IHRE DATEN SIND GOLD WERT!
|
|
- Irmgard Schumacher
- vor 7 Jahren
- Abrufe
Transkript
1 IHRE DATEN SIND GOLD WERT! DATENQUALITÄT ALS GRUNDLAGE FÜR AUSSAGEKRÄFTIGE RESULTATE EPA LEP ANWENDERKONFERENZ / 19. NOVEMBER 2015 / JÜRG DIETRICH
2 Statistik Predictive Analytics Data Mining Big Data Data Science Statistik dient zur Analyse von bekannten Hypothesen wird auf strukturierten Daten angewandt Data Science dient zur Erforschung von unbekannten Hypothesen sucht die Nadel im Heuhaufen
3 Data Science ist polyvalent Am Beispiel meiner bisherigen beruflichen Laufbahn: / Institut für Datenanalyse und Prozessdesign ZHAW Analyse von Umweltdaten / tecdata AG Buhlergroup Analyse von Industriellen Prozessen 2014 heute / AXA-Winterthur Versicherungen Analyse von Kundenbedürfnissen
4 Was kann Data Science? (am Beispiel der Industrie) Data Science extrahiert wertvolles Wissen und Optimierungspotential aus Daten der Industrie! Quantitative Untersuchung von vorhandenen Hypothesen Systematische Aufdeckung von bisher unbekannten Zusammenhängen Entdeckung von Mustern und Trends in grossen Datensammlungen Identifikation von optimierungs-relevanten Prozessgrössen Identifikation von optimalen Prozess- und Steuerungszuständen Das bringt Nutzen! Wissen Effizienz Robuste Prozesse Stabile und hohe Qualität Reduktion von Kosten
5 Daten sind die Rohstoffe von Data Science Produktionsdaten Materialdaten Labordaten Umgebungsdaten Prozessüberwachungsdaten konsolidierte Datenbasis schlechte Rohstoffe sind auch mit den besten Methoden und Köpfen nicht zu korrigieren!
6 Datenherkunft Quelle 1: Laborversuch Vorteile: Versuchsplan kann umgesetzt werden Gezielte Szenarien und Bedingungen können simuliert werden Hohe Variabilität kann erzeugt werden Systematische und lückenlose Datenerfassung Nachteile: Zeitaufwändig und teuer Teilweise sind reale Bedingungen (Rohstoffe, etc.) nicht zu simulieren Laborbedingungen weichen von der Realität ab
7 Datenherkunft Quelle 2: realer laufender Prozess Vorteile: Reale Bedingungen Keine zusätzlichen Kosten Nachteile: Wenig Variabilität wegen konstanter Prozessführung Lückenhafte Daten Mögliche substanzielle Änderungen am Prozess
8 Anspruch an die Daten 1. relevant Relevante Parameter müssen gemessen werden 2. repräsentativ Die Daten müssen repräsentativ für den Prozess sein 3. rückverfolgbar Die Qualitätsdaten müssen mit allen anderen Prozessschritten verknüpfbar sein 4. digital Die Daten müssen maschinenlesbar zur Verfügung stehen 5. vollständig Die Daten sollten möglichst wenige Lücken aufweisen 6. korrekt Die Daten sollten fehlerfrei sein Ausreisser sind dabei kein Problem Systematische Fehler dagegen schon
9 Vorverarbeitung der Daten Datenqualität beginnt bei der Datenerfassung, endet aber nicht dort Die Datenvorverarbeitung hat die genau gleiche Wichtigkeit wie die Erfassung Data Preprocessing Collect Clean Link Transform die Aufbereitung und Verknüpfung von Datenquellen gehören zum Handwerk eines Data Scientist, genauso wie die Analyse
10 Datenzuordnung Prozessdaten können oftmals nicht eindeutig den Qualitätsdaten zugeordnet werden Zeitverzug Kennzahl Kennzahl Kennzahl Kennzahl Eine Berücksichtigung von Zeitverzügen, wie auch geeignete statistische Kennzahlen erhöhen den Informationsgehalt der Analyse-Daten signifikant
11 Arbeitsaufwand Datenqualität vs. Analysen Datenqualität Analysen Wichtigkeit und Potential Die Datenaufbereitung beansprucht 70% der Ressourcen eines Datenanalyse-Projekts.
