Data Science & Clementine
|
|
- Andrea Piroska Gulyás
- 5 évvel ezelőtt
- Látták:
Átírás
1 Data Science & Clementine
2 BEMUTATKOZÁS Tompa Miklós Közgazdász Business Analytics MSc Clementine Magyarország vezető data science társasága IBM partner
3 AGENDA 1 Data Science 2 Céges Működés 3 Data Scientist 4 Eszköztár 5 Két Clementine megoldás
4
5 FEJLETT ANALITIKA A mai adatelemzést alakító 4 legnagyobb hatás: 1. A statisztika hivatalos elmélete 2. Számítógépek és kijelzők forradalma 3. Adatkészletek növekvő mérete, számos területről 4. Egyre szélesebb körben felmerülő igény mérésre, számszerűsítésre Pafka Szilárd, 2016, CEU Business Analytics Course, Data Science
6 FEJLETT ANALITIKA A mai adatelemzést alakító 4 legnagyobb hatás: 1. A statisztika hivatalos elmélete 2. Számítógépek és kijelzők forradalma 3. Adatkészletek növekvő mérete, számos területről 4. Egyre szélesebb körben felmerülő igény mérésre, számszerűsítésre Tukey & Wilk, 1965 Tukey, J.W., & Wilk, M.B. (1965). Data analysis and statistics: techniques and approaches Reprinted in The Collected Works of John W. Tukey, Vol. V, Graphics , 1-22 (1988) Pafka Szilárd, 2016, CEU Business Analytics Course, Data Science
7 STATISZTIKA VS DATA SCIENCE Hagyományos elemzés Mintán dolgozik Múltbéli adatok elemzése Leíró statisztika Strukturált adatok Relációs adatbázisok DWH Fejlett analitika Teljes populáción dolgozik Használja a leíró statisztikát Historikus adatokból következtet a új jellemzőkre Adatbányászat Strukturálatlan adatok Real time elemzések Data Lake Összefüggések leírása Hipotézis tesztelés Eloszlás vizsgálatok DataScience Machine Learning MI Hálózatelemzés Big Data
8 PREDIKCIÓ ÖSSZEFÜGGÉS KÉT VAGY TÖBB VÁÉTOZÓ KÖZÖTT Két jellemző: Egyik alapján következtetünk a másikra Sok jellemző Alapján megmondja A gyümölcs fajtáját
9 GÉPI TANULÁS, MACHINE LEARNING Egy adattábla több megfigyelést tartalmaz gyümölcsökről Több féle alma, dinnye, citrom, stb adatait tartalmazza, pl 1200 sor, minden gyümölcsből 200 db Illetve tartalmazza a gyümölcs nevét Az algoritmus feldolgozza az adattáblát, és előállítja a mellékelt modellt (az egyes gyümölcsökre leginkább jellemző tulajdonságokat válogatja össze lehet a felvett adatok közt pár szem zöld cseresznye is, de a többség piros) Ha megadjuk a táblázat adatait A modell besorolja, hogy az adatok alapján melyik ismert gyümölcsről lehet szó (Supervised learning)
10 CHURN LEMORZSOLÓDÁS MODELL BEMENETI ADATAI
11 MIRE JÓ EZ AZ EGÉSZ Kockázatkezelés Igénylési scorecard Értékvesztés előrejelzés CRM/Marketing Lemorzsolódás Keresztértékesítés Kereslet előrejelzés Képelemzés Orvosi felvételek Intelligens vezérlő egységek Űrkutatás Csalásfelderítés Entitás kinyerés Hálózatelemzés Mintázatok keresése Szövegelemzés Hangfeldolgozás, szöveganalitika Automatizált ügyfélszolgálat Hangvezérlés
12 CRISP-DM AZ ADATBÁNYÁSZAT MÓDSZERTANA 1. Szervezeti (üzleti) megértés A lépés lényege, hogy érteni kell annak a szervezetnek (leggyakrabban üzletnek) a tevékenységét, céljait, amely számára az adattudományt alkalmazzuk. Meg kell találni azokat a kérdéseket, célokat amelyek megoldására az adatbányászatot alkalmazzuk, és meg kell fogalmaznunk azokat az adattudomány nyelvén. Rendszerint magas szintű, általános kérdésekből indulunk ki (pl. hogyan lehetne hatékonyabb a gyártás menete? hogyan szervezhetnénk hatékonyabban a céges gépkocsiflottát? stb.), amelyeket egyre konkrétabb, specifikusabb részkérdésekre bontunk. 2. Adatmegértés Ebben az előkészítési fázisban tisztába kerülünk a rendelkezésre álló adatokkal: összegyűjtjük, minősítjük, értelmezzük őket. Önmagában az adatok ismerete még nem elég, különböző metainformációkat (pl. honnan, kitől származnak, milyen módszerrel gyűjtötték őket stb) is be kell gyűjtenünk, ami külön kutatást igényel. 3. Adatelőkészítés Az adatok számos formában érkezhetnek (táblázat, szöveg, kép, diagram stb.), külön nehézséget jelent a narratív szövegek (kommentek, hangfelvételek) és más, nem sorokba-oszlopokba rendezett információk kezelése. Az adatelőkészítés végére a nyers adatokból a modellezéshez szükséges tartalmú és formátumú adatkészleteknek kell összeállniuk. 4. Modellezés Az adatmodellezés során az összegyűjtött és előkészített adatokból előállítjuk az üzleti igény szerinti elemzést (pl: klaszterezés ügyfélszegmens kialakítása, predikció mely ügyfelek hagyják el a céget). 5. Kiértékelés Az adatok kiértékelése révén tudjuk megállapítani a modellünk értékét, használhatóságát és eldönteni, mit kezdhetünk az eredményekkel; ellenőrizzük, hogy az adatelemzés szempontjából megfelelő modell(ek) az üzleti célra is valóban alkalmas(ak)-e. 6. Alkalmazás Ez a lépés az eredmények konkrét felhasználása: a kidolgozott modell már létező rendszerekkel való integrációja. Cégen belüli szolgáltatáskén való futtatása, működtetése.
