Big Data und Predictive Analytics
|
|
- Christina Pohl
- vor 8 Jahren
- Abrufe
Transkript
1 Big Data und Predictive Analytics Frühzeitiges Erkennen von Chancen und Risiken Referat Herbstfachtagung Die-DING 15. Oktober Seite 1
2 Big Data und predictive Analytics Analytik von nice to have zu unverzichtbar Datenbasierte Unternehmenssteuerung Die Nutzung von neuen Analytik -Technologien zur Prozessoptimierung und Entscheidungsfindung ist von höchstem strategischem Wert für die Unternehmensführung Seite 2
3 Big Data und predictive Analytics Analytik Stellenwert Zitat Samuel J. Palmisano Chairman IBM.Big data will help to solve the world s problems. The information is already out there. You just have to do some predictive modeling and solve problems which face us every day. Samuel J. Palmisano, Chairman IBM, The Economic Times, New Dehli, Friday, 14th September 2012 Seite 3
4 Inhalt Begriffsdefinitionen Big Data Predictive Analytics Anwendungsbereiche Herausforderungen, Lösungen und Projektbeispiele Nutzen Seite 4
5 Big Data Begriffsdefinition Wikipedia Big Data bezeichnet Daten-Mengen, die zu groß, oder zu komplex sind, oder sich zu schnell ändern, um sie mit händischen und klassischen Methoden der Datenverarbeitung auszuwerten. 3 Dimensionen: Datenvolumen Komplexität der Datenstrukturen Anzahl Felder pro Datensatz strukturierte / unstrukturierte Daten Dynamik der Änderung: Zeitdimension Seite 5
6 Predictive Analytics Begriffsdefinition Wikipedia Predictive analytics encompasses a variety of statistical techniques from modeling, machine learning and data mining that analyze current and historical facts to make predictions about future, or otherwise unknown, events. In business, predictive models exploit patterns found in historical and transactional data to identify risks and opportunities. Models capture relationships among many factors to allow assessment of risk or potential associated with a particular set of conditions, Guiding decision making for candidate transactions. Predictive analytics is used in actuarial science, marketing, financial Services, insurance, telecommunications, retail, travel, healthcare, pharmaceuticals and other fields. Seite 6
7 Big Data und predictive Analytics Beispiele von Anwendungsbereichen Nutzen von Chancen Identifikation und Nutzung von Chancen Potenzialorientierte Prozesse in Marketing und Vertrieb Kampagnenoptimierung Minimierung von Streuverlusten Erkennung und Nutzung von cross selling und upselling Potenzialen Kundenwertanalysen Kundenbindung Personalisierte Kundeninteraktion- und kommunikation Individualisierte Services Produkte Produktpositionierung Ermittlung von Kaufwahrscheinlichkeiten risikobasiertes Pricing Optimierte Preise durch Modellierung von Preissensitivitäten Seite 7
8 Big Data und predictive Analytics Beispiele von Anwendungsbereichen Früherkennung von Risiken (1) Früherkennung von Risiken Marketing und Vertrieb Früherkennung von absprunggefährdeten Kunden Schadenrisiken Früherkennung von Schadenrisiken Betrugsverhinderung von z.b.: Falschdeklarationen Abrechungsmanipulationen Betrug im elektronischen Zahlungsverkehr (z.b. Kartengeschäft) Betrug im Internet (z.b. Betrug im Onlinehandel oder in Bewertungsportalen) Seite 8
9 Big Data und predictive Analytics Projektbeispiel: Verhinderung von Missbrauch im Kartengeschäft Benchmark musterbasierte Erkennung gegen regelbasiertes System Resultat Erhöhung der Betrugserkennungsrate: 100% 79% der betrügerischen Transaktionen erkannt, welche das regelbasierte System nicht erkannt hat Mehr als 70% der Verluste verhindert Seite 9
10 Big Data und predictive Analytics Projektbeispiel: Verhinderung von Missbrauch im Kartengeschäft -warum ist die musterbasierte Erkennung besser? Transactions of Customer2 executed over a period of 3 days PAN Score Alert UID BillingAmount ResponseCode MerchantName AvailableAmount TxnDate_d Country MCC MCC_Groupe ACC_blocked CUSTOMER :38: UnitedKingdom 8999 Other 0 CUSTOMER PAYPAL :38: Singapore 8699 Other 0 CUSTOMER PAYPAL *NPESZHOU :39: Singapore 8999 Other 0 CUSTOMER :44: UnitedKingdom 4814 Telephone 0 CUSTOMER Apple Asia LLC,Taiwan :01: Taiwan 4816 Internet 0 CUSTOMER EA STORE :11: UnitedStates 5734 Retail 0 CUSTOMER :15: UnitedKingdom 8999 Other 0 CUSTOMER :15: UnitedKingdom 7994 Leisure 0 CUSTOMER EA STORE :16: UnitedStates 5734 Retail 0 CUSTOMER SQUARE ENIX/PLAY ONLIN :41: UnitedStates 7372 Office Service 0 CUSTOMER SQUARE ENIX/PLAY ONLIN :41: UnitedStates 7372 Office Service 0 CUSTOMER :48: UnitedKingdom 4814 Telephone 0 CUSTOMER SQUARE ENIX/PLAY ONLIN :31: UnitedStates 7372 Office Service 0 Transaction of Customer3 executed 6 days later PAN Score Alert UID BillingAmount ResponseCode MerchantName AvailableAmount TxnDate_d Country MCC MCC_Groupe ACC_blocked CUSTOMER SQUARE ENIX/PLAY ONLIN :15: UnitedStates 7372 Office Service 1 Transactions of Customer1 executed another 2 and 6 days later PAN Score Alert UID BillingAmount ResponseCode MerchantName AvailableAmount TxnDate_d Country MCC MCC_Groupe ACC_blocked CUSTOMER AMAZON EU :13: UnitedKingdom 5969 Mail 0 CUSTOMER AMAZON SVCS EU-DE :27: UnitedKingdom 5942 Retail 0 CUSTOMER :54: UnitedKingdom 8999 Other 0 CUSTOMER EA STORE :47: UnitedStates 5734 Retail 0 CUSTOMER EA STORE :52: UnitedStates 5734 Retail 0 CUSTOMER SQUARE ENIX/PLAY ONLIN :53: UnitedStates 7372 Office Service 0 CUSTOMER SQUARE ENIX/PLAY ONLIN :53: UnitedStates 7372 Office Service 0 Detectionparameters/ patterns Increased velocity of transactions Pattern of a firstsmallamount smallamount (fortesting) and an immediate subsequenthigherone High risk merchant (parameter that will be realtime updated by permanent merchand profiling) Solution characteristics On 1 st st day, 1 st st and 3 rd rd pattern have already been automatically recognized derived from Customer2, profiles been updated and transactions been detected After 1 st st day, suspicious transactionshave beendetectedfrom Customer1 basedon profiles derivedfrompatterns of Customer2 11 Betrugstransaktionen von unterschiedlichen Kunden werden aufgrund von in Echtzeit angepassten, verdächtigen Profilen erkannt 72 Seite 10