12 Herzlichen Dank! Jürg Dietrich CH 9000 St.Gallen
Identifikation von Zeitwerten für LEP-Pflegeinterventionen. Reto Bürgin, Dieter Baumberger,
Identifikation von Zeitwerten für LEP-Pflegeinterventionen Reto Bürgin, Dieter Baumberger, 15.11.2016 Einleitung Für statistische Auswertungen können für LEP-Interventionen Zeitwerte erfasst werden Z.B.
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrIndustrie 4.0 bei der Deutschen Bahn AG Entwicklungen und Herausforderungen. ZERO.ONE.DATA powered by DB Systel GmbH
Industrie 4.0 bei der Deutschen Bahn AG Entwicklungen und Herausforderungen ZERO.ONE.DATA powered by DB Systel GmbH ZERO.ONE.DATA by DB Systel GmbH Dr. Lars Freund 20.06.2016 Virtuelles Big Data Center
MehrA Big Data Change Detection System. Carsten Lanquillon und Sigurd Schacht
A Big Data Change Detection System Carsten Lanquillon und Sigurd Schacht Digitale Transformation in Unternehmen u Umfassende Erfassung, Speicherung und Verfügbarkeit von Daten à Big Data Quelle: Rolland
MehrDATEN - 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
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
MehrParadise Found Roadshow 2017
Paradise Found Roadshow 2017 Von Daten zu wertvollen Informationen Wie Sie datenschutzkonform und agil ihre Daten für maschinelles Lernen aufbereiten Wie wichtig ist heute Data Preparation für Data Discovery
MehrProduktionsdaten mit Unternehmensdaten vernetzen
Produktionsdaten mit Unternehmensdaten vernetzen Von Big Data zu Smart Data 17. November 2016 Peter Strohm Marc Tesch Jedox vereinfacht Planung, Reporting & Analyse BI & CPM Software in der Cloud & On-premises
MehrSTART DER INSTITUTS- PARTNERSCHAFT ZUM THEMA DIGITALISIERUNG
START DER INSTITUTS- PARTNERSCHAFT ZUM THEMA DIGITALISIERUNG HAMBURG 23. MAI 2017 PROF. DR. DIMKA KARASTOYANOVA KOLLABORATIVE, DYNAMISCHE UND KOMPLEXE SYSTEME FÜR DIE LOGISTIK HAMBURG 23. MAI 2017 SCM
MehrDatamining und Patientensicherheit
Datamining und Patientensicherheit Statistik für mehr Sicherheit 4. Mai 2017 - APS Jahrestagung - Referent: Prof. Dr. phil. Winfried Zinn PatE Stiftungs-UG (haftungsbeschränkt) An der Alten Schule 16,
MehrAnreize und finanzielles Entscheidungsverhalten
Institut für Banking und Finance Executive Summary Anreize und finanzielles Entscheidungsverhalten Direktor Prof. Dr. Thorsten Hens Betreuerin: Dr. Kremena Bachmann Verfasser: Oliver Merz Executive Summary
MehrQUANTITATIVE VS QUALITATIVE STUDIEN
1 QUANTITATIVE VS QUALITATIVE STUDIEN Q UA N T I TAT I V E ST U D I E (lat. quantitas: Größe, Menge) Q UA L I TAT I V E ST U D I E (lat.: qualitas = Beschaffenheit, Merkmal, Eigenschaft, Zustand) 2 QUANTITATIVES
MehrVertrieb 4.0. Vertrieb und Marketing in einer Digitalen Welt. Hartmut H. Giesel
Vertrieb 4.0 Vertrieb und Marketing in einer Digitalen Welt Hartmut H. Giesel Inhaltsverzeichnis - Vorwort 1 - Inhaltsverzeichnis 7 1 Die Digitalisierung der Wirtschaft 14 - Industrie 4.0 - Treiber der
MehrIndustrie 4.0 Was geht das die Instandhaltung an?
