Fakultät für Wirtschaftswissenschaften. Master-Thesis

Größe: px
Ab Seite anzeigen:

Download "Fakultät für Wirtschaftswissenschaften. Master-Thesis"

Transkript

1 Fakultät für Wirtschaftswissenschaften Master-Thesis Text Mining als Methode zur Wissensexploration: Konzepte, Vorgehensmodelle, Anwendungsmöglichkeiten Abschlussarbeit zur Erlangung des Grades eines Master of Sciences (M.Sc.) in Wirtschaftsinformatik der Hochschule Wismar eingereicht von: Ludwig Michael Seidel geboren am in Burgstädt Studiengang Wirtschaftsinformatik Matrikelnummer: Erstgutachter: Prof. Dr. Jürgen Cleve Zweitgutachter: Prof. Dr.-Ing. Uwe Lämmel Wismar, den 21. Februar 2013

2 Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis... III Tabellenverzeichnis... IV Abkürzungsverzeichnis... V 1 Einleitung Einordnung in die Wirtschaftsinformatik Unstrukturierte Daten und Big Data Business Intelligence und Text Mining Wissensmanagement und Text Mining Text Mining im Rahmen weiterer BI Anwendungsdomänen Competitive Intelligence Customer Relationship Management Enterprise Content Management Die Bedeutung von Text Mining für das Semantic Web Zusammenfassung Grundlagen des Text Mining Definitionsansätze des Text Mining Geschichte und Interdisziplinarität Konzepte im Rahmen des Text Mining Dokumentensammlung und Dokument Merkmalsselektion Benutzeroberfläche Modelle zur Vorgehensweise Algorithmen und Techniken Anwendungsbereiche von Text Mining Themen des Text Mining Document Classification...43 i

3 Inhaltsverzeichnis 4.3 Document Clustering Information Extraction Information Retrieval Natural Language Processing Zusammenfassung Anwendungen Dokumentenklassifikation im Rahmen des Wissensmanagement Nachrichtenzusammenfassungen durch NewsBlaster Automatische Klassifikation von RSS-Feeds für ein Informationsportal Anreicherung von Kundenprofilen in der Bankenbranche Integration von Text Mining in ein Metriksystem zur Qualitätsbewertung Auswerten von Störmeldungen in einem Customer Service Center Semantische Suche in Bibliothekskatalogen Schneller Zugriff auf relevante medizinische Befunde Weitere Einsatzgebiete und Anwendungsbeispiele Fazit und Ausblick ii

4 Abbildungsverzeichnis Abbildungsverzeichnis Abbildung 2.1 Geschätzte Wachstumsraten der verschiedenen Datenarten ([Ru07])... 4 Abbildung 2.2 Zusammensetzung der Daten im Datawarehouse 2007 und 2010 (geschätzt) 5 Abbildung 2.3 Wachstum der Datenmengen ([UW12], S. 12)... 6 Abbildung 2.4 Welche Informationstechnologien das Big-Data-Phänomen entstehen lassen ([UW12], S. 11)... 6 Abbildung 2.5 Die vier Dimensionen des Big Data ([SSS12], S. 5)... 7 Abbildung 2.6Merkmale von Big Data ([UW12], S. 19)... 8 Abbildung 2.7 Einordnung unterschiedlicher Facetten von Business Intelligence ([Gl01], S. 7)... 9 Abbildung 2.8 Klassifikation von BI Werkzeugen ([Ba06], S. 64)...10 Abbildung 2.9 Extracting Metadata from content and document management systems ([BK08], S. 139)...11 Abbildung 2.10 Integrierte Anwendungslandschaft mit traditionellen Systemen und Big Data Lösungen ([UW12], S. 28)...12 Abbildung 2.11 Softwaresysteme zum WM Prozess...14 Abbildung 2.12 KM consists of four main perspectives: Consulting, Content/Information, Technology Foundation, and Knowledge Management System (KMS). KMS includes data mining and text mining ([Ch01], S. 4)...15 Abbildung 2.13 Textdokumente in Kundenbeziehungen ([HR06a], S. 100)...18 Abbildung 2.14 Dokumentenlebenszyklus ([Bö07], S. 17)...20 Abbildung 2.15 Struktur für Web3.0 Ressourcen ([Ul10], S. 9)...21 Abbildung 3.1 A Venn Diagram of the intersection of text mining and six related fields (shown as ovals) ([Mi12], S. 31)...28 Abbildung 3.2 Example of a visualization tool - mapping concepts (keywords) within the context of categories by means of a category graph ([FS07], S. 11)...33 Abbildung 3.3 Iterative loop for user input and ouput ([FS07], S. 14)...34 Abbildung 3.4 Der Prozess des Text Mining ([HR06b], S. 288)...35 Abbildung 3.5 Text Mining Prozess ([Si06], S. 44)...36 Abbildung 4.1 Entscheidungsbaum zum Auffinden des Anwendungsbereichs in Hinblick auf Text Ressource und Projektziel ([Mi12], S. 33)...41 Abbildung 4.2 Beispiel für ein partitionierendes Clustering aus ([Ba13], S. 244)...46 Abbildung 4.3 Natural language system architecture for text mining for biology ([HW06])...52 iii

5 Abbildungsverzeichnis Abbildung 4.4 Visualizing the seven text mining practice areas (ovals) and how specific text mining tasks (labels with ovals) exist at their intersections ([Mi12], S. 38)...53 Abbildung 5.1 Webportal von KM DocTEr ([KQP03], S. 526)...56 Abbildung 5.2 Aufruf von NewsBlaster vom ([Ne13])...58 Abbildung 5.3 Zielprozess zur automatischen Klassifikation von RSS-Feeds im Überblick ([SS10], S. 98)...59 Abbildung 5.4 Häufige Terme innerhalb der Daueraufträge ([HR06a], S. 104)...61 Abbildung 5.5 Die Anreicherung der Kundendatenbank mit extrahierten Termen ([HR06a], S. 106)...62 Abbildung 5.6 8D Methode zur nachhaltigen Fehlerbeseitigung nach VDA ([UMB10], S. 1103)...63 Abbildung 5.7 Softwarekonzept von MeSys ([UMB10], S. 1106)...64 Abbildung 5.8 Ticketerfassung ([SS10], S. 94)...65 Abbildung 5.9 Suchergebnis für die Eingabe gone with the wind ([BGH12], S. 70)...67 Abbildung 5.10 Ausschnitt aus der elektronischen Krankenakte eines 2 1/2-jährigen Patienten mit über 300 Dokumenten ([HGE07])...69 iv

