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

Text-Mining: Einführung

Text-Mining: Einführung Text-Mining: Einführung Claes Neuefeind Fabian Steeg 22. April 2010 Organisatorisches Was ist Text-Mining? Definitionen Anwendungsbeispiele Textuelle Daten Aufgaben u. Teilbereiche Literatur Kontakt Sprechstunde:

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

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

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

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,

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

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

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

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

!!!!T!!! Systems!() Multimedia Solutions

!!!!T!!! Systems!() Multimedia Solutions Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte

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

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

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

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

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

Zeitgemäße Verfahren für ganzheitliche Auswertungen

Zeitgemäße Verfahren für ganzheitliche Auswertungen Intelligente Vernetzung von Unternehmensbereichen Zeitgemäße Verfahren für ganzheitliche Auswertungen Sächsische Industrie- und Technologiemesse Chemnitz, 27. Juni 2012, Markus Blum 2012 TIQ Solutions

Mehr

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor

Diplomarbeit. gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung im iranischen Automotive Sektor Hochschule Harz Wernigerode Fachbereich Wirtschaftswissenschaften Studiengang Wirtschaftsinformatik Diplomarbeit gframe und das gedas Human Change Management Framework am Beispiel einer SAP R/3 Einführung

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

Semantic Web Technologies I

Semantic Web Technologies I Semantic Web Technologies I Lehrveranstaltung im WS11/12 Dr. Elena Simperl PD Dr. Sebastian Rudolph M. Sc. Anees ul Mehdi Ontology Engineering Dr. Elena Simperl XML und URIs Einführung in RDF RDF Schema

Mehr

Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware

Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware Johannes Kepler Universität Linz Institut für Informationsverarbeitung und Mikroprozessortechnik Diplomarbeit Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware mit besonderer

Mehr

Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph!

Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! www.semantic-web-grundlagen.de Ontology Engineering! Dr. Sebastian Rudolph! Semantic Web Architecture

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

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

Opinion Mining in der Marktforschung

Opinion Mining in der Marktforschung Opinion Mining in der Marktforschung von andreas.boehnke@stud.uni-bamberg.de S. 1 Überblick I. Motivation Opinion Mining II. Grundlagen des Text Mining III. Grundlagen des Opinion Mining IV. Opinion Mining

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

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 348 Konzeption eines Projektvorgehensmodells für die Business-Intelligence-Strategieberatung

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 350 Ein konzeptioneller Business-Intelligence-Ansatz zur Gestaltung von Geschäftsprozessen

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

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

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

Open Source Knowledge Management

Open Source Knowledge Management Georg Hüttenegger Open Source Knowledge Management Mit 10 Abbildungen und 9 Tabellen 4ü Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen (Knowledge, Knowledge Management, Open Source,...) 2

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

Unterstützung des Wissensmanagements durch Informations- und Kommunikationstechnologie

Unterstützung des Wissensmanagements durch Informations- und Kommunikationstechnologie Unterstützung des Wissensmanagements durch Informations- und Kommunikationstechnologie Thorsten Wolf SAP AG Stefan Decker Institut für Angewandte Informatik und formale Beschreibungsverfahren (AIFB) Universität

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

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr Einführung Information Retrieval Norbert Fuhr 13. Oktober 2011 IR in Beispielen Was ist IR? Daten Information Wissen Dimensionen des IR Rahmenarchitektur für IR-Systeme Adhoc-Suche: Web IR in Beispielen

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

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse?

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Ein Beispiel Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Dipl.-Kfm. Claus Häberle WS 2015 /16 # 42 XML (vereinfacht) visa

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

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

Anforderungen und Auswahlkriterien für Projektmanagement-Software

Anforderungen und Auswahlkriterien für Projektmanagement-Software Anforderungen und Auswahlkriterien für Projektmanagement-Software Anika Gobert 1,Patrick Keil 2,Veronika Langlotz 1 1 Projektmanagement Payment Giesecke &Devrient GmbH Prinzregentenstr. 159, Postfach 800729,

Mehr

Virtual Roundtable: Business Intelligence - Trends

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

Mehr

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

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

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

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

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

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

Web Market Research.360

Web Market Research.360 .360 Kunden verstehen durch Zuhören - nicht durch Befragen! Research, Analysis & Consulting www.schwerdtundfeger.de trifft das Social Als Marktforschung kann man den Als Social wird die Gesamtheit von

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

DAS INBOUND MARKETING SPIEL. Eine Spielanleitung www.need-for-lead.com

DAS INBOUND MARKETING SPIEL. Eine Spielanleitung www.need-for-lead.com DAS INBOUND MARKETING SPIEL Eine Spielanleitung www.need-for-lead.com Vorwort Leads das ist die Währung, die wirklich zählt. Denn aus Leads werden im besten Fall Kunden. Und die wertvollsten Leads sind