Industrie 4.0 Was geht das die Instandhaltung an? Prof. Dr. Christoph Heitz Studiengangleiter CAS Instandhaltungsmanagement, CAS Asset Management Head of Business Engineering and Operations Management
MehrDie Schlüssel-Lösung zur Ertragssteigerung: Enterprise PROduction Management E PROMI datenbasierte Entscheidungsunterstützung mit integrierter
Korrekte Entscheidungen für Qualität und Produktivität effizient finden und treffen Die Schlüssel-Lösung zur Ertragssteigerung: Enterprise PROduction Management E PROMI datenbasierte Entscheidungsunterstützung
MehrBMWi-IA4 Mai Leistungsbeschreibung für die Ausschreibung eines Forschungsvorhabens zum Thema
BMWi-IA4 Mai 2017 Leistungsbeschreibung für die Ausschreibung eines Forschungsvorhabens zum Thema Ökonomische Wirkungen vertikaler Finanztransfers - Eine empirische Analyse für Deutschland mit dem Fokus
MehrTrends in der BI. Hannover, 20. März 2017 Patrick Keller, Senior Analyst und Prokurist
Trends in der BI Hannover, 20. März 2017 Patrick Keller, Senior Analyst und Prokurist BARC: Expertise für datengetriebene Unternehmen 2 Top Trends in BI und Analytics als Chance 3 Relevante Trends vs.
MehrBIG DATA Die Bewältigung riesiger Datenmengen
BIG DATA Die Bewältigung riesiger Datenmengen Peter Mandl Institut für Geographie und Regionalforschung der AAU GIS Day 2012, 13.11.2012, Klagenfurt Was sind BIG DATA? Enorm große Datenmengen, Datenflut
MehrData Mining Anwendungen und Techniken
Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses
MehrDigitale Supply Chain
Digitale Supply Chain Hype, alter Hut oder gar (R)Evolution? IT in der Supply Chain. Dr. Torsten Mallée, AEB Status Quo Treiber Risiken Definition Digitalisierung Der Begriff Digitalisierung bezeichnet
MehrDIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION
DIGITALE TRANSFORMATION MITTELSTAND POTENTIALE FÜR PROZESS-, PRODUKT- UND DIENSTLEISTUNGSINNOVATION Dr. Daniel Jeffrey Koch Fraunhofer IAIS 19. Oktober 2015 1 Die Fraunhofer-Gesellschaft Forschen für die
MehrWelchen Einfluss wird die Künstliche Intelligenz in Finanz-Anwendungen auf die Wirtschaftsprüfung nehmen?
Welchen Einfluss wird die Künstliche Intelligenz in Finanz-Anwendungen auf die Wirtschaftsprüfung nehmen? Data Mining, Process Mining, Business Judgement, Expertensystem, BOT, Deep Learning und mehr Düsseldorf,
MehrBig Data - Fluch oder Segen?
mitp Professional Big Data - Fluch oder Segen? Unternehmen im Spiegel gesellschaftlichen Wandels von Ronald Bachmann, Guido Kemper, Thomas Gerzer 1. Auflage Big Data - Fluch oder Segen? Bachmann / Kemper
MehrPlant Data Services Frei verwendbar Siemens AG 2016 siemens.de/plant-data-services
Plant Data Services Frei verwendbar Siemens AG 26 siemens.de/plant-data-services Wir alle fragen uns Schöpft meine Anlage ihr volles Potenzial aus? Kennen wir das volle Potenzial unserer installierten
MehrVon Daten zu Wissen oder von Inseln zu einem Kontinent
oder von Inseln zu einem Kontinent Michael Lierheimer Senior Engineer, Consultant Seite 1 Aktueller Zustand Dateninseln Seite 2 Aktueller Zustand Dateninseln Aktueller Stand in vielen Fertigungseinrichtungen:
MehrPlanungsstudie 2015 Ergebnispräsentation (Auszug)
Planungsstudie 2015 Ergebnispräsentation (Auszug) Studiendesign und Aufbau der Ergebnispräsentation Die Erhebung der Daten für die vorliegende Studie in Form einer Onlinebefragung erfolgte von Mitte September
MehrVorwort... V. Abbildungsverzeichnis... XIII. 1. Überblick über die behandelten Problembereiche... 3
Inhaltsverzeichnis Vorwort... V Abbildungsverzeichnis... XIII 1. Überblick über die behandelten Problembereiche... 3 2. Aufgaben und wissenschaftstheoretische Grundzüge der Marktforschung... 9 2.1. Klassische