13 DATA SCIENCE A CÉGES MŰKÖDÉSBEN
14
15 SZERVEZETI KÉRDÉSEK - BEVEZETÉS A közelmúlt Datawarehouse-októl a data Science team-ekig Magányos harcosoktól az integrált csapatmunkáig A jövő Data Science varázslatból funkcióvá Járuljon hozzá a profithoz Tervezni, mérni, értékelni Illeszkedjen a vállalati folyamatokba Vállalati folyamatokba integrált megoldás Adatvezérelt szervezet
16 ADATVEZÉRELT SZERVEZET Adatvezérelt szervezet rendszeresen végzi az adatok gyűjtését, feldolgozását, felhasználását, hogy eredményeket hozzon létre, segítse új termékek kialakítását, a régiek továbbfejlesztését, és segítsen eligazodni a versenyző piacon. D.J. Patil Data scientist, Fehér Ház
17 ADATVEZÉRELT SZERVEZET Van adatminőségéért felelős személy a szervezetben (Chief Data Scientist - Chiefds) Az első lépéstől legyen jelen az adat a szervezetben (Process) Döntések hátterében mindig adat álljon (Decisions) Minden illetékes érje el az adatokat, minél több ember érjen el minél több adatot (Access) Az elemzői csapat munkáját mindenhol ismerjék a szervezetben (Understanding) Domain ismeret (Domain) Legyen erőforrás az adatbeszerzésre (Research) A működés proaktív és rendszeresen mérik az eredményeket (Measure) Tudásmegosztás (Share)
18 ELEMZŐI CSAPATOK A SZERVEZETBEN Részlegek a valóságban Pénzügy, kontrolling Működés (gyártás, kockázat, aktuáriusok) DS általában a kereskedelmi funkcióknál Hogyan működnek az elemzési funkciók? Centralizált működés Egy elemző osztály létezik és végez minden elemzési feladatot. Előny: koncentrált szaktudás, hátrány: domain ismeret hiánya Szórt működés Data Science nem egy szokványos működési vagy adminisztrációs funkció Kutatás-Fejlesztés Szoftver fejlesztés Projekt menedzsment Telepített működés Centre of Excellence
19 KI AZ A DATA SCIENTIST?
20 ADATBÁNYÁSZ, DATA SCIENTIST I think data-scientist is a sexed up term for a statistician, Nate Silver applied statistician
21 ADATBÁNYÁSZ, DATA SCIENTIST ÜZLETI LÁTÁSMÓD IS! I think data-scientist is a sexed up term for a statistician Nate Silver applied statistician Az üzleti motivációt fókuszban tartva kell az elemzéseket, modellezéseket végezni. A legpontosabb előrejelzés, válasz sem ér semmit, ha nem volt pontos a kérdés.
22 KI AZ A DATA SCIENTIST Egy integrált csapat sokféle szakembert tartalmaz: dizájn web fejlesztés, műszaki-mérnöki, termék marketing és adminisztráció területről. Ezek az emberek mind értik az adatokat és használják is feladatukhoz, és én ezért mindannyiójukat data scientistnek tartom. Ha nem tudsz kódolni, nem lehetsz data scientist. VS Szakértelem Elméletben (2011): Hacker Scripter Alakalmazás használó A gyakorlat (2016): multifunkciós elemző Vertikális vs Horizontális Data Scientist (Crunch 2016: Polyglot Data Scientist) Csapatok Hagyományos és fejlett analitikai funkciók Sehol nem működik a fent említett értelmezés! Emberi tulajdonságokat veszünk fel, nem technikai tudást hmmmm Szükség van üzleti érzékre/megközelítésre Szükség van szakmai, adatbányász tudásra
23 DATA SCIENCE ESZKÖZTÁR
24 ESZKÖZRENDSZER Open Source R, Python RapidMiner Platform SPSS Modeler SAS MS Azure Machine Learning Akiket divatos kihagyni SQL Excel Felhőben MS Azure Amazon Web Services IBM Watson Open Sources Ingyenes, stabil közösségi tudásbázis, számtalan felhasználási mód. Platform Megbízhatóság, integrálhatóság, csapatmunka támogatás, könnyű kezelhetőség, vertikálisan lefedik az adatbányászat teljes folyamatát. A régi harcosok A napi munkában továbbra is vezető az Excel és az SQL egyszerűbb feladatokra, kis adatbázisokra Felhő Felhőben igény szerint érhetők el a legfejlettebb machine learning rendszerek, a legizmosabb szupeszámítógépek
25 R
26 AZ IBM SPSS MODELER AZ ESZKÖZÖK KÖZÖTT Platformok Support, verzió követés, stabilitás Rendszer intergráció Production Üzleti, vizualizációs felületek IBM SPSS Modeler IBM teljes portfoliójával integrálható Opensource kapcsolat Csapat munka Vizuális interfész
27 IBM SPSS MODELER
28 IBM SPSS MODELER
29 KÉT CLEMENTINE MEGOLDÁS
30 ÜGYFÉLSZOLGÁLATI MINŐSÉGBIZTOSÍTÁS - OTP Contact Center CLEMVOICE keretrendszer Alkalmazás 1. Hívások Hangfeldolgozás Szöveganalitikai feldolgozás Minőségbiztosítási szempontok ellenőrzése Hangvétel elemzés Téma kategorizálás Egyéb területek számára fontos információk gyűjtése (pl. CRM, csalás, termékfejlesztés) 2. Hívásokból, szöveges adatokból kinyert információk (Strukturált adat) 3. Hívás és működési adatok Egyéb meta-adatok Riportok, további elemzési lehetőségek: Minőségbiztosítás Értékesítés, CRM Termékfejlesztés csalásfelderítés, stb. Chat
31 ENTITÁS KIVONATOLÁS, HÁLÓZATELEMZÉS BELÜGYMINISZTÉRIUM, TEK Különböző adatforrások, képi anyagok, hangfelvételek, adatbázisok, szövegfájlok feldolgozása. A különböző elemek (személyek, címek, cégek, ügyek) kivonatolása. Kapcsolatrendszer felállítása. Bűnszövetkezetek feltérképezése, központi szereplők, események azonosítása.
