen Marktes [Fama65] folgen,

9 8 sondern im Sinne der Verhaltensökonomie [Nofsinger05] durch menschliche Stimmungen beeinflusst und damit zumindest in Ansätzen vorhersagbar werden [Qian07]. Ein klassischer Stimmungsindikator ist der Ifo Geschäftsklimaindex 4, der monatlich die gegenwärtige Geschäftslage und die Erwartungen für die nächsten sechs Monate von ca deutschen Unternehmen wiederspiegelt. In [Henzel13] und [Abberger07] wird gezeigt, wie sich dieser Indikator für Prognosen nutzen lässt. Moderne Verfahren der Textanalyse erlauben es, vergleichbare Indikatoren auf Basis sozialer Netzwerke automatisiert und nahezu in Echtzeit zu ermitteln, womit sie sich besser für Anlageentscheidungen eignen. Beispiele finden sich z.b. in [Chen14], [Tetlock08], [Demers10], [Gilbert10], [Tetlock10], [Gloor11], [Aase11] und [Zhang10a]. Neben sozialen Netzwerken eignen sich auch (Wirtschafts-)Nachrichten für eine automatisierte Analyse ([Mitram11], [Devitt07]). Dass sich in der quantitativen Finanzmarktanalyse auch Stimmungsfaktoren zunehmend etablieren, zeigt deren zunehmende Einbindung in kommerzielle Marktanalysesysteme wie z.b. Eikon [Lunden14]. Ein soziales Netzwerk, das sich insbesondere für Sentiment Analysen eignet, ist Twitter 5. Dabei handelt es sich um einen 2006 gegründetes und seit 2013 an der NYSE notiertes Unternehmen, dessen gleichnamige Anwendung es Benutzern erlaubt, maximal 140 Zeichen lange Kurznachrichten (Tweets) in Echtzeit öffentlich im Internet zu verbreiten. Im Oktober 2012 wurden täglich etwa 500 Millionen Tweets weltweit versendet [Holt13]. Twitter erlaubt über APIs einen kostenlosen Echtzeitzugriff auf die Tweets mit der Möglichkeit der Filterung. Beispiele für Sentiment Analysen auf Basis von Twitter finden sich z.b. in den folgenden Veröffentlichungen: [Kumar13], [Pak10], [Agarwal11], [Wood12], [Moreno13], [Jmal13], [Helmholz11], [Jansen09] und [Jiang11]. Speziell auf Sentiment Analysen in der Finanzindustrie ausgerichtet sind folgende Veröffentlichungen: [Ruiz12], [Yang13a], [Sprenger10], [Zhang13], [Xu12], [Bollen11], [Chen11] und [Zhang10b]. 4 cesifo-group.de 5 twitter.com

10 9 Eine häufig zitierte Veröffentlichung ist dabei die von Bollen et al. [Bollen11]. Darin wird gezeigt, dass the accuracy of DJIA 6 predictions can be significantly improved by the inclusion of specific public mood dimensions but not others. We find an accuracy of 86.7% in predicting the daily up and down changes in the closing values of the DJIA. Diese Ergebnisse basieren auf einer Analyse von knapp 10 Millionen Tweets im Zeitraum Februar bis Dezember Die Tweets wurden nach expliziten Stimmungsäußerungen (z.b. I feel ) ausgewählt. Bereiche guter Überlappung zwischen dem DJIA und dem Stimmungsverlauf sind in Abbildung 2 (oben) grau hinterlegt. In statistischen Analysen wird gezeigt, dass bestimmte Stimmungsverläufe (Calm z-score) die DJIA Schlusswerte drei Tage im voraus vorhersagen können. Abbildung 2: DJIA Verlauf (DJIA z-score, Mitte), Twitter Stimmungsverlauf (Calm z-score, unten) und deren Korrelation (oben) [Bollen11] 6 Dow Jones Industrial Average

11 10 Diese Ergebnisse motivierten P. Hawtin, einen Hedge Fund (The Derwent Absolute Return Fund Ltd.) aufzulegen, der seine Anlageentscheidungen insbesondere aus Twitter Stimmungen ableitet [Jordan10]. Abbildung 3 zeigt eine klassische Architektur für eine Sentiment Analyse aus [Mitram11]. Links finden sich mögliche Datenquellen z.b. aus dem Bereich Web 2.0 Social Media. Nach einer Pre- Analysis (i.w. Maßnahmen zur Steigerung der Datenqualität) findet die eigentliche Quantifizierung statt, indem die unstrukturierten Daten klassifiziert (z.b. in Nachrichten mit einer positiven oder negativen Stimmung) und daraus Stimmungsindikatoren (Sentiment Scores) berechnet werden. Diese werden im Folgenden z.b. mit Marktindices (z.b. DJIA) (Numeric financial market data) korreliert (Analysis), um daraus Vorhersagen zu Marktentwicklung (Return predictions) und letztendlich Anlageentscheidungen (Fund management decisions) abzuleiten. Abbildung 3: Klassische Architektur für eine Sentiment Analyse [Mitram11]

12 11 4. Auswahl eines geeigneten sozialen Netzwerkes Für die Fallstudie muss zunächst eine geeignete Datenquelle identifiziert werden. Mit Twitter und Facebook werden zwei klassische soziale Netzwerke untersucht. Zusätzlich wird Google Trends mit in die Untersuchung aufgenommen, um festzustellen, ob hier bereits (vor)analysierte Informationen verfügbar sind. Die Analyse erfolgt am Beispiel des Selbstmordes von Pierre Wauthier, Group CFO der Zurich Insurance Group, am Google Trends Google Trends liefert Informationen darüber, welche Suchbegriffe bei Google im Zeitverlauf wie oft eingegeben werden. Damit ließen sich prinzipiell Stimmungsverläufe im Internet verfolgen und bei Anlageentscheidungen berücksichtigen. Abbildung 4 zeigt den Verlauf für den Suchbegriff Zurich im relevanten Zeitraum (August 2013). Zwar wird eine deutliche Steigerung des Interesses deutlich. Weitere Details, sind aber nicht erkennbar (Zum Beispiel: In welchem (Stimmungs-)Kontext wurde nach dem Begriff gesucht?) Erschwerend kommt hinzu, dass für viele Aktien z.t. auch mit sehr großer Marktkapitalisierung (z.b. Fukuoka Financial Group Inc.) bei Google Trends keine Informationen verfügbar sind ( Das Suchvolumen ist zu gering ). Auch gibt es für Google Trends kein offizielles API, das eine automatisierte Analyse der Daten im größeren Umfange ermöglichen würde. Somit schneidet Google Trends als mögliche Datenquelle aus. Abbildung 4: Google Trends Verlauf für den Suchbegriff Zurich im Zeitraum August 2013