MehrOptimiertes IT Service Management durch Predictive Analytics. München, 23.06.2015 Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015
Optimiertes IT Service Management durch Predictive Analytics München, 23.06.2015 Dr. Katrin Zaiß, Kay Kasperkowitz TDWI Konferenz 2015 Agenda Herausforderungen im IT Service Management (ITSM) Predictive
MehrIndustrial Data Intelligence. Datenbasierte Produktionsoptimierung
!DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
Mehr2.2. Wissenschaftstheoretische Grundzüge der Gewinnung von Erkenntnissen über Märkte 10
Vorwort V Abbildungsverzeichnis XIII 1. Überblick über die behandelten Problembereiche 3 2. Aufgaben und wissenschaftstheoretische Grundzüge der Marktforschung 9 2.1. Klassische Aufgaben der Marktforschung
MehrVorgehensmodelle für Big Data Initiativen. DOAG 2014 Nürnberg
Vorgehensmodelle für Big Data Initiativen DOAG 2014 Nürnberg Agenda Was ist die Aufgabe von Big Data Projekten? Vergleich klassischer und agiler Vorgehensweisen Exemplarisches Vorgehen für Big Data Projekte
MehrTHEMA: DATA SCIENCE FÜR DEN BUSINESS USER" THOMAS WENDE
WEBINAR@LUNCHTIME THEMA: DATA SCIENCE FÜR DEN BUSINESS USER" THOMAS WENDE EBINAR@LUNCHTIME HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne K. Bogner-Hamleh SAS Institute GmbH Education Consultant
MehrWieviel Digitalisierung braucht Ihr Unternehmen wirklich?
Wieviel Digitalisierung braucht Ihr Unternehmen wirklich? conlab Management Consultants Königsallee 61 * 40215 Düsseldorf www.conlab.de C:/ /Handelsberatung Wieviel Digitalisierung braucht Ihr Unternehmen
MehrTrends, Best Practices & Umsetzung in Schweizer Unternehmen
Trends, Best Practices & Umsetzung in Schweizer Unternehmen Building Competence. Crossing Borders. Prof. Dr. Frank Hannich frank.hannich@zhaw.ch CRM Trends, Best Practices & Umsetzung in Schweizer Unternehmen
MehrSeminare/Praktika/ Projekte
Seminare/Praktika/ Projekte ANGEWANDTE INFORMATIK IV PROF.DR.-ING. STEFAN JABLONSKI TOPICS PROCESS MANAGEMENT AND DATA SCIENCE Processes In organisations many kinds of systems and people work together
MehrIhre Daten haben viel zu erzählen
Ihre haben viel zu erzählen Trends, die Menschen, und Ideen verbinden Wolfgang Kern, Senior Territory Sales Manager, Qlik Mai 2017 @SpeakersTwitterAc #QlikSense Tour QLIK 16 40.000 1.700 100 27 % CAGR
MehrSIE WOLLEN RECHTZEITIG EIN BILD ÜBER DIE DATENQUALITÄT IHRER ANALYSEDATEN HABEN? SAS UND JMP HELFEN IHNEN DABEI
SIE WOLLEN RECHTZEITIG EIN BILD ÜBER DIE DATENQUALITÄT IHRER ANALYSEDATEN HABEN? SAS UND JMP HELFEN IHNEN DABEI KSFE 2013, ULM, 1. MÄRZ 2013 DR. GERHARD SVOLBA - SAS AUSTRIA INHALT Die Idee von Data Quality
MehrData Analytics Das Gold der Zukunft
Data Analytics Das Gold der Zukunft 2. DIGITAL REAL ESTATE SUMMIT, 1. März 2016 André Arrigoni, Partner Data Analytics das Gold der Zukunft Rohstoff Daten SMACT als Treiber SMACT Social Mobile Analytics
MehrControlling 4.0 Integrierte Unternehmensplanung und -steuerung
Integrierte Unternehmensplanung und -steuerung Dr. Carsten Richter Hintergrund Industrie 4.0 Datengestützte, nutzerzentrierte Geschäftsmodelle 29.07.2016 2 Zielsetzung Industrie 4.0 Durch konsequentes
MehrInfografik Business Intelligence
Infografik Business Intelligence Top 5 Ziele 1 Top 5 Probleme 3 Im Geschäft bleiben 77% Komplexität 28,6% Vertrauen in Zahlen sicherstellen 76% Anforderungsdefinitionen 24,9% Wirtschaflicher Ressourceneinsatz
MehrRietveldverfeinerung Anwendung in der Zementindustrie
Rietveldverfeinerung Anwendung in der Zementindustrie C. Schneider und S. Baetzner, Düsseldorf Technisch-wissenschaftliche Zementtagung Nürnberg, 27./28. Oktober 25 Gliederung Prinzip und Voraussetzungen
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?