32 32
33 SZÖVEGELEMZÉS ÜGYFÉLSZOLGÁLATI MINŐSÉGBIZTOSÍTÁS
34 MŰKÖDÉSI LOGIKA 1. Lépés: Leiratozás CLEMVOICE adatbázis Részletes, hívásszintű analitikai eredmények Kereshető, szűrhető, tetszőleges szintre aggregálható Ad-hoc lekérdezések lehetősége Különböző bontású és részletességű, időszakos és állandó riportok 2. Lépés: Elemzés (Analitikai képességek)
35 1. LÉPÉS: HÍVÁSOK LEIRATOZÁSA Folyamatos nagyszótáras beszédfelismerés: eredménye a teljes beszélgetés nagy pontosságú leirata Minden elhangzott szó leiratozásra kerül pontos időpecséttel ellátva Szüneteket, hezitálásokat is tartalmazza A valós időnél gyorsabb 1 perc alatt 4 percnyi beszélgetés átírására képes Üzembe helyezés: testreszabást igényel (rátanul az ügyfélszolgálat nyelvére )
36 2. LÉPÉS: ELEMZÉS Iparág specifikus, az adott ügyfélszolgálatra szabott szótárak segítségével testreszabható képességek. Szándék (szeretne, akar, stb..) Nyelvi mintázat: szótári elemek együtt előfordulása meghatározott távolságon belül Lemondás (lemond, visszamond, megszüntetni, stb..) Lemondás + szándék = lemondási szándék Termék Termék (bármilyen más termék, szolgáltatás neve) Képesség (tagadó szerkezetben is) Pénzügyek (tetszőleges kapcsolatok leírhatók)..szeretném visszamondani a baleset és halál biztosításomat meg a férjemét is mert megbeszéltük és azt mondta hogy hát sajnos nem tudjuk fizetni.. Pénzügyek Képesség
37 2. LÉPÉS: ELEMZÉS Iparág specifikus, az adott ügyfélszolgálatra szabott szótárak segítségével testreszabható képességek. Szolgáltatás (pl. netbank, otp direct) Probléma (nem sikerült, kidobott, próbál, stb.) Negatív (negatív szavak, kifejezések) Művelet (belépés, befizetés, utalás) Időadat (napok óta) Nyelvi mintázat: szótári elemek együtt előfordulása meghatározott távolságon belül Probléma + művelet = Technikai probléma tisztelt bank, ma reggel kb. egy órán keresztül próbáltam belépni az internetes rendszerükbe. sajnos nem sikerült, mert mire a csekkbefizetés menühöz értem volna, addigra a rendszer kidobott. az lenne a kérdésem, hogy ez egyszeri eset volt most, vagy várhatóan ilyen használhatatlan lesz a netbank? Negatív + szolgáltatás = Negatív vélemény
38 TELEFONOS MINŐSÉGBIZTOSÍTÁS PROTOKOLL Utalási megbízások Szigorú protokoll Minden egyes ügyfélkontakt automatikus minősítése Warning! tehát kívánok uram (NÉV) vagyok miben tudok segíteni sil kezicsókolom szeretnék egy egyszeri átutalást akkor hát sil ö sil háromszázharminc forintot sil mai napon egyszeri alkalom igen sil számlaszámot kérném sil (SZÁMLASZÁM) sil de kedvezményezett sil (KEDVEZMÉNYEZETT) sil közleményben mi szerepeljen sil közös költség díjelmaradás sil visszaolvasom önnek megbízása igen sil mai napon kettöezertizenkettö január huszonötödikén egyszeri alkalommal sil háromszázharminc forintot utalunk (SZÁMLASZÁM ÉS KEDVEZMÉNYEZETT) számú számlájára sil közleményben közös költség elmaradás jóváhagyja ezt igen köszönöm sil megtörtént tudok még segíteni hogy mennyibe kerül nekem ez az átutalás sil ez az átutalás sil ez nyolcvanhárom forint sil került akkor sil száznyolcvan sil jó sil köszönöm szépen sil köszönjük a hívást kezit csókolom viszonthallás
39 KÉPESSÉGEK: CC KPI-OK MONITOROZÁSA Megoldódik-e az ügyfél problémája az első hívásban? 1% FCR + = 1% Ügyfél elégedettség + kevesebb visszahívás = kevesebb kiadás Általános módszer Analitikai megközelítés Hogyan? Kampányszerű Folyamatos, minden hívásra kiterjedő Az ügyfél véleményén alapszik A tényleges ügyintézésen alapszik Hibalehetőség (rossz gomb) Plusz hívásidő Modellbe épített szabályok, konzisztens működés Nincs felesleges hívásidő Utalás azonosítható a hívásban a korábbi ügyintézésre, vagy további teendőkre, például: ez már a második alkalom, hogy telefonálok hányszor kell még telefonálom sajnos nem tudok segíteni..
40 KÉPESSÉGEK: HANGVÉTEL MÉRÉSE Negatív, szavak kifejezések előfordulása pl. tele van a hócipőm, felháborítónak tartom Nem kapott tájékoztatást pl. semmilyen tájékoztatást azóta nem kaptam Nem kapott kivonatot/ smst/nem sikerült elintézni valamit pl. nem kaptam meg az e havi számlakivonatot PSZÁF, fogyasztóvédelem emlegetése pl. azonnal a PSZÁF-hoz fordulok jó napot kívánok (NÉV) vagyok miben segíthetek önnek jó napot kívánok (NÉV) vagyok törökszentmiklósról a törökszentmiklósi fiókból a (NÉV) szeretnék beszélni milyen ügyben szeretne az ügyintézövel beszélni édes drága jó istenem a hócipöm tele van magukkal meghalt egy rokonunk és a folyószámlájáról szeretnénk a bankkártyáját letiltani mert ellopták a kórházban A beszélgetések kis részében azonosíthatók csak negatív elemek
41 41 FELDOLGOZÁS Tisztelt Bank! Maguk a legjobb magyar bank! Választ igénylő levelek 20%-os javulás a panaszok feldolgozási idejében! További előnyök A sürgősen megválaszolandó ek előrébb, míg a spamek hátrébb sorolódnak a feldolgozás során Jól skálázható Rövidebb feldolgozási idő Kompetenciák szerinti, specializált ügyintézés Tudásbázis, sablonok Spamek
42 ELŐADÁSOK BIG DATA ÉS DATA SCIENCE TÉMÁBAN
Beszédfelismerés. mit jelent, hogyan működik, kinek éri meg. Tibor Fegyó SpeechTex Kft.
Beszédfelismerés mit jelent, hogyan működik, kinek éri meg Tibor Fegyó SpeechTex Kft. SpeechTex Kft. Magyar KKV Bő 20 éve a számítógépes beszédfelismerés területén dolgozó magyar kutatók, szakemberek Célunk:
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenFekete Csaba Csongor Üzleti intelligencia vezető Citibank ZRt.
Fekete Csaba Csongor Üzleti intelligencia vezető Citibank ZRt. Tartalom BI mérföld kövek Kezdeti architektúra és kontextus Lokális Adattárház Kialakítása CRM Evolúció Üzleti Intelligencia kiaknázó eszközök
RészletesebbenBig Data az adattárházban
Big Data az adattárházban A párbaj folytatódik? Néhány fontos Big Data projekt Cég Téma Adat Újfajta Mennyiség Saját adat? Típus Google Influenza Google I big I Előjelzés előjelzés Farecast Xoom Chicagoi
RészletesebbenTartalom. Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben.
Tartalom Jó hogy jön Jucika, maga biztosan emlékszik még, hányadik oldalon van a Leszállás ködben. Előszó 1. Az adatbányászatról általában 19 1.1. Miért adatbányászat? 21 1.2. Technológia a rejtett információk
RészletesebbenÜzleti folyamatok rugalmasabb IT támogatása. Nick Gábor András 2009. szeptember 10.