13 Facebook Auch bei Facebook finden sich zeitnah Informationen zum untersuchten Ereignis (siehe Abbildung 5). Informationen bei Facebook lassen sich per Graph API automatisiert auswerten. Allerdings ist der Zugriff auf öffentliche Informationen beschränkt, was eine breit angelegte Stimmungsanalyse erschwert, weil z.b. Firmenseiten häufig nur gefilterte Informationen bereitstellen und Informationen von Privatpersonen in aller Regel nicht frei zugänglich sind. Zwar gibt es bei Facebook ein Public Feed API und Keyword Insights API. Diese sind aber restricted to a limited set of media publishers 7 wie z.b. CNN. Somit scheidet (z.zt.) auch Facebook als mögliche Datenquelle aus. Abbildung 5: Informationen zum Tode von P. Wauthier bei Facebook 7 developers.facebook.com/docs/keyword_insights

14 Twitter Die SEC erlaubt börsennotierten Unternehmen seit 2013, in Twitter über börsenrelevante Nachrichten zu informieren [Gallu13]. So gibt es - mit einem Tag Verzögerung - auch einen Tweet von Zurich zum Tode von P. Wauthier (siehe Abbildung 6). Noch zeitnäher wurden Tweets von Nachrichtenagenturen und -sendern wie z.b. CNBC versendet (siehe Abbildung 7). Wie in Abschnitt 3 dargestellt, wird für Analysen sozialer Netzwerke häufig Twitter als repräsentatives Beispiel verwendet, da es viele Vorteile vereint: Die Tweets sind öffentlich und in Echtzeit zugänglich. Die hohe Anzahl an Tweets ermöglicht für viele Untersuchungen eine ausreichende Datenbasis. Die maximale Länge der Tweets von 140 Zeichen reduziert die Komplexität der Text Mining Analysen. Mit dem Search API und Streaming API stehen zwei Zugriffsmöglichkeiten zur Verfügung, die sich technisch gut umsetzen lassen. Einschränkungen ergeben sich nur aus der Tatsache, dass es keinen freien Zugriff auf historische Tweets (Archiv) gibt und die APIs Volumenbeschränkungen unterliegen. Beide Einschränkungen lassen sich durch kostenpflichtige Angebote von autorisierten Drittanbietern aufheben (z.b. Gnip und DataSift). Insgesamt stellt Twitter aber eine für die folgenden Untersuchungen sehr gut geeignete Datenquelle dar. Abbildung 6: Offizieller Zurich Tweet zum Tode von P. Wauthier bei Twitter Abbildung 7: Tweets von Nachrichtenagenturen und -sendern zum Tode von P. Wauthier

15 Eignung verschiedener Asset Klassen für Stimmungsanalysen mit Twitter Im Rahmen der Voruntersuchungen wurde abschließend die Frage adressiert, welche Asset-Klasse (Einzelaktien oder Aktienindices) sich im aktiven Portfolio Management insbesondere für Stimmungsanalysen mit Twitter eignt. Dazu wurde über das Twitter Search API (Garden Hose. Für Details siehe Abschnitt 5) das Tweet Volumen für verschiedene Suchbegriffe ermittelt. Für Aktienindices wurde nach Tweets gesucht, die Begriffe wie Stock, Stocks, Stock Market, Dow Jones und DJIA enthalten, da diese eine Gesamtstimmung vermitteln. Für Aktien wurden Tweets zu einzelnen Unternehmen, die eine hohe Marktkapitalisierung aufweisen, gesammelt. Die Ergebnisse sind in den Abbildungen 8 und 9 zusammengefasst. Abbildung 8: Anzahl der Tweets pro Stunde für Suchbegriffe im Bereich Aktienindices Abbildung 7: Anzahl der Tweets pro Stunde für Unternehmen mit hoher Marktkapitalisierung

16 15 Es wird deutlich, dass selbst für - nach Marktkapitalisierung - sehr große Unternehmen (z.b. Fukuoka Financial Group Inc.) oft nur eine sehr geringe Anzahl von Tweets versendet werden. Für Suchbegriffe aus dem Bereich Aktienindices ist hingegen eine für statistische Auswertungen ausreichende Anzahl von Tweets zu erwarten. Daher werden im folgenden Tweets zu den folgenden Suchbegriffen gesammelt: volatility, inflation, equity, emerging markets, central bank, stocks, stock market, crisis, economy. Andere Suchbegriffe (z.b. stock) haben sich nicht als sinnvoll erwiesen, da sie z.t. in sehr unterschiedlichen Kontexten verwendet werden (z.b. Coke is out of stock ). Eine Sentiment Analyse für einzelne Aktien erscheint deutlich komplexer. Für einen Großteil der Unternehmen wäre es erforderlich, eine Beziehung zwischen den Endverbraucherprodukten (z.b. Lucky Strike), denn nur für diese gibt es eine ausreichende Anzahl Tweets, und dem Unternehmen (in diesem Falle British American Tobacco) aufzubauen. Dieser Ansatz wird im Rahmen dieser Fallstudie nicht weiter verfolgt.