MehrVerbesserung der Datenqualität im ETL-Prozess durch Data-Mining-Methoden
Verbesserung der Datenqualität im ETL-Prozess durch Data-Mining-Methoden Nürnberg, 01. Dezember 2008 Dr. Joachim Keppler Competence Center Manager Customer Analytics Joachim.Keppler@SHS-VIVEON.com INHALT
MehrMACHEN SIE MEHR MIT IHREN UND ANDEREN DATEN
Data-driven Business MACHEN SIE MEHR MIT IHREN UND ANDEREN DATEN Dr. Robert Ginthör Regionalveranstaltung zu Wirtschaft 4.0 in NÖ, 14.11.2016 Know-Center GmbH, www.know-center.at Lassen Sie uns zuerst
MehrFuture Digital Business
mitp Business Future Digital Business Wie Business Intelligence und Web Analytics Online-Marketing und Conversion verändern von Ralf Haberich 1. Auflage Future Digital Business Haberich schnell und portofrei
MehrSiedlungsstrukturelle Kennzahlen und deren Monitoring in Rasterkarten
Dresden, 26. 27.Mai 2011 Siedlungsstrukturelle Kennzahlen und deren Monitoring in karten Markus Dießelmann, Dr. G. Meinel, Robert Hecht Inhalt Motivation und Zielstellung Datengrundlage Datenzuordnung
MehrWarum sich Data Mining für kleine und mittelständische Unternehmen lohnt.
Warum sich Data Mining für kleine und mittelständische Unternehmen lohnt. Gewinnen Sie entscheidungsrelevantes Wissen mit Data Mining Warum sich Data Mining für kleine und mittelständische Unternehmen
MehrStatistische Prozesskontrolle in der Holzverarbeitung ein Brückenschlag zu Bioenergie
Statistische Prozesskontrolle in der Holzverarbeitung ein Brückenschlag zu Bioenergie BioUp Fachtag 2015 Biomasse: Forschung - Normung Technik Themenblock: Prozessoptimierung Wien, 22.April 2015 Martin
MehrCRM-Trends in der Schweiz
CRM-Trends in der Schweiz Was Sie nicht verpassen sollten und wo noch Chancen liegen Building Competence. Crossing Borders. Prof. Dr. Frank Hannich frank.hannich@zhaw.ch CRM-Trends in der Schweiz Zentrale
MehrDatenvorverarbeitung von nominalen Daten für Data Mining
Datenvorverarbeitung von nominalen Daten für Data Mining Entstanden 2004/2005 bei der T-Systems International GmbH unter Betreuung von Prof. Dr. J. Fürnkranz Seite 1 Gliederung Datenvorverarbeitung Prepared
MehrPrognosen 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...
MehrB I D D I G I T A L E T B A H N. Deutsche Bahn und Big Data
Platzhalter für Titelbild Hier können Sie Bilder aus der Mediathek einfügen! Placeholder for title picture You can insert here pictures from the Mediathek! Deutsche Bahn und Big Data B I D D I G I T A
MehrLaufbahnen im Sport. Swiss Olympic. Daniela Torre 17. Mai 2017 Zürich. Bild: Keystone
Laufbahnen im Sport Swiss Olympic Daniela Torre 17. Mai 2017 Zürich Bild: Keystone Inhalt Swiss Olympic und «Duale Karriere» Angebote von Swiss Olympic im Bereich «Duale Karriere» und Übergang in die Nachsportkarriere?
MehrFrequent Itemset Mining + Association Rule Mining
Frequent Itemset Mining + Association Rule Mining Studiengang Angewandte Mathematik WS 2015/16 Frequent Itemset Mining (FIM) 21.10.2015 2 Einleitung Das Frequent-Itemset-Mining kann als Anfang des modernen,
MehrHerausforderungen des digitalen Marketings. Building Competence. Crossing Borders.