Üzleti folyamatok rugalmasabb IT támogatása Nick Gábor András 2009. szeptember 10. A Generali-Providencia Magyarországon 1831: A Generali Magyarország első biztosítója 1946: Vállalatok államosítása 1989:
RészletesebbenInfor PM10 Üzleti intelligencia megoldás
Infor PM10 Üzleti intelligencia megoldás Infor Üzleti intelligencia (Teljesítmény menedzsment) Web Scorecard & Műszerfal Excel Email riasztás Riportok Irányít Összehangol Ellenőriz Stratégia Stratégia
RészletesebbenTakács Gábor mérnök informatikus, okl. mérnöktanár
Takács Gábor mérnök informatikus, okl. mérnöktanár takacsg@sze.hu http://rs1.sze.hu/~takacsg/ Big Data Definition Big Data is data that can t be stored or analyzed using traditional tools. Információ tartalom,
RészletesebbenPapp Attila. BI - mindenkinek
Papp Attila BI - mindenkinek 100% 28% 2012 A kiterjesztett BI piac alakulása BAM/CEP 0.23 Other Data 2 Warehouse 10.5 CRM Analytics 1 Data Integration, Data Quality 3 2010 57 mrd USD BI Services 30 2011
RészletesebbenGyors sikerek adatbányászati módszerekkel
Gyors sikerek adatbányászati módszerekkel Kezdő adatbányászati workshop Petrócziné Huczman Zsuzsanna 2015.10.13. Bemutatkozás BME, műszaki informatika szak, adatbányászati szakirány Citibank Data Explorer
RészletesebbenVáltozások előtt hol áll a banki (adat)elemzés? Nándorfi György
Változások előtt hol áll a banki (adat)elemzés? Nándorfi György Budapest Bank 1987-ben jött létre az egyik legelső hazai kereskedelmi bankként A 8 hazai nagybank egyike Tulajdonosi háttér: 1995-től 2015-ig
RészletesebbenCsalásfelderítés hálózatokon keresztül. Innovatív BI konferencia, Budapest, 2011. 11. 22.
Csalásfelderítés hálózatokon keresztül Innovatív BI konferencia, Budapest, 2011. 11. 22. Hans Zoltán AEGON Magyarország Szolgáltatás Fejlesztés és Online Irányítás Vezető Benczúr András MTA SZTAKI Informatika
RészletesebbenAZ ÜGYFÉL KOMMUNIKÁCIÓ ÚJ FORMÁI POZITÍV ÜGYFÉLÉLMÉNY SZÖVEGBÁNYÁSZATI MEGOLDÁSOK
AZ ÜGYFÉL KOMMUNIKÁCIÓ ÚJ FORMÁI POZITÍV ÜGYFÉLÉLMÉNY SZÖVEGBÁNYÁSZATI MEGOLDÁSOK HOFGESANG PÉTER ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK Hagyományos és új kommunikációs formák Szöveges adatok Szöveganalitika
RészletesebbenADATTÁRHÁZ MENEDZSMENT ÉS METAADAT KEZELÉS
ADATTÁRHÁZ MENEDZSMENT ÉS METAADAT KEZELÉS Gollnhofer Gábor JET-SOL Kft. Nyilvántartási szám: 503/1256-1177 TARTALOM Bemutatkozás Adattárház menedzsment szemszögből Mi kell a sikeres adattárházhoz? Kérdések
RészletesebbenA szak specializációi
A szak specializációi Specializációk A specializációválasztás során a hallgatónak preferenciasorrendet kell megjelölnie, legalább két specializáció megadásával. A specializációkra történő besorolás a hallgatók
RészletesebbenPrediktív analitikai megoldások bankok és biztosítók számára
Prediktív analitikai megoldások bankok és biztosítók számára Mi a Prediktív Analitika? A Prediktív Analitika segít kapcsolatot létesíteni az adatok és a tevékenységek közt úgy, hogy megbízható módon következtet
RészletesebbenA webanalitika változó világa 4 felvonásban
A webanalitika változó világa 4 felvonásban Arató Bence, BI Consulting Email: arato@bi.hu, Twitter: @aratob Traffic Meetup, 2013.02.06 1 Bemutatkozás 15 éves szakmai tapasztalat az üzleti intelligencia
RészletesebbenSzoftver újrafelhasználás
Szoftver újrafelhasználás Szoftver újrafelhasználás Szoftver fejlesztésekor korábbi fejlesztésekkor létrehozott kód felhasználása architektúra felhasználása tudás felhasználása Nem azonos a portolással
RészletesebbenÚjdonságok. Jancsich Ernő Ferenc
Újdonságok Jancsich Ernő Ferenc Microsoft Dynamics NAV o Világszerte, több, mint 110 000 ezer kis- és középvállalat választotta a Microsoft Dynamics NAV rendszert növekedésének támogatásához. o Ez közel
RészletesebbenGazdálkodási modul. Gazdaságtudományi ismeretek II.
Gazdálkodási modul Gazdaságtudományi ismeretek II. Vezetés és kommunikációs ismeretek KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc Információmenedzsment 90. lecke INFORMÁCIÓ MENEDZSMENT
RészletesebbenAz adatelemző felelőssége tapasztalatok a biztosítási analitikában
Az adatelemző felelőssége tapasztalatok a biztosítási analitikában Szabó Dániel Advanced Analytics team vezető Budapest, 2018. június 14. Segítünk az embereknek anyagi biztonságot teremteni egy életen
RészletesebbenÜzleti intelligencia eszköztár a SAS 9.2 platformon
Üzleti intelligencia eszköztár a SAS 9.2 platformon Portik Imre SAS Magyarország Témakörök Bevezetés SAS BI eszköztár 9.2 BI újdonságok A közeljövő Q&A SAS Enterprise BI Server Riportkészítés Lekérdezés
RészletesebbenMicrosoft SQL Server telepítése
Microsoft SQL Server telepítése Az SQL Server a Microsoft adatbázis kiszolgáló megoldása Windows operációs rendszerekre. Az SQL Server 1.0 verziója 1989-ben jelent meg, amelyet tizenegy további verzió
RészletesebbenIT Szolgáltatás Menedzsment az oktatási szektorban - 90 nap alatt költséghatékonyan
IT Szolgáltatás Menedzsment az oktatási szektorban - 90 nap alatt költséghatékonyan Bácsi Zoltán Bedecs Szilárd Napirend Közép Európai Egyetem (CEU) bemutatása IT stratégia kialakítása Változás előtt Termék
RészletesebbenPentaho 4: Mindennapi BI egyszerűen. Fekszi Csaba Ügyvezető 2011. október 6.
Pentaho 4: Mindennapi BI egyszerűen Fekszi Csaba Ügyvezető 2011. október 6. 1 2 3 4 5 Bevezetés Pentaho-ról röviden - áttekintő Mindennapi BI egyszerűen a Pentaho 4 újdonságai Pentaho összefoglaló Alkalmazás
RészletesebbenMegszületett a digitális minőségügyi szakember? XXIV. Nemzeti Minőségügyi Konferencia
Megszületett a digitális minőségügyi szakember? XXIV. Nemzeti Minőségügyi Konferencia Online szavazás részletei zeetings.com/adapto XXIV. Nemzeti Minőségügyi Konferencia 2 Bevezető Szemfelszedő, Jéghordó,
RészletesebbenGyors sikerek adatbányászati módszerekkel
Gyors sikerek adatbányászati módszerekkel Kezdő adatbányászati workshop Petrócziné Huczman Zsuzsanna Tajti András 2016.10.25. Petrócziné Huczman Zsuzsanna Andego Tanácsadó Kft. PBA, KÖBE, Fókusz Takarék,
RészletesebbenData Integrátorok a gyakorlatban Oracle DI vs. Pentaho DI Fekszi Csaba Ügyvezető Vinnai Péter Adattárház fejlesztő 2013. február 20.