11 Big Data und predictive Analytics Projektbeispiel: Verhinderung von Missbrauch im Kartengeschäft - Erkenntnis Erkenntnis Regelbasierte Systeme stossen an Grenzen Komplexe verdächtige Muster müssen erkannt werden der kritische Zeitfaktor erfordert eine automatisierte Anpassung und Kalibrierung der Erkennungslogik in Echtzeit Seite 11
12 Big Data und predictive Analytics Beispiele von Anwendungsbereichen Früherkennung von Risiken (2) Früherkennung von Risiken Monitoring von Prozessen mit Früherkennung von z.b.: Qualitätsrisiken Engpässen Ausfallrisiken (Kreditgeschäft, für vorbeugende Instandhaltung) Lieferverzögerungen Diagnostische Klassifikation Krankheitsrisiken Biomarker Frühwarnungsystem für die Verbesserung der Diagnose- und Servicequalität und effizienz) Geeignetste Heilungsverfahren Seite 12
13 Big Data und predictive Analytics Projektbeispiel: Kredit Rating Vergleich von Frühwarnmodell gegen existierendes Ratingmodell Seite 13
14 Big Data und predictive Analytics Projektbeispiel: Kredit Rating Vergleich von Frühwarnmodell gegen existierendes Ratingmodell Seite 14
15 Big Data und predictive Analytics Projektbeispiel: Kredit Rating Vergleich von Frühwarnmodell gegen existierendes Ratingmodell analytische Erkenntnis Analytische Erkenntnis Alles berücksichtigen, was für die Analysefrage Relevanz haben könnte Der musterbasierte analytische Ansatz kann komplexe Datenstrukturen analysieren und verborgene und nicht-lineare Zusammenhänge aufdecken der Mehrgehalt an Evidenz führt zu besseren Modellen und businessrelevanten Erkenntnissen Seite 15
16 Big Data und predictive Analytics Die generelle Herausforderung Komplexität beherrschen durch Mustererkennung PROSPERO Seite 16
17 Big Data und predictive Analytics Herausforderungen und Lösung Datenqualität und aufbereitung leistungsfähiges Modul Datenqualität, -bereinigung und -aggregation Modul für Datenbereinigung, -anreicherung und -aggregation Behandlung und Transformation von Daten (z.b. missing Values, Ausreisser) Mehr als 80 Methoden und Verfahren zur Datentransformation und anreicherung; Bibliothek mit Templates Verarbeitung von komplexen Datenstrukturen Zeitreihen Aggregation von gruppenbasierten Daten Aufdecken von versteckten Abhängigkeiten Anreicherung mit abgeleiteten Attributen Definition von Simulationsszenarien Berücksichtigung von beliebigen Inputdaten (intern, extern, Makro-, Mikrodaten) absolute Änderungen probabilistisch ermittelte Änderungen basierend auf Verteilungsannahmen Definition von Zufallsvariablen, Generierung von Zufallsdaten auf Basis von prototypischen Datensätzen, Entrauschen der existierenden Daten z.b. für die Anwendung der Monte Carlo Simulation Seite 17
18 Big Data und Predictive Analytics Herausforderungen und Lösung Prognosequalität Prognosequaliät Intelligente Mustererkennung Kombinierte Anwendung von unterschiedlichen Methoden der Mustererkennung und des maschinellen Lernens auf der Basis eines evolutionären Optimierungsprozesses Mehrschichtiger Ansatz, in welchem die beste Methodenkombination und -parametrisierung vom System automatisch gefunden wird Die relevanten Muster werden in einem selbst lernenden Prozess gefunden Analyse der Evidenz und des Verhaltens in den Daten inklusive Peergroup- und Linkanalysen Finden der relevanten Businesstreiber Automatisiertes Feedback Lernen Maximierte Richtigerkennungen bei gleichzeitig minimierten Falscherkennungen Seite 18
19 Big Data und predictive Analytics Projektbeispiel: Intensivmedizin Benchmark gegen SAPS2 Score Modellqualitäten ROC-Kurve Model: SAPS2_Score Model: Prospero integrated Area under ROC: Area under ROC: Gini: Gini: Seite 19
20 Big Data und predictive Analytics Projektbeispiel: Intensivmedizin Benchmark gegen SAPS2 Score Aussagen für sicher überleben und sicher sterben 90.00% 80.00% 81.70% 70.00% Prospero integrated model SAPS2_Score 60.00% 50.00% 40.00% 39.32% 30.00% 20.00% 10.00% 0.00% 1.87% Definitely alive 7.28% Definitely dead Seite 20
21 Big Data und predictive Analytics Projektbeispiel: Intensivmedizin Benchmark gegen SAPS2 Score Erkenntnis Erkenntnis Die Leistungsfähigkeit der Analytik ist für den Businessnutzen entscheidend Die Kombination von Multilevel- und Multimethoden liefert signifikant bessere Ergebnisse als eine einzelne Methode Der musterbasierte analytische Ansatz findet verborgene Abhängigkeiten und identifiziert bisher unbekannte relevante Einflussfaktoren der Mehrgehalt an Evidenz führt zu besseren Modellen und businessrelevanten Erkenntnissen Seite 21
22 Big Data und Predictive Analytics Herausforderungen und Lösung Volumen und Dynamik grosse Datenvolumen verteilte, parallele Verarbeitung in-memory Technologie Echtzeit Monitoring Grid Technologie Cloud enabled Dynamik Das automatisierte Feedback Lernen kalibriert und verbessert die Qualität in einem laufenden Prozess Die Modelle, Profile und Muster adaptieren in Echtzeit Seite 22