Herausforderungen des digitalen Building Competence. Crossing Borders. Dr. Michael Klaas michael.klaas@zhaw.ch, 24. Mai 2017 Vorstellung Michael Klaas Heute Leitung Fachstelle für integrierte Kommunikation
MehrDigitale Analyse: Erfolgsmessung in digitalen Medien
Internet für Existenzgründer: Digitale Analyse: Erfolgsmessung in digitalen Medien IHK Bonn/Rhein-Sieg, 8. September 2015 Internet für Existenzgründer Digitale Analyse: Erfolgsmessung in digitalen Medien
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
MehrKünstliche Intelligenz Einsatzszenarien
Künstliche Intelligenz Einsatzszenarien Recommendation Engines Kunden neue Produkte anbieten bevor sie wissen, dass sie sie brauchen. Durch Advanced Analytics kann mehr Umsatz pro Auftrag durch Cross-
MehrInferenzstatistik Vortrag: Alpha und Beta Fehler
Inferenzstatistik Vortrag: Alpha und Beta Fehler Dresden, 18.11.08 01 Fehlerquelle Hypothesen Unbekannte Wirklichkeit H0 ist richtig H0 ist falsch Schlussfolgerung aus dem Test unserer Stichprobe Ho annehmen
MehrLukas Dünser. Institut für Höhere Studien (IHS) Wien
Lukas Dünser Institut für Höhere Studien (IHS) Wien Interaktion zwischen Wirtschaftsstruktur und beruflicher Bildung Struktureller Einfluss des regionalen Arbeitsmarktes auf das Arbeitslosigkeitsrisiko
MehrDB Digital Vehicle Solutions Eine Plattform viele Lösungen
DB Digital Vehicle Solutions Eine Plattform viele Lösungen DB Systel GmbH und DB Systemtechnik Berlin 14./15.04.2016 DVS orientiert sich an den großen Herausforderungen im Betrieb einer Zugflotte Hohe
MehrDigitale Transformation
Digitale Transformation Auswirkungen auf Unternehmenssteuerung und Controlling! CCS 2016 - Controlling Competence Stuttgart,Stuttgart 24.11.2016 Inhalt Digitale Transformation - warum die eigentliche Veränderung
MehrMichael Häder. Delphi-Befragungen. Ein Arbeitsbuch. 3. Auflage. ^ Springer VS
Michael Häder Delphi-Befragungen Ein Arbeitsbuch 3. Auflage ^ Springer VS Inhalt Vorwort 9 1 2800 Jahre Delphi: Ein historischer Überblick 13 2 Begriffsbestimmungen 19 2.1 Was sind Delphi-Befragungen?
MehrBig Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC
Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie
MehrDokumentenversion DMP im Überblick
Dokumentenversion 1.0 2017 DMP im Überblick Webtrekk speichert userbezogene Daten in einer Data Management Plattform (DMP). Sie enthält Daten für jeden Besucher der Webseite. Durchschnittlich nur 10 %
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
MehrWEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS
WEBINAR@LUNCHTIME THEMA: WAS MACHT EIGENTLICH EIN DATA SCIENTIST?" BERNADETTE FABITS HINEIN GEHÖRT DATA SCIENTIST, STATISTIKER, DATA MINER, ANALYST,. Gibt es noch mehr von denen. die arbeiten mit Big Data
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrOracle Performance Analyse Erweiterte Möglichkeiten mit Statistiken und Wartezeiten
Oracle Performance Analyse Erweiterte Möglichkeiten mit Statistiken und Wartezeiten DOAG 2012, Nürnberg Felix Castillo Sanchez Akazienweg 6 D-61479 Glashütten email: felix.castillo@oraconsult.de Web: http://blog.oraconsult.de
Mehr1. IBM Big Data Summit 2012
1. IBM Big Data Summit 2012 IBM Big Data Summit 2012 Sven Löffler, Solution & Business Development Leader Big Data, SWG IM IBM Analytics Solution Center Berlin 23.10.2012 3 IBM Analytics Solution Center
MehrProzesse einfach modellieren und verständlich publizieren
Prozesse einfach modellieren und verständlich publizieren Qualität im Dialog Hamburg Industrie 4.0 Im Prozessmanagement Umfeld 2 Herzlich Willkommen zur Präsentation Dipl.-Ing. Marco Idel Geschäftsführender
MehrMieten- und Kaufpreisermittlung im Rahmen der kommunalen Wohnungsmarktbeobachtung
Mieten- und Kaufpreisermittlung im Rahmen der kommunalen Wohnungsmarktbeobachtung Workshop KomWoB 2007 daten analyse beratung statistik Kommunale Wohnungsmarktbeobachtung 1. Immobilienmarkt Kauffälle und
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrAlles digital. Alles Käse? Digitale Transformation in der Produktion
Alles digital. Alles Käse? Digitale Transformation in der Produktion Vortrag 3 Die integrierte Plattform als Enabler Kaltbach, 16. März 2017 14:10 15:00 15:30 15:45 Programm I 4.0: Visionen, Ziele & Trends
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrWelche Faktoren steigern die Nachfrage nach Steuerberatungsdienstleistungen?