Data Integrátorok a gyakorlatban Oracle DI vs. Pentaho DI Fekszi Csaba Ügyvezető Vinnai Péter Adattárház fejlesztő 2013. február 20. 1 2 3 4 5 6 7 8 Pentaho eszköztára Data Integrator Spoon felület Spoon
RészletesebbenBig Data adattárházas szemmel. Arató Bence ügyvezető, BI Consulting
Big Data adattárházas szemmel Arató Bence ügyvezető, BI Consulting 1 Bemutatkozás 15 éves szakmai tapasztalat az üzleti intelligencia és adattárházak területén A BI Consulting szakmai igazgatója A BI.hu
Részletesebben30 MB INFORMATIKAI PROJEKTELLENŐR
INFORMATIKAI PROJEKTELLENŐR 30 MB DOMBORA SÁNDOR BEVEZETÉS (INFORMATIKA, INFORMATIAKI FÜGGŐSÉG, INFORMATIKAI PROJEKTEK, MÉRNÖKI ÉS INFORMATIKAI FELADATOK TALÁKOZÁSA, TECHNOLÓGIÁK) 2016. 09. 17. MMK- Informatikai
RészletesebbenVan-e ingyen-ebéd? Avagy mire elég a nyílt forráskodú Pentaho? Fekszi Csaba Ügyvezető 2012. október 4.
Van-e ingyen-ebéd? Avagy mire elég a nyílt forráskodú Pentaho? Fekszi Csaba Ügyvezető 2012. október 4. Omnit Solutions 2007 óta a piacon BI & adattárház tanácsadás 20 fős csapat Oracle, IBM és Pentaho
RészletesebbenA tudás handrendbe állítása, azaz SPSS PES
A tudás handrendbe állítása, azaz SPSS PES...és hogyan történt mindez a Vodafone Hungary Zrt-nél Cseh Zoltán, PhD konzultációs igazgató SPSS Hungary Hagyományos hadászati egységek Légi elhárítás Gyalogság
Részletesebben1 Copyright 2011, Oracle and/or its affiliates. All rights reserved. Insert Information Protection Policy Classification from Slide 7
1 Copyright 2011, Oracle and/or its affiliates. All rights 2011 November 8 th Budapest Fel a fellegekbe! Oracle alkalmazások szolgáltatásként az Oracle CRM, ERP, HR Visky Máté Vezető CRM Tanácsadó Sonnevend
RészletesebbenDokumentum kompozíció
Dokumentum kompozíció Dokumentum kompozíció: Központilag létrehozott és menedzselt megszemélyesített tranzakciós, igény alapú és interaktív dokumentumok előállítása Elérhető előnyök: ügyfél elégedettség
RészletesebbenAdatbányászati, data science tevékenység projektmenedzsmentje
Adatbányászati, data science tevékenység projektmenedzsmentje IPE képzés II. félév Körmendi György, Hans Zoltán Clementine Consulting 2018.03.08. L Bemelegítés Adatbányászat célja Szegmentálás Leíró modellek
RészletesebbenFolyamatok rugalmas irányítása. FourCorm Kft.
Folyamatok rugalmas irányítása FourCorm Kft. www.frckft.hu 1 Dokumentumok áramlása Gyakran szekvenciális Rengeteg felesleges másolat Információk alacsony rendelkezésre állása Nincs szolgálati út- és határidőfigyelés
RészletesebbenAdatbányászati, data science tevékenység
Adatbányászati, data science tevékenység projektmenedzsmentje IPE képzés II. félév Körmendi György Clementine Consulting 2017. 03. 14. Bemelegítés Adatbányászat célja Szegmentálás Leíró modellek Előrejelző
RészletesebbenSzövegbányászat. Pancza Judit SPSS Nyári Iskola
Szövegbányászat Pancza Judit SPSS Nyári Iskola 2019. 07. 08. SPSS Nyári Iskola 2019.07.08-12. Veszprém 2 SZÖVEGBÁNYÁSZAT, SZÖVEGANALITIKA Lehetővé teszi strukturálatlan, szöveges adatok feldolgozását,
RészletesebbenNyílt forráskód, mint üzleti előny. Szücs Imre VTMSZ - CMC Minősítési előadás 2013.03.05. Ha valamit érdemes csinálni, akkor azt megéri jól csinálni
Nyílt forráskód, mint üzleti előny Szücs Imre VTMSZ - CMC Minősítési előadás 2013.03.05 Ha valamit érdemes csinálni, akkor azt megéri jól csinálni 1 Open source Első kérdések Forráskóddal kell dolgoznom?
RészletesebbenADATBÁNYÁSZAT AZ AUTÓIPARI TERMÉKEK FEJLESZTÉSÉBEN
ADATBÁNYÁSZAT AZ AUTÓIPARI TERMÉKEK FEJLESZTÉSÉBEN Zámborszky Judit 2019.05.14. Adatbányászat az autóipari termékek fejlesztésében Industry 4.0 Ipar 4.0 Ipari forradalmak: 1.: Gépek használata (gőzgép)
RészletesebbenSzoftver-technológia II. Szoftver újrafelhasználás. (Software reuse) Irodalom
Szoftver újrafelhasználás (Software reuse) Irodalom Ian Sommerville: Software Engineering, 7th e. chapter 18. Roger S. Pressman: Software Engineering, 5th e. chapter 27. 2 Szoftver újrafelhasználás Szoftver
RészletesebbenÍgy kampányolunk mi. Hans Zoltán. Szolgáltatás Fejlesztés és Online Irányítás vezető. IBM-SPSS üzleti reggeli (Budapest) 2010.09.22.