17 16 5. Twitter Streaming API Zur Sammlung von Tweets wird im Folgenden der Public Stream des Twitter Streaming APIs (Version 1.1) 8 verwendet. Das Search API 9 erwies sich nicht als sinnvoll, da es aufgrund der Rate Limits bei Suchbegriffen mit einer großen Antwortmenge zu Unterdeckungen auf der Zeitachse kommt. Das Twitter Streaming API wurde in Java unter Verwendung der Java Library twitter4j 10 implementiert. Zur Authentifizierung wurde OAuth 11 (Application Only Authentication) verwendet. Da die durch die o.g. Suchbegriffe zurückgelieferte Anzahl an Tweets unter dem Public Streaming Cap 12 (etwa 1% aller 500 Millionen Tweets pro Tag) verbleibt, werden ALLE Tweets bereitgestellt, die die Suchbegriffe enthalten. Zu jedem Tweet werden die folgenden Attribute (durch #+# getrennt) in einem txt File aufgezeichnet: status.getcreatedat() status.getretweetcount() 13 status.getisolanguagecode() status.getuser().getid() status.getuser().getscreenname() status.gettext() Ein aufgezeichneter Tweet sieht damit wie folgt aus: Fri Apr 11 09:05:16 CEST 2014#+#0#+#en#+# #+#FrequentFinance#+#Fitch upgrades Portugal's outlook: In the second half of last year, the economy pulled out of recession to sho dev.twitter.com/docs/api/streaming 9 dev.twitter.com/docs/using-search 10 twitter4j.org 11 dev.twitter.com/docs/auth/oauth 12 dev.twitter.com/docs/faq# Wird von Twitter im Streaming API nicht befüllt.

18 17 Zu beachten ist, dass die Suchbegriffe aufgrund der Funktionsweise des Streaming APIs nicht zwingend im Tweet selber auftreten müssen, sondern evtl. erst auf der verlinkten Webseite vorhanden sein können. Im Zeitraum bis wurden so ca Millionen Tweets gesammelt. Das entspricht etwa 3 GB unkomprimierter Textfiles. Abbildung 8 zeigt den gemittelten Verlauf der Anzahl der Tweets pro Tag. Die Anzahl wurde wegen deutlicher Schwankungen im Wochenzyklus über die letzten 7 Tage gemittelt. Man erkennt, dass es zu den o.g. Suchbegriffen ca bis Tweets pro Tag gibt. Der deutliche Anstieg in der Anzahl der Tweets pro Tag Ende Februar 2014 ist auf die zeitgleichen politischen Ereignisse in der Ukraine zurückzuführen. Abbildung 8: Gemittelte Anzahl der Tweets pro Tag zu den verwendeten Suchbegriffen im Zeitraum Dezember 2013 bis April 2014.

19 18 6. Twitter Sentiment Analyse Zur Ermittlung einer Stimmung müssen die Tweets klassifiziert werden, d.h. pro Tweet wird ein Stimmungswert ermittelt (z.b. positiv/negativ/neutral). Dazu bieten sich verschiedene Verfahren an. Verwendet werden im Folgenden der Bag of Words (oder Naive) Classifier und der Naive Bayes Classifier. Dies sind einfache, aber sehr robuste und weit verbreitete Verfahren [Mitram11]. Komplexere Verfahren wie z.b. Support Vector Machines (SVM) werden nicht verwendet. Aufgrund der beschränkten Zeichenanzahl 14 enthalten Tweets im Schnitt nur ca. 10 bis 12 Wörter. Damit ähneln sie eher Überschriften als komplexen Texten, weshalb die gewählten einfacheren Analyseverfahren ausreichend sein sollten. Die Analysen wurden mit R (Version 3.0.2) auf einem 64 bit Windows 7 PC mit 32 GB RAM und einem Intel Xenon Prozessor (E mit 3.3 GHz) durchgeführt. Dabei nahmen komplexere Analysen über längere Zeiträume ( einige Wochen ) einige Stunden in Anspruch. Die Verwendung einer Hadoop Architektur war daher bisher nicht erforderlich. Erst bei der Analyse längerer Historien ( Jahre ) und komplexerer Analysemodelle könnte dies in Zukunft notwendig werden. 6.1 Bag of Words Classifier Die Grundidee des Bag of Words Classifiers besteht darin, den Wörtern eines Tweets Stimmungswerte zuzuordnen und daraus einen Sentiment Score pro Tweet zu bestimmen (siehe auch Abbildung 9). Dieser kann im einfachsten Fall die Klassen positiv, negativ und neutral umfassen oder wie im folgenden verwendet die Summe der Stimmungswerte der einzelnen Wörter des Tweets sein 15. Der Bag of Words Classifier setzt die Existenz eines Lexikons für positive und negative Wörter voraus. Idealerweise ist das verwendete Lexikon domänenspezifisch, da Wörter in unterschiedlichen Kontexten unterschiedliche Bedeutungen haben können. So ist vice president im Wirtschaftskontext ein neutraler Begriff, währen vice (= Laster) sonst eher negative belegt ist. Standardmäßig werden 14 Maximal 140 Zeichen 15 Also z.b. +2, wenn der Tweet 4 positive und 2 negative Wörter (mit jeweiligem Gewicht 1) enthält.

20 19 im Folgenden die Wortlisten von McDonald [McDonald11] mit etwa 2700 Wörtern (2329 negative und 354 positive Wörter) verwendet 16. Diese wurden speziell für die Finanzbranche entwickelt. Abbildung 9: Grundidee des Bag of Word (oder Naive) Classifiers [Jurafsky]: Die positiven und negativen Wörter im zu betrachtenden Text werden identifiziert und bewertet. In diesem Beispiel sind die Wörter unterschiedlich stark gewichtet. Anschließend werden die Stimmungen aller Tweets eines Tages 17 zu einer Tagesstimmung zusammengefasst. Im einfachsten Falle geschieht dies durch die Bildung des arithmetischen Mittelwertes. Die Sentimentberechnungen werden in R durchgeführt. Dazu wird die Score Sentiment Funktion von Breen aus [Elder12] verwendet 18. Zu identischen Ergebnissen gelangt man, wenn man mit dem Text Mining Paket tm in R 19 unter Verwendung eines Dictionaries (= Lexikon) eine Term-Document 16 Diese stehen unter www3.nd.edu/~mcdonald/word_lists.html zum Download zur Verfügung. 17 Wenn im Folgenden von einem Tag die Rede ist, ist damit ein Kalendertag in New York City gemeint. 18 Der Code steht auch auf Github zum Download zur Verfügung: github.com/jeffreybreen/twitter-sentiment-analysistutorial Eine Einführung zum tm Package findet sich hier: cran.r-project.org/web/packages/tm/vignettes/tm.pdf

21 20 Matrix bildet und auf diesem Wege die Stimmungen berechnet. Da die Matrix nur sehr dünn besetzt ist, benötigt dieses Verfahren allerdings mehr Hauptspeicher (RAM). Ein mit dem Bag of Words Classifier ermittelter Stimmungsverlauf ist in Abbildung 10 dargestellt. Folgende Konfigurationsparameter wurden dazu verwendet: Score Sentiment Funktion: Breen [Elder12] Sentiment Funktion: Arithmetisches Mittel (Mean) Lexikon: McDonald [McDonald11] Tweets zu allen Suchbegriffen (s.o.) Mittelung über 9 Tage Erkennbar ist eine deutliche Verschlechterung der Stimmung ab dem Dies entspricht dem Datum der Absetzung von W. Janukowytsch, dem Ministerpräsidenten der Ukraine und damit dem Beginn der Ukraine Krise. In Abbildung 8 ist in diesem Zeitraum eine spürbare Zunahme in der Anzahl der Tweets erkennbar. Abbildung 10: Stimmungsverlauf. Weitere Erläuterungen finden sich im Text.