23 Big Data und predictive Analytics Projektbeispiel: Gridcomputing Grid Computing Pharmaindustrie Projekt: Identifikation von freuquent Hittern im F&E - Prozess Datensätze mit 1800 Feldern (Attributen) pro Datensatz Anforderung: Bildung von Modell mit best möglicher Qualität und gleichzeitig möglichst wenig relevante Attributen Modellbildung in Grid mit 500 vernetzten PC s Resultat: in drei Stunden wurden mehr als Modellvarianten durchgerechnet und robuste Modelle gefunden mit über 87% Vorhersagequalität, welche nur zwischen 18 und 48 relevante Attribute haben Seite 23
24 Big Data und Predictive Analytics Herausforderungen und Lösung Komplexität der Datenstrukturen Komplexe Datenstrukturen Evolutionärer Optimierungsprozess zur Lösung des Dimensionalitätsproblems ermöglicht die Kombination von heterogenen Inputinformationen und die Integration des Modellierungs Outputs Die higher Level Modelle werden automatisiert vom System durch die Integration der Resultate von mehreren Modellen oder manuell auf Basis vom Anwender definierter Regeln erstellt (definierte Anwenderstrategien) Seite 24
25 Big Data und Predictive Analytics Modellbildung Schritt 1 und 2: Definition der Analysefrage und der Ausgangsdaten Schritt 1 Fragestellung: Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde das Produkt 2 in den nächsten sechs Monaten kauft? Schritt 2 Ausgangsdaten (Rohdaten) Parameter = Kundenbestands- und Bewegungsdaten Seite 25
26 Wie geht es? Schritt 3: Modellerstellung mit Historiedaten für Lernen und Validieren Historiedaten Kunde mit Produkt 2 Kunde ohne Produkt 2 lernen validieren Seite 26
27 Big Data und Predictive Analytics Iterativer Lernprozess im multidimensionalen Datenraum Erkennungsqualität Modell n optimiertes, fehlerminimiertes Modell Modell 2 Modell 1 Iterativer Lernprozess Seite 27
28 Big Data und Predictive Analytics Die Herausforderung des Dimensionaltätenproblems: Die Vielzahl möglicher Modelle zeigt die hohe Komplexität n n = Anzahl Parameter pro Datensatz, mit n = Mio. mögliche Modelle n = E29 n = E300 n = E3009 Formel: 2^(N-1)-1 Seite 28
29 Big Data und Predictive Analytics Projektbeispiel komplexe Datenstrukturen Komplexe Datenstrukturen Projekt: Life Science: Proteomik/Genomik Anzahl Attribute (=Felder) pro Datensatz (= Person): Analysefrage: welche Attribute sind relevant für eine Krankheit? Das System hat 22 Attribute identifiziert und ein prädiktives Modell für die Vorhersage des Risikos dieser Krankheit gebildet Seite 29
30 Big Data und Predictive Analytics Herausforderungen und Lösung kontrollierte Anwendung Kontrollierte Anwendung Administration versionsgeführtes Modell-, Filter- und Listenmanagement Parameterisierung und Konfiguration Management der Anwenderberechtigungen Notifikationsmanagement Simulationsumgebung Transparenz und Nachvollziehbarkeit Alle Aktionen, Modelle und Resultate sind gespeichert für die komplette Transparenz und Nachvollziehbarkeit keine Black Box Datenverarbeitung und Monitoring Automatisierter Datenverarbeitungs und monitoring Workflow inklusive Feedback Lernen Seite 30
31 Big Data und Predictive Analytics Herausforderungen und Lösung Einbindung in bestehende Umgebungen Scoring Infrastruktur Web basiertes online Scoring Hoch performantes Echtzeit - Monitoring von Transaktionen Batch Scoring Infrastruktur Datenverarbeitung und Datenmonitoring Automatisierter Datenverarbeitungs und monitoring Workflow inklusive Feedback Lernen Integrations Services Web Services TCP/IP DB basiert via Staging Area Rohdatenfile Exchange Seite 31
32 Nutzenbeispiele Beispiele von Nutzen mit predictive Analytics Betrugsprävention: Kartengeschäft mit secured internet Transaktionen im Vergleich mit regelbasiertem System Erhöhung der Bertrugserkennungsrate: 100% 79% der bertügerischen Transaktionen erkannt Mehr als 70% der Verluste verhindert Vertriebsoptimierung: Erkennung von upselling und cross-selling Potenzialen Erhöhung der Erfolgsraten um 16% bis 52% Kredit Rating: Optimierung von existierenden Ratingmodellen Reduktion der Ausfallraten um 15% - 45% Seite 32
33 Big Data und predictive Analytics Ausblick wohin geht die Reise? Ausblick Systeme werden selber Hypothesen formulieren und diese überprüfen Systeme werden nicht nur Chancen und Risiken aufzeigen, sondern selber geeignete Massnahmen einleiten, um die Chancen zu nutzen bzw. Schäden zu verhindern Seite 33
34 Business Nutzen Zusammenfassung der Business Nutzen von Big Data und predictive Analytics optimierte Kosteneffizienz höhere Erträge Prozesssicherheit Know How Vorsprung Seite 34
35 Big Data und predictive Analytics Pilotprojekt: Proof of Value Durchlaufzeit ab Datenbereitstelllung ca. 4 Wochen Projektschritt / Aufgabe Konzeption Kick-off, Ausgangslage, Zieldefinition, Datenanalyse, Definition des Dateninputs Bereitstellung Datenbereitstellung Durchführung der Modellierung Datenübernahme und -transformation, Erstellung der Scoring-/Ratingmodelle Durchführung des Scorings/Ratings Prospero X X X Kunde X X Ergebnisaufbereitung Ergebnispräsentation ev. Benchmarkvergleich X X X X Seite 35