Így kampányolunk mi Hans Zoltán Szolgáltatás Fejlesztés és Online Irányítás vezető IBM-SPSS üzleti reggeli (Budapest) 2010.09.22. LIFE INSURANCE PENSION INVESTMENT Tartalom AEGON Útkeresések Esettanulmány
RészletesebbenPROVICE. üzleti és informatikai tanácsadás
CHANGEPOINT ALKALMAZÁSA TANÁCSADÓ CÉGNÉL (PROVICE KFT. ESETPÉLDA) PROVICE Üzleti és Informatikai Tanácsadó Kft. 1027 Budapest, Kapás u. 11-15. Tel: + 36 1 488 7984 Fax: + 36 1 488 7985 E-mail: provice@provice.hu
RészletesebbenSpeciális ügyfélkapcsolati igények Önkiszolgáló ügyfelektől az előfizető nyilvántartásig
Speciális ügyfélkapcsolati igények Önkiszolgáló ügyfelektől az előfizető nyilvántartásig Rigó Tamás műszaki igazgató Ker-Soft Számítástechnikai Kft. tamas.rigo@kersoft.hu Tartalom Miről is lesz szó? Fellépő
RészletesebbenS atisztika 1. előadás
Statisztika 1. előadás A kutatás hatlépcsős folyamata 1. lépés: Problémameghatározás 2. lépés: A probléma megközelítésének kidolgozása 3. lépés: A kutatási terv meghatározása 4. lépés: Terepmunka vagy
RészletesebbenA benchmarking fogalma
Benchmarking Dr. Koczor Zoltán 1 A fogalma Összevetésként használt szervezet Felhasznált erőforrások ESZKÖZÖK CÉLOK Belső folyamatszabályozás Dr. Koczor Zoltán 2 1 A célja Értékelnünk kell a jelenlegi
RészletesebbenTeamcenter, a Siemens PLM megoldása tervezési folyamatok kezelésére. Sallay Péter. Kasuba-Tóth Endre
Teamcenter, a Siemens PLM megoldása tervezési folyamatok kezelésére Sallay Péter ügyvezető igazgató peter.sallay@graphit.hu Kasuba-Tóth Endre PLM tanácsadó endre.kasuba-toth@graphit.hu www..hu Tartalom
RészletesebbenSelf Service szekció. XXVIII. Budapesti Menedzsment és Controlling Fórum. Havas Levente. Budapest, május 26. IFUA Horváth & Partners
Self Service szekció XXVIII. Budapesti Menedzsment és Controlling Fórum Havas Levente Budapest, 2016. május 26. Self Service szekció XXVIII. Budapesti Menedzsment és Controlling Fórum Havas Levente Budapest,
RészletesebbenAZ IGAZI BIG DATA hogyan használják a világban és egyáltalán használják-e hazánkban?
AZ IGAZI BIG DATA hogyan használják a világban és egyáltalán használják-e hazánkban? Médiapiac 2015 Eger, 2015.03.18 Dévényi Edit Dunai Albert K&H Bank és Biztosító 1 Nem értek hozzá! Mi tart vissza? Túl
RészletesebbenIV/1. sz. melléklet: Vállalati CRM, értékesítési terület funkcionális specifikáció
IV/1. sz. melléklet: Vállalati CRM, értékesítési terület funkcionális specifikáció 1. A követelménylista céljáról Jelen követelménylista (mint a GOP 2.2.1 / KMOP 1.2.5 pályázati útmutató melléklete) meghatározza
RészletesebbenSelf service reporting fogások, technikák és megoldások controllereknek, nem csak Excel alapon
Self service reporting fogások, technikák és megoldások controllereknek, nem csak Excel alapon Reporting, dashboarding önkiszolgáló módon Anton Dávid Havas Levente Debrecen, 2017.10.26. Mobil fogyasztás
RészletesebbenComponent Soft 1994-2013 és tovább
Component Soft 1994-2013 és tovább IT szakemberek oktatása, tanácsadás Fő témáink: UNIX/Linux rendszerek, virtualizációs, fürtözési, tároló menedzsment és mentési technológiák Adatbázisok és middleware
RészletesebbenRetro adatbányászat. Kovács Gyula Andego Tanácsadó Kft.
Retro adatbányászat Kovács Gyula Andego Tanácsadó Kft. Adattárház Fórum 2012 Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek) Andego
RészletesebbenBemutatkozik a BIZMUT EHS szakértőktől XXI. Század igényeihez igazodva
e-ehs szoftverek egyéni igényekre szabva Bemutatkozik a BIZMUT EHS szakértőktől XXI. Század igényeihez igazodva 1. e-hulladékkezelő Tervezés, szervezés és együttműködés Egyszerűbb gyorsabb - biztonságosabb
Részletesebben<Insert Picture Here> Közeli jövőkép az üzleti intelligenciáról
Közeli jövőkép az üzleti intelligenciáról Radnai Szabolcs Üzleti Intelligencia Üzletfejlesztési vezető - Kelet-közép Európa régió Az üzleti intelligencia feladata Embedded Business
RészletesebbenVezetői Információs Rendszer a Központi Statisztikai Hivatalban
Vezetői Információs Rendszer a Központi Statisztikai Hivatalban Dr. Kárpáti József Főosztályvezető, KSH Tervezési főosztály Microsoft Szeminárium, 2007. március 21. E-mail: jozsef.karpati@ksh.hu Tel.:
RészletesebbenSzimulációs módszerek alkalmazása az üzleti döntéstámogatásban
Szimulációs módszerek alkalmazása az üzleti döntéstámogatásban Dr. Benedek Gábor Thesys Labs Kft. Pocsarovszky Károly Thesys Labs Kft. 2011.04.14. www.thesys-group.com Mit tekint(s)ünk szimulációnak? DES
RészletesebbenPrediktív analitika. Körmendi György. SPSS Hungary 2011. május 24.
Prediktív analitika Körmendi György SPSS Hungary 2011. május 24. Agenda A prediktív analitika fogalma Az intelligens vállalat Cognos SPSS integráció Összefoglaló 2 Hogy változik a döntéshozatal A vonat
RészletesebbenA nagy klinikák fogászati szoftvere. Gyorsabb adminisztráció, nagyobb biztonság, hatékonyabb rendelő!
A nagy klinikák fogászati szoftvere Gyorsabb adminisztráció, nagyobb biztonság, hatékonyabb rendelő! A nagy klinikák fogászati szoftvere Ismerje meg a PlanMaster világszinten is egyedülálló megoldásait!
RészletesebbenSAS szoftverek felhasználási lehetőségei a felsőoktatásban
SAS szoftverek felhasználási lehetőségei a felsőoktatásban Hodász Attila BDX Kft. Abrán József SAS Magyarország Miért SAS? Integrált keretrendszer amely a teljes feladat támogatására alkalmas Kiforrott
RészletesebbenBEVEZETÉS AZ ADATTÁRHÁZ AUTOMATIZÁLÁSBA
BEVEZETÉS AZ ADATTÁRHÁZ AUTOMATIZÁLÁSBA Gollnhofer Gábor JET-SOL Kft. Nyilvántartási szám: 503/1256-1177 JET-SOL KFT. Alapadatok 2003-ban alakultunk Több mint 120 magasan képzett munkatárs Ügyfélkör Nagyvállalati
RészletesebbenPREDIKTÍV ANALITIKÁVAL A KORAI ISKOLAELHAGYÓK SZÁMÁNAK CSÖKKENTÉSÉÉRT
PREDIKTÍV ANALITIKÁVAL A KORAI ISKOLAELHAGYÓK SZÁMÁNAK CSÖKKENTÉSÉÉRT Horváth Ádám Divízióvezető Digitális Jólét Nonprofit Kft. Digitális Pedagógiai Módszertani Központ Nagy István EFOP-3.2.15-VEKOP-17-2017-00001
RészletesebbenA kockázatkezelő feladatai az AEGON gyakorlatában Zombor Zsolt 2013. május 30.
A kockázatkezelő feladatai az AEGON gyakorlatában Zombor Zsolt 2013. május 30. aegon.com Védelmi vonalak Kockázat 1. védelmi vonal Mindenki (Aktuáriusok) 2. védelmi vonal Kockázatkezelés, Compliance 3.