6 Tabellenverzeichnis Tabellenverzeichnis Tabelle 2.1 Aufgaben des Wissensmanagement Tabelle 2.2 Fragestellungen der Competitive Intelligence Tabelle 2.3 Einsatzpotenziale von Text Mining im CRM Tabelle 3.1 Anwendungsbereiche des Text Mining und ihre Aufgabenstellungen Tabelle 3.2 In Text Mining verwendete Algorithmen und ihre Anwendungsbebite ([Mi12], S. 34) Tabelle 4.1 Übersicht über Funktionsbereiche des Text Mining Tabelle 4.2 Text Mining Themen Anwendungsbereichen zugeordnet nach ([Mi12], S. 34). 42 Tabelle 5.1 Weitere Anwendungsgebiete für das Text Mining v

7 Abkürzungsverzeichnis Abkürzungsverzeichnis BI... Business Intelligence CE... Concept Extraktion CI... Competitive Intelligence CRM... Custom Relationship Management DM... Data Mining ECM... Enterprise Content Management ETL... Extraktion, Transformation, Laden HMM... Hidden Markov Modell HTML... Hypertext Markup Language IE... Information Extraction IR... Information Retrieval KDD... Knowledge Discovery in Databases KMS... Knowledge Management Systeme LSI... Latent Semantic Indexing MEMM... Maximum Entropy Markov Modell ML... Maschinelles Lernen NLP... Natural Language Processing OCR... Optical Character Recognition OWL... Web Ontology Language PDF... Portable Document Format RDF... Resource Description Framework RSS... Really Simple Syndication SPARQL... SPARQL Protocol And RDF Query Language SVD... Singular Value Decomposition SVM... Support Vector Machine TS... Text Summarization WM... Wissensmanagement XML... Extensible Markup Language vi

8 1 Einleitung 1 Einleitung "Text ist ein bedeutender Wissensrohstoff, der im Zeitalter des Internet in großen Mengen in digitaler Form zur Verfügung steht. Mit Hilfe von Text Mining kann das in Texten enthaltene Wissen strukturiert und teilweise automatisch extrahiert werden." ([HQW08], S. 1) Die rasch anwachsende Anzahl an Dokumenten und Texten in digitaler Form durch die Anwendung neuer Informationstechnologien (Web 2.0, Mobiles Computing) führt dazu, dass diese digitalen Dokumente immer mehr als Primärmedien für die Verarbeitung, Verbreitung und Verwaltung von Informationen verwendet werden. Ein Großteil der Informationen liegt in Form von Textdokumenten vor. Das Informationszeitalter erleichtert das Speichern von riesigen Datenmengen. Die Vermehrung der Dokumente im Internet, in Firmen Intranets, in News Wires und Blogs ist überwältigend. Obwohl so die Anzahl der zur Verfügung stehenden Daten ständig wächst, bleiben die Möglichkeiten, diese aufzunehmen und weiter zu verarbeiten beschränkt. Suchmaschinen verschärfen dieses Problem zusätzlich, da sie nur durch wenige Eingaben in die Suchmaske eine Vielzahl von Dokumenten zugänglich machen. Das Wissen über Kunden, Märkte und Wettbewerber wird ein immer wichtigerer Faktor für den Erfolg eines Unternehmens und ist aus dieser Dokumentenbasis zu extrahieren. Das Lesen und Verstehen von Texten zur Wissensgewinnung ist aber eine Domäne des menschlichen Intellekts, allerdings ist dieser kapazitiv beschränkt. Eine softwaretechnische Analyse durch einen weitgehend automatisierten Prozess der Gewinnung von neuem und potenziell nützlichem Wissen von Textdokumenten kann dieses Manko beseitigen. Text Mining gewinnt hierbei auf Grund der Fülle und des rasanten Wachstums von digitalen, unstrukturierten Daten immer mehr an Bedeutung. Text Mining ist eine Technik zum Extrahieren von neuem, dem Anwender noch unbekannten Wissen aus Texten und findet überall dort eine Anwendungsmöglichkeit, wo anstelle von in Datenbanken komprimierten, vorselektierten Eingabe von Daten, diese in Textform 1

9 1 Einleitung erfasst werden. Text Mining schafft die Möglichkeit, eine effiziente und strukturierten Informations- bzw. Wissensexploration durchzuführen. Die Methoden des Text Mining mittels statistischer und linguistischer Analyseverfahren bezwecken die Aufdeckung verborgener und interessanter Informationen oder Muster in unstrukturierten Textdokumenten, indem sie zum Einen die riesige Menge an Worten und Strukturen der natürlichen Sprache verarbeiten können und zum Anderen die Behandlung von unsicheren und unscharfen Daten ermöglichen. Nach Feldman/Sanger ist Text Mining als ein neues Forschungsgebiet ein vielversprechender Versuch dieses Problem der Überfrachtung mit Information durch die Verwendung von Techniken des Data Mining (DM), Maschinelles Lernen (ML), Computerlinguistik (Natural Language Processing, NLP), Information Retrieval (IR) und Wissensmanagement zu lösen ([FS07]). Ziel der Arbeit ist es, den Entwicklungsstand dieser Technologie darzustellen, Anwendungsmöglichkeiten zu erörtern und bereits vorhandene Anwendungen zu zeigen. Dabei liegen die Schwerpunkte sowohl auf den Themen der automatischen Datenvorverarbeitung und Textklassifikation als auch den Mining Methoden wie Klassifikation, Clustering und Informationsextraktion. Es werden die Definition des Text Mining, dessen Einordnung in die Wirtschaftsinformatik, seine Interdisziplinarität und praktische Anwendungsmöglichkeiten betrachtet. Um dies zu gewährleisten, wird zunächst die Bedeutung des Text Mining im Kontext der Wirtschaftsinformatik dargelegt, unstrukturierte Daten und Big Data unterschieden sowie Business Intelligence und Wissensmanagement in den Diskurs eingeführt. Anschließend werden die Grundlagen des Text Mining in Form von Definitionsansätzen, historischen Betrachtungen, seiner Interdisziplinarität und einigen speziellen Konzepten behandelt und Vorgehensmodelle betrachtet. Im Kapitel 4 werden verschiedene Themen und Aufgabenstellungen des Text Mining untersucht und unterteilt in Anwendungsbereiche detaillierter vorgestellt. Im nachfolgenden Kapitel werden schließlich Anwendungsmöglichkeiten des Text Mining in Bezug auf die Wirtschaftsinformatik vorgestellt, ehe im 6. und abschließenden Kapitel die wichtigsten Ergebnisse der Arbeit zusammengefasst werden und ein Ausblick auf zu erwartende weitere Entwicklungen des Text Mining im Kontext der Wirtschaftsinformatik gegeben wird. 2