36 Kundenaussagen Was unsere Kunden sagen Die Qualität der Erkenntnisgewinnung von Prospero führt uns in eine neue Dimension von Effektivität in unseren Vertriebsprozessen. Thomas Bahc, Head of Multichannel Management, Member of the Board Switzerland, Swiss Life Insurance In unserem Benchmarktest in der Anbieterevaluation erzielte Prospero signifikant die besten Ergebnisse. Die Qualität der Erkennungsraten zusammen mit dem anwenderfreundlichen Workflow optimieren unsere Prozesse. Beat Hess, Business Analyst Partnersysteme, Zürich Financial Services Die kompetente Unterstützung durch Prospero war ein Schlüsselfaktor für die schnelle und erfolgreiche Projekteinführung. Albert Vendrami, Leiter Verkaufs-Services, Generali Die Lösung der Prospero hat uns ermöglicht, eine optimal trennende Ratingfunktion zu entwickeln, welche sich sowohl in der Anwendung bei den Banken als auch in der Modellvalidierung bestens bewährt hat. Professor Dr. Markus Heusler, CEO, RSN Risk Solution Network Seite 36
37 Kontakt Kontakt Christian Schaefle phone: Mobile: Seite 37
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
MehrMehrWert durch IT. REALTECH Assessment Services für SAP Kosten und Performance Optimierung durch Marktvergleich
MehrWert durch IT REALTECH Assessment Services für SAP Kosten und Performance Optimierung durch Marktvergleich REALTECH Consulting GmbH Hinrich Mielke Andreas Holy 09.10.2014 Unschärfen bei typischem Benchmarking
MehrThementisch 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
MehrBusiness Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr.
v Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr. Gerhard Satzger Agenda 1. Wie sieht die erfolgreiche Finanzfunktion von morgen aus?
MehrVorhersagetechniken für zukünftiges Verhalten von Kunden
IBM 360 Grad-Sicht auf den Kunden: Vorhersagetechniken für zukünftiges Verhalten von Kunden Sven Fessler, sven.fessler@de.ibm.com Solution Architect, IBM Germany Business Analytics & Optimization Das Spektrum
MehrMHP Inventory Management Ihre Lösung für ein optimiertes und effizientes Bestandsmanagement!
MHP Inventory Management Ihre Lösung für ein optimiertes und effizientes Bestandsmanagement! Business Solutions 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbh Agenda
MehrVirtual 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,
MehrTHE KNOWLEDGE PEOPLE. CompanyFlyer.indd 1 07.03.2016 11:48:05
THE KNOWLEDGE PEOPLE CompanyFlyer.indd 1 07.03.2016 11:48:05 BE SMART IT-CONSULTING Smartes IT-Consulting für die Zukunft: Agilität, Dynamische IT, Komplexitätsreduzierung, Cloud, Industrie 4.0, Big Data
MehrCENIT Beschwerdemanagement Beschwerden bearbeiten, analysieren und vermeiden. Stefan Jamin, Leiter ECM Zürich, 25.11.2014
CENIT Beschwerdemanagement Beschwerden bearbeiten, analysieren und vermeiden Stefan Jamin, Leiter ECM Zürich, 25.11.2014 Beschwerden allgemein Beschwerden können in vielen verschiedenen Bereichen auftreten
MehrBIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE. make connections share ideas be inspired. Wolfgang Schwab SAS D
make connections share ideas be inspired BIG ANALYTICS AUF DEM WEG ZU EINER DATENSTRATEGIE Wolfgang Schwab SAS D Copyright 2013, SAS Institute Inc. All rights reserved. BIG DATA: BEDROHUNG ODER CHANCE?
Mehr8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics
Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Contents Predictive Analytics Erwartungen erfüllt? Einfach denken worauf achten, bevor gestartet wird?
MehrExecutive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie
Executive Summary BIG DATA Future Chancen und Herausforderungen für die deutsche Industrie BIG DATA Future Opportunities and Challanges in the German Industry Zusammenfassung Die Menge der verfügbaren
MehrData Mining-Projekte
Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein
MehrPOINT OF ORIGIN MARKETING CONSULTING MARKETING BERATUNG & TECHNOLOGIE
POINT OF ORIGIN MARKETING CONSULTING MARKETING BERATUNG & TECHNOLOGIE FÜNF DINGE ÜBER UNS Marketing & Technologie I. Spezialagentur für Marketingberatung und -technologie II. Sitz in Wien, Marketing Labs
MehrBig & Smart Data. bernard.bekavac@htwchur.ch
Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem
MehrDaten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1
Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrBig, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen
Big, Bigger, CRM: Warum Sie auch im Kundenmanagement eine Big-Data-Strategie brauchen 01000111101001110111001100110110011001 Volumen 10 x Steigerung des Datenvolumens alle fünf Jahre Big Data Entstehung
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrOperationalisierung von finanziellen/strategischen Kennzahlen zur Optimierung der Unternehmenssteuerung
www.six-sigma-europe.com Operationalisierung von finanziellen/strategischen Kennzahlen zur Optimierung der Unternehmenssteuerung SIXSIGMA GmbH Theodor-Heuss-Ring 23 50668 Köln Tel. +49.221.77109.560 Fax
Mehr----------------------------------------------------------------------------------------------------------------------------------------
0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,
MehrVorhersage mit CA CleverPath Predictive Analysis Server. Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com
Vorhersage mit CA CleverPath Predictive Analysis Server Laszlo Mihalka Senior Consultant Laszlo.Mihalka@ca.com Agenda Herausforderung CP PAS Neugents Modelle Mustererkennung Tools CA World 1 Herausforderung
MehrMaking Things Right mit Industry Services
Dirk Hoke, CEO Customer Services Making Things Right mit Industry Services siemens.com/hannovermesse Making Things Right mit Industry Services Services Seite 2 18. Februar 2014 Wachsende Herausforderungen
MehrThe Day in the Life of a Business Manager @ Microsoft
The Day in the Life of a Business Manager @ Microsoft A look at analytics in action inside Microsoft Frank.Stolley@Microsoft.com Daniel.Weinmann@microsoft.com Microsoft Deutschland GmbH Big Data: Die Management-Revolution?