RészletesebbenRendszermodernizációs lehetőségek a HANA-val Poszeidon. Groma István PhD SDA DMS Zrt.
Rendszermodernizációs lehetőségek a HANA-val Poszeidon Groma István PhD SDA DMS Zrt. Poszeidon EKEIDR Tanúsított ügyviteli rendszer (3/2018. (II. 21.) BM rendelet). Munkafolyamat támogatás. Papírmentes
RészletesebbenCloud Akkreditációs Szolgáltatás indítása CLAKK projekt. Kozlovszky Miklós, Németh Zsolt, Lovas Róbert 9. LPDS MTA SZTAKI Tudományos nap
Cloud Akkreditációs Szolgáltatás indítása CLAKK projekt Kozlovszky Miklós, Németh Zsolt, Lovas Róbert 9. LPDS MTA SZTAKI Tudományos nap Projekt alapadatok Projekt név: Cloud akkreditációs szolgáltatás
RészletesebbenÁtfogó megoldás a számlafolyamatok felgyorsításához ELO DocXtractor. Laczkó Kristóf ELO Digital Office Kft. Bálint András Prognax Kft.
Átfogó megoldás a számlafolyamatok felgyorsításához ELO DocXtractor Laczkó Kristóf ELO Digital Office Kft. Bálint András Prognax Kft. Áttekintés Struktúrált és egyéb Információk bármely forrásból dokumentumok
RészletesebbenBIG DATA ELEMZÉSEK LEHETŐSÉGEI
BIG DATA ELEMZÉSEK LEHETŐSÉGEI A KÖRNYEZETVÉDELMI MODELLEZÉSBEN Dr. Torma A. 2015.11.13. 2015/11/13 Dr. TORMA A. >> Széchenyi István Egyetem 2 Tartalom 1. A Big Data fogalma 2. Pár érdekes adat a Big Data
RészletesebbenVÁLLALATI INFORMÁCIÓS RENDSZEREK. Debrenti Attila Sándor
VÁLLALATI INFORMÁCIÓS RENDSZEREK Debrenti Attila Sándor Információs rendszer 2 Információs rendszer: az adatok megszerzésére, tárolására és a tárolt adatok különböző szempontok szerinti feldolgozására,
RészletesebbenTÁJÉKOZTATÓ SZEPTEMBER 15. ELŐADÓ: DR. SZEPESI GÁBOR OPERATÍV PROJEKTVEZETŐ
TÁJÉKOZTATÓ AZ ÖNKORMÁNYZATI ASP ORSZÁGOS KITERJESZTÉSE KAPCSÁN A CSATLAKOZTATÁSI KONSTRUKCIÓRÓL 2016. SZEPTEMBER 15. ELŐADÓ: DR. SZEPESI GÁBOR OPERATÍV PROJEKTVEZETŐ Önkormányzati ASP 1.0 Az Önkormányzati
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens Tartalomjegyzék Bevezetés Termelési paradigma fogalma Paradigma váltások A CIM fogalmának
RészletesebbenCsalásfelderítés és előrejelzési megoldás. 2014. május 20.
Csalásfelderítés és előrejelzési megoldás Szász Viktor IBM BA Technical Presales 2014. május 20. A kockázat besorolás egy folyamatos egyensúlyozás... Az Üzleti Analitika segít az egyes célok hatékonyságának
RészletesebbenTeljeskörű BI megoldás a gyakorlatban IBM eszközök használatával, Magyarországon
Teljeskörű BI megoldás a gyakorlatban IBM eszközök használatával, Magyarországon esettanulmány csokor, mely megpróbálja összefoglalni az elmúlt 10 év tapasztalatait,tanulságait és bemutat egy élő, hazai
RészletesebbenOracle SQL Developer Data Modeler és a DW adatmodellezés. Gollnhofer Gábor Meta Consulting Kft.
Oracle SQL Developer Data Modeler és a DW adatmodellezés Gollnhofer Gábor Meta Consulting Kft. Oracle Information Management & Big Data Reference Architecture 2 Mi a NoSQL modellezés célja? Forrás: Insights
RészletesebbenÜzleti folyamatmenedzsment: - káoszból rendet!
Üzleti folyamatmenedzsment: - káoszból rendet! Tóth Bálint WebSphere Brand Sales Manager IBM Magyarország balint.toth@hu.ibm.com, +36-20-8235554 2011. 10. 19. Komplexitás a vállalaton belül Vállalat Munkatársak
RészletesebbenRapidAnalytics Enterprise Edition bevezetés a Telenor Magyarországnál. Szakács Balázs - Telenor Magyarország Szücs Imre United Consult
RapidAnalytics Enterprise Edition bevezetés a Telenor Magyarországnál Szakács Balázs - Telenor Magyarország Szücs Imre United Consult Miről lesz szó? Telenor bemutatása Eszközválasztás háttere Igények
RészletesebbenSegítség, összementem!
Segítség, összementem! Előadók: Kránicz László Irimi János Budapest, 2013. április 10. ITFI - Adatintegrációs Kompetencia Központ ITFI - Adatintegrációs Kompetencia Központ Tartalomjegyzék 2 Az Adattárház
RészletesebbenTudásalapú információ integráció
Tudásalapú információ integráció (A Szemantikus Web megközelítés és a másik irány) Tanszéki értekezlet, 2008. május 14. 1 Miért van szükségünk ilyesmire? WWW: (Alkalmazások) Keresés a weben (pl. összehasonlítás
RészletesebbenGENERÁCIÓS ADATBÁZISOK A BIG DATA KÜLÖNBÖZŐ TERÜLETEIN
INFORMATIKAI PROJEKTELLENŐR 30 MB Szabó Csenger ÚJ GENERÁCIÓS ADATBÁZISOK A BIG DATA KÜLÖNBÖZŐ TERÜLETEIN 2016. 12. 31. MMK- Informatikai projektellenőr képzés Big Data definíció 2016. 12. 31. MMK-Informatikai
RészletesebbenS atisztika 2. előadás
Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás
RészletesebbenA Jövő Internet Nemzeti Kutatási Program bemutatása
A Jövő Internet Nemzeti Kutatási Program bemutatása Dr. Bakonyi Péter és Dr. Sallai Gyula Jövő Internet Kutatáskoordinációs Központ Budapesti Műszaki és Gazdaságtudományi Egyetem Budapest, 2013. június
RészletesebbenMit mond a XXI. század emberének a statisztika?