10 2 Einordnung in die Wirtschaftsinformatik 2 Einordnung in die Wirtschaftsinformatik Im folgenden Kapitel wird die Bedeutung von Text Mining im Betrachtungsfeld der Wirtschaftsinformatik untersucht. Nach Laudon et al. ist die Wirtschaftsinformatik die "Wissenschaft, die sich mit der Beschreibung, Erklärung, Prognose und Gestaltung rechnergestützter Informationssysteme und deren Einsatz in Wirtschaft, Verwaltung [...] befasst. Sie versteht sich als eigenständiges interdisziplinäres Fach im Wesentlichen zwischen Betriebswirtschaftslehre und Informatik." ([LLS10], S. 62). Schwerpunkte bilden dabei die Einsatzmöglichkeiten im Bereich der Business Intelligence (BI), des Wissensmanagement, der Competitive Intelligence (CI) und des Customer Relationship Management (CRM). Dabei werden zunächst die sich verändernden technologischen Rahmenbedingungen im Bereich der Datengenerierung und ihre Auswirkungen auf die Unternehmen betrachtet. 2.1 Unstrukturierte Daten und Big Data Grundlage aller Reporting, Planungs-, Analyse- und Balanced-Scorecard- Anwendungen zur Entscheidungsunterstützung in Unternehmen sind die Data Warehouses, die ihre Daten aus verschiedenen operativen und externen Daten beziehen und in diesen strukturiert vorliegen. Auf Grund der immensen Fortschritte in Hardware und Software, der Verwendung mobiler Geräte und Einbeziehung des Internets führt zum vermehrten Auftreten semi-strukturierter (wie z.b. XML oder HTML Dateien) und unstrukturierter Daten wie Textdokumente, Memos, s, RSS-Feeds, Blogeinträge, Kurznachrichten wie Twitter, Forenbeiträge, Kommentare in Social Networks und Freitexteingaben in Formularen aber auch Bildern, Video und Audiodaten. Die Entwicklungen der Kommunikationstechnologien ermöglichen eine schnelle, einfache und auch mobile Eingabe von diesen Daten, die ein riesiges Repositorium bilden. Speziell treibt das Internet die Möglichkeiten unterschiedlichster Nutzer eine große Menge von Textdaten auf einfachen Weg zu erzeugen und zu speichern voran ([Ag12a]). 3

11 2 Einordnung in die Wirtschaftsinformatik Die Bedeutung unstrukturierter Daten lässt sich an ihrem Anteil auftretender Datenmengen bemessen. So schreibt Felden: "Unternehmen stehen vor der Herausforderung, die für sie relevanten Informationen in immer größeren Datenbeständen zu finden. 80 bis 90 % der Informationen eines Unternehmens liegen nicht in maschinell verarbeitbaren und damit strukturierten Daten vor, sondern in unstrukturierten, nicht unmittelbar maschinell verarbeitbaren Daten und somit in Dokumenten vor." ([Fe06a], S. 54) Manhart, Tan und Hotho et al. geben Werte zwischen 80% und 85% an ([Ma08]), ([Ta99]), ([HNP05]). Es gab in den letzten Jahren eine Reihe von Veröffentlichungen zur Bewertung des Verhältnisses zwischen strukturierten und unstrukturierten Daten und zur Schätzung der jeweiligen Wachstumsraten([SS10]). So ging der TDWI Research Report wie in Abbildung 2.1 zu sehen im Jahre 2007 von Wachstumsraten von 61 Prozent bis 81 Prozent für unstrukturierte Daten im Zeitraum bis 2010 aus ([Ru07]). Abbildung 2.1 Geschätzte Wachstumsraten der verschiedenen Datenarten ([Ru07]). Im Zuge des gleichen Berichts in Auswertung einer Befragung von Managern wurde auch die Zusammensetzung der Daten der verwendeten Data Warehouses und deren zukünftige Entwicklung untersucht. Das Ergebnis ist in Abbildung 2.2 zu sehen 4

12 2 Einordnung in die Wirtschaftsinformatik und zeigt die zunehmende Verdrängung der strukturierten Daten durch semistrukturierte und unstrukturierte Daten in einer großen Vielfalt. Abbildung 2.2 Zusammensetzung der Daten im Datawarehouse 2007 und 2010 (geschätzt) Generell ist festzustellen, dass sich nicht nur der Anteil unstrukturierter Daten sondern auch die absolute Menge der Daten erhöht. "Allein im [...] Jahr 2011 hat die Menschheit 1,8 Zettabyte neue Daten produziert [...]. Diese sind mehrheitlich unstrukturiert. Die wesentlichen Treiber sind soziale Medien, Video und mobiles Internet." ([Ma12], S. 16) Es gibt verschiedenen Ursachen für diese Datenmengen: zum einen führt die Entwicklungen in der Hardware wie immer günstigerer Speicher, größerer Rechenleistungen und hohe Mobilität, zum anderen beteiligen sich immer mehr 5

13 2 Einordnung in die Wirtschaftsinformatik Anwender an der (wenn auch zum Teil unbewussten) Kreierung von Daten u.a. in sozialen Netzwerken. Des Weiteren werden durch immer mehr Sensoren, Messdaten und Log-Protokollen automatisch Daten generiert. (Abbildung 2.3) Abbildung 2.3 Wachstum der Datenmengen ([UW12], S. 12) Im Juli 2011 nahm Gartner den Begriff "Big Data" zum ersten Mal in seinen "Hype Cycle" zur Bewertung neuer Technologien auf. Mit diesem Begriff ist die Frage verbunden, wie die Unternehmen den Umgang mit immer größeren zumeist unstrukturierten Daten bewältigen können. Haupttreiber dieser Entwicklung sind nach Urbanski/Weber mobile Apps, Social Media, Sensordaten und Cloud Computing ([UW12], S. 11). Abbildung 2.4 stellt diesen Zusammenhang übersichtlich dar. Abbildung 2.4 Welche Informationstechnologien das Big-Data-Phänomen entstehen lassen ([UW12], S. 11) 6