22 21 Um die Abhängigkeit des Stimmungsverlaufs von verschiedenen Einflussfaktoren besser beurteilen zu können, wird nun der Einfluss der Parameter Lexikon, Sentimentfunktion, Suchbegriffe und Reputation der Twitterer untersucht Bag of Words Classifier - Lexikon Neben dem bisher verwendeten Lexikon von McDonald [McDonald11] stehen weitere Lexika zur Verfügung 20. Im Zusammenhang mit Sentiment Analysen im Bereich der Sozialwissenschaften wird zum einen häufig das Harvard-IV-4 Dictionary 21 genutzt. Es umfasst 4206 Wörter (1915 positive und 2291 negative Wörter) und wurde z.b. in [Tetlock08] verwendet. Häufig zum Einsatz kommt auch das Opinion Lexikon 22 von Hu et al. [Hu04] mit ca Wörtern. Dies wird z.b. in [Jiang11] verwendet. Vergleicht man die mit den drei verschiedenen Lexika ermittelten Stimmungskurven (siehe Abbildung 11), wird deutlich, dass diese sehr ähnlich Verläufe aufweisen. Für alle drei Stimmungskurven wurde die Score Sentiment Funktion von Breen verwendet, die Sentiment Funktion Arithmetischer Mittelwert (Mean) und Tweets zu allen Suchbegriffen. In diesem Fall wurde keine Mittelung der Sentimentwerte über mehrere Tage durchgeführt. Aufgrund der spezifischen Ausrichtung auf die Finanzbranche wird bei allen folgenden Untersuchungen das Lexikon von McDonald verwendet. Wegen seines deutlich geringeren Wortumfangs im Vergleich zu den anderen Lexika weist es zudem Performancevorteile auf. 20 Für eine Sentiment Analyse ohne vordefiniertes Lexikon siehe den Abschnitt zum Naive Bayes Classifier. 21 Die positiven und negativen Wortlisten finden sich unter 22 Die positiven und negativen Wortlisten von Hu finden sich unter

23 22 Abbildung 11: Stimmungsverläufe für die verschiedenen Lexika von McDonald (unten), Hu (Mitte) und Harvard (oben) Bag of Words Classifier Sentimentfunktionen Prinzipiell können Stimmungskennzahlen durch verschiedene Sentimentfunktionen berechnet werden. Um deren Auswirkungen auf die Stimmungsverläufe zu untersuchen, werden folgende Sentimentfunktionen definiert: McD = Mean(All) McD1 = -N/(P+N) McD2 = (P-N)/(P+N) McD3 = log((1+p)/(1+n)) McD4 = P/N Wobei Mean(All) das arithmetische Mittel aller Tweets eines Tages berechnet. N steht für die Anzahl der negativen Tweets eines Tages (mit Sentiment -2) und P für die Anzahl positive Tweets eines Tages (mit Sentiment 2). Die verschiedenen Sentimentfunktionen und die Beschränkung auf

24 23 extreme Tweets (mit Sentiment 2 bzw. -2) beruhen auf Ansätzen aus [Tetlock08], [Tetlock10], [Bollen11] und [Antweiler01]. Aus den Stimmungsverläufen in Abbildung 12 wird deutlich, dass diese i.w. parallel liegen. Wegen seiner Einfachheit wird daher im Folgenden der arithmetische Mittelwert (Mean) 23 verwendet. Abbildung 12: Stimmungsverläufe für verschiedene Sentimentfunktionen Bag of Words Classifier - Suchbegriffe Die Stimmungsverläufe für Tweets, die jeweils die Suchbegriffe central bank, stocks, stock market und crisis (siehe Kapitel 4) enthalten, sind in Abbildung 13 aufgetragen. Man erkennt deutliche Unterschiede in den Verläufen. Allerdings ist dabei zu beachten, dass die verschiedenen Suchbegriffe auch ein sehr unterschiedliches Tweetvolumen aufweisen. Dies ist in Abbildung 14 dargestellt. Sehr viele Tweets pro Tag gibt es mit ca für den Suchbegriff crisis. Für infla- 23 Diese entspricht der McD Sentimentfunktion.

25 24 tion sind es hingegen nur knapp Tweets pro Tag. So wird deutlich, dass die stark fluktuierenden Stimmungen für stock market und central bank in Abbildung 13 im Zusammenhang mit einer sehr geringen Anzahl (< 5.000) Tweets pro Tag stehen. Die deutlich glatteren Stimmungsverläufe für crisis und stocks hingegen stehen im Zusammenhang mit einer deutlich höheren Anzahl Tweets pro Tag ( bzw ). Eine Auswahl bestimmter Suchbegriffe erscheint zunächst nicht sinnvoll. Daher werden im Folgenden alle Tweets (zu allen Suchbegriffen) in die Sentiment Analyse mit einbezogen. Abbildung 13: Stimmungsverläufe für verschiedene Suchbegriffe.