Mit mond a XXI. század emberének a statisztika? Rudas Tamás Magyar Tudományos Akadémia Társadalomtudományi Kutatóközpont Eötvös Loránd Tudományegyetem Statisztika Tanszék Nehéz a jövőbe látni Változik
RészletesebbenÜgyfélkapcsolat-kezelés Microsoft alapokon a Dynafix Kft-nél
Ügyfélkapcsolat-kezelés Microsoft alapokon a Dynafix Kft-nél Budapest, 00.0. Jakab Ákos Sárközi Szabolcs CRM ügyfélkapcsolatok kezelése A cégről Tevékenység Microsoft szoftverek beszerzésében CRM, vállaltirányítási
RészletesebbenA minisztériumok és háttérintézményeik központi ellátását támogató web-es portál és munkafolyamat menedzsment-rendszer funkcionális működése
A minisztériumok és háttérintézményeik központi ellátását támogató web-es portál és munkafolyamat menedzsment-rendszer funkcionális működése Workflow - Tájékoztató 2014. november 250/2014. (X. 2.) Korm.
RészletesebbenÖnálló labor feladatkiírásaim tavasz
Önálló labor feladatkiírásaim 2016. tavasz (ezekhez kapcsolódó saját témával is megkereshetnek) Mészáros Tamás http://www.mit.bme.hu/~meszaros/ Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika
RészletesebbenBI FÓRUM - 2013. Üzleti Intelligencia Osztály Motto: szenvedélyünk az adat
BI FÓRUM - 2013 Üzleti Intelligencia Osztály Motto: szenvedélyünk az adat Tartalom BI terület - rövid áttekintés Minden az adattisztítással kezdődött Az első eredmények Tanulságok A siker 4 pillére Háztáji
RészletesebbenÜzletmenet-folytonosság és katasztrófa helyzet kezelés (Honnan indultunk, miért változtunk, hova tartunk?)
Üzletmenet-folytonosság és katasztrófa helyzet kezelés (Honnan indultunk, miért változtunk, hova tartunk?) Év indító IT szakmai nap - PSZÁF Budapest, 2007.01.18 Honnan indultunk? - Architektúra EBH IT
RészletesebbenOracle Enterprise Manager: Az első teljesértékű felhő üzemeltetési megoldás
2011 November 8. New York Palota Hotel Boscolo Budapest Oracle Enterprise Manager: Az első teljesértékű felhő üzemeltetési megoldás Sárecz Lajos, Vezető tanácsadó Oracle Hungary Átfogó felhő üzemeltetés
RészletesebbenNAGY SÁV, NAGY VÉDELEM A KIBERBIZTONSÁG MODERN FAKTORAI. Keleti Arthur Kecskemét, 2014.10.08
NAGY SÁV, NAGY VÉDELEM A KIBERBIZTONSÁG MODERN FAKTORAI Keleti Arthur Kecskemét, 2014.10.08 TEMPÓ SÁVSZÉLESSÉG KOMPLEXITÁS 2 Kép forrás: Internet, http:// www.fbi.gov 3 A KÍNAIAK JOBBAN CSINÁLJÁK 4 HOVA
RészletesebbenInternet of Things és Ipar 4.0 az agrárszektorban. Tarcsi Ádám, ELTE Informatikai Kar
Internet of Things és Ipar 4.0 az agrárszektorban Tarcsi Ádám, ELTE Informatikai Kar ade@inf.elte.hu Ipar 4.0 a 4. ipari forradalom 18. század vége gőzgép, szövőgép, a mechanikus gépek 20. század eleje
RészletesebbenMezőgazdasági külső információs rendszerek fejlesztése
Mezőgazdasági külső információs rendszerek fejlesztése Pető István Szent István Egyetem, Gödöllő Gazdasági Informatika Tanszék I. Agrárinformatikai Nyári Egyetem, Gödöllő 2004. augusztus 25-27. Az előadás
RészletesebbenÜgyfél- és címadatok feldolgozása Talenddel
Ügyfél- és címadatok feldolgozása Talenddel 2012.október 4. Dr. Miskolczi Mátyás, Kiss György A Stratisról röviden Jellemzők - Alapítva: 1998 - Tisztán magyar tulajdon - 50 tanácsadó - 140 ügyfél - 500+
RészletesebbenWeb harvesztelés. Automatikus módszerekkel
Országos Széchényi Könyvtár Miről lesz szó? Mi is az a web harvesztelés? Mire és hol használjuk? Miért hasznos? Saját megvalósításaink Mi a web harvesztelés? Interneten található weboldalak begyűjtése,
RészletesebbenCOMPANY PROFILE SZOFI ALGORITHMIC RESEARCH KFT
COMPANY PROFILE SZOFI ALGORITHMIC RESEARCH KFT WWW.SZOFIUSA.COM CÉGTÖRTÉNET 1990 Alapítás 1990 Informatikai fejlesztések kezdete 1992 Felsőfokú informatikai képzési rendszer kidolgozása a kormányzat részére
RészletesebbenGazdasági informatika alapjai
PSZK Mesterképzési és Távoktatási Központ / H-1149 Budapest, Buzogány utca 10-12. / 1426 Budapest Pf.:35 II. évfolyam Név: Neptun kód: Kurzus: Tanár neve: HÁZI DOLGOZAT 2. Gazdasági informatika alapjai
RészletesebbenPMO Érettségi szint és versenyelőny. Kovács Ádám
PMO Érettségi szint és versenyelőny Kovács Ádám kovacs.adam@pmi.hu 1. PMO terjedése A 90 es évek végétől dinamikusan növekszik a PMOk száma Létrehozás oka különböző, cél a projektek jobb átláthatósága
RészletesebbenTipikus konverziós utak - Banki esettanulmány. Media Hungary, május 10. Dunai Zsolt, CIB Bank
Tipikus konverziós utak - Banki esettanulmány Media Hungary, 2017. május 10. Dunai Zsolt, CIB Bank 1 TARTALOM Banki szektor bemutatása Tipikus konverziós utak 2 Banki termékek az Online értékesítés szerepe
RészletesebbenA termékfejlesztés modelljei
Marketing II. Ipari termék- és formatervező mérnök szak A termékfejlesztési folyamat modellezése és marketing információval való támogatása. Amiről ma szó lesz Tankönyv: 7. fejezet. Témakörök: 1. A termékfejlesztési
RészletesebbenBevezetés: Mi a CRM? A tervezési fázis helye és szerepe a CRM implementációs projektekben Jógyakorlatok: mire figyeljünk a CRM tervezés közben.
Mire figyeljünk a CRM rendszerek tervezésekor? Gyakorlati tapasztalatok Komáromi András Bevezetés: Mi a CRM? A tervezési fázis helye és szerepe Miért fontos a tervezési fázis? A tervezési fázis helye és
RészletesebbenBig Data: a több adatnál is több
Big Data: a több adatnál is több Sidló Csaba István MTA Számítástechnikai és Automatizálási Kutatóintézet Üzleti Intelligencia és Adattárházak Csoport sidlo@sztaki.mta.hu http://dms.sztaki.hu CIO Hungary
RészletesebbenSZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből
2010/2011 tavaszi félév SZTE Eötvös Loránd Kollégium 1. Dombi József: Fuzzy elmélet és alkalmazásai 2011. március 3. 19:00 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2011. március
Részletesebben