14 2 Einordnung in die Wirtschaftsinformatik Mit dem Begriff Big Data sind aber nicht nur die großen anfallenden Datenmengen sondern auch die Technologien diese zu nutzen verbunden. "Big Data bezeichnet die Analyse großer Datenmengen aus vielfältigen Quellen in hoher Geschwindigkeit mit dem Ziel, wirtschaftlichen Nutzen zu erzeugen." ([UW12], S. 7) Gartner definiert in seinem IT-Glossary Big Data als eine durch großen Umfang, kurze Aktualität und Vielfalt gekennzeichnete Datenmenge, die kosteneffiziente, innovative Formen der Datenverarbeitung erfordert um diese zu analysieren und für Entscheidungsfindungen zu nutzen. Die drei Begriffe Volume, Velocity und Variety werden in verschiedenen Publikationen auch als die drei großen V des Big Data bezeichnet. IBM hat in einer Studie im Oktober 2012 zu Big Data ein weiteres V hinzugefügt: Veracity (Wahrhaftigkeit) (Abbildung 2.5) ([SSS12]). Damit soll nicht nur die Unsicherheit des Wahrheitsgehalts von Informationen aus sozialen Netzwerken sondern auch die Wahrscheinlichkeiten des Eintretens von prognostizierten Ereignissen berücksichtigt werden (wie zum Beispiel Wettervorhersagen für ein Energieunternehmen). Abbildung 2.5 Die vier Dimensionen des Big Data ([SSS12], S. 5) 7

15 2 Einordnung in die Wirtschaftsinformatik Abbildung 2.6 zeigt, dass Urbansky/Weber unter dem Begriff Analytics die Methoden zur möglichen Erkennung und Nutzung von Mustern, Zusammenhängen und Bedeutungen Big Data zurechnen. Abbildung 2.6 Merkmale von Big Data ([UW12], S. 19) In den nächsten Abschnitten wird untersucht, welche Auswirkungen diese neue Entwicklungen und Anforderungen an Business Intelligence und andere in der Wirtschaftsinformatik betrachtete Fachgebiete haben. 2.2 Business Intelligence und Text Mining Die große Definitionsvielfalt für den Begriff Business Intelligence (BI) ist sicherlich historisch bedingt und durch verschiedene Sichtweisen wie in Abbildung 2.7 dargestellt gekennzeichnet. Text Mining ist hier im engeren Sinne mit einem Analyseorientierten Ansatz verknüpft, während ein weiteres BI-Verständnis weitere Definitionsperspektiven erlaubt. Die Diskussion zeigt, dass dabei das weite BI-Verständnis mehr und mehr als das grundlegende angesehen wird. So definieren Kemper et al. BI als " einen integrierten, unternehmensspezifischen, IT-basierten Gesamtansatz zur betrieblichen Entscheidungsunterstützung" ([KBM10], S. 9). Dabei ist zu beachten, dass dieser Ansatz für das jeweilige Unternehmen konkretisiert werden muss und nur einen Ordnungsrahmen liefern kann. Kemper et al. haben einen dreischichtigen Ordnungsrahmen mit den Layern Datenbereitstellung, Informationsgenerierung und 8

16 2 Einordnung in die Wirtschaftsinformatik distribution und Informationszugriff definiert([kbm10], S. 11). Dabei sind die Analysesysteme der zweiten Schicht zugeordnet. Abbildung 2.7 Einordnung unterschiedlicher Facetten von Business Intelligence ([Gl01], S. 7) Es besteht das Ziel, alle Wirkungszusammenhänge und Mechanismen, die für das Unternehmen von Bedeutung sind, durch gezielte Untersuchung der vorhandenen Datenbestände zu entdecken und zu verstehen. Dafür ist es notwendig, unterschiedliche Konzepte und Systeme stärker miteinander zu verknüpfen, wie beispielweise die Integration einer Analyse sowohl strukturierter und eben auch unstrukturierter Datenbestände. ([Gl01], S. 14) Da nun der Anteil der unstrukturierter Daten überproportional ansteigt liegt ein Schwerpunkt in der Integration von BI- Analysetools die auf Text Mining basieren, denn wie Felden feststellt, ist das "Ziel des Text Mining [ ] die Aufbereitung unstrukturierter Daten, wodurch es eben auch für Business-Intelligence-Anwendungen verwendbar ist. Es lassen sich Chancen und Risiken für ein Unternehmen erkennen und Entscheidungsprozesse unterstützen" ([Fe06b], S. 284). Somit werden völlig neue Anforderungen an die etablierten BI-Methoden gestellt: einerseits müssen unstrukturierte Daten in BI- Systeme eingebunden werden und andererseits auch ausgewertet werden. Dies erfordert neue Verfahren und Technologien, denn es werden nicht nur Fakten, sondern auch kontextbezogenen Informationen geliefert ([SS10], S. 91). 9

17 2 Einordnung in die Wirtschaftsinformatik In seiner Untersuchung von Werkzeugen für Business Intelligence klassifiziert Bange diese in Backend (Datenbereitstellung), Frontend (Informationsgenerierung und Informationsverarbeitung) und Querschnittsaufgaben. Dabei zählen die Analysetools, zu denen auch das Text Mining zuzuordnen ist, zu den Frontendwerkzeugen: "Neuerdings werden die Verfahren zur Klassifikation, Segmentierung und Assoziierung auch auf unstrukturierten Daten im Text Mining angewendet" ([Ba06], S. 72). Abbildung 2.8 stellt die Werkzeuge für BI und deren Klassifikation nach Bange übersichtlich dar. Abbildung 2.8 Klassifikation von BI Werkzeugen ([Ba06], S. 64) Martin begründet die Notwendigkeit neuer Analyseverfahren zur systematischen Auswertung von Big Data wie Text Mining, Textanalytik und Linguistik mit dem Scheitern der klassischen BI-Werkzeuge an Big Data ([Ma12], S. 17). Ursachen sind seiner Ansicht nach sind die für relationale Datenbanken zu großen Datenmengen, ein zu langsamer ETL-Prozess (Extraktion, Transformation, Laden) in Data Warehouses und Data Marts und die nicht vorhandene Kompatibilität zur Datenvielfalt. Kemper/Baars hatten 2006 in ihrem BI-Ordnungsrahmen die Verarbeitung unstrukturierter Daten den Systemen zur Wissensdistribution und Wissensbereitstellung in der zweiten Schicht (Logik) zugeordnet und faktisch als Aufgabe für üblicherweise dem Wissensmanagement zugeordneten Funktionen wie 10