26 25 Abbildung 14: Anzahl Tweets pro Tag in Abhängigkeit vom Suchbegriff. Die ersten vier Suchbegriffe in der Reihenfolge von oben nach unten sind: crisis, economy, stocks und inflation Bag of Words Classifier - Reputation Ein weiterer Parameter, der einen Einfluss auf die Stimmungsverläufe haben könnte, ist die Reputation der Twitterer. Trotz Filterung der Tweets durch die Verwendung der oben genannten Suchbegriffe ist die inhaltliche Relevanz und Aussagekraft der Tweets sehr unterschiedlich. Eine Filtermöglichkeit zur Verbesserung der Qualität der Tweets bietet die Reputation der Twitterer. Ein erfolgversprechender Indikator für die Reputation der Twitterer ist deren Zahl der Follower (follo-

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Big Data bei unstrukturierten Daten. AW1 Vortrag Sebastian Krome

Big Data bei unstrukturierten Daten. AW1 Vortrag Sebastian Krome Big Data bei unstrukturierten Daten AW1 Vortrag Sebastian Krome Agenda Wiederholung Aspekte von Big Data Datenverarbeitungsprozess TextMining Aktuelle Paper Identification of Live News Events Using Twitter

Mehr

Politische Inhalte in Social Media:

Politische Inhalte in Social Media: Politische Inhalte in Social Media: Twitter zur Landtagswahl in Nordrhein-Westfalen 2012 Überblick 1. Einführung 2. Methoden 3. Ergebnisse 4. Fazit 5. Ausblick 2 Einführung Einführung Twitter hat 2012

Mehr

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014

Social Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:

Mehr

Big Data Herausforderungen für Rechenzentren

Big Data Herausforderungen für Rechenzentren FINANCIAL INSTITUTIONS ENERGY INFRASTRUCTURE, MINING AND COMMODITIES TRANSPORT TECHNOLOGY AND INNOVATION PHARMACEUTICALS AND LIFE SCIENCES Big Data Herausforderungen für Rechenzentren RA Dr. Flemming Moos

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

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

BIG DATA: EXPECT THE UNEXPECTED. T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft

BIG DATA: EXPECT THE UNEXPECTED. T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft BIG DATA: EXPECT THE UNEXPECTED T-SYSTEMS AUSTRIA 2014 Dipl.-Ing. Axel Quitt @ Bundestagung der Jungen Wirtschaft Big Data Ein Wort wie eine Grippeepidemie Quelle: Google Trends Unternehmen werden mit

Mehr

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014

Mit In-Memory Technologie zu neuen Business Innovationen. Stephan Brand, VP HANA P&D, SAP AG May, 2014 Mit In-Memory Technologie zu neuen Business Innovationen Stephan Brand, VP HANA P&D, SAP AG May, 2014 SAP Medical Research Insights : Forschung und Analyse in der Onkologie SAP Sentinel : Entscheidungsunterstützung

Mehr

OPEN GOVERNMENT: MEHR TRANSPARENZ UND PARTIZIPATION DURCH ANALYTICS ANDREAS NOLD STATEGISCHE GESCHÄFTSENTWICKLUNG SAS D-A-CH

OPEN GOVERNMENT: MEHR TRANSPARENZ UND PARTIZIPATION DURCH ANALYTICS ANDREAS NOLD STATEGISCHE GESCHÄFTSENTWICKLUNG SAS D-A-CH OPEN GOVERNMENT: MEHR TRANSPARENZ UND PARTIZIPATION DURCH ANALYTICS ANDREAS NOLD STATEGISCHE GESCHÄFTSENTWICKLUNG SAS D-A-CH BEISPIEL FLUGHAFEN BERLIN-BRANDENBURG Offizielle Webseite des Flughafens https://ber.piratenfraktion-berlin.de/projekt/

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Big Data - Datenquellen und Anwendungen

Big Data - Datenquellen und Anwendungen Big Data - Datenquellen und Anwendungen AW1 Präsentation Gerrit Thede Fakultät Technik und Informatik Department Informatik HAW Hamburg 18. November 2013 Outline 1 Einleitung 2 Datenquellen 3 Data Science

Mehr

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010

TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 Reinhard Bernsteiner MCiT Management, Communication & IT MCI MANAGEMENT CENTER INNSBRUCK Universitätsstraße 15 www.mci.edu

Mehr

Social Media als Bestandteil der Customer Journey

Social Media als Bestandteil der Customer Journey Social Media als Bestandteil der Customer Journey Gregor Wolf Geschäftsführer Experian Marketing Services Frankfurt, 19.6.2015 Experian and the marks used herein are service marks or registered trademarks

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

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

Mehr

Jakob Jünger, M.A. Till Keyling, M.A. Facepager. Ein Programm zur automatisierten Datenerhebung im Netz

Jakob Jünger, M.A. Till Keyling, M.A. Facepager. Ein Programm zur automatisierten Datenerhebung im Netz Jakob Jünger, M.A. Till Keyling, M.A. Ein Programm zur automatisierten Datenerhebung im Netz Agenda 1. Grundlagen der automatisierten Datenerhebung 2. Überblick über den 3. Fallstricke automatisierter

Mehr

Crawling & APIs. Valentin Deyringer 19.05.15. Centrum für Informations- und Sprachverarbeitung

Crawling & APIs. Valentin Deyringer 19.05.15. Centrum für Informations- und Sprachverarbeitung Crawling & Valentin Deyringer Centrum für Informations- und Sprachverarbeitung 19.05.15 Inhalt 1 Motivation - Anwendungen 2 3 4 5 Davids Socializer Der Oberlehrer 3/19 Valentin Deyringer Crawling & mood

Mehr

Institut für angewandte Informationstechnologie (InIT)

Institut für angewandte Informationstechnologie (InIT) School of Engineering Institut für angewandte Informationstechnologie (InIT) We ride the information wave Zürcher Fachhochschule www.init.zhaw.ch Forschung & Entwicklung Institut für angewandte Informationstechnologie

Mehr

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015

Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center

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

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

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe Accounting course program for master students Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe 2 Accounting requires institutional knowledge... 3...but it pays: Lehman Bros. Inc.,

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

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

Additional Cycle Index (ACIX) Thomas Theuerzeit

Additional Cycle Index (ACIX) Thomas Theuerzeit Additional Cycle Index (ACIX) Thomas Theuerzeit Der nachfolgende Artikel über den ACIX stammt vom Entwickler des Indikators Thomas Theuerzeit. Weitere Informationen über Projekte von Thomas Theuerzeit

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

Mehr

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

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

Mehr

SOZIALES" BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN

SOZIALES BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN SOZIALES" BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN CHRISTIAN KÖNIG BUSINESS EXPERT COMPETENCE CENTER CUSTOMER INTELLIGENCE Copyr i g ht 2012, SAS Ins titut e Inc. All rights res

