Big Data und Predictive Analytics

Größe: px
Ab Seite anzeigen:

Download "Big Data und Predictive Analytics"

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

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

ibpm - intelligent Business Process Management: WWW.AXONIVY.COM

ibpm - 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

Mehr

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

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

Mehr

Vorhersagetechniken für zukünftiges Verhalten von Kunden

Vorhersagetechniken 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

Mehr

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Visual Business Analytics Visueller Zugang zu Big Data

Visual Business Analytics Visueller Zugang zu Big Data Visual Business Analytics Visueller Zugang zu Big Data Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

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

Making Things Right mit Industry Services

Making 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

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

Big Data in der Automobilindustrie Eine Managementperspektive

Big Data in der Automobilindustrie Eine Managementperspektive München, März 2015 Big Data in der Automobilindustrie Eine Managementperspektive Eine Studie von Berylls Strategy Advisors Big Data bietet für die Automobilindustrie enorme Potenziale dennoch steht die

Mehr

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

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

Mehr

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

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

Mehr

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Mining top-k frequent itemsets from data streams

Mining top-k frequent itemsets from data streams Seminar: Maschinelles Lernen Mining top-k frequent itemsets from data streams R.C.-W. Wong A.W.-C. Fu 1 Gliederung 1. Einleitung 2. Chernoff-basierter Algorithmus 3. top-k lossy counting Algorithmus 4.

Mehr

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

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

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

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

Mehr

Azure Machine Learning

Azure Machine Learning Azure Machine Learning Alexander Wechsler Wechsler Consulting GmbH & Co. KG Was ist Machine Learning? Technologie zur Vorhersage Ermittlung von Wahrscheinlichkeiten mit Hilfe von Mustern in großen Datenmengen

Mehr

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

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

Mehr

Big Data & High-Performance Analytics

Big Data & High-Performance Analytics Big Data & High-Performance Analytics Wolfgang Schwab, Senior Business Advisor Berlin 20.4.2012 PROJECTING THE GROWTH OF BIG DATA Source: IDC Digital Universe Study, sponsored by EMC, May 2010 THRIVING

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

Mit Risk Analytics Kundenrisiken aktiv steuern

Mit 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

Mehr

Big Data & High-Performance Analytics: Anwendungsszenarien

Big 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

Mehr

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

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

Mehr

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

SAP HANA eine Plattform für innovative Anwendungen

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

Mehr

NICE Performance Management. Albert Bossart, Sales Manager DACH, NICE Switzerland AG

NICE Performance Management. Albert Bossart, Sales Manager DACH, NICE Switzerland AG NICE Performance Management Albert Bossart, Sales Manager DACH, NICE Switzerland AG Performance Verbesserung für Mitarbeiter mit Kundenbeziehungen Aussendienst Tele- Sales Interner Verkauf Neuakuisition

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

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

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

Mehr

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

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

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

Social Media als Bestandteil der Customer Journey

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

Mehr

POINT OF ORIGIN MARKETING CONSULTING MARKETING BERATUNG & TECHNOLOGIE

POINT 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

Mehr

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

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

Mehr

SOZIALES" BRANCHENGEFLÜSTER ANALYSIERT DER SOCIAL MEDIA-MONITOR FÜR BANKEN

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

Mehr

SAS Predictive Analytics Factory The SAS approach for the production and maintenance of analytical models

SAS Predictive Analytics Factory The SAS approach for the production and maintenance of analytical models Predictive Analytics Factory The approach for the production and maintenance of analytical models Dr. Gerhard Svolba Austria Forum Finnland Helsinki September24 h, 2013 Agenda Rationale and idea of a Predictive

Mehr

Wird BIG DATA die Welt verändern?