18 2 Einordnung in die Wirtschaftsinformatik Information Retrieval und Text Mining deklariert ([KB06], S. 10 ff.). Diesen Ordnungsrahmen haben sie 4 Jahre später dahingehend verändert, dass sie zum einen die zweite Schicht von Logik in Informationsgenerierung / -distribution umbenannt haben, zum anderen aber die Integration der unstrukturierten Daten aus Content/Document Management in die Datenbasis bereits der ersten Schicht zugeordnet haben. Baars/Kemper schlagen dabei die in Abbildung 2.9 dargestellten Schritte zur Aufbereitung unstrukturierter Inhalte unter Verwendung von Text-Mining- Werkzeugen für die integrierte Analyse vor ([BK08]). Hier ist zu erkennen, dass unstrukturierte Daten mittels ihrer Metadaten durch einen ETL Prozess in das Data Warehouse integriert werden sollen. Die Metadaten werden entweder direkt aus dem ECM (hier Content and Document Management) extrahiert oder erst mit Text Mining Verfahren generiert (hier Content Analysis). Abbildung 2.9 Extracting Metadata from content and document management systems ([BK08], S. 139) Kemper/Baars weisen allerdings auch darauf hin, dass dieser Ansatz mit einem erheblichen manuellen Aufwand verbunden ist und mit der Einbeziehung immer größerer Datenmengen noch wächst ([KBM10], S. 122). Die Größe des Aufwands nimmt mit der Abnahme der Struktur von Daten und Kontext der Erstellung zu. Das betrifft zum Beispiel die Analyse von Kunden s oder Blogeinträgen. Für BI-Systeme besteht die Notwendigkeit, die neuen Datenquellen und deren Analyse, zu deren Methoden auch Text Mining gehört, wie in Abbildung 2.10 zu integrieren. Einige Hersteller von Business Intelligence Lösungen stellen bereits Text Mining Tools in ihren Produkten zur Verfügung. Eine Marktuntersuchung der Zeitschrift ERP-Management von 2011 kommt zu dem Ergebnis, dass 17 % der untersuchten 47 Lösungen Text Mining-Funktionen anbieten ([ES11]). 11

19 2 Einordnung in die Wirtschaftsinformatik Abbildung 2.10 Integrierte Anwendungslandschaft mit traditionellen Systemen und Big Data Lösungen ([UW12], S. 28) Somit erweist sich die Integration von Text Mining Tools in die Analysesysteme als wichtiger Ansatz zur Bewältigung der sich aus Big Data ergebenden neuen Anforderungen an BI-Systeme. 2.3 Wissensmanagement und Text Mining BI kann auch als organisationsspezifisches Konzept verstanden werden, dessen Hauptaufgabe darin besteht Informationen zu generieren, zu speichern, zu recherchieren, zu analysieren, zu interpretieren und im Unternehmen zu verteilen. Ähnliche Aufgaben hat das Wissensmanagement (WM) zu erfüllen, nur steht hier nicht die Information sondern das Wissen im Mittelpunkt. So definieren Abts/Mülder Wissensmanagement als den gesamten Prozess zur systematischen Gewinnung, Strukturierung, Darstellung, Verteilung, Suche und Speicherung von Wissen. ([AM11], S. 238). Wissen ist eine wichtige und wertvolle Ressource.In Unternehmen spielt der gezielte Umgang mit Wissen eine zunehmend wichtige Rolle für die Effektivität und Effizienz. Aufgabe des WM ist es, das Wissen der Mitarbeiter, das für das Unternehmen relevant ist, zu erfassen, zu strukturieren, zur Verfügung zu stellen und es zum Nutzen des Unternehmens zu nutzen, oder wie es Peris et al. formulieren: 12

20 2 Einordnung in die Wirtschaftsinformatik "Wissen wird zu einer immer wichtigeren und wertvolleren Ressource im Unternehmen. Gerade bei komplexen Themen ist es hochrelevant, Expertenwissen, das oftmals als implizites Wissen (auch»tacit knowledge«) vorliegt, zu erfassen und nachhaltig zu nutzen." ([PBN11], S. 28) Heyer et al. definieren fünf Aufgaben des Wissensmanagement: ([HQW08], S. 2) Aufgaben des Wissensmanagement Erschließen von Wissen (Erfahrungen, Best Practices) für alle, die dieses im Rahmen ihrer organisatorischen Rolle benötigen. Verfügbarmachen von Wissen am Ort und zur Zeit der Entscheidung. Erleichtern des effektiven und effizienten Entwickelns von neuem Wissen. Sicherstellen, dass jeder in der Organisation weiß, wo Wissen verfügbar ist. Umsetzen dieser Kompetenzen in neue Produkte und Dienstleistungen Tabelle 2.1 Aufgaben des Wissensmanagement Der Prozess des WM ist ein Zyklus, der aus mehreren Schritten besteht: er beginnt mit der Definition von Wissenszielen und endet mit der Gegenüberstellung dieser mit den Ergebnissen der Wissensbewertung. Die Schritte sind im Einzelnen die Wissensgewinnung, dies Wissensstrukturierung, die Wissensdarstellung, die Wissensverteilung, die Wissensnutzung und die Wissensspeicherung. ([AM11], S. 239 f.) Im ersten Schritt steht das Erschließen von Wissen im Vordergrund, eine Wissensexploration mit dem Ziel, sowohl das implizite Wissen einzelner Mitarbeiter, ganzer Kollektive aber auch das in Datenbanken und Dokumentenbeständen enthaltene Wissen des Unternehmens zu identifizieren. Damit das Wissen in verschiedenen Formen (z.b. semantische Netze, Taxonomien, Ontologien, Wikis, Webportale) repräsentiert werden muss das Wissen unter Verwendung von Schlagworten, Suchbegriffen, Hyperlinks und Ablagesystematiken geordnet und strukturiert werden. Die Verteilung des Wissens ist die Voraussetzung für eine unternehmensweite Nutzung dieses Wissens. Die oben genannten Darstellungsformen werden durch den Einsatz von Internet und Intranet verbreitet und ermöglichen so den Einsatz des Wissens durch die Mitarbeiter. Die Wissensspeicherung hat nicht nur die Aufgabe das explizite Wissen in Datenbanken zu speichern, sondern wacht auch über die Aktualität des Wissens, um zu garantieren, dass veraltetes Wissen gelöscht bzw. archiviert wird. 13