Mehr

Seminar für Wirtschaftsinformatiker (Master/Diplom) Sommersemester 2012

Seminar für Wirtschaftsinformatiker (Master/Diplom) Sommersemester 2012 Seminar für Wirtschaftsinformatiker (Master/Diplom) Sommersemester 2012 Lehrstuhl für Wirtschaftsinformatik, insb. Systementwicklung Julius-Maximilians-Universität Würzburg 07.02.2012 Erwerb von Kompetenzen

Mehr

Big & Smart Data. bernard.bekavac@htwchur.ch

Big & Smart Data. bernard.bekavac@htwchur.ch Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem

Mehr

Large Scale Data Management

Large Scale Data Management Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype

Mehr

Risk Management for Banking Herausforderungen für einen integrierten Approach

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

Mehr

Background for Hybrid Processing

Background for Hybrid Processing Background for Hybrid Processing Hans Uszkoreit Foundations of LST WS 04/05 Scope Classical Areas of Computational Linguistics: computational morphology, computational syntax computational semantics computational

Mehr

Big Data und Social Media Analyse. Baden, 11.06.2013 Arne Weitzel, Senior Solution Architect Samuel Rentsch, CEO Julian Götz, Head of Sales

Big Data und Social Media Analyse. Baden, 11.06.2013 Arne Weitzel, Senior Solution Architect Samuel Rentsch, CEO Julian Götz, Head of Sales Big Data und Social Media Analyse Baden, 11.06.2013 Arne Weitzel, Senior Solution Architect Samuel Rentsch, CEO Julian Götz, Head of Sales Big Data & Social Media Analyse werden in Zukunft zentrale Business

Mehr

Thementisch Anwendungsgebiete und

Thementisch Anwendungsgebiete und Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven

Mehr

Web Analyzer. Das semantische Social Media Analyse-Tool!

Web Analyzer. Das semantische Social Media Analyse-Tool! Web Analyzer Das semantische Social Media Analyse-Tool! Über Web Analyzer Web Analyzer ist ein Tool für Kontinuierliches Monitoring relevanter Social Media und Online-Quellen Aufbereitung und Analyse der

Mehr

BIG DATA ANALYTICS VON DER FELDDATENANALYSE ZUM QUALITÄTSFRÜHWARNSYSTEM RAINER KENT VOGT - SAS INSTITUTE GMBH

BIG DATA ANALYTICS VON DER FELDDATENANALYSE ZUM QUALITÄTSFRÜHWARNSYSTEM RAINER KENT VOGT - SAS INSTITUTE GMBH BIG DATA ANALYTICS VON DER FELDDATENANALYSE ZUM QUALITÄTSFRÜHWARNSYSTEM RAINER KENT VOGT - SAS INSTITUTE GMBH QUALITÄT ZÄHLT DIE KUNDENWAHRNEHMUNG ENTSCHEIDET 91% 91% of unhappy customers unzufriedener

Mehr

Social Media Monitoring Den Kunden zuhören. Teil I

Social Media Monitoring Den Kunden zuhören. Teil I Social Media Monitoring Den Kunden zuhören Teil I DVR: 0438804 Juli 2015 Social Media Monitoring bezeichnet die systematische, kontinuierliche und themenspezifische Suche, Erhebung, Aufbereitung, Analyse,

Mehr

Antwortzeitverhalten von Online Storage Services im Vergleich

Antwortzeitverhalten von Online Storage Services im Vergleich EPOD Encrypted Private Online Disc Antwortzeitverhalten von Online Storage Services im Vergleich Fördergeber Förderprogramm Fördernehmer Projektleitung Projekt Metadaten Internet Foundation Austria netidee

Mehr

Learning Analytics und Foren

Learning Analytics und Foren Learning Analytics und Foren Agathe Merceron Beuth Hochschule für Technik Berlin Margarita Elkina Hochschule für Wirtschaft und Recht Berlin Albrecht Fortenbacher Hochschule für Technik und Wirtschaft

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Bachelor of Science. Business Administration

Bachelor of Science. Business Administration Bachelor of Science Business Administration Media and Technology Abbildung der Studiengangstrukturen PO 2015 Bitte beachten Sie, dass es sich hierbei um vorläufige Übersichten der Studienstruktur handelt,

Mehr

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities

Mehr

Impulsstatement: Methoden und Ziele der massenhaften Sammlung von Daten

Impulsstatement: Methoden und Ziele der massenhaften Sammlung von Daten Impulsstatement: Methoden und Ziele der massenhaften Sammlung von Daten Prof. Dr. Michael Waidner Fraunhofer-Institut für Sichere Informationstechnologie SIT und Technische Universität Darmstadt Expertentagung»Gegen

Mehr

Sentiment Analysis. Eine Einführung. Robert Remus 1 rremus@informatik.uni-leipzig.de. Fakultät für Mathematik und Informatik Universität Leipzig

Sentiment Analysis. Eine Einführung. Robert Remus 1 rremus@informatik.uni-leipzig.de. Fakultät für Mathematik und Informatik Universität Leipzig Sentiment Analysis Eine Einführung Robert Remus 1 rremus@informatik.uni-leipzig.de 1 Abteilung Automatische Sprachverarbeitung Fakultät für Mathematik und Informatik Universität Leipzig Seminar Anwendungen

Mehr

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie

Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren

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

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

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

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

Mehr

Master of Science Business Administration

Master of Science Business Administration Master of Science Business Administration Abbildung der Studiengangstrukturen PO 2015 Bitte beachten Sie, dass es sich hierbei um vorläufige Übersichten der Studienstruktur handelt, die das WiSo-Studienberatungszentrum

Mehr

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister

PAC IT-Services-Preisdatenbank 2015. Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Preise und Entwicklungen im deutschen IT-Dienstleistungsmarkt 2014-2016 Angebot für IT-Dienstleister Die PAC IT-Services-Preisdatenbank im Überblick 15.000 Referenzpreise ausgewertet über 6 Dimensionen

Mehr

Gegenwart und Zukunft

Gegenwart und Zukunft Gegenwart und Zukunft von Big Data Dieter Kranzlmüller Munich Network Management Team Ludwig Maximilians Universität München (LMU) & Leibniz Rechenzentrum (LRZ) der Bayerischen Akademie der Wissenschaften

Mehr

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired

Data. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,

Mehr

Welche Style-Indices treiben die Fonds- Performance?