Welche Faktoren steigern die Nachfrage nach Steuerberatungsdienstleistungen? Sebastian Eichfelder, Frank Hechtner, Nima Massarat-Mashadi, Christian Sielaff Frühjahrstagung der Kommission Steuerlehre Habilitantenworkshop
MehrDatengestütztes Performance Management - Beispiel der Radiologie -
Swiss ehealth Summit Bern, Christoph Napierala Datengestütztes Performance Management - Beispiel der Radiologie - siemens.ch/answers Siemens AG Zahlen und Fakten Auftragseingang: 82.4 Milliarden Euro Umsatz:
MehrBig Data und Datenschutz
Big Data und Datenschutz ULD Sommerakademie 2017 18. September 2017 Benjamin Bremert Big Data Ein weitgehend diffuser Begriff zur Beschreibung sowohl von Technik als auch Anwendungen. Traditionell definiert
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
MehrAnomalieerkennung durch Untersuchung hostspezifischer Kommunikationsprofile im Netzwerkverkehr
Universität Bonn Institut für Informatik IV Prof. Dr. Martini Einleitungsvortrag zur Diplomarbeit Anomalieerkennung durch Untersuchung hostspezifischer Kommunikationsprofile im Netzwerkverkehr Referent:
MehrPhänomen Digitalisierung Pflicht oder Kür erfolgreicher Unternehmen. Hannover, Timm Grosser, Senior Analyst
Phänomen Digitalisierung Pflicht oder Kür erfolgreicher Unternehmen Hannover, 15.03.2016 Timm Grosser, Senior Analyst 18.03.2016 BARC 2016 2 BARC: Expertise für datengetriebene Unternehmen 18.03.2016 BARC
MehrJan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008
Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption
MehrVerbrennungsoptimierung in der Praxis
Verbrennungsoptimierung in der Praxis Matthias Göllner, Fa. SEEGEN, Dachverband Biomasseheizwerke Salzburg www.seegen.at biomasseboerse.at heizwerkpool.at Optimierungspotential Brennstoffeinsatz Brennstoffeinkauf
MehrWas wir vorhersagen, soll auch eintreffen! Röntgenblick auf Sensordaten: Predictive Maintenance für medizinische Großgeräte
Was wir vorhersagen, soll auch eintreffen! Case Study // Röntgenblick auf Sensordaten: Predictive Maintenance für medizinische Großgeräte Management Summary Stichworte Industrie 4.0 Big Data Qualitätssicherung
MehrDirektmarketing 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
MehrSports Data Mining Data Sources for Sports - Daten und Datenquellen zur Nutzung für DataMining - Michael Gleser
Sports Data Mining Data Sources for Sports - Daten und Datenquellen zur Nutzung für DataMining - Michael Gleser 27.05.14 Fachbereich 20 Institut KE Prof. Fürnkranz 1 Daten... Football is a simple game;
MehrVon Big Data zu Smart Information Empolis Information Management Workshop "Datenmanagement in der Zukunft"
Von Big Data zu Smart Information Empolis Information Management Workshop "Datenmanagement in der Zukunft" 02.07.2014 Bamberg Andreas Nierlich Seite 1 Von 2009 bis 2020 soll das digitale Informationsvolumen
MehrWas sind Kennzahlen? Chancen und Risiken für das Management
Was sind Kennzahlen? Chancen und Risiken für das Management Dr. Stephan Vaterlaus, Geschäftsführer LEP Symposium: Kennzahlen im Management Aarau, 27. Januar 2016 Polynomics Jahrelange wissenschaftlich
MehrIntelligente Planungslösungen
Intelligente Planungslösungen Sparen Sie Zeit und erhöhen Sie die Planungsqualität mit innovativen Planungswerkzeugen Herausforderungen Durch steigende Variantenvielfalt und verkürzte Produktlebenszyklen
MehrIndustrie 5.0. Kommt die mathematische Revolution? Prof. Dr. Marco Lübbecke Lehrstuhl für Operations Research RWTH Aachen.