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

Mehr

Insight Driven Health. Effizientes Versorgungsmanagement durch Gesundheitsanalytik. conhit Berlin, 24. April 2012

Insight Driven Health. Effizientes Versorgungsmanagement durch Gesundheitsanalytik. conhit Berlin, 24. April 2012 Insight Driven Health Effizientes Versorgungsmanagement durch Gesundheitsanalytik conhit Berlin, 24. April 2012 Agenda Vorstellung Accenture und Trends der Gesundheitsanalytik Beispiel Analytik Krankenversicherung

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Data Driven Marketing Eine Verortung

Data Driven Marketing Eine Verortung Data Driven Marketing Eine Verortung Gregor Wolf Geschäftsführer Experian Marketing Services Frankfurt, 29.01.2015 Experian and the marks used herein are service marks or registered trademarks of Experian

Mehr

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

The Day in the Life of a Business Manager @ Microsoft

The 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?

Mehr

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10.

Titel1. Titel2. Business Analytics als Werkzeug zur. Unternehmenssteuerung. Business Excellence Day 2015. Michael Shabanzadeh, 10. Titel1 Business Analytics als Werkzeug zur Titel2 Unternehmenssteuerung Business Excellence Day 2015 Michael Shabanzadeh, 10. Juni 2015 World Communication GmbH 2015 Seite 1 Definition Business Analytics

Mehr

Effektive Analyse großer Datenmengen im Public Sector

Effektive Analyse großer Datenmengen im Public Sector Effektive Analyse großer Datenmengen im Public Sector Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax:

Mehr

Make your day a sales day

Make 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

Mehr

Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie

Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie 18. März 2010, Allianz Arena München Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie Matthias Kraus SPSS, an IBM Company Solution

Mehr

OLAP und Data Warehouses

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

Mehr

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

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

Mehr

Treffsichere Absatzprognosen durch Predictive Analytics

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

Mehr

Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG

Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG Big Data Alter Wein in neuen Schläuchen? 27.11.2013 Josef Schmid M.A. Dynelytics AG 2 Big Data Gartner prognostiziert, dass Unternehmen im laufenden Jahr für IT-Lösungen im Big-Data- Bereich 34 Milliarden

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

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

Mehr

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

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

Mehr

Tourimus2020 16. Mai 2014 Dipl. Betriebswirt Michael Toedt. Toedt, Dr. Selk & Coll. GmbH

Tourimus2020 16. Mai 2014 Dipl. Betriebswirt Michael Toedt. Toedt, Dr. Selk & Coll. GmbH Big Data Wie die Datenflut die Hotellerie verändern wird Tourimus2020 16. Mai 2014 Dipl. Betriebswirt Michael Toedt TS&C Firmenporfil TS&C wurde 2005 von Dipl. Betriebswirt (FH) Michael Toedt Dr. jur.

Mehr

We have a plan, it s called: Making the strategy operable.

We have a plan, it s called: Making the strategy operable. Bochum, 20. Februar 2015 We have a plan, it s called: Making the strategy operable. HOW WE WORK Bochum, Screen 20. Februar - Identify 2015 - Prototype Unser SIP-Prozess transformiert digitale Strategie

Mehr

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

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

Mehr

Interaktive Visualisierung und Visual Analytics

Interaktive Visualisierung und Visual Analytics Interaktive Visualisierung und Visual Analytics Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155-646 Fax: +49 6151

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

Wie man herausragende Kundenerfahrung über den gesamten Kunden-Lebenszyklus erzielt. Albert Bossart, Sales Manager, NICE Systems

Wie man herausragende Kundenerfahrung über den gesamten Kunden-Lebenszyklus erzielt. Albert Bossart, Sales Manager, NICE Systems Wie man herausragende Kundenerfahrung über den gesamten Kunden-Lebenszyklus erzielt Albert Bossart, Sales Manager, NICE Systems Die komplette Voice of the Customer (VoC) DIREKT Echtzeit oder Event-basiertes

Mehr

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Michel Huissoud Lic.iur, CISA, CIA 5. November 2012 - ISACA/SVIR-Fachtagung - Zürich Überwachung Continuous Monitoring Continuous

Mehr

Visual Business Analytics Effektiver Zugang zu Daten und Informationen

Visual Business Analytics Effektiver Zugang zu Daten und Informationen Visual Business Analytics Effektiver Zugang zu Daten und Informationen Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151

Mehr

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

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

Mehr

Kundenbindung optimieren mit Predictive Analytics und Text Mining

Kundenbindung optimieren mit Predictive Analytics und Text Mining Kundenbindung optimieren mit Predictive Analytics und Text Mining Ein Praxis-Beispiel mit der Analyse-Plattform STATISTICA CeBIT Hannover, 10. März 2014 www.statsoft.de StatSoft (Europe) GmbH 2014 Dr.