MehrCross-Channel-Marketing und Customer Journey
Cross-Channel-Marketing und Customer Journey Wie Sie den Kunden und seine wachsenden Ansprüche besser begleiten können Roland Brezina Manager Center of Excellence D-A-CH SAS Institute Deutschland GmbH
MehrMicrosoft SharePoint 2013 Designer
Microsoft SharePoint 2013 Designer Was ist SharePoint? SharePoint Designer 2013 Vorteile SharePoint Designer Funktionen.Net 4.0 Workflow Infrastruktur Integration von Stages Visuelle Designer Copy & Paste
MehrMake your day a sales day
Make your day a sales day Axivas Group Axivas IT Solutions I C T M a n a g e m e n t S a l e s P o r t a l S o f t w a r e Ihr Technologiepartner für Marketing- und Vertrieb. S y s t e m I n t e g r a
MehrPersönliche Einladung. Zur IT Managers Lounge am 4. November 2009 in Köln, Hotel im Wasserturm.
Persönliche Einladung. Zur IT Managers Lounge am 4. November 2009 in Köln, Hotel im Wasserturm. IT Managers Lounge präsentiert: Top-Trend Cloud Computing. Flexibilität, Dynamik und eine schnelle Reaktionsfähigkeit
MehrSERVICE SUCHE ZUR UNTERSTÜTZUNG
SERVICE SUCHE ZUR UNTERSTÜTZUNG VON ANFORDERUNGSERMITTLUNG IM ERP BEREICH MARKUS NÖBAUER NORBERT SEYFF ERP SYSTEME Begriffsbestimmung: Enterprise Resource Planning / Business Management Solution Integrierte
MehrData. Guido Oswald Solution Architect @SAS Switzerland. make connections share ideas be inspired
make connections share ideas be inspired Data Guido Oswald Solution Architect @SAS Switzerland BIG Data.. Wer? BIG Data.. Wer? Wikipedia sagt: Als Big Data werden besonders große Datenmengen bezeichnet,
MehrProf. Dr.-Ing. Rainer Schmidt 1
Prof. Dr.-Ing. Rainer Schmidt 1 Business Analytics und Big Data sind Thema vieler Veröffentlichungen. Big Data wird immer häufiger bei Google als Suchbegriff verwendet. Prof. Dr.-Ing. Rainer Schmidt 2
MehrGeschäftsprozesse und Entscheidungen automatisieren schnell, flexibel und transparent. Die BPM+ Edition im Überblick
Geschäftsprozesse und Entscheidungen automatisieren schnell, flexibel und transparent. Die BPM+ Edition im Überblick Software Innovations BPM BRM Die Software-Suite von Bosch Alles drin für besseres Business!
MehrLars Priebe Senior Systemberater. ORACLE Deutschland GmbH
Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele
MehrKundenwissen für den Energieversorger der Zukunft
Kundenwissen für den Energieversorger der Zukunft Dr. Leading Tobias customer Graml insights CTO company tobias.graml@ben-energy.com for utilities in Europe Sechs Jahre Expertise in Datenanalyse und Kundenverhalten
MehrBig Data Projekte richtig managen!
Big Data Projekte richtig managen! Stuttgart, Oktober 2014 Praktische Herausforderungen eines Big Data Projektes Definition: Was ist Big Data? Big data is a collection of data sets so large and comple
Mehr1 WEB ANALYTICS: PROFESSIONELLE WEB-ANALYSEN UND REPORTING FÜR IHR ONLINE MARKETING.
1 WEB ANALYTICS: PROFESSIONELLE WEB-ANALYSEN UND REPORTING FÜR IHR ONLINE MARKETING. Web Analytics, Reporting & Beratung Erfolgskontrolle mit professionellen Web Analysen! Web Analytics mit Google Analytics
MehrQS solutions GmbH. präsentiert das Zusammenspiel von. Ihr Partner im Relationship Management
QS solutions GmbH präsentiert das Zusammenspiel von & Ihr Partner im Relationship Management Verbinden von Dynamics CRM mit Yammer Yammer ist ein internes soziales Netzwerk, das den Kollegen in Ihrer Organisation
MehrDer Cloud Point of Purchase. EuroCloud Conference, 18. Mai 2011 (Christoph Streit, CTO & Co-Founder ScaleUp)"
Der Cloud Point of Purchase EuroCloud Conference, 18. Mai 2011 (Christoph Streit, CTO & Co-Founder ScaleUp)" Wer ist ScaleUp Hintergrund Cloud Provider ScaleUp ist ein Spin-Out des 12- Jahre alten MSPs
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
MehrBig Data & High-Performance Analytics: Anwendungsszenarien
Big Data & High-Performance Analytics: Anwendungsszenarien Dr. Thomas Keil, Program Manager Business Analytics Frankfurt 26.4.2012 McKinsey-Studie zeigt Big Value Quelle: McKinsey Global Institute, May
MehrVDR, i:fao Group Finass Business Travel Workshop, 02. September 2014, Zürich
VDR FACHAUSSCHUSS TECHNOLOGIE ANCILLARY FEES HERAUSFORDERUNGEN FÜR TRAVEL MANAGER UND UNTERNEHMEN VDR, i:fao Group Finass Business Travel Workshop, 02. September 2014, Zürich Wer ist der FA-Technologie?