Mehr

Industrie & Wirtschaft. Unsere Business-Lösungen

Industrie & Wirtschaft. Unsere Business-Lösungen Industrie & Wirtschaft Unsere Business-Lösungen Unsere Business-Lösungen für Industrie und Wirtschaft Wir sprechen Ihre Sprache! Auch wenn die Wirtschaft boomt: Als Unternehmer bekommt man nichts geschenkt,

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

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

Empfehlungen für die Zukunft Mehrwerte für Ihre Daten. Prof. Felix Sasaki (Deutsches Forschungszentrum für Künstliche Intelligenz)

Empfehlungen für die Zukunft Mehrwerte für Ihre Daten. Prof. Felix Sasaki (Deutsches Forschungszentrum für Künstliche Intelligenz) Empfehlungen für die Zukunft Mehrwerte für Ihre Daten Prof. Felix Sasaki (Deutsches Forschungszentrum für Künstliche Intelligenz) 1 Daten bisher: unverknüpfte Silos Original Übersetzung Proprietäre Formate

Mehr

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

Positionspapier Big Data

Positionspapier Big Data TeleTrusT-interner Workshop Berlin, 05.06.2014 Positionspapier Big Data Oliver Dehning, antispameurope GmbH Leiter der AG Cloud Security Definition Big Data Big Data bezeichnet große Datenmengen (Volume)

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

Enterprise 2.0 Redefinition der Wissensorganisation oder alter Wein in neuen Schläuchen? 9. Publishers Forum, 23. April 2012, Berlin

Enterprise 2.0 Redefinition der Wissensorganisation oder alter Wein in neuen Schläuchen? 9. Publishers Forum, 23. April 2012, Berlin Enterprise 2.0 Redefinition der Wissensorganisation oder alter Wein in neuen Schläuchen? 9. Publishers Forum, 23. April 2012, Berlin Prof. Dr. Frank Schönefeld, T-Systems Multimedia Solutions GmbH Wenn

Mehr

MINERVA. EuropäischeQualitätskriterien für Webseiten kultureller Institutionen

MINERVA. EuropäischeQualitätskriterien für Webseiten kultureller Institutionen MINERVA EuropäischeQualitätskriterien für Webseiten Ministerial NEtwo twork k for Valorising Activities in digitisation Minerva / MinervaPlus Europa verfügt über eine einzigartige und vielfältige Kulturlandschaft.

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

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

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

COMARCH LOYALTY MANAGEMENT. Loyalität stärken, Engagement erhöhen und Gewinne maximieren

COMARCH LOYALTY MANAGEMENT. Loyalität stärken, Engagement erhöhen und Gewinne maximieren COMARCH LOYALTY MANAGEMENT Loyalität stärken, Engagement erhöhen und Gewinne maximieren GESCHÄFTLICHE HERAUSFORDE- RUNGEN Kundenorientierte Unternehmen müssen heute aus einer Vielzahl an Möglichkeiten

Mehr

Präsentation des Dissertationsvorhabens Erste Schritte. Carola Carstens Hildesheim, 15. Oktober 2007

Präsentation des Dissertationsvorhabens Erste Schritte. Carola Carstens Hildesheim, 15. Oktober 2007 Präsentation des Dissertationsvorhabens Erste Schritte Carola Carstens Hildesheim, 15. Oktober 2007 Überblick Rahmenbedingungen Institut Thematische Interessen Erste Schritte Erfassung des State of the

Mehr

Stefan Stoll. über... Die (R)Evolutionären Auswirkungen von Mobile, Social & Big Data. Chancen und Herausforderungen für Ihr Geschäftsmodell

Stefan Stoll. über... Die (R)Evolutionären Auswirkungen von Mobile, Social & Big Data. Chancen und Herausforderungen für Ihr Geschäftsmodell Stefan Stoll über... Die (R)Evolutionären Auswirkungen von Mobile, Social & Big Data Chancen und Herausforderungen für Ihr Geschäftsmodell Die Digitalisierung verändert Unternehmen, deren Geschäftsmodelle,

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

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

10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können

10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können 10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können Folgende Fragen, die Sie sich zuerst stellen sollten: 1. Welche Social-Media-Monitoring-Plattformen (SMM) schneiden am besten ab? 2. Ist dafür

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

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

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

Industrie 4.0. Erfahrungen aus einem Pilotprojekt ROOZBEH FAROUGHI

Industrie 4.0. Erfahrungen aus einem Pilotprojekt ROOZBEH FAROUGHI Industrie 4.0 Erfahrungen aus einem Pilotprojekt 03. DEZEMBER 2015 ROOZBEH FAROUGHI Agenda 1. Definition Industrie 4.0 2. Entwicklung und Trends der IT 3. Chancen und Risiken von Industrie 4.0 für mittelständische