21 2 Einordnung in die Wirtschaftsinformatik Ähnliche Modelle beschreiben Bodendorf und Gabriel/Dittmar (Abbildung 2.10), sie bestehen aus weniger Schritten, haben aber dieselbe prinzipielle Aussagekraft, da auch hier der Prozess als Kreislauf und die Interaktion zwischen den einzelnen Phasen betrachtet wird ([Bo06], S. 133 ff.),([gd01], S. 23). Abbildung 2.11 Softwaresysteme zum WM Prozess In Abbildung 2.11 wird der Begriff Text Mining in Bezug auf Wissensidentifikation verwendet. Wie bereits oben erläutert, ist ein Teil des zu generierenden Wissens in Dokumentenbeständen vorhanden, exploriert werden kann es durch Text Mining Methoden. Heyer et al. schreiben dazu: "Text Mining ist ein zukunftsträchtiger Ansatz zur Bewältigung von wesentlichen Teilaufgaben des Wissensmanagements. Im Mittelpunkt steht dabei eine explorative Analyse von Texten, mit denen die Arbeitsproduktivität von Fachkräften in wissensintensiven Wertschöpfungsketten erhöht werden kann." ([HQW08], S. 7) Text Mining Tools können aber auch in anderen Prozessschritten eingesetzt werden: In der Wissensstrukturierung können diese für Klassifizierungsvorgänge und eine Anreicherung von Wissen mit Schlagwörtern genutzt werden. Die für die Wissensdarstellung benötigten Ontologien und Knowledge Maps können mit Hilfe von Text Mining kreiert werden. 1 1 Die zugrunde liegenden Vorgehensweisen werden in Kapitel 2.5 beschrieben. 14

22 2 Einordnung in die Wirtschaftsinformatik Der WM Prozess wird durch unterschiedliche computergestützte Systeme zur Sammlung, Organisation, Verteilung und Nutzung von Wissen unterstützt diese werden unter dem Oberbegriff der Knowledge Management Systeme (KMS) subsumiert. Dieser technische Aspekt ist nur eine Betrachtungsweise des WM, dessen Umfang wesentlich komplexer ist. Eine interessante Unterteilung in die vier Perspektiven Tech Foundation, Consulting, Content/Info und KMS schlägt Chen 2001 wie in Abbildung 2.12 gezeigt vor: Abbildung 2.12 KM consists of four main perspectives: Consulting, Content/Information, Technology Foundation, and Knowledge Management System (KMS). KMS includes data mining and text mining ([Ch01], S. 4) Zu dieser Zeit war Text Mining ein noch neuer Begriff und der Fokus seines Einsatzes lag allein auf der Analyse von unstrukturierten Datenbeständen (Daten die vom Data Mining nicht berücksichtigt wurden). Dennoch ist zu erkennen welche wichtige Rolle Chen dem Text Mining im WM-Kontext zumisst. Kemper/Baars haben 2006 dem WM zugeordnete Systemkomponenten in die zweite Schicht des BI Ordnungsrahmen eingeordnet und eine wechselseitige Integration von Analyse- und WM-Systemen vorgeschlagen, um einerseits unstrukturierte Datenbestände aufzubereiten und bereit zu stellen und andererseits das in Analysen gewonnene Wissen zu verteilen (siehe Abschnitt 2.1). Gabriel/Dittmar stellen fest, dass ein BI-System der Zukunft sich dadurch auszeichnet, dass es innovative und konventionelle Technologien unter einer einheitlichen Oberfläche integriert und somit den Anforderungen des Knowledge 15

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

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

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

MASTER FERNSTUDIENGANG WIRTSCHAFTSINFORMATIK

MASTER FERNSTUDIENGANG WIRTSCHAFTSINFORMATIK MASTER FERNSTUDIENGANG WIRTSCHAFTSINFORMATIK STUDIENBRIEF: MODUL: Semester IV Spezialisierung Wissensmanagement: Wissensbasierte Systeme AUTOR: Prof. Dr.-Ing. Uwe Lämmel 2 IMPRESSUM IMPRESSUM WINGS Wismar

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

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

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

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

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation

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

Neue Strategien und Innovationen im Umfeld von Kundenprozessen

Neue Strategien und Innovationen im Umfeld von Kundenprozessen Neue Strategien und Innovationen im Umfeld von Kundenprozessen BPM Forum 2011 Daniel Liebhart, Dozent für Informatik an der Hochschule für Technik Zürich, Solution Manager, Trivadis AG Agenda Einleitung:

Mehr

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

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

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 392

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 392 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 392 Social Business Intelligence: Entwicklung, Architekturen und Perspektiven

Mehr

Content Management Systeme auf dem Weg zum Semantic Web

Content Management Systeme auf dem Weg zum Semantic Web Content Management Systeme auf dem Weg zum Semantic Web Semantic Web baut auf der Anreicherung bestehender Datenbestände mit strukturierten Metadaten auf. Um die vieldiskutierten Vorteile von Semantic

Mehr

Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de

Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de Nur jetzt! Jubiläumsabo März / April 2012 Jubiläumsausgabe #1-12 Deutschland Euro 12,00 ISSN: 1864-8398 www.dokmagazin.de Enterprise Search Strategien für Erfolg Dokumentenmanagement mit SharePoint: Neue

Mehr

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

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

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

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

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer

unter Verwendung von Folien von Herrn Prof. Dr. Flensburg, von Laudon/Laudon/Schoder und von Frau Prof. Dr. Schuhbauer Knowledge Management Wissensmanagement 0. Produktionsfaktoren 1. Data Information Knowledge 2. Knowledge representation Wissensdarstellung 3. Interfaces to artificial intelligence 4. Knowledge management

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

Information Workbench Linked Data-Anwendungen im Unternehmen. Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations

Information Workbench Linked Data-Anwendungen im Unternehmen. Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations Information Workbench Linked Data-Anwendungen im Unternehmen Leipziger Semantic Web Tag, 5.5.2011 Peter Haase, fluid Operations Agenda Linked Data im Unternehmen Herausforderungen Die Information Workbench

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

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

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data: Nutzen und Anwendungsszenarien. CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data: Nutzen und Anwendungsszenarien CeBIT 2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data steht für den unaufhaltsamen Trend, dass immer mehr Daten in Unternehmen anfallen und von

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

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

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES]

Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] NOW YOU KNOW [ SERIES] Business Intelligence Mehr Wissen und Transparenz für smartes Unternehmens- Management [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Potential ontologiebasierter Wissens- Lösungen

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

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaften

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

Social Media Datennutzung im Customer Relationship Management

Social Media Datennutzung im Customer Relationship Management Social Media Datennutzung im Customer Relationship Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B. Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

Mehr

Marktforschungsstudie Spiegel ECM Status 2008 und Ausblick 2010

Marktforschungsstudie Spiegel ECM Status 2008 und Ausblick 2010 Spiegel ECM Marktforschungsstudie Spiegel ECM 1 Anwender vs. Hersteller oder welche Angebote spiegeln die Bedürfnisse der Anwender wirklich? 2 Christoph Tylla, Analyst Guido Schmitz, Mitglied des Vorstandes

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

Einstieg in Text Analytics

Einstieg in Text Analytics , Einstieg in Text Analytics Einstieg in Text Analytics Von der Datenquelle zum Bericht und darüber hinaus... KSFE in Dresden, 09.03.2012 2012 GmbH ist IT Dienstleister für Business Intelligence und Datenanalyse

Mehr

Top 10 der Business Intelligence-Trends für 2014

Top 10 der Business Intelligence-Trends für 2014 Top 10 der Business Intelligence-Trends für 2014 Das Ende der Datenexperten. Datenwissenschaft kann künftig nicht nur von Experten, sondern von jedermann betrieben werden. Jeder normale Geschäftsanwender

Mehr

SOA im Zeitalter von Industrie 4.0

SOA im Zeitalter von Industrie 4.0 Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING

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

Kapitel 1 Überblick Content Management und Digitale Bibliotheken

Kapitel 1 Überblick Content Management und Digitale Bibliotheken Kapitel 1 Überblick Content Management und Digitale Bibliotheken Prof. Dr.-Ing. Stefan Deßloch Geb. 36, Raum 329 Tel. 0631/205 3275 dessloch@informatik.uni-kl.de 1 Überblick Was ist Content? Daten, Dokumente,

Mehr

inxire Enterprise Content Management White Paper

inxire Enterprise Content Management White Paper inxire Enterprise Content Management White Paper inxire Enterprise Content Management Einleitung Die Informationstechnologie spielt eine zentrale Rolle für den Informationsaustausch und die Zusammenarbeit

Mehr

Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014

Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014 Digital Customer Experience Notwendiges Übel oder überlebenswichtige Notwendigkeit? Datalympics, 2. Juli 2014 Digitale Realität Die Welt verändert sich in rasantem Tempo Rom, Petersplatz, März 2013 Franziskus

Mehr

Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen

Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen NOW YOU KNOW [ SERIES] Ontologie Sinn, Zweck und Mehrwert für Ihr Unternehmen [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 002 Ontologie und deren Bedeutung für die Unternehmen von heute Der Begriff der Ontologie

Mehr

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

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

Wird BIG DATA die Welt verändern?

Wird BIG DATA die Welt verändern? Wird BIG DATA die Welt verändern? Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Big Data Entmythisierung von Big Data. Was man über Big Data wissen sollte. Wie

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

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

DSpace 5 und Linked (Open) Data. Pascal-Nicolas Becker Technische Universität Berlin German DSpace User Group Meeting 2014 Berlin, 28.

DSpace 5 und Linked (Open) Data. Pascal-Nicolas Becker Technische Universität Berlin German DSpace User Group Meeting 2014 Berlin, 28. DSpace 5 und Linked (Open) Data Pascal-Nicolas Becker Technische Universität Berlin German DSpace User Group Meeting 2014 Berlin, 28. Oktober 2014 Ausblick: DSpace 5 Metadaten für alle Objekte (Collections,

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

Trends in der IT-Dienstleistung

Trends in der IT-Dienstleistung Trends in der IT-Dienstleistung Dr. Kyrill Meyer Forum IT-Dienstleisterkreis Chemnitz 16. September 2009 Kurzvorstellung Die Professur (BIS) besteht am der Universität Leipzig seit dem Wintersemester 2000/2001

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

Wissensvisualisierung auf der Basis von XML Topic Maps. Ronald Melster (ronald.melster@first.fraunhofer.de)

Wissensvisualisierung auf der Basis von XML Topic Maps. Ronald Melster (ronald.melster@first.fraunhofer.de) Wissensvisualisierung auf der Basis von XML Topic Maps Ronald Melster (ronald.melster@first.fraunhofer.de) Structure meets Chaos! Wissensmanagement für die Softwarebranche Elicitation und Knowledge Retrieval

Mehr

Rainer Klapper QS solutions GmbH

Rainer Klapper QS solutions GmbH Rainer Klapper QS solutions GmbH Der Handlungsbedarf Die CRM-Welt ist umgeben von Social Media Foren Communities Netzwerke CRM Blogs Fehlende Prozessintegration wird zunehmend zum Problem Wir bauen Brücken

Mehr

Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014. Martin Böhn, Head of CRM, Senior Analyst

Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014. Martin Böhn, Head of CRM, Senior Analyst Mehr Wissen über Kunden und Leistungen Daten und Prozesse verbinden CeBIT, Hannover, 10.03.2014 Martin Böhn, Head of CRM, Senior Analyst CRM in der heutigen Praxis: Kampf Vor-Ort- Termine Prospekte, Beispiele

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

1 Zusammenfassung/Summary

1 Zusammenfassung/Summary 1 Zusammenfassung/Summary Zusammenfassung: Wissensdatenbanken gewinnen zunehmend an Bedeutung, wenn es darum geht, die Informationen, die ungeordnet in einem Unternehmen vorliegen, zu strukturieren und

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

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor auf Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Herausforderungen des Continuous Auditing im Big Data Umfeld

Herausforderungen des Continuous Auditing im Big Data Umfeld Herausforderungen des Continuous Auditing im Big Data Umfeld Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

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

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

Mehr

Projekt-/Praxisseminare Sommersemester 2014

Projekt-/Praxisseminare Sommersemester 2014 Lehrstuhl Dr. Max Mustermann Wirtschaftsinformatik I - Informationssysteme Referat Kommunika/on & Marke/ng FAKULTÄT Verwaltung FÜR WIRTSCHAFTSWISSENSCHAFTEN Projekt-/Praxisseminare Sommersemester 2014

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

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Macht Knowledge- Management Unternehmen effizienter?