Welche Style-Indices treiben die Fonds- Performance? Welche Style-Indices treiben die Fonds- Performance? Ergebnisse für das Stoxx-Universum Prof. Dr. Niklas Wagner und Dipl.-Kffr. Elisabeth Stocker, Universität Passau Dipl.-Kfm. Rüdiger Sälzle, FondsConsult

Mehr

Anhang 1.3: Minor Bankbetriebslehre (24 LP) Prüfungs - form KL 6 24

Anhang 1.3: Minor Bankbetriebslehre (24 LP) Prüfungs - form KL 6 24 Anhang 1: Nebenfach Betriebswirtschaftslehre 24 Anhang 1.1: Minor Accounting (24 ) Betriebswirtschaftliche Steuerlehre I Betriebswirtschaftliche Steuerlehre II International Taxation Internationale Rechnungslegung

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

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10.

Education Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! 11.10.2012 1 BI PLUS was wir tun Firma: BI plus GmbH Giefinggasse 6/2/7 A-1210 Wien Mail: office@biplus.at

Mehr

Digitale Transformation - Ihre Innovationsroadmap

Digitale Transformation - Ihre Innovationsroadmap Digitale Transformation - Ihre Innovationsroadmap Anja Schneider Head of Big Data / HANA Enterprise Cloud Platform Solutions Group, Middle & Eastern Europe, SAP User Experience Design Thinking New Devices

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

Vergleich verschiedener Optimierungsansätze

Vergleich verschiedener Optimierungsansätze Vergleich verschiedener Optimierungsansätze Inhaltsverzeichnis 1 Einleitung... 2 2 Welchen Nutzen schafft munio?... 3 3 Analysen... 3 3.1 Schritt 1: Optimierung anhand von Indizes... 3 3.2 Schritt 2: Manuell

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

Der SNB Entscheid zum Euro-Franken Kurs Eine retrospektive Analyse

Der SNB Entscheid zum Euro-Franken Kurs Eine retrospektive Analyse Der SNB Entscheid zum Euro-Franken Kurs Eine retrospektive Analyse Diethelm Würtz und Tobias Setz No. 2015-02 ETH Econohysics Working and White Papers Series Online at https://www.rmetrics.org/whitepapers

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

SAP HANA eine Plattform für innovative Anwendungen

SAP HANA eine Plattform für innovative Anwendungen SAP HANA eine Plattform für innovative Anwendungen Top Intelligence: Big Data & SAP HANA Zürich, Frankfurt, Hamburg, München, Mülheim/R Februar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder

Mehr

Die Renaissance von Unified Communication in der Cloud. Daniel Jonathan Valik UC, Cloud and Collaboration

Die Renaissance von Unified Communication in der Cloud. Daniel Jonathan Valik UC, Cloud and Collaboration Die Renaissance von Unified Communication in der Cloud Daniel Jonathan Valik UC, Cloud and Collaboration AGENDA Das Program der nächsten Minuten... 1 2 3 4 Was sind die derzeitigen Megatrends? Unified

Mehr

Big Data - Fluch oder Segen?

Big Data - Fluch oder Segen? mitp Professional Big Data - Fluch oder Segen? Unternehmen im Spiegel gesellschaftlichen Wandels von Ronald Bachmann, Guido Kemper, Thomas Gerzer 1. Auflage Big Data - Fluch oder Segen? Bachmann / Kemper

Mehr

Sprachtechnologie in der Wissenschaft: Digital-Turn in evidenzbasierter Bildungsforschung und -information

Sprachtechnologie in der Wissenschaft: Digital-Turn in evidenzbasierter Bildungsforschung und -information Sprachtechnologie in der Wissenschaft: Digital-Turn in evidenzbasierter Bildungsforschung und -information Iryna Gurevych Sprachtechnologie-Feuerwerk: Aktuelle Anwendungsbeispiele und Zukunftsvisionen

Mehr

Überblick. Seite 2 von 5

Überblick. Seite 2 von 5 Überblick Der ESEMOS MediaMiner ist ein Stimmungsbarometer und Monitoring-Werkzeug für soziale Netzwerke. MediaMiner zeichnet sich insbesondere durch die Sentiment-Analyse, die Spracherkennung sowie anspruchsvolle

Mehr

BIG DATA Impulse für ein neues Denken!

BIG DATA Impulse für ein neues Denken! BIG DATA Impulse für ein neues Denken! Wien, Januar 2014 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust The Age of Analytics In the Age of Analytics, as products and services become

Mehr

Modellierung eines Epidemie- Frühwarnsystems mit. Nicolas With Master Seminar WS 2012/13

Modellierung eines Epidemie- Frühwarnsystems mit. Nicolas With Master Seminar WS 2012/13 Modellierung eines Epidemie- Frühwarnsystems mit SocialMedia Mining Nicolas With Master Seminar WS 2012/13 Agenda Einstieg Motivation Abgrenzung Ziel Status Projekt 1 Projekt 2 Ausblick Chancen Risiken

Mehr

Sarmadi@kntu.ac.ir P- hdoroodian@gmail.com. shafaei@kntu.ac.ir BPOKM. 1 Business Process Oriented Knowledge Management

Sarmadi@kntu.ac.ir P- hdoroodian@gmail.com. shafaei@kntu.ac.ir BPOKM. 1 Business Process Oriented Knowledge Management Sarmadi@kntu.ac.ir P- hdoroodian@gmail.com shafaei@kntu.ac.ir -. - 1 Business Process Oriented Knowledge Management 1 -..» «.. 80 2 5 EPC PC C EPC PC C C PC EPC 3 6 ; ; ; ; ; ; 7 6 8 4 Data... 9 10 5 -

Mehr

on Azure mit HDInsight & Script Ac2ons

on Azure mit HDInsight & Script Ac2ons Willkommen beim #GAB 2015! on Azure mit HDInsight & Script Ac2ons Lokale Sponsoren: HansPeter Grahsl Netconomy Entwickler & Berater FH CAMPUS 02 Twi9er: @hpgrahsl Überblick Inhalte Was ist HDInsight? Wozu

Mehr

Welche Style-Indices treiben die Fondsperformance?