MehrWORKSHOP REDWOOD INTELLIGENCE & SLA JAN DIRK ZIJLSTRA CHRISTOPH KIMMESKAMP
WORKSHOP REDWOOD INTELLIGENCE & SLA JAN DIRK ZIJLSTRA CHRISTOPH KIMMESKAMP AGENDA Neue SLA Module Redwood Intelligence Portfolio Das Problem Die Lösung Verändern der alltäglichen Brandbekämpfung zu einem
MehrTest zur Bereitschaft für die Cloud
Bericht zum EMC Test zur Bereitschaft für die Cloud Test zur Bereitschaft für die Cloud EMC VERTRAULICH NUR ZUR INTERNEN VERWENDUNG Testen Sie, ob Sie bereit sind für die Cloud Vielen Dank, dass Sie sich
MehrCopyright 2014 Delta Software Technology GmbH. All Rights reserved.
Karlsruhe, 21. Mai 2014 Softwareentwicklung - Modellgetrieben und trotzdem agil Daniela Schilling Delta Software Technology GmbH The Perfect Way to Better Software Modellgetriebene Entwicklung Garant für
MehrExecutive Summary: Banken und Versicherungen Wettbewerbsfaktor Analytics - Reifegrad ermitteln, Wirtschaftlichkeitspotenziale entdecken
Executive Summary: Banken und Versicherungen Wettbewerbsfaktor Analytics - Reifegrad ermitteln, Wirtschaftlichkeitspotenziale entdecken Lehrstuhl für Wirtschaftsinformatik und Electronic Government Universität
Mehribpm - intelligent Business Process Management: WWW.AXONIVY.COM
ibpm - intelligent Business Process Management: ein neues Zeitalter bricht an. Peter Wiedmann 14.11.2014 WWW.AXONIVY.COM AGENDA 2 Vorstellung und Einführung Produktvorstellung ibpm die neue Dimension Anwendungsszenario
MehrBUSINESS PARTNER STATT ZAHLENKNECHT
UPDATE 4 CONTROLLER BUSINESS PARTNER STATT ZAHLENKNECHT Die Anforderungen an Controller haben sich in den letzten Jahren merklich gewandelt. Statt einer Konzentration auf die Aufbereitung und Analyse von
MehrDr. Klaus Körmeier BlueBridge Technologies AG
Dr. Klaus Körmeier BlueBridge Technologies AG Agenda Was ist ein SharePoint Wiki Anwendungsbeispiele und Erweiterungen Was ist beim Einsatz zu beachten Zusammenfassung Partner Partner BlueBridge AG SharePoint-Erfahrung
MehrInstitut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.
Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrKonsumentenkredit schnell und einfach. Sparkassen-Finanzgruppe. S finanz informatik
schnell und einfach Sparkassen-Finanzgruppe S finanz informatik im stationären Vertrieb Mit der Anwendung»«steht Ihnen in OSPlus (One System Plus) eine umfassende und durchgängige Prozessunterstützung
MehrAnalytisches 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
MehrTeam Collaboration im Web 2.0
Team Collaboration im Web 2.0 barcampmitteldeutschland Team Collaboration im Web 2.0 Focus Social Bookmarking Torsten Lunze Team Collaboration in Web 2.0 Motivation Collaboration in verschiedenen Technologien
MehrCloud Architektur Workshop
Cloud Architektur Workshop Ein Angebot von IBM Software Services for Cloud & Smarter Infrastructure Agenda 1. Überblick Cloud Architektur Workshop 2. In 12 Schritten bis zur Cloud 3. Workshop Vorgehensmodell
MehrJustConnect. Social Enterprise 2.0 Ein sozialer Bildungsträger implementiert ein soziales Netzwerk zur internen Unternehmenskommunikation
JustConnect Social Enterprise 2.0 Ein sozialer Bildungsträger implementiert ein soziales Netzwerk zur internen Unternehmenskommunikation Einfachheit ist die ultimative Perfektion. Leonardo da Vinci Kommunikation
MehrBusiness Application Framework für SharePoint Der Kern aller PSC-Lösungen
Business Application Framework für SharePoint Der Kern aller PSC-Lösungen Überblick pscbaf Dieses Dokument liefert die Antworten auf folgende Fragen: Was ist das Portal Systems Business Application Framework
Mehr2006 COGNOSCO AG, 8057 ZUERICH, SWITZERLAND All rights reserved. Performance Management Markterfolg dank Kundenrating
Performance Management Markterfolg dank Kundenrating Welches sind Ihre besten Kunden? Frage 1: Kennen Sie die Umsatzentwicklung jedes Kunden über die letzten 5 Jahre? Frage 2: Kennen Sie den Produkte-Mix
MehrLOPEZ_SU AREZ_DAT ENANALYS E_ZERZEP
LEISTUNGSÜBERSICHT 2014 ÜBERBLICK Seite 2 Das Unternehmen Seite 3 Datenanalyse Seite 4 Prozessoptimierung Seite 5 Treuhand & Revision Seite 6 Interim Management Seite 7 Referenzen Seite 8 Kontakt Seite
MehrMit prozessorientiertem Qualitätsmanagement zum Erfolg - Wer das Ziel kennt, wird den Weg finden -
Mit prozessorientiertem Qualitätsmanagement zum Erfolg - Wer das Ziel kennt, wird den Weg finden - TÜV Management Service GmbH TÜV SÜD Gruppe Alexandra Koller Dipl.Ing.(FH) / Lead Auditorin Leiterin Kunden-
MehrLead Architects Forum Architekten im Dialog zu ILOG BRMS Moderation: Lars Klein, S&D
Lead Architects Forum Architekten im Dialog zu ILOG BRMS Moderation: Lars Klein, S&D 21. September 2011, Kurhaus Wiesbaden Agenda Uhrzeit Inhalt 16:00 16:15 Begrüßung und kurze Vorstellung der Teilnehmer
MehrBessere Daten durch Stammdatenmanagement
make connections share ideas be inspired Bessere Daten durch Stammdatenmanagement Mit SAS MDM, bessere Stammdaten für operativen Systeme make connections share ideas be inspired Overview Mit SAS MDM bessere
Mehr25 Jahre Erfahrung. Sie kommunizieren multilingual? Wir haben die Prozesse.