Mehr

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering

Mehr

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme

Mehr

Operational Intelligence

Operational Intelligence Operational Intelligence Eric Müller Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt

Mehr

Die Rolle von Big Data für RE & FM. Erik Jaspers, Strategy & Innovation, March 2015

Die Rolle von Big Data für RE & FM. Erik Jaspers, Strategy & Innovation, March 2015 Die Rolle von Big Data für RE & FM Erik Jaspers, Strategy & Innovation, March 2015 30-3-2015 Erik Jaspers Product Strategy & Business Innovation erik.jaspers@planonsoftware.com Mitglied des Board of Trustees

Mehr

Lars Priebe Senior Systemberater. ORACLE Deutschland GmbH

Lars 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

Mehr

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung

Next Best Product. Kundenspezifische Produktangebote in einer Multichannel Umgebung Next Best Product Kundenspezifische Produktangebote in einer Multichannel Umgebung - Mag. Thomas Schierer - Erste Bank der oesterreichischen Sparkassen AG Agenda Erste Bank Allgemeine Information CRM in

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All

Mehr

Predictive Maintenance und moderne IT Die Zukunft für den Service im Schienenverkehr

Predictive Maintenance und moderne IT Die Zukunft für den Service im Schienenverkehr Predictive Maintenance und moderne IT Die Zukunft für den Service im Schienenverkehr Industry Siemens Sector, Mobility Rail Division Services We keep the rail world running Schutzvermerk / Copyright-Vermerk

Mehr

MHP Inventory Management Ihre Lösung für ein optimiertes und effizientes Bestandsmanagement!

MHP 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

Mehr

CENIT 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 CENIT Beschwerdemanagement Beschwerden bearbeiten, analysieren und vermeiden Stefan Jamin, Leiter ECM Zürich, 25.11.2014 Beschwerden allgemein Beschwerden können in vielen verschiedenen Bereichen auftreten

Mehr

Health Insurance Days Künstliche Intelligenz Relevanz für die Krankenversicherung? Otto Bitterli, CEO Sanitas Interlaken, 23.

Health Insurance Days Künstliche Intelligenz Relevanz für die Krankenversicherung? Otto Bitterli, CEO Sanitas Interlaken, 23. Health Insurance Days Künstliche Intelligenz Relevanz für die Krankenversicherung? Otto Bitterli, CEO Sanitas Interlaken, 23. April 2015 Agenda Was wir unter künstlicher Intelligenz 1 verstehen - Breites

Mehr

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014

Industrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Industrie 4.0 Predictive Maintenance Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Anwendungsfälle Industrie 4.0 Digitales Objektgedächtnis Adaptive Logistik Responsive Manufacturing Intelligenter

Mehr

Kundenwissen für den Energieversorger der Zukunft

Kundenwissen 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

Mehr

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation

SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation SAP Customer Engagement Intelligence - Kundenanalysen der nächsten Generation Alexander Schroeter, Head of Outbound PM MEE, CRM & Commerce, SAP AG Regensdorf, November 19, 2013 SAP Customer Engagement

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

9 Resümee. Resümee 216

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

Mehr

Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben

Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben Jürgen Boiselle, Managing Partner 16. März 2015 Agenda Guten Tag, mein Name ist Teradata Wozu Analytics

Mehr

Visual Business Analytics Effektiver Zugang zu Daten und Informationen

Visual Business Analytics Effektiver Zugang zu Daten und Informationen Visual Business Analytics Effektiver Zugang zu Daten und Informationen Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151