Macht Knowledge- Management Unternehmen effizienter? Macht Knowledge- Management Unternehmen effizienter? Karl-Heinz Plünnecke Geschäftsführer H.U.T GmbH 1 Software Performance Entwicklung Performance Was dann? ecommerce ERP SCM CRM Zeit 2 1 Noch Potential?

Mehr

Big Data Plattformen für polystrukturierte Daten neue Chancen und Herausforderungen

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

Mehr

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 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

Thema der Arbeit. Arbeitsplatz der Zukunft: Wissensmanagement auf Basis eines sozialen Netzwerkes. Bachelorarbeit

Thema der Arbeit. Arbeitsplatz der Zukunft: Wissensmanagement auf Basis eines sozialen Netzwerkes. Bachelorarbeit Thema der Arbeit Arbeitsplatz der Zukunft: Wissensmanagement auf Basis eines sozialen Netzwerkes Bachelorarbeit Zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit Universität Passau Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth Masterarbeit "Identifikation von Erfolgsfaktoren für eine Facebook- Recruiting-Strategie"

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

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

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

Mehr

Maximieren Sie Ihr Informations-Kapital

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

Mehr

Lehrgebiet Informationssysteme

Lehrgebiet Informationssysteme Lehrgebiet AG Datenbanken und (Prof. Michel, Prof. Härder) AG Heterogene (Prof. Deßloch) http://wwwlgis.informatik.uni-kl.de/ Was sind? Computergestützte Programmsysteme, die Informationen erfassen, dauerhaft

Mehr

Aktuelle Abschlussarbeiten

Aktuelle Abschlussarbeiten Aktuelle Abschlussarbeiten Aktuelle Abschlussarbeiten 1 Projektmanage- ment- Grundlagen 2 Angewandte Projektmanagement- Methoden 3 Prozessmanagement 4 Potentiale moderner IT-Technologien 5 IT- Lösungen

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

2 Situation heute - Notwendigkeit für Unternehmen

2 Situation heute - Notwendigkeit für Unternehmen 1 Einleitung Ich möchte heute zu Social Software im Unternehmen sprechen. Dazu erläutere ich was Social Software sind? Meinen Schwerpunkt möchte ich dabei auf das Wissensmangement im Unternehmen legen.

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Datenmodelle im Kontext von Europeana. Stefanie Rühle (SUB Göttingen)

Datenmodelle im Kontext von Europeana. Stefanie Rühle (SUB Göttingen) Datenmodelle im Kontext von Europeana Stefanie Rühle (SUB Göttingen) Übersicht Datenmodelle RDF DCAM ORE SKOS FRBR CIDOC CRM Datenmodelle "Datenmodellierung bezeichnet Verfahren in der Informatik zur formalen

Mehr

Content Management Systeme

Content Management Systeme Content Management Systeme Im Rahmen der Lehrveranstaltung PTI991 - Wissensmanagementsysteme Sebastian Thiele Überblick 1. Begriffsdefinition 2. Aufbau von CM-Systemen 3. Die Komponenten im Überblick 4.

Mehr

Intelligent Traveller Early Situation Awareness itesa

Intelligent Traveller Early Situation Awareness itesa Intelligent Traveller Early Situation Awareness itesa Dr. Martin Skorsky, Senior Researcher 22. Juni 2015 1 1 Intelligent Traveller Early Situation Awareness Automatischen Alarmsystems, das Reisende in

Mehr

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen

Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung

Mehr

Dr. Stefan Wess, Geschäftsführer

Dr. Stefan Wess, Geschäftsführer Dr. Stefan Wess, Geschäftsführer Wirtschaftliche Aspekte der Suchtechnologie: Es geht um (viel) mehr als (nur) Die richtige Information zur richtigen Zeit bei der richtigen Person 4 Dr. Stefan Wess 11.

Mehr

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

IMPULS AM VORMITTAG. Smart Grids 2.0, Österreich als Leitmarkt und Leitanbieter 27. Februar 2014

IMPULS AM VORMITTAG. Smart Grids 2.0, Österreich als Leitmarkt und Leitanbieter 27. Februar 2014 IMPULS AM VORMITTAG Smart Grids 2.0, Österreich als Leitmarkt und Leitanbieter 27. Februar 2014 INHALTE Teradata? Wer sind denn die überhaupt? Big Data? Wirklich? Wo? Die vorgegebenen Impulsfragen: 1.

Mehr

Social-CRM (SCRM) im Überblick

Social-CRM (SCRM) im Überblick Social-CRM (SCRM) im Überblick In der heutigen Zeit ist es kaum vorstellbar ohne Kommunikationsplattformen wie Facebook, Google, Twitter und LinkedIn auszukommen. Dies betrifft nicht nur Privatpersonen

Mehr

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

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

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

Analytisches CRM und Data Mining

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

Mehr

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

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

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

Ab in den Himmel: Was kommt jenseits der Cloud? 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014

Ab in den Himmel: Was kommt jenseits der Cloud? 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014 Ab in den Himmel: Was kommt jenseits der Cloud? 1 20 R. Altenhöner Ab in den Himmel: Was kommt jenseits der Cloud? 04.6.2014 Bibliothekartag 2014 Inhalt 1. Einleitung / Motivation 2. Cloud ein bisschen

Mehr

Online-Marketing von Destinationen am Beispiel der Nordeifel Tourismus GmbH

Online-Marketing von Destinationen am Beispiel der Nordeifel Tourismus GmbH Fachbereich VI Geographie/Geowissenschaften Freizeit- und Tourismusgeographie B a c h e l o r a r b e i t zur Erlangung des akademischen Grades Bachelor of Science [B.Sc.] Online-Marketing von Destinationen

Mehr