25 Jahre Erfahrung Sie kommunizieren multilingual? Wir haben die Prozesse. Die Herausforderungen an technische Redakteure und an technische Fachübersetzer haben enorm zugenommen. Die Effizienz einzelner
MehrMit Risk Analytics Kundenrisiken aktiv steuern
Mit Risk Analytics Kundenrisiken aktiv steuern Was sind Risk Analytics? Unter Risk Analytics versteht man statistische Analysen und Data Mining-Verfahren. Sie untersuchen Risiken im Zusammenhang mit Kundenbeziehungen
MehrAusgangslage deutscher E-Commerce-Anbieter Möglichkeiten und Grenzen zur gezielten Retourenvermeidung
Präventives Retourenmanagement Ausgangslage deutscher E-Commerce-Anbieter Möglichkeiten und Grenzen zur gezielten Retourenvermeidung Prof. Dr. Gianfranco Walsh Michael Möhring, M.Sc. Prof. Walsh & Partners
MehrTitel BOAKdurch Klicken hinzufügen
Titel BOAKdurch Klicken hinzufügen Business Objects Arbeitskreis 2015 Aufbau einer BI-Strategie Referent Stefan Weber, ZIS Verkehrsbetriebe Zürich 15.09.2015 Hotel UTO KULM Thema Um was geht es! C1: Aufbau
MehrFraud Prevention. Intelligente Bekämpfung von Betrug in Finanzinstituten
Intelligente Bekämpfung von Betrug in Finanzinstituten Frankfurt, Ausgangssituation Wieso rückt das Thema Betrug immer mehr in den Fokus? In den vergangenen Jahren wurden Fragen nach dem Risikomanagement
MehrDominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH
Dominik Stockem Datenschutzbeauftragter Microsoft Deutschland GmbH Peter Cullen, Microsoft Corporation Sicherheit - Die Sicherheit der Computer und Netzwerke unserer Kunden hat Top-Priorität und wir haben
MehrData Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG
Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information
MehrE-Mail Management bei der Baloise Erfahrungen und Planungen. Basler Versicherungen Patrick Jermann
E-Mail Management bei der Baloise Erfahrungen und Planungen Basler Versicherungen Patrick Jermann Agenda 1 Begrüßung / Vorstellung / Intro 2 wir.dmc Effizientes Dokumentenmanagement 3 E-Mail Management
MehrMHP Real-Time Business Solution Ihre Lösung zur Harmonisierung und Analyse polytechnischer Messdaten
MHP Real-Time Business Solution Ihre Lösung zur Harmonisierung und Analyse polytechnischer Messdaten Christian Hartmann Präsentation Business Solutions 2014 Mieschke Hofmann und Partner Gesellschaft für
MehrINFORMATION LIFECYCLE AKTUELLE TRENDS IM INPUT MANAGEMENT CENIT EIM IT-TAG 13. JUNI 2013 IN STUTTGART LARS LAMPE
INFORMATION LIFECYCLE AKTUELLE TRENDS IM INPUT MANAGEMENT CENIT EIM IT-TAG 13. JUNI 2013 IN STUTTGART LARS LAMPE AM ANFANG WAR DAS PAPIER Der Papyrus Westcar(Altes Museum, Berlin) aus der 13. Dynastie
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
MehrProjektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten
Projektarbeit/SHK-Tätigkeit: Entwicklung graphischer Visualisierungskomponenten Das Assistenzsystem proknows, das am Fraunhofer Institut in Lemgo entwickelt wird, ermöglicht neben der Durchführung verschiedener
MehrPrint-to-Web: Der digitale Sprung vom Verpackung in mobile Kommunikationsnetze
Print-to-Web: Der digitale Sprung vom Verpackung in mobile Kommunikationsnetze Geert de Vries Zürich April 18. 2013 1 Programm Was ist print-to-web Erfolgreiche Beispiele Bereich Markenschutz Die wichtigen
MehrPULSE REMOTE SERVICES DIE LEISTUNGEN IM ÜBERBLICK
REMOTE SERVICES DIE LEISTUNGEN IM ÜBERBLICK DAS PRINZIP SW SW HOTLINE DIAGNOSTIC SYSTEM KUNDE PRODUKTION INSTAND- HALTUNG/ MANAGEMENT SUPPORT PROFESSIONELLE UNTERSTÜTZUNG IM FALL DER FÄLLE SUPPORT SUPPORT
MehrEntwicklung des Dentalmarktes in 2010 und Papier versus Plastik.