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

Living Lab Big Data Konzeption einer Experimentierplattform

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

Mehr

Digitale Transformation - Ihre Innovationsroadmap

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

Mehr

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog

Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Mit Big Data zum Touchpoint- übergreifenden Echtzeit- Kundendialog Big Data im Marke

Mehr

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management)

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management) EXZELLENTES MASTERDATENMANAGEMENT Creactives-TAM (Technical Attribute Management) Datenqualität durch Stammdatenmanagement Stammdaten sind eine wichtige Grundlage für Unternehmen. Oft können diese, gerade

Mehr

Prozess- und Datenmanagement Kein Prozess ohne Daten

Prozess- und Datenmanagement Kein Prozess ohne Daten Prozess- und Datenmanagement Kein Prozess ohne Daten Frankfurt, Juni 2013 Dr. Wolfgang Martin Analyst und Mitglied im Boulder BI Brain Trust Prozess- und Datenmanagement Erfolgreiche Unternehmen sind Prozessorientiert.

Mehr

Privacy-preserving Ubiquitous Social Mining via Modular and Compositional Virtual Sensors

Privacy-preserving Ubiquitous Social Mining via Modular and Compositional Virtual Sensors Privacy-preserving Ubiquitous Social Mining via Modular and Compositional s Evangelos Pournaras, Iza Moise, Dirk Helbing (Anpassung im Folienmaster: Menü «Ansicht» à «Folienmaster») ((Vorname Nachname))

Mehr

Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH

Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH Silvan Geser Solution Specialist Unified Communications Microsoft Schweiz GmbH - Henry Ford, 1863-1947 Individuelle erreichbarkeit Sicherheit und Regulatorien Verteilte Teams Partner und Kunden Hohe Kosten

Mehr

Neue Möglichkeiten analytischer Lösungen für gesetzliche Krankenversicherungen

Neue Möglichkeiten analytischer Lösungen für gesetzliche Krankenversicherungen BITMARCK Kundentag am 04.11.2013 Neue Möglichkeiten analytischer Lösungen für gesetzliche Krankenversicherungen Stefan Sander; Senior Client Technical Specialist IBM Software Group Mascha Minou Lentz ;

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

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System

Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System AG Computeranwendungen und QuanLtaLve Methoden in der Archäologie 5. Workshop Tübingen 14. 15. Februar 2014 Browser- gestützte Visualisierung komplexer Datensätze: Das ROAD System Volker Hochschild, Michael

Mehr

Visual Analytics. Seminar. [Guo, 2006] [Wong, 2006] [Keim, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006]

Visual Analytics. Seminar. [Guo, 2006] [Wong, 2006] [Keim, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006] Seminar Visual Analytics [Guo, 2006] [Keim, 2006] [Wong, 2006] [Proulx, 2006] [Chang, 2007] [Kosara, 2006] Visual Analytics - Definitions Visual analytics is the science of analytical reasoning facilitated

Mehr

Wo andere ins Stocken geraten, finden wir die richtige Lösung für Sie.

Wo andere ins Stocken geraten, finden wir die richtige Lösung für Sie. Wo andere ins Stocken geraten, finden wir die richtige Lösung für Sie. best-reactions GmbH Hirschberger Straße 33 D 90559 Burgthann Alle Rechte vorbehalten HRB 23679, Amtsgericht Nürnberg Geschäftsführer

Mehr

acatech DEUTSCHE AKADEMIE DER TECHNIKWISSENSCHAFTEN Cloud Computing und der Weg in die digitale Gesellschaft

acatech DEUTSCHE AKADEMIE DER TECHNIKWISSENSCHAFTEN Cloud Computing und der Weg in die digitale Gesellschaft acatech DEUTSCHE AKADEMIE DER TECHNIKWISSENSCHAFTEN Cloud Computing und der Weg in die digitale Gesellschaft Henning Kagermann Fachtagung Future Business Clouds Berlin, 6. Juni 2013 Zwei konvergente Technologieentwicklungen

Mehr

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH What is a GEVER??? Office Strategy OXBA How we used SharePoint Geschäft Verwaltung Case Management Manage Dossiers Create and Manage Activities

Mehr

Vorhersage 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 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

Mehr