Industrie 5.0 Kommt die mathematische Revolution? Prof. Dr. Marco Lübbecke Lehrstuhl für Operations Research RWTH Aachen @mluebbecke Gurobi Anwendertage 6. Februar 2017 Marco Lübbecke Professor für Operations
MehrZur Konzeption von Meta-Analysen. Bernd Weiß 24. April 2003
Zur Konzeption von Meta-Analysen Bernd Weiß bernd.weiss@uni-koeln.de 24. April 2003 Gliederung I. Meta-Analyse im Kontext empirischer Sozialforschung II. Begriffsbestimmung III. Aufbau einer Meta-Analyse
MehrE-Mobility und Big Data Optimierte Datennutzung von Ladevorgängen
E-Mobility und Big Data Optimierte Datennutzung von Ladevorgängen BITKOM BIG DATA SUMMIT 2018 Hanau, 28. Februar 2018 Martin Klässner, Gert Breitfuß, Know-Center GmbH, www.know-center.at Agenda Vorstellung
MehrBekanntheit und Verwendung von Anglizismen
Bekanntheit und Verwendung von Datenbasis: 1.007 Befragte Erhebungszeitraum: 10. 14. Januar 2008 statistische Fehlertoleranz: +/ 3 Prozentpunkte Auftraggeber: CASIO Europe GmbH, Norderstedt 1. Thema der
MehrFEE. Big Data zur Unterstützung von Anlagenfahrern in der chemischen Industrie
FEE Frühzeitige Erkennung und Entscheidungsunterstützung für kritische Situationen im Produktionsumfeld Big Data zur Unterstützung von Anlagenfahrern in der chemischen Industrie Chemische Industrie Ein
Mehr4.0 Scan Wo steht mein Unternehmen im Industrie 4.0 Kontext?
4.0 Scan Wo steht mein Unternehmen im Industrie 4.0 Kontext? 4.0 Scan Wo steht mein Unternehmen im Industrie 4.0 Kontext? Wussten Sie, dass der Begriff Industrie 4.0 in China absolut etabliert ist? Das
MehrDisruption in der Verwaltung durch digitale Ökosysteme?
Disruption in der Verwaltung durch digitale Ökosysteme? EAM Community 30. November 2016 Werner Wehrli Unternehmensarchitekt Informatik Kanton Luzern werner.wehrli@lu.ch Stand: Oktober 2016 Science Fiction:
MehrGeburten und Schwangerschaftsabbrüche bei Jugendlichen. Trend bei den Geburten insgesamt (alle Geburten in Deutschland): fallend
Geburten und Schwangerschaftsabbrüche bei Jugendlichen Martin Gnielka / pro familia Köln-Zentrum / Stand Januar 25 - völlig überarbeitet! Entwicklungen bei Geburten insgesamt und bei Teenagern im Besonderen
MehrEINSATZ VON BIG DATA, PREDICTIVE ANALYTICS UND MACHINE LEARNING IN DER INDUSTRIE 4.0
EINSATZ VON BIG DATA, PREDICTIVE ANALYTICS UND MACHINE LEARNING IN DER INDUSTRIE 4.0 Matthias Braun (MBA, PMP) Mitglied der Geschäftsführung Trevisto AG Nunnenbeckstraße 6/8, 90489 Nürnberg 0911-430 839-00
MehrNorbert Wirth. Wer hat heute die Hoheit über die Daten der Märkte - und was bedeutet das für die Marktforschung?
Norbert Wirth Global Head of Data and Science GfK SE Wer hat heute die Hoheit über die Daten der Märkte - und was bedeutet das für die Marktforschung? Hat die Marktforschung die Hoheit über die Datengewinnung
Mehr