Sehr geehrter Teilnehmer, hier lesen Sie die Ergebnisse aus unserer Umfrage: Entwicklung des Dentalmarktes in 2010 und Papier versus Plastik. Für die zahlreiche Teilnahme an dieser Umfrage bedanken wir
MehrBig Data Projekte rechtssicher durchführen
Big Data Projekte rechtssicher durchführen Ein Framework Dr. Jens Schefzig Hanau, BITKOM Big Data Summit 25. Februar 2015 1 Big Data: Rechtliche Herausforderungen an allen Ecken Datenmenge Datenvielfalt
MehrDer Begriff Cloud. Eine Spurensuche. Patric Hafner 29.06.2012. geops
Der Begriff Cloud Eine Spurensuche Patric Hafner geops 29.06.2012 Motivation Der größte Hype der IT-Branche Hype heißt sowohl Rummel als auch Schwindel slashdot.org The cloud represents a foundational
MehrINDUSTRIE- UND PRODUKTIONSLOGISTIK VERSTEHEN VERTRAUEN VERANTWORTEN
INDUSTRIE- UND PRODUKTIONSLOGISTIK VERSTEHEN VERTRAUEN VERANTWORTEN hören 02. 03 Um Ihre logistischen Probleme zu erfahren, hören wir Ihnen aufmerksam zu. Jedes Unternehmen hat seine individuellen Besonderheiten,
MehrSecurity Patterns. Benny Clauss. Sicherheit in der Softwareentwicklung WS 07/08
Security Patterns Benny Clauss Sicherheit in der Softwareentwicklung WS 07/08 Gliederung Pattern Was ist das? Warum Security Pattern? Security Pattern Aufbau Security Pattern Alternative Beispiel Patternsysteme
MehrBusiness Intelligence. Bereit für bessere Entscheidungen
Business Intelligence Bereit für bessere Entscheidungen Business Intelligence Besserer Einblick in Geschäftsabläufe Business Intelligence ist die Integration von Strategien, Prozessen und Technologien,
MehrDatabase Exchange Manager. Infinqa IT Solutions GmbH, Berlin Stralauer Allee 2 10245 Berlin Tel.:+49(0) 30 2900 8639 Fax.:+49(0) 30 2900 8695
Database Exchange Manager Replication Service- schematische Darstellung Replication Service- allgemeines Replikation von Daten von bzw. in ein SAP-System und einer relationalen DMS-Datenbank Kombination
MehrFragebogen: Abschlussbefragung
Fragebogen: Abschlussbefragung Vielen Dank, dass Sie die Ameise - Schulung durchgeführt haben. Abschließend möchten wir Ihnen noch einige Fragen zu Ihrer subjektiven Einschätzung unseres Simulationssystems,
MehrIBM Domino mit Active Directory & Identity Management verbinden
Matthias Förg, 23. Oktober 2014 BCC TechKnowledge Webinar IBM Domino mit Active Directory & Identity Management verbinden BCC Unternehmensberatung GmbH Frankfurterstraße 80-82 65760 Eschborn Tel.: +49
MehrRequirements Engineering für IT Systeme
Requirements Engineering für IT Systeme Warum Systemanforderungen mit Unternehmenszielen anfangen Holger Dexel Webinar, 24.06.2013 Agenda Anforderungsdefinitionen Von der Herausforderung zur Lösung - ein
MehrAnforderungen an die HIS
Anforderungen an die HIS Zusammengefasst aus den auf IBM Software basierenden Identity Management Projekten in NRW Michael Uebel uebel@de.ibm.com Anforderung 1 IBM Software Group / Tivoli Ein Feld zum
MehrIntegrierte IT Portfolioplanung
Integrierte Portfolioplanung -en und _e als zwei Seiten einer Medaille Guido Bacharach 1.04.010 Ausgangssituation: Komplexe Umgebungen sportfolio Ausgangssituation: Komplexe Umgebungen portfolio Definition:
MehrFallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data
Fallbeispiel: Intelligente Steuerung von Geschäftsprozessen auf Basis von Big Data Institut für Finanz- und Aktuarwissenschaften Lise-Meitner-Str. 14 89081 Ulm Oktober 2015 www.ifa-ulm.de Einführung Mit
MehrVerwaltung von Geräten, die nicht im Besitz des Unternehmens sind Ermöglich mobiles Arbeiten für Mitarbeiter von verschiedenen Standorten
Tivoli Endpoint Manager für mobile Geräte Die wichtigste Aufgabe für Administratoren ist es, IT-Ressourcen und -Dienstleistungen bereitzustellen, wann und wo sie benötigt werden. Die Frage ist, wie geht
MehrExistenzgründer Rating
Existenzgründer Rating Dipl.Kfm. Jörg Becker Kurzbeschreibungen-Inhaltsangaben www.beckinfo.de Existenzgründer-Rating Die Person im Mittelpunkt, 2009, ISBN 9783837072846 Neben einer trag- und zukunftsfähigen
MehrIT-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
MehrC36. Social Media Monitoring. Sie wollen es wissen. Namics. Nils Seiter. Consultant. 01. Juli 2010
C36. Social Media Monitoring. Sie wollen es wissen. Namics. Nils Seiter. Consultant. 01. Juli 2010 Agenda. Ausgangslage Ziele des Monitorings Grundlagen Monitoring-Tools Monitoring-Roadmap Auf den Punkt
MehrAnalyse 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
MehrKapitel 10 Aktive DBMS
Kapitel 10 Aktive DBMS 10 Aktive DBMS 10 Aktive DBMS...1 10.1 Einführung und Definition...2 10.2 Funktionsprinzip: ADBMS und ECA-Modell...4 10.3 Potentiale und Vorteile ADBMS...5 10.4 Aktive Elemente einer
MehrWorkflow, Business Process Management, 4.Teil
Workflow, Business Process Management, 4.Teil 24. Januar 2004 Der vorliegende Text darf für Zwecke der Vorlesung Workflow, Business Process Management des Autors vervielfältigt werden. Eine weitere Nutzung
MehrPERSONAL- ENTWICKLUNG 360º FEEDBACK. Information Factory
PERSONAL- ENTWICKLUNG 360º FEEDBACK Information Factory Agenda Führung Führungsqualität Tools für die Personalentwicklung 360 wichtige Merkmale & Prozessdesign Festlegung der Rahmenbedingungen Erhebung
MehrTechnologie für eine bessere Welt mit Sicherheit smarter
Technologie für eine bessere Welt mit Sicherheit smarter Dr. Lothar Mackert Vortrag beim IT-Sicherheitskongress 2011 Bonn, 12. April 2011 Technologie für eine bessere Welt - ein er Planet Supply Chains
MehrMHP Auditmanagement Ihre Lösung für Ihr Mobile Device- Management zur Performancesteigerung!
MHP Auditmanagement Ihre Lösung für Ihr Mobile Device- Management zur Performancesteigerung! 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbh Agenda Motivation MHP Lösung
MehrBedienungsanleitung PC-Konfigurationssoftware des ID Inclinometers
Bedienungsanleitung PC-Konfigurationssoftware des ID Inclinometers 1. Installation und Programmstart Die Verbindung zum Inclinometer funktioniert nicht unter Windows XP, 2000. 1.1 Installation Zur Installation
Mehr