Mehr

Integrierte medienerschliessung für medien, kultur und wirtschaft

Integrierte medienerschliessung für medien, kultur und wirtschaft Integrierte medienerschliessung für medien, kultur und wirtschaft »DOKUMENTE ZU ERSCHLIESSEN UND ANZUREICHERN IST FAST SO KOMPLIZIERT, WIE EIN GRUNDSTÜCK ZU ÜBERTRAGEN.«Für Verlage ist die Mehrfachverwertung

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

Von der Literaturverwaltung zur Dokumentenverwaltung

Von der Literaturverwaltung zur Dokumentenverwaltung Von der Literaturverwaltung zur Dokumentenverwaltung Literaturverwaltung erfasst Metadaten über ein Dokument Dokumentenverwaltung kümmert sich um die Dokumenten-Technologien Umsetzung meist in einem Dokumentmanagementsystem

Mehr

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Sperrvermerk Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Bachelorarbeit Zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Bachelor Prüfungsleistung

Bachelor Prüfungsleistung FakultätWirtschaftswissenschaftenLehrstuhlfürWirtschaftsinformatik,insb.Systementwicklung Bachelor Prüfungsleistung Sommersemester2008 EinführungindieWirtschaftsinformatik immodul GrundlagenderWirtschaftswissenschaften

Mehr

Wissensmanagement im Bankvertrieb

Wissensmanagement im Bankvertrieb Anja Peters Wissensmanagement im Bankvertrieb Universitätsverlag Regensburg Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XIV XVII XVIII 1 Wissensmanagement im Bankvertrieb

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

Kapitel IR:I. I. Einführung. Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval

Kapitel IR:I. I. Einführung. Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval Kapitel IR:I I. Einführung Retrieval-Szenarien Begriffsbildung Einordnung Information Retrieval IR:I-1 Introduction STEIN 2005-2010 Retrieval-Szenarien Liefere Dokumente, die die Terme «Information» und

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

Big Data aus Sicht eines globalen Unternehmens

Big Data aus Sicht eines globalen Unternehmens Big Data aus Sicht eines globalen Unternehmens Impulsbeitrag FES/ver.di Expertengespräch Prof. Dr. Gerhard Satzger, Director IBM Business Performance Services Berlin, 25.6.2014 IBM ein traditionsreiches,

Mehr

Wissen intelligent suchen & schneller nutzen. Semantic Enterprise Search & Information Discovery

Wissen intelligent suchen & schneller nutzen. Semantic Enterprise Search & Information Discovery Wissen intelligent suchen & schneller nutzen Semantic Enterprise Search & Information Discovery CID GmbH CID Consulting GmbH Pattern Science AG 200 Mitarbeiter 1997 gegründet 4 Standorte Hauptsitz in Freigericht,

Mehr

Spezielle Fragen zu Facebook!

Spezielle Fragen zu Facebook! ggg Welches sind Ihre, bzw. mögliche Ziele für eine Unternehmenspräsentation im Social Web / Facebook? Spezielle Fragen zu Facebook! Social Media Wie präsentiere ich mein Unternehmen erfolgreich bei facebook?

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

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

Grundlagen der Wirtschaftsinformatik KE1 5

Grundlagen der Wirtschaftsinformatik KE1 5 Fernstudium-Guide - Klausurvorbereitung Grundlagen der Wirtschaftsinformatik KE1 5 Version vom 28.05.2015 Alle Rechte vorbehalten 1 Fernstudium-Guide - Klausurvorbereitung Liebe Studierende, Wir begrüßen

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

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

IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit

IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit IT-Governance und Social, Mobile und Cloud Computing: Ein Management Framework... Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Web Services Einsatzmöglichkeiten für das Information Retrieval im WWW

Web Services Einsatzmöglichkeiten für das Information Retrieval im WWW Web Services Einsatzmöglichkeiten für das Information Retrieval im WWW Fabio Tosques & Philipp Mayr Frankfurt am Main, den 24. Mai 2005 27. Online-Tagung der DGI 2005 1 Überblick Datenanalyse mittels screen

Mehr

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 0 Es TOP 10 DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 wird ein wichtiges Jahr für BIG (Business Intelligence Growth) 2012 war ein fantastisches Jahr für Business Intelligence! Die biedere alte

Mehr

Vom Intranet zum Knowledge Management

Vom Intranet zum Knowledge Management Vom Intranet zum Knowledge Management Die Veränderung der Informationskultur in Organisationen von Martin Kuppinger, Michael Woywode 1. Auflage Hanser München 2000 Verlag C.H. Beck im Internet: www.beck.de

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

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

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center

19.11.2009. Business Intelligence und Web 2.0. Business Application Research Center Business Application Research Center BARC ist Marktanalyst und Berater spezialisiert auf Business Intelligence, Daten- und Dokumentenmanagement. Business Intelligence und Web 2.0 Dr. Carsten Bange Gründer

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