Welche Style-Indices treiben die Fondsperformance? Welche Style-Indices treiben die Fondsperformance? Ergebnisse für das Stoxx-Universum Elisabeth Stocker und Niklas Wagner Universität Passau Rüdiger Sälzle FondsConsult Research AG FondsConsult Investmentkonferenz

Mehr

Beachten Sie die Handels- und Risikohinweise auf den Seiten 3 und 4

Beachten Sie die Handels- und Risikohinweise auf den Seiten 3 und 4 DAX Buzz DAX Sentiment 8,6 8,6 5 8,4 1 % 8,4 8, 8, -5 Euro/US Dollar Buzz Euro/US Dollar Sentiment 1.36 1.36 5 1.34 1 % 1.34 1.32 1.32-5 Realtime-Daten und Updates auf s tockpuls e.de Stand: 27.8., :2

Mehr

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe

Sicherheit dank Durchblick. Thomas Fleischmann Sales Engineer, Central Europe Sicherheit dank Durchblick Thomas Fleischmann Sales Engineer, Central Europe Threat Landscape Immer wieder neue Schlagzeilen Cybercrime ist profitabel Wachsende Branche 2013: 9 Zero Day Vulnerabilities

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

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

Mehr

DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS

DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS DATA ANALYSIS AND REPRESENTATION FOR SOFTWARE SYSTEMS Master Seminar Empirical Software Engineering Anuradha Ganapathi Rathnachalam Institut für Informatik Software & Systems Engineering Agenda Introduction

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

R im Enterprise-Modus

R im Enterprise-Modus R im Enterprise-Modus Skalierbarkeit, Support und unternehmensweiter Einsatz Dr. Eike Nicklas HMS Konferenz 2014 Was ist R? R is a free software environment for statistical computing and graphics - www.r-project.org

Mehr

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Vortrag anlässlich der ODOK 2007 (20. September 2007, Graz) Joachim Pfister Schweizerisches

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

Competitive Intelligence & Social Media Identifikation relevanter Themen und Trends auf strategischer Ebene. Alexander Stumpfegger, Thomas Sammer

Competitive Intelligence & Social Media Identifikation relevanter Themen und Trends auf strategischer Ebene. Alexander Stumpfegger, Thomas Sammer Competitive Intelligence & Social Media Identifikation relevanter Themen und Trends auf strategischer Ebene Alexander Stumpfegger, Thomas Sammer Vortragende Alexander Stumpfegger Pattern Science AG a.stumpfegger@cid.biz

Mehr

Vorlesung Winter 2014/15 Prof. A. Müller

Vorlesung Winter 2014/15 Prof. A. Müller Vorlesung Winter 2014/15 Prof. A. Müller Silvia Jakob OPAC Fachportale ebook Pakete was ist drin!? link.pringer Adrian Müller Advanced Google query syntax / Blogsearch Frage-Antwort Systeme, Foren Microsoft

Mehr

DOCHOUSE und die Forschung: Der Wandel zum Enterprise 2.0

DOCHOUSE und die Forschung: Der Wandel zum Enterprise 2.0 DOCHOUSE und die Forschung: Der Wandel zum Enterprise 2.0 1 Universität Koblenz-Landau Universität Koblenz-Landau 3 Standorte: Campus Koblenz Campus Landau Präsidialamt in Mainz 8 Fachbereiche Fachbereiche

Mehr

Wir befinden uns inmitten einer Zeit des Wandels.

Wir befinden uns inmitten einer Zeit des Wandels. Wir befinden uns inmitten einer Zeit des Wandels. Geräte Apps Ein Wandel, der von mehreren Trends getrieben wird Big Data Cloud Geräte Mitarbeiter in die Lage versetzen, von überall zu arbeiten Apps Modernisieren

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

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

Marktpreismodelle für Optionen im internationalen Vergleich mit KNN

Marktpreismodelle für Optionen im internationalen Vergleich mit KNN Marktpreismodelle für Optionen im internationalen Vergleich mit KNN Rouven Wiegard wiegard@iwi.uni-hannover.de Königsworther Platz 1 D-30167 Hannover Gäste-, Doktoranden- und Diplomandenkolloquium Agenda

Mehr

Data Driven Performance Marketing

Data Driven Performance Marketing Data Driven Performance Marketing 2 INTRODUCTION ÜBER METAPEOPLE Sven Allmer seit 2009 bei metapeople Business Development Manager verantwortlich für New Business, Markt- und Trendanalysen, Geschäftsfeld-Entwicklung

Mehr

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar!

Clouds. Erwartungen der Nutzer. Wolkig bis Heiter. (c) 2013, Peter Sturm, Universität Trier. Er ist verwöhnt! Er ist nicht dankbar! Clouds Wolkig bis Heiter Erwartungen der Nutzer Er ist verwöhnt! Verfügbarkeit Viele Anwendungen Intuitive Interfaces Hohe Leistung Er ist nicht dankbar! Mehr! Mehr! Mehr! Moore 1 Erwartungen der Entwickler

Mehr

Living Lab Big Data Konzeption einer Experimentierplattform

Living Lab Big Data Konzeption einer Experimentierplattform Living Lab Big Data Konzeption einer Experimentierplattform Dr. Michael May Berlin, 10.12.2012 Fraunhofer-Institut für Intelligente Analyseund Informationssysteme IAIS www.iais.fraunhofer.de Agenda n Ziele

Mehr

amball business-software SharePoint 2010 think big start small Marek Czarzbon marek@madeinpoint.com

amball business-software SharePoint 2010 think big start small Marek Czarzbon marek@madeinpoint.com amball business-software SharePoint 2010 think big start small Marek Czarzbon marek@madeinpoint.com Agenda Dipl. Inf. Marek Czarzbon marek@madeinpoint.com [Tschaschbon] Software Architekt, Consulting Workflow

Mehr

Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services

Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services Beim Kunden wahrgenommene Qualität von IT-Services Ein wichtiger Faktor in der Beschaffung von Cloud Services BICCnet Arbeitskreistreffen "IT-Services" am 14. November bei fortiss Jan Wollersheim fortiss

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

Magento goes into the cloud Cloud Computing für Magento. Referent: Boris Lokschin, CEO

Magento goes into the cloud Cloud Computing für Magento. Referent: Boris Lokschin, CEO Magento goes into the cloud Cloud Computing für Magento Referent: Boris Lokschin, CEO Agenda Über symmetrics Unsere Schwerpunkte Cloud Computing Hype oder Realität? Warum Cloud Computing? Warum Cloud für

Mehr